一种基于光伏发电功率预测的电压稳定控制方法

技术领域

本发明属于电力系统技术领域，具体涉及一种基于光伏发电功率预测的电压稳定控制方法。

背景技术

分布式光伏出力具有强随机性、波动性及间歇性，目前的现状是：对于分布式光伏其在就地控制模式下一般采用定并网点单位功率因数1控制，而配电网R/X比值一般较大，分布式光伏的有功注入将引起并网点电压上升，有功功率波动可能造成电压的大幅度波动，给配电网的电压调节带来了困难。

分布式光伏的逆变器本身一般具备快速、连续的无功调节能力，将这一无功电压调节手段纳入配电网区域化无功电压控制，有助于增强配电网的无功电压调控能力。

目前，分布式无功电压控制方法是根据并网点电压的偏差计算出需要的无功变量，然后向逆变器分配，由于无功电压控制器与逆变485通讯的延时，其结果往往在调节前期已造成了电压的波动和瞬时的电压值超标。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于光伏发电功率预测的电压稳定控制方法。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于光伏发电功率预测的电压稳定控制方法，包括以下步骤：预测光伏发电功率，通过依据预测的光伏发电功率P

优选地，预测光伏发电功率包括以下步骤：

获取数据：在目标时刻的前一个小时内，每五分钟对光伏的发电功率P

数据处理：对获取的有功功率数据进行预处理，得到原始数据样本，预处理包括对缺失值较少的样本进行插值填充和缺失值较多的样本则舍弃，将预处理后的原始数据集进行归一化处理，得到光伏有功出力的真实样本x

生成虚拟样本：生成式对抗网络(GAN)的学习方式是无监督学习，所述生成网络包含生成器(G)和判别器(D)，随机向生成器中输入一组噪声向量，生成器依据真实样本x

优化对抗网络参数：将真实数据样本与虚拟样本均输入到判别模型中，判别模型输出结果，再根据结果不断更新生成模型的参数，二者进行博弈，不断优化参数，直到达到纳什平衡，此时生成模型训练出来的虚拟样本就和真实样本基本相同；

聚类、获取预测值：采用K-means聚类算法把上述虚拟数据集分成若干簇，选取数据分布最多的一簇，将其簇中心作为预测的光伏发电功率。

采用本发明具有如下的有益效果：

(1)通过预测光伏发电的有功功率，作出光伏逆变器无功功率的调节策略，达到预期稳定光伏电站并网点电压波动的目的，防止并网电压值超标。

(2)对分布式电源并网点的电压做到“预期自动控制”，可避免原来由于无功电压控制器与逆变485通讯的延时，往往在调节前期已造成了电压的波动和瞬时的电压值超标的情况，具有工程应用价值。

附图说明

图1为本发明实施例的一种基于光伏发电功率预测的电压稳定控制方法中分布式光伏并网系统示意图；

图2为本发明实施例的一种基于光伏发电功率预测的电压稳定控制方法中GAN网络基本结构；

图3为本发明实施例的一种基于光伏发电功率预测的电压稳定控制方法中光伏发电功率预测流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提出的一种基于光伏发电功率预测的电压稳定控制方法，包括以下步骤：预测光伏发电功率，通过依据预测的光伏发电功率P

以附图1所示的分布式光伏并网系统为例，末端电力用户含PV发电系统，图中U

线路的电压损失则为:

以瞬时值表示，即：

由于配电网的R值相对较大，P

控制目标使

光伏电站可调无功的最大值如下确定，

其中，M为光伏电站逆变器的总数量，

无功分配可以根据不同逆变器的无功功率余量，将总的无功调节量按容量比例分配到每台逆变器中，见下式。

这种分配方式可以保证每台逆变器发出的无功功率均在允许的范围内。

具体应用实例中，光伏功率的预测流程参照附图3，具体描述如下：

步骤一，获取数据。在目标时刻的前一个小时内，每五分钟对光伏的发电功率P

步骤二，数据处理。把获取的有功功率数据进行预处理，得到原始数据样本x，预处理方包括：对缺失值较少的样本进行插值填充，缺失值较多的样本则舍弃。为了保证每一个数据的影响力是一样的，将预处理后的原始数据集进行Z-scoreNormalization处理，得到光伏有功出力的真实样本x

其中，x为经过预处理后的原始数据集，μ是样本的平均值，S为标准差。

步骤三，生成式对抗网络(GAN)的学习方式是无监督学习。参照附图2，所述生成网络包含生成器(G)和判别器(D)。随机向生成器中输入一组噪声向量，生成器依据真实样本x

步骤四，将真实数据样本x

步骤五，根据目标函数计算误差。生成模型采用卷积神经网络(CNN)，卷积层的加入，可以使生成器G和判别器D精准地捕捉到数据集。GAN模型的目标函数为:

其中，x

在上述GAN的目标函数中，G和D的训练目标有所不同。

生成器G的优化损失函数可以写为：

Loss

当然，判别器D的优化损失函数可以写为：

p

步骤六，更新参数：训练判别器的时候，保持生成器的参数不变，利用样本的数据特点更新判别器的参数，然后判别器输出结果，再根据结果不断更新生成器的参数，即生成器参数的更新来自判别器的反向传播，并对p

步骤七，本专利采用常用的欧式距离的聚类算法—K-means算法。K-means聚类算法的优点有：处理数据比较简单，时间复杂度低，运算速度快。

K-means聚类是把给定的n个数据对象的数据集，聚类成k类(n、k均为正整数)，每个划分聚类就是一个簇。特点为：每个数据对象只能归属于一个簇，同一个簇中的数据相似度比较高，簇与簇之间的相似度又很低，一直重复这个过程到完成划分，其算法步骤如下：1)确定聚类中心：在真实数据样本中任意选取k个数据对象作为初始聚类中心；2)数据划分：计算所有数据点到聚类中心的距离，并根据距离最小原则将该数据划分到对应的类中；3)更新簇心：根据虚拟样本x’，重新计算各簇中数据的平均值，迭代更新各簇的中心，不断重复上述的2)和3)，直到达到终止条件(比如最小误差、迭代次数等)。选取数据分布最多的一个簇，将其簇中心作为光伏发电的预测功率。

其中，光伏逆变器的可调无功功率，是依据根据发电单元的额定值和预测的有功出力，计算站内所有发电单元的无功功率出力的限值，以最大限度地利用发电单元的无功调节能力。

进一步，根据控制需要的无功值，结合上述的限制，同比例分配给每一台逆变器，共同实现无功调节。

本发明实施例以“预期自动控制”手段，解决分布式光伏接入的用户端电压波动和抬升问题，具有工程应用价值。

应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。