計及光伏功率預測的配電網潮流計算

劉同心，江 靜，高 辰，李茂林

(1．華潤電力滄州運東有限公司，河北 滄州 061004；2．河北康保廣恒新能源有限公司， 河北 張家口 071300；3． 燕山大學電氣工程學院，河北 秦皇島 066004；4．國網山東鄒平縣供電公司，山東 鄒平 256200)

計及光伏功率預測的配電網潮流計算

劉同心1，3，江 靜2，高 辰3，李茂林4

(1．華潤電力滄州運東有限公司，河北 滄州 061004；2．河北康保廣恒新能源有限公司， 河北 張家口 071300；3． 燕山大學電氣工程學院，河北 秦皇島 066004；4．國網山東鄒平縣供電公司，山東 鄒平 256200)

采用改進BP神經網絡算法對光伏系統進行短期功率預測并計算其在配電網中的潮流問題，采用改進前推回代算法進行潮流計算，通過求解節點—分層矩陣來對系統分層，進而對每層節點進行前推回代計算系統有功網損。最后，利用改進BP神經網絡算法對某日光伏系統進行功率預測，并采用改進前推回代算法計算33節點系統的潮流，算例分析驗證了所提改進算法的準確性與預測模型的有效性與實用性。

改進BP神經網絡算法；改進前推回代算法；節點—分層矩陣；潮流計算

太陽能以其環保、無污染等優點成為大力發展的清潔型能源，但其隨機性以及不可控性使得光伏發電具有很大的波動性。當電網中光伏系統占到一定比例時，其波動性會對電網產生一定的不良影響[1-3]。光伏系統接入配電網，必然會使配電網變成復雜的多網絡系統，對配電網系統造成沖擊，它們功率的多變性以及不可控性隨時影響著配電網的電壓分布以及潮流方向[4-5]。

潮流計算是分析電網穩定性等理論工作的基礎，近年來，專家學者采用不同算法對考慮光伏功率的配電網進行了潮流計算研究。文獻[6]基于光伏功率預測使用了前推回代法與牛拉法相結合的算法計算潮流，該算法有效提高了潮流計算的收斂精度，但在功率預測上考慮因素不全，不具備普遍適用性。文獻[7]提出了網損靈敏度的概念，計算了基于網損靈敏度的含分布式電源的配電網潮流計算，未考慮各分布式電源的實際出力。文獻[8]以回路分析法作為潮流計算的方法，根據配電網的特點，將電壓回路方程簡化為線性代數方程，使得求解更為簡單。但是該方法需有一定的假設前提，不具備普遍適用性。文獻[9]給出了隨機潮流的計算方法，充分考慮了風光互補情況下的潮流計算問題，但只是簡單地認為太陽輻照度符合Beta分布，使得功率預測具有一定的誤差。文獻[10]認為光伏輸出模型服從Beta分布，這樣處理往往使得模擬效果不是很好，潮流計算結果不準確。因此，有必要精確預測光伏系統的實時輸出功率，并計算其并入配電網的潮流問題。文獻[11]詳細介紹了光伏功率預測原理及方法，介紹了常用的短期預測方法。文獻[12]提到了改進分層前推回代算法的概念，并將其應用于網絡重構。

本文引入了改進BP神經網絡算法來預測太陽輻照度，進而經由光轉電模型對光伏系統進行功率預測。在此基礎上采用改進分層前推回代算法對含光伏系統的33節點系統進行潮流計算，在潮流計算的過程中，采用分層計算處理節點電壓和功率的辦法，快速求解系統有功網損。算例結果證明了文中光轉電模型能有效預測光伏功率，預測誤差相對較小，同時改進前推回代算法能有效處理含光伏系統的配電網潮流問題。預測光伏系統出力情況，有助于解決調度與負荷問題，減輕光伏并網對電網的沖擊性。

