CN113705103A - 一种基于改进bp神经网络的分布式光伏功率分离方法 - Google Patents

Abstract

本发明涉及电网广义负荷分离技术，具体涉及一种基于改进BP神经网络的分布式光伏功率分离方法。在区域内量测装置不足且无法通过传统的光伏预测方法获取区域内光伏出力的情况下，提出一种基于改进BP神经网络并且利用相关性条件分离出广义负荷中的分布式光伏功率的方法。包括在考虑辐照对分布式光伏的影响基础之上，且分布式电源功率与广义负荷功率的加和为常规负荷功率。利用区域内实际的常规负荷功率与辐照度之间零线性相关的前提，建立了辐照度到区域内光伏出力之间的映射关系，从而建立广义负荷中的光伏出力的分离辨识模型。使用辐照度与广义负荷功率历史序列进行训练，利用区域内实际的常规负荷功率与辐照度之间零线性相关的特点分离光伏功率。

Description

一种基于改进BP神经网络的分布式光伏功率分离方法

技术领域

本发明属于电网广义负荷分析研究领域，尤其涉及一种基于改进BP神经网络的分布式光伏功率分离方法。

背景技术

随着用户屋顶光伏等小容量、数量多的分布式电源的接入，分布式电源对电力系统的调度运行带来了新的问题与挑战，并且由广义负荷与各类环境因素之间的相关性分析结果可知，辐照度也是广义负荷预测的一大重要影响因素，而众多研究以及生活常识均表明辐照度直接影响到光伏出力。因此，有必要研究这种分布式光伏电源接入配电网进而对广义负荷造成的影响。在区域内量测装置不足的情况下，用户侧分散接入电网的大部分分布式光伏电站享有光伏出力就地消纳的政策，仅将剩余的电量上传至电网，因此难以获取广义负荷中的实际光伏出力数据，不利于电网的调度与预测。而由于辐照度条件的变化，光伏出力呈现出极强的波动性和间歇性。为了降低分布式电源并网带来的不利影响，有必要研究分布式光伏功率的分离与预测方法，来进一步提高电力系统的稳定性与可靠性。

现有光伏功率预测研究中大多数适用于集中式光伏，对于分布式光伏预测由于分布式光伏分散在广义负荷中，其预测问题属于模型不可观问题，对分布式光伏的预测尚不充分。

发明内容

本发明的目的是考虑辐照条件对广义负荷的影响因素，提出一种基于改进BP神经网络的分布式光伏功率分离方法，建立了辐照度到区域内光伏出力之间的映射关系，从而实现广义负荷中的分布光伏功率分离辨识。

为实现上述目的，本发明采用的技术方案是：一种基于改进BP神经网络的分布式光伏功率分离方法，包括在考虑辐照对分布式光伏的影响基础之上；分布式电源功率与广义负荷功率的加和为常规负荷功率；使用辐照度与广义负荷功率历史序列进行训练；利用区域内实际的常规负荷功率与辐照度之间零线性相关的特点分离光伏功率。

在上述的基于改进BP神经网络的分布式光伏功率分离方法中，包括以下具体步骤：

步骤1、选取辐照度与广义负荷历史数据，对辐照度数据以及负荷数据分别进行预处理。

在上述的基于改进BP神经网络的分布式光伏功率分离方法中，步骤1的实现包括以下步骤：

步骤1.1、分别引入多个历史时刻的辐照度以及多个历史时刻的广义负荷总功率数据；

步骤1.2、对历史数据进行的预处理包括缺失值与异常值处理以及历史数据的归一化；具体步骤如下：

步骤1.2.1、将历史辐照度序列、历史广义负荷总功率序列分别通过将存在缺失以及数值明显超出其物理意义范围的数据删除，得到删除法处理后辐照度序列、删除法处理后历史负荷总功率序列；

