結(jié)合序列分布概率的儲能系統(tǒng)典型功率曲線提取方法

楊錫運(yùn) ，任 杰，李相俊 ，董德華，賈學(xué)翠

（1.華北電力大學(xué) 控制與計算機(jī)工程學(xué)院，北京 102206；2.中國電力科學(xué)研究院 新能源與儲能運(yùn)行控制國家重點(diǎn)實(shí)驗室，北京 100192）

0 引言

光伏發(fā)電受太陽輻照強(qiáng)度和溫度的影響，其輸出功率具有隨機(jī)性和波動性，光伏發(fā)電直接并網(wǎng)會給電網(wǎng)的運(yùn)行帶來一定沖擊［1-3］。在發(fā)電側(cè)配置儲能系統(tǒng)，利用儲能系統(tǒng)快速響應(yīng)和動態(tài)調(diào)節(jié)能力，平抑光伏電站短時功率波動［4-6］，提高光伏發(fā)電跟蹤計劃出力能力［7］，可改善光伏發(fā)電的電能品質(zhì)，增加電網(wǎng)對光伏發(fā)電的接納能力。

目前，國內(nèi)外雖有多個光儲聯(lián)合發(fā)電示范項目，但對儲能系統(tǒng)的研究主要集中在儲能出力的優(yōu)化控制和最優(yōu)容量配置等方面，在平滑光伏電站功率波動應(yīng)用情形下，挖掘儲能系統(tǒng)典型功率曲線的研究成果較少。儲能系統(tǒng)典型功率曲線是對實(shí)際功率的概括與提煉，能夠反映儲能系統(tǒng)的充放電特征。基于典型功率曲線不僅能掌握儲能系統(tǒng)運(yùn)行工況特征，增加對儲能出力的整體認(rèn)知，還能分析儲能容量配置與典型功率曲線的關(guān)聯(lián)關(guān)系，解決容量的最優(yōu)配置問題。

挖掘典型曲線在電力系統(tǒng)負(fù)荷曲線等研究中經(jīng)常提及。文獻(xiàn)［8］提出一種基于云模型的典型運(yùn)行曲線挖掘算法。文獻(xiàn)［9］從電力負(fù)荷曲線形態(tài)出發(fā)，提出基于云模型和模糊聚類的典型電力負(fù)荷曲線挖掘方法。文獻(xiàn)［10］提出基于經(jīng)典聚類算法的集成聚類算法，通過bootstrap重采樣、劃分聚類和層次聚類來提取典型負(fù)荷曲線。文獻(xiàn)［11］將不同天氣類型下光伏出力與對應(yīng)負(fù)荷疊加，形成負(fù)荷-光伏等效負(fù)荷曲線。文獻(xiàn)［12］提出基于因子分析和模糊聚類的工況構(gòu)建方法，利用該方法得到典型工況曲線。

本文針對利用儲能系統(tǒng)平抑光伏電站功率波動的應(yīng)用背景，提出一種結(jié)合序列分布概率的儲能系統(tǒng)典型功率曲線挖掘方法。該方法基于儲能系統(tǒng)功率在縱向時序（若干天的同一時刻）的區(qū)間分布特性，采用基于Bloch球面的量子遺傳算法，尋找所有分布概率大于閾值ε的分布概率區(qū)間及相應(yīng)區(qū)間的特征功率值，根據(jù)特征功率值得到該時刻典型功率值，整合所有時刻典型功率值得到典型功率曲線。將典型天氣類型聚類為4種，根據(jù)所提挖掘算法得到4種天氣類型下的儲能系統(tǒng)典型功率曲線，并從典型參數(shù)、分布情況、相關(guān)性等角度出發(fā)對典型功率曲線進(jìn)行綜合分析，分析結(jié)果驗證了該方法的有效性。

1 不同天氣類型下儲能系統(tǒng)充放電功率特征

光伏發(fā)電具有波動性，為光伏電站配置儲能系統(tǒng)，利用儲能系統(tǒng)平抑光伏電站功率波動，能夠增加光伏發(fā)電的可利用率。

某裝機(jī)容量為30MW的光伏電站，在晴天、多云、陰天和雨雪4種不同天氣類型下的光伏電站日輸出功率曲線如圖1所示。由圖1可知，4種天氣類型下光伏功率曲線呈現(xiàn)不同特征，且具有明顯的差別。晴天時光伏電站輸出功率較高，且變化比較平穩(wěn)；多云時光伏電站具有較高的輸出功率，但受到云層的影響波動劇烈；陰天和雨雪天光伏電站輸出功率整體偏低，但陰天時光伏功率略高于雨雪天。

