CN109390976A - 一种低压台区分布式光伏发电功率辨识方法 - Google Patents

Abstract

本发明涉及一种低压台区分布式光伏发电功率辨识方法。本发明通过在某些关键节点装设量测装置或者从状态估计结果中获取台区下网功率，结合光照强度数据，利用神经网络强大的非线性拟合能力，使之能够有效拟合出光照强度与光伏功率之间的非线性关系；随后将神经网络的输出结果与下网功率相加，求出低压台区实际的负荷功率；以光照强度与负荷功率之间的零线性相关性作为评价函数，根据评价函数判断辨识结果的准确性并对神经网络进行修正，直至输出满足要求的辨识结果。本发明提出的低压台区分布式光伏发电功率辨识方法无须大量增加电网量测装置、可通过台区下网功率结合气象信息辨识出台区分布式光伏电源总功率。

Description

一种低压台区分布式光伏发电功率辨识方法

技术领域

本发明属于电力系统自动化领域，涉及一种低压台区分布式光伏发电功率辨识方法。

背景技术

光伏电源等形式的分布式电源接入配电网有利于提高电网的可靠性，但是大规模的接入，也会给电网带来一定的影响。妥善解决好光伏电源并网的影响，有利于其更快更好发展，有利于智能电网的稳定运行，对清洁能源发展和促进节能减排具有积极的作用。

但是光伏电源发电具有波动性和分散性的特点，一方面有必要得到各处分布式光伏电源实时的出力情况，另一方面，由于分布式光伏电源装设较为分散且量测装置尤其是性能优异的PMU装置价格偏高，因此短期内不可能对每个分布式光伏电源安装点装设实时的功率等物理量的测量装置，所以需要研究一种能够通过在某些关键节点装设量测装置来及时获取分布式光伏电源参数及运行状态的方法，为配电网的状态估计提供更多的数据来源，同时为负荷功率的预测提供参考。并且配电网接入大量分散的分布式光伏电源对配电网负荷模型的建立也提出了新的挑战，若能通过一定的方法获得配电网某区域所有光伏电源发电总功率，就可以计算出该区域纯负荷占比与光伏发电功率占比，对广义负荷模型的建立提供了数据来源，有利于提供负荷模型的精度。

发明内容

为了解决上述问题，本发明提出了一种低压台区分布式光伏发电功率辨识方法。这种方法通过在某些关键节点装设量测装置，通过气象数据等信息辨识出分布式光伏电源总功率，解决了因量测不足而不能获取配电网分布式光伏电源出力与实际负荷功率的问题。一方面有助于电力部门及时掌握区域内新能源的出力与实际负荷大小，另一方面为配电网状态估计和广义负荷模型的建立提供了更多的数据来源，具有一定的应用价值。

本发明提出的一种低压台区分布式光伏发电功率辨识方法，其特征在于：通过光伏电源所在地区气象测量装置获得光照强度序列、从量测装置或者状态估计结果中获取10/0.4kV变压器处下网功率，以光照强度与负荷功率零线性相关作为评价函数，训练神经网络使之能够有效拟合出光照强度与光伏功率之间非线性映射函数关系，输出辨识结果后，将其与下网功率相加，求出低压台区实际的负荷功率，根据评价函数判断辨识结果的准确性并对神经网络进行修正，直至输出满足要求的辨识结果。

一种低压台区分布式光伏发电功率辨识方法，其特征在于，包括以下步骤：

步骤1，通过光伏电源所在地区气象测量装置获得光照强度数据，通过在10/0.4kV变压器处装设的PMU装置或者从状态估计结果中获取下网功率数据；然后对收集到的光照强度数据和下网功率数据进行有效性分析与数据归一化处理；

步骤2，选取标准三层神经网络来拟合光照强度与光伏功率之间的非线性映射关系；

步骤3，在神经网络输出光伏发电功率的结果Y后，将Y与下网功率Z相加，得到台区实际的负荷功率L＝Y+Z；神经网络迭代次数q＝q+1；判断神经网络迭代次数q是否越限，若超过最大允许迭代次数，则输出“在允许迭代次数内未收敛”；若未超过最大允许迭代次数，则转到步骤4；

