王吉利，薛飛，黃玉雄，李宏強(qiáng)，李更豐

（1.國家電網(wǎng)西北分部，陜西西安 710048；2.國網(wǎng)寧夏電科院，寧夏銀川 75000；3.西安交通大學(xué)，陜西西安 710049）

0 引言

可再生能源是可持續(xù)經(jīng)濟(jì)增長的新興動力，過去十來年，我國在開發(fā)可再生能源方面取得了顯著進(jìn)展，目前我國可再生能源裝機(jī)容量位居世界第一[1]。新能源的裝機(jī)容量增長迅速，導(dǎo)致棄風(fēng)、棄光現(xiàn)象嚴(yán)重。西北地區(qū)太陽輻射強(qiáng)烈，土地資源豐富，風(fēng)力資源充足，作為我國新能源裝機(jī)容量最高的地區(qū)，當(dāng)?shù)氐南{水平較低，棄風(fēng)、棄光高于全國平均水平。

為了降低棄風(fēng)、棄光水平，首先需要定性研究導(dǎo)致新能源棄電的影響因素。文獻(xiàn)[2]分析了新能源消納機(jī)制和新能源棄電的關(guān)鍵因素；文獻(xiàn)[3]提出了一種量化因負(fù)荷跟隨能力不足而導(dǎo)致棄風(fēng)的影響因素的方法；文獻(xiàn)[4]研究了年度風(fēng)電水平變化、系統(tǒng)負(fù)荷需求與燃料價格參數(shù)不確定性和最小系統(tǒng)慣性約束對棄風(fēng)的影響；文獻(xiàn)[5]提出了一個確定新能源消納障礙的框架；文獻(xiàn)[6]針對巴基斯坦研究了限制新能源使用的因素；文獻(xiàn)[7]提出了一種基于關(guān)鍵斷面辨識的復(fù)雜級聯(lián)電網(wǎng)日前協(xié)調(diào)優(yōu)化方法；文獻(xiàn)[8]研究了西北地區(qū)新能源的棄電及其市場化解決方案；文獻(xiàn)[9]研究了促進(jìn)新能源消納的電力現(xiàn)貨市場交易機(jī)制。

為定量分析多類型影響因素對新能源消納受阻的影響程度，文獻(xiàn)[10]從源、網(wǎng)、荷、市場機(jī)制等方面分析新能源消納受阻因素，建立基于時序生產(chǎn)模擬的新能源消納影響因素貢獻(xiàn)度模型；文獻(xiàn)[11]建立新能源消納影響因素貢獻(xiàn)度的評估模型，提出新能源影響因素敏感因子計算方法，分析了新疆電網(wǎng)新能源消納影響因素的敏感性。文獻(xiàn)[12-14]研究了面向新能源消納的電力系統(tǒng)規(guī)劃、運(yùn)行與交易機(jī)制。文獻(xiàn)[15-17]研究了高比例新能源電力系統(tǒng)的靈活資源規(guī)劃與控制技術(shù)。文獻(xiàn)[18]提出一種考慮頻率安全的新能源并網(wǎng)限值評估方法。

基于量測裝置獲取海量運(yùn)行數(shù)據(jù)，以數(shù)據(jù)驅(qū)動的方式挖掘新能源受阻的影響因素，是一種值得研究的方法[19-20]。本文首先將新能源受阻分為場內(nèi)受阻和場外受阻兩類。其中，場內(nèi)受阻是指由于新能源機(jī)組或設(shè)備的故障、維護(hù)和停運(yùn)等新能源場站內(nèi)部因素導(dǎo)致的棄電；場外受阻是指由于電網(wǎng)送電通道容量不足、系統(tǒng)調(diào)峰能力不足和電網(wǎng)故障等新能源場站外部因素導(dǎo)致的棄電。然后，提出一種區(qū)域電網(wǎng)新能源消納受阻關(guān)鍵影響因素的智能識別方法，根據(jù)實際電網(wǎng)運(yùn)行量測數(shù)據(jù)確定本文所需要評價的影響因素，以影響因素和受阻電力分別作為反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)的輸入和輸出，進(jìn)而基于平均影響值（Mean Impact Value，MIV）算法計算各個影響因素對于新能源受阻電力的貢獻(xiàn)程度，并根據(jù)貢獻(xiàn)程度的大小確定關(guān)鍵因素；最后，基于實際電網(wǎng)運(yùn)行數(shù)據(jù)驗證所提方法的有效性。