不同天氣類型下光伏電站功率波動情況不同，進(jìn)而使得儲能系統(tǒng)功率曲線呈現(xiàn)不同特征。圖1中示例的晴天和雨雪天光伏電站功率的分鐘級波動率主要在2%以內(nèi)，光伏功率波動較小，對儲能系統(tǒng)出力要求不高；多云和陰天時光伏電站功率的分鐘級波動率集中在［0，20%］區(qū)間內(nèi)，遠(yuǎn)高于晴天和雨雪天情況，對儲能系統(tǒng)出力的要求提高。在平滑光伏功率波動率應(yīng)用場景下，采用基于斜率控制的平滑策略［3］來確定儲能系統(tǒng)的功率，圖2顯示了4種典型天氣類型下儲能系統(tǒng)功率曲線。

圖1 典型天氣類型下光伏功率曲線Fig.1 PV power curves under typical weather patterns

圖2 典型天氣類型下儲能系統(tǒng)功率曲線Fig.2 Energy storage system power curves under typical weather patterns

由圖2可知，不同天氣類型下儲能系統(tǒng)功率曲線特征不同，晴天時儲能系統(tǒng)基本不出力，儲能系統(tǒng)功率在［-0.2，0.2］MW以內(nèi)；雨雪天時儲能系統(tǒng)功率主要集中在［-2.5，2.5］MW區(qū)間內(nèi)，功率曲線幅值小且變化平緩；多云和陰天時儲能系統(tǒng)功率在［-10，10］MW區(qū)間內(nèi)波動，功率曲線幅值較大且波動劇烈。

上述分析表明，儲能系統(tǒng)功率曲線隨光伏電站功率波動的不同而呈現(xiàn)不同運(yùn)行特征，僅提取一條典型功率曲線難以表征不同天氣下儲能系統(tǒng)運(yùn)行的特點(diǎn)，本文基于此提出一種結(jié)合序列分布概率的儲能系統(tǒng)典型功率曲線挖掘方法：將儲能系統(tǒng)眾多運(yùn)行曲線根據(jù)不同天氣類型，聚類成晴天、多云、陰天和雨雪天四大類；用結(jié)合序列分布概率的挖掘方法提取4條不同天氣類型下的典型功率曲線來表征儲能系統(tǒng)的典型運(yùn)行工況；并綜合對比分析4條挖掘的功率曲線的信息，揭示儲能系統(tǒng)運(yùn)行特征。

2 儲能系統(tǒng)典型功率曲線挖掘算法

2.1 儲能系統(tǒng)典型功率曲線挖掘總體框圖

挖掘4種天氣類型下的儲能系統(tǒng)典型功率曲線面臨的主要問題是4種天氣類型下儲能系統(tǒng)功率數(shù)據(jù)的獲取問題和典型功率值的挖掘問題。為解決上述問題，本文采用模糊C均值聚類方法［13］對光伏電站功率數(shù)據(jù)進(jìn)行聚類，獲得4種天氣類型下的光伏功率數(shù)據(jù)；再采用文獻(xiàn)［4］的平滑控制策略對光伏功率進(jìn)行平滑，即可得到相應(yīng)四大類的儲能系統(tǒng)功率數(shù)據(jù)?；讷@得的儲能系統(tǒng)功率數(shù)據(jù)，提出基于序列分布概率的典型功率曲線挖掘算法獲得儲能系統(tǒng)的典型功率曲線。

圖3給出了典型功率曲線挖掘總體流程圖。

圖3 儲能系統(tǒng)典型功率曲線挖掘流程Fig.3 Flowchart of typical power curve mining for energy storage system

2.2 模糊C均值聚類

模糊C均值聚類算法聚類公式為：

其中，J（U，V）為目標(biāo)函數(shù)；U為各數(shù)據(jù)點(diǎn)隸屬度矩陣；μc（i）為第i個數(shù)據(jù)點(diǎn)相對于第c個聚類中心的隸屬度；C 為聚類中心數(shù)；Xi（i=1，2，…，M）為聚類的第i個數(shù)據(jù)點(diǎn)，M為參與聚類的光伏電站數(shù)據(jù)天數(shù)；Vc為第c個聚類中心的位置向量；q為加權(quán)指數(shù)。

