夏向陽(yáng)，易浩民，陳向群，陳仲偉，熊德智，黃瑞， 王逸超，曾小勇，鄧豐，胡蓉朝輝，黃海

?

配置儲(chǔ)能裝置的光伏預(yù)測(cè)配網(wǎng)優(yōu)化研究

夏向陽(yáng)1，易浩民1，陳向群2，陳仲偉3，熊德智2，黃瑞2， 王逸超3，曾小勇1，鄧豐1，胡蓉朝輝1，黃海1

(1. 長(zhǎng)沙理工大學(xué) 電氣與信息工程學(xué)院，湖南 長(zhǎng)沙，410114； 2. 國(guó)網(wǎng)湖南省供電服務(wù)中心(計(jì)量中心)，湖南 長(zhǎng)沙，410004； 3. 國(guó)網(wǎng)湖南省電力公司 經(jīng)濟(jì)技術(shù)研究院，湖南 長(zhǎng)沙，410004)

在分析區(qū)域光伏并入配網(wǎng)時(shí)交流母線PCC點(diǎn)電壓波動(dòng)機(jī)理的前提下，提出一種配置儲(chǔ)能裝置的光伏預(yù)測(cè)配網(wǎng)優(yōu)化運(yùn)行方法。該方法分析光伏發(fā)電輸出功率與多種氣象因素的相關(guān)性，將多種氣象因素作為多個(gè)信息源處理，運(yùn)用信息融合理論將其加權(quán)為一個(gè)綜合影響因子，建立以為輸入的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，將模型輸出的預(yù)測(cè)值實(shí)時(shí)傳送給儲(chǔ)能裝置，采用基于濾波原理的光伏發(fā)電輸出功率平滑控制，實(shí)現(xiàn)光伏功率平滑輸出，這種方法可以和分時(shí)電價(jià)有效結(jié)合，既提高配網(wǎng)運(yùn)行經(jīng)濟(jì)性的同時(shí)穩(wěn)定節(jié)點(diǎn)電壓，降低節(jié)點(diǎn)電壓越限的可能。研究結(jié)果表明：所述預(yù)測(cè)模型具有較高的預(yù)測(cè)精度，對(duì)配網(wǎng)的安全優(yōu)化運(yùn)行有一定作用。

