基于高清卫星地图影像的配电网分布式屋顶光伏承载力评估

2023-12-07王海峰徐熠林徐达艺罗宗杰李源腾苏浩坤彭显刚

广东电力 2023年10期

王海峰，徐熠林，徐达艺，罗宗杰，李源腾，苏浩坤，彭显刚

(1.南方电网广东湛江供电局，广东湛江 524005；2.广东工业大学自动化学院，广东广州 510006)

近年来，随着“双碳”目标的贯彻落实以及整县屋顶光伏战略的大力推进，分布式屋顶光伏发电在中低压配电网中的渗透率不断提高[1]。但是，光伏发电输出功率具有随机波动性和间歇性，其大规模并网使得配电网潮流产生复杂的随机变化，导致配电网的电压越限风险增大，严重损害供电可靠性和电能质量[2-3]。为避免光伏并网对系统的不利影响，准确评估配电网分布式光伏承载力对电力公司制订合理的光伏并网计划和实施可靠的电网结构升级至关重要[4-5]。因此，有必要对配电网的承载力开展分析研究，为高比例的分布式屋顶光伏接入提供理论指导。

现有配电网承载力评估方法主要有智能优化方法[6-7]、随机场景模拟法[8-9]和解析法[10-11]。文献[6]通过分析分布式光伏电源出力与负荷的相关性，建立以配电网潮流为主要约束的规划模型，利用模拟退火算法求解配电网的光伏承载力。文献[7]采用遗传算法求解光伏最大准入容量的机会约束规划模型。文献[8]采用模拟法从单渗透率和整体2个方面全面分析模拟结果，以充分评估配电网的光伏消纳能力。文献[9]中，负载和太阳能光伏出力被视为随机变量，通过处理太阳能光伏出力和客户电力消耗的概率分布，使用改进的蒙特卡罗模拟来评估配电网承载力。文献[10]以电压波动为约束，推导出配电网承载力的取值区间，但该方法仅考虑特定的电源分布情况，仅适用于某些特定的分布场景，不具备推广性。文献[11]提出并使用Unscented变换，与使用蒙特卡罗模拟的传统随机方法相比，该方法提高了精度和执行时间。然而，上述文献中的方法在建模屋顶光伏系统的容量时，没有利用高清卫星地图影像的建筑物屋顶数据，因此在进行模拟实验时，不同面积的建筑物屋顶被同等对待，导致承载力评估的最终结果受到明显影响，文献[12]的实验结果验证了这一结论。

针对此，本文提出的方法利用Deeplabv3+模型识别高清卫星图像中的屋顶轮廓，根据实际的屋顶面积建立每个屋顶光伏系统接入配电网的公共信息模型(common information model，CIM)，包括并网容量和运行参数，实现基于CIM和高清卫星地图影像的配电网数字化建模。最后采用蒙特卡洛法评估配电网分布式屋顶光伏承载力，得到配电网承载力的概率密度函数。本文的主要创新点在于评估承载力时，使用来自高清卫星地图影像的实际建筑物屋顶数据测算光伏装机容量，并基于CIM对配电网进行数字化建模，将配电网设备的基础数据和拓扑结构存储在本地服务器的数据库，使承载力评估中的模拟场景更加符合现实情况。通过具体算例，验证本文模型的实用性，以及在提高承载力评估准确性方面的优越性。

1 基于Deeplabv3+的屋顶光伏装机容量测算

1.1 Deeplabv3+算法

Deeplabv3+模型的整体结构如图1所示。模型引入经典的编码器-解码器结构，该结构在多项计算机视觉任务中展示了优越的性能，包括人体姿态估计[13]、目标检测[14]和语义分割[15]。编码器主体是深度卷积神经网络，其主干网络是改进的Xception架构，通过改进Xception架构中不同通道的深度分离卷积操作，可提取输入图像的特征信息。接着，对被提取的特征信息使用包含空洞卷积的空间金字塔池化模块，由此引入多尺度信息。具体操作如下：使用1个1×1卷积，3个空洞率分别为6、12、18的并行3×3空洞卷积以及1个图像池化模块，对特征信息进行处理并拼接，再通过1×1卷积捕获更高层次的语义信息；然后在解码器模块中首先使用1×1卷积对主干网络提取到的低级特征信息进行降维处理，将其与经过编码器上采样后的高级特征进行融合，接着使用3×3卷积还原特征图中的空间信息，并使用双线性上采样法精细化分割边界，提升图像分割边界的准确度，得到更为准确细致的建筑屋顶轮廓。