模糊C均值聚類算法對光伏電站數(shù)據(jù)進(jìn)行聚類的步驟如下。

a.選取聚類特征。

本文將典型天氣類型分為晴天、多云、陰天、雨雪天4種類型，即聚類中心數(shù)C=4。選取輻照度波動量、最大輻照比例、平均溫度作為聚類特征，即：

其中，Vi為第i日輻照度波動量；Ki為第i日最大輻照比例；Ti為第i日平均溫度。

輻照度波動量Vi反映太陽能電池板實(shí)際受輻射波動情況，計算公式為：

其中，n為輻照度數(shù)據(jù)采樣點(diǎn)數(shù)；Ik，i為第i日第k個數(shù)據(jù)點(diǎn)的地表水平面實(shí)際輻照度；為第i日第k個數(shù)據(jù)點(diǎn)的地外水平面最大輻照度；Δt為輻照度數(shù)據(jù)點(diǎn)時間間隔。

最大輻照比例Ki是太陽能電池板接受到的實(shí)際太陽輻照度Ii與同時間段地外水平面最大輻照度的比值，計算公式為：

b.初始化各數(shù)據(jù)點(diǎn)隸屬度矩陣U。

c.計算第a+1次迭代的聚類c的中心位置向量。

d.更新各數(shù)據(jù)點(diǎn)Xi的隸屬度：

其中，b=1，2，…，C。

e.判斷迭代結(jié)束條件。

其中，τ為判斷聚類終止條件的閾值。

采用文獻(xiàn)［3］的平滑控制策略對聚類后的光伏電站功率數(shù)據(jù)進(jìn)行平滑，即可得到相應(yīng)四大類的儲能系統(tǒng)功率數(shù)據(jù)。

2.3 基于序列分布概率的典型功率曲線挖掘算法

2.3.1 基于序列分布概率的典型功率曲線挖掘算法基本思想

從儲能系統(tǒng)分散的功率數(shù)據(jù)挖掘典型功率曲線的挖掘算法主要思想可概括為：

a.針對某一時刻k，從不同天儲能系統(tǒng)功率中，挖掘最能反映該時刻充放電特征的典型功率值Pk；

b.挖掘并整合所有時刻的典型功率值，得到儲能系統(tǒng)典型功率曲線 Ptypical=［P1，P2，…，Pn］。

上述挖掘思想中，一個關(guān)鍵問題是如何從凌亂的儲能數(shù)據(jù)中挖掘出k時刻能夠代表儲能系統(tǒng)充放電特征的典型功率值Pk。由于不同天同一k采樣時刻的儲能功率歷史數(shù)據(jù)非常分散，本文利用儲能系統(tǒng)功率在縱向時序的頻率分布特性，提出采用基于Bloch球面的量子遺傳算法，首先尋找大于設(shè)定閾值ε的最大分布概率區(qū)間，該區(qū)間具有聚集更多功率點(diǎn)的特征；然后再利用Bloch球面的量子遺傳算法尋找各分布區(qū)間相應(yīng)的特征功率值；最后結(jié)合特征功率值的概率信息得到k時刻典型功率值。

2.3.2 基于Bloch球面的量子遺傳算法的尋優(yōu)流程

如何優(yōu)化找到最大分布概率區(qū)間Lopt1及相對應(yīng)的特征功率值Ek1是算法的難點(diǎn)。遺傳算法能夠解決無梯度信息的優(yōu)化問題。但傳統(tǒng)遺傳算法一般采用二進(jìn)制編碼，使得基因狀態(tài)單一，容易發(fā)生陷入局部最優(yōu)問題［14］。Bloch球面的量子遺傳算法采用量子位編碼形式，帶來了種群多樣性，為獲得更好的優(yōu)化效果，本文采用基于Bloch球面的量子遺傳算法，針對目標(biāo)函數(shù)，尋找儲能系統(tǒng)功率值的最大分布概率區(qū)間Lopt1及相應(yīng)特征功率值Ek1。

