一种分布式光伏孤岛检测动态盲区指数预测方法

摘要

本发明提供了一种分布式光伏孤岛检测动态盲区指数预测方法，通过建立分布式光伏孤岛检测动态盲区指数演化系统的时间序列，对时间序列测量数据进行非线性单纯体法处理，对顶点的目标函数值进行反射运算，进而进行分布式光伏孤岛检测动态盲区指数预测计算，得到分布式光伏孤岛检测动态盲区指数预测值。该方法能够根据监测参数对分布式光伏孤岛检测动态盲区指数进行预测计算，根据计算结果实时地对盲区检测算法进行调整，能够有效避免孤岛检测盲区现象，显著提高光伏发电系统可靠性与经济性。

权利要求

1.一种分布式光伏孤岛检测动态盲区指数预测方法，其特征在于，包括如下步骤：步骤1：建立分布式光伏孤岛检测动态盲区指数演化系统的时间序列：在固定时间间隔对并网点三相电压9次谐波、基波电压频率、光照强度进行测量，将三相电压9次谐波测量值的最大值与历史测量最小值之差除以基波电压频率最大值与最小值之差作为分布式光伏孤岛检测动态盲区指数，即：则，在一系列时刻t1，t2，…，tn，得到孤岛检测动态盲区指数ibl、基波电压频率buf、湿度aps的时间序列，其中n为自然数，n＝1，2，…，步骤2：分布式光伏孤岛检测动态盲区指数状态时间序列测量数据非线性单纯体法处理：步骤2.1建立优化目标函数：

式中uxi(i＝1，2，...，k3n)为k3n个优化变量；

步骤2.2：构建分布式光伏孤岛检测动态盲区指数演化系统的m维相空间：设AP1，AP2，...APm，APm+1是分布式光伏孤岛检测动态盲区指数演化系统相空间的m+1个顶点，OF1，OF2，...OFm，OFm+1是这些顶点的目标函数值，用Ph来记录最大值的下标，则最大值为OFPh＝max(OFi)，用Pl来记录最小值的下标，则最小值为OFPl＝min(OFi)， 为除了最大值顶点之外所有顶点的重心，步骤3：对顶点目标函数值进行反射运算：

式中AP*为新产生的顶点；α为反射系数，0＜α＜1，通过反射运算，实现了最大值顶点向重心相反方向的运动；

步骤4：根据相空间特征量进行分布式光伏孤岛检测动态盲区指数预测计算：对目标函数为yPRE＝min  fOBJ(uxi)+gOBJ(uxi)+rOBJ(uxi)进行求解，惩罚函数约束函数 则解得的yPRE值即为分布式光伏孤岛检测动态盲区指数预测值。

2.根据权利要求1所述的分布式光伏孤岛检测动态盲区指数预测方法，其特征在于，步骤3中，α的取值大小，直接决定了反射距离的远近，针对多光伏区域电网电压稳定性裕度相空间，取0.77≤α≤0.89，可以使得初始粒子广泛的分布在可行空间。

3.根据权利要求1所述的分布式光伏孤岛检测动态盲区指数预测方法，其特征在于，步骤3中，若反射运算后，得到的新顶点目标函数值OF*介于OFPh和OFPl之间，则用OF*代替OFPh。