1 新能源消納影響因素

1.1 影響因素分析

電網(wǎng)傳輸通道的傳輸容量是指在系統(tǒng)穩(wěn)定運(yùn)行的條件下，可以從送端傳輸?shù)绞芏说淖畲蠊β?。通道輸送能力受到電網(wǎng)暫態(tài)約束、穩(wěn)態(tài)約束等多方面系統(tǒng)情況影響。在輸送通道容量充足情況下，實際輸送功率則會受到電源發(fā)電能力、受端電網(wǎng)接納能力、電力市場交易開展情況等多方面因素的影響。

由于集中式的新能源場站遠(yuǎn)離負(fù)荷中心，新能源占比較高的區(qū)域電網(wǎng)形成了長鏈、多階段的輸電通道，級聯(lián)傳輸斷面在運(yùn)行期間相互耦合，之間存在較強(qiáng)的鉗制效應(yīng)，即存在較強(qiáng)的相關(guān)性。整個傳輸通道中的傳輸斷面較多，運(yùn)行模式組合較多，控制策略復(fù)雜。隨著新能源接入規(guī)模的不斷擴(kuò)大以及特高壓交流和直流輸電通道的不斷建設(shè)和投入運(yùn)行，長距離、連鎖輸電通道斷面的運(yùn)行特性越來越復(fù)雜，長距離級聯(lián)輸電通道斷面存在不確定場景。

一般來說，新能源消納受阻因素可分為兩類，即新能源場站內(nèi)受阻和新能源場站外受阻，如圖1所示。新能源場站內(nèi)受阻是指新能源場站發(fā)電、傳輸和轉(zhuǎn)換設(shè)備的故障、維護(hù)和中斷造成的電力損失。場內(nèi)棄電量的大小是衡量新能源發(fā)電企業(yè)經(jīng)營管理水平的重要指標(biāo)，如果場內(nèi)棄電量較大，說明新能源發(fā)電公司及其電站的設(shè)備運(yùn)維管理水平有待提高，場內(nèi)棄電一般包括以下原因：1）風(fēng)電、光伏發(fā)場站內(nèi)部設(shè)備的缺陷、故障以及機(jī)組脫網(wǎng)導(dǎo)致的電力上網(wǎng)中斷；2）并網(wǎng)技術(shù)條件不符合相關(guān)標(biāo)準(zhǔn)要求，處于整改期；3）根據(jù)相關(guān)法律、法規(guī)，確定廠站違反調(diào)度紀(jì)律，處于整改期；4）電站以臨時方案連接到電力系統(tǒng)，未經(jīng)電網(wǎng)批準(zhǔn)。

新能源場站外受阻是指由于電網(wǎng)送電通道傳輸容量不足、調(diào)峰容量不足和電網(wǎng)故障導(dǎo)致的電力損失。場外棄電一般包括以下原因：（1）電網(wǎng)通道輸送能力不足而造成電力損失；（2）市場消納能力不足而造成電力損失；（3）電網(wǎng)故障和緊急維修造成電力損失；（4）系統(tǒng)調(diào)峰能力不足而造成電力損失。

由于新能源受阻影響因素眾多且影響機(jī)理復(fù)雜，為輔助電網(wǎng)運(yùn)營商進(jìn)行用電規(guī)劃和生產(chǎn)運(yùn)行規(guī)劃管理，全面提升風(fēng)能、太陽能等新能源消納能力，可以基于大數(shù)據(jù)技術(shù)對電力系統(tǒng)歷史運(yùn)行數(shù)據(jù)進(jìn)行挖掘，從而發(fā)現(xiàn)影響新能源受阻的關(guān)鍵因素，以此為基礎(chǔ)針對性地提升新能源消納能力。

1.2 影響因素選取

通過分析西北地區(qū)某省級電網(wǎng)的實測數(shù)據(jù)，歸納得到本文的新能源消納受阻因素，如表1 所示。考慮到場內(nèi)受阻因素與具體新能源場站運(yùn)營商的經(jīng)營策略相關(guān)，因此本文主要分析場外受阻因素，將影響因素分為調(diào)峰受阻、傳輸受阻和整體因素三類。

表1 影響因素Table 1 Hindering factors for renewable energy consumption

調(diào)峰受阻是影響新能源消納的重要因素，當(dāng)新能源出力大于調(diào)峰能力時，考慮到新能源出力的不確定性，電網(wǎng)需要切除部分新能源機(jī)組，以保證系統(tǒng)安全可靠運(yùn)行，從而導(dǎo)致了棄風(fēng)、棄光現(xiàn)象；新能源功率上網(wǎng)后，還會受到各級傳輸斷面的容量限制，影響高比例新能源電力系統(tǒng)的新能源外送通道主要涉及110 kV、330 kV 和750 kV 3 個電壓等級，且3 個電壓等級之間存在遞進(jìn)和級聯(lián)關(guān)系，因此本文建立新能源傳輸受阻的三級受阻斷面模型，如圖2 所示。

