HAWKER蓄电池-官方网站

HAWKER蓄电池一种用于双光伏-电网集成中电压扰动缓解的机器学习驱动框架

摘要

由于光伏系统的日益集成，现代电网经历了重大变革。因此，太阳能光伏系统的间歇性带来了重大挑战。太阳辐照度和环境因素的变化可能导致电压扰动、电能质量问题以及电网可靠性降低。在拥有多个并网光伏系统的网络中，这一点尤为明显。在本研究中，提出了一种基于机器学习的方法，用于缓解双光伏-电网系统中的电压扰动。主要目标是提高双光伏-电网系统在实际运行场景下的电压稳定性。测试系统在MATLAB/Simulink 2017b中建模。对测试系统进行了全面分析，以评估其在故障、温度变化和辐照度变化场景下的性能。评估了总谐波失真和可靠性指标，以展示测试系统在太阳能光伏系统间歇性和中断情况下的工作条件。此外，提出了一种基于电池储能系统的处理策略，并应用于测试系统。不仅实现了高达77.8202%的瞬态削峰，而且在并网太阳能光伏系统发生扰动和中断时，电网能量进口减少了95%。应用机器学习算法对实际工况进行分类，从而有效利用电池储能系统应对间歇性可再生能源工况。通过准确预测这些工况，可使瞬态扰动下的电网峰值功率降低30%。

关键词：
双光伏-电网系统; 机器学习; 电池储能系统; 电压扰动抑制; 电力系统可靠性

1. 引言

随着能源需求的快速增长，与能源相关的挑战正剧烈影响着世界。根据国际能源署（IEA）提供的信息，预计2006年至2030年间能源消耗将增长44% [1]。化石燃料因无法满足日益增长的需求及其对环境的负面影响，无法达到未来能源需求的持续性标准。因此，太阳能和其他可再生能源（RESs）正在能源发电市场中占据重要地位。经济性、丰富性和环境友好性是决定能源发电所用能源普及程度的关键因素，而太阳能正因满足这些因素而备受关注。据全球太阳能理事会报告，到2024年底，全球太阳能发电能力已超过2太瓦（TW），在两年内几乎翻了一番[2]。半导体材料被用于通过将阳光转化为电能来生产太阳能。在太阳能光伏系统中，太阳辐照度和温度的变化使得太阳能电池的电压-功率特性呈现非线性，从而导致最大功率点（MPP）不断变化。因此，尽管采取了各种运行安排，仍需要最大功率点跟踪器将太阳能光伏系统的运行限制在最大功率点。在研究中，人们提出了各种技术和方法，通过对最大功率点的优化处理来提高光伏系统的效率。这些方法和技术可以根据跟踪方法、传感器利用情况和技术发展阶段进行分类[3]。爬山法[4]，增量电导法（InC）[5]，以及扰动观察法（P&O）[6]是一些经典的MPP跟踪技术。然而，局部阴影带来了巨大挑战。太阳辐照度可能呈现多个峰值，导致通过经典方法跟踪MPP变得困难。这一研究问题可通过竞争性MPP跟踪技术来解决，包括模糊逻辑控制器（FLCs）[5]，人工神经网络（ANNs）[7]，遗传算法 [8]，以及粒子群优化算法[9]。在这些渐进式方法中，由于复杂性，最大功率点（MPP）的检测与成本之间存在权衡关系。混合方法[10,11]也被开发出来以提高光伏系统的效率。这些方法在降低单一方法缺点的同时，提供了提高总效率的优势。
近年来，人工智能（AI）技术备受关注，尤其是在可再生能源系统（RESs）领域[12]。传统最大功率点跟踪（MPPT）方法的缺点很容易通过AI来克服[13]。AI具有灵活性、鲁棒性、自学习能力、稳态误差小或可忽略不计、最大功率点（MPP）处功率振荡少或无、反应时间快以及在局部阴影下能精确确定全局最大功率点等优势。但AI技术的集成难度大且成本高，需要大量数据。因此，为了实现有效的MPPT，需要在成本和性能之间取得平衡。
强化学习（RL）被认为是人工智能的一个重要方面。强化学习是一种机器学习方法，智能体通过与环境交互并根据其动作获得奖励来做出决策[14]。强化学习框架由智能体、状态、环境、动作和奖励组成。智能体评估当前状态，并根据动作反馈调整策略，逐步提升理解力，直至达成特定目标。深度强化学习（DRL）[15]结合了深度学习和强化学习。它采用试错方法，允许智能体提升性能，从而优化整体奖励。在DRL中，智能体通过尝试不同行为并利用奖励评估结果，来学习环境的动态特性。因此，决策过程得到优化以提升性能。在DRL方法中，神经网络（NNs）利用强大的函数进行估计。神经网络在机器人控制[16]、电子游戏[17]和电动汽车[18]由于这些进展，研究人员采用了基于深度强化学习（DRL）的方法来解决最大功率点（MPP）问题。例如，P. Kofinas等人利用具有4000个状态和5个可能状态的Q表，在基于Q学习和SARSA的提议方法中提高了计算效率，从而在无振荡的情况下有效跟踪MPP[19]同样，R. Hsu等人提出了一种基于强化学习（RL）的MPPT调节器来跟踪MPP的移动，采用了4个状态和7个动作[20]此外，在另一项研究中，使用了4个状态和4个动作来跟踪MPP[21].
在其他研究中，采用了一种基于Q学习和P&O的混合方法，其中P&O方法根据太阳辐照度通过Q学习优化的占空比来减小其步长[22]。尽管部分遮挡问题未得到解决，K. Chou等人提出了两种基于强化学习的MPPT算法，由Q表和Q网络组成[23]。有研究采用多个智能体来调节部分遮挡下的MPPT。在[24]等具有挑战性的环境中展现出了准确性，一种基于RL的方法被开发出来以提高MPPT控制器的速度和精度。此外，还提出了一种深度确定性策略梯度算法，用于在连续动作和状态空间中实现MPP输出的稳定性。
储能系统（ESS）是一种旨在解决光伏系统相关问题的适应性系统，特别是在太阳辐照度间歇性的情况下[25]。太阳辐照度的间歇性特性会导致输出功率的变化。电池储能系统（BESS）是几种技术之一，涉及安装在功率转换器的直流链路中[26]。BESS在将光伏系统输出接入电网前对其进行稳定处理。这些组件有助于在电网脆弱期间调节直流链路电压的振荡，并平滑光伏系统的发电量[27]。许多研究都讨论了BESS发电量的平滑处理。通过电压调节可以减少光伏系统输出的波动，但该研究并未涵盖BESS能力不足和光伏发电间歇性等实际应用情况[28基于爬坡率的方法被发现有助于减少光伏系统发电的波动，同时牺牲电池储能系统（BESS）的储能容量并延长系统寿命。然而，所提出的方法在将爬坡率维持在可接受范围以下方面存在不一致性[29]提出了一种基于功率下调的控制方法，其中储能组件在白天放电，并在夜间有意识地充电[30]。该方法提供了较高的初始荷电状态，有助于减少充电循环次数并降低容量需求。基于移动平均法开发了一种自适应控制方法[31]。在这种方法中，通过调整储能系统（ESS）的功率输出并将储能系统的荷电状态（SoC）维持在可接受的范围内，从而控制光伏系统的间歇性。此外，采用三相中性点钳位电压源逆变器（NPC-VSC）来研究并网光伏系统（GCPV）与储能系统的集成[32]。通过对InC-MPPT方法进行改进，即使在间歇性天气条件下也能实现99.5%的效率。
基于人工智能的方法因其在提高可再生能源系统效率方面的有效性而日益受到关注。然而，其相关缺点之一是无法保证在运行期间保持高性能。此外，评估这些方法的性能非常复杂，特别是在局部阴影以及光伏组件容量和配置不同的情况下。基础技术、最新方法和强化学习方法是基于人工智能的最大功率点跟踪方法的主要分类。FLC和ANN等基础技术在MPPT中表现可靠，并在天气间歇性影响下保持稳定。即使在缺乏系统数学模型先验信息的情况下，它们也能高效运行。然而，高昂的实施成本、对数据处理的广泛需求以及高计算时间和复杂性是这些技术的缺点。最新技术在MPPT中非常有效，但由于其复杂性，面临着高昂的计算和处理成本。此外，RL策略采用基于试错的方法来获取最优控制器，由于复杂的数据处理和计算步骤，导致计算成本更高。因此，训练时间较长，难以确定关键参数以实现及时控制。
可再生能源在能源市场中的快速增长和间歇性，为微电网（MGs）创造了重要的地位。微电网能够整合多种分布式能源（MDESs），因此具备可靠性和灵活性等特点[33,34,35,36]。微电网为应对大规模可再生能源并网过程中面临的挑战提供了契机，即使在可再生能源具有间歇性的情况下也是如此。微电网提供孤岛和并网两种模式，满足了可适应且稳健的能源系统标准。在这两种模式下，即使存在大量可再生能源，系统稳定性也能得到保障。微电网的发展凸显了发电和能源管理中预测的重要性[37,38]。从地理位置上看，并网微电网适用于城市地区，而独立微电网则是从负荷中心向偏远和远端负荷供能的最佳选择[39]。储能系统（ESS）也是微电网的重要组成部分，用于调节间歇性可再生能源（RESs）的输出[40].
尽管微电网的概念在21世纪初就已提出，但近年来由于可再生能源技术成本的大幅降低以及人们对电网韧性的关注，这一理念得到了广泛认可[41,42,43]。与传统的、仅依赖化石燃料的能源系统相比，微电网提高了效率、可持续性和韧性[44]。能源系统的去中心化和独立运行方式在发生紧急情况和停电时可作为稳定的备用方案。可再生能源的整合使微电网成为一种能够减少碳排放的系统[45,46,47]。当可再生能源不可用时，储能系统可支持电网以确保供电的连续性[48,49]。混合储能系统由用于维持功率流稳定的电池和用于管理功率需求峰值的超级电容器组成。在并网微电网中，电压和频率穿越特性有助于调节异常情况[50,51,52]。频率储能系统（FESS）也被用于优化功率流特性。这完全归功于其高效性以及在充放电模式间的快速切换。
微网发电机的运行参数（如电压、频率、转速、转矩、功率和温度）由微网能量管理系统（MEMS）进行调节。MEMS实时分析功率需求并调整控制参数以实现最佳运行，从而维持稳定的频率和电压[53,54]。通过确保微网各组件接收到准确信息，可保证系统的稳定运行。微网配备了初级、次级和三级控制[55,56]。主级控制主要用于调节资源的输出水平。主级由电网支撑设施采用的下垂法控制[57,58] 电压源逆变器（VSI）被用于调节和最大化储能系统（ESS）及调度电源的性能。该方法对于构网型逆变器在孤岛模式下维持电压和频率非常有用。下垂法通过采用同步发电机的特性，减少了对通信系统进行初级控制的依赖，从而提高了可靠性。然而，可再生能源（RES）之间的距离成为了该方法可行性的障碍。因此，开发了基于通信的有功功率分配用于初级控制。然而，为了实现快速的通信响应，与通信基础设施相关的成本将难以控制[59]。二级控制有助于消除与频率和电压相关的异常情况。在并网模式下，二级控制是一种在公用事业电网的监督层级运行的配电管理系统。集中式和分布式被视为二级控制。在集中式系统中，采用主控制器来管理负荷需求和发电。在分布式系统中，采用局部控制器来监督微电网参与者，从而满足多智能体系统（MAS）的标准。本地控制器在决策上是独立的，并且可以自由地与监督代理和相邻控制器进行交互。尽管两个系统都需要MEMS与DMS协调并监控分层结构，但分布式电源（DG）的调节是由微网（MG）内的综合控制器完成的。这种去中心化策略在整个电网（包括许多微网）中实施。微网由基于DMS的三级控制层进行调节，该控制层会为MEMS分配特定的目标值[60].
由于微电网（MGs）日益受到关注，能源系统的转型正在发生革命性的变化。向微电网的转变极大地解决了韧性、可持续性和适应性等挑战。传统上，电网规模庞大，并与大型发电厂和广泛的输电基础设施相集成，以向消费者输送电力。在极端天气条件和技术故障下，这种集中式系统十分脆弱。微电网引入了局部控制和电网的独立运行，从而在充满挑战的环境中提供可靠的解决方案。随着微电网的出现，先进的优化算法变得不可或缺，这能确保微电网能源系统（MDESs）得到高效调节，并满足波动的需求。此外，太阳能和风能系统等可再生能源（RESs）的间歇性特征，使得优化成为微电网（MGs）可持续发展的重要组成部分。基于机器学习（ML）和预测分析（PA）的优化技术对于能源需求预测、可再生能源发电预测以及储能利用至关重要。通过优化，微电网不仅能实现稳定性和可靠性，还能使其成为现代能源系统中庞大能源市场和电网运行的重要参与者。基于机器学习的优化技术可以解决微电网能源管理问题，因为机器学习具备处理复杂且具有适应性的非线性系统的能力。
机器学习具备从现有模式中学习的能力，从而优化运营，这与传统数学方法形成鲜明对比，后者在微电网的间歇性特征下可能难以进行参数调优。因此，在基于可再生能源的微电网环境不断变化的情况下，从现有模式中学习至关重要。此外，机器学习有助于实时决策，为能源交易、需求响应和储能提供快速通信支持。
在微电网能量管理中，可扩展性和灵活性是不可或缺的特性。由于无需大量编程或重新调整，机器学习（ML）能够实现这些特性。机器学习可应用于任何规模的微电网，从普通住宅到大型工业厂房。机器学习可与物联网（IOT）集成，以实现微电网中更好的预测和优化。通过建立预测性维护计划，机器学习能大幅减少微电网中的能量损失。因此，机器学习凭借其自动化和自学习能力的优势，在微电网能量管理中占据了核心地位。
机器学习用于分析微电网中所有的数据模式，从而能够预测微电网能量管理系统中涉及的各种组件的动作。监督学习、无监督学习、半监督学习和强化学习（RL）是机器学习的一些子模型。
一种基于区块链的随机能量管理系统采用机器学习方法，通过整合车辆到电网（V2G）和车辆到储能（V2S）技术，优化智慧城市的能量分配[61]。开发了一种基于协商的方法来应对混合交流/直流微电网中能源管理的挑战。在这项研究中，通过协调不同类型网络之间的能量流，提高了稳定性和效率。这一概念通过支持向量回归（SVR）进一步阐述，用于预测能源需求并管理不同分布式能源资源之间的整合[62].
针对农村地区开发了一种能源管理技术，在温室效应等不确定性约束下满足能源输出与需求[63]。机器学习被用于应对这些不确定性以提高能源预测的准确性，从而提升微电网运行的韧性与有效性。机器学习执行日前预测，以协调能源中心内的能源管理操作[64通过机器学习优化不同能源载体之间的能量转移，可以降低系统的运行成本并提高可靠性。
智能电网与微电网的整合不仅增强了实时系统监控，还提升了控制与优化能力[65,66]。智能电网（SGs）采用自动化和最新的通信技术，以增强微电网（MGs）中能源管理的有效性和可靠性。通过智能电网的整合，准确的预测和资源的最优利用使得多分布式能源系统（MDESs）之间的协调变得更加容易。可再生能源（RES）整合的快速增长，使得微电网能源管理确实成为一个具有挑战性的课题。
迄今为止，文献中已对多种方法进行了深入分析，包括人工神经网络（ANNs）、博弈论、强化学习、模糊逻辑、基于共识的算法、混合整数非线性规划（MINLP）、非线性规划（NLP）以及循环神经网络（RNNs）。这些技术已成功解决了微电网能量管理中的诸多问题，例如最大化能源的生产、存储、分配和消耗。尽管已有大量关于光伏-电网集成、故障识别与分类、基于机器学习的故障诊断以及基于电池储能系统的电压支持的研究，但这些研究都是独立进行的。此外，关于多光伏-电网集成系统协同运行所面临扰动影响的研究工作还很有限。同时考虑故障和环境影响对多光伏-电网系统导致脱网和重并网的影响，是一个具有挑战性的问题。传统方法基于阈值重叠扰动事件，由于其特性相似，会导致长期中断。此外，电压扰动缓解技术中缺乏智能扰动检测。因此，需要一个稳健的集成框架，将基于机器学习的扰动检测与基于BESS的策略激活相结合，并进行可靠性评估。
传统的控制方法和保护技术在缓解电压扰动和预定义扰动场景中仍然有效。然而，基于电气和环境变量同时执行的运行场景预测与分类需要额外的处理和决策逻辑。在本研究中，采用基于决策树的机器学习分类器来预测和分类双光伏并网系统的四种运行场景：无故障运行、故障状态、低辐照度和高温。这些特性包括电气和环境测量。在运行场景切换期间，电压扰动和功率缺额由电池储能系统（BESS）进行补偿。其贡献在于协调运行基于机器学习的扰动场景预测，并激活BESS策略以补偿电压扰动和功率缺额。需要进一步研究以评估所提策略相对于传统控制技术的有效性。

