王海峰，徐熠林，徐達藝，羅宗杰，李源騰，蘇浩坤，彭顯剛

(1.南方電網(wǎng)廣東湛江供電局，廣東 湛江 524005；2.廣東工業(yè)大學 自動化學院，廣東 廣州 510006)

近年來，隨著“雙碳”目標的貫徹落實以及整縣屋頂光伏戰(zhàn)略的大力推進，分布式屋頂光伏發(fā)電在中低壓配電網(wǎng)中的滲透率不斷提高[1]。但是，光伏發(fā)電輸出功率具有隨機波動性和間歇性，其大規(guī)模并網(wǎng)使得配電網(wǎng)潮流產(chǎn)生復雜的隨機變化，導致配電網(wǎng)的電壓越限風險增大，嚴重損害供電可靠性和電能質(zhì)量[2-3]。為避免光伏并網(wǎng)對系統(tǒng)的不利影響，準確評估配電網(wǎng)分布式光伏承載力對電力公司制訂合理的光伏并網(wǎng)計劃和實施可靠的電網(wǎng)結(jié)構升級至關重要[4-5]。因此，有必要對配電網(wǎng)的承載力開展分析研究，為高比例的分布式屋頂光伏接入提供理論指導。

現(xiàn)有配電網(wǎng)承載力評估方法主要有智能優(yōu)化方法[6-7]、隨機場景模擬法[8-9]和解析法[10-11]。文獻[6]通過分析分布式光伏電源出力與負荷的相關性，建立以配電網(wǎng)潮流為主要約束的規(guī)劃模型，利用模擬退火算法求解配電網(wǎng)的光伏承載力。文獻[7]采用遺傳算法求解光伏最大準入容量的機會約束規(guī)劃模型。文獻[8]采用模擬法從單滲透率和整體2個方面全面分析模擬結(jié)果，以充分評估配電網(wǎng)的光伏消納能力。文獻[9]中，負載和太陽能光伏出力被視為隨機變量，通過處理太陽能光伏出力和客戶電力消耗的概率分布，使用改進的蒙特卡羅模擬來評估配電網(wǎng)承載力。文獻[10]以電壓波動為約束，推導出配電網(wǎng)承載力的取值區(qū)間，但該方法僅考慮特定的電源分布情況，僅適用于某些特定的分布場景，不具備推廣性。文獻[11]提出并使用Unscented變換，與使用蒙特卡羅模擬的傳統(tǒng)隨機方法相比，該方法提高了精度和執(zhí)行時間。然而，上述文獻中的方法在建模屋頂光伏系統(tǒng)的容量時，沒有利用高清衛(wèi)星地圖影像的建筑物屋頂數(shù)據(jù)，因此在進行模擬實驗時，不同面積的建筑物屋頂被同等對待，導致承載力評估的最終結(jié)果受到明顯影響，文獻[12]的實驗結(jié)果驗證了這一結(jié)論。

針對此，本文提出的方法利用Deeplabv3+模型識別高清衛(wèi)星圖像中的屋頂輪廓，根據(jù)實際的屋頂面積建立每個屋頂光伏系統(tǒng)接入配電網(wǎng)的公共信息模型(common information model，CIM)，包括并網(wǎng)容量和運行參數(shù)，實現(xiàn)基于CIM和高清衛(wèi)星地圖影像的配電網(wǎng)數(shù)字化建模。最后采用蒙特卡洛法評估配電網(wǎng)分布式屋頂光伏承載力，得到配電網(wǎng)承載力的概率密度函數(shù)。本文的主要創(chuàng)新點在于評估承載力時，使用來自高清衛(wèi)星地圖影像的實際建筑物屋頂數(shù)據(jù)測算光伏裝機容量，并基于CIM對配電網(wǎng)進行數(shù)字化建模，將配電網(wǎng)設備的基礎數(shù)據(jù)和拓撲結(jié)構存儲在本地服務器的數(shù)據(jù)庫，使承載力評估中的模擬場景更加符合現(xiàn)實情況。通過具體算例，驗證本文模型的實用性，以及在提高承載力評估準確性方面的優(yōu)越性。