電壓波動(dòng)；信息融合；粒子群算法；BP神經(jīng)網(wǎng)絡(luò)；優(yōu)化運(yùn)行

隨著傳統(tǒng)化石能源的日益減少，全球能源減排進(jìn)程不斷加快，大力發(fā)展分布式能源已經(jīng)成為必然選 擇[1?2]。而光伏發(fā)電作為一種環(huán)保、可持續(xù)、建設(shè)周期短的新能源備受關(guān)注。截至2015年9月底，我國(guó)光伏發(fā)電裝機(jī)已超過(guò)38.00 GW，其中光伏的地面集中式電站近32.00 GW，分布式光伏為6.25 GW。據(jù)我國(guó)可再生能源“十三五”規(guī)劃，到2020年，光電發(fā)電規(guī)模目標(biāo)由之前規(guī)劃提出的100.00 GW上調(diào)50%至150.00 GW，未來(lái)在能源發(fā)電中將會(huì)有更高比率的分布式光伏能源[3]，可見(jiàn)將來(lái)光伏發(fā)電將在分布式能源發(fā)電中占有重要地位，會(huì)有越來(lái)越多的分布式光伏接入主動(dòng)配電網(wǎng)中。但由于光伏出力的波動(dòng)性和隨機(jī)性，其輸出功率受多種氣象和環(huán)境因素以及自身結(jié)構(gòu)特性影響，在配網(wǎng)中利用效率不高。光伏功率輸出過(guò)高和不足都會(huì)影響電網(wǎng)的安全可靠運(yùn)行，這也限制了大規(guī)模光伏系統(tǒng)并網(wǎng)運(yùn)行，因此，有必要深入研究光伏發(fā)電的預(yù)測(cè)模型，及時(shí)、準(zhǔn)確地預(yù)測(cè)光伏功率和采取相應(yīng)的配網(wǎng)功率控制策略對(duì)電網(wǎng)的安全和調(diào)度具有重要意義。光伏功率預(yù)測(cè)即根據(jù)歷史發(fā)電數(shù)據(jù)和當(dāng)前運(yùn)行狀態(tài)對(duì)未來(lái)一定時(shí)段的光伏功率進(jìn)行預(yù)測(cè)，按預(yù)測(cè)的時(shí)間尺度可分為超短期光伏功率預(yù)測(cè)、短期光伏功率預(yù)測(cè)和中長(zhǎng)期光伏功率預(yù)測(cè)[4]。按建模方式不同可分為以光伏電站的自身參數(shù)和地理信息為基礎(chǔ)的物理方法和以大量歷史數(shù)據(jù)為基礎(chǔ)的統(tǒng)計(jì)方法。按光伏發(fā)電的預(yù)測(cè)思路不同，又可歸納為通過(guò)預(yù)測(cè)太陽(yáng)輻射強(qiáng)度間接預(yù)測(cè)光伏發(fā)電功率和通過(guò)光伏功率歷史數(shù)據(jù)直接預(yù)測(cè)光伏發(fā)電功率2類[5]。在光伏功率預(yù)測(cè)方面，目前國(guó)內(nèi)外研究者已采用許多不同的理論方法和預(yù)測(cè)模型對(duì)光伏發(fā)電的輸出功率進(jìn)行研究，研究理論主要有聚類理論、貝葉斯理論、相似日理論等，研究方法主要為小波分析方法、隨機(jī)森林方法、時(shí)間序列方法、概率預(yù)測(cè)方法、神經(jīng)網(wǎng)絡(luò)方法，支持向量機(jī)方法、馬爾科夫鏈方法、卡爾曼濾波方法和多元線性回歸方法及其它們的綜合算法[6?8]。袁曉琳等[9]分析了一種計(jì)及天氣型指數(shù)的光伏發(fā)電短期出力預(yù)測(cè)模型，采用歐式距離法確定天氣類型之間的倍率關(guān)系，結(jié)果表明該統(tǒng)一模型比以天氣分類分別建立子模型在不同天氣情況下的光伏功率預(yù)測(cè)結(jié)果更加精確，但其沒(méi)有考慮預(yù)測(cè)功率后的配網(wǎng)優(yōu)化問(wèn)題。代倩等[10]以氣溫、濕度代替太陽(yáng)輻射強(qiáng)度作為輸入量，采用自組織特征映射對(duì)天氣類型聚類進(jìn)行識(shí)別，建立無(wú)輻照度端機(jī)功率預(yù)測(cè)模型，但其算法容易陷入局部最小問(wèn)題。丁明等[11]應(yīng)用光伏陣列模型的太陽(yáng)能輻射?輸出功率特性，通過(guò)馬爾可夫鏈直接預(yù)測(cè)光伏系統(tǒng)的輸出功率，但該方法僅對(duì)天氣不變或變化不大的情況下有較好預(yù)測(cè)結(jié)果，適應(yīng)性不強(qiáng)。MANDAL等[12?13]將小波分析算法與智能預(yù)測(cè)算法相結(jié)合，將光伏功率分解到不同頻段(能量段) 上分別進(jìn)行功率預(yù)測(cè)，這種組合算法可以提高預(yù)測(cè)的精度，但所需要的輸入變量增多，也增加了算法的復(fù)雜性。在配網(wǎng)分布式能源功率優(yōu)化方面，程莎莎等[14]分析了一種基于風(fēng)光互補(bǔ)的儲(chǔ)能裝置，該裝置能實(shí)現(xiàn)風(fēng)光儲(chǔ)能系統(tǒng)的功率平衡，穩(wěn)定風(fēng)力發(fā)電和光伏出力的波動(dòng)，提高儲(chǔ)能裝置的壽命。嚴(yán)干貴等[15]利用蓄電池和超級(jí)電容器在儲(chǔ)能機(jī)理上的互補(bǔ)性，引出2種儲(chǔ)能裝置組成的混合儲(chǔ)能系統(tǒng)，將儲(chǔ)能系統(tǒng)作為濾波裝置，提出了基于低通濾波原理的混合儲(chǔ)能系統(tǒng)控制方式來(lái)減小功率輸出波動(dòng)。但程莎莎等[14?15]研究中涉及的儲(chǔ)能設(shè)備硬件成本較高，對(duì)其合理接入配網(wǎng)的位置和容量還要進(jìn)行一定的經(jīng)濟(jì)性評(píng)估。夏向陽(yáng)等[16]提出了一種基于DSP控制的單相光伏并網(wǎng)逆變器設(shè)計(jì)技術(shù)方案，可以較好地實(shí)現(xiàn)電網(wǎng)電壓鎖相控制，但在電流控制算法上仍存在不足。李清然等[17]考慮了一種光伏電源有功/無(wú)功綜合控制方案來(lái)防止配網(wǎng)電壓越限，但存在有功功率上限預(yù)測(cè)不便確定的問(wèn)題，不能精確計(jì)算有功功率與電壓的關(guān)系?；谝陨戏治觯瑸榱藴p少神經(jīng)網(wǎng)絡(luò)的輸入變量，本文作者充分考慮多種氣象因素對(duì)光伏功率的影響，在分析光伏接入配網(wǎng)引起交流母線PCC點(diǎn)電壓波動(dòng)機(jī)理的前提下，提出一種新型的基于數(shù)據(jù)融合理論的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型來(lái)預(yù)測(cè)光伏輸出功率。將多種氣象因素按照相關(guān)性以一定的倍率進(jìn)行信息融合成1個(gè)綜合影響因子，通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)輸入變量進(jìn)行訓(xùn)練，最后得到光伏的預(yù)測(cè)輸出功率。將光伏預(yù)測(cè)功率應(yīng)用于配網(wǎng)優(yōu)化運(yùn)行之中，采取基于濾波原理的光伏發(fā)電輸出功率平滑控制，這種方式可以和分時(shí)電價(jià)有效結(jié)合，在滿足負(fù)載需求的前提下，預(yù)測(cè)功率高電網(wǎng)電價(jià)高時(shí)直接向電網(wǎng)出售電能，預(yù)測(cè)功率高電網(wǎng)電價(jià)低時(shí)將電能存儲(chǔ)在蓄電池中。既提高配網(wǎng)運(yùn)行經(jīng)濟(jì)性的同時(shí)穩(wěn)定PCC點(diǎn)電壓，降低節(jié)點(diǎn)電壓越限的可能，對(duì)電網(wǎng)的調(diào)度和規(guī)劃有一定的指導(dǎo)作用。

