楊力人，楊 迪，陳 旭，鄭 鵬

（1.西北工業(yè)大學，陜西 西安 710072；2.中國三峽新能源集團有限公司甘肅分公司，甘肅 蘭州 730070）

國家能源局、農(nóng)業(yè)農(nóng)村部、鄉(xiāng)村振興局發(fā)布的《加快農(nóng)村能源轉(zhuǎn)型發(fā)展助力鄉(xiāng)村振興的實施意見》指出，2025 年將建成一批農(nóng)村能源綠色低碳試點，利用農(nóng)村閑置土地、屋頂，建設(shè)光伏、風電，配置一定比例儲能?！赌茉窗l(fā)展“十四五”規(guī)劃》指出，預(yù)計我國每年光伏裝機容量達50～60 GW，光伏項目須配置10%～20%儲能，容量時長2 h[1]。

光伏發(fā)電量的精準預(yù)測是光伏系統(tǒng)的重要環(huán)節(jié)，文獻[2]建立了粒子群優(yōu)化預(yù)測模型，提高了預(yù)測模型的收斂速度。文獻[3]提出基于天氣預(yù)報的聚類再回歸預(yù)測方法，該方法輸入量少、方法簡單，且預(yù)測精度較高。

電力負荷受天氣、節(jié)假日等因素影響存在隨機性和波動性，對其實現(xiàn)準確、科學的預(yù)測，能使發(fā)電側(cè)與用戶側(cè)達到動態(tài)平衡。文獻[4]提出基于聚類與自適應(yīng)劃分的短期負荷預(yù)測，利用改進的ORELM 模型實現(xiàn)四季負荷多分段建模與預(yù)測，預(yù)測精度較高。

國家能源局最新發(fā)布，截至2020年底我國新型儲能規(guī)模為3.27 GW，2025 年將超30 GW。儲能具有平抑波動、提高電能質(zhì)量、保障重要負荷供電等作用，該文針對如何使儲能配置最優(yōu)化、延長其使用壽命的問題展開研究，具有一定的指導(dǎo)作用。

1 戶用光伏發(fā)電預(yù)測

1.1 研究對象

研究以在陜西省咸陽市彩虹光伏電站為平臺，采用2015～2021年歷史數(shù)據(jù)及對應(yīng)時間序列的氣象數(shù)據(jù)展開研究。

該電站處于北緯34.32°，東經(jīng)108.66°，安裝在廠房屋頂，容量為30 kWp。光伏組件型號為YL245p29b，采用固定傾角35°、正南方向安裝。系統(tǒng)由光伏并網(wǎng)匯流箱、三相30 kW 并網(wǎng)逆變器、交流并網(wǎng)計量柜，以及數(shù)據(jù)處理及顯示系統(tǒng)等組成。

1.2 研究過程

1.2.1 數(shù)據(jù)處理

為避免離群值對預(yù)測精度的影響，選擇輻射量完成遠離樣本主體值的剔除，得到有效數(shù)據(jù)為2172天，日發(fā)電量變化如圖2所示。

圖2 日發(fā)電曲線

1.2.2 天氣聚類分析

將有效數(shù)據(jù)按照電站記錄的天氣進行聚類劃分整理，如圖3所示。

圖3 天氣類型統(tǒng)計

當分類過多時，須大量樣本數(shù)據(jù)，分類數(shù)過少時，預(yù)測精度較低。由于樣本數(shù)據(jù)有限，對數(shù)據(jù)進行初次四季劃分，再對天氣類型二次劃分，如圖4所示。

圖4 預(yù)測模型結(jié)構(gòu)圖

1.2.3 灰色關(guān)聯(lián)分析

光伏發(fā)電與氣象因素有一定的相關(guān)性，選擇太陽輻射、溫度、相對濕度等10個氣象因素，通過灰色關(guān)聯(lián)分析進行降維篩選輸入量。步驟如下。

確定參考序列X0及比較序列Xi

無量綱化處理，采用均值化法，即

以春季晴天為例，其灰色關(guān)聯(lián)度如圖5所示。

圖5 灰色關(guān)聯(lián)度

結(jié)果表明，各氣象因素與光伏發(fā)電量的關(guān)聯(lián)度均大于0.6，選擇大于0.8 的7 個氣象因素作為輸入量。輸出量為日發(fā)電量，隱含層節(jié)點數(shù)的采用經(jīng)驗公式與試湊法。

