首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于大数据分析的分布式光伏预测与控制策略

基于大数据分析的分布式光伏预测与控制策略

2024-06-06 112 上传者：管理员

摘要：分布式光伏系统的功率输出受到日照、气象条件以及负荷需求等因素的影响。通过预测和控制，可以调整光伏系统的发电功率，以满足电力需求的平衡并确保电力供应的可靠性。为此，本文基于大数据分析研究新的分布式光伏预测方法与控制策略。利用大数据技术采集分布式光伏数据，并对其归一化和融合处理。基于此，改进CNN网络对光伏的最大功率完成预测。最后利用粒子群算法实现分布式光伏功率的控制。实验结果表明，研究方法下，光伏发电功率的波形更符合理想状态，且毛刺非常少。

关键词：
分布式光伏
功率预测
大数据分析
控制方法
改进CNN网络
加入收藏

随着可再生能源特别是光伏发电技术的快速发展和广泛应用，分布式光伏系统在能源领域扮演着越来越重要的角色。然而，由于光伏发电依赖于太阳辐射等外部环境因素，其输出功率具有一定的波动性和不确定性，给电网的安全稳定运行带来了挑战。为了提高分布式光伏的可靠性和经济性，研究者们致力于开展分布式光伏预测与控制的研究，旨在通过准确地预测光伏发电的输出功率，并在实时调度中灵活控制光伏系统运行，实现对光伏发电的最优利用，提高系统的效能和稳定性。这一研究方向对于推动可持续能源的发展、改善电力系统的可靠性和稳定性以及降低碳排放具有重要意义。

方鹏等人[4]利用模糊C均值聚类算法设计了一种中长期辐照度预测模型。但是，模糊C均值聚类在光伏预测中的缺陷之一是对初始聚类中心的敏感性。由于初始聚类中心的选择可能会影响最终的聚类结果，因此如果初始聚类中心选择不当，可能会导致聚类结果的不稳定性和偏差。Visser等人[5]研究了一种太阳能发电系统的日前预测方法。从技术角度来看，系统间距离的增加和光伏发电机组规模的扩大对光伏发电的预测具有积极意义。从技术角度来看，集成和深度学习模型比其他选择表现更好。但是，日前预测方法对突发事件的处理能力较弱。该方法主要基于历史数据进行预测，无法直接考虑突发事件或异常情况的影响。例如，天气突变、设备故障等突发事件可能会导致光伏发电量的急剧波动，而该方法无法很好地处理这种情况，导致预测误差较大。

为解决以上方法存在的缺陷问题，本文基于大数据分析研究新的分布式光伏预测方法与控制策略。

1、分布式光伏预测方法

1.1 利用大数据技术采集分布式光伏数据

分布式光伏系统产生大量的实时数据，传统的数据采集和处理方法难以有效处理和挖掘这些数据的巨大潜力。相比其他数据采集方法，大数据技术具有以下优势：首先，大数据技术能够处理海量的数据，能够高效地存储、管理和处理光伏系统产生的各种参数和状态数据。其次，大数据技术结合机器学习和数据挖掘等算法，可以从大规模的数据中发现隐藏的模式和趋势，提供更深入的分析和预测能力，帮助优化光伏系统的性能和运维策略。此外，大数据技术还能够快速响应突发事件和异常波动，提供实时的故障检测和预警能力，有助于及时修复和避免系统故障。

利用大数据技术采集分布式光伏数据的原理是通过连接光伏设备与数据采集设备，实时采集光伏系统的各项参数数据。采集设备将数据传输到数据处理中心或云平台进行存储和管理。通过大数据技术对采集到的数据进行处理和分析，提取有价值的信息和模式，用于光伏系统的管理和运维决策。其中关键是实时采集、传输和存储数据，并运用数据处理技术挖掘数据价值，从而为分布式光伏系统提供有效管理和优化服务。利用大数据技术采集分布式光伏数据的步骤如下：

1）确定数据采集设备：选择传感器、监控系统或其他数据采集设备，以实时监测和采集光伏系统的光照强度、温度、发电量等参数数据。

2）数据传输与存储：将采集的数据通过网络传输至数据处理中心，并进行实时或批量存储。借助物联网技术或其他通信方式，确保数据的安全和稳定传输。

3）数据预处理：对采集到的数据进行预处理，包括数据清洗、去除异常值、校验和格式化等。这一步骤有助于保证数据的质量和一致性，为后续的数据分析提供可靠的基础。

4）大数据分析与挖掘：利用大数据技术中的数据预处理方法，对采集到的数据进行预处理，优化数据采集精准度。

由于不同状态采集的数据格式不同，因此需要利用下式对初始采集的数据完成归一化预处理：

式中，x为分布式光伏在线数据的实际采集结果；xmax和xmin分别对应的是采集周期内在线运行数据的最大值和最小值。最终将采集并处理完成的数据通过通信模块传输给预测终端。