圖2 新能源消納三級受阻示意圖Fig.2 Schematic diagram of three-level obstruction of renewable energy consumption

新能源場站發(fā)出的電力最先經(jīng)過110 kV 匯集線，因此上網(wǎng)功率直接受到110 kV 匯集線和主變的容量限制，330 kV 送出線及750 kV 主變作為上級受阻斷面，其容量也會限制風(fēng)電、光伏功率的送出；同樣，從系統(tǒng)整體角度來看，水電、火電以及負(fù)荷水平的大小都與新能源消納受阻有一定的關(guān)聯(lián)性，當(dāng)水電和火電的出力水平較高而負(fù)荷水平較低時，與調(diào)峰受阻類似，會引起棄風(fēng)、棄光現(xiàn)象的出現(xiàn)。

得到3 類影響因素后，進(jìn)一步以具體線路和斷面有功功率的時序數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入，以新能源受阻電力作為神經(jīng)網(wǎng)絡(luò)模型的輸出，通過分析輸入與輸出之間的相關(guān)性來識別關(guān)鍵受阻影響因素。

2 基于BP-MIV的關(guān)鍵影響因素辨識

2.1 關(guān)鍵影響因素辨識的神經(jīng)網(wǎng)絡(luò)模型

BP 神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)。BP 神經(jīng)網(wǎng)絡(luò)基于梯度下降法，使網(wǎng)絡(luò)的實際輸出值與期望輸出值之間的誤差平方和最小化。BP 算法的主要思想是將學(xué)習(xí)過程分為2 個階段，即信號的正向傳播和誤差的反向傳播。在正向傳播階段，輸入信息通過隱藏層從輸入層傳遞到輸出層，輸出信號在輸出端形成。在信號前向傳播的過程中，網(wǎng)絡(luò)的權(quán)值是固定的，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)；如果在輸出層中沒有達(dá)到要求的輸出，則誤差信號將反向傳播，在反向傳播階段，不滿足精度要求的誤差信號逐步向前傳播，誤差由每一層的所有單元共享，根據(jù)誤差信號動態(tài)調(diào)整權(quán)值。神經(jīng)元之間的權(quán)重值在前后調(diào)整的周期中不斷修正，當(dāng)輸出信號的誤差滿足精度要求時，學(xué)習(xí)停止。

最簡單的BP 神經(jīng)網(wǎng)絡(luò)有3 層，分別為輸入層、隱藏層和輸出層，如圖3 所示。本文采用BP 神經(jīng)網(wǎng)絡(luò)刻畫新能源消納受阻影響因素和受阻電力之間的關(guān)聯(lián)關(guān)系，以受阻因素和受阻電力分別作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出，中間包含一層隱藏層。輸入層包括3 種類型的影響因素，輸出層為具體的受阻電力，輸入層影響因素向量為X=[x1,x2,…,xm]，輸出層受阻電力向量為Y=[y1,y2,…,yn]，其中m和n為向量的維度。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Topology structure of BP neural network

在該網(wǎng)絡(luò)中，每個輸入神經(jīng)元都有一個權(quán)重，將輸入乘以權(quán)重得到神經(jīng)元的輸出，然后被轉(zhuǎn)移到下一層。隱藏層和輸出層中的每個神經(jīng)元都有一個偏置，將其輸入的總和與偏置進(jìn)行求和可以得到神經(jīng)元的輸出，再通過激活函數(shù)的作用得到預(yù)測值。

2.2 基于MIV的影響因素貢獻(xiàn)度排序

訓(xùn)練得到BP 神經(jīng)網(wǎng)絡(luò)后，進(jìn)一步使用MIV 算法計算每個影響因素對受阻電力的影響程度。MIV算法計算各個影響因素的貢獻(xiàn)度的過程如下：

1）形成新的影響因素數(shù)據(jù)。對第i個輸入影響因素的數(shù)據(jù)在其自身基礎(chǔ)上分別自增減10%，形成兩個新的輸入Xi+和Xi-；

2）計算對應(yīng)的受阻電力預(yù)測值。將Xi+和Xi-輸入到訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)模型中，分別計算得到受阻電力Yi+和Yi-；

3）計算影響因素的平均影響值。計算輸出預(yù)測值Yi+和Yi-的差值的平均值，即可以得到影響因素i的變化對受阻電力的平均影響值；

根據(jù)每個影響因素對受阻電力的平均影響值，其絕對值表示影響因素的相對影響權(quán)重，正負(fù)則表示影響因素與新能源受阻電力的相關(guān)方向，最后根據(jù)式（3）計算第i個影響因素對受阻電力的相對貢獻(xiàn)度。

