夏向陽，易浩民，陳向群，陳仲偉，熊德智，黃瑞， 王逸超，曾小勇，鄧豐，胡蓉朝輝，黃海

?

配置儲能裝置的光伏預測配網(wǎng)優(yōu)化研究

夏向陽1，易浩民1，陳向群2，陳仲偉3，熊德智2，黃瑞2， 王逸超3，曾小勇1，鄧豐1，胡蓉朝輝1，黃海1

(1. 長沙理工大學 電氣與信息工程學院，湖南 長沙，410114； 2. 國網(wǎng)湖南省供電服務中心(計量中心)，湖南 長沙，410004； 3. 國網(wǎng)湖南省電力公司 經(jīng)濟技術研究院，湖南 長沙，410004)

在分析區(qū)域光伏并入配網(wǎng)時交流母線PCC點電壓波動機理的前提下，提出一種配置儲能裝置的光伏預測配網(wǎng)優(yōu)化運行方法。該方法分析光伏發(fā)電輸出功率與多種氣象因素的相關性，將多種氣象因素作為多個信息源處理，運用信息融合理論將其加權為一個綜合影響因子，建立以為輸入的BP神經(jīng)網(wǎng)絡預測模型，將模型輸出的預測值實時傳送給儲能裝置，采用基于濾波原理的光伏發(fā)電輸出功率平滑控制，實現(xiàn)光伏功率平滑輸出，這種方法可以和分時電價有效結合，既提高配網(wǎng)運行經(jīng)濟性的同時穩(wěn)定節(jié)點電壓，降低節(jié)點電壓越限的可能。研究結果表明：所述預測模型具有較高的預測精度，對配網(wǎng)的安全優(yōu)化運行有一定作用。

