基于深度學習的分布式光伏發電系統電壓穩定性評估

呂曉潔

（中國國際工程咨詢有限公司，北京 100048）

作為社會穩定發展的關鍵因素，電力系統的穩定關系到社會的發展。故準確評估電力系統的電壓穩定性，對確保系統安全、提升電網經濟效益等具有重要現實意義[1-2]。

該文以深度學習為技術支撐，設計分布式光伏發電系統電壓穩定性評估方法。引入深度學習技術，建立系統運行狀態特征量的映射關系，利用預訓練與微調，不斷更新模型參數，提升評估結果可靠性；合理設定光伏電池之間的距離，采用堆疊自動編碼器，利于取得更完整且非冗余的數據特征，最終呈現精準的評估結果。

1 分布式光伏發電系統

1.1 分布式光伏發電系統結構

為實現分布式光伏發電系統電壓穩定性評估，首先分析分布式光伏發電系統的結構。采用光伏電池組、匯流箱、微網逆變器等組件，構建分布式光伏發電系統[3]，如圖1 所示。

將該系統中晶硅電池與薄膜電池光伏組件串聯裝于建筑物頂部，將接收的太陽輻射能量轉換為電能；利用微網逆變器[4]實現直流電到交流電的轉換，用戶所用電能主要由交流配電裝置提供。

假設研究區域位于φ緯度，且電能電池組陣列前排最高點與后排最低點之間相差高度為H，則設定光伏電池之間的距離為d[5-6]，如式（1）所示：

1.2 分布式光伏發電系統電壓變化

為準確評估分布式光伏發電系統電壓穩定性，基于發電系統接入低壓配電網的等效電路，對發電系統電壓變化原因進行深入探索。

已知并網點電壓為U，并網點負荷為PL+jQL，配電網的等值電壓與等值阻抗分別為Us、R+jX，光伏電源發出功率為P+jQ，接入配電網功率為Ps+jQs，根據光伏電源發出功率與接入配電網功率相關性[7]，得到：

若U0為并網點在發電系統并網之前的電壓，則：

低壓配電網與高壓系統交互性較弱，網架較為簡易，且免疫性相對偏低，無法進行帶載調壓，故導致低壓配電網等值電壓發生波動[8]。

光伏發電系統通過對配電網重載過程中電網的功率進行支持，緩解配電網產生的負荷壓力，若配電網處于輕載階段，發電系統呈高出力狀態[9]，則發生過電壓問題的概率較高。因此，采用式（4）描述因光伏接入而形成的并網點電壓幅值ΔU。

根據該近似式可以看出，配電網的接入是導致分布式光伏發電系統電壓發生變化的主要誘因。

2 自動編碼器下分布式光伏發電系統電壓穩定性評估

2.1 電壓穩定性評估模式

基于所建分布式光伏發電系統，通過特征提取與分類評估兩個階段，設計該系統電壓穩定性評估模式，如圖2 所示。

圖2 電壓穩定性評估模式

圖2 中，左側提取的特征組成部分通常為負荷水平、電壓水平等物理量，可由光伏發電系統的物理量測量解得。

由于提取特征缺乏全面描述實際問題的能力，僅能體現發電系統的局部特征，在一定程度上限制了電壓穩定性評估準確度，故需要整合特征提取與分類評估兩個階段，從根本上實現數據特征的自動挖掘與分類評估[10]。該評估模式令物理量測量與分類結果之間建立直接映射關系，確保信息的完整度。

2.2 基于堆疊自動編碼器的深度學習算法

針對上述分析的分布式光伏發電系統結構，由于多種因素的干擾，導致系統電壓發生一定變化。為了快速確定發電系統的電壓，該文借助深度學習算法[11]對其穩定性進行評估。

深度學習算法中利用輸入層、輸出層以及隱含層構建圖3 所示的自動編碼器AE（Auto Encoder）。

圖3 自動編碼器框架

該編碼器是一個對稱神經網絡，采用編碼與解碼流程，最小化輸入信息的重建偏差，取得最優隱層表征。通過該技術原理，將影響電力系統電壓穩定性的參數進行最優隱層表征[12]，以確定電壓系統的穩定性。

式中，sigmoid 激活函數分別用f、g表示。

當輸入的電力系統電壓參數重建偏差L(x，z)較小時，編碼矩陣才具有初始信息特征，需要通過訓練數據集搜尋自動編碼器的最佳參數θ′，實現重建偏差L(x，z)最小化處理[13]，即：

