計(jì)及輻照區(qū)間劃分的含光伏電源配電網(wǎng)源-荷聯(lián)合場(chǎng)景生成

黃南天,郭 玉,趙暄遠(yuǎn)

(現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室(東北電力大學(xué)),吉林 吉林 132012)

0 引 言

在“碳達(dá)峰、碳中和”的政策背景下,以新能源發(fā)電為主的新型電力系統(tǒng)不斷建設(shè)發(fā)展,光伏發(fā)電等新能源將逐步占據(jù)裝機(jī)主體、電量主體、出力主體和責(zé)任主體的地位[1]。中國(guó)國(guó)家能源局綜合司于2021年6月下發(fā)了《關(guān)于報(bào)送整縣(市、區(qū))屋頂分布式光伏開發(fā)試點(diǎn)方案的通知》,中國(guó)共有676個(gè)整縣(市、區(qū))屋頂分布式光伏開發(fā)試點(diǎn)[2]。光伏電源具有低碳、經(jīng)濟(jì)等優(yōu)點(diǎn),因與氣象等環(huán)境因素具有強(qiáng)相關(guān)性,光伏電源出力表現(xiàn)出波動(dòng)性和不確定性[3-4]。大規(guī)模的分布式光伏的接入和消納受電網(wǎng)結(jié)構(gòu)和負(fù)荷分布特性等因素影響,源-荷特性更加復(fù)雜難以刻畫,這對(duì)電網(wǎng)的供電可靠性以及電能質(zhì)量等帶來重大挑戰(zhàn)。如何描述不同氣象場(chǎng)景下的含光伏電源新型配電網(wǎng)源-荷運(yùn)行場(chǎng)景,對(duì)于配電網(wǎng)提升運(yùn)行指標(biāo)具有重要意義。

高比例光伏電源的間歇性與不確定性、配網(wǎng)內(nèi)氣象敏感負(fù)荷[5]以及源-荷間的關(guān)聯(lián)性等復(fù)雜因素,表現(xiàn)為配電網(wǎng)系統(tǒng)運(yùn)行中的海量不確定性源-荷場(chǎng)景。場(chǎng)景分析法是常用的描述不確定性分析方法,該算法基于模擬大量真實(shí)光伏出力場(chǎng)景獲取精度較高的多個(gè)近似最優(yōu)解,能夠很好地兼顧光伏與負(fù)荷的不確定性[6-7]。針對(duì)場(chǎng)景分析方法已有諸多學(xué)者進(jìn)行不同角度的研究,如從風(fēng)、光等不確定出力電源的時(shí)序周期角度出發(fā)進(jìn)行降維場(chǎng)景分析[8],或以典型日數(shù)據(jù)為基礎(chǔ)考慮多角度的電源出力場(chǎng)景等[9]。而伴隨技術(shù)的不斷進(jìn)步,深度學(xué)習(xí)工具的進(jìn)一步開發(fā),采用自主學(xué)習(xí)模擬原始場(chǎng)景概率分布的場(chǎng)景生成方法得以應(yīng)用[10];基于原始的深度學(xué)習(xí)工具,針對(duì)其缺點(diǎn)如條件變分自編碼器的噪聲問題,或場(chǎng)景劃分問題等[11-12],有學(xué)者進(jìn)行了進(jìn)一步的細(xì)化研究,如引入改進(jìn)變分下界,考慮影響場(chǎng)景生成數(shù)據(jù)的其他多元因素等,以提高場(chǎng)景生成方法的精度;變分自編碼器與生成性對(duì)抗神經(jīng)網(wǎng)絡(luò)在生成與原始數(shù)據(jù)相似概率分布場(chǎng)景的應(yīng)用方面已經(jīng)十分廣泛[13-17]。上述研究從不同角度精進(jìn)了場(chǎng)景分析法描述不確定性場(chǎng)景,而對(duì)于含較高比例光伏接入的新型配電網(wǎng)中多節(jié)點(diǎn)負(fù)荷以及光伏電源來說,更應(yīng)關(guān)注多節(jié)點(diǎn)之間的耦合關(guān)系與源-荷相關(guān)性,以及氣象條件對(duì)于光伏電源出力的影響。

