基于LSTM 的分布式光伏发电并网系统孤岛检测方法

詹庐山

引言

按照不同的开发方式，光伏开发被分成了集中式和分布式。分散光伏具备配置灵活、现场吸收能量强的特性，获得了较普遍的应用。大量分布式太阳能光伏发电系统集成在配电网中，提高了电网负载的变化量，为合理调度用电系统带来了巨大困难。因此准确估计分布式网络结构以及超短期太阳能光伏发电网络功率，对系统的调整和保持实时的供需平衡至关重要[1]。

LSTM单元由一个存储单元和三个网关结构组成。在t时刻，存储单元的状态和输入门控制信息保留，遗忘门控制信息遗忘，输出门基于存储单元的当前状态和输入来确定输出。执行任务时，LSTM确定是否保留前一个时间单位的状态，从而对时间序列的长期和短期依赖性有更好的理解。

近年来，光伏发电技术因其清洁、环保、安全、可靠和经济等优点，在全球范围内迅速发展。在光伏系统中，需要快速有效的检测与发电网相连的光伏系统，这是研究岛屿问题的基础。国内外科学家提出了不同的方法对光伏能源生产中的并网岛进行检测，这些方法根据检测位置的远近可以分为远程检测和本地检测[2]。

一、基于LSTM的分布式光伏发电并网系统孤岛检测方法设计

（一）提取光伏发电并网系统变量因数

在LSTM检测的情况下，当截止因子值取正值时，该循环中的电流由前一循环中的电压确定。在同一周期内，孤岛电压和电流的频率相同，电流受截止因子的影响。随着周期的不断缩短和频率的不断增加，公共连接点的电压频率也会发生变化，从而检测到孤岛效应[3]。

对于电阻和电感负载来说，PCC点处的电压波受到负载的切割系数和阻抗角的影响。由于电流延迟电压，下一个循环的电流由当前循环电压决定。当前周期比上一个周期短时，频移速度比电阻负载快。

对于电阻和电容负载，存在一种特殊情况，即当电源中断前后，电压周期保持不变，但频率会降低。这与电阻和电感负载的情况不同。因此，长短期记忆网络（LSTM）的质量因素和负载会对检测精度产生影响。首先对训练和测量的信息进行分类，查找分析与气候因数相似的历史数据和现象，量化气候因子的相似性特征。同时建立预测信息汇集，以保证信息汇集的结果有较大的训练相似性。找出天气影响的主要条件，假定光电变换特性是稳定不变的。影响光伏分布式发电的主要影响因素是光电板的能量转化效率、光电板的体积、太阳辐射以及该区域的温度。由于一年中不同时间阳光持续时间的长度存在显著差异，影响了光伏能源的分布式发电，因此提取太阳能时间特征并选择天气因素特征向量，特别是分布式光伏发电之间的相关性[4]，进而完成变量因数的提取。

（二）构建光伏发电并网系统孤岛检测模型

基于已经提取到的变量因数，构建光伏发电并网系统孤岛检测模型。利用LSTM方法进行识别。LSTM是RNN的一种，传统的RNN处理序列数据，网络的输出依赖当前输入和前序输入及输出，可以学习数据中序列的相关性。RNN中，对输入序列x中，在时间步为t时，输出值y表示为：

在公式中，h为隐藏层的输出，l为激活函数。W和U为电压和电流，b为系数。

LSTM最重要的问题在于只能够获得很短暂的时间关系，在序列过长时产生梯度的爆炸问题。而LSTM很好地解决了这一现象。LSTM是由一个个记忆块组成的，记忆块中还含有许多较小的神经元，它主要包括记忆单元、入口门、出口门和遗忘门。其中，入口门和出口门的功能用于收集、传输和调整数据，而遗忘门功能用于可选择性的特定或修正数据，而记忆模块则是用于记录神经元目前情况的模块。

本文通过离线训练和在线预测，建立了基于LSTM的分布式光伏发电系统孤岛检测模型，实时优化配置参数和更新历史训练，以确保本文对模型预测的准确性。本文基于LSTM，调整在线预测环节和参数，神经网络具有三层结构，将输入层中的每个神经元单元连接到隐藏层和外部世界。隐藏层对影响能源发电预测的因素的特征进行区分。每一层的数据都来自下一层的信号，在输出层上进行线性传递。本章中的基本结构就是一种多维的网络结构。根据上一节中提供的数据树信息集合，对各种数据树信息进行逐层训练，从而得到三层网络结构的基本模型。实现对分布式光伏利用系统的自动检测，并建立了模糊数据。该系统实现的具体条件如下：