1 基于Deeplabv3+的屋頂光伏裝機容量測算

1.1 Deeplabv3+算法

Deeplabv3+模型的整體結(jié)構如圖1所示。模型引入經(jīng)典的編碼器-解碼器結(jié)構，該結(jié)構在多項計算機視覺任務中展示了優(yōu)越的性能，包括人體姿態(tài)估計[13]、目標檢測[14]和語義分割[15]。編碼器主體是深度卷積神經(jīng)網(wǎng)絡，其主干網(wǎng)絡是改進的Xception架構，通過改進Xception架構中不同通道的深度分離卷積操作，可提取輸入圖像的特征信息。接著，對被提取的特征信息使用包含空洞卷積的空間金字塔池化模塊，由此引入多尺度信息。具體操作如下：使用1個1×1卷積，3個空洞率分別為6、12、18的并行3×3空洞卷積以及1個圖像池化模塊，對特征信息進行處理并拼接，再通過1×1卷積捕獲更高層次的語義信息；然后在解碼器模塊中首先使用1×1卷積對主干網(wǎng)絡提取到的低級特征信息進行降維處理，將其與經(jīng)過編碼器上采樣后的高級特征進行融合，接著使用3×3卷積還原特征圖中的空間信息，并使用雙線性上采樣法精細化分割邊界，提升圖像分割邊界的準確度，得到更為準確細致的建筑屋頂輪廓。

圖1 Deeplabv3+模型網(wǎng)絡結(jié)構Fig.1 Deeplabv3+ model network structure

1.2 基于高清衛(wèi)星地圖影像和Deeplabv3+的建筑物屋頂分割

實現(xiàn)基于高清衛(wèi)星圖像和Deeplabv3+的建筑物屋頂分割，過程如下：

a)制作數(shù)據(jù)集。根據(jù)獲得的所研究地區(qū)的高清衛(wèi)星地圖影像數(shù)據(jù)，從多維度分析數(shù)據(jù)集，選取部分具有代表性的建筑和場景圖像進行標注，為后續(xù)模型訓練做準備。

b)構建Deeplabv3+網(wǎng)絡模型?；谏衔乃U述的Deeplabv3+結(jié)構搭建網(wǎng)絡模型，確保模型結(jié)構完整和正確。

c)訓練和優(yōu)化Deeplabv3+網(wǎng)絡模型。Deeplabv3+網(wǎng)絡模型的基礎為Pytorch框架，設定合理的模型初始訓練超參數(shù)，在訓練過程中不斷優(yōu)化迭代其內(nèi)部參數(shù)，并保存分割性能最好的模型參數(shù)。

d)最后利用訓練好的Deeplabv3+模型實現(xiàn)對研究地區(qū)的基于高清衛(wèi)星地圖影像的建筑物屋頂分割，并分析實驗結(jié)果。

1.3 屋頂光伏裝機容量測算

屋頂總面積可以使用Deeplabv3+模型識別的建筑屋頂來得到，根據(jù)所識別的屋頂像素數(shù)以及每個像素代表的實際面積實現(xiàn)屋頂總面積測算。但是實際可用于安裝的屋頂面積取決于多種因素，例如屋頂其他部分或鄰近建筑和樹木的遮擋、屋頂坡度和方向、屋頂被其他生活設備(如電熱水器、煙囪或空調(diào)等)占用、光伏板支架的影響等。因此，為了確定屋頂?shù)墓夥b機容量，必須減去不能用于鋪設光伏的屋頂面積，計算實際可用的屋頂面積，得出可以安裝光伏板且采光效率較高的比例[16]。

