區域光伏發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.國網甘肅省電力公司電力科學研究院，甘肅省 蘭州市 730070；2.國網甘肅省電力公司，甘肅省 蘭州市 730000；3.華北電力大學新能源學院，北京市 昌平區 102206）

0 引言

我國光伏發電發展迅猛，“十二五”期間光伏發電裝機規模增長168倍，并于2015年成為世界光伏裝機第一大國。2016—2020年保持高增速，2020年底累計裝機達到240 GW，光伏發電已經超過風電，在中國成為第三大電源。在“30·60”目標指引下，光伏發電在我國能源供給結構中將會占據更為重要的地位[1]。但是由于光伏出力具有明顯的周期性和隨機波動性特征，當光伏電站大規模接入電網時，對電網的調峰能力和調頻能力是一個極大的考驗[2-6]。光伏發電的滲透率上升，超出火電機組的調節能力，“棄光”現象就會發生。以中國甘肅省為例，截至2019年底，全省新能源累計受限電量為23.9億kW·h，其中：風電受限電量為18.8億kW·h，棄風率為7.62%；光伏受限電量為5.1億kW·h，棄光率為4.11%。研究區域光伏的出力特性，有利于了解規模化光伏并網對電力系統的影響，從發電端分析“棄光”現象的產生原因，提高輸出功率的可控性[7]，進而實現規模化光伏發電的高效接入。

為提高光伏發電消納水平，國內外對光伏出力特性的研究日益增多。文獻[8]采用指標“季節屬性”來表征光伏出力的持續時間長度，以光伏全日最大出力和季節屬性為標準，將光伏典型出力曲線按標準分為9類。文獻[9]用相關性、互補性和隨機性指標對新能源基地出力進行評價，并建立了新能源基地的三維出力模型。文獻[10]考慮了新能源發電不同時間尺度的時序出力特性、出力變化特性等，建立了新能源發電出力自然特性指標體系。文獻[11]對新能源場站總出力與負荷進行Copula建模，計算出區間尾部相關系數和Spearman秩相關系數，評估新能源互補后總出力與負荷的正相關性。文獻[12]利用概率潮流法(probabilistic power flow，PPF)評估光伏發電的不確定性對傳輸系統性能的影響。文獻[13]提出了不同時間尺度下新能源出力特性的評估體系，并對青海省某風電站的出力過程進行了特性分析。

上述研究為區域光伏出力特性的研究提供了思路，但是現有區域光伏出力特性的研究缺乏光伏場站-區域層級樣本數據，多停留在光伏場站出力概率模型建模及出力特性分析。為更好地揭示區域光伏發電出力特性，本文以甘肅省10個區域的17個光伏電站為例，分析了甘肅省光伏發電的出力特性以及在時間、空間上的分布特點，研究了光伏出力的波動特性，并將不同區域間光伏出力進行互補特性研究，為區域光伏消納問題的分析提供參考，為規模化光伏發電發展規劃的制定提供借鑒。

1 區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

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，年資源理論儲量為670萬億kW·h。其中，酒泉、嘉峪關、武威、張掖、金昌等區為光伏一類資源區，其他地方為二類資源區。本文所用的光伏電站數據是甘肅省10個區域17個獨立電站(對應編號為1—17)2019年全年輸出功率數據，數據時間分辨率為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；同時存在隨機性，體現為每個周期內的波動最大出力值是不確定的。

圖1 17個光伏電站不同時刻出力曲線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特性和不確定性，在不同的時間尺度下，單一的出力值不具有代表性。求取新能源出力數據的最大值和平均值，有助于從全局角度評估光伏電站的出力水平和區域的光伏出力情形。P1,P2,P3,…,P n是統計周期內光伏電站的一組出力，則最大值Pmax和期望Paverage分別表示為：

對離散的出力值進行歸一化，將0～1劃分為若干個等間距區間，統計出力值落在每一區間的次數，落在0.5～1區間內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電場或者光伏基地的出力水平。設定N0.5～1是比值在0.5～1區間內的次數，N是統計的總頻次，則

甘肅省各區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各時段達到的最大出力，半載出力以上概率體現了光伏電站的有效發電時長。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，即這些區域光伏電站的停機和低發情形更少。

2 典型季節下的出力特性

2.1 日均出力曲線

以容量為50 MW的電站14為例，對當月每天同一時刻出力取平均值，得到每月日均出力曲線如圖2所示。光伏日間出力在14:00附近達到最大，能達到電站總容量的60%。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，單個最大出力值不具有代表性，但各個季節出力時間是基本確定的。由圖3可知，光伏電站在夏季日出力時間最長，從06:00到22:00，共計16 h；在冬季日出力時間最短，從09:00到19:00，共計10 h；春、秋季出力時間介于兩者之間。夏季日間出力波動較大，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。由于相隔天數很近，電站的日間出力時間相同，從09:00—19:00，在14:00附近達到峰值；晴天的出力峰值最大，達到裝機容量的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，波動較大，累積出力較低；陰天與晴天相比區別不大，但出力峰值略有降低；小雪天氣的出力水平很低，出力峰值只能達到裝機容量的60%。

