新能源接入后的分布式电源负荷运行态势感知分析

李福贵，曹 洋

（国网七台河供电公司，黑龙江 七台河 154600）

0 引 言

分布式电源虽然拥有集中式电源不具备的优势，但也面临一些挑战。例如，现有技术无法集中调度分布式电源和电力系统。研究发现，除极特殊情况，感知电力负荷可以通过累计终端负荷值的方式实现，电源电量是否平衡将直接影响系统的稳定性和安全性。通过对电力系统的分析，发现分布式电源负荷的变化与系统运行状态密切相关。换言之，实时感知电源负荷能为调度工作提供可靠依据，对提高电力资源利用率具有重要意义。

1 研究背景

随着太阳能、风能等新能源的快速普及，将分布式电源接入电力系统已成为常态。相较于中心供电站，分布式电源具有以下优点：一是分布式电源的分散部署使系统更加可靠，当某个地区的电源发生故障时，其他地区的电源可以继续供电，避免大范围停电；二是分布式电源通常部署在负荷附近，通过缩短输电全线长度来减少电阻损耗和传输功率损耗，有助于提高能源利用率；三是分布式电源能够充分利用新能源，符合节能减排等理念；四是分布式电源具有模块化、可扩展的特点，可以根据实际需要灵活配置，构建更加灵活、稳定的系统。

新能源具有分散、不稳定以及波动性强等特点，对系统的运行管理提出新的要求。在常规系统中，负荷、发电之间的耦合关系相对简单，主要依靠中央调度和集中发电。随着分布式电源的增加，电力系统的复杂性大幅提高，需要更灵活的运行管理方式[1]。为高效管理电力系统，相关人员围绕如何感知电源负荷态势展开讨论。通过实时感知电源负荷，科学评估电源状态，并及时采取恰当的措施，保障系统的可靠性。电源负荷态势感知工作通常包含5 方面内容：一是通过传感器等设备实时监测电源负荷参数；二是挖掘、分析数据，了解负荷状态、用电行为及实际能耗；三是基于所掌握数据，建立能预测未来一段时间内负荷需求的模型；四是凭借实时监测、诊断技术，及时发现异常用电情况并对其处理，减少停电时间；五是通过可视化展示和报表分析数据信息，确保有关人员能及时了解系统状态，制定正确的决策。在接入新能源的前提下，设计感知电源负荷态势的方法，提高系统的运行效率，智能化管理电源和电力系统。

2 感知运行态势

感知电源负荷态势的关键是对电源负荷开展实时监测、分析及预测，了解并评估负荷运行态势，助力系统稳定运行。

2.1 处理数据

在研究感知电源运行态势的方法前，要先提取电源负荷态势所涉及的数据。通过传感器、智能电表以及测量设备，实时采集电源各节点的负荷数据，并通过物联网或其他通信网络传输采集功率、电流以及电压等数据。随后利用专业技术清洗、处理采集的数据，将数据存储在对应的数据库[2]。处理数据的目的是提高数据质量和准确性，为后续的应用提供便利。提取数据时，要注意2 点：一是实时检测正常情况下电源母线每日的负荷值，及时筛除噪声、冗余数据；二是科学处理数据。一旦提取数据所使用的量测装置出现故障，就会影响所提取数据的真实性。数据筛除公式为

式中：Lt为母线负荷值；t为采样时间；L1为母线平均负荷值；L2为负荷值的标准差。拉依达准则主要用于判断非线性系统的状态是否具有稳定性和辐散性，通过构造函数来评估系统变化情况[3]。确定一个描述系统状态的方程V(x)，如果能找到连续可微的函数满足V(x)＞0 对所有状态变量x(x≠0)成立、V(x)一阶导数关于时间的变化率不大于0 以及V(x)一阶导数关于x的变化率不大于0，则表示该函数是拉依达函数，同时系统处于相对稳定的状态。该准则并不能确定系统是否为全局稳定状态，只能判断系统在特定状态附近是否稳定。如果要判断全局稳定性，则需要进一步分析系统的性质和动力学行为[4]。

筛除不满足拉依达函数的数据后，在剩余数据中提取特征数据和代表数据，形成集合。提取数据工作结束后，对数据进行相应的处理，以减小动态、静态负荷差给感知行为带来的干扰，使数据更加规范。