設(shè)m天內(nèi)k時刻的儲能系統(tǒng)歷史數(shù)據(jù)構(gòu)成的縱向功率向量為 Pk1= ［p1k，p2k，…，pmk］T。從向量 Pk1中尋找功率值pgk分布最為集中的區(qū)間，作為最大分布概率區(qū)間 Lopt1=［xopt1，xopt1+d］，區(qū)間長度 d 可根據(jù)儲能系統(tǒng)最大功率值確定，本文選取區(qū)間長度d為儲能系統(tǒng)最大功率值的10%。采用基于Bloch球面的量子遺傳算法，尋找最大分布概率區(qū)間下限xopt1值。

定義優(yōu)化目標(biāo)函數(shù)J為：

在Bloch球面的量子遺傳算法中，區(qū)間下限x的編碼表示為：

其中，i=1，2，…，S，S 為種群規(guī)模。

尋優(yōu)過程中，x 的取值區(qū)間為［pmin，pmax］，pmax為向量Pk1最大值，pmin為向量Pk1最小值。使用量子旋轉(zhuǎn)門對2個角度參量φi、θi進(jìn)行更新，完成種群的選擇、交叉操作，使用變異算子完成種群的變異操作。同時引入災(zāi)變思想，增加量子非門操作，引導(dǎo)跳出局部最優(yōu)［15］。

xopt1的具體優(yōu)化流程可描述如下。

a.設(shè)定算法相關(guān)參數(shù)，種群規(guī)模為S，最大迭代次數(shù)為rmax。令迭代次數(shù)r=1，采用Bloch球面坐標(biāo)對x值進(jìn)行編碼，隨機(jī)產(chǎn)生角度參量φi和θi，得到初始化種群 Y（t）。

b.根據(jù)x的取值范圍，對種群中個體進(jìn)行反歸一化處理，得到各變量值。

c.根據(jù)式（9）評價每個個體適應(yīng)度，記錄個體最優(yōu)適應(yīng)度和對應(yīng)參數(shù) φi、θi。

d.令迭代次數(shù)r=r+1，采用量子旋轉(zhuǎn)門對角度參量 φi、θi進(jìn)行更新，完成種群的選擇、交叉操作，采用變異算子完成種群的變異操作，得到新一代種群Y（r）。

e.對新一代種群中個體進(jìn)行反歸一化處理，重新評價個體適應(yīng)度，更新個體最優(yōu)適應(yīng)度和對應(yīng)參數(shù) φi、θi。

f.當(dāng)最優(yōu)個體長期不變時，對種群進(jìn)行災(zāi)變處理，增加種群變異率。

g.若達(dá)到最大迭代次數(shù)，則搜索停止，輸出xopt1尋優(yōu)結(jié)果，否則轉(zhuǎn)步驟d。

提取Pk1中落在最大概率區(qū)間Lopt1內(nèi)的功率值，組成向量 Ik1= ［p′1k，p′2k，…，p′tk］T，設(shè)向量 Ik1的最大值為 p′max，最小值為 p′min，在區(qū)間［p′min，p′max］內(nèi)選取特征功率值Ek1，選取的原則為Ek1到向量Ik1中其他元素的歐氏距離最短。該區(qū)間的最優(yōu)特征功率值Ek1獲得同樣采用基于Bloch球面的量子遺傳算法尋優(yōu)。算法尋優(yōu)過程與區(qū)間下限xopt1的步驟相似，這里不再詳述。但是需注意的是，此時Ek1的取值區(qū)間為［p′min，p′max］，尋優(yōu)的目標(biāo)函數(shù) T 定義為：

2.3.3 典型功率曲線挖掘算法流程

基于序列分布概率的典型功率曲線挖掘算法具體步驟可描述如下。

a.讀取m天儲能系統(tǒng)功率數(shù)據(jù)，組成功率值矩陣 H，矩陣中元素 pgk（g=1，2，…，m）為第g天k時刻儲能系統(tǒng)功率。

b.提取m天內(nèi)k時刻儲能系統(tǒng)功率向量：Pk1=［p1k，p2k，…，pmk］T。

c.從向量Pk1中尋找功率值pgk分布最為集中的區(qū)間，作為最大分布概率區(qū)間 Lopt1=［xopt1，xopt1+d］。采用基于Bloch球面的量子遺傳算法確定最大分布概率區(qū)間下限xopt1值，詳細(xì)過程可參見2.3.2節(jié)。

