本发明涉及电网监测技术,具体是一种结合cnn神经网络的分布式电源出力感知方法。
背景技术:
1、随着光伏项目的推进,出于电量平衡、配电网安全运行、容量管理的需求,电网迫切需要对台区内分布式光伏进行监测。采用互信息理论对台区内光伏实时出力进行分解是目前较为前沿的技术。如专利cn114896871a就提出了一种基于最小互信息的光伏出力分解方法,但单纯以最小互信息为标准进行光伏分离,其效果受噪声影响较大,经过卡尔曼滤波之后的光伏倍率围绕实际的光伏倍率小范围波动,在长时间尺度下仍存在一定的类似周期性误差,可能存在一个周期更长的干扰噪声,或者是存在模型外参数导致的系统误差。
技术实现思路
1、针对背景技术指出的问题,本发明的目的一种结合cnn神经网络的分布式电源出力感知方法,其在最小互信息的光伏出力分解方法基础之上,针对光伏容量变化时的动态响应与观测噪声之间的矛盾关系,进一步结合cnn(convolutional neural network)神经网络对分布式电源出力进行分解,本方法在不同光伏渗透率且有测量噪声情况下具有较高的可靠性和有效性,能够完成正常的台区光伏感知、监控功能。
2、为实现上述目的,本发明采用以下技术方案:
3、一种结合cnn神经网络的分布式电源出力感知方法,包括以下步骤:
4、s1、采用基于最小互信息的光伏出力分解方法获得光伏倍率λ;
5、s2、根据卡尔曼平滑后的光伏倍率λt+1,将台区实时出力数据分解为光伏出力数据与纯负荷出力数据,建立特征数据为光伏出力数据与纯负荷出力数据、标签数据为光伏倍率λt+1的数据库,并定期更新数据库;
6、s3、对数据库中的数据集进行样本均衡的处理;
7、s4、对样本均衡的处理后的样本数据进行归一化处理;
8、s5、将归一化处理后的数据送入cnn神经网络进行特征学习,当累计数据足够时,由cnn神经网络输出光伏实时出力估计。
9、所述步骤s3中,样本均衡的处理采用扩展样本的方式,具体如下:数据库中每个特征数据集中的光伏出力数据不变,纯负荷出力数据扩展为纯负荷曲线加以不同倍率的光伏曲线之和,如下式:
10、
11、式(3)中,al(t)为非光伏负荷电度总曲线,apv(t)表示光伏负荷电度总曲线,λ”为扩展的光伏倍率,其取值范围为[0,st/max(arefpv(t))],方法采用等间隔的取一定数量的λ”,at,exp为经过扩展后的台区纯负荷出力数据。
12、所述步骤s4具体如下:对每一个样本单独做min-max标准化与中心化处理,归一化过程如下式:
13、
14、其中x*表示归一化后的序列,x为原序列,归一化后其分布为[-1,1];将光伏出力数据与纯负荷出力数据归一化后,光伏倍率λt+1同样需要换算;λ*为与归一化后的光伏、总表数据匹配的光伏倍率。
15、所述步骤s5中,cnn神经网络训练的评价函数为基于历史测量数据计算得出的台区光照强度与台区光伏发电功率之间的映射函数,具体如下:
16、
17、
18、上式中:x为台区光照强度,l为台区负荷功率,ρ为量化x与l之间线性相关性的系数;和分别为x和l的均值;n为数据点的总个数;
19、ρ对神经网络输出y(t)的偏导数则用以下算式计算:
20、
21、
22、
23、上式中:a和b分别为求取偏导数时引入的中间变量;k为时刻点,k∈n。
24、本发明的有益效果是:本发明在最小互信息的光伏出力分解方法基础之上,针对光伏容量变化时的动态响应与观测噪声之间的矛盾关系,进一步结合cnn(convolutionalneural network)神经网络对分布式电源出力进行分解,本方法在不同光伏渗透率且有测量噪声情况下具有较高的可靠性和有效性,能够完成正常的台区光伏感知、监控功能。
1.一种结合cnn神经网络的分布式电源出力感知方法,其特征是:包括以下步骤:
2.根据权利要求1所述的一种结合cnn神经网络的分布式电源出力感知方法,其特征是:所述步骤s3中,样本均衡的处理采用扩展样本的方式,具体如下:数据库中每个特征数据集中的光伏出力数据不变,纯负荷出力数据扩展为纯负荷曲线加以不同倍率的光伏曲线之和,如下式:
3.根据权利要求1所述的一种结合cnn神经网络的分布式电源出力感知方法,其特征是:所述步骤s4具体如下:对每一个样本单独做min-max标准化与中心化处理,归一化过程如下式:
4.根据权利要求1所述的一种结合cnn神经网络的分布式电源出力感知方法,其特征是:所述步骤s5中,cnn神经网络训练的评价函数为基于历史测量数据计算得出的台区光照强度与台区光伏发电功率之间的映射函数,具体如下: