高渗透率户用屋顶光伏接入的低压配电网无模型电压估计中线性回归与神经网络的比较

《Electronics》:Comparison of Linear Regression and Neural Networks for Model-Free Voltage Estimation of Low Voltage Distribution Networks with High Penetration of Residential Rooftop Solar Tharushi Kalinga, Brendan Banfield, Jonathan C. Knott and Duane A. Robinson

【字体: 大 中 小 】 时间:2026年04月03日 来源:Electronics 2.6

编辑推荐:

  本研究针对高渗透率户用屋顶光伏接入的低压配电网(Low Voltage Distribution Networks, LV DNs),提出并比较了两种不同的无模型(model-free)电压估计方法,以替代传统的基于模型的非线性潮流(power flow)电压

  
本研究针对高渗透率户用屋顶光伏接入的低压配电网(Low Voltage Distribution Networks, LV DNs),提出并比较了两种不同的无模型(model-free)电压估计方法,以替代传统的基于模型的非线性潮流(power flow)电压估计方法。第一种方法基于线性化潮流方程的线性回归(Linear Regression, LR),第二种方法采用神经网络(Neural Networks, NNs)捕捉非线性潮流动态。研究利用来自真实低压配电网中居民智能电表的历史数据,开发了16个线性回归模型和648个神经网络模型,并将其与常规基于模型的非线性潮流仿真进行了效果比较。结果表明,所提出的无模型电压估计方法能够以类似的准确度但更快的速度估计用户连接点处的电压。观察发现,在可解释性和实用性方面,基于线性回归的电压估计方法优于基于神经网络的电压估计方法。
随着表后(Behind-the-Metre, BTM)屋顶太阳能光伏(Photovoltaics, PVs)在配电网中的广泛部署,用户连接点处的电压调节问题日益突出,可能违反系统电压标准。澳大利亚尤为典型,截至2024年中,屋顶光伏累计装机容量已达24.4 GW,成为仅次于风能的第二大可再生能源发电来源。新南威尔士州更是在2024年上半年新增454 MW屋顶光伏装机容量,创下澳大利亚各州年度安装纪录。然而,大量屋顶光伏接入配电网会引发包括电压限值越界、现有光伏削减、保护系统误动作以及电能质量问题等一系列技术并发症,其中电压限值越界被认为是最突出的问题。因此,配电网服务提供商(Distribution Network Service Providers, DNSPs)需要高效、可靠、准确的方法来评估因屋顶光伏系统增加集成而引起的电压变化,以理解其配电网的屋顶光伏发电承载容量(Photovoltaic Hosting Capacity, PVHC),即在不改变现有基础设施且不违反任何网络性能限值的条件下,给定电网中可安装的屋顶光伏最大容量。传统的基于模型的非线性潮流电压估计方法复杂且耗时,需要精确且最新的网络模型,而这些模型往往难以获取。这促使研究界越来越关注基于智能电表数据的无模型电压估计方法作为可靠的替代方案。

本研究的核心目标是比较线性化潮流近似和非线性潮流关系在无模型电压估计方法中的独立应用效果。研究人员选取了澳大利亚新南威尔士州一个真实的地下低压配电网作为案例研究网络,该网络包含一台配电变压器和两条辐射状低压馈线,共有28个用户分布在两条馈线上,其中21个用户配备智能电能质量监测电表(简称智能电表),智能电表渗透率为75%。本研究针对这35个用户相(user phases)展开分析,利用2022年11月至2023年10月期间5分钟间隔的智能电表数据。

研究首先进行了数据预处理。研究人员采用k-means聚类方法进行用户相位识别,并剔除了有功功率标准差小于10 W或无功功率标准差小于5 VAr的用户相。由于案例研究网络的配电变压器未安装直接监测硬件,研究人员通过寻找夜间电压标准差最小的用户相来确定距变压器最近的用户,以此近似代表变压器二次侧电压。分析确定采用1.05 pu作为摇摆母线(swing bus)电压为恒定值。为验证基于模型的基准,研究人员在Pandapower(PP) V3.3.0中建立了网络模型,通过与智能电表测量值对比,验证了PP仿真的可靠性。

在模型开发方面,研究人员构建了部分光伏渗透(43%)和完全光伏渗透(100%)两个数据集。原始网络中43%的用户相装有屋顶光伏,研究人员利用pvlib python工具为未安装光伏的用户相合成光伏出力曲线,将网络修改为100%光伏渗透率场景。训练数据采用某月前三周的部分光伏渗透数据,测试数据采用该月最后一周的完全光伏渗透数据,以检验模型在更高光伏渗透率条件下的外推能力。

