本发明涉及电力系统柔性直流输电领域，具体是一种基于woa优化神经网络的多电平光伏逆变器模型预测方法、系统及设备。
背景技术：
1、模块化多电平变换器(modular multilevel converter，mmc)是支持现代输电设备的一项重要技术，这种技术广泛应用于交流输电系统(facts)设备和高压直流(hvdc)系统中，能极大地提高电网运行稳定性和长距离电力传输能力。典型的三相mmc由六个桥臂构成。每个桥臂中串联数量庞大的子模块(submodule,sm)，并串联有一个桥臂电感。mmc本质上是通过控制每个子模块的输出电平，从而控制每个桥臂的输出电压，实现对于桥臂电流的控制，最终实现对于交流、直流和环流电流的控制。由于mmc具有高效性能、可靠性、灵活性、降低电磁干扰、减少线损等优点，被广泛应用于光伏并网发电领域。在实际过程中，多个控制开关和电路会带来能量损耗、控制误差、系统复杂度等问题,最终导致mmc系统的效率、稳定性和精度受到不利影响。因此在mmc系统设计时,需要精准权衡子模块数量,控制系统复杂度,以实现最佳的系统性能。
2、在现有技术中，桥臂中投入的子模块的个数可由桥臂中所有开关信号的代数和获得，现有的技术通过载波层叠、载波移相调制和最近电平调制三种方法确定子模块数量，但是这些方法并不能提前预测子模块的安装个数，需要经过多次试验及操作才可确定子模块个数，操作麻烦，效率低的同时，这种方法确定子模块安装数量的精度也较低，往往很难一次就测试出最为合理的子模块安装数量。
技术实现思路
1、本发明意在提供基于woa优化神经网络的多电平光伏逆变器模型预测方法，主要用于解决现有技术存在的不能提前预测子模块的安装个数，需要经过多次试验及操作才可确定子模块个数，操作麻烦，效率低的同时，确定子模块安装数量的精度较低，往往很难一次就测试出最为合理的子模块安装数量的技术问题。
2、为解决上述技术问题，本发明提供如下技术方案：
3、方案一：
4、一种基于woa优化神经网络的多电平光伏逆变器模型预测方法，其特征在于，包括如下步骤：
5、s1：通过mpc-mmc仿真平台搭建仿真模型，通过mpc-mmc仿真平台收集数据并进行数据预处理，所述数据为mmc输出的若干电气变量；
6、s2：将数据输入仿真模型的神经网络训练得到神经网络-mpc控制器，且训练的过程中得到神经网络的初始权值、阈值；
7、s3：采用woa算法来优化神经网络初始权值、阈值，得到woa-神经网络-mpc控制器；
8、s4：利用得到的woa-神经网络-mpc控制器进行mpc控制器的模拟并输出合理的子模块数量预测值数据。
9、优选的，所述步骤s1中，从mpc-mmc仿真平台中进行相关数据的采样，通过标准化和emd分解操作，得到一组优良的数据集：
10、进行标准化处理，其数学表达式如下：
11、
12、式中,xstdi为标准化之后的数据集的某一变量，xi为数据集的某一变量，μ为计算数据的均值，σ为标准差；
13、进行emd分解操作，其数学表达式如下：
14、
15、式中，ck(t)表示分解后的一系列固有模态函数,r(t)为残差,n表示分解得到的固有模态函数的数量，k代表第k个提取出来的固有模态函数。
16、优选的，所述步骤s3中，采用woa算法来优化神经网络初始权值、阈值包括如下步骤：
17、s31：对woa-神经网络-mpc控制器的设计，将输出的11个变量的初始权值和阈值ωij、θij和ωjk、θjk的数据作为woa算法的训练集；其中，ωij和θij为输入层和隐藏层之间的初始权值与阈值，ωjk和θjk为隐藏层与输出层之间的初始权值和阈值。
18、s32：通过利用woa算法优化神经网络，精准找出最优权值和阈值。
19、优选的，所述步骤s3中，woa算法的数学模型涵盖如下步骤：
20、s321：初始化：首先，在算法开始时，为每个鲸鱼设定一个初始位置，并生成初始种群；
21、s322：搜索：每个鲸鱼都会按照一定的规则探索空间；这个过程包括模拟鲸鱼包围、追捕和攻击猎物、随机；
22、s323：评估：每当鲸鱼移动的时候，对当前的鲸鱼种群计算适应度值；如果当前的适应度值优于之前的适应度值，则将当前适应度值设为最优解；
23、s324：更新：当所有的鲸鱼都完成了移动和评估后，更新所有鲸鱼的位置，并重复以上步骤；
24、s325：迭代：进行多次迭代，直到找到最优解为止。
25、优选的，所述步骤s3中，步骤s32的搜索步骤包括如下流程：
26、包围流程如下：
27、
28、其中：在第t次迭代过程中，代表当前鲸鱼的位置、代表当前鲸鱼的最优位置,代表包围步长，代表搜索个体的移动方向向量；是一个随机缩放因子,用于控制搜索个体移动的幅度，其中和的具体含义如下：
29、
