主权项 |
一种主动配电网光储发电系统无功支撑能力指数预测方法,其特征在于,包括如下步骤:步骤1:建立主动配电网光储发电系统无功支撑能力指数演化系统的时间序列:在固定时间间隔对发电系统并网点无功功率、电压、湿度、辐照强度进行测量,并网点无功功率历史最大值与并网点无功功率测量值之差除以并网点无功功率历史最大值与并网点无功功率历史最小值之差的对数作为光储发电系统无功支撑能力指数,即:<img file="FDA0001137542770000011.GIF" wi="1318" he="95" />则,在一系列时刻twg<sub>1</sub>,twg<sub>2</sub>,...,twg<sub>n</sub>,n为自然数,n=1,2,…,得到并网点无功功率qwg、电压vwg、湿度wwg、辐照强度swg的测量数据:<maths num="0001"><math><![CDATA[<mrow><mfenced open = "{" close = ""><mtable><mtr><mtd><mrow><msub><mi>qwg</mi><mn>1</mn></msub><mo>,</mo><msub><mi>qwg</mi><mn>2</mn></msub><mo>,</mo><mo>...</mo><mo>,</mo><msub><mi>qwg</mi><mi>n</mi></msub></mrow></mtd></mtr><mtr><mtd><mrow><msub><mi>vwg</mi><mn>1</mn></msub><mo>,</mo><msub><mi>vwg</mi><mn>2</mn></msub><mo>,</mo><mo>...</mo><mo>,</mo><msub><mi>vwg</mi><mi>n</mi></msub></mrow></mtd></mtr><mtr><mtd><mrow><msub><mi>wwg</mi><mn>1</mn></msub><mo>,</mo><msub><mi>wwg</mi><mn>2</mn></msub><mo>,</mo><mo>...</mo><mo>,</mo><msub><mi>wwg</mi><mi>n</mi></msub></mrow></mtd></mtr><mtr><mtd><mrow><msub><mi>swg</mi><mn>1</mn></msub><mo>,</mo><msub><mi>swg</mi><mn>2</mn></msub><mo>,</mo><mo>...</mo><mo>,</mo><msub><mi>swg</mi><mi>n</mi></msub></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001137542770000012.GIF" wi="1294" he="294" /></maths>步骤2:测量数据的蚁群‑贝叶斯网络处理:步骤2.1:建立目标函数动态数学模型:<img file="FDA0001137542770000013.GIF" wi="1166" he="64" />其中,式中wgx<sub>i</sub>(i=1,2,...,w<sub>4n</sub>)为优化变量,<img file="FDA0001137542770000014.GIF" wi="183" he="62" />为目标函数,τ<sub>t</sub>(wgx<sub>i</sub>)为函数约束项,y<sub>wg</sub>为待求解的光储发电系统无功支撑能力指数;步骤2.2:计算蚁群算法的启发信息:<maths num="0002"><math><![CDATA[<mrow><msub><mi>η</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>w</mi><mrow><mn>4</mn><mi>n</mi></mrow></msub></munderover><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>w</mi><mrow><mn>4</mn><mi>n</mi></mrow></msub></munderover><mrow><mo>[</mo><mrow><mo>(</mo><mrow><msub><mi>P</mi><mi>a</mi></msub><mrow><mo>(</mo><mrow><msub><mi>wgx</mi><mi>j</mi></msub></mrow><mo>)</mo></mrow><mo>∪</mo><mrow><mo>{</mo><mrow><msub><mi>wgx</mi><mi>i</mi></msub></mrow><mo>}</mo></mrow></mrow><mo>)</mo></mrow><mo>]</mo></mrow><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mi>log</mi><mrow><mo>[</mo><mrow><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>w</mi><mrow><mn>4</mn><mi>n</mi></mrow></msub></munderover><mrow><mo>(</mo><mrow><msub><mi>P</mi><mi>a</mi></msub><mrow><mo>(</mo><mrow><msub><mi>wgx</mi><mi>j</mi></msub></mrow><mo>)</mo></mrow><mo>∩</mo><mrow><mo>{</mo><mrow><msub><mi>wgx</mi><mi>i</mi></msub></mrow><mo>}</mo></mrow></mrow><mo>)</mo></mrow></mrow><mo>]</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001137542770000015.GIF" wi="1586" he="151" /></maths>其中,η<sub>ij</sub>为启发信息,P<sub>a</sub>(wgx<sub>j</sub>)(j=1,2,...,w<sub>4n</sub>)为wgx<sub>i</sub>的父节点集;步骤2.3:状态转移矩阵计算:针对测量数据集合,任意蚂蚁根据如下概率公式选择第j个元素,直至全部蚂蚁达到食物源:<maths num="0003"><math><![CDATA[<mrow><msub><mi>p</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mi>τ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><msubsup><mi>η</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mi>B</mi></msubsup></mrow><mrow><munderover><mo>Σ</mo><mrow><mi>s</mi><mo>=</mo><mn>1</mn></mrow><mi>i</mi></munderover><msub><mi>τ</mi><mrow><mi>i</mi><mo>,</mo><mi>s</mi></mrow></msub><msubsup><mi>η</mi><mrow><mi>i</mi><mo>,</mo><mi>s</mi></mrow><mi>B</mi></msubsup></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001137542770000021.GIF" wi="1091" he="206" /></maths>其中,下标i表示为当前蚂蚁能选择的元素,<img file="FDA0001137542770000022.GIF" wi="188" he="70" />分别为i、j及i、s元素间的启发信息值,τ<sub>i,j</sub>、τ<sub>i,s</sub>为i、j及i、s两元素间的信息素浓度,B为启发因子;步骤2.4:信息素更新:采用实时信息素更新,在每一只蚂蚁选择某个节点后,该节点的信息素进行如下更新:τ<sub>i,j</sub>=(1‑ρ)τ<sub>i,j</sub>+ρτ<sub>0</sub> (5)式中,τ<sub>0</sub>为信息素初始值,ρ为[0,1]区间上的可调参数;步骤3:主动配电网光储发电系统无功支撑能力指数预测计算:当蚁群算法的迭代次数达到设定最大迭代次数n<sub>max</sub>时,算法终止,得到主动配电网光储发电系统无功支撑能力指数预测值y<sub>wg</sub>。 |