式中：θi為第i個自變量對因變量的相對貢獻(xiàn)度。

根據(jù)步驟（3）可以計算出各個影響因素的貢獻(xiàn)度，通過對影響因素貢獻(xiàn)度進(jìn)行排序，就可以得到關(guān)鍵的影響因素。

3 算例分析

3.1 算例介紹

本文以西北某省級電網(wǎng)2020 年實際運(yùn)行數(shù)據(jù)為測試案例，采樣時間間隔為15 min，共有62 個關(guān)于有功功率量測的時序數(shù)據(jù)集，包括20 個110 kV風(fēng)電匯集線輸送有功功率時序數(shù)據(jù)集；15 個330 kV傳輸線輸送有功功率時序數(shù)據(jù)集；4 個750 kV 主變輸送有功功率時序數(shù)據(jù)集；6 個傳輸斷面輸送有功功率時序數(shù)據(jù)集；5 個傳輸斷面受阻電力時序數(shù)據(jù)集；3 個直流輸電線路輸送有功功率時序數(shù)據(jù)集；9個整體因素數(shù)據(jù)集（包括整體調(diào)峰受阻、整體斷面受阻、整體棄風(fēng)、棄光等）。由于整體調(diào)峰受阻和整體斷面受阻與新能源棄電直接相關(guān)，因此將整體調(diào)峰受阻、整體傳輸受阻、整體棄風(fēng)和整體棄光作為BP 神經(jīng)網(wǎng)絡(luò)的輸出變量，剩下的58 個影響因素作為BP 神經(jīng)網(wǎng)絡(luò)的輸入變量。該地區(qū)實際系統(tǒng)受阻分層結(jié)構(gòu)如圖4 所示，圖中給出了所選影響因素的有功功率量測數(shù)據(jù)集對應(yīng)的具體位置，涉及110 kV，330 kV 和750 kV 三級受阻斷面，其中L110，L330，T750，TS 分別為110 kV 風(fēng)電匯集線、330 kV 送出線、750 kV 主變壓器、傳輸斷面。圖4 中的具體命名規(guī)則，以T750_S 為例，其中“T750”為750 kV 主變，而“S”為該主變所在地點(diǎn)的脫敏標(biāo)識。

圖4 某實際系統(tǒng)受阻分層圖Fig.4 Layered diagram of renewable energy obstruction in an actual system

3.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測試

對于建立的新能源消納受阻關(guān)鍵因素和受阻電力之間的BP 神經(jīng)網(wǎng)絡(luò)模型，選取的影響因素個數(shù)為58，輸入的數(shù)據(jù)通過輸入層進(jìn)行了標(biāo)準(zhǔn)化；隱藏層層數(shù)為1，包含128 個單元，并使用tanh 作為激活函數(shù)；輸出層包含4 個受阻電力，使用identity 函數(shù)作為輸出層中的激活函數(shù)；將誤差平方和作為誤差函數(shù)，數(shù)據(jù)集中訓(xùn)練集和測試集的劃分如表2 所示。

表2 訓(xùn)練集和測試集的設(shè)置Table 2 Setup of training and test sets

BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間為6.68 s，訓(xùn)練和測試性能的基本參數(shù)列于表3，訓(xùn)練終止條件為連續(xù)1 步誤差為減少。從訓(xùn)練和測試結(jié)果可以看出，輸出的風(fēng)電和光伏受阻電力預(yù)量測的相對誤差都小于調(diào)峰受阻和傳輸受阻的相對誤差。圖5 至圖8 分別為調(diào)峰受阻、傳輸受阻、棄風(fēng)和棄光量的實際值和預(yù)測值的對比結(jié)果。圖中的橫坐標(biāo)表示各個參數(shù)的實際值，縱坐標(biāo)表示BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測值。圖中的數(shù)據(jù)基本沿著斜向上的對角線分布，說明預(yù)測值與實際值較為接近，BP 神經(jīng)網(wǎng)絡(luò)具有良好的擬合效果，訓(xùn)練后的BP 神經(jīng)網(wǎng)絡(luò)可以有效地表達(dá)影響因素與受阻電力變量之間的關(guān)系。

表3 訓(xùn)練和測試表現(xiàn)Table 3 Performance of training and testing

圖5 調(diào)峰受阻的實際值和預(yù)測值Fig.5 Actual and predicted values of peak shaving obstruction

圖6 傳輸受阻的實際值和預(yù)測值Fig.6 Actual and predicted values of transmission section obstruction

