俞娜燕 李向超 費科 倪曉宇 任佳琦

摘要：實際電網(wǎng)中監(jiān)測數(shù)據(jù)存在不確定性噪聲、通信丟包導(dǎo)致的異常數(shù)據(jù)項，將會給光伏發(fā)電規(guī)律的總結(jié)與電網(wǎng)運行與調(diào)度的決策產(chǎn)生帶來困難。光伏電站輸出功率受到多種因素影響，包括太陽輻射度、環(huán)境溫度、太陽輻射面積等，而光伏電站輸出功率在相同氣象條件下存在相似性。本文考慮光伏電站輸出功率的多種影響因素，訓(xùn)練RBF人工神經(jīng)網(wǎng)絡(luò)作為狀態(tài)轉(zhuǎn)換方程。然后基于Sigma點卡爾曼濾波理論對光伏電站輸出功率信息進行濾波。算例結(jié)果表明，所提方法能夠有效修復(fù)光伏電站監(jiān)測數(shù)據(jù)。

關(guān)鍵詞：Sigma卡爾曼濾波；光伏電站；數(shù)據(jù)修復(fù)

中圖分類號：TN713 文獻標(biāo)識碼：A 文章編號：1007-9416（2018）08-0032-03

隨著電力技術(shù)的發(fā)展，電力數(shù)據(jù)的采集規(guī)模呈現(xiàn)急劇增長態(tài)勢，相應(yīng)的多源數(shù)據(jù)采集、穩(wěn)定傳輸、高效存儲和處理分析技術(shù)也快速發(fā)展。如何挖掘所采集數(shù)據(jù)的潛在價值成為了現(xiàn)有的研究熱點[1-2]。電網(wǎng)采集數(shù)據(jù)可分為電網(wǎng)內(nèi)部采集數(shù)據(jù)和外部數(shù)據(jù)，其中內(nèi)部采集數(shù)據(jù)為用戶用電信息采集系統(tǒng)、廣域監(jiān)測管理系統(tǒng)等，外部數(shù)據(jù)為氣象數(shù)據(jù)、地理位置數(shù)據(jù)等，這些數(shù)據(jù)之間呈現(xiàn)出多源、相互關(guān)聯(lián)和影響的特點。

能源作為保障社會穩(wěn)定發(fā)展的基石，承擔(dān)著保障國民經(jīng)濟發(fā)展的使命。經(jīng)濟全球化的深入也伴隨著人類對于能源的需求日益加劇，而化石能源作為傳統(tǒng)能源結(jié)構(gòu)的主體不可再生，同時大量的環(huán)境污染和能源短缺的危機直接影響到社會的持續(xù)發(fā)展，加快了能源結(jié)構(gòu)的轉(zhuǎn)型[3-5]。我國太陽能資源十分豐富，全年日照時間在2300小時以上的地域占我國總領(lǐng)土面積的2/3。光伏發(fā)電由于其清潔、無污染、無噪聲的特點備受矚目，并且光伏電站適合無人值守、運行維護成本低、可靠性較高。大規(guī)模光伏發(fā)電能有效解決本地負荷的能源需求，同時光伏并網(wǎng)將會對電力生產(chǎn)、規(guī)劃和運行等環(huán)節(jié)產(chǎn)生重要影響。光伏電站輸出功率受環(huán)境溫度、太陽輻射度、太陽輻射面積等因素影響，不同天氣和地理條件下的光伏發(fā)電運行特點將會影響發(fā)電計劃的決策[6-8]?；诠夥娬颈O(jiān)測數(shù)據(jù)分析光伏發(fā)電特性，從而為優(yōu)化光伏電站運行規(guī)劃提供決策依據(jù)。