1.2 数据融合

对光伏数据进行融合处理的主要目的是获取更全面、准确和综合的信息，以提升光伏系统的性能和运行效率。融合处理可以将来自不同传感器、监测系统或数据源的光伏数据进行集成和合并，以获得更全面的数据视图。通过融合处理，可以消除数据的冗余和重复，减少噪声和误差，提高数据的可信度和质量。此外，光伏数据的融合处理还可以发现不同数据之间的关联性和相互影响，揭示潜在的因果关系和模式，为系统的优化和预测建模提供更准确的基础。因此，对光伏数据进行融合处理是为了综合利用各种数据资源，提供更深入、全面和准确的分析结果，从而优化光伏系统的运行和管理决策。在本节中，设定数据采集的时间间隔为10min，所采集的光伏数据包括光照强度、温度、发电功率、电流、电压、倾斜角度、方位角、天气数据，对以上数据进行融合处理，如下表所示。天气数据不像其他物理量那样有固定的数值单位，需根据具体的测量和数据系统进行调整。

通过式（1）的归一化处理获取归一化处理后的实际数据，具体公式如下：

表融合后数据的特征情况

1.3 最大功率预测

改进CNN网络对光伏的最大功率完成预测的原理是通过对传统的卷积神经网络（CNN）进行优化和改良，以更准确地预测光伏系统的最大功率输出。该改进包括但不限于调整网络结构、增加参数、改进激活函数或优化训练算法等。通过充分利用光伏系统的实时数据和历史数据，结合有效的特征提取和深度学习技术，改进的CNN网络可以学习光伏系统的模式和规律，从而实现对最大功率的预测。

改进CNN网络的目的是提高光伏系统最大功率预测的准确性和稳定性。与传统方法相比，改进的CNN网络具有以下优势：首先，CNN网络可以自动从数据中学习到抽象的特征表示，无需手动定义或选择特征；CNN网络的参数共享机制使得模型具有较小的参数量和更快的训练速度；最后，改进CNN网络可以根据具体问题进行灵活的调整和优化，以适应光伏系统的特点和需求，从而提高最大功率预测的准确度和实用性。综上所述，通过对CNN网络进行改进，可以有效提升光伏系统最大功率预测的性能和应用价值。

在CNN网络的改进中，对分布式光伏最大功率有关联的气象因子实施相关性分析，计算二者的相关性系数。目的是研究和衡量光伏最大功率与气象因子之间的关联程度。皮尔逊相关系数适用于线性相关性的分析，而斯皮尔曼相关系数适用于非线性相关性的分析。在这个步骤中，首先收集分布式光伏系统的最大功率数据，以及与光伏发电相关的气象因子数据，即光照强度、温度、湿度等。然后，通过计算相关性系数，可以评估光伏最大功率与各个气象因子之间的相关性程度。如果相关性系数接近1或-1，则表示两个变量之间具有强相关性；如果相关性系数接近0，则表示两个变量之间基本没有相关性。具体公式如下：

式中，X为最大功率；Y为有关联的气象因子；C(X,Y)为X与Y的协方差；V[X]为X的方差；V[Y]为Y的方差。

通过相关性系数值对与CNN网络相融合的多元气象因子进行筛选，筛选出的多元气象因子共有四个，分别为：

光照强度：光照强度是指太阳辐射照射到地面的强度。它通常被认为是与光伏发电有着直接关系的重要因素。这个因子能够为预测光伏最大功率提供有价值的信息。

温度：温度是光伏系统性能的重要影响因素。日温差和季节变化会对光伏发电量产生显著影响。通过考虑温度因子，可以更准确地预测光伏系统的最大功率。

风速：风速是另一个影响光伏系统发电量的关键因素。风速高低直接影响光伏板的散热效果和风力发电机的运转。在气象因子中加入风速可以进一步提高光伏最大功率的预测准确性。

相对湿度：相对湿度是指在大气中所含水蒸气的含量相对于饱和状态的比例，它对光伏系统发电性能和组件寿命具有影响。在考虑光伏发电的多元气象因子中，相对湿度的引入可以提供更全面的预测能力。

