基于门控循环单元混合模型的光伏电站电能质量态势感知.pdf

摘要

传统煤炭能源所面临的资源紧缺和碳排放问题使得光伏太阳能发电量和光

伏电站并网装机容量持续上升，而光伏电站出力由于受日光照射影响较大而出现

的间歇性、随机性问题易引发并网点电压、频率大幅波动，在将直流逆变成交流

并网的过程中使用大量电力电子逆变装置会产生谐波污染等电能质量问题，严重

影响配电网的可靠安全运行。通过挖掘光伏电站电能质量的历史数据信息提前感

知电能质量变化态势，及早发现存在的电能质量问题，为电能质量提前治理预留

出时间并提供准确信息，成为可再生能源并网可靠运行的关键技术之一。本文基

于深度神经网络混合模型挖掘光伏电站电能质量历史数据，实现对光伏电站电能

质量未来变化态势的感知。具体研究工作如下：

1

（）提出光伏电站电能质量态势感知架构，完成光伏电站电能质量要素提

取及态势理解。提出光伏电站电能质量态势感知由光伏电站电能质量要素提取、

光伏电站电能质量态势理解和光伏电站电能质量态势预测三个阶段组成。介绍光

伏电站电能质量要素提取实现过程，使用自相关系数和最大信息系数分析方法对

电能质量数据进行态势理解，对电能质量数据和外部变量数据进行异常值和标准

化处理，针对三种电能质量指标分别采用两种不同方法综合评估模型效果。

（2）基于深度置信网络（DeepBeliefNetwork，DBN）和支持向量回归

（SupportVectorRegression，SVR）方法构建光伏电站电能质量态势预测模型并

进行算例分析。阐述DBN和SVR方法用于时序数据预测的原理，构建基于DBN

和SVR方法的电能质量态势预测单一模型，介绍两种模型实现流程。以某地光

伏电站电压、频率、电压总谐波畸变率三种电能质量实测数据进行算例分析，分

析两种单一模型对于光伏电站电能质量态势预测的效果。

3

（）提出一种基于混合深度神经网络的光伏电站电能质量态势预测模型。

针对DBN和SVR单一模型预测效果较差的情况，提出了一种卷积神经网络

ConvolutionalNeuralNetworksCNNGatedRecurrentUnit

（，）和门控循环单元（，

GRU）混合深度神经网络态势预测模型。先通过CNN提取电能质量输入数据的

高层特征，再利用GRU学习长时间电能质量序列前后关系，克服了传统单一模

型预测精度有限且泛化能力较弱的缺点，解决了海量电能质量数据高层特征提取

困难及模型学习长时序信息易梯度消失的问题。通过与另外几种模型进行实验对

比，该混合模型在时效性较好的同时具有更高的预测准确度。

关键词：光伏电站；电能质量；态势感知；卷积神经网络；门控循环单元

I

Abstract

Theresourcescarcityandcarbonemissionproblemsfacedbytraditionalcoal

energysourceshaveledtoacontinuousincreaseinphotovoltaicsolarpowergeneration

andgrid-connectedinstalledcapacityofphotovoltaicpowerstations.However,the

intermittentandrandomproblemsoftheoutputofphotovoltaicpowerstationsdueto

thegreatinfluenceofsunlightcaneasilycauselargefluctuationsinvoltageand

frequencyofthegrid-connectionpoint,theuseofalargenumberofpowerelectronic

invertersint