步骤4，将光照强度X与负荷功率L之间的零线性相关性作为神经网络输出结果的评价函数，其中，相关性分析表达式为对神经网络输出结果的有效性进行评价；若ρ(X,L)≥ρ_set，则对评价函数求偏导对神经网络的权值矩阵V、W进行修正，返回步骤2继续训练神经网络；如果ρ(X,L)＜ρ_set，则说明神经网络的输出结果符合要求，停止训练并输出辨识结果。

在上述的一种低压台区分布式光伏发电功率辨识方法，步骤1中对收集到的光照强度数据和下网功率数据进行有效性分析与归一化处理的具体操作方法如下：

步骤1.1，数据有效性分析：对收集到的光照强度数据进行处理，只保留光照强度x_i＞0的有效数据X_i′＝(x₁′,x₂′,…,x′_m)^T，并记录相应的有效时刻点T_i＝(t₁,t₂,…,t_m)^T，找到与光照强度对应的同一天下网功率数据，同样只保留相应有效时刻的数据Z_i′＝(z₁′,z′₂,…,z′_m)^T；

步骤1.2，数据归一化处理：其中归一化处理公式为：其中x_j′_max、x′_jmin分别为第i天光照强度X_i′的最大值和最小值，z_j′_max、z′_jmin分别为第i天下网功率Z_i′的最大值和最小值。

在上述的一种低压台区分布式光伏发电功率辨识方法，步骤2中，标准三层神经网络输入层具有n个单元，隐藏层具有m个神经元，输出层具有n个单元，初始化神经网络参数，设置输出结果评价指标ρ_set，神经网络的初始迭代次数q＝0，最大允许迭代次数q_max；将光照强度序列X＝(x₁,x₂,…,x_n)^T作为输入，每个输入单元x_i与隐藏层m个神经元之间均有连接，权值矩阵为神经元的输入为P＝VX，选择单极性sigmoid函数作为神经元的变换函数，神经元的输出结果为Q＝g(P)；隐藏层与输出层之间的权值矩阵为输出层的输入为O＝WQ；为了降低神经网络计算过程中的复杂度，可以将输出层的变换函数选为线性函数f(x)＝kx，神经网络的输出结果为Y＝f(O)；

具体操作方法如下：

步骤2.1，在给定的N-P-N结构的神经网络中，将光照强度序列X_i″当做神经网络的输入，光伏电源辨识总功率Y_i ^*当做神经网络的输出；初始化神经网络参数，设置输出结果评价指标ρ_set，神经网络的初始迭代次数q＝0，最大允许迭代次数q_max；

步骤2.2，隐含层第j个神经单元的激活函数为其中，v_ij为神经网络第i个输入x_i和隐含层第j个神经单元之间的连接权重，b₁为隐含层第j个神经单元的偏置；

步骤2.3，输出层第k个输出单元的激活函数为其中，f(x)＝kx，w_jk为神经网络第j个神经单元P_j和输出层第k个输出单元之间的连接权重，b₂为输出层第k个输出单元的偏置；

步骤2.4，执行循环过程，完成前向传播过程，输出第t次结果P_t。

在上述的一种低压台区分布式光伏发电功率辨识方法，步骤3所述台区实际的负荷功率L，在神经网络输出光伏发电功率的结果Y后，将Y与下网功率Z相加，得到台区实际的负荷功率L＝Y+Z；并判断神经网络迭代次数N是否越限，若超过最大允许迭代次数，则输出“在允许迭代次数内未收敛”；若未超过最大允许迭代次数，则继续。

在上述的一种低压台区分布式光伏发电功率辨识方法，步骤4中神经网络训练与权值矩阵修正的具体过程如下：

步骤4.1，进行反向传播过程，对权值参数进行更新，定义神经网络返回修正判断依据为ρ(X,L)≥ρ_set，评价函数(ρ²)对权重系数的梯度

步骤4.2，每次参数更新时的变化量为：

步骤4.3，每次参数更新时的变化量为：

其中，q_j为第j个神经单元的输出值；x_i为神经网络的第i个输入；

步骤4.4，计算神经网络的评价函数ρ(X,L)的值，当ρ(X,L)＜ρ_set时，停止循环，输出神经网络的辨识结果，否则返回步骤2继续训练神经网络并对神经网络的权值矩阵V、W进行修正。