然而在實際電網(wǎng)中，光伏電站監(jiān)測數(shù)據(jù)在光伏組件故障、通信網(wǎng)絡(luò)傳輸丟包、傳感器網(wǎng)絡(luò)故障等情況下，光伏電站監(jiān)測數(shù)據(jù)可能出現(xiàn)不確定性噪聲、數(shù)據(jù)丟包等現(xiàn)象。當(dāng)光伏電站監(jiān)測數(shù)據(jù)中包含異常數(shù)據(jù)時，會給光伏電站發(fā)電規(guī)律的統(tǒng)計和分析帶來困難，從而影響到電網(wǎng)運行和生產(chǎn)規(guī)劃決策。

針對異常數(shù)據(jù)的修復(fù)，國內(nèi)外學(xué)者進行了深入的研究。文獻[9]基于大量數(shù)據(jù)建立輸出功率模型，利用殘值法識別異常數(shù)據(jù)。文獻[10]利用聚類分析數(shù)據(jù)，篩選并剔除異常數(shù)據(jù)，然后建立時間序列模型修復(fù)異常數(shù)據(jù)。文獻[11]提出采用多元適應(yīng)性回歸樣條算法，但該方法計算工作量大。另外，文獻[12]采用數(shù)據(jù)挖掘方法，包括模糊聚類方法進行數(shù)據(jù)有效性檢查，從而達到篩選異常數(shù)據(jù)的目的。

本文以光伏電站監(jiān)測數(shù)據(jù)為研究對象，提出基于Sigma卡爾曼濾波[13]的光伏電站監(jiān)測數(shù)據(jù)修復(fù)方法。該方法考慮環(huán)境溫度、太陽輻射度等多種因素建立光伏電站輸出功率預(yù)測方程，選取k-1時刻的輸出功率信息和k時刻的環(huán)境溫度、太陽輻射度信息為狀態(tài)變量，基于Sigma點卡爾曼濾波對光伏電站輸出功率進行濾波。最后，利用實際光伏電站發(fā)電數(shù)據(jù)驗證了所提方法的有效性。

1 數(shù)學(xué)模型

卡爾曼濾波理論研究對象為一個隨機過程，利用采樣獲得的量測離散序列，以濾波協(xié)方差最小為目標(biāo)函數(shù)，最終得到最優(yōu)估計值[14]。

式中，x為系統(tǒng)狀態(tài)變量，u為系統(tǒng)輸入量，y為系統(tǒng)量測變量，f為系統(tǒng)狀態(tài)方程，h為系統(tǒng)量測方程，為過程噪聲，v為系統(tǒng)量測噪聲，過程噪聲和系統(tǒng)量測噪聲相互獨立且滿足，。

將上述狀態(tài)方程和量測方程離散化形式為：

光伏電站輸出功率受太陽輻射度、環(huán)境溫度、光伏電池組件內(nèi)電流和電壓等多種因素影響，具有非線性的工作特點[15]。本文利用光伏電站監(jiān)測數(shù)據(jù)獲得的環(huán)境溫度信息、太陽輻射度信息和光伏電站輸出功率信息，建立光伏電站輸出功率的空間狀態(tài)方程。

徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)由于其結(jié)構(gòu)簡單、逼近非線性能力強的特點在理論研究中獲得了廣泛的關(guān)注[16-18]。如圖1所示為RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，由圖1可得RBF神經(jīng)網(wǎng)絡(luò)包含了輸入層、隱含層和輸出層，其中隱含層包含了神經(jīng)元節(jié)點。神經(jīng)元節(jié)點越多，就具有越強的非線性逼近能力，同時其計算量也越大。

本文以k時刻的溫度信息T，光照強度C和k-1時刻的光伏電站輸出功率P作為輸入，預(yù)測k時刻光伏電站輸出功率，以此訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)獲取其網(wǎng)絡(luò)參數(shù)作為狀態(tài)轉(zhuǎn)換方程。