1 光伏發(fā)電PCC點(diǎn)電壓波動(dòng)機(jī)理

1.1 光伏發(fā)電直接并入配網(wǎng)

首先分析光伏發(fā)電系統(tǒng)接入配網(wǎng)對(duì)交流母線PCC點(diǎn)的影響。考慮變壓器阻抗、配網(wǎng)線路阻抗以及光伏電池內(nèi)阻抗，其接入配網(wǎng)的模型如圖1所示。圖1中：g為濾波電抗；l+jl為配網(wǎng)線路阻抗；t為配網(wǎng)等效戴維南串聯(lián)電抗；g為光伏系統(tǒng)考慮注入的有功功率；g為無(wú)功功率；g為相應(yīng)的CC點(diǎn)電流；g為PCC點(diǎn)電壓；s為線路末端電壓，這里不考慮接入負(fù)載。

由圖1及線路電壓公式可得當(dāng)配網(wǎng)線路阻抗給定時(shí)的PCC點(diǎn)電壓，

由式(1)進(jìn)行推導(dǎo)可得

可知PCC點(diǎn)電壓g波動(dòng)與光伏輸出的有功功率g與無(wú)功功率g有關(guān)。

1.2 以光儲(chǔ)微網(wǎng)形式并入配網(wǎng)

光伏以光儲(chǔ)微網(wǎng)的形式并入配網(wǎng)的拓?fù)浣Y(jié)構(gòu)圖如圖2所示。系統(tǒng)由光伏電池單元組成的光伏發(fā)電系統(tǒng)、蓄電池與超級(jí)電導(dǎo)儲(chǔ)能組成的混合儲(chǔ)能系統(tǒng)以及變壓器和變換器組成。圖2中：+j為線路阻抗；1為變壓器與線路阻抗之間的電壓；L+jL為負(fù)載所需的功率；G+jG為光伏系統(tǒng)輸出功率；B+jB和S+jS分別為蓄電池儲(chǔ)能和超導(dǎo)儲(chǔ)能輸出或吸收功率。根據(jù)線路傳輸電壓損耗公式可得PCC點(diǎn)的電壓PCC為

由式(3)可得：在線路阻抗一定的情況下，交流母線CC點(diǎn)的電壓主要由注入該節(jié)點(diǎn)的有功或無(wú)功功率決定，光伏輸出功率波動(dòng)或者負(fù)載投切都會(huì)影響并網(wǎng)交流母線CC點(diǎn)的電壓波動(dòng)。

圖1 光伏接入配網(wǎng)等效模型

圖2 基于混合儲(chǔ)能的光儲(chǔ)微網(wǎng)拓?fù)浣Y(jié)構(gòu)