1.1. 研究空白与现有研究对比

以往的研究探讨了用于平滑光伏功率间歇性的储能[25]、低电压穿越能力提升[27]、大规模光伏接入下通过分布式电池储能系统进行电压调节[28]以及光伏-电网集成系统中的谐波失真[ %%]。在[48,49]，针对基于可再生能源的电网，研究了电压和频率的应急缓解措施。同时，也对可再生分布式发电中的电能质量进行了研究[53,54这些研究为本研究奠定了基础。在本研究中，主要贡献在于双光伏-电网集成系统中基于机器学习的扰动识别与分类，以及基于电池储能系统（BESS）的电压扰动缓解的协调。此外，在相同的模拟环境中，还对谐波失真和可靠性指标进行了评估。56因此，其贡献体现在多个功能的综合响应中，包括机器学习分类器、BESS应用、谐波失真和可靠性指标，而非对它们进行单独的评估和分析。表1将本研究与现有研究进行对比，以突出研究空白。 compares the proposed research with the existing studies to highlight the research gap.
表1。将所提策略与现有方法进行比较，以突出研究空白。

目前，针对双光伏-电网集成系统中基于协调的机器学习辅助扰动分类、电池储能系统辅助缓解以及多特征数据性能评估的集成研究还比较有限。

1.2. 研究创新性与贡献

许多现有研究分别探讨了基于机器学习的故障分类和基于电池储能系统（BESS）的电压调节，但尚未在光伏-电网集成系统中探索其基于协调的运行以缓解电压扰动。在现有的光伏-电池储能系统研究中，电压调节、无功补偿、能量管理或缓解光伏不确定性是主要目标，而在机器学习策略中，故障检测、故障分类和故障穿越能力则是主要关注点。根据近期研究发现，基于协调的电压扰动缓解操作、基于机器学习的故障诊断以及机器学习辅助的低电压穿越能力，提升了光伏-电池储能系统（PV–BESS）交互的有效性。然而，这些目标通常被单独研究，而非作为光伏-电池储能系统集成系统中电压扰动缓解的统一平台进行分析。
与近期研究相比，本研究提出了一种机器学习驱动的策略，用于双光伏-电网集成系统中的电压扰动缓解。在本研究中，测试系统的电气和环境测量数据被用于构建一个具有多特征的数据集。采用基于决策树的机器学习算法，因为它易于解释，且在识别和分类扰动事件时决策计算量较少。BESS与基于识别的机器学习算法协同使用，以支持电压特性。因此，开发了一种基于协调的深度策略，用于扰动的识别、分类和缓解。
本研究的主要贡献总结如下：

开发了一种基于协调机器学习和电池储能系统的策略，不仅用于识别和分类扰动事件，还用于缓解与双光伏-电网系统相关的扰动。
将两个独立的光伏电源接入电网，以研究连续且相互关联的扰动事件。这些扰动是由光伏断开、故障清除、重新连接以及不断变化的环境条件引起的。
将由电池储能系统支持的双光伏-电网系统的基本电气变量、派生变量和环境变量整合到一个数据集中，从而创建一个多特征数据集，用于对扰动进行真实的识别、分类和缓解。
为了避免与深度学习策略相关的计算复杂性，部署了一种基于决策树的机器学习算法，用于可解释的识别和分类。
对所提策略的评估不仅通过用于扰动识别、分类和缓解的多特征数据集进行，还通过BESS支持性能、谐波失真和可靠性指标进行。

因此，该策略的科学贡献在于，在双光伏-电网系统中，有效协调了基于机器学习的扰动识别与分类器，以及基于电池储能系统（BESS）的电压扰动缓解支撑系统。当单独应用于光伏-电网集成系统时，BESS的应用、基于决策树的机器学习算法、谐波失真分析以及可靠性指标评估均被视为成熟的框架。
在本研究中，开发了一种由机器学习驱动的电池储能系统（BESS）支持的策略。在光伏-电网集成系统中，不仅识别了扰动，还对其进行了缓解。研究目标如下：

开发了一个光伏-电网双系统测试平台，并进一步将其与电池储能系统集成。
全面研究了交流侧三相故障、变化的辐照度和温度导致的光伏断开与重连情况。
开发了一种基于决策树的机器学习算法，该算法不仅基于电气特征进行训练，还基于环境和派生的工程特征进行训练。
开发了一种基于电池储能系统的处理策略，并将其集成到双光伏-电网系统中，以缓解电压扰动，并在光伏断开和重新连接场景下补偿功率。
对电压调节、光伏/电池储能系统特性、荷电状态以及暂态削峰性能进行了评估和分析。
在5秒模拟时间窗口下，评估了不同的可靠性指标（SAIDI、SAIFI、CAIDI、ENS和LOLP），以讨论双光伏系统下电力系统的可靠性。

本研究包含以下部分：第一部分涵盖了引言和文献综述。所提出的方法论在第二部分. 第三部分包含有关测试系统的详细信息。模拟结果和讨论在第4节. 结论与未来研究方向在第5节中给出.