采用基于輻照區(qū)間劃分的多相關(guān)性氣象-輻照-負(fù)荷多節(jié)點(diǎn)聯(lián)合場(chǎng)景生成方法,以刻畫含光伏電源配電網(wǎng)的源-荷不確定性運(yùn)行場(chǎng)景。首先進(jìn)行了強(qiáng)相關(guān)性氣象特征選取并基于輻照度劃分進(jìn)行氣象場(chǎng)景聚類分析,將歷史數(shù)據(jù)分為了多個(gè)典型氣象-輻照-負(fù)荷場(chǎng)景集;在此基礎(chǔ)上,提出一種多節(jié)點(diǎn)聯(lián)合場(chǎng)景生成方法,生成各氣象場(chǎng)景下新的輻照-負(fù)荷場(chǎng)景集,最后通過考核指標(biāo)驗(yàn)證這種場(chǎng)景生成方法對(duì)于生成含光伏電源配電網(wǎng)運(yùn)行場(chǎng)景的有效性。

1 基于輻照度劃分的氣象場(chǎng)景聚類

1.1 氣象特征選取與輻照區(qū)間劃分

已有研究表明,相對(duì)濕度、溫度和降水量等常見多元?dú)庀笠蛩嘏c輻照、負(fù)荷具有關(guān)聯(lián)性,且不同氣象因素與輻照、負(fù)荷的相關(guān)性強(qiáng)弱具有差異[12]。相關(guān)性分析歷史負(fù)荷數(shù)據(jù)來自中國(guó)北方某區(qū)域13節(jié)點(diǎn)配電網(wǎng)2021年負(fù)荷數(shù)據(jù),對(duì)應(yīng)日期的歷史氣象數(shù)據(jù)以及輻照數(shù)據(jù)來自美國(guó)可再生能源實(shí)驗(yàn)室數(shù)據(jù)庫(kù),采樣點(diǎn)間隔一小時(shí)。選取溫度、相對(duì)濕度、風(fēng)速、降水量、氣壓五種典型氣象因素分別與輻照、負(fù)荷進(jìn)行皮爾遜系數(shù)相關(guān)性分析,其結(jié)果如圖1所示,可見溫度與輻照、負(fù)荷正相關(guān)性最強(qiáng),相關(guān)性系數(shù)集中在0.8。相對(duì)濕度與輻照、負(fù)荷負(fù)相關(guān)性最強(qiáng)。風(fēng)速與輻照相關(guān)性集中在0.7左右,風(fēng)速與負(fù)荷相關(guān)性在0.4左右,降水量與氣壓相關(guān)性較弱。因此,可使用溫度、相對(duì)濕度、風(fēng)速等氣象因素構(gòu)建耦合氣象特征的源-荷場(chǎng)景集。

圖1 氣象-輻照-負(fù)荷相關(guān)性分析Fig.1 Meteorology-irradiation-load correlation analysis

輻照是光伏電源出力的基礎(chǔ),光伏電源出力與太陽輻照的關(guān)系如公式(1)所示,可見輻照度的高低直接影響光伏出力。輻照與光伏出力的強(qiáng)相關(guān)性意味著不同的輻照等級(jí)對(duì)應(yīng)著不同的光伏出力范圍,對(duì)輻照區(qū)間進(jìn)行劃分有利于區(qū)分光伏電源出力范圍,基于輻照區(qū)間劃分進(jìn)行多元?dú)庀笠蛩鼐垲惙治?有利于提高各氣象場(chǎng)景間的氣象-輻照-負(fù)荷波動(dòng)范圍差異性。

(1)