步骤1.2.2、分别将删除法处理后辐照度序列、删除法处理后历史负荷总功率序列通过min-max归一化方法处理：

其中s表示待转换的辐照度历史数据，S^*表示归一化后的辐照度历史数据，s_max与s_min分别为辐照度历史数据中的最大值与最小值。

其中P_S表示待转换的广义负荷总功率历史数据，P_S ^*表示归一化后的广义负荷总功率历史数据，P_Smax与P_Smin分别为广义负荷总功率历史数据中的最大值与最小值。

步骤2、建立改进的BP神经网络模型，与传统BP神经网络模型不同的是，本模型采用辐照度与常规负荷(广义负荷功率中减去光伏功率的剩余部分)之间的线性相关性趋于零作为评价函数。包括以下步骤：

步骤2.1、建立改进BP神经网络，网络结构采用输入层、隐含层、输出层的三层神经网络，隐藏层为1层。

步骤2.2、初始化输入层与隐藏层、隐藏层与输出层之间的权值W、V，初始化隐藏层的阈值R。隐藏层中激活函数设定为sigmoid函数：

则第i个隐藏层神经元的输入M_in为：

M_in(i)＝W(i)S+R(i)

第i个隐藏层神经元的输出为：

M_out(i)＝δ(M_in(i))

输出层的输出y_out为：

输出层的输出y_out为预测的光伏功率P_S。

步骤2.3、采用辐照度S与常规负荷P_L的线性相关系数ρ_V作为损失函数：

其中，N测试数据数量，P_L和S分别为常规负荷与辐照度序列，

和

分别为常规负荷与辐照度序列的均值；P_L(t)满足的关系式为：

P_S(t)＝P_L(t)+P_V(t),t＝1,2,…,N

其中，W和V分别为改进BP神经网络的权重矩阵，是待寻优的变量。P_S为广义负荷总功率。P_V为分布式光伏功率。F(·)为分布式光伏功率与辐照度之间存在的某种映射关系。

步骤3、输入步骤1处理后的辐照度与广义负荷功率，训练步骤2建立的改进BP神经网络模型，对网络参数寻优。

步骤3.1、光伏分离辨识模型训练过程中，改进BP神经网络参数的训练过程实质上是对如下所式所示的优化问题的求解，即用分布光伏功率与常规负荷之和等于下网功率(即广义负荷总功率)、辐照度与分布式光伏功率之间存在可以求取的某种映射关系和辐照度与常规负荷的线性相关系数的平方最小为收敛判据:

其中，W和V分别为改进BP神经网络的权重矩阵，是待寻优的变量。P_S为广义负荷总功率。P_V为分布式光伏功率。F(·)为分布式光伏功率与辐照度之间存在的某种映射关系。

步骤3.2、采用梯度下降法对光伏分离辨识模型进行参数更新，计算温度敏感型负荷分离模型的目标函数对权重系数的梯度：

其中θ为权重系数，代表神经网络中输入层与隐藏层之间的权重W和隐藏层与输出层的权重V。式中相关系数ρ_v对神经网络输出y_out(t)的偏导数为：

其中，C和D分别为求取线性相关系数ρ_v的偏导数时引入的辅助计算变量；k为时间点。

步骤4、步骤3参数寻优完成后，在光伏分离辨识模型中输入区域辐照度与广义负荷总功率数据，从广义负荷总功率中分离出分布式光伏功率。

在上述的基于改进BP神经网络的分布式光伏功率分离方法中，步骤4的实现包括：通过输入区域内辐照度到改进的BP神经网络模型中，利用辨识模型可以从区域内的广义负荷总功率中分离出高精度的分布式光伏功率。

本发明的有有益效果：本方法与传统的BP神经网络模型的不同之处在于传统的BP神经网络以输出值与真实值之间的误差为修正量进行网络寻优，而本文所提出的改进BP神经网络针对量测装置不足的地区，无法单独获取区域内分布式电源出力的实际值，所以网络寻优过程中的真实值为未知值，改进BP神经网络以辐照度与常规负荷之间的相关性为误差计算函数来进行网络寻优，实现分布式光伏功率的分离辨识；辐照度与光伏功率之间的映射关系仅与区域内光伏自身的特性等因素有关，而与用户的用电习惯和参数的波动无关，因此可以更准确地分离光伏功率。