2. 提出的研究方法

在本研究中，模拟并分析了一个基于机器学习的框架，用于缓解集成有两个光伏系统的电网中的电压扰动。该方法分为五个关键阶段——系统开发、扰动分析、处理策略设计、基于机器学习的解决方案以及解决方案验证——如图所示图1.
Energies 19 05205 g001

图1。所提方法的五个关键阶段。
在研究的第一阶段，使用Matlab/Simulink 2017b对包含两个光伏系统及其与电网集成的测试系统进行了建模和开发，结果展示在图2每个光伏系统额定功率为1兆瓦，并接入2.5兆伏安的电网。在并网过程中，采用了具有最大功率点跟踪算法的逆变器。在光伏系统建模中，使用真实的太阳辐照度和温度值进行模拟。这是因为光伏系统建模时考虑了间歇性特征。对于实际场景，电网参数（包括线路阻抗、变压器额定值及相应的保护断路器）均经过精确设置。在公共连接点（PCC）处对电压质量进行评估。
Energies 19 05205 g002

图2。拟议的测试系统包含两个集成到电网中的太阳能光伏系统。
在研究的第二阶段，创建并模拟了不同的场景，以分析光伏系统不可预测性对电网电压稳定性的影响。太阳能光伏系统的不可预测性源于太阳辐照度的意外和突然变化。辐照度的突然变化可能是由于云层遮挡、影响光伏性能的温度变化、三相故障以及电网间歇性连接和重新连接事件所致。记录并分析了电压变化、电流变化以及交流和直流功率变化等关键性能参数。此外，还测量并分析了总谐波失真（THD）和频率扰动。通过系统平均停电持续时间指数（SAIDI）和系统平均停电频率指数（SAIFI）等可靠性指标，实现了对系统整体性能的定量分析。在研究的第二阶段，生成了基于电压、电流、功率和频率偏差的详细数据集，用于机器学习算法的训练和验证，如图所示图3.
Energies 19 05205 g003

图3。太阳能光伏系统间歇性特征下的电压分析。
在研究的第三阶段，设计并评估了缓解电压扰动的处理策略，如图所示图4通过实施动态电压恢复器（DVR）、静态同步补偿器（STATCOM）和电容器组，增强了电网的电压稳定性。此外，开发并分析了电池储能系统（BESS），使其与电网集成后能够提供突发电压支持，并消除因光伏系统间歇性而产生的电压波动。在不同情况下评估了该方法缓解电压扰动的有效性。
Energies 19 05205 g004

图4。处理策略的实施及其性能评估。
在研究的第四阶段，通过机器学习算法以预测和自适应的方式缓解电压扰动，如图所示图5从Simulink模型中提取的数据集包含太阳辐射、温度、光伏输出功率（PC）、光伏输出功率（AC）、交流电压、交流电流、电网输出功率、电网输出电压、电网输出电流、故障或扰动持续时间以及故障或扰动严重程度的数据。从该数据集中准备特征数据。训练了多个机器学习模型以预测电压扰动。根据训练性能，推荐最有效的缓解策略。数据集被划分为训练和测试数据子集。通过混淆矩阵评估性能。机器学习预测与逆变器和电池储能系统（BESS）集成，以实现实时控制算法。实现了动态电压稳定。
Energies 19 05205 g005

图5。用于减轻扰动的有效机器学习策略的特征提取与推荐。
在研究的最后阶段，通过定性分析验证了所提方法与传统技术相比的性能，如图所示图6。通过评估反映了在扰动、电压降低、波动严重程度降低、SAIDI和SAIFI指标改善以及系统整体可靠性提升方面的可衡量改进。此外，还评估了可扩展性，以验证所提方法对更大规模电网和更多光伏系统集成的适用性。
Energies 19 05205 g006

图6。所提方法与传统技术性能的定性分析。
基于机器学习解决方案，开发并设计了一个综合系统框架，用于缓解双光伏系统集成电网中的电压扰动。基于模拟的结果和数据驱动的智能使该方法适用于实际应用。

2.1. 数据集处理与类别标注

该数据集提取自所提出的双光伏-电网测试系统的不同运行场景。在数据集准备过程中，进行了特征选择、数据预处理和类别标记。采用分层抽样策略将数据集划分为训练和测试数据子集。这确保了每个类别在数据子集中的代表性。表2展示了数据集的详细信息。
表2。用于机器学习分类器的数据集详情。

2.2. 数据降维与特征增强

从光伏-电网集成系统模拟中提取的数据集包含3,573,283个数据样本，具有37个数据标签。由于机器的计算能力限制，机器学习实验使用了包含500个样本的缩减数据集。此外，从基础数据标签值中衍生出额外特征，从而得到53个数据标签。采用分层抽样策略以保持数据集中每个类别的显著代表性。展示了完整数据与缩减数据之间的对比关系。实际数据集与缩减数据集的对比展示在表3.
表3。使用分层抽样和基本数据标签进行数据降维和特征增强。

2.3. 分类器的性能评估与验证

使用准确率、精确率、召回率和F1分数来评估决策树分类器在双PV-电网测试系统中的性能。对基于单个类别的分类和组合分类进行评估。在留出训练和测试场景中观察分类器在不同数据划分上的可靠性。使用混淆矩阵来预测测试系统的不同运行场景。此外，还应用了噪声输入和改变的运行场景，以比较分类器的性能并评估其鲁棒性。
设代表类别总数，表示测试样本总数，代表实际类别和预测类别的样本数量代表正确分类的样本或混淆矩阵的对角线元素。_ijTPFPTNFN. 在混淆矩阵术语中，分别表示真阳性、假阳性、真阴性和假阴性。_ij代表召回率。表4, 展示了性能评估和验证的指标。, TN, FN denote the true positives, false positives, true negatives, and false negatives in the terminology of the confusion matrix. R represents the recall. Table 4 presents the metrics for performance evaluation and validation.
表4。用于分类器性能评估和验证的指标。

2.4. 电池储能系统（BESS）建模

在本研究中，BESS被用于缓解通过机器学习方法预测的扰动事件期间发生的电压扰动。为了提高BESS的实际应用性，BESS的运行约束条件基于额定能量容量、充放电功率、荷电状态限制和转换效率进行描述。能量平衡关系被用于更新荷电状态。该关系解释了充放电损耗。控制器被限制在转换效率和电流额定值的范围内，从而将BESS的运行限制在允许的SOC范围内。能量平衡关系在数学上表示为
[数学处理错误]SOCk+1=SOCk+ηcPcΔtErated,charging−PdΔtηdErated,discharging
(1)
其中E_rated是BESS额定能量容量，P_c和P_d分别代表充电和放电功率，以及η_c和η_d表示充放电效率。Δt是模拟步长。约束条件在数学上表示为
SOC_min ≤ SOC_k ≤ SOC_max
(2)
此外，功率和转换器约束条件表示为
剪辑_BESS = clip(P_requested,−P_c_,_max,P_d_,_max)
(3)

2.5. 基于PI的电网电压误差计算与BESS补偿

电网电压误差e(k)取决于参考电压V_ref= 2000 V与电网电压V_grid(k)之间的差值。PI表达式为
e(k) = V_ref − V_grid(k)
(4)
u_PI(k) = K_pe(k) + K_iI(k)
(5)
where (K_p = 0.4), (K_i= 0.08)，并且积分状态根据以下公式更新
I(k) = I(k − 1) + e(k)∆t_k
(6)
其中 ∆t_k= t(k) − t(k − 1)。PI积分的初始化为零。PI积分状态初始化为零。

2.6. 基于模拟的可靠性指标

系统平均停电频率指数（SAIFI）、系统平均停电持续时间指数（SAIDI）、客户平均停电持续时间指数（CAIDI）、未供应电量（ENS）和失负荷概率（LOLP）是用于评估光伏-电网集成系统可靠性能的五个指标。模拟时间窗口内的负荷相关功率信号被用于评估这些可靠性指标。选择0.01兆瓦的预设阈值来识别停电场景。采用采样时间序列数据来识别中断及其持续时间。SAIFI是识别出的中断次数与建模负荷位置数量的比值。SAIDI是中断总持续时间与建模负荷位置数量的比值。CAIDI是SAIDI与SAIFI的比值。ENS是未供电负荷与识别出的中断持续时间曲线下的面积。LOLP是模拟时间内系统处于失负荷状态的时间部分。所提出的策略不涉及基于年度停电历史和消费者数量的定量评估。在解释分析和结果时，将阐明基于短时模拟的可靠性指标与传统长期可靠性指标之间的差异。

3. 测试系统描述

在本研究中，测试系统在MATLAB/Simulink中开发。该测试系统由两个额定功率各为1 MW的光伏系统组成，连接至2.5 MVA的电网。光伏系统的详细信息见表5.
表5。基于光伏的测试系统详细信息。

在测试系统中，两个光伏系统连接到电网。电网的详细信息见表6。在测试系统中，电网配备了电力变压器，以便为连接到双光伏-电网测试系统的电力负荷提供所需的电压。电网中电力变压器的详细信息见表7.
表6。测试系统中的电网详情。

表7。测试系统中电网处电力变压器的详细信息。

在测试系统中，接地变压器与双光伏-电网集成测试系统相连，用于以下目的。

并网光伏系统配备了无变压器逆变器。因此，为了建立稳定的电压，需要添加接地变压器以提供接地。
此外，本测试系统所使用的电网主变压器二次侧为三角形绕组。因此，接地是通过接地变压器实现的。
只有在存在接地路径时，零序电流才会流向逆变器输出端。为了分析公共连接点或其周围的接地故障，需要接地变压器来提供零序电流的流动路径。
当与光伏系统连接的线路发生故障时，将光伏系统切换至孤岛模式，通过接地变压器实现电网稳定性，符合IEEE 1547标准[52].
公共连接点的逆变器控制、保护模块和测量区块需要接地参考，在Simulink中可通过接地变压器获取。

接地变压器的详细信息见表8.
表8。测试系统中接地变压器的详细信息。

在该测试系统中，使用一条长度为14公里的配电馈线将两个光伏系统连接到电网。配电馈线的参数见表9。其中一个电力负荷连接在距离公共连接点8公里的位置。
表9。测试系统中所使用的配电馈线的详细信息。