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

3 波動特性分析

3.1 光伏出力波動的統計特性

光伏出力與輻照量呈正相關，日間出力是一條先上升后降低的曲線，在整體趨勢上體現為周期性。由于輻照量的變化存在的一定的隨機性，光伏出力的波動也存在一定的隨機性。光伏電站在夜間出力恒定為零，波動也為零，因此剔除夜間出力，只對白天時段的波動進行分布統計。

在統計周期T內，出力的變化視為一次波動ΔP，表示為

圖5為電站14截取某一段出力的波動序列。波動的分布特性用概率密度函數來體現。在統計學中，常見的概率分布函數有正態分布、Logistic分布和T-location分布。

圖5 波動時序曲線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的出力數據中，隨機取1 000個連續出力值，相鄰出力值之差視為一次波動，得到電站的一段波動序列。

基于最大似然估計方法，分別用正態分布函數、Logistic分布函數、T-location分布函數對波動的分布進行擬合[14]，如圖6中曲線所示，實際概率分布如圖6中直方圖所示。

圖6 電站12三種分布函數的擬合效果對比Fig.6 Comparison of fitting effects of three distribution functions of power station 12

3.2 擬合效果評估指標

用評價函數可以對分布函數的擬合效果進行評估。和方差(sum of squares error，SSE)是擬合值相對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yi是第i個出力值，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的分布特性，選取17個光伏電站全年分辨率為1 h的實際出力數據來進行分析，得到光伏電站日間波動在不同擬合分布下的和方差，結果如表2所示。通過分析可知，對于不同地理位置、不同裝機容量的光伏電站，出力序列的波動在正態分布或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 光伏出力相關性

相關系數?是一個統計學指標，用于描述2個變量之間的變化趨勢及相關程度[15]。光伏出力是離散的隨機變量，假設在t時刻2個光伏電站出力分別為Psolar1和Psolar2，在統計周期內其期望值分別為Ep-solar1和Ep-solar2，則

以電站9、12為例，計算2個電站每月的日間出力相關性系數，結果如圖7所示。可見，相關系數都處于0.5～1.0，說明2個出力變量具有很強的相關性。相關性在全年的變化比較顯著，6—11月相關性較小，1—5月和12月相關性較大。

圖7 光伏電站出力相關系數Fig.7 Output correlation coefficients of photovoltaic power station

4.2 區域光伏出力相關性

以每一區域多個光伏電站的出力之和作為區域總出力，計算不同區域光伏出力的相關性，結果如表3所示。由表3可知，區域出力相關性多在0.8～0.9的范圍內，線性關系較強。由于輻照度在一天中的變化比較相似，因此不同區域之間出力情況也比較類似。

表3 不同區域間光伏總出力相關系數Tab.3 Correlation coefficients of total photovoltaic output among different regions

4.3 光伏同時率分析

同時率s又稱為集群效應系數，是指統計時段內最大可能出力與相應的總裝機容量之比[16]，可表示為

式中：P∑為光伏電站集群統計時段內的最大出力之和；Ci為第i個光伏電站的額定容量。

出力同時率反映了光伏電站集群的最大可能出力，體現了光伏電站集群的綜合利用效率。現以甘肅省4個區域(張掖、武威、金昌和酒泉)的光伏電站總出力數據為例，計算同時率的概率分布如圖8所示，可以看出，各區域光伏出力同時率主要分布在[0.7,0.9]區間。張掖、金昌地區同時率相對于其他地區較大，武威地區相對較小。將4個區域的總出力作為集群計算其同時率分布，結果表明：光伏電站集群較不同區域間的同時率分布差異降低，在提升光伏利用率的同時減小了線路的負載壓力。

圖8 區域光伏總出力同時率概率分布曲線Fig.8 Probability distribution curves of simultaneous rate of regional photovoltaic total output

同時率越高，限制光伏電站發電的情況將會越多，當限制發電頻繁發生時，不僅是對能源的浪費，對于調度運行也是一種挑戰。調度根據光伏集群出力的同時率、網絡阻塞和地區負荷差異來確定棄光容量[17]，對于提高光伏發電接入水平具有積極意義。

5 結論

以甘肅省17個光伏電站的全年實測出力數據為分析對象，從區域光伏發電的日出力特性、季節特性、波動性和同時率等方面對其出力特性展開研究，得到以下結論：

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

2）光伏電站的出力波動具有一定的隨機性，概率分布更接近于正態分布或T-location分布。

3）不同區域之間的光伏電站出力具有很強的相關性，在對光伏功率進行預測時，需要考慮到不同電站的線性關系，以提高預測的準確程度；在進行電力調度時，需要考慮區域負荷差異和網絡阻塞情形，合理制定調度計劃，以免產生“棄光”現象。

4）受氣象因素影響，光伏日間出力波動可能較大。將張掖、武威、金昌和酒泉地區的光伏出力作為集群，其同時率較組合前差異降低，光伏出力波動情況得以改善，對于光伏發電安全經濟并網有一定參考意義。