CN114896871A - 一种基于最小互信息的光伏出力分解方法 - Google Patents

Abstract

本发明公开了一种基于最小互信息的光伏出力分解方法，包括以下步骤：建立光伏负荷混合模型：将台区内的负荷分为光伏负荷与非光伏负荷两类；构建光伏出力分解算法；基于卡尔曼滤波的出力估计：即采用卡尔曼滤波算法对光伏倍率进行最优无偏估计，对光伏倍率进行状态估计，光伏负荷混合模型采用一维卡尔曼滤波，并将其分为预测与校正两个过程；引入光伏倍率动态变量a，计算得出t时刻实时出力表达式。本发明仅基于台区总表的量测与光伏出力曲线轮廓即可实现算法分解，无需安装额外量测，算法易于推广；算法从负荷与光伏之间的物理特性出发，当负荷特性发生变化时仍具有较好的精度，具有一定的普适性。

Description

一种基于最小互信息的光伏出力分解方法

技术领域

本发明涉及一种基于最小互信息的光伏出力分解方法，属于分布式光伏监测技术领域。

背景技术

在分布式光伏项目推进的背景下，台区内光伏渗透率将不断提高，仅2021年的分布式光伏容量就新增2928万千瓦，占全国新增装机的16.6％。出于电量平衡、配电网安全运行、容量管理的需求，电网迫切需要对台区内分布式光伏进行监测。但是，一方面台区内光伏信息标准缺失，对信息采集与通信的成本敏感，另一方面维护水平低导致监测数据质量较差，不能满足光伏监测需求。

盲信号分离是指在未知源信号与源信号混合方式的情况下，以观测的混合信号去估计源信号的技术，在信号处理、生物医学、数字水印、语音处理领域有众多应用。从分解原理上主要分为两类，一类以负熵、累计张量等高阶统计量为分离标准，一类采用深度学习技术实现在复杂混合环境下的分离。

在现有的关于台区内分布式光伏出力感知的相关研究方面，国内相关研究较少，而是研究分离光伏、负荷后进行更高精度的负荷预测，国外由于能源聚合商对负荷监测与窃电检测的需求，已经开展了相关研究，从实现手段上有两种：

1)根据台区内负荷特性进行光伏出力分解。有文献假设台区内各用户负荷特性一致，以少量量测完全的负荷特性采用聚类等方式进行分离。有文献采用非侵入式负荷监测的方式实现分解，但是需要安装额外的设备。文献采用相关性分析结合网格搜索方法，但是需要光伏规模大，无法在台区内有效应用。

2)采用深度学习的方式分离光伏出力。存在方法采用数据驱动的方式进行识别，方法需要积累一定的量测数据，实际应用困难。存在方法结合了聚类与组合神经网络的方法，但对于负荷的处理仍是静态的，面对台区负荷特性变化的情况仍存在限制。

那么，如何实现台区内分布式光伏出力的分解就成为本领域人员急需要解决的技术问题。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于最小互信息的光伏出力分解方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于最小互信息的光伏出力分解方法，包括如下步骤：

构建光伏负荷混合模型。

对光伏负荷混合模型进行分解获得评价函数，采用粒子群算法求取评价函数为最小值时的倍率λ′。

利用倍率λ′对光伏负荷混合模型进行卡尔曼滤波，得到估计值λ_t。

根据λ′、λ_t求取光伏负荷电度总曲线。

作为优选方案，所述光伏负荷混合模型计算公式如下：

A_T(t)＝A_L(t)+A_pv(t)

式中，A_T(t)表示台区变压器总表的电度曲线，A_L(t)、A_pv(t)分别表示非光伏负荷电度总曲线与光伏负荷电度总曲线，

表示光伏出力曲线轮廓，λ表示实际光伏总负荷与光伏出力曲线轮廓之间的倍率。

作为优选方案，对光伏负荷混合模型进行分解获得评价函数，采用粒子群算法求取评价函数为最小值时的倍率λ′的方法，包括如下步骤：

根据光伏负荷混合模型得到I(x,y)标准互信息表达式，表达式如下：

式中，H(x)表示随机变量x的信息熵，随机变量x为光伏负荷电度总曲线，H(y)表示随机变量y的信息熵，随机变量y为非光伏负荷电度总曲线。H(x,y)表示随机变量x、y之间的联合熵。

将x、y用A_L(t)、A_pv(t)进行替换，得到评价函数的表达式如下：

采用粒子群算法求取评价函数为最小值时的倍率λ′。

作为优选方案，采用粒子群算法求取评价函数为最小值时的倍率λ′的方法，包括如下步骤：

初始化多组粒子(e_i,f_i),e_i表示待选λ，f_i表示该粒子的速度，i代表粒子群中第i个粒子；

迭代更新粒子速度与位置，得出更新后的e_i′；

f_i′＝f_i+c₁*rand()*(pbest-e_i)+c₂*rand()*(gbest-e_i) (7)

e_i′＝e_i+f_i′ (8)