2 光伏功率信息融合理論

2.1 光伏功率的相關(guān)性分析

對(duì)于由太陽(yáng)能電池板組成的光伏發(fā)電系統(tǒng)，在電池板角度固定時(shí)，單位面積上的輸出功率g在工程上可按下式表示：

其中：為光伏電池光電轉(zhuǎn)換效率；為光伏電池的總面積；為光輻射強(qiáng)度；0為環(huán)境溫度。在光伏自身結(jié)構(gòu)確定時(shí)，光電轉(zhuǎn)換效率和面積均為常數(shù)，光伏的輸出功率主要與光輻射強(qiáng)度和環(huán)境溫度有關(guān)。然而，事實(shí)上，光伏輸出的功率不僅僅取決于光輻射強(qiáng)度和環(huán)境溫度，而且與多種其他氣象因素有關(guān)。康重慶 等[18?19]通過(guò)Person相似度的距離分析法分析了光伏發(fā)電功率的相關(guān)性，得出光伏輸出每小時(shí)發(fā)電量與溫度a、氣壓a、濕度、風(fēng)速s以及表征天氣類型的云量t、低云量1、太陽(yáng)總輻射度r等有關(guān)。本文直接引用文獻(xiàn)[18]中表征光伏功率與氣象因素相關(guān)性的參數(shù)，選取其中與光伏每小時(shí)發(fā)電量有關(guān)的氣象因素相關(guān)性，如表1所示。

表1 光伏功率與氣象因素的相關(guān)性系數(shù)

從表1可以看出：對(duì)光伏功率影響最大的是太陽(yáng)總輻射度r，相關(guān)性為0.931；光伏功率與溫度a和風(fēng)速的相關(guān)性s分別為0.527和0.311。而氣壓a、濕度、云量t和低云量1與光伏功率呈現(xiàn)負(fù)相關(guān)的特性。

2.2 信息融合理論原理

信息融合起初被稱為數(shù)據(jù)融合，起源于1973年美國(guó)國(guó)防部資助開(kāi)發(fā)的聲納信號(hào)處理系統(tǒng)，是一個(gè)從單個(gè)和多個(gè)信息源獲取的數(shù)據(jù)和信息進(jìn)行關(guān)聯(lián)和綜合，以獲得精確的位置和身份估計(jì)，并對(duì)態(tài)勢(shì)和威脅進(jìn)行全面、及時(shí)評(píng)估的信息處理過(guò)程，這是對(duì)其估計(jì)、評(píng)估和額外信息源需求評(píng)價(jià)的一個(gè)持續(xù)精練過(guò)程，同時(shí)也是信息處理過(guò)程不斷自我修正的過(guò)程，以獲得改善結(jié)果[20]。本文將影響光伏功率的多個(gè)氣象因素當(dāng)成多個(gè)信息源處理，力求把這些數(shù)據(jù)以一定的關(guān)系進(jìn)行信息融合成1個(gè)參考信息，將該綜合信息看成是網(wǎng)絡(luò)模型的輸入對(duì)其訓(xùn)練，以減少模型的輸入變量，進(jìn)而在降低模型復(fù)雜度的同時(shí)，充分考慮低云量等多個(gè)氣象因素對(duì)光伏功率的影響。因此，借鑒前面相關(guān)性分析，取低云量1作為參考倍率，為?1，則表1中變量a，a，，s，1，2，r和之間的比例關(guān)系可轉(zhuǎn)換為2.58：?1.83: ?2.73:1.52: ?1.55: ?1.00:4.56，可取綜合影響因子t如下式所示：

其中：1t，2t，…，7t分別表示每小時(shí)的溫度、氣壓、濕度、風(fēng)速、云量、低云量和光照強(qiáng)度系數(shù)。的取值范圍為[1，11]，分別對(duì)應(yīng)1 d中7:00—17:00這11個(gè)整小時(shí)點(diǎn)。為了防止模型輸入不飽和，這7個(gè)系數(shù)為經(jīng)過(guò)歸一化的值。數(shù)據(jù)歸一化公式為

其中：k為氣象因素系數(shù)。

為了能反映1 d中氣象因素與綜合影響因子的映射關(guān)系，選取為1 d的平均綜合影響因子，即

3 基于光伏預(yù)測(cè)模型及儲(chǔ)能配合的光伏功率平滑控制

3.1 BP神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)

圖3所示為本文提出的整個(gè)光伏預(yù)測(cè)配網(wǎng)優(yōu)化的流程框圖。首先將光伏發(fā)電系統(tǒng)采集的歷史發(fā)電功率和相應(yīng)的氣象因素進(jìn)行信息融合處理，利用處理好的數(shù)據(jù)對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，最終通過(guò)訓(xùn)練好的網(wǎng)絡(luò)模型預(yù)測(cè)光伏的出力。本文所選用的預(yù)測(cè)方式是短期每小時(shí)預(yù)測(cè)，最后將得出的預(yù)測(cè)功率應(yīng)用于配網(wǎng)優(yōu)化運(yùn)行之中。