1 光伏功率預測

1.1 光伏功率光轉電模型

光伏電池是一種直接將光能轉換成電能的能量轉換器，它的工作原理為半導體P-N結上接收太陽光照產生光生伏特效應。光伏電池受光發電原理過程如圖1所示。

圖1 光伏電池發電原理圖

由圖1可看到，被太陽光激發的空穴和電子在P-N結電場的作用下漂移，N區中電子成為載流體，P區中空穴成為載流體，這樣就構成了光生電場。

光伏電池的輸出功率具有不確定和不連續的特點，其輸出特性主要呈現為非線性特征，受太陽輻照度、環境溫度影響明顯。通常情況下，只研究光伏電池在標準狀況下的光伏電池短路電流、開路電壓、最大功率點電流和最大功率點電壓這四個參數。隨著外界溫度和太陽輻照度的變化，可得到最大功率點處電流Imax與電壓Umax的關系為

(1)

Umax=Um(I-cΔT)ln(e+bΔS)

(2)

式中Im為標況下最大功率點電流；Um為標況下最大功率點電壓；S為外界輻照強度；T為外界溫度；Sref為標況下外界輻照強度；Tref為標況下外界溫度；e為常數系數；a，b，c一般取典型值：a=0.002 5/℃，b=0.5 m2/W，c=0.002 88/℃；ΔS=S/Sref-1；ΔT=T-Tref。

故光伏電池的最大輸出功率Ppv為

(3)

由于光伏電池發出的是直流電,只有通過逆變器將直流電轉化為交流電才能并入配電網，考慮到光伏逆變器的效率等因素，光伏系統的有效輸出功率P表示為

P=η1η2η3η4nPPV

(4)

式中η1——光伏電池性能衰減系數；η2——逆變器效率；η3——光伏電池修正系數；η4——光伏系統線損系數；n——系統中光伏電池的數量。

1.2 改進BP神經網絡算法

BP(Back Propagation)神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，該網絡利用輸出后的誤差來估計輸出層的直接前導層的誤差，再利用這個誤差估計更前一層的誤差，如此一層層的反傳下去，進而獲得其他所有層的誤差估計，其網絡結構圖如圖2所示。通過改進BP神經網絡算法來預測太陽輻照度，然后結合光轉電模型來計算光伏功率。

圖2 神經網絡結構圖

傳統的BP算法，把樣本的輸入與輸出問題轉化為非線性優化問題，繼而通過負梯度下降算法，利用迭代運算求解權值問題，但其存在收斂速度慢且容易陷入局部最小的缺點。為提高該算法的網絡收斂速度，改善權值的修正速度，本文選用改進BP神經網絡算法對光伏系統進行功率預測。

在BP神經網絡算法中，學習率的選取會影響整體網絡的收斂速度，因此本文在算法中通過不斷調整學習率來實時改變權值的修改速度，并采用高斯消元法對BP網絡進行學習和訓練。改進BP神經網絡算法流程圖如圖3所示。

圖3 改進BP神經網絡算法流程圖

2 改進前推回代法

電力系統潮流計算是電力系統運行和規劃中最基本和最經常的計算，其任務是在已知的運行參數的情況下，計算出系統中全部的運行參數。為有效地計算含光伏系統的配電網的潮流，本文采用改進前推回代算法來處理含PQ節點的配電網潮流。該改進算法的主要思想是根據線路結構形成節點—分層矩陣，通過分層矩陣來直接明了地觀測出線路分支結構，進而對每層節點進行前推回代計算。

2.1 節點—分層矩陣

節點—分層矩陣是根據初始支路信息生成節點—節點矩陣，按照相應規則對配電網進行合理分層，該矩陣每層存儲該層所屬節點及其上層直接相連節點。13節點線路圖如圖4所示。

圖4 13節點線路圖

根據該線路形成節點—節點矩陣M與節點—分層矩陣N。矩陣M表示的是節點與節點之間關系，若兩節點相連接則為1，否則為0；矩陣N表示的是分層節點之間的關系，首先根據矩陣M確定首節點所在列，寫在矩陣N的第一行第一列，然后在矩陣M中找到該列中數字1對應的行數，將其所在行數寫在第一行第二列，以此類推，若所在行數前邊已出現，則忽略繼續。

圖3對應的矩陣M與分層矩陣N如下表示。

2.2 前推回代算法

前推回代算法演變于高斯-賽德爾算法，能夠有效地處理輻射型配電網絡，其計算速度快，占有內存少，是最優的算法之一。該算法主要思想為將始端功率作為上級支路的末端功率前推計算，直到計算出網絡根節點的注入功率為止；將末端電壓作為下一級支路的始端電壓進行回代，直到網絡中的所有節點電壓計算完畢。圖5為典型的輻射狀配電網絡。