式中，c₁、c₂表示学习因子，pbest为本次迭代中使评价函数最小对应的e_i，gbest表示全局迭代中使评价函数最小对应的e_i，rand()表示取值为0-1的随机数；*代表乘号，f_i′为更新后的粒子速度，e_i′为更新后的粒子位置。

达到最大迭代次数，e_i′输出最优倍率λ′。

作为优选方案，利用倍率λ′对光伏负荷混合模型进行卡尔曼滤波，得到估计值λ_t的方法，包括如下步骤：

获取t时刻的倍率预测值

其中，λ_t-1为t-1时刻经过卡尔曼滤波的倍率。

获取t时刻的误差矩阵预测值P_t'。

P_t'＝P_t-1+Q

其中，P_t-1为t-1时刻的误差矩阵，Q为预测过程的噪声方差。

获取卡尔曼增益K_t。

其中，R为倍率λ′的噪声方差。

根据

K_t、λ′计算估计值λ_t。

作为优选方案，根据λ′、λ_t求取光伏负荷电度总曲线的方法，包括如下步骤：

将λ′、λ_t代入

求得A_pv(t)。

其中，a的取值范围为[0,1]。

有益效果：本发明提供的一种基于最小互信息的光伏出力分解方法，其优点如下：

1、本发明仅基于台区总表的量测与光伏出力曲线轮廓即可实现算法分解，无需安装额外量测，算法易于推广；算法从负荷与光伏之间的物理特性出发，当负荷特性发生变化时仍具有较好的精度，具有一定的普适性。

2、本发明通过采用卡尔曼滤波算法对光伏倍率进行最优无偏估计，通过先预测，再将预测值与观测值进行误差校正，让t-1时刻向t时刻传递的仅有误差Pt，使得算法的总体运算量小，适用于实时计算。

附图说明

图1为本发明的方法流程示意图。

具体实施方式

下面结合具体实施例对本发明作更进一步的说明。

如图1所示，一种基于最小互信息的光伏出力分解方法，包括以下步骤：

S1、建立光伏负荷混合模型：将台区内的负荷分为光伏负荷与非光伏负荷两类，观测到其自然混合过程的表达式为：

A_T(t)＝A_L(t)+A_pv(t) (1)

式中，A_T(t)表示台区变压器总表的电度曲线，即非光伏负荷与光伏负荷之和，A_L(t)、A_pv(t)分别表示非光伏负荷电度总曲线与光伏负荷电度总曲线，

表示能观测的光伏出力曲线轮廓，λ表示实际光伏总负荷与光伏出力曲线轮廓之间的倍率；

S2、构建光伏出力分解算法：根据所述S1过程中的表达式，确定实际可观测的量为台区变压器总表的度数曲线与光伏出力曲线轮廓，分解效果的评价函数为式(6)。

式中，H(x)表示随机变量x的信息熵，χ为x的取值范围，p(x)表示x的概率，随机变量x为光伏负荷电度总曲线，H(y)表示随机变量y的信息熵，随机变量y为非光伏负荷电度总曲线。H(x,y)表示随机变量x、y之间的联合熵，p(x,y)为x、y之间的联合概率，ν为y的取值范围。I(x,y)为随机变量y，y之间的标准互信息，用于表示光伏出力曲线轮廓与光伏与非负荷电度总曲线之间的互信息。

所以，基于公式(1)、(2)进行变形，带入公式(5)求取标准互信息的最小值，得到评价函数为公式(6)：

采用粒子群算法求取评价函数为最小值时的倍率λ′。

S3、基于卡尔曼滤波的出力估计：即采用卡尔曼滤波算法对倍率λ′进行最优无偏估计，得到λ_t。

S4、引入光伏倍率动态变量a，以a为参数对S2与S3的结果进行加权，计算得出t时刻实时出力表达式。

优选的，光伏负荷混合模型公式左边表示为可以实时观测到的量测，公式右边表示为需要获得的无法观测到的物理量。

优选的，公式(2)的光伏出力曲线轮廓获取方式为：通过一台通信质量高的光伏实测光伏出力曲线轮廓。

优选的，所述光伏出力曲线轮廓简化为光照强度轮廓曲线，即对时间段内光照强度等间隔采样再取平均值，所述平均值等效为光伏出力曲线轮廓。

优选的，采用粒子群算法求取评价函数为最小值时的倍率λ′的具体过程如下：

步骤一：初始化多组粒子(e_i,f_i),e_i表示待选λ，f_i表示该粒子的速度，i代表粒子群中第i个粒子；

步骤二：迭代更新粒子速度与位置，得出更新后的e_i′；

f_i′＝f_i+c₁*rand()*(pbest-e_i)+c₂*rand()*(gbest-e_i) (7)

e_i′＝e_i+f_i′ (8)

式中，c₁、c₂表示学习因子，pbest为本次迭代中使评价函数最小对应的e_i，gbest表示全局迭代中使评价函数最小对应的e_i，rand()表示取值为0-1的随机数；*代表乘号，f_i′为更新后的粒子速度，e_i′为更新后的粒子位置。

步骤三：达到最大迭代次数，e_i′输出最优倍率λ′。

优选的，其中：所述卡尔曼滤波算法的表达式为：

P_t'＝P_t-1+Q (10)

