基于Elman算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法
【專利摘要】本發(fā)明公開了一種基于Elman算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法，基于相似日選擇算法和Elman神經(jīng)網(wǎng)絡(luò)完成對分布式光伏電站的輸出功率預(yù)測，提出基于有功、無功協(xié)調(diào)控制接有分布式光伏配網(wǎng)電壓越限的控制策略，采用改進(jìn)的智能粒子群優(yōu)化算法進(jìn)行尋優(yōu)計算，完成配電網(wǎng)線路的電壓優(yōu)化控制，具有一定的適用性。
【專利說明】
基于EI man算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種基于Elman算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法，屬于分布 式光伏技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 分布式光伏接入配電網(wǎng)帶來的配網(wǎng)電壓波動問題亟待解決，分布式電源作為清潔 能源的主要利用形式，其接入配電網(wǎng)的數(shù)目日趨增多，一方面，分布式電源有著安裝便捷、 供電靈活等特點，可W提高能源的利用效率，減少污染物的排放，提高供電可靠性、電能質(zhì) 量和降低網(wǎng)損;另一方面，規(guī)模化分布式光伏接入對未來電網(wǎng)的安全可靠運行提出了挑戰(zhàn)， 電網(wǎng)公司將面對大量井噴式、小容量、分散化的分布式光伏接入，運將對局域電網(wǎng)的安全穩(wěn) 定W及經(jīng)濟(jì)運行產(chǎn)生重大影響:分布式電源規(guī)?；尤牒蟛▌拥挠泄Τ隽τ绊懙诫娋W(wǎng)功率 平衡特性，進(jìn)而造成電網(wǎng)母線電壓大幅波動。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術(shù)問題是克服現(xiàn)有技術(shù)的缺陷，提供一種基于Elman算法的 配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法，可提升饋線電壓合格率，提高分布式電源有功功率輸 出，具有較好的適應(yīng)性。
[0004] 為解決上述技術(shù)問題，本發(fā)明提供一種基于Elman算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電 壓優(yōu)化方法，包括W下步驟：
[0005] 1)根據(jù)配網(wǎng)拓?fù)浣Y(jié)構(gòu)和線路參數(shù)，生成節(jié)點導(dǎo)納矩陣，并根據(jù)節(jié)點實時負(fù)荷數(shù)據(jù)， 通過前推回代法潮流算法計算出含有分布式光伏的配網(wǎng)節(jié)點電壓；
[0006] 2)查找各節(jié)點電壓是否越限，如果電壓不越限，等待下一個計算周期;如果節(jié)點電 壓越限，記錄電壓越限節(jié)點的節(jié)點號并轉(zhuǎn)入步驟3);
[0007] 3)對于越限節(jié)點的電壓，計算越限節(jié)點電壓對節(jié)點注入有功、無功功率的靈敏度 矩陣；
[000引4)查找越限節(jié)點電壓對節(jié)點注入有功、無功功率的靈敏度矩陣中與越限節(jié)點的節(jié) 點號對應(yīng)行的元素，找出對應(yīng)的每一行中含有分布式光伏并網(wǎng)點的矩陣元素絕對值最大的 元素對應(yīng)的列號，即為需要參與優(yōu)化的分布式光伏有功調(diào)節(jié)節(jié)點號與無功調(diào)節(jié)節(jié)點號；
[0009] 5) W步驟4)中求出的有功調(diào)節(jié)節(jié)點號對應(yīng)的有功調(diào)節(jié)節(jié)點的有功出力，無功調(diào)節(jié) 節(jié)點號對應(yīng)的無功調(diào)節(jié)節(jié)點的無功出力作為控制變量，W分布式光伏有功出力最大、各節(jié) 點電壓偏離額定值最小為目標(biāo)函數(shù)，在滿足約束條件后運用智能粒子群算法優(yōu)化求解，得 到對應(yīng)有功調(diào)節(jié)節(jié)點的有功出力建議值和無功調(diào)節(jié)節(jié)點的無功出力建議值;如果所求得的 解不可行或不收斂，則在原有調(diào)節(jié)節(jié)點的基礎(chǔ)上再增加靈敏度次大的節(jié)點為調(diào)節(jié)節(jié)點進(jìn)行 優(yōu)化求解。
[0010] 前述的步驟3)中，越限節(jié)點電壓對節(jié)點注入有功、無功功率的靈敏度矩陣分別為：
[0011]
[001^ Qsense=((G-PKB+Q)-i(G+P) + (B-Q))-i (17)
[001引其中，Psense為娜良節(jié)點電壓對節(jié)點注入有功功率的靈敏度矩陣，Qsense為娜良節(jié)點 電壓對節(jié)點注入無功功率的靈敏度矩陣，G和B分別為節(jié)點導(dǎo)納矩陣的實部和虛部，P和如勻 為η階對角陣。
[0014] 前述的步驟5)中，約束條件包括：