提取Pk1中落在最大概率區(qū)間Lopt1內(nèi)的功率值，組成向量Ik1=［p′1k，p′2k，…，p′tk，］T，并計算分布概率Fk1。

圖4（a）給出該步驟示意圖。圖4（a）顯示了采用基于Bloch球面的量子遺傳算法對k時刻10個功率值進(jìn)行優(yōu)化分析后，得到功率值分布最為集中的區(qū)間，該分布區(qū)間內(nèi)共有4個功率值。

d.采用基于Bloch球面的量子遺傳算法計算特征功率值Ek1，詳見2.3.2節(jié)。

e.從向量Pk1中減去向量Ik1中的功率值，得到新的向量Pk2。參照步驟c，得到最大分布概率區(qū)間Lopt2和向量 Ik2，并計算分布概率 Fk2，如圖4（b）所示。

f.若Fk2小于閾值ε，則k=k+1，即進(jìn)入尋找下一時刻的典型功率值；若Fk2不小于閾值ε，則參照步驟d找出特征功率值Ek2。參照步驟c、d，找到所有h個特征功率值，直到Fki小于閾值ε。閾值ε的取值可根據(jù)功率值分布的離散程度確定，功率值分布較為分散時，可適當(dāng)減小ε的取值，反之可適當(dāng)增加ε的取值。

g.從 k 時刻的特征功率值向量［Ek1，Ek2，…，Ekh］中，應(yīng)用賭輪盤原理按概率原則選出某個元素Eki作為儲能系統(tǒng)在k時刻的典型功率值Pk，Pk取值為Eki的概率為：

h.依次計算各個時刻儲能系統(tǒng)典型功率值，得到儲能系統(tǒng)典型功率曲線 Ptypical=［P1，P2，…，Pn］。

圖4 儲能系統(tǒng)典型功率曲線挖掘示意圖Fig.4 Schematic diagram of typical power curve mining for energy storage system

圖5為挖掘部分具體流程圖。

3 仿真分析

3.1 4種天氣類型的典型功率曲線

圖5 挖掘部分具體流程圖Fig.5 Specific flowchart of mining part

本文利用儲能系統(tǒng)平滑光伏電站功率波動，挖掘該應(yīng)用背景下儲能系統(tǒng)運(yùn)行過程中的典型功率曲線。以某30 MW光伏電站實(shí)際輸出功率為分析處理對象，時間跨度為1 a，數(shù)據(jù)采樣間隔Δt=1 min。采用模糊C均值聚類方法對光伏電站功率數(shù)據(jù)進(jìn)行聚類，得到晴天、多云、陰天、雨雪天4種典型天氣類型下的光伏功率，根據(jù)平滑控制策略得到相應(yīng)的儲能系統(tǒng)功率數(shù)據(jù)，如圖6所示。

圖6 儲能系統(tǒng)功率數(shù)據(jù)（部分?jǐn)?shù)據(jù)）Fig.6 Power data of energy storage system（partial data）

圖6數(shù)據(jù)表明，4種天氣類型下儲能系統(tǒng)出力差異很大。根據(jù)本文提出的挖掘方法，得到4種天氣類型下儲能系統(tǒng)的典型功率曲線如圖7所示。從圖7可知，晴天時典型功率曲線顯示儲能系統(tǒng)出力最小，在［-0.2，0.2］MW區(qū)間內(nèi)，多云天氣下典型功率曲線在［-10，10］MW區(qū)間內(nèi)波動，陰天時典型功率曲線在［-5，5］MW區(qū)間內(nèi)，雨雪天的典型功率曲線在［-2.5，2.5］MW區(qū)間內(nèi)，且各種天氣類型下的典型功率曲線特征不同。

圖7 典型天氣類型下儲能系統(tǒng)典型功率曲線Fig.7 Typical power curves of energy storage system under typical weather patterns

3.2 典型功率曲線特征分析

3.2.1 充放電功率分布對比分析

為進(jìn)一步反映提取的典型功率曲線中蘊(yùn)含的充放電功率分布信息，統(tǒng)計4種天氣類型下儲能系統(tǒng)典型功率的概率分布，如圖8所示。由于光伏電站在夜間和太陽輻照度較低時段輸出功率為0，圖8統(tǒng)計的數(shù)據(jù)時段為06:00—19:00。

圖8 儲能系統(tǒng)典型功率分布直方圖及擬合曲線Fig.8 Histogram of typical power distribution and its fitting curve for energy storage system