图1 Deeplabv3+模型网络结构Fig.1 Deeplabv3+ model network structure

1.2 基于高清卫星地图影像和Deeplabv3+的建筑物屋顶分割

实现基于高清卫星图像和Deeplabv3+的建筑物屋顶分割，过程如下：

a)制作数据集。根据获得的所研究地区的高清卫星地图影像数据，从多维度分析数据集，选取部分具有代表性的建筑和场景图像进行标注，为后续模型训练做准备。

b)构建Deeplabv3+网络模型。基于上文所阐述的Deeplabv3+结构搭建网络模型，确保模型结构完整和正确。

c)训练和优化Deeplabv3+网络模型。Deeplabv3+网络模型的基础为Pytorch框架，设定合理的模型初始训练超参数，在训练过程中不断优化迭代其内部参数，并保存分割性能最好的模型参数。

d)最后利用训练好的Deeplabv3+模型实现对研究地区的基于高清卫星地图影像的建筑物屋顶分割，并分析实验结果。

1.3 屋顶光伏装机容量测算

屋顶总面积可以使用Deeplabv3+模型识别的建筑屋顶来得到，根据所识别的屋顶像素数以及每个像素代表的实际面积实现屋顶总面积测算。但是实际可用于安装的屋顶面积取决于多种因素，例如屋顶其他部分或邻近建筑和树木的遮挡、屋顶坡度和方向、屋顶被其他生活设备(如电热水器、烟囱或空调等)占用、光伏板支架的影响等。因此，为了确定屋顶的光伏装机容量，必须减去不能用于铺设光伏的屋顶面积，计算实际可用的屋顶面积，得出可以安装光伏板且采光效率较高的比例[16]。

本文采用系数估算法测算屋顶光伏安装容量，对于可用屋顶面积的比例系数主要参考其他相关文献，并结合所研究地区的实际情况，分析后取合理的数值。首先，考虑屋顶的朝向和平坦度，文献[17]总结了光伏板不同朝向下的光伏朝向系数，见表1。

表1 不同朝向下的光伏朝向系数Tab.1 PV orientation coefficients under different orientations

其次，考虑屋顶遮荫和其他生活设备对屋顶的占用。文献[17]总结了在其他研究中计算得到的可用于安装光伏板的屋顶面积比例，本文称为遮荫系数，见表2。遮荫系数对本研究估算可用屋顶面积的比例系数提供了重要的数据基础。

表2 不同国家和地区的遮荫系数Tab.2 Shading coefficients in different countries and regions

本文选用常见的245 W太阳能光伏电池组件，每1 m2可以安装150 W太阳能光伏电池[17]。根据上述分析，用户建筑物屋顶可安装的屋顶光伏容量F可表示为

F=S×f1×f2×L.

(1)

式中：S为识别的屋顶面积；f1为光伏朝向系数；f2为遮荫系数；L为每1 m2可以安装的太阳能光伏电池容量。

2 含分布式屋顶光伏的配电网数字化建模

配电网承载力评估需要依据详细的配电网拓扑结构及参数，当前我国大多数供电公司利用CIM描述电网拓扑结构[18]。CIM是基于IEC 61970/IEC 61968系列标准的、用来描述电力系统信息的抽象模型，其中定义了许多包和类，并通过关联、泛化、聚合等关系连接各个类元素来详细描述电网，是实现电力系统之间信息共享和交互集成的有效工具[19]。