[0015] 各節(jié)點的有功功率平衡約束和無功功率平衡約束：
[0016]
(10)
[0017]其中：Pi與Qi分別為節(jié)點i的有功和無功注入，巧為節(jié)點i的電壓相量，Yi功導(dǎo)納矩 陣對應(yīng)元素，N為配電網(wǎng)中接入的光伏節(jié)點個數(shù)；
[001引節(jié)點電壓約束：
[0019]
(Π )
[0020] 其中，VI為節(jié)點電壓幅值，ν,ιη'η為節(jié)點電壓最小值，1',胃為節(jié)點電壓最大值；
[0021] 關(guān)口交換功率約束： 閨
(12)
[0023] 其中，Pi，化分別為從根節(jié)點流入配電網(wǎng)的有功、無功功率，/Γ?與巧胃分別為調(diào)度 中屯、設(shè)置的關(guān)口交換有功功率上界和下界，α""'''與終為關(guān)口交換無功功率上界和下界；
[0024] 分布式光伏模塊運行約束：
[00 劇
W):
[00%]其中，Pi,DG為節(jié)點i上所并接的光伏模塊的有功出力控制目標(biāo)值，品為節(jié)點i上所 并接的光伏模塊的有功出力預(yù)測值，Qi,DG為節(jié)點i上所并接的光伏模塊的無功出力值，Si,DG 為節(jié)點i上所并接的光伏模塊容量。
[0027]前述的步驟5)中，目標(biāo)函數(shù)表示為：
[00 測
（9)
[0029] 其中，DGi為配網(wǎng)中光伏接入節(jié)點，if品為節(jié)點i上所并接的光伏模塊的有功出力預(yù) 測值，Pi,DC為節(jié)點i上所并接的光伏模塊的有功出力控制目標(biāo)值，VJ為節(jié)點j電壓幅值，y：T 為節(jié)點j電壓幅值額定值，η為配網(wǎng)節(jié)點個數(shù)，N為配電網(wǎng)中接入的光伏節(jié)點個數(shù)，α為權(quán)重系 數(shù)，且 0<〇<1。
[0030] 前述的步驟5)中，智能粒子群算法優(yōu)化求解過程如下：
[0031 ] 5-1)隨機初始化Ν個粒子的位置及速度；
[0032] 5-2)取第一個粒子為當(dāng)前粒子，根據(jù)光伏發(fā)電功率預(yù)測結(jié)果，檢查粒子是否滿足 光伏有功、無功出力約束，即粒子有功、無功須不大于預(yù)測值，如果滿足，則轉(zhuǎn)入步驟5-3); 如果不滿足，則調(diào)整粒子位置，使其滿足光伏有功、無功出力約束，取第一個粒子為當(dāng)前粒 子，再轉(zhuǎn)入步驟5-3);
[0033] 5-3)根據(jù)實時負(fù)荷及光伏輸出數(shù)據(jù)計算配網(wǎng)潮流；
[0034] 5-4)根據(jù)潮流計算結(jié)果，計算當(dāng)前粒子本次適應(yīng)度；
[0035] 5-5)更新單個粒子最優(yōu)適用度值及其對應(yīng)的粒子位置，W及全部粒子的最優(yōu)適應(yīng) 度值及其對應(yīng)的粒子位置；
[0036] 5-6)判斷本代所有粒子是否已遍歷完，遍歷完則轉(zhuǎn)入下一步，否則取下一個粒子 為當(dāng)前粒子，轉(zhuǎn)入步驟5-2);
[0037] 5-7)判斷巧如_2-巧4c是否成立，其中即est_2為本輪計算全部粒子的最優(yōu) 適應(yīng)度值，F(xiàn)best_l為上輪計算全部粒子的最優(yōu)適應(yīng)度值，ε為結(jié)果收斂判據(jù)，如果成立，貝U 輸出全局最優(yōu)適應(yīng)度對應(yīng)的粒子位置即為光伏輸出；如果不成立，則根據(jù)式(6)更新粒子位 置，根據(jù)式(5)更新粒子速度，取第一個粒子為當(dāng)前粒子，然后轉(zhuǎn)入步驟5-2)，
[003引 vi,d(t+l) =wvi,d(t)+cirand()(地esti,d-xi,d(t) )+C2rand()(濁esti,d-xi,d(t)) (5)
[0039] Xi,d(t+1) =xi,d(t)+vi,d(t+l) (6)
[0040] 其中，Vi,d(t+1)表示第i個粒子在d維空間t+1時刻的速度，Vi,d(t)表示第i個粒子 在d維空間t時刻的速度，Xi,d(t + 1)示第i個粒子在d維空間t+1時刻的位置，Xi,d(t)示第i個 粒子在d維空間t時刻的位置，W為慣性系數(shù)，ci、C2為粒子學(xué)習(xí)率，randO為值在0~1之間的 隨機數(shù)，pBesti為粒子歷史最優(yōu)解，gBesti為整個粒子群的最優(yōu)解。
[0041] 前述的步驟5-2)中，采用相似日選擇算法和Elman神經(jīng)網(wǎng)絡(luò)算法得到光伏發(fā)電功 率預(yù)測結(jié)果，具體過程如下：
[0042] 6-1)采用相似日選擇算法篩選與預(yù)測日天氣情況相似的樣本作為預(yù)測數(shù)據(jù)庫，設(shè) 預(yù)測日氣象特征向量Xi為：
[00創(chuàng)義=[7；,職，巧，7；min，馬] α)
[0044] 其中，Timax、巧、Timin分別為第i日的最高氣溫、平均氣溫、最低氣溫;出為第i日的相 對濕度；
[0045] 設(shè)Xj為與預(yù)測日日類型、季節(jié)類型相同的歷史日氣象特征向量，表示為： -Y,二1.7',"…式，?-;,
[0046] 6-2)用歐式距離du描述運兩天氣象因素總體的差異度：
[0047]
(2)