圖8顯示，晴天時儲能系統(tǒng)典型功率的概率密度擬合曲線在0值處集中，表明儲能系統(tǒng)出力變化范圍小，典型功率曲線波動最為平緩。多云天氣下的概率密度擬合曲線覆蓋范圍最寬，擬合曲線向0值兩側(cè)拉伸，表明此種天氣類型對儲能系統(tǒng)出力的需要最大，功率波動劇烈。盡管儲能系統(tǒng)典型功率波動區(qū)間覆蓋了［-10，10］MW，但大數(shù)值功率所占頻率不高，典型功率主要集中在［-5，5］MW區(qū)間內(nèi)。陰天和雨雪天的典型功率曲線波動相對較為劇烈，陰天時典型功率概率密度曲線覆蓋范圍略寬于雨雪天，盡管陰天時典型功率波動范圍為［-5，5］MW，雨雪天的典型功率波動范圍為［-2.5，2.5］MW，但2種天氣類型下的典型功率都主要集中在［-1.5，1.5］MW區(qū)間內(nèi)。

3.2.2 典型工況參數(shù)對比

從充電電量、放電電量、最大充電功率、最大放電功率和最大功率變化率等工況參數(shù)出發(fā)，定量分析4種天氣下典型功率曲線的特征，如表1所示。

表1 典型功率曲線工況參數(shù)Table 1 Working parameters of typical power curves

由表1可知，在天氣類型由晴天、雨雪天、陰天到多云的變化過程中，各個工況參數(shù)的數(shù)值不斷增大，多云天氣下典型功率曲線具有最大的充放電電量、最大充放電功率和最大功率變化率，代表儲能系統(tǒng)運(yùn)行過程中的最大充放電功率和最大使用容量信息，可進(jìn)一步應(yīng)用于儲能系統(tǒng)的最優(yōu)功率配置和容量配置，這也正是儲能系統(tǒng)典型功率曲線挖掘的價值。

3.2.3 典型功率曲線相關(guān)性分析

以晴天時典型功率曲線為基準(zhǔn)，引入縱向偏差［16］評價指標(biāo)IR，分析晴天時典型功率曲線與不同天氣類型下典型功率曲線的差別。

其中，IR（l）為晴天時典型功率曲線與第l種天氣類型下典型功率曲線的縱向偏差；P為晴天時典型功率曲線；Pl為第l種天氣類型下典型功率曲線；Pmax為典型功率曲線的最大值。

表2給出了晴天時典型功率曲線與不同天氣類型下曲線的縱向偏差。由表2可知，晴天時典型功率曲線與多云天氣下曲線的縱向偏差最大，與雨雪天氣下的縱向偏差最小，但縱向偏差之間的差別較大。

表2 偏差評價指標(biāo)IRTable 2 Deviation evaluation index IR

表3進(jìn)一步給出了4種天氣類型下典型功率曲線之間的相關(guān)系數(shù)。

由表3可知，不同天氣類型下典型功率曲線之間的相關(guān)系數(shù)很小，曲線之間不存在相關(guān)性或相關(guān)性很低。表2和表3表明一條典型功率曲線難以表征不同天氣下儲能系統(tǒng)運(yùn)行曲線的整體特點(diǎn)，提取不同天氣類型下的典型功率曲線表征儲能系統(tǒng)運(yùn)行工況信息更具合理性。

表3 典型功率曲線的相關(guān)系數(shù)Table 3 Correlation coefficient of typical power curves

3.2.4 基于典型功率曲線的容量配置

利用提取的典型功率曲線，可以輔助解決儲能系統(tǒng)容量的最優(yōu)配置問題。由于不必再選用長時間跨度（例如1 a）的數(shù)據(jù)配置儲能容量，具有壓縮數(shù)據(jù)量、節(jié)省計算量的優(yōu)點(diǎn)。

采用文獻(xiàn)［17］容量配置計算公式：

其中，Cap為所配置的儲能系統(tǒng)容量；Pi為典型功率曲線在 i時刻的充放電功率；1— m1、m2—m3、…、mn-1—mn為儲能不間斷充電/放電的數(shù)據(jù)采樣時刻。

