基于改進樣板機法的風光互補新能源電站容量配比優化

李延和， 楊立濱， 郝麗麗， 劉祥風， 呂肖旭

(1. 國網青海省電力公司，青海 西寧 810008；2. 國網青海省電力公司經濟技術研究院，青海 西寧 810008;3. 國網青海省電力公司清潔能源發展研究院，青海 西寧 810008；4. 南京工業大學電氣工程與控制科學學院，江蘇 南京 211816)

0 引言

隨著全球能源的短缺、環境問題的日益凸顯，可再生能源技術受到越來越多國家重視與青睞。預計到2030年，非化石能源占一次能源消費比重將達到25%左右，其中，風電、光伏發電總裝機容量將超過12億kW[1]。間歇和波動的風電、光伏出力通常難以匹配凈負荷需求，會造成切負荷或棄風棄光等損失，甚至引發電網故障。因此，根據各地風光資源特點合理規劃風電、光伏發電的裝機配比容量以匹配負荷需求，對新能源的開發利用具有重要意義[2—4]。

風光新能源電站的理論功率數據可以明確反應電站對當地風光資源的利用能力，因此電站理論功率的準確計算至關重要。目前，風光新能源電站所采用的理論功率計算方法為氣象數據外推法和樣板機法[5—8]。氣象數據外推法通常基于歷史數據建立新能源電站出力與自然資源特征(風速、輻照度等)的關聯模型，但往往會因忽略風向、光伏板積灰等因素而出現較大誤差；樣板機法為各類型機組(風電機組/光伏逆變器)選取一定數量不參與電站限電的樣板機，利用其實測出力線性外推同類型非樣板機的出力，從而求得新能源電站的理論輸出功率。樣板機法較氣象數據外推法計算更簡單方便，但未考慮樣板機在運行期間出現異常的情況以及非樣板機與樣板機之間的實際發電差異，算得的理論功率尚有改進空間。

針對風光容量配比優化問題，文獻[9]建立了等效負荷峰谷差指標，通過風電、光伏出力模擬研究了不同風光容量配比對該指標的影響，并得到了使等效負荷峰谷差變化最小的風光容量配比；文獻[10]基于新能源出力數據分析某地區電網風電、光伏出力特性，并用Spearman秩相關系數研究2種波動性能源出力的互補特性及其合理容量配比；文獻[11]基于天氣預報數據，構建了基于核主成分分析和自組織特征映射神經網絡的天氣類型劃分模型，從波動性和爬坡性2個角度定量分析了不同天氣類型下風光出力互補程度，確定了風光最佳并網容量比例。相關文獻較少考慮理論功率計算的改進問題，且未考慮新能源電站出力與凈負荷需求不匹配所帶來的風險。

為了準確計算風光新能源電站的理論功率，文中對樣板機法進行改進，通過樣板機和非樣板機的實測出力值動態評估二者間的發電性能差異，進而計算新能源電站的理論功率。同時為了得到地區合理的風光容量配比，文中利用改進樣板機法得到更準確的新能源電站歷史理論功率，挖掘風光電站出力特性，提出了面向降低源荷不匹配風險的風光容量配比優化方法，從而可為地區電網風光發電容量配置提供參照。

1 異常數據的識別及重構

為保證文中所用數據的準確可靠，須進行數據預處理[12—16]，包括對新能源電站的實測功率進行異常數據識別及剔除，并對缺失的數據進行重構。

1.1 異常數據識別

數據異常主要由數據采集或通信設備發生故障造成，體現為數據缺失、數據越限、數值不刷新、數據畸變。數據缺失、越限和不刷新，可根據數據特征直接進行識別及剔除，而對于數據在正常范圍內與實際值偏差較大的畸變數據，由于位置鄰近的同類機組的實測功率具有空間相關性[17]，可利用與待校驗機組鄰近的同類機組的實測功率來識別。

對所有機組的實測功率進行歸一化處理：

(1)

(2)

(3)

1.2 缺失數據重構

對剔除異常數據引起的單點數據缺失，利用缺失部分前后數據的均值對其進行重構。

對剔除異常數據所引起的多點數據缺失，采用自回歸滑動平均(auto regressive moving average,ARMA)模型進行重構。采用ARMA對新能源電站/機組完好的歷史實測功率數據進行預測，若第p步預測誤差Ep小于預設閾值ε0，則預測結果可信。對大量歷史實測功率數據進行A次預測，根據式(4)可計算第p步預測結果的平均可接受率γp。

(4)

式中：C(·)為次數統計；A為ARMA模型預測的總次數。

(5)