说明书

一种分布式光伏孤岛检测动态盲区指数预测方法

技术领域

[0001] 本发明属于分布式光伏技术领域，特别涉及一种分布式光伏孤岛检测动态盲区指数预测方法。

背景技术

[0002] 孤岛检测和反孤岛保护是光伏并网系统必须具备的一种保护功能，所谓孤岛，是指主电网因故障或进行检修而处于失电状况时，分布式发电系统仍可能持续工作，并与本地负载连接处于独立运行状态。孤岛产生后，会威胁到电网维修人员的安全，影响配电系统的保护开关动作程序，在重合闸时可能对用电设备造成损害。分布式光伏发电系统中众多发电设备组成了一个复杂的系统，在分布式光伏发电系统运行时，如何根据各个分布式光伏发电系统的状态参数进行分布式光伏孤岛检测动态盲区指数预测评估，使每个分布式光伏发电系统都能孤岛发生时最大限度减小盲区，同时也使每个分布式光伏系统都能最有效、最快速的利用太阳能资源，是关系到光伏发电智能化水平的关键问题之一，因此，对分布式光伏发电设备运行参数及气象环境参数进行实时监测，并根据监测参数对分布式光伏孤岛检测动态盲区指数进行预测计算，根据计算结果实时地对盲区检测算法进行调整，能够有效避免孤岛检测盲区现象，显著提高光伏发电系统可靠性与经济性。

[0003] 有鉴于此，本发明提供一种分布式光伏孤岛检测动态盲区指数预测方法，以满足实际应用需要。

发明内容

[0004] 本发明的目的是：为克服现有技术的不足，本发明提供一种分布式光伏孤岛检测动态盲区指数预测方法，从而获得光伏孤岛检测动态盲区指数预测值。

[0005] 本发明所采用的技术方案是：一种分布式光伏孤岛检测动态盲区指数预测方法，其特征在于，包括如下步骤：

[0006] 步骤1：建立分布式光伏孤岛检测动态盲区指数演化系统的时间序列：

[0007] 在固定时间间隔对并网点三相电压9次谐波、基波电压频率、光照强度进行测量，将三相电压9次谐波测量值的最大值与历史测量最小值之差除以基波电压频率最大值与最小值之差作为分布式光伏孤岛检测动态盲区指数，即：

[0008]

[0009] 则，在一系列时刻t1，t2，…，tn，得到孤岛检测动态盲区指数ibl、基波电压频率buf、湿度aps的时间序列，其中n为自然数，n＝1，2，…，

[0010]

[0011] 步骤2：分布式光伏孤岛检测动态盲区指数状态时间序列测量数据非线性单纯体法处理：

[0012] 步骤2.1建立优化目标函数：

[0013]

[0014] 式中uxi(i＝1，2，...，k3n)为k3n个优化变量；

[0015] 步骤2.2：构建分布式光伏孤岛检测动态盲区指数演化系统的m维相空间：

[0016] 设AP1，AP2，...APm，APm+1是分布式光伏孤岛检测动态盲区指数演化系统相空间的m+1个顶点，OF1，OF2，...OFm，OFm+1是这些顶点的目标函数值，用Ph来记录最大值的下标，则最大值为OFPh＝max(OFi)，用Pl来记录最小值的下标，则最小值为OFPl＝min(OFi)， 为除了最大值顶点之外所有顶点的重心，

[0017]

[0018] 步骤3：对顶点目标函数值进行反射运算：

[0019]

[0020] 式中AP*为新产生的顶点；α为反射系数，0＜α＜1，通过反射运算，实现了最大值顶点向重心相反方向的运动；

[0021] 步骤4：根据相空间特征量进行分布式光伏孤岛检测动态盲区指数预测计算：

[0022] 对目标函数为yPRE＝minfOBJ(uxi)+gOBJ(uxi)+rOBJ(uxi)进行求解，惩罚函数约束函数 则解得的yPRE值即为分布式光伏孤岛检测动态盲区指数预测值。

[0023] 如上所述的分布式光伏孤岛检测动态盲区指数预测方法，其特征在于，步骤3中，α的取值大小，直接决定了反射距离的远近，针对分布式光伏孤岛检测动态盲区指数演化相空间，取0.77≤α≤0.89，可以使得初始粒子广泛的分布在可行空间。

[0024] 如上所述的分布式光伏孤岛检测动态盲区指数预测方法，其特征在于，步骤3中，若反射运算后，得到的新顶点目标函数值OF*介于OFPh和OFPl之间，则用OF*代替OFPh。

