新能源接入后的分布式電源負荷運行態勢感知分析

李福貴，曹 洋

（國網七臺河供電公司，黑龍江 七臺河 154600）

0 引 言

分布式電源雖然擁有集中式電源不具備的優勢，但也面臨一些挑戰。例如，現有技術無法集中調度分布式電源和電力系統。研究發現，除極特殊情況，感知電力負荷可以通過累計終端負荷值的方式實現，電源電量是否平衡將直接影響系統的穩定性和安全性。通過對電力系統的分析，發現分布式電源負荷的變化與系統運行狀態密切相關。換言之，實時感知電源負荷能為調度工作提供可靠依據，對提高電力資源利用率具有重要意義。

1 研究背景

隨著太陽能、風能等新能源的快速普及，將分布式電源接入電力系統已成為常態。相較于中心供電站，分布式電源具有以下優點：一是分布式電源的分散部署使系統更加可靠，當某個地區的電源發生故障時，其他地區的電源可以繼續供電，避免大范圍停電；二是分布式電源通常部署在負荷附近，通過縮短輸電全線長度來減少電阻損耗和傳輸功率損耗，有助于提高能源利用率；三是分布式電源能夠充分利用新能源，符合節能減排等理念；四是分布式電源具有模塊化、可擴展的特點，可以根據實際需要靈活配置，構建更加靈活、穩定的系統。

新能源具有分散、不穩定以及波動性強等特點，對系統的運行管理提出新的要求。在常規系統中，負荷、發電之間的耦合關系相對簡單，主要依靠中央調度和集中發電。隨著分布式電源的增加，電力系統的復雜性大幅提高，需要更靈活的運行管理方式[1]。為高效管理電力系統，相關人員圍繞如何感知電源負荷態勢展開討論。通過實時感知電源負荷，科學評估電源狀態，并及時采取恰當的措施，保障系統的可靠性。電源負荷態勢感知工作通常包含5 方面內容：一是通過傳感器等設備實時監測電源負荷參數；二是挖掘、分析數據，了解負荷狀態、用電行為及實際能耗；三是基于所掌握數據，建立能預測未來一段時間內負荷需求的模型；四是憑借實時監測、診斷技術，及時發現異常用電情況并對其處理，減少停電時間；五是通過可視化展示和報表分析數據信息，確保有關人員能及時了解系統狀態，制定正確的決策。在接入新能源的前提下，設計感知電源負荷態勢的方法，提高系統的運行效率，智能化管理電源和電力系統。

2 感知運行態勢

感知電源負荷態勢的關鍵是對電源負荷開展實時監測、分析及預測，了解并評估負荷運行態勢，助力系統穩定運行。

2.1 處理數據

在研究感知電源運行態勢的方法前，要先提取電源負荷態勢所涉及的數據。通過傳感器、智能電表以及測量設備，實時采集電源各節點的負荷數據，并通過物聯網或其他通信網絡傳輸采集功率、電流以及電壓等數據。隨后利用專業技術清洗、處理采集的數據，將數據存儲在對應的數據庫[2]。處理數據的目的是提高數據質量和準確性，為后續的應用提供便利。提取數據時，要注意2 點：一是實時檢測正常情況下電源母線每日的負荷值，及時篩除噪聲、冗余數據；二是科學處理數據。一旦提取數據所使用的量測裝置出現故障，就會影響所提取數據的真實性。數據篩除公式為

式中：Lt為母線負荷值；t為采樣時間；L1為母線平均負荷值；L2為負荷值的標準差。拉依達準則主要用于判斷非線性系統的狀態是否具有穩定性和輻散性，通過構造函數來評估系統變化情況[3]。確定一個描述系統狀態的方程V(x)，如果能找到連續可微的函數滿足V(x)＞0 對所有狀態變量x(x≠0)成立、V(x)一階導數關于時間的變化率不大于0 以及V(x)一階導數關于x的變化率不大于0，則表示該函數是拉依達函數，同時系統處于相對穩定的狀態。該準則并不能確定系統是否為全局穩定狀態，只能判斷系統在特定狀態附近是否穩定。如果要判斷全局穩定性，則需要進一步分析系統的性質和動力學行為[4]。

篩除不滿足拉依達函數的數據后，在剩余數據中提取特征數據和代表數據，形成集合。提取數據工作結束后，對數據進行相應的處理，以減小動態、靜態負荷差給感知行為帶來的干擾，使數據更加規范。