由于BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射、學(xué)習(xí)和自適應(yīng)能力，因此，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)其數(shù)據(jù)進(jìn)行訓(xùn)練。這種建模方式與以往的按照天氣劃分如晴天、雨天分別建立子模型不同，本文不對(duì)其進(jìn)行分類，其結(jié)構(gòu)原理如圖4所示。圖4中，輸入的節(jié)點(diǎn)數(shù)為13個(gè)，包括BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)日前1 d和預(yù)測(cè)日的平均綜合影響因素()和(+1)，預(yù)測(cè)日前1 d的7:00—17.00每小時(shí)光伏輸出功率()。輸出的節(jié)點(diǎn)有11個(gè)，分別為預(yù)測(cè)日7:00—17.00每小時(shí)光伏輸出功率(+1)?？紤]到過(guò)多的隱含層層數(shù)除了導(dǎo)致預(yù)測(cè)模型復(fù)雜性增加外，還可能會(huì)造成過(guò)度擬合從而影響預(yù)測(cè)結(jié)果的問(wèn)題，在實(shí)際應(yīng)用中一般采用1~2層隱含層[20]。本文選取的隱含層個(gè)數(shù)為1層。圖4中：w為連接輸入層和隱含層的權(quán)值；w為連接隱含層和輸出層之間的權(quán)值；為隱含層各神經(jīng)元的閾值；為輸出層各神經(jīng)元的閾值。模型建立完成后，為了避免網(wǎng)絡(luò)參數(shù)陷入局部最小，加強(qiáng)訓(xùn)練的質(zhì)量和速度，可以對(duì)輸入層和隱含層的權(quán)值w和隱含層和輸出層之間的權(quán)值w進(jìn)行參數(shù)優(yōu)化。

圖3 光伏短期預(yù)測(cè)功率流程圖

圖4 BP神經(jīng)網(wǎng)絡(luò)模型

3.2 基于儲(chǔ)能裝置配合的光伏輸出功率平滑控制

從模型中得出的光伏預(yù)測(cè)功率可以應(yīng)用于配網(wǎng)的優(yōu)化運(yùn)行，配網(wǎng)運(yùn)營(yíng)者可以提前一天預(yù)知光伏輸出功率的大小，一方面當(dāng)光伏功率輸出過(guò)多時(shí)會(huì)引起配網(wǎng)饋線過(guò)電壓，另一方面光伏輸出功率的波動(dòng)性也會(huì)影響接入點(diǎn)PCC電壓的穩(wěn)定性。一般可以通過(guò)以下幾種方式解決電壓越限問(wèn)題：增加儲(chǔ)能裝置；通過(guò)潮流控制器把多余的光伏輸出功率引到其它負(fù)載需求較大的饋線上，起到供需平衡的作用；利用無(wú)功補(bǔ)償裝置在由光伏功率輸出過(guò)多引起的過(guò)電壓情況下通過(guò)無(wú)功功率交換降低節(jié)點(diǎn)電壓；利用光伏發(fā)電系統(tǒng)自身的控制技術(shù)，使用光伏的有功/無(wú)功控制降低配網(wǎng)電壓，必要的時(shí)候?qū)夥墓β蔬M(jìn)行削減；通過(guò)配網(wǎng)中其它分布式能源或負(fù)載的主動(dòng)控制穩(wěn)定配網(wǎng)的電壓；利用載變壓器(OLTC)可以從整體上調(diào)整配網(wǎng)電壓。

本文采取的控制方式是基于濾波原理的光伏發(fā)電輸出功率平滑控制，這種方式可以和分時(shí)電價(jià)有效結(jié)合，在滿足負(fù)載需求的前提下，預(yù)測(cè)功率高電網(wǎng)電價(jià)高時(shí)直接向電網(wǎng)出售電能，預(yù)測(cè)功率高電網(wǎng)電價(jià)低時(shí)將電能存儲(chǔ)在蓄電池中，待電價(jià)高時(shí)利用儲(chǔ)能向電網(wǎng)售電，在輸出功率低電價(jià)低時(shí)從電網(wǎng)大量購(gòu)電，同時(shí)可以存儲(chǔ)部分能源于儲(chǔ)能裝置中，待電價(jià)高時(shí)利用儲(chǔ)能向電網(wǎng)售電。既提高配網(wǎng)運(yùn)行經(jīng)濟(jì)性，同時(shí)穩(wěn)定PCC點(diǎn)電壓，降低節(jié)點(diǎn)電壓越限的可能。

圖 5 所示為利用一階巴特沃茲低通濾波器實(shí)現(xiàn)對(duì)間歇式電源功率平滑控制的基本框圖，該方法中濾波器的時(shí)間常數(shù)可以固定，也可以通過(guò)儲(chǔ)能裝置的狀態(tài)實(shí)時(shí)調(diào)整。波動(dòng)的光伏輸出功率DG通過(guò)低通濾波器之后得到一個(gè)功率參考值DG_ref，DG_ref是期望平穩(wěn)輸出到聯(lián)絡(luò)線上的功率值，如果儲(chǔ)能裝置可以提供功率bat_ref=DG_ref?DG，則聯(lián)絡(luò)線功率達(dá)到期望的line=DG_ref，其中，bat_ref＞0 表示電池放電，bat_ref＜0 表示電池充電。

