基于时间卷积网络和误差函数的光伏电站有功功率优化分配_李振坤.pdf

Vol.47 No.6 Mar.25,2023第 47卷 第 6期 2023年 3月 25日基于时间卷积网络和误差函数的光伏电站有功功率优化分配李振坤1，张天翼1，田飞2，杜海舟1，李鑫2，李建鹏2（1.上海电力大学电气工程学院，上海市 200090；2.中国华电集团有限公司甘肃分公司，甘肃省兰州市 734000）摘要：随着新能源占比的不断提高，新能源场站通过功率调节参与调度响应逐渐成为新型电力系统的常态，为了减少对调度指令的稳态响应误差，对场站内有功功率分配方案的研究具有重要现实意义。首先，基于历史运行数据建立了光伏电站内各台逆变器的误差函数，引入时间卷积网络对历史数据进行深度学习，构建了逆变器的调度响应误差与有功出力值、目标功率值以及多个环境因素之间的函数映射关系。然后，基于各台逆变器的误差函数，以整个光伏电站对调度指令响应误差最小为目标，建立了有功功率分配模型。接着，为了提高模型的求解速度，提出了将逆变器分层排序的方法，有效减少了优化变量的数量，并采用自适应粒子群优化算法对模型进行了求解。最后，基于中国甘肃某光伏电站进行了仿真分析和现场实验，验证了基于所提模型和算法开发的功率分配模块可以有效提高光伏电站对调度指令的稳态响应精度。关键词：光伏电站；功率分配；时间卷积网络；误差函数；粒子群优化算法0 引言随着中国对于光伏、风力等可再生能源的大力推广，新能源场站的并网发电容量不断提高，部分区域的新能源占比已经达到 30%1，降低了该区域内常规调频资源如水力、火力调频电厂的旋转备用发电容量占比，电源的结构性矛盾日益突出。由于可再生能源出力较强的间歇性和波动性，电网峰谷差增大，给制定合理的发电计划带来困难，且可再生能源出力大小的预测精度难以获得较大提升2。因此，需要优化新能源场站参与调度响应时场站内的功率分配方案，以减少由于调度响应误差而造成的经济损失。目前，关于集中式光伏电站有功功率优化分配方案的文献较少，分配方案也较为直接。文献 3 和文献 4 分别采用的平均分配和额定容量等比例分配是目前光伏电站主要采用的分配方案，但存在响应精度不够高的问题。文献 5 以减少逆变器的开关机次数为优化目标，采用自由分配策略，延长了逆变器的使用寿命。文献 6 采用按调节裕度进行功率分配的方案，但光伏逆变器工作在最大功率点跟踪（maximum power point tracking，MTTP）模式时，计算实时功率调节裕度的难度较大。文献 7 提出了基于样本逆变器计算区域发电能力值，通过能力值等比例功率分配的方案和按照多日平均能力曲线分配的方案。目前，光伏电站的有功分配方案往往未能考虑功率调节指令下发后，部分逆变器不能准确调节至目标功率值的问题，且由于累加效应，全站实际出力和调度指令值存在较大偏差，致使光伏电站面临调度惩罚和违约问题，也不利于电网的稳定运行。传统的功率分配方案未能充分利用电站内的海量历史数据，也未能考虑逆变器接收功率调节指令后实际的功率响应误差，全站对调度指令的稳态响应误差较大。为了充分总结逆变器对功率调节指令的历史执行情况，本文采用数据驱动的方法，引入时间 卷 积 网 络（temporal convolutional network，TCN）8提取数据的序列特征。TCN 于 2018 年被提出，具有强大的时间序列信息挖掘能力，目前在电力系统中已有广泛运用。例如，文献 9 通过改进的长短期记忆（long short-term memery，LSTM）网络-TCN 进行海上风电超短期功率预测。文献 10 利用 TCN进行动力电池的实时健康状态评估。本文针对集中式光伏电站有功功率分配的相关问题，引入 TCN 提取光伏电站海量历史数据的序列特征，构建了逆变器稳态响应误差与功率出力值、目标功率值及多个环境因素之间的函数映射关系，即逆变器的误差函数。然后，基于每台逆变器的误差DOI：10.7500/AEPS20220426005收稿日期：2022-04-26；修回日期：2022-08-25。