本文采用系數(shù)估算法測算屋頂光伏安裝容量，對于可用屋頂面積的比例系數(shù)主要參考其他相關文獻，并結(jié)合所研究地區(qū)的實際情況，分析后取合理的數(shù)值。首先，考慮屋頂?shù)某蚝推教苟?，文獻[17]總結(jié)了光伏板不同朝向下的光伏朝向系數(shù)，見表1。

表1 不同朝向下的光伏朝向系數(shù)Tab.1 PV orientation coefficients under different orientations

其次，考慮屋頂遮蔭和其他生活設備對屋頂?shù)恼加谩Ｎ墨I[17]總結(jié)了在其他研究中計算得到的可用于安裝光伏板的屋頂面積比例，本文稱為遮蔭系數(shù)，見表2。遮蔭系數(shù)對本研究估算可用屋頂面積的比例系數(shù)提供了重要的數(shù)據(jù)基礎。

表2 不同國家和地區(qū)的遮蔭系數(shù)Tab.2 Shading coefficients in different countries and regions

本文選用常見的245 W太陽能光伏電池組件，每1 m2可以安裝150 W太陽能光伏電池[17]。根據(jù)上述分析，用戶建筑物屋頂可安裝的屋頂光伏容量F可表示為

F=S×f1×f2×L.

(1)

式中：S為識別的屋頂面積；f1為光伏朝向系數(shù)；f2為遮蔭系數(shù)；L為每1 m2可以安裝的太陽能光伏電池容量。

2 含分布式屋頂光伏的配電網(wǎng)數(shù)字化建模

配電網(wǎng)承載力評估需要依據(jù)詳細的配電網(wǎng)拓撲結(jié)構及參數(shù)，當前我國大多數(shù)供電公司利用CIM描述電網(wǎng)拓撲結(jié)構[18]。CIM是基于IEC 61970/IEC 61968系列標準的、用來描述電力系統(tǒng)信息的抽象模型，其中定義了許多包和類，并通過關聯(lián)、泛化、聚合等關系連接各個類元素來詳細描述電網(wǎng)，是實現(xiàn)電力系統(tǒng)之間信息共享和交互集成的有效工具[19]。

2.1 CIM/XML文檔描述與解析

配電網(wǎng)設備的基本參數(shù)和拓撲信息存儲在CIM節(jié)點的文本或者屬性中，通過解析CIM中的XML文檔獲取配電網(wǎng)設備基礎參數(shù)等信息是構建配電網(wǎng)模型的基礎。

文檔對象類型(document object model，DOM)是用于可擴展標記語言(extensible markup language，XML)解析的標準編程接口規(guī)范，使用樹結(jié)構來表達XML文檔的數(shù)據(jù)內(nèi)容，與配電網(wǎng)CIM中的XML文檔具有強層次性結(jié)構的特點適配。因此本文采用DOM技術解析從GIS導出的配電網(wǎng)CIM/XML文檔，得到配電線路主要設備的屬性數(shù)據(jù)及空間數(shù)據(jù)，并以數(shù)組的形式分別存儲在本地服務器的數(shù)據(jù)庫中。此外，通過使用深度優(yōu)先搜索算法遍歷CIM中配電網(wǎng)設備的端子節(jié)點和連接節(jié)點之間的關系，搭建配電網(wǎng)原始拓撲結(jié)構。

2.2 含分布式屋頂光伏的配電網(wǎng)數(shù)字化建模

在CIM的發(fā)電包中，光伏發(fā)電場類建立了光伏發(fā)電場模型，1個光伏發(fā)電場包含多個光伏發(fā)電機組。在通過CIM解析獲取配電網(wǎng)設備基礎信息及電網(wǎng)拓撲的前提下，根據(jù)高清衛(wèi)星地圖影像的屋頂光伏容量測算結(jié)果，依據(jù)GIS中屋頂?shù)牡乩砦恢眯畔⒋_定其接入的配電網(wǎng)節(jié)點，完善配電網(wǎng)光伏發(fā)電廠類的固有屬性和繼承屬性。其中固有屬性包含實際并網(wǎng)容量、并網(wǎng)最大有功出力等，繼承屬性包含設計裝機信息、設計裝機臺數(shù)等。