在RBF神經(jīng)網(wǎng)絡(luò)中，隱含層的函數(shù)形式為：

式中，和為過程噪聲和觀測方程噪聲，一般滿足，，Q和R分別為w和v的方差陣，且w和v相互獨立。

2 基于Sigma卡爾曼濾波的修復(fù)原理

針對光伏電站輸出功率的強非線性工作特點，本文基于Sigma卡爾曼濾波理論對光伏電站輸出功率信息進行濾波修復(fù)。Sigma卡爾曼濾波算法是卡爾曼濾波理論的延伸，Sigma卡爾曼濾波理論采用確定型采樣獲得Sigma點群，然后經(jīng)過非線性模型傳遞得到預(yù)測點群，并利用預(yù)測點群的均值和方差進行修正，獲得估計的系統(tǒng)狀態(tài)均值和方差[19-20]。

（1）定義初始狀態(tài)量和估計方差，確定過程噪聲與量測噪聲協(xié)方差Q、R。在算法迭代前，將過程噪聲、量測噪聲擴展入狀態(tài)量，即：

式中，為比例參數(shù)，且，和分別是Sigma點均值與方差對應(yīng)的加權(quán)值；而表示的平方根矩陣的第i列，參數(shù)滿足以保證方差陣為半正定，一般默認；控制Sigma點分布距離，且滿足10-4≤α≤1；用于減小高階項誤差，對正態(tài)分布最優(yōu)取。

對于采樣點，可以分為、和三部分，據(jù)此進行狀態(tài)估計的時間更新，即：

3 數(shù)據(jù)分析

以光伏發(fā)電為例，選取無錫廣盈光伏電站總表日累計數(shù)據(jù)為研究對象，數(shù)據(jù)記錄時間為2018年5月23日至2018年5月29日，采樣間隔為15min。

如圖2所示為修復(fù)前修復(fù)后的數(shù)據(jù)對比，由圖中可以看出本文所提方法能對光伏電站監(jiān)測數(shù)據(jù)中的丟失項進行濾波修復(fù)，保證了數(shù)據(jù)較好的完整性。該方法利用RBF人工神經(jīng)網(wǎng)絡(luò)，以環(huán)境溫度、太陽輻射度和前一時刻的輸出功率值作為輸入，預(yù)測后一時刻的光伏電站輸出功率，并聯(lián)合Sigma卡爾曼濾波器進行數(shù)據(jù)修復(fù)，提高了數(shù)據(jù)的可信度。對進行有效修復(fù)。

為進一步驗證本文所提方法的有效性，將2018年5月25日9：00～11：00的數(shù)據(jù)修改為原監(jiān)測數(shù)據(jù)的0.6，如圖3所示為光伏電站輸出功率異常數(shù)據(jù)修復(fù)前后對比。

由圖3可得，本文所提方法能有效地濾除數(shù)據(jù)中的異常項。該方法以RBF神經(jīng)網(wǎng)絡(luò)作預(yù)測方法，并在預(yù)測值與實際量測值之間計算權(quán)重，從而達到數(shù)據(jù)濾波目的，將光伏電站輸出功率數(shù)據(jù)中的異常項濾除，進一步提高監(jiān)測數(shù)據(jù)的可信度和準(zhǔn)確性。

4 結(jié)語

本文針對實際光伏電站監(jiān)測數(shù)據(jù)包含異常項的情況，提出一種基于Sigma卡爾曼濾波的的數(shù)據(jù)修復(fù)方法。選取k-1時刻的光伏電站輸出功率信息，以及k時刻的溫度信息和太陽輻射度作為狀態(tài)量，通過訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)進行狀態(tài)轉(zhuǎn)換，然后基于Sigma卡爾曼濾波理論進行數(shù)據(jù)修復(fù)工作。最后，利用實際光伏電站監(jiān)測數(shù)據(jù)檢驗該方法的有效性，算例表明該方法能夠有效修復(fù)光伏電站監(jiān)測數(shù)據(jù)中的異常數(shù)據(jù)項。

參考文獻

[1]SubirGhosh. Statistical Analysis With Missing Data[J]. Technometrics， 2002， 30（4）：455-455.