测试系统中的双光伏系统通过三电平强制换流逆变器连接到电网。它们负责产生与电网同步的交流输出，同时不损害电能质量。与传统的两电平逆变器相比，它们提供的电压等级谐波更少，电压暂降和暂升更低，且整体转换效率更高。为了满足现代电网规范的要求，由IGBT和二极管组成的强制换流开关逆变器能够实现最大功率点跟踪、有效的PWM控制和无功功率支持。所需参数的详细信息见表10.
表10。测试系统中用于光伏系统并网的逆变器详情。

4. 模拟结果与讨论

测试系统开发完成后，在不同运行场景下对系统进行分析。建立了一个综合案例研究，以展示双光伏-电网集成测试系统中缓解电压扰动的挑战。

4.1. 测试系统的不同案例

以下是为分析测试系统运行而建立的案例。

工况I：无故障工况；
工况II：三相故障工况；
工况III：辐照度变化工况；
案例—IV：在不同温度下。

在测试系统的不同位置观察和测量其交流和直流参数。下面将讨论案例的详细内容。

4.1.1. 案例—I：无过错案例

在无故障情况下，对双光伏-电网测试系统进行仿真。在电网、电力负荷、光伏I系统和光伏II系统处观测电压、电流和功率。通过图形分析和描述，评估测试系统在无故障场景下的性能。图7展示了电网位置处a相的交流电压、交流电流以及交流功率。根据电压、电流和功率的图形分析，显然在0.3秒时存在一些扰动。该扰动持续约0.9秒。此后，电网电压发生变化，达到约2000V。同样，电网电流在0.3秒时也出现了一些扰动，但在约0.9秒时恢复到稳态水平。电网电流保持与扰动前相同。同样，电网功率曲线在0.3秒时也经历了重大扰动。该扰动持续约0.9秒，导致电网功率从小于200kW变为大于200kW。观察结果表明，在0.3秒时注入了电压和功率支撑系统。
Energies 19 05205 g007

图7。（）A相交流电压和（）A相交流电流，以及（）无故障情况下电网位置处的交流功率的模拟分析。) AC current of phase a, and (c) AC power at the power grid location under the no-fault case.
在测试系统中，观察了功率读档处a相的交流电压、交流电流以及交流功率，结果如图8所示图8基于对a相交流电压、电流及交流功率的分析，显而易见，在电压支撑系统投入运行产生的切换扰动之后，读档电压被提升至2000 V的新系统电压。此外，随着供电系统与传统电网的整合并投入运行，功率利用率有所提高。可供读档的功率约为20 kW，而此前由于新系统与基于传统电网的系统整合，该功率不足15 kW。
Energies 19 05205 g008

图8。（）A相交流电压和（）A相交流电流，以及（) 无故障情况下，功率读档位置的交流电功率。) AC current of phase a, and (c) AC power at the power load location under the no-fault case.
同样，在光伏系统（PV-I和PV-II）位置分析了a相的交流电压、交流电流以及交流电功率。此外，还观测了辐照度、直流电压和直流电功率等额外参数。图9展示了PV-I系统位置的a相交流电压、交流电流以及交流功率。PV系统的开关切换非常明显，电压被提升至2000 kV以使其与现有电网兼容。从PV-I系统的电流图可以清楚地看到，在0.3秒之前，PV系统输出端没有电流。在0.6秒左右，电流达到其±12 A的稳态值。在2秒左右，由于太阳辐照度的逐渐增加，PV-I系统中的电流进一步增加。交流功率图表示了PV-I系统可用的时间段。PV-I系统在0.8秒至4.2秒期间提供稳态功率。
Energies 19 05205 g009

图9中。（）A相交流电压和（）A相交流电流，以及（) 无故障情况下光伏-I系统位置的交流功率。) AC current of phase a, and (c) AC power at the PV-I system’s location under the no-fault case.
在光伏-I系统中观测到的辐照度、直流电压和直流功率展示在图10. 辐照度行为被用于分析在晴朗的常规日中辐照度如何增加和减少。直流电压随着阳光的增加而逐渐上升，直到光伏-逆变器系统接入电网的时刻。此时观察到电压跌落，但很快又恢复到趋于稳态值的行为。直流电压在大约0.7秒时达到稳态值。稳态值在大约4.2秒时再次开始衰减。光伏-逆变器系统接入电网的现象也从直流功率迅速增长的暂态过程中显现出来。直流功率的稳态值在大约0.7秒时达到。随着辐照度的增加，稳态值进一步上升，并在2.0秒时达到其最佳值。在4.2秒时，由于光伏-逆变器系统与电网断开，可用于转换为交流功率的直流功率降至接近零。
Energies 19 05205 g010

图10。（) 辐照度，() 直流电压，以及() 无故障情况下光伏-I系统位置的直流功率。) DC voltage, and (c) DC power at the PV-I system’s location under the no-fault case.
PV-II系统在0.3秒时并入电网，并在4.2秒时从电网断开。交流电压被调整至2000V，以确保与公共连接点电压为2000V的电网兼容。交流电压在大约0.8秒内达到稳态值。在从电网断开期间，稳态值会降低。除非与电网并网，否则交流电流为零。当进行并网操作时，交流电流在大约0.7秒内恢复为纯正弦波形式。在2.0秒时观察到交流电流增加，这是由于PV-II系统在该时刻处于最佳状态。当PV-II系统与电网断开连接时，电流变为零。功率图在系统接入电网的瞬间显示出暂态过程。功率在0.8秒时恢复到稳态值。该值一直保持到4.2秒。在4.2秒时，PV-II系统切换至孤岛模式。由于未连接任何负载，功率降至零。PV-II系统位置的a相交流电压、交流电流以及交流功率如下所示图11.
Energies 19 05205 g011

图11。（）A相交流电压和（）A相交流电流，以及（) 无故障情况下PV-II系统位置的交流电功率。) AC current of phase a, and (c) AC power at the PV-II system’s location under the no-fault case.
PV-II系统的辐照度、直流电压和直流功率的观测结果展示在图12中辐照度曲线基本上是为了模拟早晨、中午和傍晚的情况而绘制的。这有助于更好地理解现实生活中的光伏并网系统。直流电压在开始阶段（0.3秒前）表现出趋于稳态值的行为。在0.3秒时，它与电网连接，导致电压跌落。大约在0.7秒时，直流电压达到800V的稳态值。该稳态值一直维持到大约4.3秒。此时PV-I系统与电网断开，导致直流电压衰减。电网可用于转换为交流电的直流功率出现在0.8秒时。在此之前，直流功率曲线正趋于稳态值。在0.3秒时，直流功率的主要上升是由于其与电网的连接。直流功率在2秒前保持40 kW的稳态值。此后，由于最佳太阳辐射，直流功率的稳态值增加到45 kW。只要PV-I系统保持连接，该值就会持续。在4.2秒时，它与电网断开，导致直流功率衰减。
Energies 19 05205 g012

图12。（) 辐照度，() 直流电压，以及() 无故障情况下PV-II系统位置的直流功率。) DC voltage, and (c) DC power at the PV-II system’s location under the no-fault case.

4.1.2. 案例II：三相故障下

在三相故障案例中，对双光伏-电网测试系统进行仿真。在此案例中，0.4秒时发生三相故障，故障持续存在于连接PV-I系统与电网的线路中，直至0.6秒。由于故障发生，安装在公共连接点的断路器在0.5秒时将PV-I系统与主电网断开。PV-II系统作为备用系统运行。一旦公共连接点与电网之间的线路发生故障，PV-II系统便会连接至公共连接点。在故障期间，PV-II系统无法建立与公共连接点的连接。因此，PV-II系统等待断路器切断PV-I系统与公共连接点的连接。通过这种方式，可以实现固有屏蔽，防止PV-II系统受到PV-I系统线路中发生的故障影响。在0.5秒时，PV-II系统在等待约0.1秒或等待断路器动作后，重新建立连接。对电网、电力负荷、PV-I系统和PV-II系统的电压、电流和功率进行分析。通过图形分析和描述，评估测试系统在三相故障场景下的性能。图13展示了电网位置处a相的交流电压、交流电流以及交流功率。
Energies 19 05205 g013

图13。（）A相交流电压和（）A相交流电流，以及（) 三相故障情况下电网位置的交流电。) AC current of phase a, and (c) AC power at the power grid location under the three-phase fault case.
除非时间达到0.3秒，否则保持1800V的稳态。在0.3秒时，由于连接到公共连接点的PV-I系统线路发生故障，电压降至500V。作为备用的PV-II系统在0.6秒时将电压恢复至1800V，此时PV-I系统因三相故障已断开连接。PV-I系统在1秒时恢复并网模式。在从孤岛模式转换为并网模式的过程中，电网的交流电压升高至>2000V。大约0。4秒时，电网在1.4秒时恢复其1800V的原始电压。在故障清除后，光伏I系统从孤岛模式切换到并网模式时，交流电流也出现了明显的微小扰动。然而，连接到公共连接点的光伏I系统线路上的故障并未影响从电网获取的交流电流。因此，该系统具有固有的屏蔽特性。由于光伏I系统线路发生故障瞬间交流电压下降，电网功率出现了跌落。在0.6秒时，当作为备用系统的光伏II系统接入时，电网功率恢复到稳态位置。在1秒时，观察到电网功率快速上升后出现衰减的暂态过程。这是由于光伏I系统再次切换回并网模式所致。
在测试系统中，观察了功率负载处的a相交流电压、交流电流以及交流功率，并给出在图14中.
Energies 19 05205 g014

图14。（）A相交流电压和（）A相交流电流，以及（) 三相故障情况下，功率读档位置的交流电。) AC current of phase a, and (c) AC power at the power load location under a three-phase fault case.
读档运行所需的电压为1800 V。在0.3秒发生故障的瞬间，系统电压降至500 V；因此，功率读档被切断。功率读档在0.6秒时再次接通。此时PV-II系统作为备用系统并网。电压得以恢复。然而，PV-I系统在1秒时返回并网模式。这一点从高频正弦暂态的发展中可以明显看出，这些暂态在约0.4秒内很快衰减为1800 V的纯正弦波形。交流电流波形在0.4秒和0之间显示为零电流。6秒时，确立了故障瞬间电力读档断开的概念。这有助于将故障影响仅隔离在PV-I系统内。在故障瞬间和PV-I系统断开时，负载功率也显示为零。一旦PV-II系统实现并网模式以作为备用系统提供支持，功率就会恢复到稳态值。然而，当故障在1秒后清除，PV-I系统恢复并网模式时，PV-II系统就不再需要了。因此，PV-II系统回到了孤岛模式。PV-I系统从孤岛模式转换为并网模式，以及PV-II从并网模式转换为孤岛模式，从功率波形中出现的高频正弦暂态变化中可以明显看出，这些暂态很快就会衰减到电力读档所需的功率稳态值。
同样，在光伏系统（PV-I和PV-II）的位置观测了a相交流电压、交流电流以及交流功率。此外，还分析了辐照度、直流电压和直流功率等额外参数。图15展示了PV-I系统位置的a相交流电压、交流电流以及交流功率。
Energies 19 05205 g015