[004引其中，k為特征向量的序號，即k=l表示最高氣溫，k=l表示最高氣溫，k = 2表示平 均氣溫，k = 3表示最低氣溫，m為特征向量的個數(shù);通過式(2)計算出歐式距離最小的歷史日 作為預(yù)測日的相似日；
[0049] 6-3)把相似日的發(fā)電功率序列作為預(yù)測模型的輸入樣本參與到預(yù)測模型的訓(xùn)練 和預(yù)測過程中來，得到預(yù)測日的發(fā)電功率。
[0050] 本發(fā)明所達(dá)到的有益效果：
[0051] (1)本發(fā)明方法可W較為準(zhǔn)確的預(yù)測光伏輸出功率，尤其是在面對天氣情況突變 的時候仍然有著較高的精度，在相似日選擇算法中適時加入一些其它氣象因子和訓(xùn)練神經(jīng) 網(wǎng)絡(luò)模型時增大樣本的數(shù)據(jù)和加強對樣本的甄別可W提高原有預(yù)測模型的精確度，達(dá)到比 較理想的狀態(tài)。
[0052] (2)本發(fā)明方法針對出現(xiàn)的配網(wǎng)電壓不合格情況，根據(jù)基于有功、無功協(xié)調(diào)優(yōu)化配 網(wǎng)電壓再結(jié)合智能粒子群算法對不合格節(jié)點電壓進(jìn)行優(yōu)化，明顯地改善了在優(yōu)化前某些節(jié) 點電壓越上限的情況，使得越限節(jié)點電壓有明顯的降低，且都在在允許的電壓偏移范圍內(nèi)。
【附圖說明】
[0053] 圖1為含有分布式光伏的配電網(wǎng)絡(luò)圖。
[0054] 圖2為基于智能粒子群算法的電壓優(yōu)化流程圖。
[0055] 圖3為分布式光伏配電網(wǎng)電壓越限有功無功協(xié)調(diào)優(yōu)化策略流程圖。
【具體實施方式】
[0056] 下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。W下實施例僅用于更加清楚地說明本發(fā)明 的技術(shù)方案，而不能W此來限制本發(fā)明的保護(hù)范圍。
[0057] 本發(fā)明是基于有功、無功調(diào)節(jié)技術(shù)對接入分布式光伏的配電網(wǎng)電壓越限提出的一 種控制策略?？紤]到目前實際配電網(wǎng)中一般很少接有調(diào)壓器和靜止無功補償器(SVC)運些 傳統(tǒng)的無功補償裝置，面對電壓調(diào)整，從分布式光伏自身出發(fā)，讓其參與到調(diào)節(jié)配網(wǎng)電壓上 來。但是考慮到分布式光伏自身的特殊性，接有分布式光伏的配網(wǎng)電壓波動比較厲害，分析 造成配電網(wǎng)電壓波動的因素，通過調(diào)節(jié)光伏有功和無功出力，讓其在建議值附近輸出功率， 而不是按照其原先的情況不加干預(yù)的滿發(fā)。保證在電網(wǎng)安全穩(wěn)定運行的前提下，提高電壓 合格率，盡量提高光伏的輸出有功。
[0058] 本發(fā)明的解決方案是:基于相似日選擇算法和Elman神經(jīng)網(wǎng)絡(luò)完成對分布式光伏 電站的輸出功率預(yù)測，提出基于有功、無功協(xié)調(diào)控制技術(shù)接有分布式光伏配網(wǎng)電壓越限的 控制策略，采用改進(jìn)的粒子群優(yōu)化算法進(jìn)行尋優(yōu)計算，完成配電網(wǎng)線路的電壓優(yōu)化控制。具 體包括W下部分：
[0059] (1)基于相似日和Elman神經(jīng)網(wǎng)絡(luò)算法的光伏發(fā)電功率預(yù)測
[0060] 光伏發(fā)電功率影響的要素主要包括：日類型、福照度、溫度、濕度等。
[0061 ]采用相似日選擇算法篩選與預(yù)測日天氣情況相似的樣本作為預(yù)測數(shù)據(jù)庫。
[0062] 由于福射度可W由歷史數(shù)據(jù)直接體現(xiàn)，故選取溫度、相對濕度作為影響光伏電站 發(fā)電功率的主要影響因素。設(shè)每日的氣象特征向量Xi為：
[0063] 義,=[7；,,;:、兩 7；…,，//'] (1)
[0064] 其中，Timax、石、Timin分別為第i日的最高氣溫、平均氣溫、最低氣溫;出為第i日的相 對濕度。
[0065] 若記Xi為預(yù)測日的氣象特征向量，Xj為與其日類型、季節(jié)類型相同的歷史日氣象特 征向量，表示為義,· ,,,u、，'^?，7%,。,，^,._1..用"歐式距離"(1^來描述運兩天氣象因素總體的差 異度：
[0066]
(2)
[0067] 其中，k為特征向量的序號，即k=l表示最高氣溫，k=l表示最高氣溫，k = 2表示平 均氣溫，k = 3表示最低氣溫，m為特征向量的個數(shù)，運里m為4。通過式(2)計算出與預(yù)測日相 似度最高(歐式距離最小）的歷史日作為預(yù)測日的相似日。
[0068] 要預(yù)測光伏電站某天的發(fā)電功率，可尋找與其日類型、季節(jié)類型相同且氣象特征 向量相似度最高的歷史日作為預(yù)測日的相似日，因相似日輸出功率具有很高的關(guān)聯(lián)度，因 此可W把相似日的發(fā)電功率序列作為預(yù)測模型的輸入樣本參與到預(yù)測模型的訓(xùn)練和預(yù)測 過程中來，運樣針對性更強，提高了模型對光伏發(fā)電電站發(fā)電功率預(yù)測的精度。
[0069] (2)基于有功-無功協(xié)調(diào)優(yōu)化技術(shù)的配電網(wǎng)電壓優(yōu)化