2.1 CIM/XML文档描述与解析

配电网设备的基本参数和拓扑信息存储在CIM节点的文本或者属性中，通过解析CIM中的XML文档获取配电网设备基础参数等信息是构建配电网模型的基础。

文档对象类型(document object model，DOM)是用于可扩展标记语言(extensible markup language，XML)解析的标准编程接口规范，使用树结构来表达XML文档的数据内容，与配电网CIM中的XML文档具有强层次性结构的特点适配。因此本文采用DOM技术解析从GIS导出的配电网CIM/XML文档，得到配电线路主要设备的属性数据及空间数据，并以数组的形式分别存储在本地服务器的数据库中。此外，通过使用深度优先搜索算法遍历CIM中配电网设备的端子节点和连接节点之间的关系，搭建配电网原始拓扑结构。

2.2 含分布式屋顶光伏的配电网数字化建模

在CIM的发电包中，光伏发电场类建立了光伏发电场模型，1个光伏发电场包含多个光伏发电机组。在通过CIM解析获取配电网设备基础信息及电网拓扑的前提下，根据高清卫星地图影像的屋顶光伏容量测算结果，依据GIS中屋顶的地理位置信息确定其接入的配电网节点，完善配电网光伏发电厂类的固有属性和继承属性。其中固有属性包含实际并网容量、并网最大有功出力等，继承属性包含设计装机信息、设计装机台数等。

基于此，后台数据库将更新配电网设备基础数据信息及电网拓扑信息，重新生成新的XML/SVG文档，同步构建和修改配电网的拓扑结构。通过高清卫星地图影像、CIM、GIS三者之间的联系，最终实现基于CIM和高清卫星地图影像的含分布式屋顶光伏的配电网数字化建模，为承载力评估提供重要的底层技术支撑，使系统分布式屋顶光伏承载力的评估更具有工程实际意义。

3 基于高清卫星地图影像的配电网分布式屋顶光伏承载力评估

3.1 配电网分布式屋顶光伏承载力定义

本文将配电网的分布式屋顶光伏承载力定义为在任何现实的运行情况下，不违反各类运行约束，能够接入系统的最大分布式屋顶光伏容量，为相应各节点分布式屋顶光伏并网容量之和，具体表达式为

(2)

式中：Ω为某一配电网所有分布式屋顶光伏接入节点编号集合；Ci为在节点i接入的分布式屋顶光伏容量。

3.2 配电网光伏承载力概率评估的约束条件

3.2.1 配电网节点电压概率约束条件

依据电网规划方案技术指导细则，电压的允许偏差为额定值的±7%，且电压偏移超过允许范围的月累计时间不得超过10 h[20]。换言之，配电网发生电压越限的概率不得大于2%，具体数学表达式如下：

p[Ui≤(1-7%)UN，Ui≥(1+7%)UN]≤2%；

(3)

式中：p(A)为事件A发生的概率；UN为线路额定电压；Ui为节点i的电压。

3.2.2 配电网线路电流机会约束条件

依据电网规划方案技术指导细则，线路电流超过额定值的日累计时间不得超过1 h，即配电网违反线路电流约束的概率不得大于4%，具体数学表达式如下：

p(|Ib|≥Ib，max)≤4%.

(4)

式中：Ib为线路b的电流；Ib，max为线路b的额定电流。

3.2.3 配电网功率平衡等式约束条件

配电网功率平衡等式约束条件如下：

(5)

式中：Pi、Pi+1分别为流过节点i和节点i+1的有功功率；Qi、Qi+1分别为流过节点i和节点i+1的无功功率；PPVi为节点i处分布式屋顶光伏的发出的有功功率；PLi和QLi分别为节点i处负荷消耗的有功功率和无功功率；Ri+1、Ri分别为节点i与节点i+1之间的电阻值及节点i-1与节点i之间的电阻值；Xi+1、Xi分别为节点i与节点i+1之间的电抗值及节点i-1与节点i之间的电抗值；Ui-1和Ui+1分别为节点i-1、节点i+1的电压值。

3.2.4 屋顶光伏并网容量约束条件

屋顶光伏并网容量约束条件如下：

0≤Ci≤Fi，max.