式中，λ_t-1为t-1时刻经过卡尔曼滤波的倍率，

为根据t-1时刻的倍率对t时刻的倍率进行的预测。因为在新装的光伏或是光伏离退网时，光伏的倍率应趋向于一个常数，且卡尔曼预测方程无控制变量，所以在预测过程中的状态转移矩阵取单位矩阵，输入控制矩阵为零，即t时刻的λ预测值与t-1时刻的λ滤波值相同，P_t-1为t-1时刻的误差矩阵，Q为预测过程的噪声方差，R表示基于互信息理论进行分解得到倍率λ′的噪声方差，P_t’是根据t-1时刻的误差矩阵对t时刻的误差矩阵进行的预测值。λ_t为根据预测的

结合卡尔曼增益K_t与分解得到的倍率λ′得到的t时刻的滤波值。优选的，根据λ_t、λ′得出t时刻光伏负荷电度总曲线表达式为：

式中，a的取值范围为[0,1]，值越接近1，则噪声剔除效果变差，但是动态能力有所改善，针对t时刻，该时间点的光伏出力值为由互信息分解的倍率λ′与卡尔曼滤波的倍率λ_t的加权乘以此时的参照光伏出力值，互信息分解的倍率λ′是根据光伏参考曲线与总表曲线在[t-w+1,t-w+2,…，t-1，t]这个时间窗口中分解得到的，w为自然数，λ_t由上一时刻的滤波值与此时的分解值λ′经过卡尔曼滤波递推获得。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于最小互信息的光伏出力分解方法，其特征在于：包括如下步骤：

构建光伏负荷混合模型；

对光伏负荷混合模型进行分解获得评价函数，采用粒子群算法求取评价函数为最小值时的倍率λ′；

利用倍率λ′对光伏负荷混合模型进行卡尔曼滤波，得到估计值λ_t；

根据λ′、λ_t求取光伏负荷电度总曲线。

2.根据权利要求1所述的一种基于最小互信息的光伏出力分解方法，其特征在于：所述光伏负荷混合模型计算公式如下：

A_T(t)＝A_L(t)+A_pv(t)

式中，A_T(t)表示台区变压器总表的电度曲线，A_L(t)、A_pv(t)分别表示非光伏负荷电度总曲线与光伏负荷电度总曲线，

表示光伏出力曲线轮廓，λ表示实际光伏总负荷与光伏出力曲线轮廓之间的倍率。

3.根据权利要求1所述的一种基于最小互信息的光伏出力分解方法，其特征在于：对光伏负荷混合模型进行分解获得评价函数，采用粒子群算法求取评价函数为最小值时的倍率λ′的方法，包括如下步骤：

根据光伏负荷混合模型得到I(x,y)标准互信息表达式，表达式如下：

式中，H(x)表示随机变量x的信息熵，随机变量x为光伏负荷电度总曲线，H(y)表示随机变量y的信息熵，随机变量y为非光伏负荷电度总曲线；H(x,y)表示随机变量x、y之间的联合熵；

将x、y用A_L(t)、A_pv(t)进行替换，得到评价函数的表达式如下：

采用粒子群算法求取评价函数为最小值时的倍率λ′。

4.根据权利要求3所述的一种基于最小互信息的光伏出力分解方法，其特征在于：采用粒子群算法求取评价函数为最小值时的倍率λ′的方法，包括如下步骤：

初始化多组粒子(e_i,f_i),e_i表示待选λ，f_i表示该粒子的速度，i代表粒子群中第i个粒子；

迭代更新粒子速度与位置，得出更新后的e_i′；

f_i′＝f_i+c₁*rand()*(pbest-e_i)+c₂*rand()*(gbest-e_i) (7)

e_i′＝e_i+f_i′ (8)

式中，c₁、c₂表示学习因子，pbest为本次迭代中使评价函数最小对应的e_i，gbest表示全局迭代中使评价函数最小对应的e_i，rand()表示取值为0-1的随机数；*代表乘号，f_i′为更新后的粒子速度，e_i′为更新后的粒子位置；

达到最大迭代次数，e_i′输出最优倍率λ′。

5.根据权利要求1所述的一种基于最小互信息的光伏出力分解方法，其特征在于：利用倍率λ′对光伏负荷混合模型进行卡尔曼滤波，得到估计值λ_t的方法，包括如下步骤：

获取t时刻的倍率预测值λ_t ^*；

其中，λ_t-1为t-1时刻经过卡尔曼滤波的倍率；

获取t时刻的误差矩阵预测值P_t'；

P_t'＝P_t-1+Q

其中，P_t-1为t-1时刻的误差矩阵，Q为预测过程的噪声方差；

获取卡尔曼增益K_t；

其中，R为倍率λ′的噪声方差；

根据

K_t、λ′计算估计值λ_t；

6.根据权利要求1所述的一种基于最小互信息的光伏出力分解方法，其特征在于：根据λ′、λ_t求取光伏负荷电度总曲线的方法，包括如下步骤：

将λ′、λ_t代入

求得A_pv(t)。

其中，a的取值范围为[0,1]。

Images