[0070] W單個光伏電站接入配網(wǎng)為例來分析接入PV后配網(wǎng)電壓的分布情況，見圖1所示， 根節(jié)點上面的電壓為Uo,其它節(jié)點的電壓分別為化，化……Un，、輸電線路的阻抗分別為Ri+ 巧i，R2+jX2……Rn+JXn，，負(fù)荷的復(fù)功率分別為Pi+j化，P2+jQ2……Pn+JQn，，PV在P節(jié)點并網(wǎng)，其 中1《P《N，光伏的輸出功率為:備+謠W。
[0071] 光伏發(fā)電一般都運行在MPPT狀態(tài)，即最大功率點，此時其功率因數(shù)為1，即化v = 0。 光伏并入點P及其之前各節(jié)點的電壓為：
[0072] 巧)：
[0073] 其中，m表示節(jié)點，0<m《p，而沒有并入光伏之前的各節(jié)點電壓與上式相似，只是 分子上面沒有-Ppv-項，運是由于接入光伏后經(jīng)線路傳輸?shù)墓β蕼p少了Ppv，由此可W看出 光伏并網(wǎng)后整體提高了各節(jié)點的電壓。
[0074] 由于實際上PV接入的都是中低壓配電網(wǎng)，輸電線路R/X大比值，因此節(jié)點m的電壓 變化量可W簡化為：
[00 對
（4)
[0076] 由上式可知，^
AUm>0,節(jié)點電壓降低；反之， 當(dāng)
d·，節(jié)點電壓升高，運時候會出現(xiàn)末端電壓高于首端電壓，運是由于節(jié)點 m及其之后所有節(jié)點的有功負(fù)荷功率小于PV輸出功率，出現(xiàn)配網(wǎng)潮流返送導(dǎo)致的結(jié)果。
[0077] 綜上所述可知，當(dāng)福射型配網(wǎng)接入分布式光伏時，可W提高配網(wǎng)的整體電壓水平， 但是當(dāng)光伏發(fā)電的功率達(dá)到一定程度時（雖然此例W單個PV接入配網(wǎng)，光伏發(fā)電達(dá)到一定 限額，雖然此限額可能會超出光伏發(fā)電的極限，但是當(dāng)多個PV接入配網(wǎng)時可W簡化為單個 PV輸出功率不受限)會出現(xiàn)相鄰節(jié)點之間電壓升高的現(xiàn)象而不是電壓逐漸降低，此時并網(wǎng) 點的電壓為局部電壓最高點，可能使原來在合理范圍內(nèi)的電壓越限。
[0078] (3)智能粒子群優(yōu)化算法
[0079] PS0的問題模型中，將待優(yōu)化問題的每一個解映射成在D維捜索空間中的一個粒子 i，其位置表示為Xi=(Xi,l，…，Xi,d，···Xi,D)，速度表示為Vi=(Vi,l，…，Vi,d，···Vi,D)。在每一次 迭代中，粒子通過跟蹤個體歷史最優(yōu)解地esti和整個粒子群的最優(yōu)解gBesti來更新自己，更 新公式為：
[0080] vi,d(t+l) =wvi,d(t)+cirand()(地esti,d-xi,d(t) )+C2rand()(濁esti,d-xi,d(t)) (5)
[0081] Xi,d(t+1) =xi,d(t)+vi,d(t+l) (6)
[0082] 其中，Vi,d(t+1)表示第i個粒子在d維空間t+1時刻的速度，Vi,d(t)表示第i個粒子 在d維空間t時刻的速度，Xi,d(t + 1)示第i個粒子在d維空間t+1時刻的位置，Xi,d(t)示第i個 粒子在d維空間t時刻的位置，W為慣性系數(shù)，ci、C2為粒子學(xué)習(xí)率，randO為值在0~1之間的 隨機數(shù)。
[0083] 粒子在不斷更新的過程中，要受到捜索空間和速度范圍的限制。假定捜索空間的 區(qū)間為[Xmin，Xmax]，其中Xmin、Xmax分別為捜索空間的下限和上限，通過不斷修正粒子位置坐 標(biāo)，即通過決定粒子下一步的位置。在捜索過程中，粒子一方面記住自身經(jīng)驗，另一方面借 鑒其他同伴經(jīng)驗，進(jìn)行調(diào)整，獲得最優(yōu)。
[0084] 接有分布式光伏的配網(wǎng)電壓優(yōu)化的目的是滿足配電網(wǎng)系統(tǒng)運行約束的條件下，通 過調(diào)整并網(wǎng)光伏發(fā)電的有功和無功，進(jìn)而調(diào)整配網(wǎng)節(jié)點電壓，提高分布式光伏利用率。優(yōu)化 模型主要分為W下四個部分:輸入變量、目標(biāo)函數(shù)、約束條件、粒子群優(yōu)化計算。
[00化](1)輸入變量
[0086] 含分布式光伏的配電網(wǎng)電壓優(yōu)化問題中的變量可W分為控制變量和狀態(tài)變量。具 有穩(wěn)定出力的分布式光伏將其有功、無功出力同時作為控制變量協(xié)調(diào)優(yōu)化W控制配電網(wǎng)電 壓水平達(dá)到要求，含有分布式光伏的配網(wǎng)節(jié)點電壓為狀態(tài)變量。通過Elman神經(jīng)網(wǎng)絡(luò)算法得 到的光伏發(fā)電功率預(yù)測結(jié)果具有很高的準(zhǔn)確率，為下一步電壓優(yōu)化計算提供數(shù)據(jù)支撐。
[0087] (2)目標(biāo)函數(shù)
[0088] 分布式光伏接入配電網(wǎng)不僅要保證配網(wǎng)節(jié)點電壓不越限，而且還要使得分布式光 伏的有功出力最大化。實際系統(tǒng)中，為盡可能的發(fā)揮分布式電源的效率，如提高太陽能的利 用率，需要分布式電源在系統(tǒng)允許的情況下盡可能大的向電力系統(tǒng)輸送有功。為此可W定 義目標(biāo)函數(shù)為：
[0089]
饑
