[论文解读] Towards Real-Time Estimation of Solar Generation From Micro-Synchrophasor Measurements

Emre Can Kara, Ciaran Roberts+4 more|arXiv (Cornell University)|Jul 11, 2016

Photovoltaic System Optimization Techniques参考文献 15被引用 10

一句话总结

本文提出了一种情境监督生成估计器（CSGE），利用微同步相量测量（μPMUs）和代理太阳辐照度信号，实现实时分解光伏（PV）发电。通过基于方差的误差加权联合估计光伏和负荷，该方法在7.5 MW光伏站点实现了约450 kW的均方根误差（RMSE），显著优于启发式方法和线性回归方法。

ABSTRACT

This paper presents a set of methods for estimating the renewable energy generation downstream of a measurement device using real-world measurements. First, we present a generation disaggregation scheme where the only information available for estimation is the micro-synchrophasor measurements obtained at the substation or feeder head. We then propose two strategies in which we use measurements from the substation as well as a proxy solar irradiance measurement. Using these two measurement points, we first propose a multiple linear regression strategy, in which we estimate a relationship between the measured reactive power and the load active power consumption, which are then used in disaggregation. Finally, we expand this strategy to strategically manage the reconstruction errors in the estimators. We simultaneously disaggregate the solar generation and load. We show that it is possible to disaggragate the generation of a 7.5 megawatt photovoltaic site with a root-mean-squared error of approximately 450 kilowatts.

研究动机与目标

• 通过有限的测量数据实现实时、准确地估计变电所下游的光伏（PV）发电量。
• 解决高比例光伏渗透配电网中负荷被遮蔽及爬坡率预测的挑战。
• 减少在光伏发电估计中对功率因数和逆变器行为强假设的依赖。
• 通过情境感知的误差加权联合建模光伏和负荷，提升分解精度。
• 评估采样频率和代理辐照度质量对估计性能的影响。

提出的方法

• 提出一种基于功率因数的估计器（PFBE），假设夜间功率因数恒定，仅依赖μPMU测量数据来估计白昼时段的光伏发电量。
• 引入一种线性估计器（LE），利用多元线性回归基于无功功率和代理辐照度对负荷和光伏发电进行建模，以最小化总 active 功率误差。
• 开发一种情境监督生成估计器（CSGE），通过基于白天和夜间数据的方差分析，同时估计最优预测误差权重，实现对光伏和负荷的解耦。
• 使用预测误差方差的倒数作为加权因子，用于加权 CSGE 目标函数，实现系统化的误差归因和更优的模型调优。
• 对代理辐照度信号应用低通滤波器，以减少短期云层遮挡引起的噪声，提升信号一致性。
• 在不同采样频率下验证性能，识别出采样频率超过每分钟0.2次后，进一步提升不再带来显著收益。

实验结果

研究问题

• RQ1 能否在无直接光伏测量数据的情况下，仅通过变电所级μPMU测量数据准确分解光伏发电？
• RQ2 引入代理太阳辐照度信号在多大程度上提升了实时光伏发电估计的准确性？
• RQ3 当误差在时间上呈现相关性且非均匀分布时，最优的光伏和负荷模型预测加权方式是什么？
• RQ4 采样频率如何影响分解模型的性能？
• RQ5 在所提出的框架下，空间异质性和逆变器无功功率控制对估计精度的影响程度如何？

主要发现

• 情境监督生成估计器（CSGE）在7.5兆瓦光伏站点实现了约450千瓦的均方根误差（RMSE），证明了其在实时估计中的高精度。
• CSGE方法通过基于方差的加权策略系统性地归因模型误差，显著优于基于功率因数的估计器（PFBE）和线性估计器（LE）。
• 当采样频率提升至每分钟0.2次以内时，CSGE模型性能显著改善，超过该阈值后无进一步增益。
• 线性估计器中假设负荷预测误差远小于光伏预测误差，这一假设过于严格，限制了模型调优空间。
• 利用夜间数据方差估计负荷预测误差方差，利用白天数据方差估计联合误差方差，可在CSGE目标函数中实现准确、数据驱动的误差加权。
• 即使代理辐照度数据经过滤波以去除高频云层引起的波动，该方法仍保持鲁棒性，表明其在真实场景中的实际可行性。