式中：m、n為輸入及輸出量；k為隱含層節(jié)點數(shù)；a為1～10之間的常數(shù)。

1.3 研究方法

人工神經(jīng)網(wǎng)絡(luò)是光伏發(fā)電量預(yù)測中最有效地預(yù)測方法。目前改進的群智能優(yōu)化算法有遺傳算法、粒子群算法等。

粒子群優(yōu)化模型（PSO）用位置、速度及適應(yīng)度來表征粒子屬性，通過跟蹤個體及群體最佳位置得到BP網(wǎng)絡(luò)最佳的初始化權(quán)值及偏差值，達到優(yōu)化的目的。

該研究采用麻雀搜索算法（sparrow search algorithm，SSA）優(yōu)化BP 預(yù)測模型的權(quán)重及偏差值。SSA 依據(jù)麻雀覓食行為及反捕食行為提出的一種群體優(yōu)化算法，具有搜索能力強且調(diào)節(jié)參數(shù)少的優(yōu)點。其流程圖如圖6所示。

圖6 麻雀優(yōu)化模型流程圖

其中發(fā)現(xiàn)者位置更新如式（10）所示：

式中：Xij為第i只麻雀在第j維中的位置；t為迭代次數(shù)；maxiter 為最大迭代次數(shù)α∈( 0,1 ]的隨機數(shù)，Q為服從正態(tài)分布的隨機數(shù)；L為1×d的矩陣，矩陣內(nèi)全部元素均為1；R2∈[ 0,1 ]為預(yù)警值；ST ∈[ 0 .5,1]為安全值。

加入者位置更新如式（11）所示。

式中：Xp為當前發(fā)現(xiàn)者搜索到的最優(yōu)位置；Xworst為全局最差的位置；A為1×d的矩陣，元素隨機賦值為1或-1。

預(yù)警者位置更新如式（12）所示。

式中：Xbest為當前的全局最優(yōu)位置；β為步長控制參數(shù)，值為服從均值為0，方差為1 的正態(tài)分布隨機數(shù)；K為[ - 1,1 ]之間的隨機數(shù)；fi為第i只麻雀的適應(yīng)度值；fg為當前全局最優(yōu)適應(yīng)度值；fw為當前全局最差適應(yīng)度值。

該研究中，種群數(shù)為20，SSA - BP 安全值0.8，發(fā)現(xiàn)者20%，發(fā)現(xiàn)危險的麻雀10%。

1.4 結(jié)果及分析

該文以春季為例，對晴、陰、雨3 種類型樣本進行預(yù)測。晴、陰、雨分別有200、196 及150 組數(shù)據(jù)，春季晴天的預(yù)測結(jié)果如圖7所示。

圖7 春季晴天預(yù)測結(jié)果

春季陰天、雨天的光伏發(fā)電量預(yù)測過程與春季晴天類似，預(yù)測結(jié)果如圖8、圖9所示。

圖8 春季陰天預(yù)測結(jié)

圖9 春季雨天預(yù)測結(jié)果

預(yù)測結(jié)果表明，晴天的預(yù)測精度較高，而雨天、晴天等復(fù)雜天氣的預(yù)測誤差較大，通過比較各評價指標，優(yōu)化后的算法比BP算法性能更好，麻雀優(yōu)化算法比粒子群優(yōu)化算法預(yù)測誤差更小。

2 戶用負荷預(yù)測

2.1 研究對象

該文以咸陽彬縣城關(guān)鎮(zhèn)330 kV變電站為研究對象，變電站數(shù)據(jù)包含功率、電壓、電流等參數(shù)，該文采用2019年1月—2020年9月負荷數(shù)據(jù)。

圖10 變電站實物圖

2.2 研究過程

經(jīng)過數(shù)據(jù)處理，得到間隔1 h，共14976 組數(shù)據(jù)。以4號變電站為例，負荷變化如圖11所示。

圖1 光伏電站

圖11 4號變電站負荷數(shù)據(jù)