基于此，后臺數(shù)據(jù)庫將更新配電網(wǎng)設備基礎數(shù)據(jù)信息及電網(wǎng)拓撲信息，重新生成新的XML/SVG文檔，同步構建和修改配電網(wǎng)的拓撲結(jié)構。通過高清衛(wèi)星地圖影像、CIM、GIS三者之間的聯(lián)系，最終實現(xiàn)基于CIM和高清衛(wèi)星地圖影像的含分布式屋頂光伏的配電網(wǎng)數(shù)字化建模，為承載力評估提供重要的底層技術支撐，使系統(tǒng)分布式屋頂光伏承載力的評估更具有工程實際意義。

3 基于高清衛(wèi)星地圖影像的配電網(wǎng)分布式屋頂光伏承載力評估

3.1 配電網(wǎng)分布式屋頂光伏承載力定義

本文將配電網(wǎng)的分布式屋頂光伏承載力定義為在任何現(xiàn)實的運行情況下，不違反各類運行約束，能夠接入系統(tǒng)的最大分布式屋頂光伏容量，為相應各節(jié)點分布式屋頂光伏并網(wǎng)容量之和，具體表達式為

(2)

式中：Ω為某一配電網(wǎng)所有分布式屋頂光伏接入節(jié)點編號集合；Ci為在節(jié)點i接入的分布式屋頂光伏容量。

3.2 配電網(wǎng)光伏承載力概率評估的約束條件

3.2.1 配電網(wǎng)節(jié)點電壓概率約束條件

依據(jù)電網(wǎng)規(guī)劃方案技術指導細則，電壓的允許偏差為額定值的±7%，且電壓偏移超過允許范圍的月累計時間不得超過10 h[20]。換言之，配電網(wǎng)發(fā)生電壓越限的概率不得大于2%，具體數(shù)學表達式如下：

p[Ui≤(1-7%)UN，Ui≥(1+7%)UN]≤2%；

(3)

式中：p(A)為事件A發(fā)生的概率；UN為線路額定電壓；Ui為節(jié)點i的電壓。

3.2.2 配電網(wǎng)線路電流機會約束條件

依據(jù)電網(wǎng)規(guī)劃方案技術指導細則，線路電流超過額定值的日累計時間不得超過1 h，即配電網(wǎng)違反線路電流約束的概率不得大于4%，具體數(shù)學表達式如下：

p(|Ib|≥Ib，max)≤4%.

(4)

式中：Ib為線路b的電流；Ib，max為線路b的額定電流。

3.2.3 配電網(wǎng)功率平衡等式約束條件

配電網(wǎng)功率平衡等式約束條件如下：

(5)

式中：Pi、Pi+1分別為流過節(jié)點i和節(jié)點i+1的有功功率；Qi、Qi+1分別為流過節(jié)點i和節(jié)點i+1的無功功率；PPVi為節(jié)點i處分布式屋頂光伏的發(fā)出的有功功率；PLi和QLi分別為節(jié)點i處負荷消耗的有功功率和無功功率；Ri+1、Ri分別為節(jié)點i與節(jié)點i+1之間的電阻值及節(jié)點i-1與節(jié)點i之間的電阻值；Xi+1、Xi分別為節(jié)點i與節(jié)點i+1之間的電抗值及節(jié)點i-1與節(jié)點i之間的電抗值；Ui-1和Ui+1分別為節(jié)點i-1、節(jié)點i+1的電壓值。

3.2.4 屋頂光伏并網(wǎng)容量約束條件

屋頂光伏并網(wǎng)容量約束條件如下：

0≤Ci≤Fi，max.