電壓波動；信息融合；粒子群算法；BP神經(jīng)網(wǎng)絡；優(yōu)化運行

隨著傳統(tǒng)化石能源的日益減少，全球能源減排進程不斷加快，大力發(fā)展分布式能源已經(jīng)成為必然選 擇[1?2]。而光伏發(fā)電作為一種環(huán)保、可持續(xù)、建設周期短的新能源備受關注。截至2015年9月底，我國光伏發(fā)電裝機已超過38.00 GW，其中光伏的地面集中式電站近32.00 GW，分布式光伏為6.25 GW。據(jù)我國可再生能源“十三五”規(guī)劃，到2020年，光電發(fā)電規(guī)模目標由之前規(guī)劃提出的100.00 GW上調50%至150.00 GW，未來在能源發(fā)電中將會有更高比率的分布式光伏能源[3]，可見將來光伏發(fā)電將在分布式能源發(fā)電中占有重要地位，會有越來越多的分布式光伏接入主動配電網(wǎng)中。但由于光伏出力的波動性和隨機性，其輸出功率受多種氣象和環(huán)境因素以及自身結構特性影響，在配網(wǎng)中利用效率不高。光伏功率輸出過高和不足都會影響電網(wǎng)的安全可靠運行，這也限制了大規(guī)模光伏系統(tǒng)并網(wǎng)運行，因此，有必要深入研究光伏發(fā)電的預測模型，及時、準確地預測光伏功率和采取相應的配網(wǎng)功率控制策略對電網(wǎng)的安全和調度具有重要意義。光伏功率預測即根據(jù)歷史發(fā)電數(shù)據(jù)和當前運行狀態(tài)對未來一定時段的光伏功率進行預測，按預測的時間尺度可分為超短期光伏功率預測、短期光伏功率預測和中長期光伏功率預測[4]。按建模方式不同可分為以光伏電站的自身參數(shù)和地理信息為基礎的物理方法和以大量歷史數(shù)據(jù)為基礎的統(tǒng)計方法。按光伏發(fā)電的預測思路不同，又可歸納為通過預測太陽輻射強度間接預測光伏發(fā)電功率和通過光伏功率歷史數(shù)據(jù)直接預測光伏發(fā)電功率2類[5]。在光伏功率預測方面，目前國內(nèi)外研究者已采用許多不同的理論方法和預測模型對光伏發(fā)電的輸出功率進行研究，研究理論主要有聚類理論、貝葉斯理論、相似日理論等，研究方法主要為小波分析方法、隨機森林方法、時間序列方法、概率預測方法、神經(jīng)網(wǎng)絡方法，支持向量機方法、馬爾科夫鏈方法、卡爾曼濾波方法和多元線性回歸方法及其它們的綜合算法[6?8]。袁曉琳等[9]分析了一種計及天氣型指數(shù)的光伏發(fā)電短期出力預測模型，采用歐式距離法確定天氣類型之間的倍率關系，結果表明該統(tǒng)一模型比以天氣分類分別建立子模型在不同天氣情況下的光伏功率預測結果更加精確，但其沒有考慮預測功率后的配網(wǎng)優(yōu)化問題。代倩等[10]以氣溫、濕度代替太陽輻射強度作為輸入量，采用自組織特征映射對天氣類型聚類進行識別，建立無輻照度端機功率預測模型，但其算法容易陷入局部最小問題。丁明等[11]應用光伏陣列模型的太陽能輻射?輸出功率特性，通過馬爾可夫鏈直接預測光伏系統(tǒng)的輸出功率，但該方法僅對天氣不變或變化不大的情況下有較好預測結果，適應性不強。MANDAL等[12?13]將小波分析算法與智能預測算法相結合，將光伏功率分解到不同頻段(能量段) 上分別進行功率預測，這種組合算法可以提高預測的精度，但所需要的輸入變量增多，也增加了算法的復雜性。在配網(wǎng)分布式能源功率優(yōu)化方面，程莎莎等[14]分析了一種基于風光互補的儲能裝置，該裝置能實現(xiàn)風光儲能系統(tǒng)的功率平衡，穩(wěn)定風力發(fā)電和光伏出力的波動，提高儲能裝置的壽命。嚴干貴等[15]利用蓄電池和超級電容器在儲能機理上的互補性，引出2種儲能裝置組成的混合儲能系統(tǒng)，將儲能系統(tǒng)作為濾波裝置，提出了基于低通濾波原理的混合儲能系統(tǒng)控制方式來減小功率輸出波動。但程莎莎等[14?15]研究中涉及的儲能設備硬件成本較高，對其合理接入配網(wǎng)的位置和容量還要進行一定的經(jīng)濟性評估。夏向陽等[16]提出了一種基于DSP控制的單相光伏并網(wǎng)逆變器設計技術方案，可以較好地實現(xiàn)電網(wǎng)電壓鎖相控制，但在電流控制算法上仍存在不足。李清然等[17]考慮了一種光伏電源有功/無功綜合控制方案來防止配網(wǎng)電壓越限，但存在有功功率上限預測不便確定的問題，不能精確計算有功功率與電壓的關系?；谝陨戏治觯瑸榱藴p少神經(jīng)網(wǎng)絡的輸入變量，本文作者充分考慮多種氣象因素對光伏功率的影響，在分析光伏接入配網(wǎng)引起交流母線PCC點電壓波動機理的前提下，提出一種新型的基于數(shù)據(jù)融合理論的BP神經(jīng)網(wǎng)絡預測模型來預測光伏輸出功率。將多種氣象因素按照相關性以一定的倍率進行信息融合成1個綜合影響因子，通過BP神經(jīng)網(wǎng)絡對輸入變量進行訓練，最后得到光伏的預測輸出功率。將光伏預測功率應用于配網(wǎng)優(yōu)化運行之中，采取基于濾波原理的光伏發(fā)電輸出功率平滑控制，這種方式可以和分時電價有效結合，在滿足負載需求的前提下，預測功率高電網(wǎng)電價高時直接向電網(wǎng)出售電能，預測功率高電網(wǎng)電價低時將電能存儲在蓄電池中。既提高配網(wǎng)運行經(jīng)濟性的同時穩(wěn)定PCC點電壓，降低節(jié)點電壓越限的可能，對電網(wǎng)的調度和規(guī)劃有一定的指導作用。

1 光伏發(fā)電PCC點電壓波動機理

1.1 光伏發(fā)電直接并入配網(wǎng)

首先分析光伏發(fā)電系統(tǒng)接入配網(wǎng)對交流母線PCC點的影響?？紤]變壓器阻抗、配網(wǎng)線路阻抗以及光伏電池內(nèi)阻抗，其接入配網(wǎng)的模型如圖1所示。圖1中：g為濾波電抗；l+jl為配網(wǎng)線路阻抗；t為配網(wǎng)等效戴維南串聯(lián)電抗；g為光伏系統(tǒng)考慮注入的有功功率；g為無功功率；g為相應的CC點電流；g為PCC點電壓；s為線路末端電壓，這里不考慮接入負載。

