詹廬山

引言

按照不同的開發(fā)方式，光伏開發(fā)被分成了集中式和分布式。分散光伏具備配置靈活、現(xiàn)場(chǎng)吸收能量強(qiáng)的特性，獲得了較普遍的應(yīng)用。大量分布式太陽(yáng)能光伏發(fā)電系統(tǒng)集成在配電網(wǎng)中，提高了電網(wǎng)負(fù)載的變化量，為合理調(diào)度用電系統(tǒng)帶來(lái)了巨大困難。因此準(zhǔn)確估計(jì)分布式網(wǎng)絡(luò)結(jié)構(gòu)以及超短期太陽(yáng)能光伏發(fā)電網(wǎng)絡(luò)功率，對(duì)系統(tǒng)的調(diào)整和保持實(shí)時(shí)的供需平衡至關(guān)重要[1]。

LSTM單元由一個(gè)存儲(chǔ)單元和三個(gè)網(wǎng)關(guān)結(jié)構(gòu)組成。在t時(shí)刻，存儲(chǔ)單元的狀態(tài)和輸入門控制信息保留，遺忘門控制信息遺忘，輸出門基于存儲(chǔ)單元的當(dāng)前狀態(tài)和輸入來(lái)確定輸出。執(zhí)行任務(wù)時(shí)，LSTM確定是否保留前一個(gè)時(shí)間單位的狀態(tài)，從而對(duì)時(shí)間序列的長(zhǎng)期和短期依賴性有更好的理解。

近年來(lái)，光伏發(fā)電技術(shù)因其清潔、環(huán)保、安全、可靠和經(jīng)濟(jì)等優(yōu)點(diǎn)，在全球范圍內(nèi)迅速發(fā)展。在光伏系統(tǒng)中，需要快速有效的檢測(cè)與發(fā)電網(wǎng)相連的光伏系統(tǒng)，這是研究島嶼問(wèn)題的基礎(chǔ)。國(guó)內(nèi)外科學(xué)家提出了不同的方法對(duì)光伏能源生產(chǎn)中的并網(wǎng)島進(jìn)行檢測(cè)，這些方法根據(jù)檢測(cè)位置的遠(yuǎn)近可以分為遠(yuǎn)程檢測(cè)和本地檢測(cè)[2]。

一、基于LSTM的分布式光伏發(fā)電并網(wǎng)系統(tǒng)孤島檢測(cè)方法設(shè)計(jì)

（一）提取光伏發(fā)電并網(wǎng)系統(tǒng)變量因數(shù)

在LSTM檢測(cè)的情況下，當(dāng)截止因子值取正值時(shí)，該循環(huán)中的電流由前一循環(huán)中的電壓確定。在同一周期內(nèi)，孤島電壓和電流的頻率相同，電流受截止因子的影響。隨著周期的不斷縮短和頻率的不斷增加，公共連接點(diǎn)的電壓頻率也會(huì)發(fā)生變化，從而檢測(cè)到孤島效應(yīng)[3]。

對(duì)于電阻和電感負(fù)載來(lái)說(shuō)，PCC點(diǎn)處的電壓波受到負(fù)載的切割系數(shù)和阻抗角的影響。由于電流延遲電壓，下一個(gè)循環(huán)的電流由當(dāng)前循環(huán)電壓決定。當(dāng)前周期比上一個(gè)周期短時(shí)，頻移速度比電阻負(fù)載快。

對(duì)于電阻和電容負(fù)載，存在一種特殊情況，即當(dāng)電源中斷前后，電壓周期保持不變，但頻率會(huì)降低。這與電阻和電感負(fù)載的情況不同。因此，長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的質(zhì)量因素和負(fù)載會(huì)對(duì)檢測(cè)精度產(chǎn)生影響。首先對(duì)訓(xùn)練和測(cè)量的信息進(jìn)行分類，查找分析與氣候因數(shù)相似的歷史數(shù)據(jù)和現(xiàn)象，量化氣候因子的相似性特征。同時(shí)建立預(yù)測(cè)信息匯集，以保證信息匯集的結(jié)果有較大的訓(xùn)練相似性。找出天氣影響的主要條件，假定光電變換特性是穩(wěn)定不變的。影響光伏分布式發(fā)電的主要影響因素是光電板的能量轉(zhuǎn)化效率、光電板的體積、太陽(yáng)輻射以及該區(qū)域的溫度。由于一年中不同時(shí)間陽(yáng)光持續(xù)時(shí)間的長(zhǎng)度存在顯著差異，影響了光伏能源的分布式發(fā)電，因此提取太陽(yáng)能時(shí)間特征并選擇天氣因素特征向量，特別是分布式光伏發(fā)電之間的相關(guān)性[4]，進(jìn)而完成變量因數(shù)的提取。

