區(qū)域光伏發(fā)電出力特性分析研究

呂清泉，張珍珍，馬彥宏，張健美，高鵬飛，蔣婷婷，朱紅路

（1.國網(wǎng)甘肅省電力公司電力科學(xué)研究院，甘肅省 蘭州市 730070；2.國網(wǎng)甘肅省電力公司，甘肅省 蘭州市 730000；3.華北電力大學(xué)新能源學(xué)院，北京市 昌平區(qū) 102206）

0 引言

我國光伏發(fā)電發(fā)展迅猛，“十二五”期間光伏發(fā)電裝機(jī)規(guī)模增長168倍，并于2015年成為世界光伏裝機(jī)第一大國。2016—2020年保持高增速，2020年底累計(jì)裝機(jī)達(dá)到240 GW，光伏發(fā)電已經(jīng)超過風(fēng)電，在中國成為第三大電源。在“30·60”目標(biāo)指引下，光伏發(fā)電在我國能源供給結(jié)構(gòu)中將會(huì)占據(jù)更為重要的地位[1]。但是由于光伏出力具有明顯的周期性和隨機(jī)波動(dòng)性特征，當(dāng)光伏電站大規(guī)模接入電網(wǎng)時(shí)，對(duì)電網(wǎng)的調(diào)峰能力和調(diào)頻能力是一個(gè)極大的考驗(yàn)[2-6]。光伏發(fā)電的滲透率上升，超出火電機(jī)組的調(diào)節(jié)能力，“棄光”現(xiàn)象就會(huì)發(fā)生。以中國甘肅省為例，截至2019年底，全省新能源累計(jì)受限電量為23.9億kW·h，其中：風(fēng)電受限電量為18.8億kW·h，棄風(fēng)率為7.62%；光伏受限電量為5.1億kW·h，棄光率為4.11%。研究區(qū)域光伏的出力特性，有利于了解規(guī)?；夥⒕W(wǎng)對(duì)電力系統(tǒng)的影響，從發(fā)電端分析“棄光”現(xiàn)象的產(chǎn)生原因，提高輸出功率的可控性[7]，進(jìn)而實(shí)現(xiàn)規(guī)模化光伏發(fā)電的高效接入。

為提高光伏發(fā)電消納水平，國內(nèi)外對(duì)光伏出力特性的研究日益增多。文獻(xiàn)[8]采用指標(biāo)“季節(jié)屬性”來表征光伏出力的持續(xù)時(shí)間長度，以光伏全日最大出力和季節(jié)屬性為標(biāo)準(zhǔn)，將光伏典型出力曲線按標(biāo)準(zhǔn)分為9類。文獻(xiàn)[9]用相關(guān)性、互補(bǔ)性和隨機(jī)性指標(biāo)對(duì)新能源基地出力進(jìn)行評(píng)價(jià)，并建立了新能源基地的三維出力模型。文獻(xiàn)[10]考慮了新能源發(fā)電不同時(shí)間尺度的時(shí)序出力特性、出力變化特性等，建立了新能源發(fā)電出力自然特性指標(biāo)體系。文獻(xiàn)[11]對(duì)新能源場(chǎng)站總出力與負(fù)荷進(jìn)行Copula建模，計(jì)算出區(qū)間尾部相關(guān)系數(shù)和Spearman秩相關(guān)系數(shù)，評(píng)估新能源互補(bǔ)后總出力與負(fù)荷的正相關(guān)性。文獻(xiàn)[12]利用概率潮流法(probabilistic power flow，PPF)評(píng)估光伏發(fā)電的不確定性對(duì)傳輸系統(tǒng)性能的影響。文獻(xiàn)[13]提出了不同時(shí)間尺度下新能源出力特性的評(píng)估體系，并對(duì)青海省某風(fēng)電站的出力過程進(jìn)行了特性分析。

上述研究為區(qū)域光伏出力特性的研究提供了思路，但是現(xiàn)有區(qū)域光伏出力特性的研究缺乏光伏場(chǎng)站-區(qū)域?qū)蛹?jí)樣本數(shù)據(jù)，多停留在光伏場(chǎng)站出力概率模型建模及出力特性分析。為更好地揭示區(qū)域光伏發(fā)電出力特性，本文以甘肅省10個(gè)區(qū)域的17個(gè)光伏電站為例，分析了甘肅省光伏發(fā)電的出力特性以及在時(shí)間、空間上的分布特點(diǎn)，研究了光伏出力的波動(dòng)特性，并將不同區(qū)域間光伏出力進(jìn)行互補(bǔ)特性研究，為區(qū)域光伏消納問題的分析提供參考，為規(guī)?；夥l(fā)電發(fā)展規(guī)劃的制定提供借鑒。

1 區(qū)域太陽能資源特性和整體出力情況

1.1 甘肅省太陽能資源情況和光伏裝機(jī)