由圖1及線路電壓公式可得當配網(wǎng)線路阻抗給定時的PCC點電壓，

由式(1)進行推導可得

可知PCC點電壓g波動與光伏輸出的有功功率g與無功功率g有關。

1.2 以光儲微網(wǎng)形式并入配網(wǎng)

光伏以光儲微網(wǎng)的形式并入配網(wǎng)的拓撲結構圖如圖2所示。系統(tǒng)由光伏電池單元組成的光伏發(fā)電系統(tǒng)、蓄電池與超級電導儲能組成的混合儲能系統(tǒng)以及變壓器和變換器組成。圖2中：+j為線路阻抗；1為變壓器與線路阻抗之間的電壓；L+jL為負載所需的功率；G+jG為光伏系統(tǒng)輸出功率；B+jB和S+jS分別為蓄電池儲能和超導儲能輸出或吸收功率。根據(jù)線路傳輸電壓損耗公式可得PCC點的電壓PCC為

由式(3)可得：在線路阻抗一定的情況下，交流母線CC點的電壓主要由注入該節(jié)點的有功或無功功率決定，光伏輸出功率波動或者負載投切都會影響并網(wǎng)交流母線CC點的電壓波動。

圖1 光伏接入配網(wǎng)等效模型

圖2 基于混合儲能的光儲微網(wǎng)拓撲結構

2 光伏功率信息融合理論

2.1 光伏功率的相關性分析

對于由太陽能電池板組成的光伏發(fā)電系統(tǒng)，在電池板角度固定時，單位面積上的輸出功率g在工程上可按下式表示：

其中：為光伏電池光電轉換效率；為光伏電池的總面積；為光輻射強度；0為環(huán)境溫度。在光伏自身結構確定時，光電轉換效率和面積均為常數(shù)，光伏的輸出功率主要與光輻射強度和環(huán)境溫度有關。然而，事實上，光伏輸出的功率不僅僅取決于光輻射強度和環(huán)境溫度，而且與多種其他氣象因素有關?？抵貞c 等[18?19]通過Person相似度的距離分析法分析了光伏發(fā)電功率的相關性，得出光伏輸出每小時發(fā)電量與溫度a、氣壓a、濕度、風速s以及表征天氣類型的云量t、低云量1、太陽總輻射度r等有關。本文直接引用文獻[18]中表征光伏功率與氣象因素相關性的參數(shù)，選取其中與光伏每小時發(fā)電量有關的氣象因素相關性，如表1所示。

表1 光伏功率與氣象因素的相關性系數(shù)

從表1可以看出：對光伏功率影響最大的是太陽總輻射度r，相關性為0.931；光伏功率與溫度a和風速的相關性s分別為0.527和0.311。而氣壓a、濕度、云量t和低云量1與光伏功率呈現(xiàn)負相關的特性。

2.2 信息融合理論原理

信息融合起初被稱為數(shù)據(jù)融合，起源于1973年美國國防部資助開發(fā)的聲納信號處理系統(tǒng)，是一個從單個和多個信息源獲取的數(shù)據(jù)和信息進行關聯(lián)和綜合，以獲得精確的位置和身份估計，并對態(tài)勢和威脅進行全面、及時評估的信息處理過程，這是對其估計、評估和額外信息源需求評價的一個持續(xù)精練過程，同時也是信息處理過程不斷自我修正的過程，以獲得改善結果[20]。本文將影響光伏功率的多個氣象因素當成多個信息源處理，力求把這些數(shù)據(jù)以一定的關系進行信息融合成1個參考信息，將該綜合信息看成是網(wǎng)絡模型的輸入對其訓練，以減少模型的輸入變量，進而在降低模型復雜度的同時，充分考慮低云量等多個氣象因素對光伏功率的影響。因此，借鑒前面相關性分析，取低云量1作為參考倍率，為?1，則表1中變量a，a，，s，1，2，r和之間的比例關系可轉換為2.58：?1.83: ?2.73:1.52: ?1.55: ?1.00:4.56，可取綜合影響因子t如下式所示：

其中：1t，2t，…，7t分別表示每小時的溫度、氣壓、濕度、風速、云量、低云量和光照強度系數(shù)。的取值范圍為[1，11]，分別對應1 d中7:00—17:00這11個整小時點。為了防止模型輸入不飽和，這7個系數(shù)為經(jīng)過歸一化的值。數(shù)據(jù)歸一化公式為

