樊茂森,高 龍,胡文麗,何 燕,楊嘉良

(國(guó)網(wǎng)河北省電力有限公司保定供電分公司,河北 保定 071051)

0 引言

近年來(lái)隨著新能源電站裝機(jī)容量的不斷增加,我國(guó)能源結(jié)構(gòu)發(fā)生重大改變,從曾經(jīng)占重要地位的水電、火電模式逐漸向光伏、風(fēng)力發(fā)電等新能源模式傾斜,截至2021年底,全國(guó)光伏發(fā)電裝機(jī)容量為3.06億k W,在可再生能源發(fā)電裝機(jī)總?cè)萘恐械恼急葹?2.9%[1]。2021年,全國(guó)光伏新增裝機(jī)容量為5 488萬(wàn)k W,在可再生能源新增裝機(jī)容量中份額占比最大,達(dá)到31.1%,其中,光伏電站新增裝機(jī)容量2 560萬(wàn)k W,分布式光伏新增裝機(jī)容量2 928萬(wàn)k W。

分布式光伏相比于集中式光伏具有就近發(fā)電,就近并網(wǎng)、就近轉(zhuǎn)換、就近使用的優(yōu)勢(shì),不僅能夠高效率地將光能轉(zhuǎn)換為清潔電能,同時(shí)還能有效解決電力在升壓及長(zhǎng)途運(yùn)輸中的損耗問(wèn)題。隨著新能源占比的提高,電網(wǎng)調(diào)峰資源越來(lái)越緊張,有時(shí)僅僅靠集中式光伏電站與風(fēng)電場(chǎng)不足以應(yīng)對(duì)電網(wǎng)調(diào)峰需求。分布式光伏參與電網(wǎng)調(diào)峰逐漸成為一個(gè)不可繞開(kāi)的課題。然而分布式光伏相比于集中式光伏分布范圍更廣,亟需一個(gè)科學(xué)的棄限電量統(tǒng)計(jì)方法來(lái)計(jì)算調(diào)峰后電網(wǎng)棄光電量與用戶損失。

目前專業(yè)內(nèi)多采用測(cè)光法和樣板機(jī)法計(jì)算分布式光伏棄限電量[2]。測(cè)光法利用太陽(yáng)輻射量、電池板總面積、光電轉(zhuǎn)換效率、電池板衰減率等相乘得到光伏斷網(wǎng)后的理論發(fā)電量,但受光伏面板清潔度、霧霾沙塵等天氣因素影響較大,測(cè)算準(zhǔn)確性過(guò)度依賴于氣象條件。樣板機(jī)法利用樣板機(jī)折算總體分布式光伏理論發(fā)電量,這種方法受天氣因素影響較小,但過(guò)度依賴樣板機(jī)的選取,樣板機(jī)選取的難度較大,選取時(shí)要盡量多而散,樣板機(jī)平均發(fā)電效率要盡可能代表總體光伏的發(fā)電效率。

隨著人工智能算法的發(fā)展,利用天氣預(yù)報(bào)、地理位置、光伏發(fā)電特征等構(gòu)建輸入特征與電力輸出關(guān)系來(lái)預(yù)測(cè)分布式光伏發(fā)電的方法越來(lái)越多。文獻(xiàn)[3]提出了應(yīng)用聚類算法對(duì)分布式光伏進(jìn)行分析,在此基礎(chǔ)上建立了基于BP-NN 的光伏電力預(yù)測(cè)模型。文獻(xiàn)[4]介紹了基于Kriging空間差值法的光伏電力預(yù)測(cè)方法。文獻(xiàn)[5]介紹了基于模糊神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量短期預(yù)測(cè)方法。上述方法主要應(yīng)用在分布式光伏預(yù)測(cè)方面,而分布式光伏棄限電量統(tǒng)計(jì)存在數(shù)據(jù)量大、影響因素多、依賴近期歷史數(shù)據(jù)等特征,可以借鑒人工智能算法的優(yōu)勢(shì)來(lái)提高估算精度。

1 分布式光伏棄限電量統(tǒng)計(jì)

分布式光伏電站通常是指利用分散式資源,裝機(jī)規(guī)模較小、布置在用戶附近的發(fā)電系統(tǒng)[6-8]。分布式光伏發(fā)電遵循因地制宜、清潔高效、分散布局、就近利用的原則,充分利用當(dāng)?shù)靥?yáng)能資源,替代和減少化石能源消費(fèi)。GB 50797-2012《光伏發(fā)電站設(shè)計(jì)規(guī)范》中指出分布式光伏的上網(wǎng)發(fā)電量

