基于神经网络预测的配电网光伏消纳能力评估方法

徐呈程，祝燕萍，方欢欢，蒋兴新，赵 珞，樊戴福，胡东晓，陈方瑞

(1. 国网上海市电力公司奉贤供电公司，上海 201400； 2.哈尔滨工程大学 智能科学与工程学院，黑龙江 哈尔滨 150001)

当前，世界化石能源的使用和消耗伴随着日趋严重的环境污染。与此同时，此类能源的几近枯竭促使了多种新能源，尤其是诸如光伏、风电等分布式电源的大力发展和应用。随着我国《电力发展“十三五”规划》和《可再生能源“十三五”规划》的落实，国家对电力系统网络尤其是配电网的升级发展提出了大力加强改造的要求。在2021年两会中，“碳达峰”和“碳中和”首次被写入政府工作报告中，国家希望积极发展分布式能源，并鼓励配电网端尽可能消纳。诸多分布式新能源中，分布式光伏能源以相对的环保性、资源易获得性，以及发电设备的易维护性，受到各方青睐。

国家能源局印发的《公布整县(市、区)屋顶分布式光伏开发试点名单的通知》中指出，“我国建筑屋顶资源丰富，分布广泛，开发建设屋顶分布式光伏潜力巨大”。通知中要求，对于接入光伏的建筑主体，党政机关建筑的光伏设备安装量不低于建筑屋顶总面积的50%，学校医院等公共设施不低于40%，企业厂房不低于30%，农村住宅不低于20%。同时，对于屋顶光伏的建设也提出了“宜建尽建”和“应接尽接”两项原则。在这样的背景下，大规模的光伏接入势必成为未来新能源的发展趋势。由于光伏发电出力容易受到天气变化等因素的影响，存在很强的波动性和非连续性。基于我国的大部分中低压配电网的设计架构，大规模光伏接入将导致配电网系统的可靠性经受强大的冲击和挑战[1]。

当光伏接入配电网之后，配电网本身的单向源辐射状网络将变成多电源网络结构，这将使得配电网线路从原先的单向潮流模式转换成双向潮流线路，在配电网整体负荷降低时，可能会导致潮流反向流动，进而引发局部电压稳定性的问题。这种情况尤其在目前农村电网接入，或单节点接入容量过大时，极易发生。在将光伏系统与配电网匹配之前，需要全面地评估目标配电网的光伏能源承载或消纳能力。同时，需要详细设计光伏接入的最佳位置和接入容量，以使得接入方案能够劲尽可能地接近配电网的理论承载能力，从而对已有的光伏出力达到最大可能的消纳，并保证配电网的安全与稳定。

根据“应接尽接”原则，随着区域大规模的光伏电源出力逐步提升，未来可能超过当地配电网的承载极限。在这样的情况下，需要对配电网的整体升级作长期规划。对配电网的改造升级，涉及多个方面，从变电站、线路等需要合理配置，以期用最少的投资来使得升级后的配电网能够随时消纳新产生的光伏能源。在这种情况下，如何以最少的改动或投资来消纳最多的光伏能源，是目前诸多存在大规模光伏接入的配电网急需解决的问题。