2.2.1 灰色關(guān)聯(lián)度

選擇溫度、濕度、風速等影響因素作為灰色關(guān)聯(lián)度的比較序列，實際負荷值為參考序列，各影響因素與負荷的關(guān)聯(lián)度如表2所示。

表2 灰色關(guān)聯(lián)度值

結(jié)果表明，各影響因素與負荷的關(guān)聯(lián)度均大于0.6，具有一定的關(guān)聯(lián)性。該文選擇溫度、濕度、風速、氣壓作為預(yù)測模型的輸入量。

2.2.2 預(yù)測模型建立及設(shè)置

LSTM是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)（RNN），可解決長序列訓練過程中的梯度消失、梯度爆炸等問題，能在更長的序列中有更好地表現(xiàn)。

圖12 LSTM結(jié)構(gòu)

Sigmoid 激活函數(shù)輸出區(qū)間為(0,1)，可及時更新數(shù)據(jù)，tanh 與sigmoid 函數(shù)類似，但其輸出區(qū)間(-1,1)。

A：當前輸入x(t)與上一時刻輸出h(t-1)經(jīng)過激活函數(shù)得到f(t)，該部分負責歷史狀態(tài)單元c(t-1)中的信息傳遞到當前時刻的部分。

B：輸入z(i)經(jīng)激活函數(shù)與g(t)做點積，控制遺留在當前狀態(tài)單元c(t)中的信息。

C：控制當前狀態(tài)單元c(t)到當前輸出h(t)中的信息。

當前狀態(tài)單元

當前時刻輸出

負荷預(yù)測的評價指標選擇平均絕對誤差（MAE）、均方根誤差（RMSE）、平均絕對百分誤差（MAPE）及逐點偏差率（E），偏差率為

2.3 結(jié)果及分析

該文對11 個變電站的總負荷進行不同時間尺度預(yù)測，變化趨勢與預(yù)測結(jié)果如圖13、圖14、圖15所示。

圖13 24h預(yù)測對比及偏差率

圖14 72預(yù)測對比及偏差率

圖15 168 h預(yù)測對比及偏差率

結(jié)果表明，168 h 的預(yù)測精度較高，3 種時間尺度的平均MAE、RMSE、MAPE 分別為16 MW、19 MW、5%，平均偏差率幾乎在0.14以下。上述研究是電力部門及時協(xié)調(diào)其他機組以及保證負荷穩(wěn)定運行的有力支撐。

3 儲能容量配置

圖16 為負荷功率與光伏出力差值的變化曲線，其中A、B 表示負荷需求量大于光伏發(fā)電量，此時需儲能或電網(wǎng)為負荷提供電能，C 表示光伏發(fā)電量大于負荷需求量，剩余電能須儲存起來。該文通過未來72 h、168 h的預(yù)測值來驗證選擇的儲能容量實際值是否實現(xiàn)光伏本地消納最大化，蓄電池選擇2 V/800 Ah鉛晶電池。

圖16 負荷功率與光伏出力差值的變化曲線

微網(wǎng)系統(tǒng)在運行過程中能量變化類型有8 種，如圖17所示。

圖17 儲能優(yōu)化流程圖

其中：m為蓄電池額定容量；n為蓄電池可用容量（nmax=0.7m）；f、k為從電網(wǎng)調(diào)用及輸送至電網(wǎng)的電量。

3.1 配置方案

3.1.1 典型日儲能配置

該文典型日選擇春分、夏至、秋分及冬至，負荷功率與光伏出力差值的變化曲線如圖18所示。

圖18 負荷功率與光伏出力差值的變化曲線

計算可得，典型日C部分的最大值為27 MWh，鉛晶電池充電效率為95%，儲能容量配置26 MWh，放電深度為70%，則可用容量為18.2 MWh。下文將對儲能配置過程展開研究，表中z、l表示儲能變化前、后的容量。

72 h儲能驗證如表3、圖19所示。

表3 72 h儲能配置變化 MWh

圖19 72 h儲能容量變化

168 h儲能驗證如表4、圖20所示。

表4 168 h儲能配置變化 MWh

圖20 168 h儲能容量變化

結(jié)果表明，72、168 h 儲能利用率分別為17.67%、23.19%，光伏上網(wǎng)電量占總發(fā)電量的6.11%、7.83%，未實現(xiàn)光伏本地消納最大化。