[0090] 式中：DGi為配網(wǎng)中光伏接入節(jié)點，P茲為節(jié)點i上所并接的光伏模塊的有功出力預(yù) 巧帷，Pi,D功節(jié)點i上光伏出力有功出力控制目標(biāo)值，N為配電網(wǎng)中接入的光伏節(jié)點個數(shù)。
[0091] 分布式光伏接入配電網(wǎng)后會引起配網(wǎng)中各節(jié)點電壓的變化，而電壓幅值是衡量系 統(tǒng)安全和電能質(zhì)量的一個重要指標(biāo)，可將實際運行電壓與期望電壓的偏差作為目標(biāo)函數(shù)使 電壓保持在合理的范圍內(nèi)。
[0092]
(8)
[0093] 式中，V功節(jié)點油壓幅值，皆'6為節(jié)點油壓幅值額定值，η為配網(wǎng)節(jié)點個數(shù)，配網(wǎng) 中只有部分節(jié)點接有光伏。
[0094] 針對W上兩個目標(biāo)函數(shù)，采用加權(quán)的方式將多目標(biāo)的優(yōu)化模型轉(zhuǎn)變成單目標(biāo)的優(yōu) 化問題。具體目標(biāo)函數(shù)如下：
[0095]
[0096] 其中α為權(quán)重系數(shù)，且〇<α<1。
[0097] (3)約束條件
[0098] 在使目標(biāo)函數(shù)最優(yōu)的同時，應(yīng)滿足系統(tǒng)運行的各項約束條件，包括等式和不等式 約束條件，等式約束主要是功率平衡約束，不等式約束主要是控制變量和狀態(tài)變量的約束。
[0099] 1)功率平衡約束
[0100] 為了保證整個系統(tǒng)的安全運行和電能質(zhì)量，在電壓優(yōu)化的模型中，要考慮各節(jié)點 的有功功率平衡約束和無功功率平衡約束，即：
[0101]
U0)
[010^ 式中：Pi與化分別為節(jié)點i的有功和無功注入乂為節(jié)點i的電壓相量，Yi功系統(tǒng)導(dǎo) 納矩陣對應(yīng)元素，N為配電網(wǎng)中接入的光伏節(jié)點個數(shù)。
[0103] 2)節(jié)點電壓約束
[0104] νΓ"<ν,-<ν；"" (11)
[010引其中，Vi為節(jié)點電壓幅值，1嚴(yán)'為節(jié)點電壓最小值，V',胃為節(jié)點電壓最大值。
[0106] 3)關(guān)口交換功率約束
[0107] 光伏發(fā)電輸出功率受天氣變化影響較大，因此光伏輸出功率具有一定的波動性， 運樣就會對光伏接入的配電網(wǎng)造成一定的影響，為了抑制運種情況的發(fā)生，就需要考慮光 伏發(fā)電接入?yún)^(qū)配電網(wǎng)根節(jié)點的交換功率，避免造成配網(wǎng)的波動。
[010 引
P)
[0109] 其中，Pl，Q汾別為從根節(jié)點流入配電網(wǎng)的有功、無功功率。P嚴(yán)η與Pimax分別為調(diào)度 中屯、設(shè)置的關(guān)口交換有功功率上界和下界，與公Γ"為關(guān)口交換無功功率上界和下界。
[0110] 4)分布式光伏模塊運行約束
[0111]
(13)
[0112] 光伏模塊穩(wěn)態(tài)運行時采用PQ模型，通過逆變器并網(wǎng)，并網(wǎng)功率可實現(xiàn)有功無功獨 立控制。DG發(fā)出的有功功率是可控的，如果在某時刻DG發(fā)出的有功功率為if品，那么DG可W 根據(jù)控制要求發(fā)出0~巧;品之間任意的有功。式中，Pi,DC為節(jié)點i光伏模塊有功出力值，辟品 為節(jié)點i光伏有功出力預(yù)測值，Qi,DG為節(jié)點i光伏模塊無功出力值，Si,DG為節(jié)點i光伏模塊容 量。
[0113] (4)粒子群優(yōu)化計算
[0114] 1)含有分布式光伏的配網(wǎng)電壓對節(jié)點注入功率的靈敏度
[0115] 當(dāng)某條母線上的電壓出現(xiàn)波動，超出所規(guī)定的范圍時，對分布式電源的有功和無 功同時進(jìn)行分布式電壓控制算法，估算出分布式電源所需增加或減少的有功、無功出力，通 過兩者之間的協(xié)調(diào)控制，從而實現(xiàn)對電壓的調(diào)節(jié)。靈敏度分析方法是利用某些變量之間的 微小變化，得到變量之間的敏感程度。配網(wǎng)電壓對節(jié)點注入功率的靈敏度可W通過極坐標(biāo) 下的潮流方程推導(dǎo)而來。詳細(xì)推導(dǎo)過程如下：
[0116] 對于具有N節(jié)點的電力網(wǎng)絡(luò)，令n = N-l，取平衡節(jié)點作為參考節(jié)點，將PV節(jié)點增廣 到潮流方程式中，可得化極坐標(biāo)形式的牛頓法潮流修正方程式：
[0117]
[0118] 式中:Vp和Vq均為η階節(jié)點電壓幅值對角陣，Δ P和Δ Q為η維的節(jié)點注入功率修正矢 量，Δ Θ和Δ V分別為η維節(jié)點電壓相角和幅值修正矢量，V為η維節(jié)點電壓幅值矢量。
[0119]
[0120] 式中：G和Β分別為節(jié)點導(dǎo)納陣的實部和虛部，BCOS0為矩陣的一種簡化寫法，它和Β 具有相同的結(jié)構(gòu)，其各部分元素為Β中對應(yīng)元素 Bij與cos0ij的乘積，其他項類同，另外，上述 P和Q均為η階對角陣，其對角元素分別為Pi/Vi2和化/Vi2。正常情況下，θυ非常小，故可令cos 0ij = 1，S in0i j = 0，上式可做進(jìn)一步化簡得:考慮到電壓幅值標(biāo)么值在1.化U附近，對上式方 框部分進(jìn)行高斯消去，計算得到電壓對節(jié)點注入功率的靈敏度為：