甘肅省具有豐富的太陽能資源，年太陽能總輻射量為4 800～6 400 MJ/m2，年資源理論儲(chǔ)量為670萬億kW·h。其中，酒泉、嘉峪關(guān)、武威、張掖、金昌等區(qū)為光伏一類資源區(qū)，其他地方為二類資源區(qū)。本文所用的光伏電站數(shù)據(jù)是甘肅省10個(gè)區(qū)域17個(gè)獨(dú)立電站(對(duì)應(yīng)編號(hào)為1—17)2019年全年輸出功率數(shù)據(jù)，數(shù)據(jù)時(shí)間分辨率為1 h。

1.2 整體出力情況分析

圖1為電站分別在2019年3月15日、6月15日、9月15日和12月15日這4天的出力曲線。由圖1可知，光伏出力具有明顯的周期性，呈先上升后下降的趨勢(shì)；同時(shí)存在隨機(jī)性，體現(xiàn)為每個(gè)周期內(nèi)的波動(dòng)最大出力值是不確定的。

圖1 17個(gè)光伏電站不同時(shí)刻出力曲線Fig.1 Output curves of 17 photovoltaic power stations at different time

由于光伏出力具有一定的波動(dòng)特性和不確定性，在不同的時(shí)間尺度下，單一的出力值不具有代表性。求取新能源出力數(shù)據(jù)的最大值和平均值，有助于從全局角度評(píng)估光伏電站的出力水平和區(qū)域的光伏出力情形。P1,P2,P3,…,P n是統(tǒng)計(jì)周期內(nèi)光伏電站的一組出力，則最大值Pmax和期望Paverage分別表示為：

對(duì)離散的出力值進(jìn)行歸一化，將0～1劃分為若干個(gè)等間距區(qū)間，統(tǒng)計(jì)出力值落在每一區(qū)間的次數(shù)，落在0.5～1區(qū)間內(nèi)的概率稱為半載以上概率。求取光伏的半載出力概率p，在一定程度上反映了各風(fēng)電場(chǎng)或者光伏基地的出力水平。設(shè)定N0.5～1是比值在0.5～1區(qū)間內(nèi)的次數(shù)，N是統(tǒng)計(jì)的總頻次，則

甘肅省各區(qū)域光伏電站出力的最大值、期望值和半載以上概率如表1所示。酒泉位于甘肅省西北角，占地面積較大，光伏電站數(shù)量最多且分布分散，各電站出力最大值差異較大，變化范圍為0.63～0.85 pu；半載以上概率水平差異較大，變化范圍為0.12～0.30；出力期望除電站4都在0.2 pu以上。張掖處于甘肅省中部狹長地帶，占地面積較小，光伏電站數(shù)量較多，這些電站出力情況較為相似，出力期望均大于0.2 pu，半載以上概率均超過0.18。金昌緊鄰張掖，2個(gè)電站出力情形相似，出力期望均為0.2 pu，半載以上概率均為0.19。武威位于甘肅省中部，該區(qū)域中電站13的最大出力、出力期望和半載以上概率在所有電站中最大。白銀電站最大出力為0.90 pu，出力期望為0.30 pu，出力情形較為良好。蘭州和定西的光伏電站半載以上概率都不大于0.15。

表1 光伏電站出力分析Tab.1 Output analysis of photovoltaic power stations

最大出力表征光伏電站一天之內(nèi)各時(shí)段達(dá)到的最大出力，半載出力以上概率體現(xiàn)了光伏電站的有效發(fā)電時(shí)長。總體來看，光伏電站最大出力的地域性不明顯，酒泉、張掖、金昌、武威和白銀等地半載以上概率更高，即這些區(qū)域光伏電站的停機(jī)和低發(fā)情形更少。

2 典型季節(jié)下的出力特性

2.1 日均出力曲線

以容量為50 MW的電站14為例，對(duì)當(dāng)月每天同一時(shí)刻出力取平均值，得到每月日均出力曲線如圖2所示。光伏日間出力在14:00附近達(dá)到最大，能達(dá)到電站總?cè)萘康?0%。整體來看，光伏電站在7—9月的平均出力水平較高，在1、4、5、6、10、11月的平均出力水平較低。按照季節(jié)劃分，冬季出力水平較低，夏季出力水平較高。

圖2 光伏月度日均出力曲線Fig.2 PV monthly average daily output curves

2.2 典型日出力曲線

圖3為電站14的典型日出力曲線。由于每天日間輻照量、溫度和濕度具有不確定性，單個(gè)最大出力值不具有代表性，但各個(gè)季節(jié)出力時(shí)間是基本確定的。由圖3可知，光伏電站在夏季日出力時(shí)間最長，從06:00到22:00，共計(jì)16 h；在冬季日出力時(shí)間最短，從09:00到19:00，共計(jì)10 h；春、秋季出力時(shí)間介于兩者之間。夏季日間出力波動(dòng)較大，秋季出力變化平緩。