圖7 風(fēng)電受阻的實際值和預(yù)測值Fig.7 Actual and predicted values of wind power obstruction

圖8 光伏受阻的實際值和預(yù)測值Fig.8 Actual and predicted values of photovoltaic power obstruction

3.3 關(guān)鍵影響因素識別結(jié)果

基于所提模型和方法計算影響因素的平均影響值，結(jié)果如圖9 所示，圖中的縱坐標(biāo)為各個影響因素的再去除敏感信息后的編號，橫坐標(biāo)為各個影響因素的MIV 大小。各個影響因素按照MIV 的大小自上而下進(jìn)行排序。其中L110，L330，T750，TS，TSB，DC 分別表示110 kV 風(fēng)電匯集線、330 kV 風(fēng)電傳輸線路、750 kV 主變壓器、傳輸斷面、傳輸斷面受阻、直流線路。通過對排序結(jié)果和實際結(jié)合分析，可以得出以下結(jié)論：

圖9 影響因素平均影響值排序Fig.9 MIV ranking of influential factors

1）對整體新能源消納受阻影響最大的是TSB_J，TSB_D，TSB_L 和TSB_P 傳輸受阻有功功率時序數(shù)據(jù)影響因素。由圖4 可知，TSB 表示330 kV 傳輸斷面，SB_J，TSB_D，TSB_L 和TSB_P 對于受阻電力的影響較高表示電網(wǎng)（330 kV）送電通道傳輸容量受限是該實際系統(tǒng)新能源消納受阻的主要影響因素。

2）330 kV 傳輸線路貢獻(xiàn)度總體比110 kV 匯集線貢獻(xiàn)度更高，110 kV 匯集線的貢獻(xiàn)度較低，這是因為風(fēng)場送出線作為風(fēng)場的配套建設(shè)工程，其容量往往能消納對應(yīng)的風(fēng)電功率，而限制風(fēng)電功率送出的線路和斷面通常在出現(xiàn)在上級網(wǎng)架。

3）新能源發(fā)電量與整體發(fā)電量對消納受阻影響也較大，也是影響新能源消納的關(guān)鍵因素。該結(jié)論符合實際經(jīng)驗，即新能源的整體發(fā)電量的增加將加劇各個具體的影響因素的受限程度，從而引起新能源消納受阻；而整體發(fā)電量還包括其他類型機(jī)組的發(fā)電量，例如火電和水電機(jī)組的發(fā)電量，其他類型的機(jī)組的發(fā)電量增加將進(jìn)一步擠占風(fēng)電、光伏機(jī)組的出力，從而引起新能源消納受阻。

4）直流線路作為新能源外送通道，其輸送功率需要根據(jù)運(yùn)行方式進(jìn)行調(diào)整，往往與新能源消納受阻相關(guān)性較弱。

實際運(yùn)行中一般選取已有歷史記錄斷面受阻數(shù)據(jù)中受阻電力或受阻電量較大的斷面作為關(guān)鍵影響斷面。如表4 所示，對比了受阻電力和電量較大的幾個影響斷面的排序結(jié)果，可以發(fā)現(xiàn)本文方法得到的受阻斷面平均影響值的排序結(jié)果中傳輸斷面受阻TSB_J，TSB_D，TSB_L 和TSB_S 排序結(jié)果相同，僅TSB_P 的排序位置有所不同，證明本文所提方法能有效識別新能源受阻的關(guān)鍵影響因素，可以用于定量評估影響因素及其對新能源受阻電力的貢獻(xiàn)度。

表4 關(guān)鍵影響因素對比Table 4 Comparison of key influential factors

4 結(jié)論

本文針對高比例新能源區(qū)域電網(wǎng)新能源消納受阻的影響因素辨識進(jìn)行研究，提出一種基于BP-MIV算法的關(guān)鍵受阻因素智能識別方法。首先對新能源消納受阻的類型進(jìn)行分析，進(jìn)一步確定本文待分析的受阻影響因素集合；然后建立了關(guān)鍵影響因素辨識的神經(jīng)網(wǎng)絡(luò)模型，利用BP-MIV 算法定量分析各個影響因素對于受阻電力的貢獻(xiàn)度；最后基于實際電網(wǎng)運(yùn)行數(shù)據(jù)對所提方法的有效性進(jìn)行驗證，結(jié)果表明，本文方法得到的受阻斷面貢獻(xiàn)度的排序結(jié)果與利用傳輸斷面受阻電量或受阻電力排序結(jié)果基本相同，證明所提方法能夠有效分析出新能源受阻的關(guān)鍵影響因素。