[0121 ] Δ V=((化Q) (G-P)-HB-Q) + (G+P) )-1 Δ P-( (G-P) (B+Q)-i(G+P) + (B-Q) )-1 Δ Q
[0122] 式中：G和B分別為節(jié)點導(dǎo)納陣的實部和虛部，P和Q均為η階對角陣，其對角元素分 別為Pi/Vi2和Qi/Vi2, A Ρ和A Q為η維的節(jié)點注入功率修正矢量，A V為η維節(jié)點電壓幅值修正 矢量。
[0123] 由上式可得節(jié)點電壓對節(jié)點注入有功、無功的靈敏度矩陣分別為：
[0124] Psense=((B+Q)(G-P)-i(B-Q) + (G+P))-i (16)
[01 25] Qsense一 ((G-P)(B+Q)-i(G+P) + (B-Q))-i (17)
[0126] 式中：Psense、Qsense均為η階矩陣，Psense為節(jié)點電壓對節(jié)點注入有功功率的靈敏度矩 陣，Qsense為節(jié)點電壓對節(jié)點注入無功功率的靈敏度矩陣，反映了節(jié)點電壓變化量對有功、無 功變化量的靈敏程度，其中第i行第j列元素代表第j個節(jié)點有功、無功注入對第i個節(jié)點電 壓幅值的靈敏度。
[0127] 2)含有分布式光伏的配網(wǎng)電壓越限有功無功協(xié)調(diào)優(yōu)化求解過程
[0128] 當(dāng)含有分布式光伏的配網(wǎng)電壓越限時，可W采取綜合調(diào)節(jié)分布式光伏有功、無功 出力達(dá)到配網(wǎng)電壓優(yōu)化的目的，使得已經(jīng)越限的電壓重新回到合理的限制范圍內(nèi)。分布式 光伏的配網(wǎng)電壓越限有功無功協(xié)調(diào)優(yōu)化策略流程如圖3所示：
[0129] a.根據(jù)配網(wǎng)拓?fù)浣Y(jié)構(gòu)和線路參數(shù)，生成節(jié)點導(dǎo)納矩陣，并根據(jù)節(jié)點實時負(fù)荷數(shù)據(jù)， 通過前推回代法潮流算法計算出含有分布式光伏的配網(wǎng)節(jié)點電壓；
[0130] b.查找各節(jié)點電壓是否越限，如果電壓不越限，等待下一個計算周期;如果節(jié)點電 壓越限，記錄電壓越限節(jié)點的節(jié)點號并轉(zhuǎn)入步驟C;
[0131] C.對于越限節(jié)點的電壓，通過式（16)、（17)分別計算越限節(jié)點電壓對節(jié)點注入有 功、無功功率的靈敏度矩陣；
[0132] d.查找Psense、Qsense矩陣中與越限節(jié)點的節(jié)點號對應(yīng)行的元素，找出對應(yīng)的每一行 中含有分布式光伏并網(wǎng)點的矩陣元素絕對值最大的元素對應(yīng)的列號，即為本次需要參與優(yōu) 化的分布式光伏有功調(diào)節(jié)節(jié)點號與無功調(diào)節(jié)節(jié)點號，有功調(diào)節(jié)節(jié)點號與無功調(diào)節(jié)節(jié)點號可 能是同一節(jié)點號，也可能不是同一節(jié)點號，即對應(yīng)著兩個光伏并網(wǎng)點，而運兩個光伏并網(wǎng)點 就是優(yōu)化過程中參與調(diào)節(jié)的節(jié)點，其有功、無功出力作為控制變量參與電壓優(yōu)化過程。
[0133] e. W步驟d中求出的有功調(diào)節(jié)節(jié)點的有功出力，無功調(diào)節(jié)節(jié)點的無功出力為控制 變量，W分布式光伏有功出力最大、各節(jié)點電壓偏離額定值最小為目標(biāo)函數(shù)，在滿足相應(yīng)的 等式約束條件、不等式約束條件后運用智能粒子群算法優(yōu)化求解，即得對應(yīng)調(diào)節(jié)節(jié)點的有 功、無功出力建議值;如果所求得的含分布式光伏配網(wǎng)電壓優(yōu)化模型的解不可行或不收斂 時，可W在原有調(diào)節(jié)節(jié)點的基礎(chǔ)上再增加靈敏度次大的節(jié)點為調(diào)節(jié)節(jié)點并轉(zhuǎn)入步驟d參與 優(yōu)化過程。
[0134] 3)智能粒子群優(yōu)化算法求解過程
[0135] 使用智能粒子群算法來求解電壓優(yōu)化問題的流程見圖2,包括W下步驟：
[0136] 1)隨機初始化N個粒子的位置及速度；
[0137] 2)取第一個粒子為當(dāng)前粒子，根據(jù)光伏發(fā)電功率預(yù)測結(jié)果，檢查粒子是否滿足光 伏有功、無功出力約束，即粒子有功、無功須不大于預(yù)測值，如果滿足，則轉(zhuǎn)入步驟3);如果 不滿足，則調(diào)整粒子位置，使其滿足光伏有功、無功出力約束，取第一個粒子為當(dāng)前粒子，再 轉(zhuǎn)入步驟3);光伏發(fā)電功率預(yù)測結(jié)果即通過Elman神經(jīng)網(wǎng)絡(luò)算法得到的光伏發(fā)電功率預(yù)測 結(jié)果。
[0138] 3)根據(jù)實時負(fù)荷及光伏輸出數(shù)據(jù)計算配網(wǎng)潮流；
[0139] 4)根據(jù)潮流計算結(jié)果，計算當(dāng)前粒子本次適應(yīng)度；