（二）構(gòu)建光伏發(fā)電并網(wǎng)系統(tǒng)孤島檢測(cè)模型

基于已經(jīng)提取到的變量因數(shù)，構(gòu)建光伏發(fā)電并網(wǎng)系統(tǒng)孤島檢測(cè)模型。利用LSTM方法進(jìn)行識(shí)別。LSTM是RNN的一種，傳統(tǒng)的RNN處理序列數(shù)據(jù)，網(wǎng)絡(luò)的輸出依賴當(dāng)前輸入和前序輸入及輸出，可以學(xué)習(xí)數(shù)據(jù)中序列的相關(guān)性。RNN中，對(duì)輸入序列x中，在時(shí)間步為t時(shí)，輸出值y表示為：

在公式中，h為隱藏層的輸出，l為激活函數(shù)。W和U為電壓和電流，b為系數(shù)。

LSTM最重要的問(wèn)題在于只能夠獲得很短暫的時(shí)間關(guān)系，在序列過(guò)長(zhǎng)時(shí)產(chǎn)生梯度的爆炸問(wèn)題。而LSTM很好地解決了這一現(xiàn)象。LSTM是由一個(gè)個(gè)記憶塊組成的，記憶塊中還含有許多較小的神經(jīng)元，它主要包括記憶單元、入口門、出口門和遺忘門。其中，入口門和出口門的功能用于收集、傳輸和調(diào)整數(shù)據(jù)，而遺忘門功能用于可選擇性的特定或修正數(shù)據(jù)，而記憶模塊則是用于記錄神經(jīng)元目前情況的模塊。

本文通過(guò)離線訓(xùn)練和在線預(yù)測(cè)，建立了基于LSTM的分布式光伏發(fā)電系統(tǒng)孤島檢測(cè)模型，實(shí)時(shí)優(yōu)化配置參數(shù)和更新歷史訓(xùn)練，以確保本文對(duì)模型預(yù)測(cè)的準(zhǔn)確性。本文基于LSTM，調(diào)整在線預(yù)測(cè)環(huán)節(jié)和參數(shù)，神經(jīng)網(wǎng)絡(luò)具有三層結(jié)構(gòu)，將輸入層中的每個(gè)神經(jīng)元單元連接到隱藏層和外部世界。隱藏層對(duì)影響能源發(fā)電預(yù)測(cè)的因素的特征進(jìn)行區(qū)分。每一層的數(shù)據(jù)都來(lái)自下一層的信號(hào)，在輸出層上進(jìn)行線性傳遞。本章中的基本結(jié)構(gòu)就是一種多維的網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)上一節(jié)中提供的數(shù)據(jù)樹信息集合，對(duì)各種數(shù)據(jù)樹信息進(jìn)行逐層訓(xùn)練，從而得到三層網(wǎng)絡(luò)結(jié)構(gòu)的基本模型。實(shí)現(xiàn)對(duì)分布式光伏利用系統(tǒng)的自動(dòng)檢測(cè)，并建立了模糊數(shù)據(jù)。該系統(tǒng)實(shí)現(xiàn)的具體條件如下：

其中，x為多維結(jié)構(gòu)中的輸入序列結(jié)構(gòu)；d為期望輸出值的數(shù)據(jù)。利用神經(jīng)網(wǎng)絡(luò)函數(shù)的調(diào)節(jié)提高了測(cè)量數(shù)據(jù)的精度，將前文選取的分布式光伏發(fā)電量的歷史數(shù)據(jù)，輸入到設(shè)置的自動(dòng)預(yù)測(cè)模型當(dāng)中去，從而得到的參數(shù)描述方法如下：

式中，Q（t）是指分布式光伏發(fā)電孤島值；Q（t+1）是檢測(cè)孤島下一時(shí)刻散射光伏能量的預(yù)測(cè)值，本文中散射光伏能量預(yù)測(cè)是由上述方程補(bǔ)充的[5]，從而完成檢測(cè)模型的構(gòu)建。

（三）基于LSTM檢測(cè)孤島效應(yīng)

基于上述構(gòu)建的孤島檢測(cè)模型進(jìn)行檢測(cè)。LSTM算法是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，它被設(shè)計(jì)用來(lái)處理序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系。在孤島效應(yīng)發(fā)生之后，影響因素的存在導(dǎo)致PCC點(diǎn)的頻率f不斷偏移。AFDPF算法在遷移過(guò)程中引入了正反饋因素，促使影響因素在遷移過(guò)程中不斷增加，有效加快了頻率變化，顯著提升了孤島效應(yīng)檢測(cè)時(shí)效性。

LSTM算法對(duì)于不同類型的負(fù)載具有不同的檢測(cè)效果。但負(fù)載為電感負(fù)載且阻抗角大于0時(shí)，其特性與逐漸增長(zhǎng)的PCC點(diǎn)頻率趨勢(shì)相匹配，促使頻率更快地超過(guò)保護(hù)閾值并完成檢測(cè)。然而，當(dāng)負(fù)載阻抗角小于0時(shí)，頻移的主要影響是阻抗角的磁滯特性相互影響，導(dǎo)致效應(yīng)相互抵消。在這一點(diǎn)上，通過(guò)頻率評(píng)估初始頻率因子的方向，這是LSTM方向算法的另一個(gè)改進(jìn)。