[2]苗新，張東霞，孫德棟.在配電網(wǎng)中應(yīng)用大數(shù)據(jù)的機遇與挑戰(zhàn)[J].電網(wǎng)技術(shù)，2015，（11）：3122-3127.

[3]朱杰，張葛祥.基于歷史數(shù)據(jù)庫的電力系統(tǒng)狀態(tài)估計欺詐性數(shù)據(jù)防御[J].電網(wǎng)技術(shù)，2016，（6）：1772-1777.

[4]楊霽.基于狀態(tài)預(yù)測的電力系統(tǒng)狀態(tài)估計及不良數(shù)據(jù)檢測與辨識[D].西南交通大學(xué)，2015.

[5]周小寶.電力系統(tǒng)狀態(tài)估計不良數(shù)據(jù)檢測與辨識方法研究與應(yīng)用[D].湖南大學(xué)，2013.

[6]蘇舟，李燦，姚李孝，等.電力負荷數(shù)據(jù)預(yù)處理研究及應(yīng)用[J].電網(wǎng)與清潔能源，2017，（5）：40-43.

[7]張曉星，程其云，周湶，等.基于數(shù)據(jù)挖掘的電力負荷臟數(shù)據(jù)動態(tài)智能清洗[J].電力系統(tǒng)自動化，2005，（8）：60-64.

[8]王雷，張瑞青，盛偉，等.基于支持向量機的回歸預(yù)測和異常數(shù)據(jù)檢測[J].中國電機工程學(xué)報，2009，（8）：92-96.

[9]Kusiak A， Zheng H， Song Z. Models for monitoring wind farm power[J]. Renewable Energy， 2009，34（3）：583-590.

[10]張東英，李偉花，劉燕華，等.風(fēng)電場有功功率異常運行數(shù)據(jù)重構(gòu)方法[J].電力系統(tǒng)自動化，2014，（5）：14-18.

[11]羅小玲，薛河儒.基于改進的多元自適應(yīng)樣條回歸的全局近似算法[J].微計算機信息，2012，（4）：170-171.

[12]Schlechtingen M， Santos I F， Achiche S. Using Data-Mining Approaches for Wind Turbine Power Curve Monitoring： A Comparative Study[J]. IEEE Transactions on Sustainable Energy， 2013，4（3）：671-679.

[13]羅諶持，張明.基于Sigma點卡爾曼濾波器的電力頻率跟蹤新算法[J].電力系統(tǒng)自動化，2008，（13）：35-39.

[14]李江，王義偉，魏超，等.卡爾曼濾波理論在電力系統(tǒng)中的應(yīng)用綜述[J].電力系統(tǒng)保護與控制，2014，（6）：135-144.

[15]汪海瑛，白曉民，馬綱.并網(wǎng)光伏電站的發(fā)電可靠性評估[J].電網(wǎng)技術(shù)，2012，（10）：1-5.

[16]周維華.RBF神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)與參數(shù)優(yōu)化研究[D].華東理工大學(xué)，2014.

[17]韓紅桂，喬俊飛，薄迎春.基于信息強度的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計研究[J].自動化學(xué)報，2012，（7）：1083-1090.

[18]鄭夕健，張國忠，謝正義.一種RBF神經(jīng)網(wǎng)絡(luò)高精度算法研究及應(yīng)用[J].東北大學(xué)學(xué)報（自然科學(xué)版），2009，（9）：1314-1317.

[19]趙洪山，田甜.基于自適應(yīng)無跡卡爾曼濾波的電力系統(tǒng)動態(tài)狀態(tài)估計[J].電網(wǎng)技術(shù)，2014，（1）：188-192.

[20]曲正偉，董一兵，王云靜，等.用于電力系統(tǒng)動態(tài)狀態(tài)估計的改進魯棒無跡卡爾曼濾波算法[J].電力系統(tǒng)自動化，2018，（10）：87-92.