公式中:PV為光伏電源功率;G為輻照度(W/m2);Pn為光伏發(fā)電的額定功率取7.3 MW;T為光伏表面溫度,取環(huán)境溫度值;α為功率溫度系數(shù),通常每攝氏度取-0.002～-0.005(1/℃);Gn為額定輻照度取1 kW/m2;Tn為額定功率下的光伏板表面溫度25 ℃。

將全年每個(gè)歷史日的平均輻照度按照降序排列并進(jìn)行隨機(jī)人為輻照等級(jí)劃分,全年輻照等級(jí)被劃分為4種輻照區(qū)間。區(qū)間1對(duì)應(yīng)輻照等級(jí)為小于等于80 W/m2,區(qū)間2對(duì)應(yīng)輻照等級(jí)為大于80小于等于150 W/m2,區(qū)間3對(duì)應(yīng)輻照等級(jí)為大于150小于等于250 W/m2,區(qū)間4對(duì)應(yīng)輻照等級(jí)為大于250 W/m2。

經(jīng)輻照等級(jí)劃分后,各輻照區(qū)間對(duì)應(yīng)日期內(nèi)的溫度、相對(duì)濕度、風(fēng)速的波動(dòng)范圍如圖2所示。由圖2可知,不同的輻照等級(jí)對(duì)應(yīng)的相關(guān)性氣象因素的波動(dòng)范圍具有明顯區(qū)別。不同的輻照區(qū)間中的歷史光伏電源出力情況,途中陰影包圍部分表示光伏電源出力范圍,實(shí)線表示各時(shí)刻出力區(qū)間中位數(shù),如圖3所示。由圖3可知,不同區(qū)間下的光伏出力大小具有明顯區(qū)別,輻照度高的區(qū)間光伏出力更大。從圖2與圖3的分析中可知,輻照等級(jí)劃分能夠同時(shí)提高高比例分布式光伏配電網(wǎng)運(yùn)行場(chǎng)景中的光伏電源出力差異性與多元?dú)庀笠蛩夭町愋浴?/p>

圖2 基于輻照區(qū)間劃分的相關(guān)性氣象因素分布Fig.2 Distribution of correlated meteorological factors based on irradiation interval classification

圖3 不同輻照區(qū)間的光伏出力范圍比較Fig.3 Comparison of the PV output range between differentirradiation zones

1.2 歷史氣象場(chǎng)景聚類分析

(2)

公式中:wt為某類氣象特征t時(shí)刻的值;wmin表示該類氣象特征歷史數(shù)據(jù)集中最小值;wmax表示該類氣象特征歷史數(shù)據(jù)集中最大值。

聚類過程中獲得K種典型氣象類型,記為1,2,…,k,…,K,第k種典型天氣場(chǎng)景中包含的原始場(chǎng)景數(shù)為Nk,第k種典型場(chǎng)景出現(xiàn)的概率為ak=Nk/N。在典型輻照區(qū)間的耦合氣象特征聚類分析基礎(chǔ)上,進(jìn)行典型氣象場(chǎng)景下配電網(wǎng)多節(jié)點(diǎn)氣象-輻照-負(fù)荷聯(lián)合場(chǎng)景生成,進(jìn)而得到配電網(wǎng)典型運(yùn)行場(chǎng)景集。

由于K-Means聚類算法需要自行設(shè)置聚類數(shù),因此需要對(duì)K值下的聚類效果進(jìn)行評(píng)估,評(píng)估聚類效果采用了兩項(xiàng)在聚類分析中常用評(píng)估指標(biāo)輪廓系數(shù)(Silhouette Coefficient,SC),以及戴維森堡丁指數(shù)(Davies-Bouldin Index,DBI)。輪廓系數(shù)的取值范圍是[-1,+1],系數(shù)越接近1,聚類質(zhì)量越好;戴維森堡丁指數(shù)為任意兩類別的類內(nèi)樣本到類中心平均距離之和除以兩類中心點(diǎn)之間的距離,并取最大值,指數(shù)越小意味著類內(nèi)距離越小,同時(shí)類間距離越大。根據(jù)歷史經(jīng)驗(yàn),聚類數(shù)K∈[2,10],K∈Z,由于篇幅限制只在表1中展示了K取值為2～4時(shí)的評(píng)估指標(biāo),各典型區(qū)間聚類數(shù)為5～10的SC評(píng)估指標(biāo)計(jì)算結(jié)果均為依次降低,DBI均為依次升高。因此,由表1可知各典型區(qū)間的最優(yōu)聚類數(shù)均為2。根據(jù)上述歷史氣象場(chǎng)景聚類劃分結(jié)果,共劃分出七類基于輻照區(qū)間的典型氣象場(chǎng)景,如圖4所示。