有源頻移檢測(cè)算法在網(wǎng)絡(luò)連接時(shí)利用強(qiáng)網(wǎng)絡(luò)對(duì)頻率的壓接效應(yīng)，可以有效防止對(duì)非島嶼電網(wǎng)干擾的誤判，具有良好的抗干擾性能。該文提出基于LSTM的分布式光伏發(fā)電并網(wǎng)系統(tǒng)孤島檢測(cè)方法，如圖1所示：

圖1 分布式光伏發(fā)電并網(wǎng)系統(tǒng)孤島檢測(cè)方法

具體步驟如下：首先，對(duì)輸入數(shù)據(jù)進(jìn)行構(gòu)造。通過(guò)24小時(shí)滑動(dòng)窗口和20分鐘滑動(dòng)臺(tái)階構(gòu)建輸入。然后使用時(shí)間特征進(jìn)行提取。使用LSTM提取每個(gè)站點(diǎn)的功率特性。然后執(zhí)行重建時(shí)間特征。使用LSTM重新創(chuàng)建每個(gè)站點(diǎn)的時(shí)間特征。最后，將重建的特征用于分布式光伏發(fā)電中的功率預(yù)測(cè)，完成對(duì)孤島效應(yīng)的檢測(cè)。

二、對(duì)比實(shí)驗(yàn)

（一）實(shí)驗(yàn)說(shuō)明

為了證明上述方法的有效性，特此進(jìn)行對(duì)比實(shí)驗(yàn)分析。將本文提出的基于LSTM的分布式光伏發(fā)電并網(wǎng)系統(tǒng)孤島檢測(cè)方法（方法1）與基于Attention的分布式光伏發(fā)電并網(wǎng)系統(tǒng)檢測(cè)方法（方法2）以及基于SVR的分布式發(fā)電并網(wǎng)系統(tǒng)檢測(cè)方法（方法3）進(jìn)行對(duì)比。

（二）實(shí)驗(yàn)準(zhǔn)備

該文選擇標(biāo)準(zhǔn)化均分根誤差與標(biāo)準(zhǔn)化平均絕對(duì)誤差作為功率預(yù)測(cè)精度評(píng)價(jià)指標(biāo)。比較實(shí)驗(yàn)工作在Python 3.8中進(jìn)行，模擬設(shè)備的硬件配置為AMD Ryzen7 4800 2.90 GHz CPU，16GB內(nèi)存。原始數(shù)據(jù)僅包含歷史發(fā)電功率，并不直接包含對(duì)發(fā)電功率影響很大的天氣因素?cái)?shù)據(jù)。對(duì)目標(biāo)設(shè)備的電功率進(jìn)行檢測(cè)，共檢測(cè)三次。本文選取城市分析分布式發(fā)電系統(tǒng)的實(shí)際運(yùn)行數(shù)據(jù)。數(shù)值功率預(yù)測(cè)數(shù)據(jù)被用作測(cè)試集來(lái)處理現(xiàn)有數(shù)據(jù)。

（三）實(shí)驗(yàn)結(jié)果

三種方法檢測(cè)到的孤島電功率數(shù)據(jù)如下表所示：

表1 三種方法檢測(cè)結(jié)果

由上表可知，方法1的檢測(cè)結(jié)果與實(shí)際值相差較小，且平均值與實(shí)際值相符合。而方法2和方法3的檢測(cè)結(jié)果與實(shí)際值出入較大，且方法2的平均值大于實(shí)際值，方法3的平均值小于實(shí)際值?？蓪?shí)驗(yàn)結(jié)果可知，本文提出的基于LSTM的分布式光伏發(fā)電并網(wǎng)系統(tǒng)孤島檢測(cè)方法較為準(zhǔn)確。

結(jié)束語(yǔ)

本文針對(duì)光伏發(fā)電并網(wǎng)孤島檢測(cè)方法進(jìn)行深入研究，從孤島產(chǎn)生原理、主動(dòng)式頻率偏移監(jiān)測(cè)技術(shù)的研究和應(yīng)用等方面，對(duì)孤島檢測(cè)方法進(jìn)行了深入探討，旨在為光伏發(fā)電并網(wǎng)系統(tǒng)的穩(wěn)定和安全運(yùn)行提供有力支持。受到硬件條件制約，本文對(duì)于孤島監(jiān)測(cè)算法的研發(fā)和試驗(yàn)?zāi)壳斑€處在理論研發(fā)和模擬試驗(yàn)的初級(jí)階段，更進(jìn)一步的研發(fā)工作還需要在現(xiàn)實(shí)的光伏系統(tǒng)和孤島監(jiān)測(cè)設(shè)備中開展試驗(yàn)。