圖5 典型輻射狀配電網絡

圖5中，節點j的子節點集合Cj包含了節點k和節點l。以節點i為例，相關前推回代公式如下：

(5)

(6)

(7)

2.3 改進前推回代法

改進前推回代算法的基本流程如下。

(1) 讀取原始參數數據，形成節點—節點矩陣M與節點—分層矩陣N。

(2)設置系統最大迭代次數與節點參數，PQ節點電壓為基準電壓幅值，功率為給定值。

(3)由矩陣N最后一列開始，根據公式(6)和(7)以節點功率為已知條件前推，依次計算前一列各節點的功率，直到第一列為止。

(4)由矩陣N第一列開始，根據公式(5)以節點電壓為已知條件回代，依次計算后一列各節點的電壓，直到最后一列為止。

配電網進行分層前推回代，可避免繁復的節點編號工作，具有對大規模的配電網進行網絡拓撲動態智能識別功能，該改進算法能夠適應動態計算潮流的需要，具有編程簡單，計算速度快的優點。

3 算例仿真

本文選取秦皇島市(東經119.36°，北緯39.55°)為觀測地點，以2016年7月23日為仿真日期，采用改進BP神經網絡算法對某一固定光伏系統的輸出功率進行預測，進而采用改進前推回代算法對接入該光伏系統的配電網進行潮流計算。

3.1 光伏功率預測

以該地太陽輻照度歷史記錄情況為基礎，對該日的太陽輻照度進行預測。該神經網絡中包含24 h數據，每隔3 min一組，總共480組輸入數據。每組數據都由時間、溫度、濕度，天氣狀況和太陽輻照度組成。

將天氣狀況劃分為4種情況，0代表晴天，1代表多云，2代表陰天，3代表雨雪。將網絡數據的前4個因數作為預測輸入量，太陽輻照度作為輸出量。隨機選出300組作為訓練數據，180組作為驗證數據，建立該參數下的神經網絡預測模型。

該神經網絡預測模型中輸入層個數為4，隱含層個數為5，輸出層個數為1。選取預測結果中不同時間處的太陽輻照度，相比于實際太陽輻照度，誤差對比結果如表1所示。

用平均誤差來反映預測系統的系統性偏差，平均誤差計算公式如下所示。

表1 不同時間段太陽輻照度預測值

(8)

表1可看出，太陽輻照度預測值與實際值偏差在±20%范圍內，且絕大多數據誤差在5%范圍內，將相應數值帶入式(8)，可求得預測系統的平均誤差為6.93%。可見，該改進BP神經網絡算法能有效預測太陽輻照度，且預測精度較高。

光伏電池參數如表2所示。表2中的數據結合太陽輻照度的預測結果以及當日溫度和式(1)～(4)，即可預測出該光伏系統功率輸出情況。光伏功率預測曲線如圖6所示。

表2 光伏電池參數

圖6 光伏功率預測圖

由圖6可看出，改進BP算法預測的太陽輻照度結合光轉電模型的預測曲線更為平滑，與實際值更為接近。經計算，本文所用算法的計算誤差為12.97%，光伏隨機出力模型的計算誤差為25.89%，故本文所提光轉電模型能有效預測光伏功率，適用于工程應用。

3.2 配電網潮流計算

本文選取33節點系統進行潮流計算，該系統結構圖如圖7所示。系統共有33個節點，32條支路，基準容量為100 MVA ，系統電壓等級為12.66 kV，其中1節點為平衡節點。

圖7 33節點配電網系統

由圖7可寫出該系統的節點—節點矩陣與節點—分層矩陣。

由矩陣可看出該系統可分為4層分別進行前推回代計算。

文中將15 MW光伏系統作為PQ節點安裝在節點17處。為驗證文中改進算法的有效性，分別采用牛拉法、前推回代法以及改進前推回代法對中午13:00處的33節點系統進行潮流計算，計算結果如表3所示。