线性回归模型方面,研究人员选取了2022年12月及2023年1月、5月、6月四个代表性月份,每个月份各构建4个模型,共16个模型。基于线性化潮流方程Vh,t ≈ V0t + Σh=1Nah,h?P?h?,t + Σh?=1Nbh,h?Q?h?,t,研究人员构建了每相(per-phase)和三相(three-phase)两种形式,并分别采用原始系数和强制正系数两种设置,采用scikit-learn实现,设置fit_intercept=False。

神经网络模型方面,研究人员系统研究了超参数选择问题。输入条件包括"含Vtx"(73个输入)和"不含Vtx"(70个输入)两种情况;隐藏层为单层,神经元数量分别为210、245、280(分别为输出数量的6、7、8倍);激活函数包括ReLU、Tanh和Swish;学习率分别为10-3、10-4、10-5;批量大小(batch size)为24、48、72;L2正则化因子为10-5、10-6、10-7。输出层采用线性激活函数,损失函数为均方误差(Mean Squared Error, MSE),优化器采用Adam,最大训练轮数(epochs)为1000,启用早停(patience=25)。采用MinMaxScaler对输入输出进行[0,1]范围归一化处理。通过三折叠交叉验证筛选最优超参数组合,最终从648个模型中确定各条件下的最优模型。

结果分析与讨论部分,研究人员采用决定系数(R2)、均方根误差(RMSE)和最大绝对误差(MaxAE)作为评价指标。

线性回归模型结果显示,"三相,原始系数"模型表现最优,四个月份中均取得最高R2、最低RMSE和最低MaxAE。以变化最大的2023年5月为例,该模型R2达0.9998,RMSE为0.01 V,MaxAE为0.11 V。三相模型整体优于每相模型。误差分析表明,沿馈线向末端,电压预测精度略有下降,误差多为负值,表明线性回归估计电压倾向于高于PP仿真电压。值得注意的是,模型性能不受太阳辐照度水平显著影响。

神经网络模型结果显示,"含Vtx"和"不含Vtx"两种条件下最优模型的RMSE均为0.02 V,MaxAE分别为0.15 V和0.13 V,R2均为0.9997。最优模型均采用L2正则化、学习率10-4、批量大小24。结果表明,即使不包含变压器电压信息,神经网络也能有效捕捉输入输出间的关系,但变压器电压的实际测量值若可获得将提供更有价值的洞察。

效率比较方面,PP仿真单次执行耗时607 ms,线性回归仅0.001 ms,神经网络约0.06 ms。线性回归和神经网络模型均显著快于基于模型的PP方法,具有更强的实时应用潜力,如动态运行包络(Dynamic Operating Envelopes, DOEs)分配等场景。

综合比较表明,无模型方法在准确度相当的前提下显著提升了计算效率。线性回归因其实现简单、无需架构设计或超参数调优、可直接提供电压-功率灵敏度系数而更具可解释性和实用性;神经网络虽可达到类似精度,但训练时间显著更长(约7分钟 vs. 约1秒),且具有黑箱特性。两种方法仅需智能电表历史数据,无需详细的网络拓扑和参数信息,在网络拓扑变化时仅需重新训练而非重建复杂模型。

可持续效益方面,将光伏渗透率从43%提升至100%可使该网络月均太阳能发电量从约13.23 MWh增加,年均可减少约122吨CO2排放。无模型方法为DNSPs提供了可靠工具,使其能够自信地接纳更多屋顶光伏安装请求,充分利用现有电网基础设施,提升光伏业主经济收益,降低配电网整体碳足迹。

研究结论部分指出,本研究独立采用线性回归和神经网络进行高渗透率户用屋顶光伏低压配电网的无模型电压估计。16个线性回归模型和648个神经网络模型利用真实澳大利亚配电网中43%光伏渗透率条件下的智能电表测量数据训练,并在100%光伏渗透率修改条件下测试。结果表明,两种无模型方法均能以可比拟的准确度估计用户连接点电压,且执行速度显著优于传统基于模型的Pandapower方法。"三相,原始系数"线性回归模型在四个月份中均表现最佳。神经网络模型在"含Vtx"和"不含Vtx"条件下MaxAE分别为0.15 V和0.13 V,RMSE均为0.02 V。研究建议,所提出的无模型方法可作为现有基于模型方法的有效替代,用于用户相电压估计和光伏发电承载容量评估等高级电力工程应用。线性回归模型因另其实现简单、训练快速、直接提供可解释的电压-功率灵敏度系数,在低压配电网电压估计中比神经网络模型更具实用性和可解释性。未来研究方向包括探索图神经网络等更先进的神经网络架构,以及在更大规模、更强非线性网络中的应用,同时考虑更多样化的光伏板配置、部分遮挡条件和短期天气波动等实际因素。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号