1.一种含虚拟惯量的新能源电力系统等效惯量预测方法,其特征在于,包括:
构建含虚拟惯量的新能源电力系统等效惯量数据库,基于所述新能源电力系统等效惯量数据库构建SVM预测模型;
使用PSO算法对所述SVM预测模型进行参数寻优,获取最优SVM预测模型;
获取待预测时刻的输入特征,基于所述待预测时刻的输入特征将所述最优SVM预测模型与所述待预测时刻相匹配;
将所述待预测时刻的输入特征作为与所述待预测时刻相匹配的所述最优SVM预测模型的输入,输出所述待预测时刻的新能源电力系统等效惯量,完成所述新能源电力系统等效惯量预测。
2.根据权利要求1所述的含虚拟惯量的新能源电力系统等效惯量预测方法,其特征在于,构建所述含虚拟惯量的新能源电力系统等效惯量数据库包括:将所述新能源电力系统的有功功率变化量、系统频率变化率作为输入特征,将所述新能源电力系统等效惯性时间常数作为输出特征,构建所述含虚拟惯量的新能源电力系统等效惯量数据库。
3.根据权利要求2所述的含虚拟惯量的新能源电力系统等效惯量预测方法,其特征在于,所述新能源电力系统的有功功率变化量通过WAMS和PMU模块测量得到;
所述系统频率变化率通过计算频率与时间的差分比得到,计算公式为:
4.根据权利要求2所述的含虚拟惯量的新能源电力系统等效惯量预测方法,其特征在于,所述新能源电力系统等效惯量时间常数的计算方法包括:分别计算风电厂等效惯性时间常数和光伏蓄电池等效惯性时间常数,根据所述风电厂等效惯性时间常数和光伏蓄电池等效惯性时间常数构建新能源电力系统等效惯量计算模型,基于所述新能源电力系统等效惯量计算模型获取所述新能源电力系统等效惯性时间常数。
5.根据权利要求4所述的含虚拟惯量的新能源电力系统等效惯量预测方法,其特征在于,所述新能源电力系统等效惯量计算模型为:其中,Hsys表示新能源电力系统等效惯性时间常数,HG表示常规机组的惯性时间常数,SG表示常规机组的额定容量,Hev表示风力机组的等效惯性时间常数,Sw表示风电机组的额定容量,Hs表示蓄电池组的等效惯性时间常数,Sr表示蓄电池组的额定容量,单位均为s。
6.根据权利要求1所述的含虚拟惯量的新能源电力系统等效惯量预测方法,其特征在于,基于所述新能源电力系统等效惯量数据库构建SVM预测模型包括:将所述新能源电力系统等效惯量数据库中的数据输入支持向量机中进行函数拟合,并在所述支持向量机中引入惩罚因子C和松弛变量ξ以及核函数,生成所述输入特征和所述输出特征的函数关系,获取所述SVM预测模型:其中,βi表示拉格朗日乘子,k(x,xi)表示核函数,b表示常数。
7.根据权利要求6所述的含虚拟惯量的新能源电力系统等效惯量预测方法,其特征在于,使用PSO算法对所述SVM预测模型进行参数寻优,获取所述最优SVM预测模型包括:通过PSO算法对所述SVM预测模型中的所述惩罚因子C和所述核函数的核参数g进行寻优,获取最优惩罚因子C和核参数g;
将所述最优惩罚因子C和核参数g代入所述SVM预测模型中,获取最优参数的所述SVM预测模型。
8.根据权利要求7所述的含虚拟惯量的新能源电力系统等效惯量预测方法,其特征在于,通过PSO算法对所述SVM预测模型中的所述惩罚因子C和所述核函数的核参数g进行寻优包括:对PSO算法中的参数进行初始化,设置所述惩罚因子C和所述核参数g的速度最值和误差阈值;
寻优开始,产生初始粒子和速度,计算所述初始粒子的位置、速度、适应度值、个体极值和全局极值,选取个体极值点和全局极值点;对每个粒子的位置和速度进行更新和计算,计算更新后的个体极值和全局极值,与所述初始粒子的个体极值和全局极值进行对比,选取新的个体极值点和全局极值点,进而更新个体极值和全局极值,以此迭代,直到迭代次数满足设置的速度最大值和误差最小值,完成对所述惩罚因子C和所述核参数g的寻优。
9.根据权利要求1所述的含虚拟惯量的新能源电力系统等效惯量预测方法,其特征在于,基于所述待预测时刻的输入特征将所述最优SVM预测模型与所述待预测时刻相匹配包括:分别计算所述新能源电力系统等效惯量数据库的输入特征平均值和待预测时刻的输入特征平均值,将所述待预测时刻的输入特征平均值与所述新能源电力系统等效惯量数据库的输入特征平均值作差,获取输入特征差值矩阵;
结合风速并考虑所述输入特征差值矩阵最接近零矩阵的情况下,所述新能源电力系统等效惯量数据库的输入特征所对应的最优参数的所述SVM预测模型,作为与所述待预测时刻相匹配的所述最优SVM预测模型。