表1 聚類效果評(píng)估指標(biāo)Tab.1 Indicators for assessing the effect of clustering

圖4 基于輻照區(qū)間劃分的氣象場(chǎng)景聚類結(jié)果Fig.4 Clustering results of meteorological scenes based on irradiation interval classification

(3)

(4)

公式中:a代表樣本i到同一簇內(nèi)其他點(diǎn)不相似程度的平均值;b代表樣本i到其他簇的平均不相似程度最小值;Si為類內(nèi)數(shù)據(jù)到簇質(zhì)心的平均距離;Mij為簇i與簇j的距離;K為聚類數(shù)。

2 WGAN-GP源-荷多節(jié)點(diǎn)聯(lián)合場(chǎng)景生成

2.1 多節(jié)點(diǎn)聯(lián)合場(chǎng)景生成模型

梯度懲罰Wasserstein距離生成對(duì)抗網(wǎng)絡(luò)(Wassertein Generative Adversarial Networks with Gradient Penalty,WGAN-GP)通過引入Wasserstin距離和梯度懲罰解決了生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN)模型訓(xùn)練過度依賴超參數(shù)調(diào)節(jié)和梯度爆炸等問題,其收斂速度更快、訓(xùn)練過程更穩(wěn)定、生成的樣本質(zhì)量更高[19-20]。WGAN-GP生成器損失函數(shù)如公式(5)所示;判別器損失函數(shù)

V(G)=1-D(G(z))

(5)

(6)

2.2 耦合多氣象特征的源-荷多節(jié)點(diǎn)聯(lián)合場(chǎng)景生成

X=[X1,X2,…,Xk,…,XN]Τ

(7)

Xk=[xk,1,xk,2,…,xk,j,…,xk,13,Ik,GHI,Ik,DHI]Τ

(8)

(9)

(10)

(11)

各WGAN-GP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)batch size設(shè)置為128,訓(xùn)練模型1 000次,采用Adam優(yōu)化算法更新神經(jīng)網(wǎng)絡(luò)權(quán)重,學(xué)習(xí)率設(shè)置為0.000 5,訓(xùn)練比例維持在5∶1。經(jīng)過多次迭代,判別器的最終結(jié)果收斂,使得生成器生成的海量輻照-負(fù)荷樣本可以包含各氣象場(chǎng)景下的源-荷不確定性場(chǎng)景,之后需要對(duì)生成場(chǎng)景質(zhì)量進(jìn)行評(píng)估。

3 多節(jié)點(diǎn)聯(lián)合生成場(chǎng)景質(zhì)量評(píng)估

通過對(duì)各歷史場(chǎng)景集的訓(xùn)練,分別對(duì)應(yīng)生成了1 000天的耦合氣象特征輻照-多節(jié)點(diǎn)負(fù)荷聯(lián)合場(chǎng)景集。將多節(jié)點(diǎn)聯(lián)合生成場(chǎng)景集與對(duì)應(yīng)的歷史場(chǎng)景集進(jìn)行比較以評(píng)估生成場(chǎng)景質(zhì)量,比較指標(biāo)分別為:與歷史場(chǎng)景相比較應(yīng)具有相似的概率分布特性以及波動(dòng)性;與真實(shí)場(chǎng)景數(shù)據(jù)集相符的源-荷場(chǎng)景相關(guān)性;能夠體現(xiàn)源-荷時(shí)序分布特性,并具有一定的未知場(chǎng)景覆蓋能力。