訓練集中隱藏層第j個神經元的激活水平由下列平均激活量界定[14]，即：

在上述分析基礎上，采用稀疏性約束的目標函數，求解最優自動編碼器參數，即求取分布式光伏發電系統電壓干擾參數θ′，如式（9）所示：

式中，稀疏懲罰項權值為γ，隱藏層單元數量為HD。

以取得具備完整性的非冗余電壓數據特征為目標，將自動編碼器堆疊，形成深層神經網絡模型，完成堆疊自動編碼器架構。將編碼器下層輸出項設置為上層輸入項，經堆疊得到關聯電力系統電壓的有效特征。

堆疊自動編碼器數據預訓練過程分別為預訓練與微調，如圖4 所示。

圖4 堆疊自動編碼器預訓練圖

當從下至上預訓練一個l層的堆疊自動編碼器時，需將訓練樣本作為輸入項訓練第一層，再將第k個隱藏層輸出作為輸入項訓練第k+1 個隱藏層，完成各層預訓練。對于編碼矩陣W與偏置向量b，利用梯度下降法[15]進行循環計算，并通過下列方程式更新神經網絡的第k層：

式中，學習率為ε。

基于底層量測數據r，利用設計堆疊自動編碼器與softmax 回歸層分類器，架構電壓穩定性評估模型，如圖5 所示。

圖5 電壓穩定性評估模型

該模型通過描述底層量測數據與穩定種類間的非線性映射關系，實現電壓穩定性評估。利用模型基礎部分（即堆疊自動編碼器）分層表達分布式光伏發電系統信息，獲得有效性特征，采用位于模型最上層的分類器，通過softmax 回歸層劃分和輸出樣本穩定種類[16]。假設樣本存在n種穩定種類，則softmax回歸層的隱含函數關系為：

式中，網絡頂層下一層的輸出矢量為x，該網絡層與第一個、第二個輸出單元的權值矢量分別為θ1、θ2。

在訓練電壓穩定性評估模型過程中，根據無標注訓練數據集T1={r}1與有標注訓練數據集完成相關訓練參數的設定；利用T1進行堆疊自動編碼器的預訓練；采用T2按以下兩個步驟微調模型參數：

2）利用梯度下降算法，從上至下對模型參數展開監督優化。

通過梯度下降算法尋優處理代價函數，權重隨迭代更新，完成評估模型參數的微調，實現電壓穩定性評估。

3 實驗分析

3.1 實驗環境

按照表1 所示配置參數搭建實驗平臺和訓練樣本數據集，進行實驗分析。評估模型最優參數如表2所示。

表1 實驗環境相關配置參數

表2 評估模型最優參數

在上述實驗環境和參數設定下，該文為了驗證分布式光伏發電系統電壓穩定性，根據發電系統負荷母線電壓實際變化情況以及電壓穩定性評估模型對電壓穩定性進行評估。

3.2 實驗結果分析

令該文分布式光伏發電系統的運行負荷約等于額定電壓，其光照強度為800 W/m2，溫度為26 ℃，單相額定有功功率為0.22 MW，當發電系統進入平穩的運行狀態，其負荷電壓達218.3 V。通過降低光照強度、提升環境溫度以及發生瞬時性單相接地短路的方式，驗證評估模型的免疫性，發電系統負荷母線電壓實際變化情況如圖6 所示。電壓穩定性評估模型仿真結果如圖7 所示。

圖6 發電系統負荷母線電壓實際變化情況

圖7 電壓穩定性評估模型仿真結果

根據圖6 中負荷電壓實際情況可知，光照與溫度因素均未導致發電系統的負荷母線發生電壓失穩狀況，電壓較為穩定，而短路故障因素使母線電壓迅速下跌，直到故障消失，電壓未恢復至故障發生前水平，說明短路故障造成電壓失穩；將實際電壓情況與該文方法判據指數結果（見圖7）作對比后可以看出，該文方法準確評估了分布式光伏發電系統的電壓穩定狀況，這是由于所提方法有效融合了特征提取與分類評估，利用基于無監督深度學習的堆疊自動編碼器，挖掘出樣本數據集的規律與特征，獲取更完整且非冗余的數據特征。

4 結論

能耗與污染問題日益嚴峻，為大力落實可持續發展戰略目標，發揮太陽能發電優勢，分布式光伏發電系統逐漸演變成未來能源領域的重要角色之一。分布式光伏發電系統項目已初見雛形，其并網技術更是在與電網的有效結合中起著關鍵作用，但隨之而來的電壓波動成為需重點解決的問題。因此，該文結合深度學習技術，構建出一種分布式光伏發電系統電壓穩定性評估方法。該方法通過對分布式光伏發電系統電壓變化的分析，結合深度學習算法實現了其穩定性的評估，具有一定的可行性。