图15。（）A相交流电压和（）A相交流电流，以及（) 三相故障情况下PV-I系统位置的交流电功率。) AC current of phase a, and (c) AC power at the PV-I system’s location under a three-phase fault case.
0.3秒时，连接PV-I系统与公共连接点的线路发生三相故障。因此，在故障瞬间，PV-I系统的功率降至零，导致PV-I系统的电压和电流也为零。故障被断路器切断，电压恢复到之前的1800V。然而，由于与公共连接点断开，PV-I系统的供电电流为零。1秒时，PV-I系统恢复并网模式，约0.4秒后开关暂态结束，PV-I系统输出纯正弦电流。同样，PV-I系统提供的功率在约1.4秒时达到稳态值。
PV-I系统的辐照度、直流电压和直流功率观测值如下所示图16辐照度函数的设计理念是模拟光伏-逆变系统的运行时间。在[0 5]的时间段内，辐照度的最大峰值出现在约2.5秒处。直流电压随辐照度的增加而上升，并达到800 V的稳态值。在1秒处观察到一个剧烈的下降。这是故障清除后光伏-逆变系统重新并网的时间。逆变器交流侧的三相故障不会影响直流侧。在光伏-逆变系统重新并网时，直流功率中会出现高频暂态，但很快在1.4秒时恢复到稳态值。随着2.5秒后辐照度下降，直流功率也在2.5秒后随之下降。
Energies 19 05205 g016

图16。（) 辐照度，() 直流电压，以及() 三相故障情况下PV-I系统位置的直流功率。) DC voltage, and (c) DC power at the PV-I system’s location under a three-phase fault case.
PV-II系统位置的a相交流电压、交流电流和交流功率如图所示图17在PV-I系统发生三相故障时，PV-II系统的电压也降至零。在PV-I系统成功断开后，PV-II系统在0.6秒时仍保持1800V的电压。当PV-I系统发生三相故障时，PV-II系统作为备用电源接入主电网。它等待断路器隔离故障后开始向主系统供电。在故障的PV-I系统从主电网断开后，它开始作为PV-I系统的替代方案运行。在并网模式下，它维持主电源系统的供电，除非时间达到1秒。此时PV-I系统重新连接到主电网。PV-II系统作为备用电源的角色到此结束，并返回孤岛模式。PV-II系统的启动在0.3秒处功率波形显示的尖峰中清晰可见，但PV-II系统的启动被延迟，直到故障清除或故障段隔离。由于PV-I系统在0秒时断开连接。6秒，PV-II系统成功开始作为备用电源供电。PV-II系统的供电将持续到1秒。
Energies 19 05205 g017

图17。（）A相交流电压和（）A相交流电流，以及（) 三相故障情况下PV-II系统位置的交流功率。) AC current of phase a, and (c) AC power at the PV-II system’s location under a three-phase fault case.
在PV-II系统观测到的辐照度、直流电压和直流功率展示在图18辐照度波形与PV-I系统相似。它在用电中期达到峰值或最佳值。直流电压逐渐达到稳态值，但由于三相故障导致PV-I系统受到干扰，PV-II系统的直流电压在0.3秒时出现剧烈下降。除非将故障部分与正常部分隔离，否则PV-II系统无法达到800V的稳态值。由于辐照度随时间变化，直流电压的稳态值也会出现微小波动。在PV-I系统发生三相故障时，PV-II系统的直流功率呈现出快速上升的暂态过程。在0.6秒时故障的PV-I系统被隔离后，经历剧烈下降后，PV-II系统开始作为备用电源提供直流功率。1秒时故障清除，PV-I系统重新并网。在并网模式下不再需要PV-II系统，因此将其切换至孤岛模式。
Energies 19 05205 g018

图18。（) 辐照度，() 直流电压，以及() 三相故障情况下PV-II系统位置的直流功率。) DC voltage, and (c) DC power at the PV-II system’s location under a three-phase fault case.
还分析了另一个三相故障的案例研究。在此案例中，PV-I系统和PV-II系统均工作在并网模式。在大约0.4秒时，连接PV-I系统与公共连接点的线路发生三相故障。电网电压降至500V。该电压一直维持到0.6秒时故障段与正常段被隔离。电压随后升至1600V。PV-II系统在0.7秒时重新得电。由于PV-II系统在并网模式下重新接入，产生了高压暂态过程，电压上升至1800 V。故障清除1秒后，PV-I系统重新接入。高压暂态过程随之产生。约1.4秒时，电压恢复至2000 V的初始水平。电网电流不受三相故障电流影响；仅在0.7秒和1.0秒时，由于PV-I系统和PV-II系统分别在并网模式下重新接入，出现了微小的暂态过程。在电网功率图中，可以明显看到在0.4秒到0.6秒的时间间隔内，电网功率降至<50 kW。在0.6秒时，由于连接PV-I系统与公共连接点的线路发生三相故障，断路器动作，PV-I系统切换至孤岛模式。在0.6秒时，故障被隔离，电网功率增加到180 kW。PV-II系统在0.7秒时作为备用电源接入电网。高频暂态过程后紧接着急剧衰减。在0.9秒时，达到稳态值，即200 kW。在1.0秒时，故障清除后PV-I系统重新并网。在开关暂态过程消失后，1.4秒时达到240 kW的稳态值。
在三相故障情况下，对双光伏-电网测试系统进行仿真。分析了电网、电力负荷、PV-I系统和PV-II系统的电压、电流和功率。通过图形分析和描述，评估测试系统在三相故障场景下的性能。图19展示了电网位置的a相交流电压、交流电流和交流功率。
Energies 19 05205 g019

图19。（）A相交流电压和（）A相交流电流，以及（) 三相故障情况下电网位置的交流电。) AC current of phase a, and (c) AC power at the power grid location under the three-phase fault case.
测试系统中的电源读档处观测到了a相的交流电压和交流电流，以及交流功率，具体数据见图200.4秒时发生三相故障，导致负载电压降为零。三相负载与双光伏-电网系统隔离，以防止故障扩散。0.6秒时，三相故障从正常系统中隔离。交流电压提升至1600 V。0.7秒时，PV-II系统并入电网。0.8秒时，开关暂态衰减至1800 V的正弦电压水平。1.0秒时，故障清除后PV-I系统恢复并网模式。1.4秒时，交流电压恢复至2000 V水平。在0.4秒故障发生前，有7 A的交流电流流向负载。故障发生时，负载与系统断开。因此，负载对公共连接点附近的三相故障具有固有屏蔽作用。0.6秒时，故障从正常系统中隔离。此时，三相负载的电流恢复可用。
Energies 19 05205 g020

图20。（）A相交流电压和（）A相交流电流，以及（) 三相故障情况下，功率读档位置的交流电。) AC current of phase a, and (c) AC power at the power load location under a three-phase fault case.
然而，由于PV-I系统断开，所有读档无法开启。在0.7秒时，PV-II系统并入电网。在0.8秒时，正弦电流增加到更高水平，但仍有部分读档无法开启。在1.0秒时，PV-I系统重新并入电网。开关暂态在0.4秒内衰减。在1.4秒时，电流达到7 A。此时所有读档均已通电。这种行为也可以通过功率曲线观察到。在0.4秒至0.6秒之间，功率降至零。在0.6秒时，由于只有电网可供负载供电，读档功率增加到10 kW。在0.7秒时，PV-II系统并入电网。经过约0.2秒的切换暂态过程后，可供负载的功率为15 kW。在1.0秒时，故障清除后PV-I系统重新并网。在1.4秒时，PV-I系统从孤岛模式切换到并网模式所产生的暂态过程衰减后，达到20 kW的稳态值。
同样，在光伏系统（PV-I和PV-II）的位置观察到了a相的交流电压和交流电流，以及交流功率。图21展示了PV-I系统位置的a相交流电压、交流电流以及交流功率。
Energies 19 05205 g021

图21。（）A相交流电压和（）A相交流电流，以及（) 三相故障情况下PV-I系统位置的交流电功率。) AC current of phase a, and (c) AC power at the PV-I system’s location under a three-phase fault case.
在0.4秒至0.6秒的故障期间，PV-I系统的交流电压降至零。故障在0.6秒时清除，电压因此升至1600V，但仍低于成功并网所需的电压。在0.7秒时，PV-II系统并入电网。PV-I电压进一步升高，但仍无法以并网模式重新连接。在1.0秒时，PV-I系统成功重新并入电网。在约0.4秒的开关暂态之后，电压成功恢复到并网模式的数值：2000V。然而，由于PV-I系统从故障发生时刻起，直到故障清除后断路器切换至并网模式为止，一直处于孤岛运行模式，因此PV-I系统没有电流流出，如图所示图21从功率图可以看出，PV-I系统在1.0秒时可提供功率，此时它已从孤岛模式恢复到并网模式。此外，还分析了辐照度、直流电压和直流功率等其他参数。
光伏-I系统观测到的辐照度、直流电压和直流功率见图22.
Energies 19 05205 g022

图22。（) 辐照度，() 直流电压，以及() 三相故障情况下PV-I系统位置的直流功率。) DC voltage, and (c) DC power at the PV-I system’s location under a three-phase fault case.
辐照度曲线是根据日照时间开发太阳能电池板的使用主题。直流电压约为800 V。由于在并网模式下重新连接，其曲线在1.0秒处显示出下降。由于辐照度值的变化，直流电压在末端降低。当连接PV-I系统与公共连接点的线路发生三相故障时，可用于转换为交流电的直流功率被中断。由于PV-I系统重新连接到电网，在1.0秒处可见开关暂态。直流功率的稳态值在1.4秒时达到。
PV-II系统位置的a相交流电压、交流电流和交流功率如图所示图23.
Energies 19 05205 g023

图23。（）A相交流电压和（）A相交流电流，以及（) 三相故障情况下PV-II系统位置的交流功率。) AC current of phase a, and (c) AC power at the PV-II system’s location under a three-phase fault case.
在0.4秒至0.6秒的故障期间，PV-II系统的交流电压降至零。故障在0.6秒时清除，因此电压上升至1600 V。在0.7秒时，PV-II系统并网。PV-II电压进一步升高至1800 V。在1.0秒时，PV-I系统重新并网。由于PV-I系统从孤岛模式切换到并网模式，导致附近系统产生开关暂态。经过约0.4秒的开关暂态后，电压成功恢复到并网模式的数值：2000 V。然而，由于PV-I系统从故障发生到PV-II系统并网期间一直处于孤岛模式，因此PV-II系统没有电流流出，如图所示图23从功率图可以看出，PV-II系统在0.8秒时从孤岛模式恢复到并网模式后即可提供功率。此外，还分析了辐照度、直流电压和直流功率等附加参数。
PV-II系统观测到的辐照度、直流电压和直流功率如图所示图24.
Energies 19 05205 g024

