分布式光伏前端數據采集技術研究

摘 要：本文針對分布式光伏的前端數據采集問題，提出了一種基于卷積神經網絡的深度學習估計方法，將輻射照度、輸出功率為基本特征向量，用于深度學習網絡輸入，進而對深度學習網絡的結構、迭代過程、池化處理進行理論描述，并在試驗過程中給出采集數據的估計流程，對估計結果和真實采集結果進行類比。關聯系數的結果表明，本文提出的采集方法是有效的。

關鍵詞：分布式；光伏；前端數據采集

中圖分類號：TM 61" " 文獻標志碼：A

隨著石化能源日益瀕臨枯竭，世界各國開始普遍重視太陽能利用。太陽能不僅是可再生資源，也是一種清潔型能源[1]。光伏發電技術是利用太陽能的有效手段，可以將太陽能轉化為電能。近年來，我國一直致力于光伏發電的新能源開發，配置的光伏發電設備總容量已經超過2.0億千瓦[2]。在各種光伏發電的技術構成中，分布式光伏具有十分重要的地位，在光伏發電總容量中的占比超過30%。如果能高效利用分布式光伏，太陽能將得到最大限度的利用。目前，困擾分布式光伏技術的一個突出難題就是太陽能采集的前端設備分散到不同位置，而不同位置的采集條件、工作場景和氣象情況存在很大差異，導致數據采集情況復雜[3]。部分條件不成熟的位置無法配置采集設備，導致整體上采集數據不全。因此對分布式光伏進行前端數據采集研究是解決光伏發電的關鍵問題。

1 分布式光伏前端缺失數據的虛擬采集策略

分布式光伏和集中式光伏的發電模式不同。分布式光伏采用的是分布式發電模式，即將發電設備分散在分散的地區，形成覆蓋較廣的太陽能發電系統。分布式光伏的裝機容量相對較小，一般為幾十千瓦到幾百千瓦不等。而集中式光伏的裝機容量較大，一般為幾百千瓦甚至上千兆瓦級別。分布式光伏建設相對簡單，不需要太多的投資和土地資源，可以在農田、屋頂和工業園區等地區布建，以便更充分地利用資源。

分布式光伏的前端數據采集覆蓋范圍更大，因此涉及的地形條件、氣象條件和采集環境存在較大差異。部分需要覆蓋的地區因架設困難而無法安裝前端設備。部分地區雖然架設了設備，但工作條件惡劣，無法采集到有效數據。因此，本文的主要工作就是對分布式光伏前端缺失的數據進行虛擬采集。其基本思路是利用可采集數據區域關鍵參數的相似性，對無法采集數據的區域進行預測，從而補足缺失區域。

對分布式光伏的前端設備來說，太陽光照射到光伏板材上，采集裝置就會吸收太陽能，并根據采集能量的大小完成功率輸出。因此太陽光的輻射照度和光伏前端的輸出功率具有對應性。如果能得到某一區域的輸出功率，就可以估算出該區域對應的輻射照度。同樣的原理，如果可以判斷出某一區域的輻射照度，就可以估算出該區域的輸出功率。如圖1和圖2所示。

根據圖1和圖2可知，A地和B地2個不同區域布置的分布式光伏前端采集裝置的輻射照度曲線和輸出功率曲線的變化基本一致，幅度的波動范圍也具有較好的一致性。

假設A地和B地的光照強度接近，分布式光伏前端需要分別安置在A地和B地并進行數據采集，但是B地因為條件不允許無法安裝，因此可以用A地的光伏前端數據對B地的光伏前端數據進行預測，從而形成B地光伏前端數據的虛擬采集。因為B地的光照強度和A地接近，所以可以通過A地的歷史數據對B地進行估計。

2 基于卷積神經網絡的前端數據預測方法

根據第1節給出的思路，進一步構建基于卷積神經網絡的光伏前端數據的預測方法。經驗表明，如果用一個可以實際采集數據的地區的歷史信息去估計一個光照強度類似地區的光伏數據，需要在時間上盡可能處于同一跨度。最好的時間差異不超過15 d，這樣進行的預測才是準確的。同時，歷史數據和預測數據要建立某種聯系，可以采用深度學習網絡進行聯系機制訓練。本文采用的是卷積神經網絡訓練方法，其深度學習訓練框架如圖3所示。

根據圖3可知，將實地采集的各種數據信息作為輸入和輸出對卷積神經網絡進行訓練，得到穩定的網絡結構和準確的對應關系后，就可以利用該網絡對缺失地區的光伏前端數據進行預測。