本发明的特点及有益效果：本发明考虑光照强度与光伏电源出力、光照强度与负荷功率之间的相关性，利用光照强度与台区下网功率数据作为条件，将光照强度与负荷功率的零线性相关作为评价函数，通过训练神经网络来辨识低压台区分布式光伏电源总出力。本发明提出的方法不仅能够对历史数据进行分析处理，通过历史光照强度辨识光伏电源总出力，如果能够预测出未来时刻的光照强度序列，同样使用本发明方法可以预测未来时刻的光伏电源总出力。因此，本方法是一种基于海量历史数据的配电网分布式光伏电源总功率辨识与预测方法，能够同时实现光伏电源出力的辨识与预测，从而为电力系统调度、配电网状态估计、潮流计算、广义负荷模型的建立等提供更多的数据来源，实现了源荷分离。具体而言，本发明具有如下优点：1、将低压台区的所有分布式光伏电源当做一个整体，仅需在关键节点安装测量装置，结合光照强度数据便可实现对分布式光伏电源出力信息的辨识，解决了目前无法实现全量测而不能获取光伏出力的难题。2、充分利用电网已有数据，无需或只需新增少量测量装置即可，可降低电网的投资成本，具有较好的经济性。3、并未直接给出神经网络的输出，而是提出了一种新颖的神经网络目标函数，以两序列间的相关性为评价函数，对神经网络权值矩阵进行修正，实现神经网络的训练过程。4、本发明对不同的应用场景适应性强，仅需利用光照强度和下网功率等信息就能实现低压台区分布式光伏电源出力的辨识，为配电网状态估计、负荷预测、负荷建模等环节提供了额外的数据，为人工智能在电力系统中的广泛应用提供了支持。

附图说明

图1是本发明测量装置在电网关键节点布置位置示意图。

图2是本发明采用的三层神经网络示意图。

图3是本发明的方法流程示意图。

具体实施方式

本发明通过分析光照强度与负荷功率的零线性相关，结合光照强度与下网功率等数据通过神经网络辨识出了低压台区分布式光伏电源总出力，得到了较高精度的辨识结果。结合附图和实施例说明如下：

本发明采取的技术方案是，一种低压台区分布式光伏发电功率辨识方法，其特征在于，包含以下步骤：

步骤1，通过光伏电源所在地区气象测量装置获得光照强度数据，通过在10/0.4kV变压器处装设的PMU装置或者从状态估计结果中获取下网功率数据；然后对收集到的光照强度数据和下网功率数据进行有效性分析与数据归一化处理。对数据进行有效性分析与归一化处理的具体操作方法如下：

步骤1.1，数据有效性分析：对收集到的光照强度数据进行处理，只保留光照强度x_i＞0的有效数据X′_i＝(x′₁,x′₂,…,x′_m)^T，并记录相应的有效时刻点T_i＝(t₁,t₂,…,t_m)^T，找到与光照强度对应的同一天下网功率数据，同样只保留相应有效时刻的数据Z′_i＝(z′₁,z′₂,…,z′_m)^T；

步骤1.2，数据归一化处理：其中归一化处理公式为：

其中x′_jmax、x′_jmin分别为第i天光照强度X′_i的最大值和最小值，z′_jmax、z′_jmin分别为第i天下网功率Z_i′的最大值和最小值。

步骤2，选取标准三层神经网络来拟合光照强度与光伏功率之间的非线性映射关系，其中，输入层具有n个单元，隐藏层具有m个神经元，输出层具有n个单元，初始化神经网络参数，设置输出结果评价指标ρ_set，神经网络的初始迭代次数q＝0，最大允许迭代次数q_max。将光照强度序列X＝(x₁,x₂,…,x_n)^T作为输入，每个输入单元x_i与隐藏层m个神经元之间均有连接，权值矩阵为神经元的输入为P＝VX，选择单极性sigmoid函数作为神经元的变换函数，神经元的输出结果为Q＝g(P)。隐藏层与输出层之间的权值矩阵为输出层的输入为O＝WQ。为了降低神经网络计算过程中的复杂度，可以将输出层的变换函数选为线性函数f(x)＝kx，神经网络的输出结果为Y＝f(O)。具体操作方法如下：