图24。（) 辐照度，() 直流电压，以及() 三相故障情况下PV-II系统位置的直流功率。) DC voltage, and (c) DC power at the PV-II system’s location under a three-phase fault case.
辐照度曲线是根据日照时间的光伏面板使用概念绘制的。直流电压约为800 V。由于在0.7秒时重新并网，其曲线出现了一个凹陷。由于辐照度值的变化，直流电压在末端有所下降。当连接PV-I系统与公共连接点的线路发生三相故障时，可用于转换为交流功率的直流功率中断。由于PV-II系统重新并网，在0.7秒时出现了开关暂态。然而，PV-II系统的直流功率在1.0秒时再次受到影响。此时PV-I系统再次以并网模式重新连接。直流功率的稳态值在1.4秒时达到。由于辐照度值的变化，稳态值在3.0秒后发生了改变。

4.1.3. 案例三：辐照度变化情况下

在此案例中，双光伏-电网测试系统中的一个光伏系统的辐照度发生变化。
在辐照度变化的情况下，对双光伏-电网测试系统进行了仿真。分析了电网、电力读档、光伏I系统和光伏II系统的电压、电流和功率。通过图形分析和描述，评估了测试系统在辐照度变化场景下的性能。图25展示了电网位置的a相交流电压、交流电流以及交流功率。电网电压在0.2秒内达到2000 V。正弦电压保持在2000 V的水平长达3.7秒。随后，电网电压降至1800 V。然而，电网电流仍保持在约75 A的正弦波形。电网功率在0.2秒内达到约240 KW的稳态。该数值保持不变直至3.7秒。此时电网功率降至200 kW。
Energies 19 05205 g025

图25。（）A相交流电压和（）A相交流电流，以及（) 不同辐照度下电网位置的交流电功率。) AC current of phase a, and (c) AC power at the power grid location under varying irradiance.
在测试系统中，观察了功率读档处a相的交流电压、交流电流以及交流功率，结果如图8所示图26交流电压保持为正弦波，在0.2秒至3.7秒的时间间隔内最大值为2000 V，在3.7秒至5.0秒的时间间隔内最大值为1800 V。在0.2秒至3.7秒的时间间隔内，读档电流为7.5 A。此后，在3.7秒至5.0秒的时间间隔内，读档电流降至约6.0 A。输送给读档的功率约为18 kW，由于光伏-逆变器系统从并网模式转换为孤岛模式，在3.7秒时功率降至15 kW。
Energies 19 05205 g026

图26。（）A相交流电压和（）A相交流电流，以及（) 不同辐照度下，电力负荷位置的交流功率。) AC current of phase a, and (c) AC power at the power load location under varying irradiance.
同样，在光伏系统（PV-I和PV-II）的位置也观测了a相的交流电压、交流电流以及交流功率。此外，还分析了辐照度、直流电压和直流功率等额外参数。图27展示了PV-I系统位置的a相交流电压、交流电流以及交流功率。交流电压在3.7秒内为2000 V。在3.7秒时，辐照度值降至远低于阈值，即400 W/m²因此，PV-I系统不再输出功率。由于辐照度值降低，交流电流和交流功率在3.7秒后显示为零。然而，交流电压水平降至1800 V。此时PV-I系统不再连接到公共连接点。
Energies 19 05205 g027

图27。（）A相交流电压和（）A相交流电流，以及（) 光伏逆变器系统所在位置在不同辐照度下的交流电功率。) AC current of phase a, and (c) AC power at the PV-I system’s location under varying irradiance.
PV-I系统的辐照度、直流电压和直流功率观测值如下所示图28。图中显示了辐照度变化曲线。从图中可以明显看出，辐照度值低于400 W/m的阈值²在3.7秒时，PV-I系统不再向电力系统供电。直流电压曲线显示直流电压呈阶梯式下降，其变化方式与辐照度曲线类似。需要直流电压达到800V或以上才能向电力系统输电。直流功率随辐照度的变化而变化，但在3.7秒时，由于辐照度降至低于输电所需阈值，直流功率降至零。
Energies 19 05205 g028

图28。（) 辐照度，() 直流电压，以及() 在不同辐照度下PV-I系统位置的直流功率。) DC voltage, and (c) DC power at the PV-I system’s location under varying irradiance.
PV-II系统位置的a相交流电压、交流电流和交流功率如图所示图29。PV-II系统公共连接点的交流电压表现出与PV-I系统和电网相同的特性。然而，PV-II系统在0.3秒时切换至并网模式。PV-II系统的交流电流可供电力系统使用。在2.6秒左右，PV-II系统的交流电流略有增加。这是因为系统已互联。PV-I系统的辐照度从800 W/m²降至600 W/m²为满足互联系统要求，PV-II系统的电流略有增加。在3.7秒时，PV-I系统从并网模式切换为孤岛模式。PV-II系统原有的供电能力得以恢复。由于PV-I系统从电力系统中脱离导致部分负荷中断，过载状态并未持续。这种变化在3.7秒时的交流功率曲线上表现明显。由于PV-I系统脱离导致负荷中断，PV-II系统的功率有所降低。
Energies 19 05205 g029

图29。（）A相交流电压和（）A相交流电流，以及（) PV-II系统所在位置在不同辐照度下的交流电功率。) AC current of phase a, and (c) AC power at the PV-II system’s location under varying irradiance.
在PV-II系统观测到的辐照度、直流电压和直流功率展示在图30。辐照度从1000 W/m²变化到800 W/m²在PV-II系统中如图所示。然而，变化的辐照度值均高于400 W/m²的阈值。²。这是光伏系统不再保持并网模式的数值。直流电压取决于辐照度值。它随辐照度模式的起伏而变化。在并网模式下，可用于转换为交流电以供给电力系统的直流电量在0.3秒时开始。然而，直流电量在3.7秒时发生变化。这是光伏I系统不再处于并网模式的时间点。因此，由于负载中断，光伏II系统的直流电量有所降低。
Energies 19 05205 g030

图30。（) 辐照度，() 直流电压，以及() 不同辐照度下PV-II系统位置的直流功率。) DC voltage, and (c) DC power at the PV-II system’s location under varying irradiance.

4.1.4. 案例—IV：在变温条件下

在此案例中，双光伏-电网测试系统中的一个光伏系统的温度是变化的。
在变温工况下，对双光伏-电网测试系统进行仿真。分析了电网、电力读档、光伏I系统和光伏II系统的电压、电流和功率。通过图形分析和描述，评估了测试系统在变温场景下的性能。图31展示了电网位置的a相交流电压、交流电流以及交流功率。在0秒至0.5秒期间，电网交流电压为1800 V。在0.5秒时，电网电压试图上升至2000 V。在0.65秒时，电网电压为2000 V。随后在4.4秒时，电网电压降至1800 V。这是由于PV-II系统的温度水平发生了变化。然而，PV-I系统的温度固定在45 °C。整个过程中电网电流保持不变。然而，在PV-II系统与电力系统分别于0.5秒和4.4秒并网和解列时，可以看到一些暂态现象。随着PV-II系统转换为并网模式，电网功率有所增加。PV-II系统不可用时，电网功率从240 KW降至200 KW。
Energies 19 05205 g031

图31.（）A相交流电压和（）A相交流电流，以及（) 电网位置在不同温度下的交流电功率。) AC current of phase a, and (c) AC power at the power grid location under varying temperature.
在测试系统中，观察了功率读档处a相的交流电压、交流电流以及交流功率，结果如图8所示图32负载电压具有与电网电压相似的图形特性。由于温度变化范围低于25°C，在PV-II系统与电力系统连接和断开之前，负载电压均为1800 V。负载电流随着PV-II系统的可用性而增加。由于PV-II系统从公共连接点断开，负载电流在4.4秒时减小。负载功率在0.65秒时从15 KW增加到20 KW。这是因为当温度超过2°C时，PV-II系统切换到了并网模式。在4.4秒时，PV-II系统的温度再次降至2°C以下。负载功率降至15 KW。
Energies 19 05205 g032

图32。（）A相交流电压和（）A相交流电流，以及（) 功率读档位置在不同温度下的交流电源。) AC current of phase a, and (c) AC power at the power load location under varying temperature.
同样，在光伏系统（PV-I和PV-II）的位置观测了a相的交流电压、交流电流以及交流功率。此外，还分析了辐照度、直流电压和直流功率等额外参数。图33展示了PV-I系统位置的a相交流电压、交流电流以及交流功率。交流电压初始为1600 V。在0.1秒时，电压上升至1800 V。在0.5秒时，电压进一步上升至2000 V。电压的上升是由于电力系统中增加了电源。在2.5秒至4.4秒之间观察到电压略有上升。这是由于温度和辐照度达到最佳状态。然而，将PV-II系统从互联电力系统中移除，导致交流电压在4.4秒时下降至1800 V。从PV-I系统的交流电流和功率图可以看出，该系统在0.1秒时开始向并网系统供电。在2.5秒后观察到电流略有增加，这是由于在温度和辐照度处于最佳值时发电量有所提升。在4.4秒时，由于PV-II系统停机导致负载中断，在公共连接点测得的PV-I系统功率从40千瓦降至35千瓦。
Energies 19 05205 g033

图33。（）A相交流电压和（）A相交流电流，以及（) PV-I系统所在位置在不同温度下的交流电。) AC current of phase a, and (c) AC power at the PV-I system’s location under varying temperature.
PV-I系统的温度、辐照度、直流电压和直流功率的观测结果见图34。PV-I系统的温度保持恒定，即45 °C。辐照度为1000 W/m²。然而，在0.4秒至1.0秒之间的一个极短时间间隔内，辐照度值从1000 W/m²变化到800 W/m²掉落。在辐照度掉落的间隔内，观测到了直流电压的下降。在辐照度从1000 W/m掉落时，观测到了直流功率的上升和下降水平。²变化到800 W/m²直流功率达到40千瓦的稳态值，并在2.5秒时增加到50千瓦。在4.4秒时观察到直流功率的稳态值。
Energies 19 05205 g034