2.2 建立模型

由于用户侧存在多种电源负荷，在数据处理工作结束后，根据电源可能存在的运行形态，建立感知电源负荷群的模型。首先，使用数据分析技术，如时间序列分析和回归分析等，对数据加以分析；其次，使用统计方法和机器学习算法，得出负荷规律，建立相应的预测模型[5]；最后，基于建立的预测模型，对未来负荷展开预测，实现电源的合理调度，确保系统的供需平衡。

2.3 感知运行态势

基于集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）感知电源的负荷态势。EEMD作为由经验模态分解（Empirical Mode Decomposition，EMD）衍生出的全新方法，在非平稳、非线性信号分解和分组方面具有突出优势，可以快速提取信号的时频特性、局部特征。特征提取主要步骤为：第一步，根据原始信号随机赋予噪声，形成不同的扰动信号；第二步，分解扰动信号，获得内模态分量（Intrinsic Mode Functions，IMF）成分；第三步，调整IMF 成分，得到具有实际意义的结果。该方法的优点体现在3 个方面：一是可以根据信号固有特性分解扰动信号，具有自适应性；二是通过多次引入扰动、调整IMF 成分，将分解结果存在剧烈震荡、模态混叠等情况的概率降至最低，使分解更加准确；三是针对信号特点调整参数，充分满足分解需求[6]。

正式导入数据前，需要按照属性简约处理原则，去除没有实际价值的数据，在不影响最终感知结果的基础上，减少导入模型的数据量，再以EEMD 所提供知识表达机制为依托，建立决策函数。准确采集电源功率数据，具体包括开关状态、可调容量以及功率变比。基于采集数据，计算光伏发电出力、发电功率的最大值。分析电源负荷相关参数，为分析结果匹配相应的时序，达到感知负荷运行态势的目的。

3 对比分析

在电力需求逐年增长的背景下，分布式电源额定装机容量逐渐增大，无形中提高感知电源负荷态势的难度。要想使分布式电源具备协同运行的条件，从管理、运行2 个层面对电力系统展开研究。以往感知电源负荷态势的方法是由安装的传感器实时采集用户侧电源和负荷分布相关数据，通过可视化技术将采集的数据完整展示给用户，为用户了解电网现有分布式电源的运行情况和负荷特征提供便利[7]。为进一步优化用户侧和管理终端感知电源负荷态势、解决故障的能力，设计一种全新的感知方法，实时监视电力系统和电源状态，使电源协同化、智能化管理的设想成为现实。

为验证所设计感知方法的有效性，根据某企业现有光伏发电站的实际情况，展开对比实验。该发电站所属企业为积极响应政府关于大力发展、使用新能源的号召，先后投入多笔资金，对风力、光伏发电系统进行开发，开发工作已初见成效。但开发过程中，发电系统的管理前端和服务终端不具备感知电源负荷态势的功能，严重制约调度工作的推进。经过多方讨论，最终决定用文章设计的方法感知电源负荷态势。电源拓扑结构图如图1 所示。

图1 电源拓扑结构图

由图1 可知，该企业接入新能源以风能、太阳能为主，依托管理终端建立测试环境。使用文章所设计方法时，先采集并处理电源负荷态势相关数据，再建立模型，通过EEMD 得出最终结果。将基于注意力机制、长短期记忆（Long Short-Term Memory，LSTM）所设计的感知方法作为常规方法1，将Spiked感知方法作为常规方法2，使用不同的方法感知电源负荷态势，由技术人员在同一时间测量电源相关数据，作为本次实验的参照组。不同方法的感知结果如图2所示。

图2 不同方法的感知结果

由图2 可知，使用本文方法和人工测量数据得到的数据误差更小。以此为基础，抽取6 个测点，计算不同方法存在的感知误差。计算公式为

式中：E为感知误差；p1为感知结果；p2为人工测量所得数据。

不同方法的感知误差计算结果如表1 所示。由表1 可知，文章所设计的感知方法应用效果更优。合理使用该方法，既能实时感知电源负荷态势，又能有力控制感知误差。

表1 不同方法的感知误差 单位：%

4 结 论

分布式电源通常安装在系统负荷侧，可以为电网持续提供维持运行所需服务。以此为背景，针对分布式电源负荷运行态势，设计一种全新的感知方法。通过测试，证实该方法具有实时性强、信息全面以及可靠性较高等优势，在电网管理和运维中有着广阔的应用前景，有望在算法优化、数据集成以及人工智能应用等方面实现进一步发展。