按照此方法，可完成新能源電站/機組實測功率缺失數據時段[c,d]的數據重構。

2 基于改進樣板機法的理論功率計算

2.1 基于氣象特征的氣象信息相似時段識別

建立風電場天氣特征向量：

Ww=[ww1ww2ww3ww4]

(6)

式中：ww1為風電場測風塔迎風面在所選時段內的平均風速；ww2，ww3，ww4分別為風電場在所選時段內的最高、最低、平均空氣密度。

建立光伏電站天氣特征向量：

Wpv=[wpv1wpv2wpv3wpv4]

(7)

式中：wpv1為光伏電站在所選時段內的天氣類型，取1～4，含義參見文獻[19]；wpv2，wpv3，wpv4分別為光伏電站在所選時段內的最高、最低和平均溫度。

根據新能源電站的氣象特征識別運行過程中的氣象信息相似時段。設新能源電站第x，y個時段的天氣特征向量分別為Wx與Wy，根據式(8)計算兩者的Pearson相關系數R(Wx,Wy)。若R(Wx,Wy)大于預設閾值α，則第x，y個時段互為氣象信息相似時段。用相同方法分別找出統計時間內氣象信息相似的所有時段。

(8)

式中：wx,ave，wy,ave分別為Wx和Wy中元素的算術平均；wx,z，wy,z分別為Wx和Wy中的第z個元素。

2.2 基于時空相關性的樣板機異常識別及處理

實際運行中，新能源電站中的樣板機會因為惡劣天氣、自身老化等發生運行故障，繼而影響后續的理論功率計算精度，所以需要對發生異常的樣板機及時進行識別及更換。由于在氣象信息相似的時段內，新能源電站中機組自身出力往往具有相同趨勢，呈現時間相關性；而同一電站中機組間的地理位置較近，其風光資源特性較為一致，機組間出力通常也具有相同趨勢，呈現空間相關性。因此文中基于站內樣板機出力的時空相關性來識別異常樣板機，步驟如下。

步驟1：根據2.1節所提方法識別得到評估時間內新能源電站共I個氣象信息相似時段(若未搜索到相似時段，則I=1)，設新能源電站內k型號機組的樣板機數量為Mk，第b臺樣板機在第v個氣象信息相似時段的實測功率序列為Pbvs={Pbvs,1,Pbvs,2,…,Pbvs,n}，n為該時段的采樣點個數。

步驟2：對Mk×I個實測功率序列進行K-means聚類[20]，得到K個實測功率序列簇類，并由式(9)可得每個簇類的聚類中心Ch。

(9)

式中：φh為第h個實測功率序列簇類(h=1,2,…,K)；N(φh)為φh中實測功率序列的個數；Xτ為φh中的第τ個實測功率序列。

步驟3：計算Pbvs與其所屬聚類中心Ch的歐式距離，若距離大于預設閾值δ，則判斷第b臺樣板機的第v個氣象信息相似時段發生異常，將該時段定義為異常時段，否則判斷其為正常時段。按此方法依次遍歷新能源電站每臺樣板機各時段，得到各樣板機的異常時段。

步驟4：針對各樣板機的異常時段，依次將異常樣板機剔除，并將其歸為非樣板機。判斷樣板機數量是否滿足要求，若滿足則更新樣板機數量；若樣板機數量不滿足理論功率計算需求，則從非樣板機中選擇機組實測功率離聚類中心最近的若干機組作為候選樣板機，增補進樣板機集合。

2.3 非樣板機出力系數的動態識別

2.3.1 動態信息窗的設置

為實時跟蹤非樣板機與樣板機出力的關系，需要設置動態信息窗以獲取同型號下每臺非樣板機的出力情況。當非樣板機在計算時刻t之前的時段[t-φ,t]發生限電、故障或檢修等情況時，需要調整t時刻信息窗的選取位置，以避免按照異常情況獲取非樣板機出力信息而使理論功率計算不準。

設新能源電站內k型號機組共有B臺非樣板機，其中第q臺非樣板機為Tq(q=1,2,…,B)。選取新能源電站理論功率計算時刻t之前的時段[t-φ,t]，根據該時段內Tq實際運行情況來確定動態信息窗的選取。