圖5 基于低通濾波器的儲(chǔ)能平滑控制基本框圖

Fig, 5 Basic control block diagram based on low pass filter

4 實(shí)例驗(yàn)證

在基于上述理論分析基礎(chǔ)上，為了驗(yàn)證所提出策略的有效性，本文預(yù)測(cè)模型采用Matlab實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的迭代和計(jì)算過(guò)程。實(shí)際光伏功率數(shù)據(jù)來(lái)源于與某公司合作的屋頂光伏發(fā)電系統(tǒng)，相關(guān)氣象數(shù)據(jù)來(lái)源于當(dāng)?shù)氐臍庀笳尽Ｈ缜八?，取預(yù)測(cè)日前1 d的發(fā)電功率和綜合影響因子及預(yù)測(cè)日的綜合影響因子作為模型的輸入，模型的輸出為預(yù)測(cè)日的光伏預(yù)測(cè)輸出功率。取具有典型天氣類型代表性的晴天、雨天、多云情況的實(shí)際功率與預(yù)測(cè)功率進(jìn)行對(duì)比，如圖6所示。其中，圖6(a)所示為晴天的預(yù)測(cè)結(jié)果，橫軸表示時(shí)間，分別表示上午7:00至下午17:00，間隔為1 h，縱軸為輸出功率，從圖6(a)中可以看出該模型對(duì)晴天具有較高的預(yù)測(cè)精度。圖6(b)所示為雨天的預(yù)測(cè)結(jié)果。由于雨天天氣變化情況較復(fù)雜，各種氣象數(shù)據(jù)波動(dòng)大，所得預(yù)測(cè)功率與實(shí)際功率存在一定誤差，減少這種誤差可以通過(guò)更準(zhǔn)確地獲取氣象數(shù)據(jù)來(lái)獲??；圖6(c)所示為多云的預(yù)測(cè)結(jié)果。由于在多云天氣下云量難以測(cè)量，所得預(yù)測(cè)功率與實(shí)際功率有一定誤差，但誤差在允許范圍之內(nèi)。

將此預(yù)測(cè)功率應(yīng)用到配網(wǎng)中與儲(chǔ)能技術(shù)相結(jié)合，儲(chǔ)能裝置容量為20 kW。以圖6所示的晴天預(yù)測(cè)功率為例，若在10:00—13:00光伏輸出功率過(guò)多，引起配網(wǎng)節(jié)點(diǎn)電壓越限，本文通過(guò)利用一階巴特沃茲低通濾波器實(shí)現(xiàn)對(duì)光伏輸出功率平滑控制，優(yōu)化后的光伏輸出功率如圖7所示。

(a) 晴天；(b) 雨天；(c) 多云

圖7 光伏優(yōu)化實(shí)際輸出功率

5 結(jié)論

1) 針對(duì)光伏系統(tǒng)接入配網(wǎng)會(huì)引起PCC點(diǎn)電壓波動(dòng)的問(wèn)題，提出一種基于信息融合理論的光伏功率預(yù)測(cè)方法來(lái)短期預(yù)測(cè)光伏輸出功率。該模型采用以綜合影響因子為輸入的BP神經(jīng)網(wǎng)絡(luò)，利用改進(jìn)的粒子群算法對(duì)模型的權(quán)值參數(shù)進(jìn)行優(yōu)化。最后將此預(yù)測(cè)功率結(jié)合儲(chǔ)能技術(shù)應(yīng)用于配網(wǎng)優(yōu)化運(yùn)行之中。

2) 該模型對(duì)光伏功率預(yù)測(cè)具有較高的準(zhǔn)確性。與蓄電池儲(chǔ)能相結(jié)合，能起到削峰填谷、平滑功率輸出的作用。這種控制方式可以維持配網(wǎng)饋線電壓在允許電壓范圍之內(nèi)，同時(shí)有效穩(wěn)定光伏輸出，提高光伏輸出功率的消納能力和配網(wǎng)的安全穩(wěn)定運(yùn)行，并對(duì)配網(wǎng)的規(guī)劃和調(diào)度有一定的指導(dǎo)作用。

[1] 裴瑋, 孔力, 齊智平. 光伏發(fā)電參與配電網(wǎng)電壓調(diào)節(jié)的控制策略研究[J]. 太陽(yáng)能學(xué)報(bào), 2011, 32(11): 1629?1635. PEI Wei, KONG Li, QI Zhiping. Cooperative voltage regulation strategy in distribution network with high penetration level of generations[J]. Acta Energiae Solaris Sinica, 2011, 32(11): 1629?1635.