[0025] 本发明的有益效果是：本发明为光伏电网提供了一种分布式光伏孤岛检测动态盲区指数预测方法，对分布式光伏发电设备运行参数及气象环境参数进行实时监测，并根据监测参数对分布式光伏孤岛检测动态盲区指数进行预测计算，根据计算结果实时地对盲区检测算法进行调整，能够有效避免孤岛检测盲区现象，显著提高光伏发电系统可靠性与经济性。

[0026] 根据相空间特征量进行分布式光伏孤岛检测动态盲区指数预测计算中，将分布式光伏孤岛检测动态盲区指数状态信息时间序列经过非线性单纯体法处理，使得分布式光伏孤岛检测动态盲区指数水平合理，充分体现了光伏发电经济性能和稳定特征。

附图说明

[0027] 图1为本发明实施例的目标函数迭代运算图。

具体实施方式

[0028] 为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样在本申请所列权利要求书限定范围之内。

[0029] 如图1所示，本发明实施例提供的一种分布式光伏孤岛检测动态盲区指数预测方法，步骤如下：

[0030] 步骤1：建立分布式光伏孤岛检测动态盲区指数演化系统的时间序列：

[0031] 在固定时间间隔对并网点三相电压9次谐波、基波电压频率、光照强度进行测量，将三相电压9次谐波测量值的最大值与历史测量最小值之差除以基波电压频率最大值与最小值之差作为分布式光伏孤岛检测动态盲区指数，即：

[0032]

[0033] 则，在一系列时刻t1，t2，…，tn(n为自然数，n＝1，2，…)孤岛检测动态盲区指数ibl、基波电压频率buf、湿度aps的时间序列：

[0034]

[0035] 步骤2：分布式光伏孤岛检测动态盲区指数状态时间序列测量数据非线性单纯体法处理：

[0036] 步骤2.1建立优化目标函数：

[0037]式中uxi(i＝1，2，...，k3n)为k3n个优化变量。

[0038] 步骤2.2：构建分布式光伏孤岛检测动态盲区指数演化系统的m维相空间：AP1，AP2，...APm，APm+1是分布式光伏孤岛检测动态盲区指数演化系统相空间的m+1个顶点，OF1，OF2，...OFm，OFm+1是这些顶点的目标函数值。用Ph来记录最大值的下标，则最大值为OFPh＝max(OFi)，用Pl来记录最小值的下标，则最小值为OFPl＝min(OFi)， 为除了最大值顶点之外所有顶点的重心，

[0039]

[0040] 步骤3：对顶点目标函数值进行反射运算：

[0041]

[0042] 式中AP*为新产生的顶点；α为反射系数，0＜α＜1。通过反射运算，实现了最大值顶点向重心相反方向的运动。α的取值大小，直接决定了反射距离的远近，针对分布式光伏孤岛检测动态盲区指数演化相空间，取0.77≤α≤0.89，可使得初始粒子广泛的分布在可行空间。若反射运算后，得到的新顶点目标函数值OF*介于OFPh和OFPl之间，则用OF*代替OFPh。

[0043] 在此实施例中，为使初始粒子广泛分布于可行空间内，取α＝0.8378。

[0044] 步骤4：根据相空间特征量进行分布式光伏孤岛检测动态盲区指数预测计算：

[0045] 将分布式光伏孤岛检测动态盲区指数状态信息时间序列经过非线性单纯体法处理，使得分布式光伏孤岛检测动态盲区指数水平合理，充分体现了光伏发电经济性能和稳定特征，

[0046] 对目标函数：yPRE＝min fOBJ(uxi)+gOBJ(uxi)+rOBJ(uxi)进行求解，惩罚函数约束函数 式中，uxi(i＝1，2，...，k3n)，gOBJ(uxi)≥0为目标函数的惩罚项，rOBJ(uxi)＝0为目标函数的约束项，对目标函数进行求解，解得的yPRE值即为分布式光伏孤岛检测动态盲区指数预测值。

[0047] 以上仅为本发明的实施例而已，并不用于限制本发明，因此，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。