(1) 當Tq在[t-φ,t]內正常運行時，則選取[t-φ,t)作為Tq在t時刻的信息窗，并隨理論功率的計算時刻動態調整。

(2) 當Tq在[t-φ,t]內為限電、故障或檢修狀態時，選擇該時段內新能源電站的天氣特征向量W0作為t時刻理論功率計算的基準天氣特征向量。根據新能源電站限電、故障檢修記錄尋找距離t時刻前D天(如取30 d)內Tq正常運行的時段集合，剔除長度小于φ的時段，并將滿足條件的時間段劃分成Q個長度為φ的時段。然后，提取新能源電站第g個時段的天氣特征向量Wg(g=1,2,…,Q)，根據式(8)計算相關系數R(W0,Wg)，依次計算形成相關系數集{R(W0,W1),R(W0,W2),…,R(W0,WQ)}，取其中最大元素對應的正常運行時段作為Tq在t時刻的信息窗，并隨理論功率計算時刻的變化而動態調整。在機組長期退出運行的特殊情況下，可適當放寬歷史氣象特征的時間搜索范圍。

2.3.2 非樣板機分組及出力系數的動態識別

(10)

2.4 新能源電站理論功率計算

利用樣板機的實測功率，可得到新能源電站在t時刻改進后的理論功率計算模型：

(11)

(12)

3 考慮源荷不匹配風險的風光容量配比優化

不合理的風光容量配比會導致風光出力與負荷不匹配，從而產生棄風棄光或切負荷等現象，造成經濟損失，甚至引發電網故障。風光電站發電能力評估的不準確性、出力的不確定性均會使風光不合理匹配的損失評估存在較大誤差，從而在面向風光容量配比這一長周期規劃問題時分配不合理。文中在第2章的基礎上，利用蒙特卡洛法對風光電站出力進行長周期模擬抽樣，并計算每一確定的抽樣場景下因產生棄風棄光或切負荷現象造成的經濟損失。某場景的源荷不匹配風險即為風光電站出力場景發生概率與該場景下經濟損失的積。

3.1 風光容量配比優化模型

風光容量配比優化目標為最小化長周期源荷不匹配風險R：

(13)

(14)

3.2 基于理論功率的新能源電站隨機出力場景生成

在進行新能源電站隨機出力場景生成時，若不考慮新能源電站自身出力的時間相關性，則會導致模擬的出力波動特性與實際情況不符。為生成風光電站隨機出力場景，文中建立了新能源電站長周期出力場景生成方法，具體過程如下：

(1) 生成平均波動序列。在確定的時間顆粒度(5 min)下，計算多年理論功率波動量并取各時刻平均值，得到平均波動序列{μt|t=1,2,…,T-1}。

(2) 生成新能源電站初始出力場景集。通過對新能源電站多年理論功率的統計可得新能源電站在各時刻出力區間的概率分布，并利用蒙特卡洛法模擬得到新能源電站初始出力場景集Ω：

(15)

式中：Pf,t為t時刻第f個出力場景下的新能源電站出力值。行向量表示新能源電站在時間周期T內隨機抽樣生成的一個出力場景；列向量表示同一時刻不同場景下新能源電站的出力。Ω反映了新能源電站在各時刻出力區間的概率分布，但無法滿足新能源電站自身出力的時間相關性，因此需要對Ω中各行向量的數據進行重構。

(3) 重構初始出力場景集的數據。結合平均波動序列中該時刻的平均波動量μt，從t+1時刻新能源電站出力集[P1,t+1P2,t+1…Pf,t+1]T中選出最接近Pf,t+μt的數值Pk,t+1(k≤f)，作為該出力場景下t+1時刻的出力值，按上述方法依次確定各時刻的出力值。遍歷初始出力場景集Ω，得到重構后的新能源電站出力場景集Ω′。重構后的Ω′既滿足新能源電站在各時刻出力區間的概率分布，也能較為準確地反映新能源電站出力的時間相關性。分別對風光電站按此方法模擬生成出力場景，從而得到風光電站出力場景集。

3.3 極端場景篩選

為避免小概率高風險場景對風光容量配比規劃的影響，需要對極端場景進行篩選，再進行風光容量最優配比的計算，具體步驟如下。

步驟1：根據風光電站出力場景集，結合式(13)和式(14)計算得到使源荷不匹配風險最小的風電裝機占比λ。

步驟2：根據步驟1得到的λ值依次計算各個出力場景對應的源荷不匹配風險。若所有場景對應的源荷不匹配風險值均小于給定的風險閾值ξ，則將風電裝機占比λ確定為風電最優裝機占比，進而得到風光容量最優配比；若存在某些出力場景的源荷不匹配風險值大于ξ，則將這些場景識別為極端場景并進行剔除，更新風光電站出力場景集，并返回步驟1。