[0140] 5)更新單個粒子最優(yōu)適用度值及其對應(yīng)的粒子位置，W及全部粒子的最優(yōu)適應(yīng)度 值及其對應(yīng)的粒子位置；
[0141] 6)判斷本代所有粒子是否已遍歷完，是則轉(zhuǎn)入下一步，否則取下一個粒子為當(dāng)前 粒子，轉(zhuǎn)入步驟2);
[0142] 7)判斷I即est_2-即est_l I <6是否成立，其中Fbest_2為本輪計算全部粒子的最 優(yōu)適應(yīng)度值，即est_l為上輪計算全部粒子的最優(yōu)適應(yīng)度值，ε為結(jié)果收斂判據(jù)，如果成立， 則輸出全局最優(yōu)適應(yīng)度對應(yīng)的粒子位置即為光伏輸出；如果不成立，則根據(jù)式(6)更新粒子 位置，根據(jù)式(5)更新粒子速度，取第一個粒子為當(dāng)前粒子，然后轉(zhuǎn)入步驟2)。
[0143] W上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人 員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可W做出若干改進(jìn)和變形，運些改進(jìn)和變形 也應(yīng)視為本發(fā)明的保護(hù)范圍。
【主權(quán)項】
1. 基于Elman算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法，其特征在于，包括以下步驟： 1) 根據(jù)配網(wǎng)拓?fù)浣Y(jié)構(gòu)和線路參數(shù)，生成節(jié)點導(dǎo)納矩陣，并根據(jù)節(jié)點實時負(fù)荷數(shù)據(jù)，通過 前推回代法潮流算法計算出含有分布式光伏的配網(wǎng)節(jié)點電壓； 2) 查找各節(jié)點電壓是否越限，如果電壓不越限，等待下一個計算周期;如果節(jié)點電壓越 限，記錄電壓越限節(jié)點的節(jié)點號并轉(zhuǎn)入步驟3); 3) 對于越限節(jié)點的電壓，計算越限節(jié)點電壓對節(jié)點注入有功、無功功率的靈敏度矩陣； 4) 查找越限節(jié)點電壓對節(jié)點注入有功、無功功率的靈敏度矩陣中與越限節(jié)點的節(jié)點號 對應(yīng)行的元素，找出對應(yīng)的每一行中含有分布式光伏并網(wǎng)點的矩陣元素絕對值最大的元素 對應(yīng)的列號，即為需要參與優(yōu)化的分布式光伏有功調(diào)節(jié)節(jié)點號與無功調(diào)節(jié)節(jié)點號； 5) 以步驟4)中求出的有功調(diào)節(jié)節(jié)點號對應(yīng)的有功調(diào)節(jié)節(jié)點的有功出力，無功調(diào)節(jié)節(jié)點 號對應(yīng)的無功調(diào)節(jié)節(jié)點的無功出力作為控制變量，以分布式光伏有功出力最大、各節(jié)點電 壓偏離額定值最小為目標(biāo)函數(shù)，在滿足約束條件后運用智能粒子群算法優(yōu)化求解，得到對 應(yīng)有功調(diào)節(jié)節(jié)點的有功出力建議值和無功調(diào)節(jié)節(jié)點的無功出力建議值;如果所求得的解不 可行或不收斂，則在原有調(diào)節(jié)節(jié)點的基礎(chǔ)上再增加靈敏度次大的節(jié)點為調(diào)節(jié)節(jié)點進(jìn)行優(yōu)化 求解。2. 根據(jù)權(quán)利要求1所述的基于Elman算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法，其特征 在于，所述步驟3)中，越限節(jié)點電壓對節(jié)點注入有功、無功功率的靈敏度矩陣分別為： Psense= ((B+Q) (G-P)-HB-Q) + (G+P))-1 (16) Qsense= ((G-P) (B+Q)-HG+P) + (B-Q))-1 (17) 其中，Pse3nse3為越限節(jié)點電壓對節(jié)點注入有功功率的靈敏度矩陣，Qse3nse3為越限節(jié)點電壓 對節(jié)點注入無功功率的靈敏度矩陣，G和B分別為節(jié)點導(dǎo)納矩陣的實部和虛部，P和Q均為η階 對角陣。3. 根據(jù)權(quán)利要求1所述的基于Elman算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法，其特征 在于，所述步驟5)中，約束條件包括： 各節(jié)點的有功功率平衡約束和無功功率平衡約束：其中：Pi與Qi分別為節(jié)點i的有功和無功注入，巧為節(jié)點i的電壓相量，Yij為導(dǎo)納矩陣對 應(yīng)元素，N為配電網(wǎng)中接入的光伏節(jié)點個數(shù)； 節(jié)點電壓約束： vrin < V, < vr (11) 其中，Vl為節(jié)點電壓幅值，vf11為節(jié)點電壓最小值，<胃為節(jié)點電壓最大值； 關(guān)口交換功率約束：其中，Pi，Q^別為從根節(jié)點流入配電網(wǎng)的有功、無功功率，分別為調(diào)度中心 設(shè)置的關(guān)口交換有功功率上界和下界，與泛^1"為關(guān)口交換無功功率上界和下界； 分布式光伏模塊運行約束：其中，p1>DG為節(jié)點i上所并接的光伏模塊的有功出力控制目標(biāo)值，/fc為節(jié)點i上所并接 的光伏模塊的有功出力預(yù)測值，q1>dc為節(jié)點i上所并接的光伏模塊的無功出力值，S1>DC為節(jié) 點i上所并接的光伏模塊容量。