2.2 建立模型

由于用戶側存在多種電源負荷，在數據處理工作結束后，根據電源可能存在的運行形態，建立感知電源負荷群的模型。首先，使用數據分析技術，如時間序列分析和回歸分析等，對數據加以分析；其次，使用統計方法和機器學習算法，得出負荷規律，建立相應的預測模型[5]；最后，基于建立的預測模型，對未來負荷展開預測，實現電源的合理調度，確保系統的供需平衡。

2.3 感知運行態勢

基于集合經驗模態分解（Ensemble Empirical Mode Decomposition，EEMD）感知電源的負荷態勢。EEMD作為由經驗模態分解（Empirical Mode Decomposition，EMD）衍生出的全新方法，在非平穩、非線性信號分解和分組方面具有突出優勢，可以快速提取信號的時頻特性、局部特征。特征提取主要步驟為：第一步，根據原始信號隨機賦予噪聲，形成不同的擾動信號；第二步，分解擾動信號，獲得內模態分量（Intrinsic Mode Functions，IMF）成分；第三步，調整IMF 成分，得到具有實際意義的結果。該方法的優點體現在3 個方面：一是可以根據信號固有特性分解擾動信號，具有自適應性；二是通過多次引入擾動、調整IMF 成分，將分解結果存在劇烈震蕩、模態混疊等情況的概率降至最低，使分解更加準確；三是針對信號特點調整參數，充分滿足分解需求[6]。

正式導入數據前，需要按照屬性簡約處理原則，去除沒有實際價值的數據，在不影響最終感知結果的基礎上，減少導入模型的數據量，再以EEMD 所提供知識表達機制為依托，建立決策函數。準確采集電源功率數據，具體包括開關狀態、可調容量以及功率變比。基于采集數據，計算光伏發電出力、發電功率的最大值。分析電源負荷相關參數，為分析結果匹配相應的時序，達到感知負荷運行態勢的目的。

3 對比分析

在電力需求逐年增長的背景下，分布式電源額定裝機容量逐漸增大，無形中提高感知電源負荷態勢的難度。要想使分布式電源具備協同運行的條件，從管理、運行2 個層面對電力系統展開研究。以往感知電源負荷態勢的方法是由安裝的傳感器實時采集用戶側電源和負荷分布相關數據，通過可視化技術將采集的數據完整展示給用戶，為用戶了解電網現有分布式電源的運行情況和負荷特征提供便利[7]。為進一步優化用戶側和管理終端感知電源負荷態勢、解決故障的能力，設計一種全新的感知方法，實時監視電力系統和電源狀態，使電源協同化、智能化管理的設想成為現實。

為驗證所設計感知方法的有效性，根據某企業現有光伏發電站的實際情況，展開對比實驗。該發電站所屬企業為積極響應政府關于大力發展、使用新能源的號召，先后投入多筆資金，對風力、光伏發電系統進行開發，開發工作已初見成效。但開發過程中，發電系統的管理前端和服務終端不具備感知電源負荷態勢的功能，嚴重制約調度工作的推進。經過多方討論，最終決定用文章設計的方法感知電源負荷態勢。電源拓撲結構圖如圖1 所示。

圖1 電源拓撲結構圖

由圖1 可知，該企業接入新能源以風能、太陽能為主，依托管理終端建立測試環境。使用文章所設計方法時，先采集并處理電源負荷態勢相關數據，再建立模型，通過EEMD 得出最終結果。將基于注意力機制、長短期記憶（Long Short-Term Memory，LSTM）所設計的感知方法作為常規方法1，將Spiked感知方法作為常規方法2，使用不同的方法感知電源負荷態勢，由技術人員在同一時間測量電源相關數據，作為本次實驗的參照組。不同方法的感知結果如圖2所示。

圖2 不同方法的感知結果

由圖2 可知，使用本文方法和人工測量數據得到的數據誤差更小。以此為基礎，抽取6 個測點，計算不同方法存在的感知誤差。計算公式為

式中：E為感知誤差；p1為感知結果；p2為人工測量所得數據。

不同方法的感知誤差計算結果如表1 所示。由表1 可知，文章所設計的感知方法應用效果更優。合理使用該方法，既能實時感知電源負荷態勢，又能有力控制感知誤差。

表1 不同方法的感知誤差 單位：%

4 結 論

分布式電源通常安裝在系統負荷側，可以為電網持續提供維持運行所需服務。以此為背景，針對分布式電源負荷運行態勢，設計一種全新的感知方法。通過測試，證實該方法具有實時性強、信息全面以及可靠性較高等優勢，在電網管理和運維中有著廣闊的應用前景，有望在算法優化、數據集成以及人工智能應用等方面實現進一步發展。