基于Sigma卡尔曼滤波的光伏电站监测数据修复方法

俞娜燕 李向超 费科 倪晓宇 任佳琦

摘要：实际电网中监测数据存在不确定性噪声、通信丢包导致的异常数据项，将会给光伏发电规律的总结与电网运行与调度的决策产生带来困难。光伏电站输出功率受到多种因素影响，包括太阳辐射度、环境温度、太阳辐射面积等，而光伏电站输出功率在相同气象条件下存在相似性。本文考虑光伏电站输出功率的多种影响因素，训练RBF人工神经网络作为状态转换方程。然后基于Sigma点卡尔曼滤波理论对光伏电站输出功率信息进行滤波。算例结果表明，所提方法能够有效修复光伏电站监测数据。

关键词：Sigma卡尔曼滤波；光伏电站；数据修复

中图分类号：TN713 文献标识码：A 文章编号：1007-9416（2018）08-0032-03

随着电力技术的发展，电力数据的采集规模呈现急剧增长态势，相应的多源数据采集、稳定传输、高效存储和处理分析技术也快速发展。如何挖掘所采集数据的潜在价值成为了现有的研究热点[1-2]。电网采集数据可分为电网内部采集数据和外部数据，其中内部采集数据为用户用电信息采集系统、广域监测管理系统等，外部数据为气象数据、地理位置数据等，这些数据之间呈现出多源、相互关联和影响的特点。

能源作为保障社会稳定发展的基石，承担着保障国民经济发展的使命。经济全球化的深入也伴随着人类对于能源的需求日益加剧，而化石能源作为传统能源结构的主体不可再生，同时大量的环境污染和能源短缺的危机直接影响到社会的持续发展，加快了能源结构的转型[3-5]。我国太阳能资源十分丰富，全年日照时间在2300小时以上的地域占我国总领土面积的2/3。光伏发电由于其清洁、无污染、无噪声的特点备受瞩目，并且光伏电站适合无人值守、运行维护成本低、可靠性较高。大规模光伏发电能有效解决本地负荷的能源需求，同时光伏并网将会对电力生产、规划和运行等环节产生重要影响。光伏电站输出功率受环境温度、太阳辐射度、太阳辐射面积等因素影响，不同天气和地理条件下的光伏发电运行特点将会影响发电计划的决策[6-8]。基于光伏电站监测数据分析光伏发电特性，从而为优化光伏电站运行规划提供决策依据。

然而在实际电网中，光伏电站监测数据在光伏组件故障、通信网络传输丢包、传感器网络故障等情况下，光伏电站监测数据可能出现不确定性噪声、数据丢包等现象。当光伏电站监测数据中包含异常数据时，会给光伏电站发电规律的统计和分析带来困难，从而影响到电网运行和生产规划决策。

针对异常数据的修复，国内外学者进行了深入的研究。文献[9]基于大量数据建立输出功率模型，利用残值法识别异常数据。文献[10]利用聚类分析数据，筛选并剔除异常数据，然后建立时间序列模型修复异常数据。文献[11]提出采用多元适应性回归样条算法，但该方法计算工作量大。另外，文獻[12]采用数据挖掘方法，包括模糊聚类方法进行数据有效性检查，从而达到筛选异常数据的目的。

本文以光伏电站监测数据为研究对象，提出基于Sigma卡尔曼滤波[13]的光伏电站监测数据修复方法。该方法考虑环境温度、太阳辐射度等多种因素建立光伏电站输出功率预测方程，选取k-1时刻的输出功率信息和k时刻的环境温度、太阳辐射度信息为状态变量，基于Sigma点卡尔曼滤波对光伏电站输出功率进行滤波。最后，利用实际光伏电站发电数据验证了所提方法的有效性。

1 数学模型

卡尔曼滤波理论研究对象为一个随机过程，利用采样获得的量测离散序列，以滤波协方差最小为目标函数，最终得到最优估计值[14]。

式中，x为系统状态变量，u为系统输入量，y为系统量测变量，f为系统状态方程，h为系统量测方程，为过程噪声，v为系统量测噪声，过程噪声和系统量测噪声相互独立且满足，。

将上述状态方程和量测方程离散化形式为：

光伏电站输出功率受太阳辐射度、环境温度、光伏电池组件内电流和电压等多种因素影响，具有非线性的工作特点[15]。本文利用光伏电站监测数据获得的环境温度信息、太阳辐射度信息和光伏电站输出功率信息，建立光伏电站输出功率的空间状态方程。

径向基函数（radial basis function，RBF）神经网络由于其结构简单、逼近非线性能力强的特点在理论研究中获得了广泛的关注[16-18]。如图1所示为RBF神经网络结构，由图1可得RBF神经网络包含了输入层、隐含层和输出层，其中隐含层包含了神经元节点。神经元节点越多，就具有越强的非线性逼近能力，同时其计算量也越大。

