基于火电机组与新能源厂站联合并网的整定方法技术

基于火电机组与新能源厂站联合并网的整定方法，其包括：(1)采用改进的在线序列极限学习机IOS‑ELM模型，网络结构包括：第一列为输入层，输入量为影响光伏出力的主要影响因子，影响因子的值通过预先安装的各类传感器采集的数据实时地传送到网络中；第二列为隐含层；第三列为输出层，输出值为网络预测的光伏出力；(2)初始训练阶段，使用量子粒子群QPSO算法优化网络的权值和阈值；(3)线训练阶段，根据当前训练数据中隐含层对网络输出的贡献度的大小调节网络的拓扑结构；(4)在线学习阶段，根据隐层输出对预测值的贡献值CV大小来决定该隐层分裂或合并，同时调整网络结构参数。

【技术实现步骤摘要】
基于火电机组与新能源厂站联合并网的整定方法
本专利技术涉及电力系统的
，尤其涉及一种基于火电机组与新能源厂站联合并网的整定方法。
技术介绍
随着国民经济的快速发展以及工业4.0的提出，我国对于电力的需求量与日俱增。传统的以燃煤为主要方式的火力发电会对环境造成较大污染，并且煤矿属于非可再生能源，开采量受到制约。为了响应节能减排的号召，需要大力发展其他形式的发电装置。风能发电、水能发电和光能发电是三种主要的清洁能源发电形式。发电过程中不会造成环境污染，并且风能、水能、光能都属于可再生能源，可以从自然界中源源不断地获取。但是，风能和水能受限于地理因素较为明显，而光能则相对比较容易捕获，因此采用光能发电与火力发电相配合的形式，来达到降低火力发电成本、提高经济效益的目的。光能发电主要受光照强度影响，我国幅员辽阔，不同季节以及同一天不同时刻光照强度不断改变，对于出力影响较大，进而会影响并网后火电运行方式。因此准确地预测光伏出力，对于维持电网稳定运行至关重要。传统物理光伏发电出力预测模型，参照光伏电池的发电原理，利用数值天气预报(NumericalWeatherPrediction,NWP)得到的太阳辐射、温度、湿度、气压、云量、雨量和风速等数据以及根据当地地理信息获取的经纬度、海拔高度等数据，并结合光伏系统安装角度、光伏阵列转换效率等参数，建立物理模型直接计算得到光伏发电出力。但是物理公式本身存在一定的误差，模型抗干扰能力差，鲁棒性不强。随着人工智能技术的快速发展，基于数据挖掘技术的神经网络模型被应用到光伏发电出力预测上。由于光伏出力对气象条件较为敏感，即使是晴朗的天气，天空中也会不时地飘过几片云彩，所以需要建立一种实时模型来对光伏出力进行预测。
技术实现思路
为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种基于火电机组与新能源厂站联合并网的整定方法，其能够准确地预测光伏出力，不仅可以提高光伏电站运营效率，而且可以帮助调度部门调整运行方式，确保高比例光伏接入电网后电力系统的安全稳定与经济运行。本专利技术的技术方案是：这种基于火电机组与新能源厂站联合并网的整定方法，其包括以下步骤：(1)采用改进的在线序列极限学习机IOS-ELM模型，网络结构包括：第一列为输入层，输入量为影响光伏出力的主要影响因子，影响因子的值通过预先安装的各类传感器采集的数据实时地传送到网络中；第二列为隐含层；第三列为输出层，输出值为网络预测的光伏出力；(2)在初始训练阶段，使用量子粒子群QPSO算法优化网络的权值和阈值；(3)在线训练阶段，根据当前训练数据中隐含层对网络输出的贡献度的大小调节网络的拓扑结构；(4)在线学习阶段，根据隐层输出对预测值的贡献值CV大小来决定该隐层分裂或合并，同时调整网络结构参数，突出网络的时效性，保证其稳定性和精度。本专利技术采用改进的在线序列极限学习机IOS-ELM模型，在初始训练阶段，使用量子粒子群QPSO算法优化网络的权值和阈值，在线训练阶段，根据当前训练数据中隐含层对网络输出的贡献度的大小调节网络的拓扑结构，在线学习阶段，根据隐层输出对预测值的贡献值CV大小来决定该隐层分裂或合并，同时调整网络结构参数，因此能够准确地预测光伏出力，不仅可以提高光伏电站运营效率，而且可以帮助调度部门调整运行方式，确保高比例光伏接入电网后电力系统的安全稳定与经济运行。还提供了另一种基于火电机组与新能源厂站联合并网的整定方法，其包括以下步骤：(a)开始；(b)初始化参数；(c)使用QPSO算法优化初始参数，并计算输出矩阵；(d)判断CVmin<CVi<CVmax是否成立，是则执行步骤(h)，否则执行步骤(e)；(e)判断CVi<CVmin是否成立，是则执行步骤(f)，否则执行步骤(g)；(f)与欧式距离最近的节点合并调节参数，跳转到步骤(h)；(g)该隐层节点分裂成Ni个并调节参数；(h)使用OS-ELM算法进行预测；(i)判断数据学习是否完毕，是则执行步骤(j)，否则在线添加数据后执行步骤(c)；(j)结束。附图说明图1是根据本专利技术的基于火电机组与新能源厂站联合并网的整定方法的网络结构图。图2是根据本专利技术的节点合并分裂示意图。图3是根据本专利技术的一种基于火电机组与新能源厂站联合并网的整定方法的流程图。图4示出了光伏火电并网示意图。具体实施方式这种基于火电机组与新能源厂站联合并网的整定方法，其包括以下步骤：(1)采用改进的在线序列极限学习机IOS-ELM(ImprovedOnlineSequentialExtremeLearningMachine,IOS-ELM)模型，如图1所示，网络结构包括：第一列为输入层，输入量为影响光伏出力的主要影响因子，影响因子的值通过预先安装的各类传感器采集的数据实时地传送到网络中；第二列为隐含层；第三列为输出层，输出值为网络预测的光伏出力；(2)在初始训练阶段，使用量子粒子群QPSO(Quantumbehavedparticleswarmoptimization,QPSO)算法优化网络的权值和阈值；(3)在线训练阶段，根据当前训练数据中隐含层对网络输出的贡献度的大小调节网络的拓扑结构，有效解决了的结构设计问题，实现了结构和参数的自组织，如图2所示；(4)在线学习阶段，根据隐层输出对预测值的贡献值CV(ContributionValue,CV)大小来决定该隐层分裂或合并，同时调整网络结构参数，突出网络的时效性，保证其稳定性和精度。本专利技术采用改进的在线序列极限学习机IOS-ELM模型，在初始训练阶段，使用量子粒子群QPSO算法优化网络的权值和阈值，在线训练阶段，根据当前训练数据中隐含层对网络输出的贡献度的大小调节网络的拓扑结构，在线学习阶段，根据隐层输出对预测值的贡献值CV大小来决定该隐层分裂或合并，同时调整网络结构参数，因此能够准确地预测光伏出力，不仅可以提高光伏电站运营效率，而且可以帮助调度部门调整运行方式，确保高比例光伏接入电网后电力系统的安全稳定与经济运行。优选地，所述各类传感器包括：光传感器、温度传感器、湿度传感器等。图4示出了光伏火电并网示意图。优选地，为了数据采集的准确性，可以引入北斗系统以及我国先进的5G技术作为支撑，实现人与设备、设备与设备之间的及时有效沟通，为建设一个更加高效的电力系统网络打下基础。如图3所示，还提供了另一种基于火电机组与新能源厂站联合并网的整定方法，其包括以下步骤：(a)开始；(b)初始化参数；(c)使用QPSO算法优化初始参数，并计算输出矩阵；(d)判断CVmin<CVi<CVmax是否成立，是则执行步骤(h)，否则执行步骤(e)；(e)判断CVi<CVmin是否成立，是则执行步骤(f)，否则执行步骤(g)；(f)与欧式距本文档来自技高网...