图34.（) 温度，() 辐照度，() 直流电压，以及() 在不同温度下PV-I系统位置的直流功率。c) DC voltage, and (d) DC power at the PV-I system’s location under varying temperature.
PV-II系统位置的a相交流电压、交流电流和交流功率如图所示图35连接到公共连接点的PV-II系统的交流电压具有与PV-I系统、电网和电力负荷相似的图形特征。然而，PV-II系统的交流电流显示，PV-II系统在0.4秒时开始向并网电力系统供电。此时PV-II系统的温度变化超过了阈值，即25°C。在0.6秒时观察到10A的正弦值，并持续到2.5秒。在2.5秒时，观察到交流电流的正弦值略有增加，持续到4.4秒。此时温度降至阈值以下，导致PV-II系统从公共连接点断开。PV-II系统的交流功率在0.6秒时达到45KW的稳态值，但由于温度变化至2°C以下，在4.4秒时降至40KW。
Energies 19 05205 g035

图35。（）A相交流电压和（）A相交流电流，以及（) PV-II系统所在位置在不同温度下的交流电功率。) AC current of phase a, and (c) AC power at the PV-II system’s location under varying temperature.
在PV-II系统处观测到的温度、辐照度、直流电压和直流功率，并展示在图36中.
Energies 19 05205 g036

图36。（) 温度，() 辐照度，() 直流电压，以及() 变温条件下PV-II系统位置的直流功率。c) DC voltage, and (d) DC power at the PV-II system’s location under varying temperature.
变温曲线是基于增加或减少太阳能电池板使用时间的概念而开发的。25 °C是为PV-II系统设定的阈值。超过此值，PV-II系统开始向并网电力系统供电。辐照度从1000 W/m²变化到800 W/m²在1.2秒至4.8秒的时间间隔内。随着辐照度的变化，直流电压也出现了下降。当温度超过2°C时，即大约0.4秒时，PV-II系统的直流功率开始输出。在0.6秒时，直流功率达到稳态值。直流功率在4.4秒时降至零。此时PV-II系统不再向并网电力系统供电。

4.2. 总谐波失真（THD）分析

THD用于评估由于谐波导致波形偏离纯正弦波的程度。
THD的百分比通过以下表达式计算：
[数学处理错误]THD%=A22+A32+A42+…+An2A1×100
(7)
其中A₁是基波频率的有效值（电压或电流），A₂,A₃……是谐波频率的有效值（电压或电流）。
分析了前文提到的不同测试用例的THD。表11展示了不同测量条件下的不同案例统计数据。
表11。不同场景下不同测量值的THD百分比。

此外，还提供了图表分析图37为了更深入地了解不同测量值在不同情况下的表现。通过柱状图和3D THD曲面图分析了双光伏-并网测试系统中三相故障和环境的影响。在无故障情况下，THD水平保持在较低状态。这突显了测试系统在不同环境因素下性能的稳定性和一致性。在三相故障场景下观察到了明显的谐波影响。这完全是由于电压跌落和电流尖峰的快速发展所致。在辐照度变化的情况下观察到了最严重的谐波失真。较低的谐波失真与温度变化的情况相关。
Energies 19 05205 g037a

图37。双光伏-电网测试系统不同工况下的总谐波失真百分比，分别由（）柱状图、（）折线图和（）3D曲面图表示。) line plot, and (c) 3D surface plot for different cases of the dual PV–grid test system.

谐波失真与电能质量考量

在辐照度变化的情况下，测得的PV-I电压THD和PV-II电流THD分别为29.579%和47.787%。这些数值令人担忧，应被视为电能质量问题的指标，而非谐波的缓解措施。IEEE STD 519-2022 [67] 解释了公共连接点的谐波失真限制。因此，PCC电压额定值以及电流和电压谐波指标是合规性的要求。在本研究中，应用了BESS来缓解模拟场景中的电压扰动和功率不平衡。需要一个特定的控制器来缓解谐波。报告的数值被视为观察到的模拟结果。PCC级的谐波合规性以及BESS对谐波的影响是进一步研究的剩余课题。
谐波是基于5秒模拟时间计算的。这并未反映稳态谐波，稳态谐波包含正常运行、瞬态以及开关相关的失真。

4.3. 基于模拟的可靠性指标评估

SAIFI、SAIDI、CAIDI、ENS和LOLP等标准可靠性指标被用于评估双光伏-电网测试系统的可靠性。基于表12中呈现的结果经测试发现，测试系统仅发生两次中断，平均停电时长约为0.3秒。未供应电量（ENS）极低，即0.0008 kWh。这表明在上述案例中提到的不同扰动事件期间，测试系统能够维持对负荷的供电。CAIDI指标的低分证实了保护系统的快速恢复能力。简而言之，可靠性指标得分表明，通过整合多个光伏电源，可以提升电力系统的可靠性。它还描述了在上述案例所创建的扰动期间未供应的电量减少情况。
表12。双光伏-电网测试系统的可靠性指标评估。

在模拟时间窗口内评估的可靠性指标总结了中断场景和失负荷观测情况。通过评估SAIFI、SAIDI和CAIDI之间的关系，确保了数值的一致性。评估ENS以估算与未供电负荷相关的能量。LOLP的解释方式是将模拟时间窗口的该部分称为失负荷场景。基于观测的时间窗口较短。因此，它不是基于既定年度运行时间的可靠性的统计表示。因此，这些可靠性指标被解释为基于模拟的可靠性指标。

4.4. 基于电池储能系统（BESS）的策略

由光伏间歇性、故障、太阳辐照度变化以及温度波动引起的电压不稳定和功率扰动，通过与双光伏并网系统集成的电池储能系统（BESS）得以解决。BESS负责在稳健运行条件下提供持续的电力供应和电压稳定性。电网电压稳定在2000 V。BESS持续监测发电需求和连接的负载，以维持功率平衡状态。
在正常运行条件下，当PV-I和PV-II产生的能量超过需求时，多余的能量将储存在电池中。在电池放电模式下，电池会将所需的缺口功率注入电网。这种情况通常发生在由于故障、低辐照度或高温条件导致一个或两个光伏系统无法使用时。
P_deficit = P_load − P_PV
(8)
其中P_load代表负荷需求，P_PV代表总太阳能光伏功率。所需的缺口功率由P_deficit表示。如果缺口功率为正，电池储能系统（BESS）将负责提供所需的能量：
P_BESS = 0.95 × P_deficit
(9)
BESS负责满足95%的缺口功率，因为0.95的系数反映了放电模式下转换器和电池的实际效率。当能量过剩时，电池处于充电模式。电池根据以下方式吸收能量
P_BESS = −0.3 × |P_deficit|
(10)
电池的荷电状态（SOC）被持续监测，以避免过充和深放电。SOC运行约束保持在20%至100%之间，确保电池安全运行和长期可靠性。
实施的BESS策略在以下扰动间隔期间有效补偿了电力中断：
为了延长电池寿命并避免充电产生的过度瞬态，充电系数保持在相对较小的值。此外，为了避免过充和过度放电，电池的荷电状态被持续分析。
所提出的BESS补偿算法参数见表13。所提出的BESS策略将在扰动期间补偿功率缺口，具体如表14所示:
表13。BESS补偿策略参数。

表14。基于不确定性类型和所采取动作的扰动事件。

根据表格信息，基本上有三次跳闸事件，如下所示：

0.1秒至0.4秒：第一次PV-I跳闸；
0.8秒至1.2秒：PV-II跳闸；
1.6秒至2.2秒：第二次PV-I跳闸。

在上述扰动期间，光伏系统断开连接，导致供电中断和电网电压扰动。BESS策略不仅在扰动事件期间维持电网电压，还保证了负载供电的连续性。因此，所实施的策略显著减少了电压扰动并降低了供电中断，从而提高了可靠性指标。
PI控制器用于实现电压调节。该控制器减小了参考电网电压与平均电网电压(之间的电压误差。因此，在间歇性时期，BESS策略有助于将电网电压维持在接近2000 V的期望值。V_ref and average grid voltage V_grid. Hence, during times of intermittency, the BESS strategy helps to maintain a grid voltage close to the desired value of 2000 V.

4.4.1. BESS性能评估时间

采用5秒模拟时间窗口来分析BESS针对双光伏-电网集成测试系统扰动场景快速发展的响应。因此，从模拟间隔中提取BESS功率、能量交换和SOC曲线，而非长时间电池运行。0.0023%的BESS利用率是在5秒模拟时间窗口观察背景下的数值。同样，77.8202%的削峰能力也与瞬态运行相关。模拟结果不能被解释为对日常能量管理、长期削峰或电池储能系统可持续荷电状态曲线的说明。需要进一步结合光伏发电和负荷曲线进行评估。

4.4.2. BESS模型的实际局限性

尽管所提出的框架展示了基于机器学习的协调扰动分类与电池储能系统（BESS）功率补偿的潜力，但其实际性能评估的准确性取决于储能模型的保真度。理想化的BESS模型无法完全捕捉电池容量衰减、温度相关性能、变流器损耗、电流饱和、响应延迟或长期循环效应。此外，当电池接近其荷电状态（SOC）极限或变流器达到额定容量时，固定的缺额补偿系数无法保证所需的功率支持。
所提出的BESS模型未能充分涵盖电池容量衰减、温度相关性能、变流器损耗、电流饱和、响应延迟或长期循环效应。此外，在BESS接近其SOC限制或变流器接近其额定功率容量的情况下，恒定的缺额补偿系数无法保证所需的功率支持。因此，模拟结果应被视为该方法在设计条件下模拟控制和分类性能的证明，而非代表真实的BESS模型。热特性、老化、衰减、对逆变器的影响以及充放电循环模式的变化均未被考虑。这些因素会改变BESS的寿命、效率和经济性。此外，还将采用硬件在环和实验测试来评估所提模型在实际条件下的表现。

4.5. 基于机器学习的智能电网可靠性

开发并采用了一种基于监督学习的机器学习技术，用于对双光伏并网系统中发生的扰动进行智能分类，以提高电网可靠性。通过应用电气和环境测量数据，机器学习模型能够识别故障、低辐照度情况和高温条件等异常运行工况。
所开发的机器学习模型基于决策树分类器。该技术具有以下特点：

由于计算复杂度低，它易于实现。
由于结构更简单，处理速度很快。
由于具有可解释性，结果易于理解。
快速处理和快速决策的特性使该技术适用于实时保护。
它与电力系统中的非线性扰动兼容。

基础特征向量定义为
特征向量 = [辐照度_PV, 温度_PV, P_PV, V_Grid, I_Grid, P_Grid, V_Load, I_Load, P_Load, Irradaiance_PV, Temperature_PV]
(11)
其中V表示电压，I表示电流，以及P表示光伏系统、电网和读档的功率。所提出的机器学习模型将运行状态分为四类，如表15所示.
表15。由机器学习模型分类的四个操作类别。