其中：k為氣象因素系數(shù)。

為了能反映1 d中氣象因素與綜合影響因子的映射關系，選取為1 d的平均綜合影響因子，即

3 基于光伏預測模型及儲能配合的光伏功率平滑控制

3.1 BP神經(jīng)網(wǎng)絡模型的設計

圖3所示為本文提出的整個光伏預測配網(wǎng)優(yōu)化的流程框圖。首先將光伏發(fā)電系統(tǒng)采集的歷史發(fā)電功率和相應的氣象因素進行信息融合處理，利用處理好的數(shù)據(jù)對網(wǎng)絡模型進行訓練，最終通過訓練好的網(wǎng)絡模型預測光伏的出力。本文所選用的預測方式是短期每小時預測，最后將得出的預測功率應用于配網(wǎng)優(yōu)化運行之中。

由于BP神經(jīng)網(wǎng)絡具有較強的非線性映射、學習和自適應能力，因此，采用BP神經(jīng)網(wǎng)絡對其數(shù)據(jù)進行訓練。這種建模方式與以往的按照天氣劃分如晴天、雨天分別建立子模型不同，本文不對其進行分類，其結構原理如圖4所示。圖4中，輸入的節(jié)點數(shù)為13個，包括BP神經(jīng)網(wǎng)絡預測日前1 d和預測日的平均綜合影響因素()和(+1)，預測日前1 d的7:00—17.00每小時光伏輸出功率()。輸出的節(jié)點有11個，分別為預測日7:00—17.00每小時光伏輸出功率(+1)?？紤]到過多的隱含層層數(shù)除了導致預測模型復雜性增加外，還可能會造成過度擬合從而影響預測結果的問題，在實際應用中一般采用1~2層隱含層[20]。本文選取的隱含層個數(shù)為1層。圖4中：w為連接輸入層和隱含層的權值；w為連接隱含層和輸出層之間的權值；為隱含層各神經(jīng)元的閾值；為輸出層各神經(jīng)元的閾值。模型建立完成后，為了避免網(wǎng)絡參數(shù)陷入局部最小，加強訓練的質量和速度，可以對輸入層和隱含層的權值w和隱含層和輸出層之間的權值w進行參數(shù)優(yōu)化。

圖3 光伏短期預測功率流程圖

圖4 BP神經(jīng)網(wǎng)絡模型

3.2 基于儲能裝置配合的光伏輸出功率平滑控制

從模型中得出的光伏預測功率可以應用于配網(wǎng)的優(yōu)化運行，配網(wǎng)運營者可以提前一天預知光伏輸出功率的大小，一方面當光伏功率輸出過多時會引起配網(wǎng)饋線過電壓，另一方面光伏輸出功率的波動性也會影響接入點PCC電壓的穩(wěn)定性。一般可以通過以下幾種方式解決電壓越限問題：增加儲能裝置；通過潮流控制器把多余的光伏輸出功率引到其它負載需求較大的饋線上，起到供需平衡的作用；利用無功補償裝置在由光伏功率輸出過多引起的過電壓情況下通過無功功率交換降低節(jié)點電壓；利用光伏發(fā)電系統(tǒng)自身的控制技術，使用光伏的有功/無功控制降低配網(wǎng)電壓，必要的時候對光伏的功率進行削減；通過配網(wǎng)中其它分布式能源或負載的主動控制穩(wěn)定配網(wǎng)的電壓；利用載變壓器(OLTC)可以從整體上調整配網(wǎng)電壓。

本文采取的控制方式是基于濾波原理的光伏發(fā)電輸出功率平滑控制，這種方式可以和分時電價有效結合，在滿足負載需求的前提下，預測功率高電網(wǎng)電價高時直接向電網(wǎng)出售電能，預測功率高電網(wǎng)電價低時將電能存儲在蓄電池中，待電價高時利用儲能向電網(wǎng)售電，在輸出功率低電價低時從電網(wǎng)大量購電，同時可以存儲部分能源于儲能裝置中，待電價高時利用儲能向電網(wǎng)售電。既提高配網(wǎng)運行經(jīng)濟性，同時穩(wěn)定PCC點電壓，降低節(jié)點電壓越限的可能。