在实际应用时通过输入区域辐照度数据，可以为量测装置不足的系统提供分布式电源出力的数据支持，同时为实现广义负荷更加精确的预测提供解决办法和数据基础。

附图说明

图1是本发明一个实施例的分布式光伏功率分离原理图；

图2是本发明一个实施例的改进BP神经网络分离分布式光伏原理图；

图3是本发明一个实施例的方法流程示意图；

图4(a)是本发明一个实施例夏季工作日分布式光伏分离效果图；

图4(b)是本发明一个实施例夏季休息日分布式光伏分离效果图；

图4(c)是本发明一个实施例冬季工作日分布式光伏分离效果图；

图4(d)是本发明一个实施例冬季休息日分布式光伏分离效果图；

具体实施方式

下面结合附图对本发明的实施方式进行详细描述。

本实施例为了解决现有技术中所存在的技术问题；提供了一种基于改进BP神经网络的分布式光伏功率分离方法，通过建立改进BP神经网络模型，输入区域辐照度数据，分离分布式光伏功率，为广义负荷的精准预测提供基础，分布式光伏功率分离原理图如图1所示。

本实施例与传统神经网络负荷分离方法相比，传统的BP神经网络以输出值和实际值之间的误差作为修正量进行网络寻优，而改进BP神经网络针对量测装置不足的地区，无法单独获取分布式电源出力，所以网络寻优过程中的真实值为未知值，改进BP神经网络以相关性为修正量，改进BP神经网络模型如图2所示。

本实施例能以较低成本获取区域内的分布式电源出力之和，该辨识结果有利于电网较为准确地掌握用户侧负荷的各种组成部分以及实际的各种负荷成分的需求量，并且为下一步进行各种类型的负荷分别预测提供数据支持。

本实施例一种基于基于改进BP神经网络的分布式光伏功率分离方法，包括在考虑辐照度与分布式光伏处理的相关性；建立改进BP神经网络分布式光伏分离模型；训练神经网络模型和确定相关参数；输入辐照数据，从广义负荷功率中分离出分布式光伏功率。

本实施例是通过以下技术方案来实现的，一种基于改进BP神经网络的分布式光伏功率分离方法，包括以下步骤：

S1.本实施例选取某工业园区历史辐照度数据以及负荷数据进行预处理；

该区域内光伏渗透率较高，而风电渗透率基本为零，区域内一些建筑物配备了屋顶光伏发电设备，各分布式电源均装有辐照度采集装置但未配备各电源的出力采集装置，所有光伏电源的容量之和约为8MW；区域内的用电负荷主要为家用电器组装、测试、调试的工业设备和少量居民用电负荷，变压器下网点功率测量装置处所测量的广义负荷功率的最大值约为10MW。

考虑到分布式光伏电源的工作特性，根据季节特性已知该园区内在每天6：00～18：00之间光伏出力是不为零时段，而其他时刻光伏出力为零，预测分辨率为15min，故一天内采样点为96个点，其中光伏出力不为零的点大致有48个。夏季工作日以2017年7月6日(星期四)的历史数据为例，夏季休息日以2017年7月9日(星期日)的历史数据为例。由于辐照度、电力负荷历史数据量纲不同，数据差异较大，所以对数据进行归一化处理：

其中s表示待转换的辐照度历史数据，S^*表示归一化后的辐照度历史数据，s_max与s_min分别为辐照度历史数据中的最大值与最小值。

其中P_S表示待转换的广义负荷总功率历史数据，P_S ^*表示归一化后的广义负荷总功率历史数据，P_Smax与P_Smin分别为广义负荷总功率历史数据中的最大值与最小值。原始数据经归一化后可以有效增强数据的收敛性，节约总体计算的用时间。