(6)

式中Fi，max为使用Deeplabv3+模型测算的节点i处屋顶资源所能安装的屋顶光伏容量。

3.3 屋顶分割精度的评价指标

在二元分类问题中，实例被划分为正例(positive)和负例(negative)，以下4种情况涵盖了二元分类任务中的所有情况。

①真正类(true positive，TP)：正类实例被预测为正类，即建筑物屋顶被正确识别为建筑物屋顶；

②假负类(false negative，FN)：正类实例被预测为负类，即建筑物屋顶被错误识别为背景；

③假正类(false positive，FP)：负类实例被预测为正类，即背景被错误识别为建筑物屋顶；

④真负类(TRUE Negative，TN)：负类实例被预测为负类，即背景被正确识别为背景。

本研究采用均交并比(KMIoU)、平均像素精度(MMPA)、准确率(Aac)和F1分数(FF1-score)这4种常用的语义分割评价指标。

均交并比的定义为计算真实值和预测值2个集合的交集和并集之比，其计算公式如下：

(7)

式中：t为真实值；j为预测值；Ntj为真实值为t、被预测为j的像素数量；k为类别，k+1则表示包含了背景类。不难发现，Ntt为真正类的数量，Ntj和Njt则分别为假正类和假负类的数量。

平均像素精度的定义为每个类被正确分类的像素数占该类像素总数的比例，之后对所有类的像素精度加和求平均，具体计算公式如下：

(8)

准确率的含义为所有预测正确的样本数(包含正类负类)占总样本数的比例，计算公式如下：

(9)

式中TTP、TTN、TFP、TFN分别为不同类样本数。

FF1-score作为语义分割中用来衡量模型精确度的一种指标，其最大值为1，最小值为0，值越大说明模型效果越好，既尽量少遗漏正类目标，又对正类目标识别有较高的准确率。计算公式如下：

(10)

3.4 模型评估流程

基于蒙特卡罗的概率评估方法本质是使用各种随机变量值进行多次潮流计算，以产生大量的输出结果，并利用统计方法将结果转化为概率潮流，由此确保潮流结果中包含配电网源荷及模型参数的不确定性。若从数学角度建模和表征上述不确定性，可将配电系统中的节点电压和支路电流表示为不确定性的函数，如式(11)所示：

Ui，Ib：g(ξ1，ξ2，…，ξσ).

(11)

式中：ξσ为第σ种不确定性输入；g(·)为配电网中各类不确定性ξ的函数。

(12)

式中：h为平滑参数；n为光伏承载力的模拟采样数；K为核函数。

光伏系统安装容量及其在配电网中接入位置的不同，对系统各节点电压的影响也不同[21]。为了模拟不同屋顶光伏接入配电网方案下配电网的分布式屋顶光伏承载力，采用基于蒙特卡洛的随机模拟法模拟屋顶光伏系统接入配电网的运行情况[22]。模拟的随机过程主要包括：光伏并网节点数随机以及光伏并网位置随机，光伏并网容量由基于Deeplabv3+模型的屋顶光伏装机容量测算结果决定。对一个含有N个负荷节点的配电网，考虑用户屋顶面积的光伏承载力评估流程如图2所示。

图2 基于高清卫星地图影像的光伏承载力评估流程Fig.2 PV hosting capacity evaluation flowchart based on high definition satellite images

4 算例分析

利用某地区的高清卫星图像数据，结合其低压配电网验证本文所提方法。该辐射型低压配电网包含60个低压用户，有3条电缆馈线连接到中压低压变压器，其网络结构如图3所示。该配电网共有60个用户负荷，其中每个用户都有对应的屋顶资源，因此每个用户负荷节点都有接入屋顶光伏发电机组的可能。

图3 配电网结构Fig.3 Distribution network structure

4.1 屋顶光伏装机容量测算结果

为了保证Deeplabv3+模型在屋顶分割任务中具有较高的准确性且保持良好的泛化能力，本文挑选研究地区的代表性房屋类型，如居民建筑、厂房建筑等，利用labelme工具制作标签，同时从公开数据集WHU Building Dataset[23]中选取部分与所研究地区屋顶类型相似的数据，共同组成数据集。

4.1.1 训练过程

Deeplabv3+模型训练期间训练集和验证集的损失值变化如图4所示。

从图4可以看出：对于训练损失函数值，在前10个迭代次数中迅速下降，在10～80个迭代次数中随着轮数增加逐渐下降，在80个迭代轮数后，在0.150附近趋于平稳；对于验证损失函数值，在前10个迭代轮数中迅速下降，随后缓慢下降并逐渐收敛于0.145附近；训练损失函数值与验证损失函数值在下降过程中有所区别，前者大致呈单调递减，而后者则带有波动，但是都呈下降趋势，这意味着损失函数能够有效收敛，模型精度不断提高，该模型在建筑物屋顶分割任务中是有效的。