圖 5 所示為利用一階巴特沃茲低通濾波器實現(xiàn)對間歇式電源功率平滑控制的基本框圖，該方法中濾波器的時間常數(shù)可以固定，也可以通過儲能裝置的狀態(tài)實時調整。波動的光伏輸出功率DG通過低通濾波器之后得到一個功率參考值DG_ref，DG_ref是期望平穩(wěn)輸出到聯(lián)絡線上的功率值，如果儲能裝置可以提供功率bat_ref=DG_ref?DG，則聯(lián)絡線功率達到期望的line=DG_ref，其中，bat_ref＞0 表示電池放電，bat_ref＜0 表示電池充電。

圖5 基于低通濾波器的儲能平滑控制基本框圖

Fig, 5 Basic control block diagram based on low pass filter

4 實例驗證

在基于上述理論分析基礎上，為了驗證所提出策略的有效性，本文預測模型采用Matlab實現(xiàn)神經(jīng)網(wǎng)絡的迭代和計算過程。實際光伏功率數(shù)據(jù)來源于與某公司合作的屋頂光伏發(fā)電系統(tǒng)，相關氣象數(shù)據(jù)來源于當?shù)氐臍庀笳?。如前所述，取預測日前1 d的發(fā)電功率和綜合影響因子及預測日的綜合影響因子作為模型的輸入，模型的輸出為預測日的光伏預測輸出功率。取具有典型天氣類型代表性的晴天、雨天、多云情況的實際功率與預測功率進行對比，如圖6所示。其中，圖6(a)所示為晴天的預測結果，橫軸表示時間，分別表示上午7:00至下午17:00，間隔為1 h，縱軸為輸出功率，從圖6(a)中可以看出該模型對晴天具有較高的預測精度。圖6(b)所示為雨天的預測結果。由于雨天天氣變化情況較復雜，各種氣象數(shù)據(jù)波動大，所得預測功率與實際功率存在一定誤差，減少這種誤差可以通過更準確地獲取氣象數(shù)據(jù)來獲?。粓D6(c)所示為多云的預測結果。由于在多云天氣下云量難以測量，所得預測功率與實際功率有一定誤差，但誤差在允許范圍之內(nèi)。

將此預測功率應用到配網(wǎng)中與儲能技術相結合，儲能裝置容量為20 kW。以圖6所示的晴天預測功率為例，若在10:00—13:00光伏輸出功率過多，引起配網(wǎng)節(jié)點電壓越限，本文通過利用一階巴特沃茲低通濾波器實現(xiàn)對光伏輸出功率平滑控制，優(yōu)化后的光伏輸出功率如圖7所示。

(a) 晴天；(b) 雨天；(c) 多云

圖7 光伏優(yōu)化實際輸出功率

5 結論

1) 針對光伏系統(tǒng)接入配網(wǎng)會引起PCC點電壓波動的問題，提出一種基于信息融合理論的光伏功率預測方法來短期預測光伏輸出功率。該模型采用以綜合影響因子為輸入的BP神經(jīng)網(wǎng)絡，利用改進的粒子群算法對模型的權值參數(shù)進行優(yōu)化。最后將此預測功率結合儲能技術應用于配網(wǎng)優(yōu)化運行之中。

2) 該模型對光伏功率預測具有較高的準確性。與蓄電池儲能相結合，能起到削峰填谷、平滑功率輸出的作用。這種控制方式可以維持配網(wǎng)饋線電壓在允許電壓范圍之內(nèi)，同時有效穩(wěn)定光伏輸出，提高光伏輸出功率的消納能力和配網(wǎng)的安全穩(wěn)定運行，并對配網(wǎng)的規(guī)劃和調度有一定的指導作用。

[1] 裴瑋, 孔力, 齊智平. 光伏發(fā)電參與配電網(wǎng)電壓調節(jié)的控制策略研究[J]. 太陽能學報, 2011, 32(11): 1629?1635. PEI Wei, KONG Li, QI Zhiping. Cooperative voltage regulation strategy in distribution network with high penetration level of generations[J]. Acta Energiae Solaris Sinica, 2011, 32(11): 1629?1635.

[2] 李建寧, 劉其輝, 李贏, 等. 光伏發(fā)電關鍵技術的研究與發(fā)展綜述[J]. 電氣應用, 2012, 31(5): 70?76. LI Jianning, LIU Qihui, LI Ying, et al. Research and development of key technologies of photovoltaic power generation[J]. Electrotechnical Application, 2012, 31(5): 70?76.