S2.建立改进BP神经网络模型，模型如图2所示。

在上述的基于改进BP神经网络的分布式光伏功率分离方法中，步骤2的实现包括以下步骤：

建立改进BP神经网络，网络结构采用输入层、隐含层、输出层的三层神经网络，隐藏层为1层。

初始化输入层与隐藏层、隐藏层与输出层之间的权值W、V，初始化隐藏层的阈值R。隐藏层中激活函数设定为sigmoid函数：

则第i个隐藏层神经元的输入M_in为：

M_in(i)＝W(i)S+R(i)

第i个隐藏层神经元的输出为：

M_out(i)＝δ(M_in(i))

输出层的输出y_out为：

输出层的输出y_out为预测的光伏功率P_S。

采用辐照度S与常规负荷P_L的线性相关系数ρ_V作为损失函数：

其中，N测试数据数量，P_L和S分别为常规负荷与辐照度序列，

和

分别为常规负荷与辐照度序列的均值；P_L(t)满足的关系式为：

P_S(t)＝P_L(t)+P_V(t),t＝1,2,…,N

其中，W和V分别为改进BP神经网络的权重矩阵，是待寻优的变量。P_S为广义负荷总功率。P_V为分布式光伏功率。F(·)为分布式光伏功率与辐照度之间存在的某种映射关系。

S3.训练S2建立的改进BP神经网络模型，对网络参数寻优，训练方法流程如图3所示。

光伏分离辨识模型训练过程中，改进BP神经网络参数的训练过程实质上是对如下所式所示的优化问题的求解，即用分布光伏功率与常规负荷之和等于下网功率(即广义负荷总功率)、辐照度与分布式光伏功率之间存在可以求取的某种映射关系和辐照度与常规负荷的线性相关系数的平方最小为收敛判据:

其中，W和V分别为改进BP神经网络的权重矩阵，是待寻优的变量。P_S为广义负荷总功率。P_V为分布式光伏功率。F(·)为分布式光伏功率与辐照度之间存在的某种映射关系。

采用梯度下降法对光伏分离辨识模型进行参数更新，计算温度敏感型负荷分离模型的目标函数对权重系数的梯度：

其中θ为权重系数，代表神经网络中输入层与隐藏层之间的权重W和隐藏层与输出层的权重V。式中相关系数ρ_v对神经网络输出y_out(t)的偏导数为：

其中，C和D分别为求取线性相关系数ρ_v的偏导数时引入的辅助计算变量；k为时间点。

S4.输入区域辐照度数据，所分离出的夏季工作日、夏季休息日、冬季工作日、冬季休息日的下网功率中的分布式光伏功率结果如图4(a)、4(b)、4(c)、4(d)所示。由图可知采用本方法，能够有效地从下网功率中分离出区域内所有分布式光伏出力之和，光伏出力在每天6：00以前和18：00之后均为0，在6：00到18：00之间成拱形分布，在正午达到峰值，此时光伏出力占总广义负荷比例大致为75％，该分离结果与光伏电源工作状况相符。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (4)

1.一种基于改进BP神经网络的分布式光伏功率分离方法，其特征是，包括以下步骤：

步骤1：选取辐照度与广义负荷历史数据，对辐照度数据以及负荷数据分别进行预处理；

步骤2：建立改进的BP神经网络模型，与传统BP神经网络模型不同的是，本模型采用辐照度与常规负荷(广义负荷功率中减去光伏功率的剩余部分)之间的线性相关性趋于零作为评价函数,包括以下步骤：

步骤2.1、建立改进BP神经网络，网络结构采用输入层、隐含层、输出层的三层神经网络，隐藏层为1层；

步骤2.2、初始化输入层与隐藏层、隐藏层与输出层之间的权值W、V，初始化隐藏层的阈值R；隐藏层中激活函数设定为sigmoid函数：

则第i个隐藏层神经元的输入M_in为：

M_in(i)＝W(i)S+R(i)

