【技術實現步驟摘要】
本專利技術含有分布式光伏接入電網網損預測領域，具體為基于人工魚群優化的小波神經網絡預測光伏并網網損方法。
技術介紹
1、隨著社會經濟的發展，電能的需求也越來越緊缺，但是傳統的火力發電技術會造成大量的空氣污染。隨著例如以光伏為代表的清潔能源的發展在滿足電網用電需求的同時又減少了污染排放，是未來發電技術的重點研究方向。然而隨著分布式光伏發電的大量并網，導致電網網損問題日益突出。合適容量的光伏并網會降低網損，但當光伏容量超過一定值，會出現潮流倒送的現象，增加網損。而光伏的發電功率受光照、溫度等因素影響是波動的。故預測網損具有重要意義。
2、傳統的網損通過例如潮流計算的方式獲得，通過計算的網損結果相對比較準確，但只能做到即時計算，無法實現未來的網損進行預測。為了預測網損變化，提升電網穩定性，急需一種基于智能算法的預測方法，通過對歷史數據的學習，預測未來時段的網損。小波神經網絡適合處理非線性和時變的數據，非常適合預測多參數目標。而預測的誤差是小波神經網絡的重要參數，為了提升網損預測的準確性，本專利技術利用人工魚群算法對小波神經網絡的參數進行優化。本專利技術能夠準確的預測未來時段的網損數據，以供電網及時調節發電功率，降低網損，提高電網的穩定性。
3、專利cn115000961a提供了一種基于神經網絡的線損預測計算方法與系統，但該方法需要采集風向、風速光照強度等大量數據，系統相對復雜。
4、專利cn110363334a提供了一種基于灰色神經網絡模型的光伏并網線損預測方法，但該方法需要多次訓練模型，且預測精度
技術實現思路
1、為了解決以上問題，本專利技術提出基于人工魚群優化的小波神經網絡預測光伏并網網損方法。解決了當前對于光伏并網網損無法預測或者預測精度低的問題。
2、為實現上述目的，本專利技術采取的技術方案是：
3、基于人工魚群優化的小波神經網絡預測光伏并網網損方法，包括以下步驟：
4、s1：采集數據，采用傳感器收集光伏發電的有功和無功功率、線路阻抗、線路導納、平衡節點電壓及相位、節點負載的有功和無功功率數據，并對初始數據進行歸一化處理從而便于模型訓練；
5、s2：根據采集的數據，計算歷史電網網損，用于訓練模型，光伏并網網損計算方法采用潮流計算法；
6、s3：建立小波神經網絡模型，選擇光伏發電功率數據列、負載功率數據列、光伏并網位置數據列和歷史網損數據列作為小波神經網絡的輸入層，網損作為網絡的輸出層；
7、s4：建立人工魚群算法模型，選擇步驟s3中小波神經網絡的權值和閾值作為人工魚群算法的尋優變量，神經網絡誤差的倒數作為人工魚群算法的目標函數；初始化人工魚群參數，并運行人工魚群算法獲取小波神經網絡的最優參數。
8、s5：用步驟4獲得的最優參數初始化小波神經網絡，使用步驟s1采集的歷史數據以及潮流計算獲得的網損數據作為小波神經網絡的訓練集，使用訓練好的模型對未來的光伏并網網損進行預測，并驗證預測結果的準確性。
9、作為本專利技術進一步改進，所述的步驟s1中，具體過程如下：
10、采集的數據主要分為兩類：
11、s11、用于對網損進行理論計算，網損理論計算采用潮流計算，需要收集光伏發電的有功和無功功率、線路阻抗、線路導納、平衡節點電壓及相位、節點負載的有功和無功功率；
12、s12、用于小波神經網絡的訓練和網損的預測，影響光伏并網網損的因素很多，針對主要因素光伏發電功率、歷史網損數據、負載功率和光伏并網位置；對采集的數據做歸一化處理，便于小波神經網絡的訓練；
13、歸一化的計算公式為：
14、
15、其中x為采集的原始數據、xmin為數據集的最小值、xmax為數據集的最大值、xnorm為歸一化處理后的數據。
16、作為本專利技術進一步改進，所述的步驟s2中，具體過程如下：
17、s21、根據采集的歷史數據使用潮流法計算真實網損，具體方法如下：
18、將網絡劃分為n段，第i段線路阻抗為ri+jxi，相應的節點功率為pn+jqn。
19、s22、無光伏接入電網時，節點功率為：
20、