上网日期：2022-12-14。国家自然科学基金资助项目（52177098）；中国华电集团科技项目（CHDKJ21-02-138）。142李振坤，等 基于时间卷积网络和误差函数的光伏电站有功功率优化分配http：/www.aeps-函数特征，构建了光伏电站的有功功率优化分配模型。为了提高模型的求解速度，根据调度指令调节量的大小，对逆变器进行分层排序处理，并利用自适应粒子群优化（particle swarm optimization，PSO）算法计算每台逆变器的最优目标功率值。最后，基于中国甘肃某 20 MW 光伏电站进行仿真分析和现场实验，验证了本文基于逆变器误差函数构建的功率分配模型对精准响应调度指令的可行性。1 光伏电站有功调度响应随着新能源并网容量的不断提升，供能侧出力的随机性和波动性加剧，电网的频率安全面临着巨大挑战。当电网的承载能力有限时，光伏电站需要通过调整出力参与电网的调度响应。但是，由于各类逆变器控制策略和测量精度的不同以及逆变器至功率考核点间存在随功率分配方式和功率大小不断变化的网络损耗等原因，逆变器的实际出力和目标功率值间存在稳态响应误差，进而影响全站功率响应精度。目前，光伏电站所接收的调度指令往往为分钟级，调度中心对光伏电站功率响应的考核标准为功率响应后达到的稳态功率值11。光伏电站本地控制中心在接收到调度中心的调度指令值PT后，如何根据电站内每台逆变器当前的运行状态以及对功率响应任务的历史执行情况，计算每台逆变器的最优目标功率值Pi，ref，使全站对调度指令的稳态响应误差最小，是本文的主要研究内容。综上所述，本文的研究目标是通过对光伏电站内部功率分配方案的优化，提高电站整体对调度指令的稳态响应精度。因此，本文主要考虑功率响应的稳态结果，文中的功率值采用稳态值，不涉及逆变器内部控制策略的研究及毫秒级阶跃响应数据。2 基于 TCN的逆变器误差函数在不同的工况下，同一台逆变器即使接收到相同的功率调节指令，由于受到环境因素和逆变器工作状态的影响，实际的稳态响应误差也会存在差异，难以直观地建立响应误差和影响因素之间的物理模型。因此，采用数据驱动的方法，引入 TCN，将每台逆变器对调度指令的历史执行情况和环境因素构成训练特征集，通过深度学习挖掘历史数据特征和响应误差的函数映射关系，构建基于 TCN 的逆变器误差函数。2.1TCNTCN 的基础为全卷积网络，其主要结构融合了适合处理序列信息的因果卷积和对于历史数据具有较强记忆性的扩张因果卷积及残差模块，是一种主要应用于时间序列学习的神经网络，其特点如下：1）卷积网络不同层之间具有因果关系，不会遗漏历史信息和使用未来信息；2）TCN 每个输出层都可以保持和输入层一样多的长宽而被继续传递，架构可以根据需要调整为任意长度。2.1.1因果卷积及扩张因果卷积因果卷积是 TCN 的基础结构，因果卷积在 t时刻的输出值仅由前一卷积层和更早的元素通过卷积计算获得，因此未来的信息不会泄露12。但是，其缺陷在于难以捕捉到时间较久的历史信息特征。扩张因果卷积以因果卷积为基础，将扩张系数增大，能够获得更大的感受野，更适合用于处理时间跨度较长、数据量较大的历史数据13，其结构见附录 A 图A1。由于集中式光伏电站的调度指令的数据量较大并且时间跨度较长，因此采用扩张因果卷积和残差模块构建 TCN 能够提高计算效率，满足精确、快速响应的要求。扩张因果卷积使上一层的输入以间隔采样，每层的扩张率 d 以 2 的指数级增长，有效窗口的大小随着层数呈指数型增长，这使 TCN 只用较少的层就能捕捉到输入序列中时间间隔较长的数据之间的影响关系。设时间序列为 x，扩张因果卷积F(s)的表达式为：F(s)=n=0g-1f(n)Xs-dn（1）式中：s为神经元；g为卷积核的尺寸；f(n)为卷积核中 第 n 条 数 据；Xs-dn表 示 只 对 过 去 的 数 据 卷 积运算。