(6)

式中Fi，max為使用Deeplabv3+模型測算的節(jié)點i處屋頂資源所能安裝的屋頂光伏容量。

3.3 屋頂分割精度的評價指標

在二元分類問題中，實例被劃分為正例(positive)和負例(negative)，以下4種情況涵蓋了二元分類任務中的所有情況。

①真正類(true positive，TP)：正類實例被預測為正類，即建筑物屋頂被正確識別為建筑物屋頂；

②假負類(false negative，F(xiàn)N)：正類實例被預測為負類，即建筑物屋頂被錯誤識別為背景；

③假正類(false positive，F(xiàn)P)：負類實例被預測為正類，即背景被錯誤識別為建筑物屋頂；

④真負類(TRUE Negative，TN)：負類實例被預測為負類，即背景被正確識別為背景。

本研究采用均交并比(KMIoU)、平均像素精度(MMPA)、準確率(Aac)和F1分數(shù)(FF1-score)這4種常用的語義分割評價指標。

均交并比的定義為計算真實值和預測值2個集合的交集和并集之比，其計算公式如下：

(7)

式中：t為真實值；j為預測值；Ntj為真實值為t、被預測為j的像素數(shù)量；k為類別，k+1則表示包含了背景類。不難發(fā)現(xiàn)，Ntt為真正類的數(shù)量，Ntj和Njt則分別為假正類和假負類的數(shù)量。

平均像素精度的定義為每個類被正確分類的像素數(shù)占該類像素總數(shù)的比例，之后對所有類的像素精度加和求平均，具體計算公式如下：

(8)

準確率的含義為所有預測正確的樣本數(shù)(包含正類負類)占總樣本數(shù)的比例，計算公式如下：

(9)

式中TTP、TTN、TFP、TFN分別為不同類樣本數(shù)。

FF1-score作為語義分割中用來衡量模型精確度的一種指標，其最大值為1，最小值為0，值越大說明模型效果越好，既盡量少遺漏正類目標，又對正類目標識別有較高的準確率。計算公式如下：

(10)

3.4 模型評估流程

基于蒙特卡羅的概率評估方法本質(zhì)是使用各種隨機變量值進行多次潮流計算，以產(chǎn)生大量的輸出結(jié)果，并利用統(tǒng)計方法將結(jié)果轉(zhuǎn)化為概率潮流，由此確保潮流結(jié)果中包含配電網(wǎng)源荷及模型參數(shù)的不確定性。若從數(shù)學角度建模和表征上述不確定性，可將配電系統(tǒng)中的節(jié)點電壓和支路電流表示為不確定性的函數(shù)，如式(11)所示：

Ui，Ib：g(ξ1，ξ2，…，ξσ).

(11)

式中：ξσ為第σ種不確定性輸入；g(·)為配電網(wǎng)中各類不確定性ξ的函數(shù)。

(12)

式中：h為平滑參數(shù)；n為光伏承載力的模擬采樣數(shù)；K為核函數(shù)。

光伏系統(tǒng)安裝容量及其在配電網(wǎng)中接入位置的不同，對系統(tǒng)各節(jié)點電壓的影響也不同[21]。為了模擬不同屋頂光伏接入配電網(wǎng)方案下配電網(wǎng)的分布式屋頂光伏承載力，采用基于蒙特卡洛的隨機模擬法模擬屋頂光伏系統(tǒng)接入配電網(wǎng)的運行情況[22]。模擬的隨機過程主要包括：光伏并網(wǎng)節(jié)點數(shù)隨機以及光伏并網(wǎng)位置隨機，光伏并網(wǎng)容量由基于Deeplabv3+模型的屋頂光伏裝機容量測算結(jié)果決定。對一個含有N個負荷節(jié)點的配電網(wǎng)，考慮用戶屋頂面積的光伏承載力評估流程如圖2所示。

圖2 基于高清衛(wèi)星地圖影像的光伏承載力評估流程Fig.2 PV hosting capacity evaluation flowchart based on high definition satellite images