為了提高計算效率，可對模擬生成的場景進行聚類，以較小數目的場景代替原始繁多的場景，每種聚類場景中場景個數之和與模擬生成的場景總數的比值即為該聚類場景的概率。

4 算例與分析

為驗證文中方法的有效性，以含100臺風電機組的風電場為例進行分析，單臺容量為1.5 MW，總裝機容量為150 MW。設風電機組共有3個型號，各型號機組沿風向排列，其信息見表1。

表1 機組參數信息

根據中國西北地區春季的風速及空氣密度變化規律，同時計及風電場內風速分布的空間相關性[21]和風速變化的時間相關性[22](忽略風向變化的影響)，模擬得到各風電機組輪轂處風速、測風塔迎風面風速和風電場空氣密度(三者皆為5 min一個值)[23—29]，并根據風速-功率關系計算得到各型號風電機組的模擬理論功率[26，30]，全場疊加可得風電場的模擬理論功率。為得到較為符合風電場實際運行特性的風電機組模擬出力，須進一步構造計及風電數據通信故障和局部運行等情況的異常數據場景，并人工設定一定比例的帶限電和故障檢修標簽位的風電機組運行數據，最終構造出風電機組的實測功率數據。

實測功率數據的可靠與完整是后續理論功率計算的基礎，因此有必要對上述風電場中所有機組的實測功率數據進行異常識別及重構。分別構造風電機組在某日原始輸出功率中出現缺失、越限、不刷新和畸變的異常數據情況，并采用文中所提方法對上述異常數據進行識別及重構，結果如圖1所示。經計算，異常輸出功率和重構后輸出功率相對于原始輸出功率的均方根誤差(root mean square error,RMSE)ERMSE分別為0.45 MW,0.27 MW，異常數據情況得到了較好處理。

圖1 風電機組出力的異常識別及重構結果

在對上述風電場中所有機組的實測功率數據采用1.1節和1.2節所提方法進行異常數據識別、剔除及缺失數據重構后，通過2.2節所提方法識別異常樣板機，將其從樣板機集合中剔除，并用其他性能好的機組替補，進一步根據所提出的改進樣板機法對風電場的理論功率進行計算并討論了相關參數設置對理論功率計算精度的影響。

4.1 理論功率計算方法對比及討論算例

4.1.1 改進樣板機法和樣板機法對比

文中選取西北地區春季某3 d不同風速(風速1～3)下風電場經數據預處理后的實測功率數據(5 min一個采樣點，1 d共288個點)，風速1～3的平均風速分別為9.06 m/s,11.17 m/s和15.07 m/s。采用改進樣板機法和樣板機法分別計算風電場在風速1～3下當日的理論功率。改進樣板機法在計算理論功率時已對出現異常的樣板機進行處理并選取長度為50 min的動態信息窗，即在計算t時刻的理論功率時會選取[t-50,t)時段作為信息窗，且信息窗隨t時刻變化而動態變化，單位區間長度u取0.05，結果見圖2。風速1～3理論功率計算的誤差統計見表2，所涉及指標為平均絕對百分比誤差(mean absolute percentage error,MAPE)EMAPE、ERMSE和最大絕對誤差(mean absolute error,MAE)EMAE。

結合圖2和表2可知，在風速1～3下采用改進樣板機法得到的各項誤差統計指標整體上優于樣板機法，理論功率曲線與模擬理論功率曲線較貼近。

圖2 不同風速下理論功率的計算

表2 不同風速下理論功率計算誤差統計

尤其是在大風時段，由改進樣板機法計算得到的理論功率較樣板機法更準確，但會在某些時刻與模擬理論功率偏差較大，如風速3第226個采樣點時刻。對于此類問題，文中在4.1.2節進行分析。

4.1.2 不同動態信息窗長度的對比分析

以4.1.1節中風速1當日為觀察日，在采樣頻率相同的情況下，研究動態信息窗長度對改進樣板機法理論功率計算精度的影響。分別選取長度為5 min,25 min,50 min,100 min和250 min的動態信息窗計算風電場觀察日全天的理論功率，并進行對比分析。其中，單位區間長度u均為0.05。根據不同動態信息窗長度計算得到風電場觀察日全天的理論功率及誤差，結果如圖3、表3所示。

圖3 動態信息窗長度對理論功率計算的影響

表3 動態信息窗長度對理論功率計算誤差的影響

結合圖3和表3可以看出，隨著動態信息窗長度縮短，得到的各項誤差統計指標越優，計算的理論功率曲線也更貼近模擬理論功率曲線。這說明風電機組發電效率在不同風速下表現不同，而短時間內風速變化幅度較大時，若動態信息窗長度較大，則會將風速較寬范圍下的風速-功率特征納入統計，從而難以準確捕捉計算時刻風速下的風電機組效率特點，出現較大的理論功率計算誤差。