[3] ZHAO Hailong. Photovoltaic industry outlook in 2016 [EB/OL]. [2015?12.14]. http://www.pvnews.cn/chanyepinglun/.

[4] GLASSLEY W, KLEISSL J, SHIU H, et al. Current state of the art in solar forecasting,final report: appendix A California renewable energy forecasting, resource data and mapping[R]. California: California Institute for Energy and Environment, 2010: 112?117.

[5] 趙書強, 王明雨, 胡永強, 等. 基于不確定理論的光伏出力預測研究[J]. 電工技術學報, 2015, 30(16): 213?220. ZHAO Shuqiang, WANG Mingyu, HU Yongqiang, et al. Research on the prediction of PV output based on uncertainty theory[J]. Transactions of China Electrotechnical Society, 2015, 30(16): 213?220.

[6] 龔鶯飛, 魯宗相, 喬穎, 等. 光伏功率預測技術[J]. 電力系統(tǒng)自動化, 2016, 40(4): 140?151. GONG Yingfeng, LU Zongxiang, QIAO Ying, et al. An overview of photovoltaic energy system output forecasting technology[J]. Automation of Electric Power Systems, 2016, 40(4): 140?151.

[7] 葉林, 陳政, 趙永寧, 等. 基于遺傳算法?模糊徑向基神經(jīng)網(wǎng)絡的光伏發(fā)電功率預測模型[J]. 電力系統(tǒng)自動化, 2015, 39(16): 16?22. YE Ling, CHEN Zheng, ZHAO Yongning, et al. Photovoltaic power forecasting model based on genetic algorithm and fuzzy radial basis function neural network[J]. Automation of Electric Power Systems, 2015, 39(16): 16?22.

[8] 嵇靈, 牛東曉, 汪鵬. 基于相似日聚類和貝葉斯神經(jīng)網(wǎng)絡的光伏發(fā)電功率預測研究[J]. 中國管理科學, 2015, 23(3): 118?122. JI ling, NIU Dongxiao, WANG Peng. Photovoltaic load forecasting based on the similar day and bayesian neural network[J]. Chinese Journal of Management Science, 2015, 23(3): 118?122.

[9] 袁曉玲, 施俊華, 徐杰彥. 計及天氣類型指數(shù)的光伏發(fā)電短期出力預測[J]. 中國電機工程學報, 2013, 33(34): 57?64. YUAN Xiaoling, SHI Junhua, XU Jieyan. Short-term power forecasting for photovoltaic generation considering weather type index[J]. Proceedings of the CSEE, 2013, 33(34): 57?64.

[10] 代倩, 段善旭, 蔡濤, 等. 基于天氣類型聚類識別的光伏系統(tǒng)短期無輻照度發(fā)電預測模型研究[J]. 中國電機工程學報, 2011, 31(34): 28?35. DAI Qian, DUAN Shanxu, CAI Tao, et al. Short-term PV generation system forecasting model without irradiation based on weather type clustering[J]. Proceedings of the CSEE, 2011, 31(34): 28?35.

[11] 丁明, 徐寧舟. 基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預測方法[J]. 電網(wǎng)技術, 2011, 35(1): 152?157. DING Ming, XU Ningzhou. A method to forecast short-term output power of photovoltaic generation system based on Markov chain[J]. Power System Technology, 2011, 35(1): 152?157.

[12] MANDAL P, MADHIRA S T S, MENG J, et al. Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques[J]. Procedia Computer Science, 2012, 12(3): 332?337.

[13] 高陽, 張碧玲, 毛京麗, 等. 基于機器學習的自適應光伏超短期出力預測模型[J]. 電網(wǎng)技術, 2015, 39(2): 307?311. GAO Yang, ZHANG Biling, MAO Jingli, et al. Machine learning based adaptive very-short-term forecast model for photovoltaic power[J]. Power System Technology, 2015, 39(2): 307?311.

[14] 程莎莎, 張琦, 黃湘源. 用于平抑風電波動功率的混合儲能系統(tǒng)及其控制系統(tǒng)[J]. 電工電氣, 2013, 5(8): 17?21. CHENG Shasha, ZHANG Qi, HUANG Xiangyuan. Hybrid energy storage system and control system for balance and inhibition of wind power fluctuation in power output[J]. Electrotechnics Electric, 2013, 5(8): 17?21.