4.1.2 定量分析

表3为Deeplabv3+在验证集上的评价指标结果。模型在验证集上的交并比为84.64%，这说明模型预测的目标与实际目标有较高的重合度；平均像素精度和准确率分别为91.33%和97.25%，说明模型有较高的预测精度，且大部分像素的类别都能被准确预测；F1分数为0.916，这说明模型在具有较高识别精度的同时还能正确识别出大部分屋顶，既很好地保持了查准率和查全率平衡，总体上也达到了令人满意的效果。

表3 评价指标结果Tab.3 Evaluation indicator results

本研究所使用的卫星地图为19级卫星影像图，单位像素的实际面积为0.076 2 m2。本文所研究地区屋顶绝大多数为平顶，房屋密度较低，地形开阔，基本没有遮荫，也较少用于其他用途，因此朝向系数和遮荫系数分别取0.9和0.8。依据Deeplabv3+模型的识别结果和式(1)，部分屋顶的面积及其对应的屋顶光伏可装机容量见表4。

表4 屋顶光伏可安装容量测算结果(部分)Tab.4 Part of calculation results of installed capacity of rooftop PV

4.2 考虑实际屋顶面积的配电网承载力评估

本小节将考虑用户屋顶面积的承载力评估方法与传统概率评估方法进行比较。传统概率评估方法建模屋顶光伏系统的容量时没有利用高清卫星地图影像的建筑物屋顶数据，因此传统概率评估方法通常为每个屋顶光伏系统赋予相同的光伏装机容量。本实验使用9 kW和15 kW作为传统概率评估方法中每个屋顶光伏系统的装机容量(F)，与本文所提的评估方法进行比较，2种方法的评估结果见表5。

表5 不同评估方法的承载力评估结果对比Tab.5 Comparison of hosting capacity assessment results of different assessment methods

依据所得到的评估结果，可以看出传统概率评估方法有2个主要缺点。首先，所有屋顶都被看作是相同的，这意味着较大面积和较小面积的屋顶安装相同容量的屋顶光伏；其次，所选择的光伏装机功率对评估结果有显著影响，从表5不难发现，当配电网中所有屋顶光伏的装机容量为15 kW时，承载力的中位数为195 kW，当所有屋顶光伏的装机容量为9 kW时，此时承载力的中位数为252 kW，后者的中位数比前者高出了29%，差异显著。而考虑实际屋顶面积的光伏承载力的中位数为213.5 kW，结果介于两者之间。

评估结果对应的概率密度函数和概率分布函数分别如图5和图6所示。

图6 不同方法评估结果的概率分布函数Fig.6 Probability distribution functions of assessment results of different methods

在承载力评估中选择一个最合适的光伏装机容量来建模配电网中所有用户的屋顶光伏是不切实际的，因为在现实中，每个建筑物屋顶的面积不尽相同。传统承载力概率评估方法的主要缺点是没有利用高清卫星地图数据，对所有模拟的屋顶光伏使用相同的装机容量，因此得到的结果可能会有很大差异。本研究的方法在承载力评估中考虑了实际屋顶面积，提高了计算光伏承载力的准确性。

另外，我国目前的整县光伏规划没有充分利用数字化技术进行网络建模，导致配电网承载力评估等电气分析模块不能很好地应用于工程实际。本文首先通过解析CIM/XML文档获取配电网设备的基础参数，然后使用深度优先搜索算法遍历CIM中设备端子和连接节点之间的关系，搭建用于配电网承载力评估的拓扑结构；接着根据高清卫星地图影像的屋顶光伏容量测算结果，完善配电网光伏发电场类的固有属性和继承属性，由此生成并网节点的光伏出力曲线。因此，基于CIM和高清卫星地图影像的数字化建模能为承载力评估的开展提供底层技术支撑，提高整县光伏建设和开发的效率。