步骤2.1，在给定的N-P-N结构的神经网络中，将光照强度序列X″_i当做神经网络的输入，光伏电源辨识总功率Y_i ^*当做神经网络的输出；初始化神经网络参数，设置输出结果评价指标ρ_set，神经网络的初始迭代次数q＝0，最大允许迭代次数q_max。

步骤2.2，隐含层第j个神经单元的激活函数为其中，v_ij为神经网络第i个输入x_i和隐含层第j个神经单元之间的连接权重，b₁为隐含层第j个神经单元的偏置；

步骤2.3，输出层第k个输出单元的激活函数为其中，f(x)＝kx，w_jk为神经网络第j个神经单元P_j和输出层第k个输出单元之间的连接权重，b₂为输出层第k个输出单元的偏置；

步骤2.4，执行循环过程，完成前向传播过程，输出第t次结果P_t。

步骤3，在神经网络输出光伏发电功率的结果Y后，将Y与下网功率Z相加，得到台区实际的负荷功率L＝Y+Z；神经网络迭代次数q＝q+1。判断神经网络迭代次数q是否越限，若超过最大允许迭代次数，则输出“在允许迭代次数内未收敛”；若未超过最大允许迭代次数，则转到步骤4。

步骤4，将光照强度X与负荷功率L之间的零线性相关性作为神经网络输出结果的评价函数，其中，相关性分析表达式为对神经网络输出结果的有效性进行评价。若ρ(X,L)≥ρ_set，则对评价函数求偏导对神经网络的权值矩阵V、W进行修正，返回步骤2继续训练神经网络；如果ρ(X,L)＜ρ_set，则说明神经网络的输出结果符合要求，停止训练并输出辨识结果。神经网络训练与权值矩阵修正的具体过程如下：

步骤4.1，进行反向传播过程，对权值参数进行更新，定义神经网络返回修正判断依据为ρ(X,L)≥ρ_set，评价函数(ρ²)对权重系数的梯度

步骤4.2，每次参数更新时的变化量为：

步骤4.3，每次参数更新时的变化量为：

其中，q_j为第j个神经单元的输出值；x_i为神经网络的第i个输入。

步骤4.4，计算神经网络的评价函数ρ(X,L)的值，当ρ(X,L)＜ρ_set时，停止循环，输出神经网络的辨识结果，否则返回步骤2继续训练神经网络并对神经网络的权值矩阵V、W进行修正。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种低压台区分布式光伏发电功率辨识方法，其特征在于，包括以下步骤：

步骤1，通过光伏电源所在地区气象测量装置获得光照强度数据，通过在10/0.4kV变压器处装设的PMU装置或者从状态估计结果中获取下网功率数据；然后对收集到的光照强度数据和下网功率数据进行有效性分析与数据归一化处理；

步骤2，选取标准三层神经网络来拟合光照强度与光伏功率之间的非线性映射关系；

步骤3，在神经网络输出光伏发电功率的结果Y后，将Y与下网功率Z相加，得到台区实际的负荷功率L＝Y+Z；神经网络迭代次数q＝q+1；判断神经网络迭代次数q是否越限，若超过最大允许迭代次数，则输出“在允许迭代次数内未收敛”；若未超过最大允许迭代次数，则转到步骤4；

步骤4，将光照强度X与负荷功率L之间的零线性相关性作为神经网络输出结果的评价函数，其中，相关性分析表达式为对神经网络输出结果的有效性进行评价；若ρ(X,L)≥ρ_set，则对评价函数求偏导对神经网络的权值矩阵V、W进行修正，返回步骤2继续训练神经网络；如果ρ(X,L)＜ρ_set，则说明神经网络的输出结果符合要求，停止训练并输出辨识结果。