[2] 李建寧, 劉其輝, 李贏, 等. 光伏發(fā)電關(guān)鍵技術(shù)的研究與發(fā)展綜述[J]. 電氣應(yīng)用, 2012, 31(5): 70?76. LI Jianning, LIU Qihui, LI Ying, et al. Research and development of key technologies of photovoltaic power generation[J]. Electrotechnical Application, 2012, 31(5): 70?76.

[3] ZHAO Hailong. Photovoltaic industry outlook in 2016 [EB/OL]. [2015?12.14]. http://www.pvnews.cn/chanyepinglun/.

[4] GLASSLEY W, KLEISSL J, SHIU H, et al. Current state of the art in solar forecasting,final report: appendix A California renewable energy forecasting, resource data and mapping[R]. California: California Institute for Energy and Environment, 2010: 112?117.

[5] 趙書(shū)強(qiáng), 王明雨, 胡永強(qiáng), 等. 基于不確定理論的光伏出力預(yù)測(cè)研究[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(16): 213?220. ZHAO Shuqiang, WANG Mingyu, HU Yongqiang, et al. Research on the prediction of PV output based on uncertainty theory[J]. Transactions of China Electrotechnical Society, 2015, 30(16): 213?220.

[6] 龔鶯飛, 魯宗相, 喬穎, 等. 光伏功率預(yù)測(cè)技術(shù)[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(4): 140?151. GONG Yingfeng, LU Zongxiang, QIAO Ying, et al. An overview of photovoltaic energy system output forecasting technology[J]. Automation of Electric Power Systems, 2016, 40(4): 140?151.

[7] 葉林, 陳政, 趙永寧, 等. 基于遺傳算法?模糊徑向基神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)模型[J]. 電力系統(tǒng)自動(dòng)化, 2015, 39(16): 16?22. YE Ling, CHEN Zheng, ZHAO Yongning, et al. Photovoltaic power forecasting model based on genetic algorithm and fuzzy radial basis function neural network[J]. Automation of Electric Power Systems, 2015, 39(16): 16?22.

[8] 嵇靈, 牛東曉, 汪鵬. 基于相似日聚類和貝葉斯神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)研究[J]. 中國(guó)管理科學(xué), 2015, 23(3): 118?122. JI ling, NIU Dongxiao, WANG Peng. Photovoltaic load forecasting based on the similar day and bayesian neural network[J]. Chinese Journal of Management Science, 2015, 23(3): 118?122.

[9] 袁曉玲, 施俊華, 徐杰彥. 計(jì)及天氣類型指數(shù)的光伏發(fā)電短期出力預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(34): 57?64. YUAN Xiaoling, SHI Junhua, XU Jieyan. Short-term power forecasting for photovoltaic generation considering weather type index[J]. Proceedings of the CSEE, 2013, 33(34): 57?64.

[10] 代倩, 段善旭, 蔡濤, 等. 基于天氣類型聚類識(shí)別的光伏系統(tǒng)短期無(wú)輻照度發(fā)電預(yù)測(cè)模型研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2011, 31(34): 28?35. DAI Qian, DUAN Shanxu, CAI Tao, et al. Short-term PV generation system forecasting model without irradiation based on weather type clustering[J]. Proceedings of the CSEE, 2011, 31(34): 28?35.

[11] 丁明, 徐寧舟. 基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測(cè)方法[J]. 電網(wǎng)技術(shù), 2011, 35(1): 152?157. DING Ming, XU Ningzhou. A method to forecast short-term output power of photovoltaic generation system based on Markov chain[J]. Power System Technology, 2011, 35(1): 152?157.

[12] MANDAL P, MADHIRA S T S, MENG J, et al. Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques[J]. Procedia Computer Science, 2012, 12(3): 332?337.

[13] 高陽(yáng), 張碧玲, 毛京麗, 等. 基于機(jī)器學(xué)習(xí)的自適應(yīng)光伏超短期出力預(yù)測(cè)模型[J]. 電網(wǎng)技術(shù), 2015, 39(2): 307?311. GAO Yang, ZHANG Biling, MAO Jingli, et al. Machine learning based adaptive very-short-term forecast model for photovoltaic power[J]. Power System Technology, 2015, 39(2): 307?311.