式中:HA為太陽(yáng)能年總輻照量;FZA為系統(tǒng)安裝容量;K為綜合效率系數(shù)。其中K受逆變器型號(hào)、光伏板使用年限、光伏板表面清潔程度等種因素影響。

分布式光伏棄限電量統(tǒng)計(jì)難度主要體現(xiàn)在兩方面[9-12]。首先是每個(gè)光伏板的太陽(yáng)能年總輻射量不同,分布式光伏一般多建在農(nóng)村用戶屋頂,存在分散面積廣,每戶光照量相差大的特點(diǎn),而集中式光伏一般比較集中,不存在光照量差別大的情況。其次是綜合系數(shù)差別大,分布式光伏由于逆變器型號(hào)、使用年限、清潔程度等因素的不同,發(fā)電效率差別較大,集中式光伏一般是集中采購(gòu),集中管理。分布式光伏很難像集中式光伏那樣用統(tǒng)一的計(jì)算公式準(zhǔn)確地估計(jì)棄限電量。

2 樣板機(jī)估算法

集中式光伏電站采用以光伏樣板機(jī)進(jìn)行容量折算的方法[13-16]。參考集中式光伏電站棄限電量計(jì)算方法,可將分布式光伏分為不同區(qū)域,按區(qū)域(縣)去選擇樣板機(jī),限電后利用各個(gè)區(qū)域樣板機(jī)估算總體限電量,再統(tǒng)計(jì)離網(wǎng)分布式光伏容量,折算得到棄限電量。這樣就可以最小化太陽(yáng)能輻射量不同帶來(lái)的誤差影響,計(jì)算方法如下

式中:P j,m為分布式光伏限電后區(qū)域j第m戶估算發(fā)電功率;k為樣板光伏戶數(shù);m為被控分光伏戶數(shù);N j,m為區(qū)域j第m戶被控分的分布式光伏容量;M k為第k戶樣板分布式光伏容量;P j,k為j區(qū)域第k戶樣板光伏分布式光伏用戶的實(shí)際功率;P j為分布式光伏區(qū)域j估算發(fā)電功率;P為整個(gè)地區(qū)分布式光伏限電后估算發(fā)電功率。

這種方法的優(yōu)點(diǎn)是實(shí)用性高,計(jì)算簡(jiǎn)便,容易操作。但由于分布式光伏分布范圍廣,發(fā)電效率相差較大,公式存在一定量的誤差。后續(xù)需要利用人工智能、機(jī)器學(xué)習(xí)方法,結(jié)合歷史數(shù)據(jù)對(duì)實(shí)際功率與估算功率進(jìn)行逼近。

3 考慮回歸算法修正的棄限電量統(tǒng)計(jì)方法

樣板機(jī)法主要用樣本來(lái)估計(jì)總體發(fā)電量,然后用整體來(lái)估計(jì)分布式離網(wǎng)后的棄限電量[17 18]。這種方法的誤差主要為樣板機(jī)發(fā)電效率會(huì)隨時(shí)間變化,綜合系數(shù)K差別較大,樣板難以精確地代表整體,可以考慮通過(guò)加入光伏總體發(fā)電效率的歷史曲線,利用回歸算法進(jìn)行修正。以一個(gè)區(qū)域舉例,先計(jì)算每個(gè)區(qū)域的棄限電量,最后再將所有區(qū)域相加。考慮回歸算法修正的棄限電量統(tǒng)計(jì)方法的流程如圖1所示。

圖1 考慮回歸算法修正的棄限電量統(tǒng)計(jì)方法的流程

3.1 樣本的選取

可以將分布式光伏進(jìn)行區(qū)域劃分,劃分盡量多的區(qū)域來(lái)減少地理位置不同帶來(lái)的光照差別影響,并在各個(gè)區(qū)域盡量選取多而散的樣本來(lái)提高估算精準(zhǔn)度。

分布式光伏用戶數(shù)量較多,受安裝角度、型號(hào)、地理位置等多種因素影響,可能會(huì)導(dǎo)致分布式光伏出力情況較為復(fù)雜,可以參考?xì)v史發(fā)電效率。例如選取過(guò)去30天內(nèi)平均發(fā)電效率與該地區(qū)總體發(fā)電效率接近的光伏來(lái)當(dāng)樣板機(jī),盡可能的提高樣本估計(jì)精度。

3.2 計(jì)算樣本單位容量發(fā)電量

根據(jù)選取的樣板光伏折算單位容量發(fā)電量

3.3 樣本單位容量發(fā)電量與實(shí)際單位發(fā)電量比較

分布式光伏發(fā)電功率為

式中:M為該地區(qū)分布式光伏總體裝機(jī)容量;γ為該地區(qū)分布式光伏實(shí)際發(fā)電效率。

已知總體分布式光伏容量情況下,如果正確預(yù)估樣本發(fā)電效率γ-就能正確估計(jì)出發(fā)電功率,進(jìn)而積分得到棄限電量。實(shí)際發(fā)電效率與樣本發(fā)電效率之間的關(guān)系為