所提出的决策树模型的分类函数如下
特征向量(最大值索引) = 干扰类别_Disturbance _Class特征向量(Disturbance Class|Feature Vector)
(12)
其中P(扰动类|特征向量)是扰动类发生的概率。为确保行为的真实性并防止过拟合，数据中加入了传感器噪声、外部干扰、特征归一化、随机训练-测试数据划分、无引导数据标记和不确定性；65%的数据用于训练，35%的数据用于测试。引入Z-score归一化对特征进行归一化处理。
[数学处理错误]z=x−μσ
(13)
其中μ是平均值，σ是标准差。对最大分裂数的限制和对最小叶子节点大小的限制有助于控制所提出的机器学习技术的复杂度。在本研究中，最大分裂数限制为40，最小叶子节点大小限制为5。
基于实际和预测运行条件的分类性能通过混淆矩阵进行评估。各类别中的样本数量显示在表16中。基于这些样本，混淆矩阵如图38所示预计在瞬态条件下，电气特征可能会发生重叠。因此，在混淆矩阵中观察到了故障、低辐照度和高温之间的误分类现象。这一观察结果与基于机器学习的双光伏-电网连接系统分类的预期结果高度一致。在与智能电网运行条件相关的实际不确定性下，机器学习算法的准确率为94.29%。决策树分类器的整体指标展示在表17中。各类别决策树分类器指标补充在表18中前五大影响特征如下所示图39。这表明光伏系统中光伏辐照度、直流母线电压和直流功率的变化是系统行为变化的指标。图40比较了模拟时间内的实际与预测类别标签。曲线之间的重叠程度是衡量机器学习算法有效性的指标。该机器学习算法能够准确识别系统行为。仅观察到少量偏差，这是由于机器学习算法的误分类以及双光伏-电网测试系统在某些时刻的瞬态行为所致。
Energies 19 05205 g038

图38。显示实际类别与预测类别之间关系的混淆矩阵。
Energies 19 05205 g039

图39。导致双光伏-电网测试系统行为变化的前五大影响特征。
Energies 19 05205 g040

图40。实际与预测类别标签的对比，展示了机器学习算法在模拟期间的有效性。
表16。用于扰动预测的各类别样本数量。

表17。决策树分类器的整体指标。

表18。决策树分类器的各类别指标。

性能决策树分类器在表19中与其他分类器进行了比较，以验证用于预测扰动事件的机器学习策略。
表19。不同机器学习分类器在验证中的性能比较。

分析了输入数据中不同噪声水平下决策树分类器的鲁棒性，见表20。图形分析结果展示在图41中。此外，还测试了未见过的运行场景，结果展示在表21这些观察结果为制定关于实际实施的假设奠定了基础，特别是在短时间扰动区间内。
Energies 19 05205 g041

图41。不同输入数据噪声比例下不同机器学习分类器的性能对比分析。
表20。决策树分类器在不同噪声水平下的鲁棒性。

表21。不同机器学习分类器在未见运行事件下的性能。

部署BESS是为了吸收在光伏系统并网、交流故障、低辐照度和高温条件下观察到的瞬态现象。电网电压偏差如图所示图42.
Energies 19 05205 g042

图42。由于光伏并网、交流故障、低辐照度和高温条件引起的电压偏差曲线。
PV-I、PV-II和BESS的动态响应展示在图43不同运行场景下。在光伏系统连接公共连接点的线路发生跳闸和故障事件期间，观察到输出功率明显下降。在这些事件中，由于光伏系统断开，BESS迅速补偿了发电量的损失。因此，维持了负荷需求功率。为了评估BESS策略的有效性，比较了补偿前后的电网功率。图44展示了对比结果。观察到瞬态和扰动的峰值明显降低。表22显示当与BESS集成时，电网峰值功率降低了30%。此外，通过BESS处理瞬态和扰动时，电网能量的输入也降低至95%。
Energies 19 05205 g043

图43。PV-I系统、PV-II系统、读档和BESS在不同温度、辐照度和故障场景下的动态行为。
Energies 19 05205 g044

图44。有无BESS的电网功率对比，以展示BESS策略的有效性。
表22。BESS前后峰值电网功率和电网能量进口。

BESS的初始荷电状态（SOC）为80%，根据双光伏-电网测试系统的要求，展示了受控的充放电特性曲线。在某些暂态和扰动间隔中，观察到与逐渐增加趋势的轻微偏差，如图45所示。这是由于BESS在光伏中断期间维持系统功率的作用。由于模拟仅运行5秒，BESS的利用率仅为0.0023%，但其削峰能力达到77.8202%。这证实了其在稳定性方面的有效性。BESS的利用率展示在表23.
Energies 19 05205 g045

图45中。光伏故障、辐照度和温度扰动下BESS的荷电状态曲线。
表23。BESS利用详情。

简而言之，基于机器学习的电池储能系统策略为双光伏-电网并网系统提供了智能扰动检测与决策、自适应电力需求满足机制、电压调节稳定、可靠性以及可持续的供电连续性。
在模拟的时间窗口内，报告了电网功率和能量进口的减少情况。该模拟时长适用于基于短期/瞬态的分析，但与长期节能和可持续削峰无关。应使用扩展版本的模拟模型和24小时模拟时间窗口来量化实际效益。基于双光伏-电网集成系统跳闸的模拟结果摘要呈现在表24.
表24。基于双光伏-电网集成系统跳闸的模拟结果摘要。

4.6. 研究局限性

毫无疑问，所提出的基于机器学习的电网可靠性和基于电池储能系统的处理策略展现出了令人期待的结果和性能。然而，这项研究工作也存在一些局限性。具体如下：

该研究工作涵盖了双光伏-电网集成测试系统中基于机器学习的电压扰动缓解的模拟分析。全面分析了主要的不确定性因素，如辐照度变化、温度变化以及PCC前的三相故障。然而，并未纳入所有与实际电力系统相关的不确定性因素。这些不确定性因素包括传感器精度误差、通过通信系统的数据传输延迟、逆变器效率低下和容量选型错误、无限源阻抗（如电网阻抗）的变化以及动态负载行为。这些不确定性可能会改变双光伏-电网系统中基于机器学习的电压扰动缓解策略的性能。
采用5秒的模拟时间窗口来分析与双光伏-电网集成系统相关的瞬态扰动。在这些短期扰动中，分析了通过电池储能系统（BESS）进行的即时补偿。本研究无法涵盖BESS的长期性能、可持续削峰以及年度可靠性指标。应采用24小时的时间窗口来分析BESS的性能。
特征数据矩阵从3,573,283 × 37的原始尺寸缩减至500 × 53。尽管分析中包含了数据的所有特征，但由于计算限制导致的数据矩阵尺寸缩减，可能无法复现双光伏-电网电力系统的实际场景。应使用较大的特征矩阵尺寸和更长的模拟周期来表征环境和电网条件的不确定性，从而更接近实际场景。
决策树分类器被用于预测测试系统的不同运行场景。这是因为它具有简单、可解释性强以及在预测不同运行场景方面有效等特点。更高级的机器学习算法可用于研究复杂的场景，这些场景在负荷预测中需要分析更多的非线性特征。
在本研究中，BESS仅用于在光伏系统断开和重新连接的情况下补偿功率缺口并缓解电压扰动。本研究采用理想BESS模型。未考虑热特性、老化、降解、对逆变器的影响以及充放电循环模式的变化。这些因素可能会改变BESS的寿命、效率和经济性。此外，基于每日光伏发电量、温度和辐照度曲线的扩展模拟可以解决长期可靠性和持续削峰的问题。
在本研究中，针对2000 V额定电压等级和2500 kVA电网进行了电压扰动缓解。所提出的研究技术尚未在不同电网容量、各种光伏系统渗透率、强弱电网条件以及配电网中多个公共连接点下进行测试。全面的可扩展性和适应性需要对所提技术的性能进行广泛分析。
此外，本研究仅限于对双光伏-电网系统的技术分析。全面评估了电压稳定性、光伏功率波动、BESS对光伏断开和重新连接的响应、机器学习分类的准确性以及可靠性指标等不同性能指标。本研究未涵盖基于不同BESS容量、资本和运营成本、不同电池类型以及生命周期成本的技术经济分析。将这些参数纳入考虑将提高所提技术在可扩展电网中实际应用的信心。

5. 结论

开发了一种基于机器学习的电压扰动缓解技术，用于双光伏-电网系统。该双光伏-电网系统进一步集成了电池储能系统。测试系统由两个光伏系统组成。每个光伏系统的额定容量为1兆瓦，运行电压为2000伏。这两个光伏系统与额定容量为2.5兆伏安的电网相连。在光伏系统交流侧发生三相故障、低辐照度事件（低于200瓦/平方米）的情况下，对该测试系统进行了全面分析。²，以及高于45°C的高温场景。这些并网挑战导致光伏系统在条件不利时断开连接，在条件有利时重新并网。故障跳闸、断开连接和重新并网代表了现实中多光伏-电网集成系统的运行模式。
在模拟结果中观察到，基于BESS的控制策略有效吸收了由光伏系统间歇性和故障事件引起的波动。在光伏断开事件期间，BESS提供了1938–1948 V的运行电压范围以及补偿功率。因此，尽管存在多性向集成挑战，但通过电压扰动缓解，证明了一种基于补偿的控制策略具有前景。此外，对BESS的SOC曲线进行了检查，发现其保持在约80–84%的范围内，在短期补偿事件下表现出可接受的电池运行状态。
在本研究中，开发了一种简化但具有可解释性的基于决策树的机器学习算法。该算法基于电气、环境和衍生特征进行训练。如混淆矩阵所示，该分类器能够准确区分并网挑战。特征之间的一些重叠特性导致了有限数量的误分类。进一步观察发现，PV-I辐照度、PV-II辐照度、PV-II直流母线电压、光伏功率差值和PV-II直流功率被确定为数据集中最具影响力的特征。基于这一观察，研究结果与光伏系统的实际运行条件相符。此外，可靠性指标的评估突显了在多光伏电源下电力系统可靠性的提升。
总体而言，所提出的研究技术成功展示了扰动识别与分类，以及在短期补偿事件下处理策略的有效性。这项研究无疑将为多光伏-电网集成系统的韧性提供新的见解。
未来，所提出的研究可以通过硬件在环框架和光伏系统的实验装置进行验证。可以使用先进且可解释的机器学习算法分析更大的数据集。全面的技术经济评估将为所提技术的扩展性和可行性提供有效的解决方案。

上一条：基于在线SCR识别的光伏-HAWKER蓄电池储能并网系统自适应跟网/构网融合控制下一条：迈向实用化室温钠硫HAWKER蓄电池的关键挑战与最新进展

产品分类

新闻中心

联系我们

电话：15313702523

邮箱：hawker@yeah.net

公司：英国霍克大陆营销总部