3.1 概率分布相似性

生成源-荷場(chǎng)景集的概率分布特性與歷史場(chǎng)景集的概率分布特性應(yīng)具有較高的相似性。通過概率密度函數(shù)(Probability Density Function,PDF)與經(jīng)驗(yàn)累積分布函數(shù)(Empirical Cumulative Distribution Function,ECDF)比較兩者的概率分布相似性。由于幅面限制只展示了部分典型場(chǎng)景的PDF分布。采用WGAN-GP單節(jié)點(diǎn)生成源-荷場(chǎng)景集作為多節(jié)點(diǎn)聯(lián)合場(chǎng)景生成方法的對(duì)比試驗(yàn),各單節(jié)點(diǎn)生成場(chǎng)景訓(xùn)練損失值均控制在300以內(nèi)。圖5表示兩種場(chǎng)景生成方法與歷史真實(shí)數(shù)據(jù)PDF對(duì)比,為便于展示,PDF采用高斯核密度平滑內(nèi)核?？梢钥闯龌赪GAN-GP的多節(jié)點(diǎn)聯(lián)合生成場(chǎng)景集的PDF曲線與歷史數(shù)據(jù)擬合度高,且相比與單節(jié)點(diǎn)場(chǎng)景生成方法,數(shù)據(jù)概率分布相似性更高。

圖5 數(shù)據(jù)概率分布特性比較Fig.5 Comparison of data probability distribution characteristics

3.2 波動(dòng)性

生成場(chǎng)景應(yīng)具有與歷史實(shí)際場(chǎng)景相符的波動(dòng)性。通過計(jì)算各場(chǎng)景中總負(fù)荷與輻照的標(biāo)準(zhǔn)差σ評(píng)估各場(chǎng)景中負(fù)荷、輻照數(shù)據(jù)波動(dòng)性,標(biāo)準(zhǔn)差σ計(jì)算如公式(12)所示,式中X為輻照或負(fù)荷的標(biāo)幺值,N為標(biāo)幺值個(gè)數(shù)。

(12)

計(jì)算結(jié)果表2所示,生成場(chǎng)景與歷史場(chǎng)景的標(biāo)準(zhǔn)差相似,由WGAN-GP生成的多節(jié)點(diǎn)聯(lián)合場(chǎng)景能夠有效體現(xiàn)與歷史場(chǎng)景相統(tǒng)一的波動(dòng)性。

表2 生成場(chǎng)景與歷史場(chǎng)景波動(dòng)性比較Tab.2 Comparison of volatility of generated scenes and historical scenes

3.3 輻照-總負(fù)荷相關(guān)性對(duì)比

將各歷史場(chǎng)景和對(duì)應(yīng)生成場(chǎng)景的總負(fù)荷與輻照度,通過散點(diǎn)圖和概率分布圖以及輻照-負(fù)荷Pearson相關(guān)性系數(shù),對(duì)比二者源-荷相關(guān)性的相近程度,如圖6所示。生成數(shù)據(jù)集的輻照-負(fù)荷散點(diǎn)分布與散點(diǎn)密集處與歷史數(shù)據(jù)集相符;由散點(diǎn)圖上方為對(duì)應(yīng)的概率分布曲線,多節(jié)點(diǎn)聯(lián)合生成場(chǎng)景保留了歷史真實(shí)場(chǎng)景的源-荷數(shù)據(jù)概率分布特性;生成場(chǎng)景的源-荷相關(guān)系數(shù)相近且略高于歷史場(chǎng)景,生成場(chǎng)景源-荷相關(guān)性比歷史場(chǎng)景源-荷相關(guān)性更強(qiáng)。因此,基于WGAN-GP的多節(jié)點(diǎn)聯(lián)合場(chǎng)景生成方法能夠在生成與歷史相似場(chǎng)景的同時(shí)保證源-荷之間的概率分布性與耦合度。