2.根据权利要求1所述的一种低压台区分布式光伏发电功率辨识方法，其特征在于，步骤1中对收集到的光照强度数据和下网功率数据进行有效性分析与归一化处理的具体操作方法如下：

步骤1.1，数据有效性分析：对收集到的光照强度数据进行处理，只保留光照强度x_i＞0的有效数据X′_i＝(x′₁,x′₂,…,x′_m)^T，并记录相应的有效时刻点T_i＝(t₁,t₂,…,t_m)^T，找到与光照强度对应的同一天下网功率数据，同样只保留相应有效时刻的数据Z′_i＝(z′₁,z′₂,…,z′_m)^T；

步骤1.2，数据归一化处理：其中归一化处理公式为：其中x′_jmax、x′_jmin分别为第i天光照强度X′_i的最大值和最小值，z′_jmax、z′_jmin分别为第i天下网功率Z′_i的最大值和最小值。

3.根据权利要求1所述的一种低压台区分布式光伏发电功率辨识方法，其特征在于，步骤2中，标准三层神经网络输入层具有n个单元，隐藏层具有m个神经元，输出层具有n个单元，初始化神经网络参数，设置输出结果评价指标ρ_set，神经网络的初始迭代次数q＝0，最大允许迭代次数q_max；将光照强度序列X＝(x₁,x₂,…,x_n)^T作为输入，每个输入单元x_i与隐藏层m个神经元之间均有连接，权值矩阵为神经元的输入为P＝VX，选择单极性sigmoid函数作为神经元的变换函数，神经元的输出结果为Q＝g(P)；隐藏层与输出层之间的权值矩阵为输出层的输入为O＝WQ；为了降低神经网络计算过程中的复杂度，可以将输出层的变换函数选为线性函数f(x)＝kx，神经网络的输出结果为Y＝f(O)；

具体操作方法如下：

步骤2.1，在给定的N-P-N结构的神经网络中，将光照强度序列X″_i当做神经网络的输入，光伏电源辨识总功率Y_i ^*当做神经网络的输出；初始化神经网络参数，设置输出结果评价指标ρ_set，神经网络的初始迭代次数q＝0，最大允许迭代次数q_max；

步骤2.2，隐含层第j个神经单元的激活函数为其中，v_ij为神经网络第i个输入x_i和隐含层第j个神经单元之间的连接权重，b₁为隐含层第j个神经单元的偏置；

步骤2.3，输出层第k个输出单元的激活函数为其中，f(x)＝kx，w_jk为神经网络第j个神经单元P_j和输出层第k个输出单元之间的连接权重，b₂为输出层第k个输出单元的偏置；

步骤2.4，执行循环过程，完成前向传播过程，输出第t次结果P_t。

4.根据权利要求1所述的一种低压台区分布式光伏发电功率辨识方法，其特征在于，步骤3所述台区实际的负荷功率L，在神经网络输出光伏发电功率的结果Y后，将Y与下网功率Z相加，得到台区实际的负荷功率L＝Y+Z；并判断神经网络迭代次数N是否越限，若超过最大允许迭代次数，则输出“在允许迭代次数内未收敛”；若未超过最大允许迭代次数，则继续。

5.根据权利要求1所述的一种低压台区分布式光伏发电功率辨识方法，其特征在于，步骤4中神经网络训练与权值矩阵修正的具体过程如下：

步骤4.1，进行反向传播过程，对权值参数进行更新，定义神经网络返回修正判断依据为ρ(X,L)≥ρ_set，评价函数(ρ²)对权重系数的梯度

步骤4.2，每次参数更新时的变化量为：

步骤4.3，每次参数更新时的变化量为：

其中，q_j为第j个神经单元的输出值；x_i为神经网络的第i个输入；

步骤4.4，计算神经网络的评价函数ρ(X,L)的值，当ρ(X,L)＜ρ_set时，停止循环，输出神经网络的辨识结果，否则返回步骤2继续训练神经网络并对神经网络的权值矩阵V、W进行修正。