21、其中，pi為有功功率、qi為無功功率、δpj為有功損耗、δqj為無功損耗；
22、s23、節點接入電網后節點功率為：
23、
24、s24、則電網的總損耗為：
25、
26、作為本專利技術進一步改進，所述的步驟s3中，具體過程如下：
27、s31、建立小波神經網絡，其中步驟s2中收集的光伏發電功率、歷史網損數據、負載功率和光伏并網位置作為網絡輸入層，網損預測作為輸出層，神經網絡具體如下：
28、對輸入數據進行小波變換，以提取不同尺度下的特征。小波變換的公式為：
29、
30、其中，a為尺度參數，b為平移參數，ψ(t)為母小波函數。
31、s32、輸入層接收小波變換后的特征，通過隱藏層進行非線性映射，最后輸出層給出預測結果,輸入層到隱藏層的計算公式為：
32、
33、隱含層到輸出層的計算公式為：
34、
35、其中，wji和wkj分別為輸入層到隱藏層和隱藏層到輸出層的權重，bj和bk為偏置項，f為激活函數；
36、s33、預測值與真實值的誤差的計算公式為：
37、
38、其中yi為網損理論計算值、為網損的預測值，k為樣本數量。
39、作為本專利技術進一步改進，所述的步驟s4中，具體過程如下：
40、s41、初始化人工魚群算法參數，步驟s3中小波神經網絡參數有wji、wkj、bj和bk，故設定人工魚群維數為4，魚群數量為n，魚群初始視距為v0，魚群密度為δ等魚群初始參數，因為魚群算法用于求解最大值，故使用網損預測值和真實值的誤差的倒數作為目標函數，從而求解誤差最小對應的網絡參數；
41、
42、s42、人工魚進行四種行為來實現自尋優：
43、(1)覓食行為：人工魚隨機運動，若下一個位置食物濃度高于原位置則向下一位置移動，否則隨機運動，數學公式為：
44、
45、(2)聚集行為：人工魚尋找視野內魚群，若魚群中心位置食物濃度高于當前位置且魚群密度低于當前位置，則向中心位置移動，否則執行覓食行為，數學公式為：
46、
47、(3)跟隨行為：人工魚尋找視野內其他人工魚，運動至食物密度最高且高于當前位置食物密度的人工魚位置，否則執行覓食行為，數學公式為：
48、
49、(4)隨機行為：無法執行其他行為，人工魚則隨機運動，數學公式為：
50、xi(t+1)＝xi(t)+η·step。???(13)
51、以上行為公式中：xi(t)為人工魚當前位置，xi(t+1)為本文檔來自技高網...
【技術保護點】
1.基于人工魚群優化的小波神經網絡預測光伏并網網損方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于人工魚群優化的小波神經網絡預測光伏并網網損方法，其特征在于，
3.根據權利要求1所述的基于人工魚群優化的小波神經網絡預測光伏并網網損方法，其特征在于，所述的步驟S2中，具體過程如下：
4.根據權利要求1所述的基于人工魚群優化的小波神經網絡預測光伏并網網損方法，其特征在于，
5.根據權利要求1所述的基于人工魚群優化的小波神經網絡預測光伏并網網損方法，其特征在于，所述的步驟S4中，具體過程如下：
6.根據權利要求1所述的基于人工魚群優化的小波神經網絡預測光伏并網網損方法，其特征在于，所述的步驟S5中，具體過程如下：
【技術特征摘要】
1.基于人工魚群優化的小波神經網絡預測光伏并網網損方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于人工魚群優化的小波神經網絡預測光伏并網網損方法，其特征在于，
3.根據權利要求1所述的基于人工魚群優化的小波神經網絡預測光伏并網網損方法，其特征在于，所述的步驟s2中，具體過程如下：
4.根據權利...
【專利技術屬性】
技術研發人員：金晶，王勇，谷千帆，柯乾，鄒鵬，張建龍，劉忠建，寧小峰，金鑫，桂款，徐路寧，謝京城，湯雁冰，
申請(專利權)人：國網安徽省電力有限公司東至縣供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。