根据以上多元气象因子构建改进后的CNN预测模型。对于该模型，将预处理后的采集数据作为模型的输入序列模型的结构如图1所示。

图1 改进CNN预测模型结构

该方法采用一种新的神经网络算法，采用一种新的人工神经网络的最优解，并用互熵法对神经网络进行求解。在多个气象要素的融合中，对各因素的数值区间作了相应的映射。

公式如下：

式中，M为映射处理矩阵；An、Bn、Cn、Dn这四行为不同气象因子与输出功率随时间序列发生的变化；A1、B1、C1、D1这四列为t时刻不同气象因子与输出功率的数值。

2、基于粒子群算法的分布式光伏功率控制

粒子群算法在迭代过程中只需计算各个粒子的速度和位置，运算量相对较小。这使得算法具有较快的计算速度和实时性，能够满足实时控制需求。同时，该算法在处理分布式光伏功率控制问题中可以灵活地扩展和适应规模变化，能够应对不同规模和复杂度的系统。因此，本文选择粒子群算法来控制分布式光伏的功率，以优化光伏发电的稳定性，基于粒子群算法的分布式光伏功率控制的原理是通过模拟粒子群在搜索空间中的运动和位置更新，来实现光伏功率的优化控制。该算法模拟鸟群中相互协作的行为，将每个粒子视为一种解决方案，并通过更新速度和位置来寻找最优解。在分布式光伏系统中，粒子代表光伏发电单元，每个粒子的速度和位置决定了相应光伏单元的发电功率调整策略。通过不断迭代调整粒子的速度和位置，粒子群算法能够实现最优的光伏功率控制策略，从而优化系统的能源利用效率和功率输出性能。

利用粒子群算法控制分布式光伏功率的公式可以表示为：

式中，M为粒子参数数量。

通过上述计算可知，在接入大电网的情况下，若有必要，则需向大电网提供相应的功频支撑，而最优的控制方法则是在保证系统稳定运转的前提下，尽量减小其对电网的冲击。

3、实验设计与结果分析

为了验证本文方法实际应用效果，选择某分布式光伏发电站为测试对象，该发电站总装机容量为25.48MWp，采用“自发自用、余电上网”的并网模式。并网后，每年可提供约2603万k Wh绿色电能，每年可减少CO2排放量约2.4万t。在此发电站中，选用本文提出的预测与控制方法与传统的文献[4]方法、文献[5]方法进行对比。设定实验时间为24h。利用不同方法得到的分布式光伏电网功率波动情况如图2～图4所示。

图2 文献[4]方法下的光伏发电功率波动

图3 文献[5]方法下的光伏发电功率波动

图4 研究方法下的光伏发电功率波动

根据上图可知，采用本文提出的方法，功率的波形更符合理想状态，且毛刺非常少，说明功率的波动状态是更平缓无杂波的。

4、结束语

针对分布式光伏系统的预测与控制问题，采用基于大数据技术的归一化和融合处理，以及改进的CNN网络和粒子群算法。实验结果显示，应用该研究方法能够更准确地预测光伏发电功率，并实现有效的功率控制。光伏发电波形更加平滑，且异常峰值的出现大大减少。这证明了所提出的方法在分布式光伏系统中的应用具有重要的意义，可以提升系统的运行效率、可靠性和稳定性。未来，该研究方法还有很大的潜力可以进一步优化和拓展，以更好地支持分布式光伏的发展和应用。

参考文献:

[1]叶林,程文丁,李卓,等.光伏集群有功功率分层预测控制策略[J].电力系统自动化,2023,47(2):42-52.

[2]许泰峰,王彦波,孙一鸣,等.基于IEC 61499标准的分布式配网光伏逆变器层级控制与联合仿真实现[J].南方电网技术,2022,16(8):150-157.

[3]贺晓红,白雪松,袁绍军,等.基于内模原理的光伏三相并网逆变器电压估计与控制方法[J].电网与清洁能源,2022,38(3):119-128.

[4]方鹏,高亚栋,潘国兵,等.基于LSTM神经网络的中长期光伏电站发电量预测方法研究[J].可再生能源,2022,40(1):48-54.

文章来源:吴世健,廖强明,邱建东.基于大数据分析的分布式光伏预测与控制策略[J].电器工业,2024(06):45-49.