圖3 典型日出力曲線Fig.3 Typical daily output curves

2.3 典型天氣日出力曲線

圖4為電站14在不同天氣條件下的出力曲線，時(shí)間分別是12月14日、12月15日、12月16日和12月17日。由于相隔天數(shù)很近，電站的日間出力時(shí)間相同，從09:00—19:00，在14:00附近達(dá)到峰值；晴天的出力峰值最大，達(dá)到裝機(jī)容量的80%以上，累積出力最大，出力變化率最平緩；多云天氣的出力峰值較大，但出力下降速度較快，波動(dòng)較大，累積出力較低；陰天與晴天相比區(qū)別不大，但出力峰值略有降低；小雪天氣的出力水平很低，出力峰值只能達(dá)到裝機(jī)容量的60%。

圖4 典型天氣日出力曲線Fig.4 Daily output curves of typical weather

3 波動(dòng)特性分析

3.1 光伏出力波動(dòng)的統(tǒng)計(jì)特性

光伏出力與輻照量呈正相關(guān)，日間出力是一條先上升后降低的曲線，在整體趨勢(shì)上體現(xiàn)為周期性。由于輻照量的變化存在的一定的隨機(jī)性，光伏出力的波動(dòng)也存在一定的隨機(jī)性。光伏電站在夜間出力恒定為零，波動(dòng)也為零，因此剔除夜間出力，只對(duì)白天時(shí)段的波動(dòng)進(jìn)行分布統(tǒng)計(jì)。

在統(tǒng)計(jì)周期T內(nèi)，出力的變化視為一次波動(dòng)ΔP，表示為

圖5為電站14截取某一段出力的波動(dòng)序列。波動(dòng)的分布特性用概率密度函數(shù)來體現(xiàn)。在統(tǒng)計(jì)學(xué)中，常見的概率分布函數(shù)有正態(tài)分布、Logistic分布和T-location分布。

圖5 波動(dòng)時(shí)序曲線Fig.5 Fluctuation series curve

以電站14為例，在2019年1月1日至2019年12月30日分辨率為1 h的出力數(shù)據(jù)中，隨機(jī)取1 000個(gè)連續(xù)出力值，相鄰出力值之差視為一次波動(dòng)，得到電站的一段波動(dòng)序列。

基于最大似然估計(jì)方法，分別用正態(tài)分布函數(shù)、Logistic分布函數(shù)、T-location分布函數(shù)對(duì)波動(dòng)的分布進(jìn)行擬合[14]，如圖6中曲線所示，實(shí)際概率分布如圖6中直方圖所示。

圖6 電站12三種分布函數(shù)的擬合效果對(duì)比Fig.6 Comparison of fitting effects of three distribution functions of power station 12

3.2 擬合效果評(píng)估指標(biāo)

用評(píng)價(jià)函數(shù)可以對(duì)分布函數(shù)的擬合效果進(jìn)行評(píng)估。和方差(sum of squares error，SSE)是擬合值相對(duì)于原值的誤差平方和，該值越趨向于0，代表擬合效果越好。設(shè)yi是第i個(gè)出力值，y?是y的擬合值，則和方差為

為了分析不同光伏電站日間出力波動(dòng)的分布特性，選取17個(gè)光伏電站全年分辨率為1 h的實(shí)際出力數(shù)據(jù)來進(jìn)行分析，得到光伏電站日間波動(dòng)在不同擬合分布下的和方差，結(jié)果如表2所示。通過分析可知，對(duì)于不同地理位置、不同裝機(jī)容量的光伏電站，出力序列的波動(dòng)在正態(tài)分布或T-location分布下都有很好的擬合效果。

表2 不同擬合方式的方差Tab.2 Variance of different fitting methods

4 光伏出力的集群特性

4.1 光伏出力相關(guān)性

相關(guān)系數(shù)?是一個(gè)統(tǒng)計(jì)學(xué)指標(biāo)，用于描述2個(gè)變量之間的變化趨勢(shì)及相關(guān)程度[15]。光伏出力是離散的隨機(jī)變量，假設(shè)在t時(shí)刻2個(gè)光伏電站出力分別為Psolar1和Psolar2，在統(tǒng)計(jì)周期內(nèi)其期望值分別為Ep-solar1和Ep-solar2，則

以電站9、12為例，計(jì)算2個(gè)電站每月的日間出力相關(guān)性系數(shù)，結(jié)果如圖7所示?？梢?，相關(guān)系數(shù)都處于0.5～1.0，說明2個(gè)出力變量具有很強(qiáng)的相關(guān)性。相關(guān)性在全年的變化比較顯著，6—11月相關(guān)性較小，1—5月和12月相關(guān)性較大。