3.1.2 代表日儲能配置

以各月代表日數(shù)據(jù)進行儲能配置，代表日C部分最大值為2019.08.16 的32 MWh，配置儲能容量為30.4 MWh，可用容量為21.28 MWh。

72 h儲能配置及容量變化如表5、圖21所示。

表5 72 h儲能配置變化 MWh

圖21 72 h儲能容量變化

168 h儲能配置及容量變化如表6、圖22所示。

圖22 168 h儲能容量變化

表6 168 h儲能配置變化 MWh

結(jié)果表明，72 h、168 h 儲能利用率分別為16.81%、22.71%，光伏上網(wǎng)電量占總發(fā)電量的4.16%、4.27%，相較于典型日，光伏上網(wǎng)量降低，但仍未實現(xiàn)光伏本地消納最大化。

3.1.3 歷史數(shù)據(jù)儲能配置

歷史數(shù)據(jù)中C值變化如圖23所示。

圖23 歷史數(shù)據(jù)C值統(tǒng)計

歷史數(shù)據(jù)中C部分最大值為41 MWh，則配置儲能容量為39 MWh，可用容量為27.3 MWh。

72 h儲能配置及容量變化如表7、圖24所示。

表7 72 h儲能配置變化 MWh

圖24 72 h儲能容量變化

168 h儲能配置及容量變化如表8、圖25所示。

表8 168 h儲能配置變化 MWh

圖25 168 h儲能容量變化

結(jié)果表明，72 h、168 h 儲能利用率分別為15.12%、21.04%，光伏上網(wǎng)電量均為0，即實現(xiàn)了光伏消納最大化，此時須配置24375 節(jié)2 V、800Ah的鉛晶電池。

3.1.4 實際工程中的儲能配置

目前，實際工程中儲能配置占比為10%～20%，該文基于歷史數(shù)據(jù)配置一種適用于工程的儲能容量。選擇出現(xiàn)次數(shù)較多的C值，即儲能容量為3 MWh。

72 h 儲能配置及容量變化如表9、圖26 所示。

圖26 72 h儲能容量變化

表9 72 h儲能配置變化 MWh

168 h儲能配置及容量變化如表10、圖27所示。

表1 春季預(yù)測評價指標 MWh

圖27 168 h儲能容量變化

表10 168 h儲能配置變化 MWh

結(jié)果表明，72 h、168 h 儲能利用率分別為22.67%、24.08%，光伏上網(wǎng)電量占總發(fā)電量的28.97%、35.74%，光伏上網(wǎng)量較高，未實現(xiàn)光伏本地消納最大化。

3.2 配置結(jié)果分析

通過配置不同容量儲能，光伏消納及上網(wǎng)電量的變化情況如圖28、圖29所示。

圖28 72 h配置對比

圖29 168 h配置對比

結(jié)果表明，隨著儲能容量的增大，光伏消納不斷增加，當儲能容量為39 MWh 時，光伏上網(wǎng)量為0，實現(xiàn)了光伏本地消納最大化。另外，當?shù)厥芡饨绛h(huán)境影響時，不同時間尺度下的儲能配置可保證負荷安全穩(wěn)定高效運行。

4 結(jié)束語

該文以陜西省咸陽市彩虹光伏電站及咸陽彬縣城關(guān)鎮(zhèn)330 kV變電站為實驗平臺，基于電站歷史數(shù)據(jù)，對光伏發(fā)電量、用戶負荷進行預(yù)測，并根據(jù)光伏發(fā)電量與負荷需求量的差值，進行儲能配置分析。得到以下結(jié)論。

不同季節(jié)及天氣類型，光伏發(fā)電量的差異性較大，麻雀優(yōu)化模型在晴天的預(yù)測結(jié)果更準確，陰雨天稍差，但總體而言，該方法能夠提高預(yù)測精度及穩(wěn)定性。

負荷變化具有波動性，選擇LSTM 完成了不同時間尺度下的負荷預(yù)測，預(yù)測精度較高。

4 種儲能配置方案中，基于歷史數(shù)據(jù)配置的儲能容量，光伏本地消納接近100%。結(jié)合實際工程配置的儲能，符合當前能源主管部門對新型電力系統(tǒng)的儲能配置要求。