4 算例分析

利用某地區(qū)的高清衛(wèi)星圖像數(shù)據(jù)，結(jié)合其低壓配電網(wǎng)驗證本文所提方法。該輻射型低壓配電網(wǎng)包含60個低壓用戶，有3條電纜饋線連接到中壓低壓變壓器，其網(wǎng)絡結(jié)構如圖3所示。該配電網(wǎng)共有60個用戶負荷，其中每個用戶都有對應的屋頂資源，因此每個用戶負荷節(jié)點都有接入屋頂光伏發(fā)電機組的可能。

圖3 配電網(wǎng)結(jié)構Fig.3 Distribution network structure

4.1 屋頂光伏裝機容量測算結(jié)果

為了保證Deeplabv3+模型在屋頂分割任務中具有較高的準確性且保持良好的泛化能力，本文挑選研究地區(qū)的代表性房屋類型，如居民建筑、廠房建筑等，利用labelme工具制作標簽，同時從公開數(shù)據(jù)集WHU Building Dataset[23]中選取部分與所研究地區(qū)屋頂類型相似的數(shù)據(jù)，共同組成數(shù)據(jù)集。

4.1.1 訓練過程

Deeplabv3+模型訓練期間訓練集和驗證集的損失值變化如圖4所示。

從圖4可以看出：對于訓練損失函數(shù)值，在前10個迭代次數(shù)中迅速下降，在10～80個迭代次數(shù)中隨著輪數(shù)增加逐漸下降，在80個迭代輪數(shù)后，在0.150附近趨于平穩(wěn)；對于驗證損失函數(shù)值，在前10個迭代輪數(shù)中迅速下降，隨后緩慢下降并逐漸收斂于0.145附近；訓練損失函數(shù)值與驗證損失函數(shù)值在下降過程中有所區(qū)別，前者大致呈單調(diào)遞減，而后者則帶有波動，但是都呈下降趨勢，這意味著損失函數(shù)能夠有效收斂，模型精度不斷提高，該模型在建筑物屋頂分割任務中是有效的。

4.1.2 定量分析

表3為Deeplabv3+在驗證集上的評價指標結(jié)果。模型在驗證集上的交并比為84.64%，這說明模型預測的目標與實際目標有較高的重合度；平均像素精度和準確率分別為91.33%和97.25%，說明模型有較高的預測精度，且大部分像素的類別都能被準確預測；F1分數(shù)為0.916，這說明模型在具有較高識別精度的同時還能正確識別出大部分屋頂，既很好地保持了查準率和查全率平衡，總體上也達到了令人滿意的效果。

表3 評價指標結(jié)果Tab.3 Evaluation indicator results

本研究所使用的衛(wèi)星地圖為19級衛(wèi)星影像圖，單位像素的實際面積為0.076 2 m2。本文所研究地區(qū)屋頂絕大多數(shù)為平頂，房屋密度較低，地形開闊，基本沒有遮蔭，也較少用于其他用途，因此朝向系數(shù)和遮蔭系數(shù)分別取0.9和0.8。依據(jù)Deeplabv3+模型的識別結(jié)果和式(1)，部分屋頂?shù)拿娣e及其對應的屋頂光伏可裝機容量見表4。

表4 屋頂光伏可安裝容量測算結(jié)果(部分)Tab.4 Part of calculation results of installed capacity of rooftop PV

4.2 考慮實際屋頂面積的配電網(wǎng)承載力評估

本小節(jié)將考慮用戶屋頂面積的承載力評估方法與傳統(tǒng)概率評估方法進行比較。傳統(tǒng)概率評估方法建模屋頂光伏系統(tǒng)的容量時沒有利用高清衛(wèi)星地圖影像的建筑物屋頂數(shù)據(jù)，因此傳統(tǒng)概率評估方法通常為每個屋頂光伏系統(tǒng)賦予相同的光伏裝機容量。本實驗使用9 kW和15 kW作為傳統(tǒng)概率評估方法中每個屋頂光伏系統(tǒng)的裝機容量(F)，與本文所提的評估方法進行比較，2種方法的評估結(jié)果見表5。