其中，x为多维结构中的输入序列结构；d为期望输出值的数据。利用神经网络函数的调节提高了测量数据的精度，将前文选取的分布式光伏发电量的历史数据，输入到设置的自动预测模型当中去，从而得到的参数描述方法如下：

式中，Q（t）是指分布式光伏发电孤岛值；Q（t+1）是检测孤岛下一时刻散射光伏能量的预测值，本文中散射光伏能量预测是由上述方程补充的[5]，从而完成检测模型的构建。

（三）基于LSTM检测孤岛效应

基于上述构建的孤岛检测模型进行检测。LSTM算法是一种特殊的循环神经网络，它被设计用来处理序列数据中的长期依赖关系。在孤岛效应发生之后，影响因素的存在导致PCC点的频率f不断偏移。AFDPF算法在迁移过程中引入了正反馈因素，促使影响因素在迁移过程中不断增加，有效加快了频率变化，显著提升了孤岛效应检测时效性。

LSTM算法对于不同类型的负载具有不同的检测效果。但负载为电感负载且阻抗角大于0时，其特性与逐渐增长的PCC点频率趋势相匹配，促使频率更快地超过保护阈值并完成检测。然而，当负载阻抗角小于0时，频移的主要影响是阻抗角的磁滞特性相互影响，导致效应相互抵消。在这一点上，通过频率评估初始频率因子的方向，这是LSTM方向算法的另一个改进。

有源频移检测算法在网络连接时利用强网络对频率的压接效应，可以有效防止对非岛屿电网干扰的误判，具有良好的抗干扰性能。该文提出基于LSTM的分布式光伏发电并网系统孤岛检测方法，如图1所示：

图1 分布式光伏发电并网系统孤岛检测方法

具体步骤如下：首先，对输入数据进行构造。通过24小时滑动窗口和20分钟滑动台阶构建输入。然后使用时间特征进行提取。使用LSTM提取每个站点的功率特性。然后执行重建时间特征。使用LSTM重新创建每个站点的时间特征。最后，将重建的特征用于分布式光伏发电中的功率预测，完成对孤岛效应的检测。

二、对比实验

（一）实验说明

为了证明上述方法的有效性，特此进行对比实验分析。将本文提出的基于LSTM的分布式光伏发电并网系统孤岛检测方法（方法1）与基于Attention的分布式光伏发电并网系统检测方法（方法2）以及基于SVR的分布式发电并网系统检测方法（方法3）进行对比。

（二）实验准备

该文选择标准化均分根误差与标准化平均绝对误差作为功率预测精度评价指标。比较实验工作在Python 3.8中进行，模拟设备的硬件配置为AMD Ryzen7 4800 2.90 GHz CPU，16GB内存。原始数据仅包含历史发电功率，并不直接包含对发电功率影响很大的天气因素数据。对目标设备的电功率进行检测，共检测三次。本文选取城市分析分布式发电系统的实际运行数据。数值功率预测数据被用作测试集来处理现有数据。

（三）实验结果

三种方法检测到的孤岛电功率数据如下表所示：

表1 三种方法检测结果

由上表可知，方法1的检测结果与实际值相差较小，且平均值与实际值相符合。而方法2和方法3的检测结果与实际值出入较大，且方法2的平均值大于实际值，方法3的平均值小于实际值。可实验结果可知，本文提出的基于LSTM的分布式光伏发电并网系统孤岛检测方法较为准确。

结束语

本文针对光伏发电并网孤岛检测方法进行深入研究，从孤岛产生原理、主动式频率偏移监测技术的研究和应用等方面，对孤岛检测方法进行了深入探讨，旨在为光伏发电并网系统的稳定和安全运行提供有力支持。受到硬件条件制约，本文对于孤岛监测算法的研发和试验目前还处在理论研发和模拟试验的初级阶段，更进一步的研发工作还需要在现实的光伏系统和孤岛监测设备中开展试验。