式中:?為修正系數(shù)。

發(fā)電效率會(huì)隨著光伏板清潔程度和使用年限變化,?也會(huì)隨著時(shí)間變化。因此,采用過(guò)去一段時(shí)間光伏數(shù)據(jù)進(jìn)行修正,引入機(jī)器學(xué)習(xí)的回歸算法使公式逼近實(shí)際值。

3.4 回歸算法修正

回歸算法是一種監(jiān)督算法,從機(jī)器學(xué)習(xí)的角度出發(fā),構(gòu)建一個(gè)算法模型(函數(shù))做屬性(X)與標(biāo)簽(Y)之間的映射關(guān)系[19-20]。在算法的學(xué)習(xí)過(guò)程中,訓(xùn)練公式中的參數(shù)尋找到一個(gè)函數(shù)使得參數(shù)之間的關(guān)系擬合性最好?；貧w算法中函數(shù)最終結(jié)果是一個(gè)連續(xù)的數(shù)據(jù)值,輸入值是也一個(gè)數(shù)值向量。回歸算法的標(biāo)準(zhǔn)公式為

式中:hθ為因變量;θi為修正系數(shù);x i為自變量;n為樣本個(gè)數(shù);X為x i組成的矩陣。

利用人工智能的回歸算法加入過(guò)去n天的歷史數(shù)據(jù),對(duì)公式模型進(jìn)行訓(xùn)練得到Z的參數(shù)。

式中:K jn為j區(qū)域第n天的發(fā)電效率數(shù)據(jù);Z n為需要訓(xùn)練的參數(shù)。Z為通過(guò)回歸算法得出的修正系數(shù),用來(lái)使計(jì)算值逼近實(shí)際值,減少誤差,并沒(méi)有實(shí)際物理意義。

損失函數(shù)為

J q為損失函數(shù)值,用來(lái)估量模型的預(yù)測(cè)值與真實(shí)值的不一致程度,數(shù)值越小,模型的魯棒性就越好。利用梯度下降法使損失函數(shù)最小求解參數(shù)Z1到Z n,構(gòu)建算法模型。

最后棄限電量模型為

4 仿真試驗(yàn)對(duì)比分析

例如數(shù)據(jù)集為區(qū)域A 過(guò)去30天分布式光伏曲線數(shù)據(jù),共50 戶分布式光伏用戶,隨機(jī)選取2個(gè)加入樣板數(shù)據(jù),選取過(guò)去5天數(shù)據(jù)進(jìn)行回歸算法訓(xùn)練,見(jiàn)圖2。

圖2 回歸算法修正的棄限電量統(tǒng)計(jì)方法效果

從仿真結(jié)果可以看出樣板機(jī)法離實(shí)際曲線差別較大,樣板光伏的準(zhǔn)確性主要取決于樣板光伏的選取,可以根據(jù)歷史曲線選出更具有代表性的光伏樣板進(jìn)行估算來(lái)優(yōu)化準(zhǔn)確性?；诨貧w算法修正的分布式光伏棄限電量統(tǒng)計(jì)方法與實(shí)際曲線更為接近。在實(shí)際應(yīng)用中,為了提升估算準(zhǔn)確性,參考天數(shù)因素可以進(jìn)一步優(yōu)化。較短的參考天數(shù)可能會(huì)導(dǎo)致模型過(guò)于敏感,難以捕捉到季節(jié)性和周期性的變化,從而影響對(duì)未來(lái)光伏棄限電量的準(zhǔn)確預(yù)測(cè)。相反,較長(zhǎng)的參考天數(shù)可以提供更多的歷史信息,有助于更好地理解光伏電量與氣象因素之間的關(guān)系。

5 結(jié)束語(yǔ)

基于回歸算法修正的分布式光伏棄限電量統(tǒng)計(jì)方法相比于樣板機(jī)法可以充分利用歷史數(shù)據(jù)對(duì)精準(zhǔn)度進(jìn)行修正,相比于樣板機(jī)法能夠更好的適應(yīng)外部環(huán)境的變化,為分布式光伏的調(diào)峰管理提供數(shù)據(jù)支撐。為了提高精準(zhǔn)程度,可以考慮對(duì)模型改進(jìn),考慮嘗試更復(fù)雜的機(jī)器學(xué)習(xí)模型或者深度學(xué)習(xí)方法捕捉歷史數(shù)據(jù)和氣象因素之間的復(fù)雜關(guān)系,從而提高預(yù)測(cè)的精準(zhǔn)度。