考慮到4.1.1節中某些時刻點理論功率與模擬理論功率偏差較大可能是由上述原因所致，因此設置改進樣板機法的動態信息窗為5 min以及單位區間長度u為0.05，重新計算得到風速3當日全天的理論功率，結果如圖4所示。可以看出，當動態信息窗長度由50 min縮小為5 min時，風速3第226個采樣點時刻的理論功率得到了改善。

圖4 風速3修改動態信息窗長度后理論功率的計算

4.1.3 不同單位區間長度u的對比分析

以4.1.1節中的風速1當日為觀察日，選取動態信息窗長度為5 min，u分別為0.01,0.05,0.10和0.20，計算風電場觀察日全天的理論功率，并進行對比分析。根據不同單位區間長度u計算得到風電場觀察日全天的理論功率及誤差，結果如圖5、表4所示。

圖5 不同u對理論功率計算的影響

表4 不同u對理論功率計算誤差的影響

結合圖5和表4可知，各項誤差統計指標隨著單位區間長度u的減小而不斷改善，計算得到的理論功率曲線也更貼近模擬理論功率曲線。

4.2 風光容量優化配置

文中分別通過樣板機法和改進樣板機法計算得到中國某地區電網風電場、光伏電站多年的理論功率數據，為了計及新能源電站裝機容量的不斷變化，對理論功率數據進行歸一化處理，并根據第4章所提的場景生成方法生成若干個風光電站出力場景，此處顯示其中1 000個。采用該地區2020年全年的負荷數據，截止2020年底該地區電網風光電站總裝機容量為35 590.5 MW，Cepun(t)可根據當地不同時刻的上網電價以及切負荷代價綜合考慮得到。根據風光容量配比優化模型，分析不同風電裝機占比對全年源荷不匹配風險的影響，結果如圖6所示。由圖6可知，理論功率計算的精度會影響到風光最優配比的結果，通過計算樣板機法得到的理論功率可得該地區風光容量最優配比為1∶0.15，此時全年源荷不匹配風險最小，為106.040億元；而通過計算改進樣板機法得到的理論功率可得該地區風光容量最優配比為1∶0.33，此時全年源荷不匹配風險最小，為103.821億元。

圖6 不同風光容量配比對源荷不匹配風險的影響

依次計算各出力場景對應的源荷不匹配風險，并依據風險閾值ξ迭代剔除極端場景，從生成的1 000個場景中得到54個源荷不匹配風險超出風險度閾值(如黑線所示)的場景，如圖7所示。

圖7 基于源荷不匹配風險的場景篩

再使用風光容量配比優化方法對剩余的出力場景進行計算，最終得到剔除極端出力場景后R最小時的風光容量最優配比，其對源荷不匹配風險的影響如圖8所示。

圖8 剔除極端場景后不同風光容量配比對源荷不匹配風險的影響

由圖8分析可知，剔除極端出力場景后，當風光容量最優配比為1∶0.54時，源荷不匹配風險最小為102.840億元。結合圖6和圖8可知，在剔除極端出力場景后，風電最優裝機占比減小，考慮其原因為該地區風資源較光資源好，更多風電容量的配置可以減少極端場景對源荷不匹配風險的影響。此結論受制于地區風光資源特性，不同地區的風光配置需要具體研究。

5 結語

文中針對新能源電站理論功率計算問題展開研究，提出了基于改進樣板機法的理論功率計算新方法。相較于傳統的樣板機法，由改進樣板機法計算所得到的新能源電站的理論功率精度更高，且具有較強的工程適用性。文中利用改進樣板機法得到更為準確的新能源電站理論功率，提出了面向降低源荷不匹配風險的風光容量配比優化方法，可為規劃區域中風光裝機容量的比例提供參考。

文中提出的源荷不匹配風險僅考慮了棄風棄光以及切負荷所帶來的風險，如何將其他因素所帶來的風險納入評估模型，從而得到更加合理可信的風光容量最優配比，是下一步有待深入研究的重要問題。

本文得到國網青海省電力公司科技項目“基于清潔能源泛在調度控制的新能源發電性能精細化評估方法研究及應用”(522830190018)，江蘇省配電網智能技術與裝備協同創新中心開放基金項目(No.XTCX202001)資助，謹此致謝！