第i个隐藏层神经元的输出为：

M_out(i)＝δ(M_in(i))

输出层的输出yout为：

输出层的输出yout为预测的光伏功率P_S；

步骤2.3、采用辐照度S与常规负荷P_L的线性相关系数ρ_V作为损失函数：

其中，N测试数据数量，P_L和S分别为常规负荷与辐照度序列，

和

分别为常规负荷与辐照度序列的均值；P_L(t)满足的关系式为：

P_S(t)＝P_L(t)+P_V(t),t＝1,2,…,N

其中，W和V分别为改进BP神经网络的权重矩阵，是待寻优的变量；P_S为广义负荷总功率；P_V为分布式光伏功率；F(·)为分布式光伏功率与辐照度之间存在的某种映射关系；

步骤3：输入步骤1处理后的辐照度与广义负荷功率，训练步骤2建立的改进BP神经网络模型，对网络参数寻优；

步骤4：步骤3参数寻优完成后，在光伏分离辨识模型中输入区域辐照度与广义负荷总功率数据，从广义负荷总功率中分离出分布式光伏功率。

2.根据权利要求1所述的一种基于改进BP神经网络的分布式光伏功率分离方法，其特征是，步骤1的实现包括以下步骤：

步骤1.1、分别引入多个历史时刻的辐照度以及多个历史时刻的广义负荷总功率数据；

步骤1.2、对历史数据进行的预处理包括缺失值与异常值处理以及历史数据的归一化；具体步骤如下：

步骤1.2.1、将历史辐照度序列、历史广义负荷总功率序列分别通过将存在缺失以及数值明显超出其物理意义范围的数据删除，得到删除法处理后辐照度序列、删除法处理后历史负荷总功率序列；

步骤1.2.2、分别将删除法处理后辐照度序列、删除法处理后历史负荷总功率序列通过min-max归一化方法处理：

其中s表示待转换的辐照度历史数据，S^*表示归一化后的辐照度历史数据，s_max与s_min分别为辐照度历史数据中的最大值与最小值；

其中P_S表示待转换的广义负荷总功率历史数据，P_S ^*表示归一化后的广义负荷总功率历史数据，P_Smax与P_Smin分别为广义负荷总功率历史数据中的最大值与最小值。

3.根据权利要求1所述的一种基于改进BP神经网络的分布式光伏功率分离方法，其特征是，步骤3具体包括

步骤3.1、光伏分离辨识模型训练过程中，改进BP神经网络参数的训练过程实质上是对如下所式所示的优化问题的求解，即用分布光伏功率与常规负荷之和等于下网功率(即广义负荷总功率)、辐照度与分布式光伏功率之间存在可以求取的某种映射关系和辐照度与常规负荷的线性相关系数的平方最小为收敛判据:

其中，W和V分别为改进BP神经网络的权重矩阵，是待寻优的变量；P_S为广义负荷总功率；P_V为分布式光伏功率；F(·)为分布式光伏功率与辐照度之间存在的某种映射关系；

步骤3.2、采用梯度下降法对光伏分离辨识模型进行参数更新，计算温度敏感型负荷分离模型的目标函数对权重系数的梯度：

其中θ为权重系数，代表神经网络中输入层与隐藏层之间的权重W和隐藏层与输出层的权重V；式中相关系数ρ_v对神经网络输出y_out(t)的偏导数为：

其中，C和D分别为求取线性相关系数ρ_v的偏导数时引入的辅助计算变量；k为时间点。

4.根据权利要求1所述的一种基于改进BP神经网络的分布式光伏功率分离方法，其特征是，步骤4的巨日实现过程包括：通过输入区域内辐照度到改进的BP神经网络模型中，利用辨识模型可以从区域内的广义负荷总功率中分离出高精度的分布式光伏功率。

Images