30、式中：表示从2线性逐渐递减到0；是从[0,1]区间内一随机数；
31、追捕和攻击猎物流程如下：
32、
33、式中，l为区间[-1,1]内一随机数，n是螺旋形状常数，p是在区间[0,1]内随机取值的概率,是当前猎物与当前鲸鱼位置之间的距离；
34、随机搜索流程如下：
35、
36、式中：为随机选择的鲸鱼位置，代表更新后鲸鱼的位置。
37、方案二：
38、一种基于woa优化神经网络的多电平光伏逆变器模型预测控制系统，包括：
39、收集处理模块，用于通过mpc-mmc仿真平台收集数据并进行数据预处理；
40、训练模块，用于将数据输入神经网络训练得到神经网络-mpc控制器，且训练的过程中得到神经网络的初始权值、阈值；
41、优化模块，用于采用woa算法来优化神经网络初始权值、阈值，得到woa-神经网络-mpc控制器；
42、输出模块，用于利用得到的woa-神经网络-mpc控制器进行mpc控制器的模拟并输出数据。
43、优选的，所述收集处理模块包括：
44、标准化模块，用于将采集到的相关数据标准化处理，得到数据集；
45、emd分解模块，用于对所收集的数据集进行经验模态分解emd操作，通过对分解后的固有模态函数进行处理对数据进行滤波处理。
46、方案三：
47、一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行一种基于woa优化神经网络的多电平光伏逆变器模型预测方法。
48、方案四：
49、一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行一种基于woa优化神经网络的多电平光伏逆变器模型预测方法。
50、本发明的工作原理及有益效果：
51、鲸鱼算法(whale optimization algorithm，woa)是一种新型的基于自然界生物行为的群智能算法，是mirjalili等受座头鲸社会行为启发，模拟鲸鱼群狩猎行为的一种元启发式算法。由于启发机制简单、控制参数少，且在解决某些复杂优化问题时具有快速收敛、全局搜索能力强的特点，使其广泛应用于工程理论实践。鲸鱼算法拥有三个独立的种群更新机制，这些机制可以分别控制全局探索和局部开发过程，此外，该算法不需要手动设置各种控制参数值，简化了使用难度，提高了算法效率，减少了工作者的工作量。
52、本发明提出的基于woa优化神经网络的多电平光伏逆变器模型预测控制方法、系统及设备，利用鲸鱼算法优化神经网络，可以提高神经网络预测的准确性和收敛速度。鲸鱼算法具有全局搜索能力强的优点，能够提高预测精度，利用鲸鱼算法对于初始权值和阈值进行优化，可以快速准确的找出最优权值和阈值，极大提高了预测精度和速度。通过对桥臂中子模块数量的精准快速预测，提高了mmc系统运行的效率、稳定性以及预测精度，在多电平电力电子变换器领域有着良好应用前景，在风电、光伏等可再生能源方面有着广泛的应用，综上，本方案解决了现有技术存在的不能提前预测子模块的安装个数，需要经过多次试验及操作才可确定子模块个数，操作麻烦，效率低的同时，这种方法确定子模块安装数量的精度较低，往往很难一次就测试出最为合理的子模块安装数量的技术问题。
1.一种基于woa优化神经网络的多电平光伏逆变器模型预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于woa优化神经网络的多电平光伏逆变器模型预测方法，其特征在于：所述步骤s1中，从mpc-mmc仿真平台中进行相关数据的采样，通过标准化和emd分解操作，得到一组优良的数据集：
3.根据权利要求1所述的一种基于woa优化神经网络的多电平光伏逆变器模型预测方法，其特征在于：所述步骤s3中，采用woa算法来优化神经网络初始权值、阈值包括如下步骤：
4.根据权利要求3所述的一种基于woa优化神经网络的多电平光伏逆变器模型预测方法，其特征在于：所述步骤s3中，woa算法的数学模型涵盖如下步骤：
5.根据权利要求3所述的一种基于woa优化神经网络的多电平光伏逆变器模型预测方法，其特征在于：所述步骤s3中，步骤s32的搜索步骤包括如下流程：
6.一种基于woa优化神经网络的多电平光伏逆变器模型预测控制系统，包括：
7.根据权利要求6所述的基于woa优化神经网络的多电平光伏逆变器模型预测系统，其特征在于：所述收集处理模块包括：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至5中任意一项所述的一种基于woa优化神经网络的多电平光伏逆变器模型预测方法。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的一种基于woa优化神经网络的多电平光伏逆变器模型预测方法。