[14] 程莎莎, 張琦, 黃湘源. 用于平抑風(fēng)電波動(dòng)功率的混合儲(chǔ)能系統(tǒng)及其控制系統(tǒng)[J]. 電工電氣, 2013, 5(8): 17?21. CHENG Shasha, ZHANG Qi, HUANG Xiangyuan. Hybrid energy storage system and control system for balance and inhibition of wind power fluctuation in power output[J]. Electrotechnics Electric, 2013, 5(8): 17?21.

[15] 嚴(yán)干貴, 朱星旭, 李軍徽, 等. 內(nèi)蘊(yùn)運(yùn)行壽命測(cè)算的混合儲(chǔ)能系統(tǒng)控制策略設(shè)計(jì)[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(1): 110?114. YAN Gangue, ZHU Xingxu, LI Junhui, et al. Control strategy design for hybrid energy storage system with intrinsic operation life measurement and calculation[J]. Automation of Electric Power Systems, 2013, 37(1): 110?114.

[16] 夏向陽(yáng), 唐偉, 冉成科, 等. 基于DSP控制的單相光伏并網(wǎng)逆變器設(shè)計(jì)[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2011, 26(3): 52?56. XIA Xiangyang, TANG Wei, RAN Chengke, et al. Design of single phase photovoltaic grid-connected inverter based on DSP control[J]. Journal of Electric Power Science and Technology, 2011, 26(3): 52?56.

[17] 李清然, 張建成. 含分布式光伏電源的配電網(wǎng)電壓越限解決方案[J]. 電力系統(tǒng)自動(dòng)化, 2015, 39(22): 117?123. LI Qingran, ZHANG Jiancheng. Solutions of voltage beyond limits in distribution network with distributed photovoltaic generators[J]. Automation of Electric Power Systems, 2015, 39(22): 117?123

[18] 康重慶, 夏清, 劉梅. 電力系統(tǒng)負(fù)荷預(yù)測(cè)[M]. 北京: 中國(guó)電力出版社, 2007: 208?213.KANG Chongqing, XIA Qing, LIU Mei. Power system load forecasting[M]. Beijing: China Electric Power Press, 2007: 208?213.

[19] YONA A, SENJYU T, FUNABASHI T. Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system[C]//IEEE Power Engineering Society General Meeting. Tampa, FL, USA: Institute of Electrical and Electronics Engineers, 2007: 1?6.

[20] 潘泉, 王增福, 梁彥, 等. 信息融合理論的基本方法與進(jìn)展(Ⅱ)[J]. 控制理論與應(yīng)用, 2012, 29(10): 1233?1244. PAN Quan, WANG Zengfu, LIANG Yan, et al. The basic method and development of information fusion theory(II)[J]. Control Theory & Applications, 2012, 29(10): 1233?1244.

(編輯 陳燦華)

Optimal operation of photovoltaic forecast distribution network based on information fusion theory

XIA Xiangyang1, YI Haomin1, CHEN Xiangqun2, CHEN Zhongwei3, XIONG Dezhi2, HUANG Rui2, WANG Yichao3, ZENG Xiaoyong1, DENG Fen1, HU Rongzhaohui1, HUANG Hai1

(1. College of Electrical and Information Engineering, Changsha University of Science and Technology, Changsha 410114, China; 2. Metering Center of State Grid Hunan Electric Power Company, Changsha 410004, China; 3. Hunan Electric Power Corporation Economic & Technical Research Institute, Changsha 410004, China)

An optimized operation method of PV forecasting distribution network with energy storage device was proposed based on the analysis of the voltage fluctuation mechanism of AC busbar PCC point when regional PV was incorporated into the distribution network. The method analyzed the correlation between photovoltaic power output and various meteorological factors. Treating various meteorological factors as multiple information sources, and using information fusion theory to weight it into a comprehensive impact factor, BP neural network prediction was established takingas an input. The model transmitted the predicted value of the model output to the energy storage device in real time, and adopted the smoothing control of the photovoltaic power generation output power based on the filtering principle to realize the smooth output of the photovoltaic power. The results show that the method can be effectively combined with the time-sharing electricity price, and the distribution network operation is improved. The economical stability of the PCC point voltage at the same time reduces the possibility that the node voltage exceeds the limit. The prediction model has higher prediction accuracy and has a certain effect on the safety optimization operation of the distribution network.

voltage fluctuation; information fusion; particle swarm optimization algorithm; BP neural network；optimized operation

10.11817/j.issn.1672?7207.2018.10.031

TM615

A

1672?7207(2018)10?2618?07

2017?10?12；

2017?12?22

國(guó)家自然科學(xué)基金資助項(xiàng)目(51307009)(Project(51307009) supported by the National Natural Science Foundation of China)

夏向陽(yáng)，博士，教授，碩士生導(dǎo)師，從事新能源并網(wǎng)控制和柔性直流輸電控制研究；E-mail：xia_xy@126.com