1 配电网光伏消纳能力相关研究

对于配电网大规模光伏接入的消纳方式，有以下两种方式。第一种是动态仿真法，主要基于各种电力仿真软件对各种光伏消纳方式进行模拟，从而分析出大致的配电网光伏承载能力。文献[1]利用光伏出力与电压波动的相互关系，建立光伏并网的电压偏差模型，通过改进反映母线电压状况的4项指标，提出了一种评估光伏接入后电压波动情况的方法，由此，通过软件模拟可以实现对光伏接入消纳水平的分析。文献[2]通过建立一种标准化的降维(Reduced-Order)模型来模拟多样化的光伏电源接入的安全快速部署，并利用强化搜索算法遍历多种光伏接入的可能情况，利用软件测试并评估出最佳的光伏接入方案以及最大光伏承载能力。文献[3]则是模拟传统配电网馈线在大规模光伏接入后的电压稳定性，模拟了16条配电线路并指出哪些情况下配电线路电压在光伏接入后不稳定，以及给出了在每个光伏接入点的最大光伏接入水平。仿真优化的优点在于，可以即时检验当前接入方案的安全性与可实现性，并能提前模拟配电网运行安全约束，原理也相对简单。仿真优化的缺点在于，对于每一种光伏接入情况，都需要软件模拟一遍以查看其可用性和安全性，这导致寻找最优接入方案需要耗费大量人力物力，而且并不能保证获得最好的解决方案[4]。在需要提升配电网消纳能力时，无法有针对性地给出具体提升瓶颈，这也导致了仿真方法应用的局限性。第二种是基于数学模型优化的方法。其中，主要分为解析法、启发式方法，以及随机场景模拟法3个方向。每一种方向又可分为确定性方法和不确定性方法两种，主要是基于电网运行变量确定是否需要考虑不确定性。通常来说，配电网与负荷等一系列电网运行参数的高随机性，不确定性算法在应用上具有更高的准确性和适应性[4-10]。

针对光伏出力随着天气的变化的不确定性，以及数学优化与场景模拟方案只可保守评估总体消纳能力的问题，本文的关键贡献在于引入二阶段光伏消纳能力评估方法。首先针对配电网未来负荷不确定性，利用循环神经网络对配电网未来负荷能力进行短期预测，估计未来目标配电网各节点的负荷曲线[11-18]。然后根据预测负荷，针对光伏出力不稳定性的情况，进一步考虑功率转移下的配电网运行稳定性，建立相应优化方程并求解，以此更好地模拟配电网在大规模接入光伏情况下的运行特征。通过准确评估各个时刻、各节点光伏可接入容量，本文方案可以较好地准确估计配电网的光伏的最大消纳能力。

2 长短期记忆神经网络

循环神经网络是一种基于序列的机器学习模型。它可以对具有时序关系的数据进行建模，然而，由于此网络在学习过程中存在梯度消失或者爆炸，以致于学习长期时序关系对这种网络来说存在着一定的困难[19-21]。 由此，本文对其进行了改进，包含一些结构化的存储单元的循环神经网络——长期短期记忆(LSTM)算法[22]。 LSTM 相比传统循环神经网络，额外添加了3个精心设计的被称为“门”的结构，即输入门、遗忘门和输出门。它们具有删除或添加信息到各种状态的能力。这种结构实现了一种信息选择的方式。 通过一个额外的遗忘门，该模型在避免了梯度消失问题的同时也具有了学习长期依赖信息的能力。 从负荷预测角度来看，这种模型通过添加“门”这种记忆单元实现了循环神经网络对负荷时序数据中过去信息的记忆能力。

LSTM 神经网络中核心单元的基本结构如图1所示。该结构在LSTM网络中重复出现并相互连接构成链式架构。不同于传统循环神经网络的基本单元仅仅是一个拥有tanh层的单层感知机，LSTM每个核心单元都具有4个交互层[23-24]。其中每条箭头线都代表一个从输出到其他节点之一的输入向量。 合并的线表示将向量前后合并成一个长向量，而岔开的线表示内容被复制并分发到其他位置。

图1 长短期记忆神经网络核心单元基本结构[23]

3 配电网光伏消纳能力评估方法

3.1 配电网光伏消纳优化模型

光伏消纳能力的评估一般以考虑配电网在分布式光伏接入后的潮流分布为核心，建立非线性优化模型，并利用优化求解器求解出在当前负荷及网络约束下每个网络节点的最大光伏接入量，并以此来评估此情况下的光伏消纳能力。通常情况下，主要考虑约束为配电网基本运行约束，如电网潮流约束及节点安全电压约束。