[15] 嚴干貴, 朱星旭, 李軍徽, 等. 內(nèi)蘊運行壽命測算的混合儲能系統(tǒng)控制策略設計[J]. 電力系統(tǒng)自動化, 2013, 37(1): 110?114. YAN Gangue, ZHU Xingxu, LI Junhui, et al. Control strategy design for hybrid energy storage system with intrinsic operation life measurement and calculation[J]. Automation of Electric Power Systems, 2013, 37(1): 110?114.

[16] 夏向陽, 唐偉, 冉成科, 等. 基于DSP控制的單相光伏并網(wǎng)逆變器設計[J]. 電力科學與技術學報, 2011, 26(3): 52?56. XIA Xiangyang, TANG Wei, RAN Chengke, et al. Design of single phase photovoltaic grid-connected inverter based on DSP control[J]. Journal of Electric Power Science and Technology, 2011, 26(3): 52?56.

[17] 李清然, 張建成. 含分布式光伏電源的配電網(wǎng)電壓越限解決方案[J]. 電力系統(tǒng)自動化, 2015, 39(22): 117?123. LI Qingran, ZHANG Jiancheng. Solutions of voltage beyond limits in distribution network with distributed photovoltaic generators[J]. Automation of Electric Power Systems, 2015, 39(22): 117?123

[18] 康重慶, 夏清, 劉梅. 電力系統(tǒng)負荷預測[M]. 北京: 中國電力出版社, 2007: 208?213.KANG Chongqing, XIA Qing, LIU Mei. Power system load forecasting[M]. Beijing: China Electric Power Press, 2007: 208?213.

[19] YONA A, SENJYU T, FUNABASHI T. Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system[C]//IEEE Power Engineering Society General Meeting. Tampa, FL, USA: Institute of Electrical and Electronics Engineers, 2007: 1?6.

[20] 潘泉, 王增福, 梁彥, 等. 信息融合理論的基本方法與進展(Ⅱ)[J]. 控制理論與應用, 2012, 29(10): 1233?1244. PAN Quan, WANG Zengfu, LIANG Yan, et al. The basic method and development of information fusion theory(II)[J]. Control Theory & Applications, 2012, 29(10): 1233?1244.

(編輯 陳燦華)

Optimal operation of photovoltaic forecast distribution network based on information fusion theory

XIA Xiangyang1, YI Haomin1, CHEN Xiangqun2, CHEN Zhongwei3, XIONG Dezhi2, HUANG Rui2, WANG Yichao3, ZENG Xiaoyong1, DENG Fen1, HU Rongzhaohui1, HUANG Hai1

(1. College of Electrical and Information Engineering, Changsha University of Science and Technology, Changsha 410114, China; 2. Metering Center of State Grid Hunan Electric Power Company, Changsha 410004, China; 3. Hunan Electric Power Corporation Economic & Technical Research Institute, Changsha 410004, China)

An optimized operation method of PV forecasting distribution network with energy storage device was proposed based on the analysis of the voltage fluctuation mechanism of AC busbar PCC point when regional PV was incorporated into the distribution network. The method analyzed the correlation between photovoltaic power output and various meteorological factors. Treating various meteorological factors as multiple information sources, and using information fusion theory to weight it into a comprehensive impact factor, BP neural network prediction was established takingas an input. The model transmitted the predicted value of the model output to the energy storage device in real time, and adopted the smoothing control of the photovoltaic power generation output power based on the filtering principle to realize the smooth output of the photovoltaic power. The results show that the method can be effectively combined with the time-sharing electricity price, and the distribution network operation is improved. The economical stability of the PCC point voltage at the same time reduces the possibility that the node voltage exceeds the limit. The prediction model has higher prediction accuracy and has a certain effect on the safety optimization operation of the distribution network.

voltage fluctuation; information fusion; particle swarm optimization algorithm; BP neural network；optimized operation

10.11817/j.issn.1672?7207.2018.10.031

TM615

A

1672?7207(2018)10?2618?07

2017?10?12；

2017?12?22

國家自然科學基金資助項目(51307009)(Project(51307009) supported by the National Natural Science Foundation of China)

夏向陽，博士，教授，碩士生導師，從事新能源并網(wǎng)控制和柔性直流輸電控制研究；E-mail：xia_xy@126.com