圖7 光伏電站出力相關(guān)系數(shù)Fig.7 Output correlation coefficients of photovoltaic power station

4.2 區(qū)域光伏出力相關(guān)性

以每一區(qū)域多個(gè)光伏電站的出力之和作為區(qū)域總出力，計(jì)算不同區(qū)域光伏出力的相關(guān)性，結(jié)果如表3所示。由表3可知，區(qū)域出力相關(guān)性多在0.8～0.9的范圍內(nèi)，線性關(guān)系較強(qiáng)。由于輻照度在一天中的變化比較相似，因此不同區(qū)域之間出力情況也比較類似。

表3 不同區(qū)域間光伏總出力相關(guān)系數(shù)Tab.3 Correlation coefficients of total photovoltaic output among different regions

4.3 光伏同時(shí)率分析

同時(shí)率s又稱為集群效應(yīng)系數(shù)，是指統(tǒng)計(jì)時(shí)段內(nèi)最大可能出力與相應(yīng)的總裝機(jī)容量之比[16]，可表示為

式中：P∑為光伏電站集群統(tǒng)計(jì)時(shí)段內(nèi)的最大出力之和；Ci為第i個(gè)光伏電站的額定容量。

出力同時(shí)率反映了光伏電站集群的最大可能出力，體現(xiàn)了光伏電站集群的綜合利用效率?，F(xiàn)以甘肅省4個(gè)區(qū)域(張掖、武威、金昌和酒泉)的光伏電站總出力數(shù)據(jù)為例，計(jì)算同時(shí)率的概率分布如圖8所示，可以看出，各區(qū)域光伏出力同時(shí)率主要分布在[0.7,0.9]區(qū)間。張掖、金昌地區(qū)同時(shí)率相對(duì)于其他地區(qū)較大，武威地區(qū)相對(duì)較小。將4個(gè)區(qū)域的總出力作為集群計(jì)算其同時(shí)率分布，結(jié)果表明：光伏電站集群較不同區(qū)域間的同時(shí)率分布差異降低，在提升光伏利用率的同時(shí)減小了線路的負(fù)載壓力。

圖8 區(qū)域光伏總出力同時(shí)率概率分布曲線Fig.8 Probability distribution curves of simultaneous rate of regional photovoltaic total output

同時(shí)率越高，限制光伏電站發(fā)電的情況將會(huì)越多，當(dāng)限制發(fā)電頻繁發(fā)生時(shí)，不僅是對(duì)能源的浪費(fèi)，對(duì)于調(diào)度運(yùn)行也是一種挑戰(zhàn)。調(diào)度根據(jù)光伏集群出力的同時(shí)率、網(wǎng)絡(luò)阻塞和地區(qū)負(fù)荷差異來確定棄光容量[17]，對(duì)于提高光伏發(fā)電接入水平具有積極意義。

5 結(jié)論

以甘肅省17個(gè)光伏電站的全年實(shí)測(cè)出力數(shù)據(jù)為分析對(duì)象，從區(qū)域光伏發(fā)電的日出力特性、季節(jié)特性、波動(dòng)性和同時(shí)率等方面對(duì)其出力特性展開研究，得到以下結(jié)論：

1）甘肅省光伏出力具有區(qū)域差異，酒泉、張掖、金昌和武威等光伏資源一類地區(qū)出力大于0.5 pu的天數(shù)更多；酒泉、武威地區(qū)電站出力情形差異較大；張掖、金昌地區(qū)電站出力情形比較相似；白銀雖屬于光伏資源二類地區(qū)，但電站最大出力和出力期望都屬于較高水平；蘭州和定西地區(qū)整體出力水平較低。

2）光伏電站的出力波動(dòng)具有一定的隨機(jī)性，概率分布更接近于正態(tài)分布或T-location分布。

3）不同區(qū)域之間的光伏電站出力具有很強(qiáng)的相關(guān)性，在對(duì)光伏功率進(jìn)行預(yù)測(cè)時(shí)，需要考慮到不同電站的線性關(guān)系，以提高預(yù)測(cè)的準(zhǔn)確程度；在進(jìn)行電力調(diào)度時(shí)，需要考慮區(qū)域負(fù)荷差異和網(wǎng)絡(luò)阻塞情形，合理制定調(diào)度計(jì)劃，以免產(chǎn)生“棄光”現(xiàn)象。

4）受氣象因素影響，光伏日間出力波動(dòng)可能較大。將張掖、武威、金昌和酒泉地區(qū)的光伏出力作為集群，其同時(shí)率較組合前差異降低，光伏出力波動(dòng)情況得以改善，對(duì)于光伏發(fā)電安全經(jīng)濟(jì)并網(wǎng)有一定參考意義。