【技术保护点】
1.基于火电机组与新能源厂站联合并网的整定方法，其特征在于：其包括以下步骤：/n(1)采用改进的在线序列极限学习机IOS-ELM模型,网络结构包括：第一列为输入层，输入量为影响光伏出力的主要影响因子，影响因子的值通过预先安装的各类传感器采集的数据实时地传送到网络中；第二列为隐含层；第三列为输出层，输出值为网络预测的光伏出力；/n(2)在初始训练阶段，使用量子粒子群QPSO算法优化网络的权值和阈值；/n(3)在线训练阶段，根据当前训练数据中隐含层对网络输出的贡献度的大小调节网络的拓扑结构；/n(4)在线学习阶段，根据隐层输出对预测值的贡献值CV大小来决定该隐层分裂或合并，同时调整网络结构参数，突出网络的时效性，保证其稳定性和精度。/n

【技术特征摘要】
1.基于火电机组与新能源厂站联合并网的整定方法，其特征在于：其包括以下步骤：
(1)采用改进的在线序列极限学习机IOS-ELM模型,网络结构包括：第一列为输入层，输入量为影响光伏出力的主要影响因子，影响因子的值通过预先安装的各类传感器采集的数据实时地传送到网络中；第二列为隐含层；第三列为输出层，输出值为网络预测的光伏出力；
(2)在初始训练阶段，使用量子粒子群QPSO算法优化网络的权值和阈值；
(3)在线训练阶段，根据当前训练数据中隐含层对网络输出的贡献度的大小调节网络的拓扑结构；
(4)在线学习阶段，根据隐层输出对预测值的贡献值CV大小来决定该隐层分裂或合并，同时调整网络结构参数，突出网络的时效性，保证其稳定性和精度。


2.根据权利要求1所述的基于火电机组与新能源厂站联合并网的整定方法，其特征在于：所述各类传感器包括：光传感器、温度传感器、湿度传感器。

【专利技术属性】
技术研发人员：仇向东，李进伟，周庆捷，张永浩，葛爱茹，王恒，
申请(专利权)人：北京中恒博瑞数字电力科技有限公司，
类型：发明
国别省市：北京;11