2.1.2残差模块随着 TCN 深度的不断增加，其对于信息之间关联特征的发掘能力会不断增强，但也会带来梯度爆炸、梯度消失等问题。为了解决这类网络退化的问题，需要通过残差模块进行误差修正14。本文所采用的深层 TCN 结构见附录 A 图 A2，由输入层经过多个残差模块计算输出值。残差模块的主要组成为：TCN 卷积层、WeightNorm 层、激活函数 ReLU 和 Dropout层，并且将输入层的直接映射作为残差链接。WeightNorm 层和 Dropout 层的作用主要是为了抑制网络噪声，优化网络的训练效果。然后，为了保证输出输入的维度相同，引入了11卷积模块。最后，将残差模块不断堆叠即可构建深层的 TCN15。1432023，47（6）学术研究 2.2用于逆变器误差函数建模的 TCN特征集2.2.1特征选取在进行逆变器误差函数的构建之前，需要对电站的历史数据进行特征筛选，选择和响应误差相关性较强的数据作为输入特征构建训练特征集，避免将相关性较低的数据输入模型，增大训练噪声。单台逆变器的部分现场功率调节实验数据见附录 A表A1，信息收集系统采集到的数据特征和逆变器稳态响应误差的皮尔逊相关性分析结果见附录 A图 A3。由相关性分析可知，风速、气压和逆变器稳态响应误差之间呈现低相关性，环境温度、光照强度、环境湿度、天气情况和稳态响应误差呈现中相关性，功率出力值、目标功率值和稳态响应误差呈现强相关性。因此，本文将历史数据中每台逆变器的功率出力值、目标功率值和 4 种环境因素（环境温度、光照强度、环境湿度、天气情况）构建为特征集，输入TCN 进行监督学习，学习目标即为逆变器的稳态响应误差。其中，天气情况（晴天、多云、阴天、降雨、降雪）采用 One-hot编码的形式，便于特征的提取。2.2.2特征集构建及逆变器误差函数表示单台逆变器的训练特征集由以下两个部分构成：XTSi为模型的输入特征，包括 6个输入特征，依次为 t 时 刻 有 着 相 同 维 度 的 逆 变 器 功 率 出 力 值（Px1，i，Px2，i，Pxt，i）、目 标 功 率 值（Py1，i，Py2，i，Pyt，i）、环 境 温 度（T1，T2，Tt）、光 照 强 度（S1，S2，St）、环 境 湿 度（H1，H2，Ht）、天 气 情 况（W1，W2，Wt），具体如式（2）所示；验证特征集如式（3）所示，仅包括XTEi部分。|XTSi=|Px1，iPx2，iPxt，iPy1，iPy2，iPyt，iT1T2TtS1S2StH1H2HtW1W2WtYTSi=y1，iy2，iyt，i（2）XTEi=|Pxt+1，iPxt+2，iPxt+h，iPyt+1，iPyt+2，iPyt+h，iTt+1Tt+2Tt+hSt+1St+2St+hHt+1Ht+2Ht+hWt+1Wt+2Wt+h（3）式中：YTSi为模型的输入真实值，即逆变器接收功率调节指令后，最终的稳态响应误差；h为验证特征集数据序列长度。因此，本文所描述的输入、输出特征的映射关系即为多维输入特征（功率出力值、目标功率值、环境温度、光照强度、环境湿度、天气情况）和逆变器稳态响应误差的函数映射关系。随着逆变器功率出力值和目标功率值的差值即功率调节量、天气情况或环境湿度数值的上升，响应误差的大小将主要呈上升趋势；随着环境温度和光照强度数值的上升，响应误差的大小将主要呈下降趋势。映射关系的定量数学表达式，即逆变器的误差函数如式（4）所示。该映射关系将由 TCN 离线训练提取，通过将 6 个输入特征量输入训练好的 TCN，即可计算逆变器的稳态响应误差。Pi，s=fi(Pi，ref，Pi，x，T，S，H，W)（4）式中：Pi，s为逆变器 i的稳态响应误差；fi()为 TCN发掘的逆变器 i的稳态响应误差和输入特征之间的函数映射关系；Pi，x为逆变器 i当前时刻的功率出力值；T、S、H 和 W 分别为当前时刻全站的环境温度、光照强度、环境湿度和天气情况。3 基于逆变器误差函数的有功分配模型3.1光伏电站有功功率分配求解过程本文提出的基于逆变器误差函数的光伏电站有功功率