3.1.1 目标函数

配电网光伏消纳能力的评估以最大化整体配电网接入的光伏量作为目标函数，即用配电网各节点分布式光伏一天接入量之和来表征配电网的整体光伏消纳能力：

(1)

式中NPV——配电网系统中接入的光伏节点总数，此处假设所有节点均有条件接入分布式光伏，则NPV=N，即NPV为系统节点总数；PVi,t——第i个节点t时刻的接入光伏量；T——光伏接入的总时间，本文研究对象设置为日出至日落时间段。

3.1.2 配电网运行约束

传统配电网三相潮流约束如下[25]：

(2)

(3)

式中Pi,t，Pi+1,t，Qi,t，Qi+1,t——流过节点i和i+1的t时刻有功与无功功率；QPL,i,t，QPV,i,t——节点i处t时刻的负荷与光伏有功出力；QQL,i,t——节点i在t时刻的无功负荷；Ri,Xi——节点i-1和i间线路的电阻和电抗值。

节点需要满足节点间电压平衡约束以及节点稳态电压约束[26]：

(4)

Umin≤Ui,t≤Umax，∀t∈{1,…,T}

式中Ui,t——节点i处t时刻的电压值；Umax，Umin——节点电压允许最大值和最小值，一般以标称电压偏差某个比例设置，本文以国标规定7%电压偏差率设置，即以1.07和0.93分别为节点允许电压(标幺值)的上、下限。

3.1.3 考虑输出功率转移分布的运行约束

然而，上文所述模型并未考虑传统电网潮流模型引入的建模误差，这种误差常常会导致电网运行的不确定性，而功率转移分布因子作为其中代表性的不确定性参量，对电网模拟的准确性具有重要的影响。在大规模新能源接入的配电网环境中，光伏发电装置可能存在出力不稳定、导致潮流多变的特性。因此，本文重点考虑发电机输出功率转移因子(GSDF)[27-28]。

考虑如下潮流约束：

(5)

式中Pl,max，Pl,min——线路l潮流的上、下限；Gl,i——光伏发电机i在线路l上的输出功率转移因子，即表示节点i的光伏出力对线路l产生的影响。

在此，GSDF定义了由于光伏出力变化引起的线路潮流变化量。假设节点i的光伏出力变化为 ΔPi时，将引起线路l产生ΔPl,i的有功功率变化，则：

(6)

式中a,b——连接线路l的两端节点；Bai,Bbi——配电网电纳矩阵第ai和bi元素；Xl——线路l的电抗参数。

由此，Gl,i描述了光伏设备在节点i的出力改变一个单位量时线路l的潮流变化量。

3.2 神经网络负荷预测模型

基于负荷时序数据，利用PyTorch建立LSTM模型，LSTM核心单元求解公式如下：

it=sigmoid(Whiht-1+Wxixt)

(7)

ft=sigmoid(Whfht-1+Whfht-1)

(8)

ct=ft⊙ct-1+ic⊙tanh(WXCht-1+Whcht-1)

(9)

ot=sigmoid(WXCxt+Whcht-1)

(10)

ht=ot⊙tanh(ct)

(11)

式中it,ft,ot——LSTM模型中的输入门、遗忘门和输出门；⊙ ——哈达玛乘积即逐项乘积法；ht——LSTM单元输出，它决定了下一单元内各个元素如何更新；sigmoid，tanh——激活函数；ct——当前更新的单元状态。

对应的权重矩阵Whi,Wxi,Whf,WXC,Whc，通过训练影响每个门结构的激活函数得到，并最终使得整体损失函数最小。首先，LSTM通过遗忘门处理输入信息并决定当前状态中需要舍弃哪些信息；然后，信息通过输入门控制决定有多少信息得到保留并新增哪些信息；最后，所有信息通过输出门更新单元状态ct并转换成到LSTM当前输出值ht。LSTM模型的模型参数的初始化是随机的，以提高参数调优的效果。