本文以k时刻的温度信息T，光照强度C和k-1时刻的光伏电站输出功率P作为输入，预测k时刻光伏电站输出功率，以此训练RBF神经网络获取其网络参数作为状态转换方程。

在RBF神经网络中，隐含层的函数形式为：

式中，和为过程噪声和观测方程噪声，一般满足，，Q和R分别为w和v的方差阵，且w和v相互独立。

2 基于Sigma卡尔曼滤波的修复原理

针对光伏电站输出功率的强非线性工作特点，本文基于Sigma卡尔曼滤波理论对光伏电站输出功率信息进行滤波修复。Sigma卡尔曼滤波算法是卡尔曼滤波理论的延伸，Sigma卡尔曼滤波理论采用确定型采样获得Sigma点群，然后经过非线性模型传递得到预测点群，并利用预测点群的均值和方差进行修正，获得估计的系统状态均值和方差[19-20]。

（1）定义初始状态量和估计方差，确定过程噪声与量测噪声协方差Q、R。在算法迭代前，将过程噪声、量测噪声扩展入状态量，即：

式中，为比例参数，且，和分别是Sigma点均值与方差对应的加权值；而表示的平方根矩阵的第i列，参数满足以保证方差阵为半正定，一般默认；控制Sigma点分布距离，且满足10-4≤α≤1；用于减小高阶项误差，对正态分布最优取。

对于采样点，可以分为、和三部分，据此进行状态估计的时间更新，即：

3 数据分析

以光伏发电为例，选取无锡广盈光伏电站总表日累计数据为研究对象，数据记录时间为2018年5月23日至2018年5月29日，采样间隔为15min。

如图2所示为修复前修复后的数据对比，由图中可以看出本文所提方法能对光伏电站监测数据中的丢失项进行滤波修复，保证了数据较好的完整性。该方法利用RBF人工神经网络，以环境温度、太阳辐射度和前一时刻的输出功率值作为输入，预测后一时刻的光伏电站输出功率，并联合Sigma卡尔曼滤波器进行数据修复，提高了数据的可信度。对进行有效修复。

为进一步验证本文所提方法的有效性，将2018年5月25日9：00～11：00的数据修改为原监测数据的0.6，如图3所示为光伏电站输出功率异常数据修复前后对比。

由图3可得，本文所提方法能有效地滤除数据中的异常项。该方法以RBF神经网络作预测方法，并在预测值与实际量测值之间计算权重，从而达到数据滤波目的，将光伏电站输出功率数据中的异常项滤除，进一步提高监测数据的可信度和准确性。

4 结语

本文针对实际光伏电站监测数据包含异常项的情况，提出一种基于Sigma卡尔曼滤波的的数据修复方法。选取k-1时刻的光伏电站输出功率信息，以及k时刻的温度信息和太阳辐射度作为状态量，通过训练的RBF神经网络进行状态转换，然后基于Sigma卡尔曼滤波理论进行数据修复工作。最后，利用实际光伏电站监测数据检验该方法的有效性，算例表明该方法能够有效修复光伏电站监测数据中的异常数据项。

参考文献

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

[2]苗新，张东霞，孙德栋.在配电网中应用大数据的机遇与挑战[J].电网技术，2015，（11）：3122-3127.

[3]朱杰，张葛祥.基于历史数据库的电力系统状态估计欺诈性数据防御[J].电网技术，2016，（6）：1772-1777.

[4]杨霁.基于状态预测的电力系统状态估计及不良数据检测与辨识[D].西南交通大学，2015.

[5]周小宝.电力系统状态估计不良数据检测与辨识方法研究与应用[D].湖南大学，2013.

[6]苏舟，李灿，姚李孝，等.電力负荷数据预处理研究及应用[J].电网与清洁能源，2017，（5）：40-43.

[7]张晓星，程其云，周湶，等.基于数据挖掘的电力负荷脏数据动态智能清洗[J].电力系统自动化，2005，（8）：60-64.

[8]王雷，张瑞青，盛伟，等.基于支持向量机的回归预测和异常数据检测[J].中国电机工程学报，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]张东英，李伟花，刘燕华，等.风电场有功功率异常运行数据重构方法[J].电力系统自动化，2014，（5）：14-18.

[11]罗小玲，薛河儒.基于改进的多元自适应样条回归的全局近似算法[J].微计算机信息，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]罗谌持，张明.基于Sigma点卡尔曼滤波器的电力频率跟踪新算法[J].电力系统自动化，2008，（13）：35-39.

[14]李江，王义伟，魏超，等.卡尔曼滤波理论在电力系统中的应用综述[J].电力系统保护与控制，2014，（6）：135-144.

[15]汪海瑛，白晓民，马纲.并网光伏电站的发电可靠性评估[J].电网技术，2012，（10）：1-5.

[16]周维华.RBF神经网络隐层结构与参数优化研究[D].华东理工大学，2014.

[17]韩红桂，乔俊飞，薄迎春.基于信息强度的RBF神经网络结构设计研究[J].自动化学报，2012，（7）：1083-1090.

[18]郑夕健，张国忠，谢正义.一种RBF神经网络高精度算法研究及应用[J].东北大学学报（自然科学版），2009，（9）：1314-1317.

[19]赵洪山，田甜.基于自适应无迹卡尔曼滤波的电力系统动态状态估计[J].电网技术，2014，（1）：188-192.

[20]曲正伟，董一兵，王云静，等.用于电力系统动态状态估计的改进鲁棒无迹卡尔曼滤波算法[J].电力系统自动化，2018，（10）：87-92.