通過表3可知，光伏輸出功率相同的條件下，不同算法的運算時間不同，但整體比較發現改進前推回代算法的運算時間0.007 s相對較小，迭代5次就能夠達到收斂精度要求，可知該算法能夠準確計算潮流問題。

表3 不同算法下潮流計算結果

為研究光伏功率預測對系統電壓和相角的影響，特取13:00處光伏功率預測值與實際值進行比較，改進前推回代算法計算結果如表4所示。

由表4可看出，13:00處的光伏預測功率與估計功率相差0.13 MW，差距相對較大，兩功率值計算的電壓和相角也均比相同，33個節點均存在一定的差距。若不對光伏功率進行預測，只是憑經驗判斷光伏的大致輸出功率，可能會不利于及時觀測系統電壓和相角變化，不利于配電網的穩定運行。總之，對光伏系統進行功率預測，有助于及時準確地計算電力系統的潮流，觀察節點電壓幅值與相角的變化情況，保證電力系統的穩定運行。

4 結語

本文采用了改進BP神經網絡算法結合光轉電模型對光伏系統輸出功率進行預測。算例分析證明了該算法計算出的太陽輻照度滿足精度要求，光轉電模型能有效預測光伏出力。文中采用了分層前推回代算法對含光伏系統的配電網進行潮流計算，將33節點系統分層，進而逐層計算。算例仿真結果表明，該改進算法能夠減少迭代次數，節省計算時間，有效解決了配電網的潮流計算問題。對配電網中的光伏電源進行功率預測，有利用配電網的穩定運行。

表4 光伏功率預測與估計下系統節點和相角

[1]艾欣, 韓曉男, 孫英云. 光伏發電并網及其相關技術發展現狀與展望[J].現代電力, 2013, 30(1): 1-7.

AI Xin, HAN Xiaonan, SUN Yingyun. The development status and prospect of grid-connected photovoltaic generation and its related technologies[J].Modern Electric Power, 2013, 30(1): 1-7.

[2]KANCHEV H, LAZAROV V, FRANCOIS B. Environmental and economical optimization of microgrid long termoperationalplanning including PV-based active generators[C]//Epe-PemcEcceEurope.2012.

[3]白曉清, 吳雪穎,李佩杰,等. 計及電壓穩定裕度的配電網光伏發電選址與定容[J].現代電力, 2015, 32(4): 34-41.

BAI Xiaoqing, WU Xueying, LI Peijie, et al. Locating and sizing of photovoltaic power generations by considering voltage stability margin of distribution system[J].Modern Electric Power, 2015, 32(4): 34-41.

[4]SLOOTWEG J G, KLING W L. Impacts of distributed generation on power system transient stability[J]. 2002IEEE Power Engineering Society Summer Meeting,Chicago,United States,2002: 862-867.

[5]楊秋霞, 姜培培, 劉同心, 等. 含光伏電源配電網的復合序網自適應保護[J].電力系統保護與控制, 2016, 44(18): 24-30.

YANG Qiuxia, JIANG Peipei, LIU Tongxin, et al. Photovoltaic power distribution network in composite sequence network adaptive protection[J].Power System Protection and Control, 2016, 44(18): 24-30.

[6]王振樹, 林梅軍, 劉巖, 等. 考慮光伏并網的配電網潮流計算[J].電工技術學報, 2013, 28(9): 178-185.

WANG Zhenshu, LIN Meijun, LIU Yan, et al. Power flow algorithm for distribution network with photovoltaic system[J].Transactions of China Electrotechnical Society, 2013, 28(9): 178-185.

[7]楊旭英, 段建東, 楊文宇, 等. 含分布式發電的配電網潮流計算[J]. 電網技術, 2009, 33(18): 139-143.

[8]牛煥娜, 井天軍, 李漢成, 等. 基于回路分析的含分布式電源配電網簡化潮流計算[J].電網技術, 2013,37(4): 1033-1038.

NIU Huanna, JING Tianjun, LI Hancheng, et al. Simplified power flow calculation for distribution network with distributed generation based on loop analysis[J].Fudan International Studies Review, 2013, 37(4): 1033-1038.

[9]王成山, 鄭海峰, 謝瑩華,等. 計及分布式發電的配電系統隨機潮流計算[J]. 電力系統自動化, 2005, 29(24):39-44.