將典型功率曲線的數(shù)據(jù)代入式（17）—（19），計算得出所配置的儲能系統(tǒng)容量如表4所示。

表4 基于典型功率曲線的容量配置Table 4 Capacity allocation based on typical power curves

表4表明，不同天氣類型下配置的儲能系統(tǒng)容量相差較大，其數(shù)值為儲能系統(tǒng)的容量配置提供了參考。晴天時光伏電站輸出功率波動率較低，對儲能系統(tǒng)充放電要求不高，此時求出儲能系統(tǒng)容量配置為0.32 MW·h；多云天氣下光伏電站輸出功率波動率較高，對儲能系統(tǒng)出力要求高，此時求出儲能系統(tǒng)容量配置為3.26 MW·h；陰天和雨雪天氣下求出的儲能系統(tǒng)容量配置介于晴天和多云之間。考慮到適應(yīng)各種天氣的容量配置需求，可采用多云天氣下的3.26 MW·h作為光伏電站應(yīng)配置的儲能容量。

4 結(jié)論

本文提出了平滑光伏電站功率波動應(yīng)用背景下的儲能系統(tǒng)不同天氣類型下典型功率曲線的挖掘方法，主要內(nèi)容如下。

a.在分析不同天氣類型下儲能系統(tǒng)充放電功率特征不同的基礎(chǔ)上，本文采用模糊C均值聚類方法對光伏電站功率數(shù)據(jù)進(jìn)行聚類，獲得不同天氣類型下4類表征儲能系統(tǒng)運(yùn)行特征的充放電功率數(shù)據(jù)。

b.提出了一種基于縱向時序上概率分布特性的儲能系統(tǒng)典型功率曲線的挖掘方法，利用儲能系統(tǒng)功率分布概率信息挖掘典型功率曲線功率值。該方法基于Bloch球面的量子遺傳算法，尋優(yōu)得到儲能功率的最大分布概率區(qū)間和特征功率值，依照概率信息挖掘出典型功率曲線。

c.根據(jù)挖掘算法得到4種天氣類型下的儲能系統(tǒng)典型功率曲線的典型參數(shù)、分布情況、相關(guān)性分析和容量配置表明，提取不同天氣類型下的儲能系統(tǒng)典型功率曲線表征儲能系統(tǒng)運(yùn)行工況信息更具合理性，對進(jìn)一步應(yīng)用于儲能系統(tǒng)的最優(yōu)功率配置和容量配置具有一定參考價值。

參考文獻(xiàn)：

［1］丁明，王偉勝，王秀麗，等.大規(guī)模光伏發(fā)電對電力系統(tǒng)影響綜述［J］.中國電機(jī)工程學(xué)報，2014，34（1）：1-14.DING Ming，WANG Weisheng，WANG Xiuli，et al.A review on the effect of large-scale PV generation on power systems ［J］.Proceedings of the CSEE，2014，34（1）：1-14.

［2］LI X，YAO L，HUI D.Optimal control and management of a large-scale battery energy storage system to mitigate fluctuation and intermittence of renewable generations［J］.Journal of Modern Power Systems&Clean Energy，2016，4（4）：593-603.

［3］陳煒，艾欣，吳濤，等.光伏并網(wǎng)發(fā)電系統(tǒng)對電網(wǎng)的影響研究綜述［J］.電力自動化設(shè)備，2013，33（2）：26-32.CHEN Wei，AI Xin，WU Tao，et al.Influence of grid-connected photovoltaic system on power network［J］.Electric Power Automation Equipment，2013，33（2）：26-32.

［4］LI X，HUI D，LAI X.Battery Energy Storage Station（BESS）-based smoothing control of PhotoVoltaic（PV） and wind power generation fluctuations［J］.IEEE Transactions on Sustainable Energy，2013，4（2）：464-473.

［5］呂超賢，李欣然，戶龍輝，等.基于小波分頻與雙層模糊控制的多類型儲能系統(tǒng)平滑策略［J］.電力系統(tǒng)自動化，2015，39（2）：21-29.Lü Chaoxian，LI Xinran，HU Longhui，et al.A smoothing strategy for hybrid energy storage system based on wavelet frequency allocation and two-level fuzzy control［J］.Automation of Electric Power Systems，2015，39（2）：21-29.

［6］吳振威，蔣小平，馬會萌，等.用于混合儲能平抑光伏波動的小波包-模糊控制［J］.中國電機(jī)工程學(xué)報，2014，34（3）：317-324.WU Zhenwei，JIANG Xiaoping，MA Huimeng，etal.Wavelet packet-fuzzy control of hybrid energy storage systems for PV power smoothing［J］.Proceedings of the CSEE，2014，34（3）：317-324.