4. 根據(jù)權(quán)利要求1所述的基于Elman算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法，其特征 在于，所述步驟5)中，目標(biāo)函數(shù)表示為：其中，DGi為配網(wǎng)中光伏接入節(jié)點，為節(jié)點i上所并接的光伏模塊的有功出力預(yù)測 值，P1>DC為節(jié)點i上所并接的光伏模塊的有功出力控制目標(biāo)值，W為節(jié)點j電壓幅值，νΓ為 節(jié)點j電壓幅值額定值，η為配網(wǎng)節(jié)點個數(shù)，Ν為配電網(wǎng)中接入的光伏節(jié)點個數(shù)，α為權(quán)重系 數(shù)，且 〇<α<1。5. 根據(jù)權(quán)利要求1所述的基于Elman算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法，其特征 在于，所述步驟5)中，智能粒子群算法優(yōu)化求解過程如下： 5-1)隨機初始化N個粒子的位置及速度； 5-2)取第一個粒子為當(dāng)前粒子，根據(jù)光伏發(fā)電功率預(yù)測結(jié)果，檢查粒子是否滿足光伏 有功、無功出力約束，即粒子有功、無功須不大于預(yù)測值，如果滿足，則轉(zhuǎn)入步驟5-3);如果 不滿足，則調(diào)整粒子位置，使其滿足光伏有功、無功出力約束，取第一個粒子為當(dāng)前粒子，再 轉(zhuǎn)入步驟5-3); 5-3)根據(jù)實時負(fù)荷及光伏輸出數(shù)據(jù)計算配網(wǎng)潮流； 5-4)根據(jù)潮流計算結(jié)果，計算當(dāng)前粒子本次適應(yīng)度； 5-5)更新單個粒子最優(yōu)適用度值及其對應(yīng)的粒子位置，以及全部粒子的最優(yōu)適應(yīng)度值 及其對應(yīng)的粒子位置； 5-6)判斷本代所有粒子是否已遍歷完，遍歷完則轉(zhuǎn)入下一步，否則取下一個粒子為當(dāng) 前粒子，轉(zhuǎn)入步驟5-2); 5-7)判斷是否成立，其中Fbest_2為本輪計算全部粒子的最優(yōu)適應(yīng) 度值，F(xiàn)best_l為上輪計算全部粒子的最優(yōu)適應(yīng)度值，ε為結(jié)果收斂判據(jù)，如果成立，則輸出 全局最優(yōu)適應(yīng)度對應(yīng)的粒子位置即為光伏輸出；如果不成立，則根據(jù)式(6)更新粒子位置， 根據(jù)式(5)更新粒子速度，取第一個粒子為當(dāng)前粒子，然后轉(zhuǎn)入步驟5-2)， Vi,d(t+l)=wvi,d(t)+cirand()(pBesti,d-Xi,d(t))+C2rand()(gBesti,d-Xi,d(t)) (5) Xi,d(t+l)=Xi,d(t)+Vi,d(t+l) (6) 其中，vi,d(t+l)表示第i個粒子在d維空間t+1時刻的速度，Vi,d(t)表示第i個粒子在d維 空間t時刻的速度，Xl,d(t+1)示第i個粒子在d維空間t+Ι時刻的位置，Xl, d(t)示第i個粒子在 d維空間t時刻的位置，w為慣性系數(shù)，ci、C2為粒子學(xué)習(xí)率，rand()為值在0~1之間的隨機數(shù)， pBesti為粒子歷史最優(yōu)解，gBesti為整個粒子群的最優(yōu)解。6.根據(jù)權(quán)利要求5所述的基于Elman算法的配網(wǎng)發(fā)電預(yù)測技術(shù)的電壓優(yōu)化方法，其特征 在于，所述步驟5-2)中，采用相似日選擇算法和Elman神經(jīng)網(wǎng)絡(luò)算法得到光伏發(fā)電功率預(yù)測 結(jié)果，具體過程如下： 6-1)采用相似日選擇算法篩選與預(yù)測日天氣情況相似的樣本作為預(yù)測數(shù)據(jù)庫，設(shè)預(yù)測 日氣象特征向量Xi為： 其中，Timax、f、Timin分別為第i日的最高氣溫、平均氣溫、最低氣溫;Hi為第i日的相對濕 度； 設(shè)L為與預(yù)測日日類型、季節(jié)類型相同的歷史日氣象特征向量，表示為： = IT/max 名.，馬]; 6-2)用歐式距離du描述這兩天氣象因素總體的差異度：其中，k為特征向量的序號，即k=l表示最高氣溫，k=l表示最高氣溫，k = 2表示平均氣 溫，k = 3表示最低氣溫，m為特征向量的個數(shù);通過式(2)計算出歐式距離最小的歷史日作為 預(yù)測日的相似日； 6-3)把相似日的發(fā)電功率序列作為預(yù)測模型的輸入樣本參與到預(yù)測模型的訓(xùn)練和預(yù) 測過程中來，得到預(yù)測日的發(fā)電功率。
【文檔編號】H02J3/38GK106058914SQ201610368616
【公開日】2016年10月26日
【申請日】2016年5月27日
【發(fā)明人】陳春, 王丙文, 郭劍虹, 付明, 吳爽, 黃素娟, 吳婧妤, 李鵬
【申請人】國電南瑞科技股份有限公司, 國家電網(wǎng)公司, 國網(wǎng)浙江省電力公司電力科學(xué)研究院, 國電南瑞南京控制系統(tǒng)有限公司, 南京南瑞集團(tuán)公司