[10]陳璨, 吳文傳, 張伯明, 等. 考慮光伏出力相關性的配電網概率潮流[J].電力系統自動化, 2015,39(9): 41-47.

[11]龔鶯飛, 魯宗相, 喬穎, 等. 光伏功率預測技術[J].電力系統自動化, 2016,40(4): 140-151.

GONG Yingfei, LU Zongxiang, QIAO Ying, et al. An overview of photovoltaic energy system output forecasting technology[J]. Automation of Electric Power Systems, 2016, 40(4): 140-151.

[12]王佳佳, 呂林, 劉俊勇, 等. 基于改進分層前推回代法的含分布發電單元的配電網重構[J].電網技術, 2010,34(9): 60-64.

[13] MELLIT A, KALOGIROU S A. Artificial intelligence techniques for photovoltaic applications: a review[J]. Progress in Energy and Combustion Science, 2008, 34(5): 574-632．

[14] TAO Y, CHEN Y. Distributed PV power forecasting using g-enetic algorithm based neural network approach[C]//2014 International Conference on Advanced Mechatronic Systems, August 10- 12, 2014，Tokai，Japan: 557-560．

(本文編輯：趙艷粉)

電力簡訊

國家發改委、國家能源局印發《依托能源工程推進燃氣輪機創新發展的若干意見》

國家發改委、國家能源局印發《依托能源工程推進燃氣輪機創新發展的若干意見》旨在推動燃機產業發展、優化調整能源結構、確保能源供應安全。

意見提出，提高天然氣發電利用比重，加快培育和發展各類型燃氣輪機的應用市場。根據區域冷熱電需求大力發展天然氣分布式多聯供項目。支持用電負荷中心和風電、光伏發電端發展燃氣調峰電站，提升電力安全保障水平和降低棄風棄光率。在大氣污染防治重點地區結合熱、電負荷需求和氣源條件等有序發展燃氣熱電聯產項目。支持利用煤層氣、煤制氣、高爐煤氣等低熱值氣發電。依托天然氣輸送管線壓縮站建設，推動驅動用燃機應用。通過推動國內各類型燃氣輪機技術和產業進步，明顯降低燃氣輪機設備造價和維修服務費用。

鼓勵具備條件的地區燃氣發電通過市場競爭或電力用戶協商確定電價。完善氣電價格聯動機制，有條件的地方可積極采取財政補貼等措施疏導天然氣發電價格矛盾。細化完善天然氣分布式能源項目并網上網辦法，鼓勵天然氣分布式能源與電力用戶直接簽訂交易合同，自主協商確定電量和價格。鼓勵各地區結合本地實際情況制定相應支持政策。

(本刊訊)

Flow Calculation of Distribution Network Considering PV Power Prediction

LIU Xintong1，3, JIANG Jing2, GAO Chen3, LI Maolin4

(1. Huaren Electric Power Changzhou Yundong Co., Ltd., Changzhou 061004, China;2. Hebei Kangbao Guangheng New Energy Co., Ltd., Zhangjiakou 071300. China;3. School of Electrical Engineering, Yanshan University, Qinhuangdao 066004, China;4. State Grid Shangdong Zhouping Power Supply Company, Zhoupin 256200, China)

The improved BP neural network algorithm is adopted for the short-term power prediction of the photovoltaic system and its power flow calculation in the distribution network. Power flow calculation is made by the improved forward/backward substitution algorithm: solving the node hierarchy matrix for the system stratification, then calculating active network loss by the forward/backward substitution of every layer node. Finally, the improved BP neural network algorithm is used for photovoltaic system power prediction some day, and the improved forward/backward substitution algorithm is used for the flow calculation of 33-node system. The calculation case analysis has proved the proposed improved algorithm accurate and the prediction forecasting model effective and practical.

improved BP neural network algorithm; improved forward/backward substitution algorithm; node hierarchy matrix; power flow calculation

10.11973/dlyny201703019

劉同心(1991—)，女，碩士研究生，從事光伏發電及其在電力系統中的優化研究。

TM712

A

2095-1256(2017)03-0303-07

2017-02-14