表5 不同評估方法的承載力評估結(jié)果對比Tab.5 Comparison of hosting capacity assessment results of different assessment methods

依據(jù)所得到的評估結(jié)果，可以看出傳統(tǒng)概率評估方法有2個主要缺點。首先，所有屋頂都被看作是相同的，這意味著較大面積和較小面積的屋頂安裝相同容量的屋頂光伏；其次，所選擇的光伏裝機功率對評估結(jié)果有顯著影響，從表5不難發(fā)現(xiàn)，當配電網(wǎng)中所有屋頂光伏的裝機容量為15 kW時，承載力的中位數(shù)為195 kW，當所有屋頂光伏的裝機容量為9 kW時，此時承載力的中位數(shù)為252 kW，后者的中位數(shù)比前者高出了29%，差異顯著。而考慮實際屋頂面積的光伏承載力的中位數(shù)為213.5 kW，結(jié)果介于兩者之間。

評估結(jié)果對應的概率密度函數(shù)和概率分布函數(shù)分別如圖5和圖6所示。

圖6 不同方法評估結(jié)果的概率分布函數(shù)Fig.6 Probability distribution functions of assessment results of different methods

在承載力評估中選擇一個最合適的光伏裝機容量來建模配電網(wǎng)中所有用戶的屋頂光伏是不切實際的，因為在現(xiàn)實中，每個建筑物屋頂?shù)拿娣e不盡相同。傳統(tǒng)承載力概率評估方法的主要缺點是沒有利用高清衛(wèi)星地圖數(shù)據(jù)，對所有模擬的屋頂光伏使用相同的裝機容量，因此得到的結(jié)果可能會有很大差異。本研究的方法在承載力評估中考慮了實際屋頂面積，提高了計算光伏承載力的準確性。

另外，我國目前的整縣光伏規(guī)劃沒有充分利用數(shù)字化技術進行網(wǎng)絡建模，導致配電網(wǎng)承載力評估等電氣分析模塊不能很好地應用于工程實際。本文首先通過解析CIM/XML文檔獲取配電網(wǎng)設備的基礎參數(shù)，然后使用深度優(yōu)先搜索算法遍歷CIM中設備端子和連接節(jié)點之間的關系，搭建用于配電網(wǎng)承載力評估的拓撲結(jié)構；接著根據(jù)高清衛(wèi)星地圖影像的屋頂光伏容量測算結(jié)果，完善配電網(wǎng)光伏發(fā)電場類的固有屬性和繼承屬性，由此生成并網(wǎng)節(jié)點的光伏出力曲線。因此，基于CIM和高清衛(wèi)星地圖影像的數(shù)字化建模能為承載力評估的開展提供底層技術支撐，提高整縣光伏建設和開發(fā)的效率。

5 結(jié)論

本文結(jié)合配電網(wǎng)CIM、高清衛(wèi)星圖像、計算機視覺技術和蒙特卡羅模擬法，提出基于高清衛(wèi)星地圖影像的光伏承載力概率評估方法，通過分析得到如下結(jié)論：

a)相較于傳統(tǒng)光伏承載力概率評估模型，本文采用Deeplabv3+對建筑物屋頂進行分割和識別，并測算屋頂?shù)墓夥b機容量。實驗結(jié)果表明，基于高清衛(wèi)星地圖影像的承載力評估方法得出的光伏承載力中位數(shù)為213.5 kW，具有更高的評估準確性。

b)基于CIM和高清衛(wèi)星地圖影像對含分布式屋頂光伏的配電網(wǎng)進行數(shù)字化建模，能為承載力評估的開展提供底層技術支撐，使系統(tǒng)的分布式屋頂光伏承載力評估更具有工程實際意義。