［7］LI Q，CHOI S S，YUAN Y，et al.On the determination of battery energy storage capacity and short-term power dispatch of a wind farm［J］.IEEE Transactions on Sustainable Energy，2011，2（2）：148-158.

［8］韓曉娟，籍天明，李蓓，等.確定應(yīng)用場景下的儲能系統(tǒng)典型運(yùn)行曲線挖掘［J］.中國電機(jī)工程學(xué)報，2016，36（4）：978-985.HAN Xiaojuan，JI Tianming，LI Bei，et al.Typical operation curve mining of energy storage system oriented to specific application scenario［J］.Proceedings of the CSEE，2016，36（4）：978-985.

［9］宋易陽，李存斌，祁之強(qiáng).基于云模型和模糊聚類的電力負(fù)荷模式提取方法［J］.電網(wǎng)技術(shù)，2014，38（12）：3378-3383.SONG Yiyang，LI Cunbin，QI Zhiqiang.Extraction of power load patterns based on cloud model and fuzzy clustering［J］.Power System Technology，2014，38（12）：3378-3383.

［10］張斌，莊池杰，胡軍，等.結(jié)合降維技術(shù)的電力負(fù)荷曲線集成聚類算法［J］.中國電機(jī)工程學(xué)報，2015，35（15）：3741-3749.ZHANG Bin，ZHUANG Chijie，HU Jun，et al.Ensemble clustering algorithm combined with dimension reduction techniques for power load profiles［J］.Proceedings of the CSEE，2015，35（15）：3741-3749.

［11］陳禹，唐巍，陳昕玥，等.基于負(fù)荷-光伏等效負(fù)荷曲線動態(tài)分段的配電線路聯(lián)絡(luò)開關(guān)優(yōu)化配置［J］.電力自動化設(shè)備，2015，35（3）：47-53.CHEN Yu，TANG Wei，CHEN Xinyue，etal.Tie switch allocation optimization based on dynamic segment of equivalent load-PV curve［J］.Electric Power Automation Equipment，2015，35（3）：47-53.

［12］石琴，鄭與波.因子分析在汽車行駛工況構(gòu)建過程中的應(yīng)用［J］.中國機(jī)械工程，2011，22（9）：1123-1127.SHIQin，ZHENG Yubo.Application offactoranalysisin driving cycle development［J］.China Mechanical Engineering，2011，22（9）：1123-1127.

［13］MOSADEGHY M，YAN R，SAHA T K.Impact of PV penetration level on the capacity value of South Australian wind farms［J］.Renewable Energy，2016，85：1135-1142.

［14］馬速良，馬會萌，蔣小平，等.基于Bloch球面的量子遺傳算法的混合儲能系統(tǒng)容量配置［J］.中國電機(jī)工程學(xué)報，2015，35（3）：592-599.MA Suliang，MA Huimeng，JIANG Xiaoping，etal.Capacity configuration of the hybrid energy storage system based on Bloch spherical quantum genetic algorithm［J］.Proceedings of the CSEE，2015，35（3）：592-599.

［15］李盼池.基于量子位Bloch坐標(biāo)的量子遺傳算法及其應(yīng)用［J］.控制理論與應(yīng)用，2008，25（6）：985-989.LI Panchi.Quantum genetic algorithm based on Bloch coordinates of qubits and its application［J］.Control Theory&Applications，2008，25（6）：985-989.

［16］徐曼，喬穎，魯宗相.短期風(fēng)電功率預(yù)測誤差綜合評價方法［J］.電力系統(tǒng)自動化，2011，35（12）：20-26.XU Man，QIAO Ying，LU Zongxiang.A comprehensiveerror evaluation method forshort-term wind powerprediction［J］.Automation of Electric Power Systems，2011，35（12）：20-26.

［17］修曉青，李建林，惠東.用于電網(wǎng)削峰填谷的儲能系統(tǒng)容量配置及經(jīng)濟(jì)性評估［J］.電力建設(shè)，2013，34（2）：1-5.XIU Xiaoqing，LI Jianlin，HUI Dong.Capacity configuration and economic evaluation of energy storage system for grid peak load shifting［J］.Electric Power Construction，2013，34（2）：1-5.