具体预测中，使用滑窗预测。首先利用模型根据一段历史负荷预测这段负荷下一时间点的负荷值，在图中绘出位置；然后移动窗口，用完整的测试数据加上之前预测的那个数据一起形成新的历史负荷数据预测下个时间点的值， 这里需要注意的是第二次预测时，所用历史负荷数据中最后一个数据点也是之前的预测值。由此，模型通过不断移动窗口并预测下一个点，最后实现对长时间序列的完全预测。

3.3 光伏消纳能力评估流程

整个基于神经网络预测的配电网分布式光伏消纳能力评估流程如图2所示，基本步骤如下。

(1)根据历史负荷数据建立基于长短期记忆循环神经网络的短期日负荷预测模型，得到需要预测的未来一日各节点的负荷曲线；

(2)根据配电网各节点日负荷曲线，建立目标日光伏消纳能力评估模型；

(3)如果模型无解，则表明当日分布式光伏就地消纳条件不足，建议此日不额外分配光伏接入；

(4)若模型有解，则求解模型，得到当日分布式光伏各节点各个时刻的接入方案和接入量，并以此日各个时刻总接入量的最大值和最小值作为当日光伏消纳能力评估的上、下限；

图2 配电网光伏消纳能力评估流程

(5)若数据充分，则根据新的负荷数据，进一步预测和评估下一日的光伏消纳能力，并进一步完整估计未来光伏消纳能力瓶颈和目标配电网提升方案。

4 算例分析

4.1 算例介绍

本文以上海市奉贤区配电网为例，选取该区某镇局部10 kV供电网络作为评估对象。该算例为6节点辐射型低压配电系统，其网络拓扑结构如图3所示。

图3 配电网网络拓扑图

该系统节点0通过变压器连接主网。其中，在节点8处安装有光伏发电装置。以下所求光伏出力和系统光伏消纳能力评估均以此光伏以外的新接光伏接入量测算。所有负荷处理数据以标幺值计算，基准功率为1.2 MW。

4.2 算例分析

以各节点5—6月的30 min负荷数据为训练数据，对各节点负荷曲线建立循环神经网络模型，并预测6月27—29日每日24 h各节点负荷值。节点7某开关6月29日的负荷预测曲线与实际负荷曲线比较结果如图4所示。

图4 节点7某开关6月29日实际负荷曲线与预测曲线比较

由图4可以看到，负荷预测的结果与实际结果基本接近，预测结果基本可以代表当日负荷使用情况。各节点每日负荷预测均方误差(MAE)如表1所示，各值均低于0.1，可以认为模型泛化较好，可以发掘深层负荷特征。

配电网光伏消纳能力根据预测的各节点负荷数据，利用CPLEX求解相应混合整数优化方程得到当日各个时间点光伏出力最优估计。以29日为例，根据气象数据，上海奉贤地区当日日出、日落时间分别为上午5点和下午7点，则根据第3节所述方程求得各时刻、各节点的光伏最大允许出力。由此，可以得到对于配电网当日的光伏消纳能力评估。以实际负荷数据估计和以预测负荷数据估计的光伏消纳能力见表2。通过比较可以发现，两者数据接近，表明整体模型可以提供针对配电网光伏消纳能力的准确评估。

表1 各节点负荷预测均方误差(MSE)

表2 6月29日配电网光伏消纳能力评估比较 MW

5 结语

针对大规模光伏接入的配电网运行不稳定性，以及无法针对特定情况(如气候变化、用电发展等)下的配电网光伏消纳能力进行准确评估的问题，本文提出了二阶段光伏消纳能力评估方法。首先利用循环神经网络得到配电网未来短期的预测负荷，然后，针对光伏出力不稳定性的情况，进一步考虑功率转移下的配电网运行稳定性，以此建立配电网光伏消纳能力评估模型。整体评估架构为更好估计实际光伏容量并规划未来配电网提升方向提供了现实的指导方针。最后，以上海市奉贤区某配电系统为算例的模拟分析佐证了本文方法的可操作性与准确性。