圖6 負(fù)荷-輻照歷史真實(shí)數(shù)據(jù)與生成數(shù)據(jù)散點(diǎn)圖與源-荷相關(guān)性對(duì)照Fig.6 Scatter plot of load-irradiation history real and generated data with source-load correlation

3.4 場(chǎng)景覆蓋能力

利用生成場(chǎng)景與歷史真實(shí)場(chǎng)景的分布范圍與各時(shí)刻對(duì)應(yīng)均值來展示二者的覆蓋區(qū)間,生成場(chǎng)景集的未知場(chǎng)景覆蓋能力如圖7所示,圖中為典型場(chǎng)景一中負(fù)荷的生成與歷史數(shù)據(jù)集,不同的陰影表示了生成場(chǎng)景集與歷史場(chǎng)景集的波動(dòng)區(qū)間,實(shí)線代表波動(dòng)區(qū)間的均值,能夠體現(xiàn)源荷的變化范圍,可以驗(yàn)證生成場(chǎng)景集是否能包含歷史場(chǎng)景集,生成場(chǎng)景是否具有多樣性。由圖7可以看出,生成場(chǎng)景與歷史真實(shí)場(chǎng)景的均值曲線基本重合,證明生成場(chǎng)景能夠較好的反應(yīng)真實(shí)場(chǎng)景的時(shí)序特征與變化;在分布覆蓋范圍上,生成場(chǎng)景的陰影區(qū)域能夠包裹住歷史真實(shí)場(chǎng)景區(qū)域,且生成場(chǎng)景陰影區(qū)域更大些,整體分布區(qū)間保持統(tǒng)一,可見基于輻照區(qū)間劃分的多節(jié)點(diǎn)聯(lián)合場(chǎng)景生成方法具有較強(qiáng)的未知場(chǎng)景覆蓋能力。

圖7 生成場(chǎng)景時(shí)序特性及覆蓋能力分析Fig.7 Analysis of the timing characteristics and coverage capacity of thegenerated scenes

4 結(jié) 論

計(jì)及輻照區(qū)間劃分的源-荷聯(lián)合場(chǎng)景生成方法,輻照區(qū)間劃分將歷史輻照度分為不同的等級(jí),提高了各區(qū)間光伏出力范圍的差異性,通過基于輻照等級(jí)劃分的耦合氣象特征聚類分析獲取了不同氣象特征條件下的含光伏電源配電網(wǎng)的歷史運(yùn)行場(chǎng)景簇;通過基于WGAN-GP的多節(jié)點(diǎn)聯(lián)合場(chǎng)景生成方法,得到含光伏電源配電網(wǎng)不確定性源-荷運(yùn)行場(chǎng)景;通過生成數(shù)據(jù)集與歷史真實(shí)數(shù)據(jù)集的多項(xiàng)指標(biāo)對(duì)比,計(jì)及輻照區(qū)間劃分的源-荷聯(lián)合場(chǎng)景生成數(shù)據(jù)能夠體現(xiàn)與真實(shí)數(shù)據(jù)相統(tǒng)一的波動(dòng)性、源-荷相關(guān)性、概率分布特性,并具備一定的未知場(chǎng)景生成能力,有效刻畫了不同氣象場(chǎng)景下的含高比例光伏的配電網(wǎng)源-荷不確定性。

對(duì)于上述場(chǎng)景生成方法,將進(jìn)一步研究多類型新能源接入配電網(wǎng)下的新能源出力區(qū)間劃分,分析氣象因素與多類型電力用戶負(fù)荷特性的耦合度,提高耦合氣象特征的歷史場(chǎng)景數(shù)據(jù)劃分質(zhì)量,開展時(shí)空相關(guān)性源-荷運(yùn)行場(chǎng)景生成研究。