進而本文使用卷積神經網絡識別與輸入數據中的局部信息進行較低維度的相關語義表達。該卷積神經網絡由滑動窗口和回歸層組成，滑動窗口由幾組3×3卷積核組成，用于提取輸入數據信息的低語義表達。在每個滑動位置o都有一個c1維跨通道特征向量v，這些數據中的一個分量如公式（1）所示。

vsi=θ（W3×3i·w3（o）），i=1，2，...，c1 " "（1）

式中：v為特征向量；o為滑動位置；Wi 3×3為一個窗口，窗口可以用于滑動；w3為一個以o為中心的3×3區域。

然后將幾個1×1卷積核作用于vs，如公式（2）所示。

vrj=BReLU（W1×1j·vs），j=1，2，...，c2" （2）

式中：vrj為vr的第j個元素，每個元素中包括c2個要傳輸的候選對象。

為了保證輸出值為[0，1]，本文將雙邊整流線性激活單元作為輸出層的激活函數，其定義為x→min（max（x，0），1）。

與wr（p）相關的最終預估媒介透射率是對vr的池化結果，如公式（3）所示。

（3）

式中：（p）為池化結果；c2為要傳輸的候選對象的數量；v為特征向量。

均方誤差用于計算預期結果與實際輸出間差異的損失函數，如公式（4）所示。

（4）

式中：T為期望輸出；為實際輸出的池化結果；L為預期結果與實際輸出間差異的損失函數。

在神經網絡模型中的區塊操作下，網絡輸出的池化結果存在區塊偽信息。為了進一步細化池化結果，使用導向濾波算法平滑預測數據的池化結果。

導向濾波算法假設導向圖和局部區域中的濾波輸出線性相關。基于該關鍵假設，可以將池化結果的結構線性轉換為精細池化結果，如公式（5）所示。

t（i）=a（p）Igray（i）+b（p），i∈wr（p） " "（5）

式中：a（p）為預測數據的線性系數；b（p）為預測數據的線性常數；I（i）為光伏前端的預測數據；t（i）為池化結果，如公式（6）所示。

t（i）=（i）-μ（i） " "（6）

式中：μ為一些冗余信息，例如噪聲和干擾等。

公式（6）可以保證最終輸出t的值近似于。在窗口wr（p）中，可以將如公式（7）所示的代價函數最小化來求解（a（p），b（p））。

（7）

式中：E為代價函數；t（i）為正則化系數，用來調整過大的a（p）。

公式（7）的解可以使用線性嶺回歸模型來解。

3 分布式光伏前端數據采集試驗與結果分析

本文將試驗地某區域內已安裝數據采集裝置的一個分布式光伏電站的輻照數據與功率數據作為樣本數據。在原始的光伏功率與輻照歷史數據中，每日數據有效采集的起始時間并不都是完全統一的，而且數據采集時間點較密集，因此模型的輸入變量不一致且較復雜，增加了模型開銷。為了實現數據的統一性，將數據采集的時間窗口定為05：00—19：00，數據采集時間間隔為1 h。試驗中，光伏前端數據訓練和預測流程如圖4所示。

經過上述多個處理步驟并根據相似地區的歷史數據來預測未知地區的光伏前端數據，從而完成缺失數據地區的虛擬采集。

按照上述的方法和流程估計試驗地的光伏前端輸出功率數據。估計時段在一天的05：00—19：00。估計結果顯示，在10：00—13：00光伏前端的輸出功率達到峰值區域，該時間也正是試驗地日照最強的時間。由于該時間段的輻射照度高、輻射能大，因此該光伏設備的輸出功率也較大。為了驗證估計結果，同時配置光伏前端設備并進行采集，二者的關系曲線如圖5所示。

可以看出，2組曲線的擬合程度非常高，06：00—17：00嚴格吻合，輸出功率的幅值、曲線的變化形態也基本一致，充分表明了預測方法的有效性。

擴大光伏前端數據的虛擬采集時間范圍，從單日預測增加到100 d，如圖6所示。如果虛擬采集的估計結果與真實結果相符，那么2組數據的關聯程度必須維持在較高水平。根據關聯系數分析方法原則，如果大數據樣本間的關聯程度持續維持在0.7以上，則表明2組數據的關聯性強。根據本文統計結果，光伏前端數據的估計結果和真實結果間的關聯系數均分布在0.7以上，95%以上的關聯系數分布在0.75以上，85%以上的關聯系數分布在0.80以上，充分表明本文光伏前端數據采集方法的有效性。

4 結論

光伏發電是利用太陽能最有效的方法之一，也是目前正在廣泛研究的實用技術。在眾多光伏發電設備中，分布式光伏具有十分重要的地位。但是，分布式光伏分布節點多，受不同位置的采集條件、環境狀況和氣象因素的影響，數據采集困難。為了保證分布式光伏前端數據采集的完整性，本文提出了一種基于卷積神經網絡的深度學習方法，用可采集地區的歷史數據對類似地區的光伏前端數據進行估計。并通過多組試驗進行驗證，證實了該方法對分布式光伏前端數據采集的有效性。

參考文獻

[1]許曉艷，黃越輝，劉純，等.分布式光伏發電對配電網電壓的影響及電壓越限的解決方案[J].電網技術，2010（10）：140-146.

[2]陳璨，樊小偉，張文浩，等.促進分布式光伏消納的兩階段源網荷儲互動優化運行策略[J].電網技術，2022，46（10）：3786-3796.

[3]葛俊雄，蔡國偉，姜柳，等.基于天氣變化自適應分型與匹配的分布式光伏短期功率預測方法[J].激光與光電子學進展，2024，61（15）：101-109.