光伏发电功率波动性及其自动发电控制备用需求计算方法

摘要

本发明属于光伏并网发电技术领域，尤其涉及一种基于自回归模型的光伏发电功率波动性及其自动发电控制备用需求计算方法，使用气象数据进行仿真得到光伏阵列的出力，并利用光伏阵列出力数据对不同时间尺度和不同空间尺度的光伏发电波动特性进行分析；提出使用自回归模型对光伏发电出力数据进行频谱分析，得到光伏发电出力波动的关键时间尺度；利用滚动平均法对关键时间尺度的分量进行分离，验证了采用t分布拟合其概率分布效果良好，并计算得到示例的AGC容量需求，为定量分析光伏发电波动性提供了具体操作方法，对促进间歇性新能源消纳，保证电网安全稳定运行的研究具有一定的参考意义。

说明书

技术领域

本发明属于光伏并网发电技术领域，尤其涉及一种基于自回归模型的光伏发电功率波动性及其自动发电控制备用需求计算方法。

背景技术

在当今传统化石能源短缺的现状和发展低碳经济的大背景下，太阳能光伏发电以其清洁、可再生、蕴藏量极大的特点，成为发展前景最被看好的可再生能源产业之一。在当今能源短缺的现状下，各国都加紧了发展光伏的步伐，日本提出了在2020年达到28GW的光伏发电总量，欧洲光伏协会提出了“setfor2020”规划，规划在2020年让光伏发电做到商业化竞争。在我国，截至2013年底，全国累计并网运行光伏发电装机容量1942万千瓦。预计到2015年，我国的光伏电站装机容量将达到10GW。

然而，太阳能光伏发电受太阳辐射强度、天气、环境温度等因素影响，其出力具有很强的波动性，将对电网的安全和稳定运行带来不利的影响。研究太阳能光伏发电功率波动特性并合理确定AGC(自动发电控制)备用容量，对促进间歇性新能源消纳，保证电网的安全运行都有重要的意义。

发明内容

为了精确分析光伏发电功率波动性，提高电网运行的安全性和稳定性，本发明提出了一种基于自回归模型的光伏发电功率波动性及其自动发电控制备用需求计算方法，包括：

步骤1、通过采集气象数据来计算光伏面板的总辐照度；

步骤2、根据光伏面板的总辐照度计算光伏发电功率；

步骤3、根据气象数据分析得到不同时间尺度下光伏发电波动量的累积分布函数；

步骤4、分析光伏阵列不同位置的光伏发电波动量数据，获得不同时间尺度下和不同空间尺度下光伏发电波动量的累积分布函数；

步骤5、采用自回归模型对光伏发电功率序列进行频谱分析，找出序列中主要的周期分量；

步骤6、采用滚动平均法对关键时间尺度下的波动分量进行分离，得到与负荷幅值采样和存储周期相对应的各个时刻的调节负荷分量；

步骤7、采用概率密度分布函数，确定大规模光伏电站接入电网引起的自动发电控制备用容量需求；

步骤8、针对时间尺度为秒级的功率波动由一次调频来平衡，针对秒级以上时间尺度的功率波动则通过调节机组出力进行调节。

所述步骤1中光伏面板的总辐照度的计算公式为：

G＝G_bcosθ+G_d(1+cosβ)/2+ρG_h(1-cosβ)/2

式中：G表示光伏面板的总辐照度，单位W/m²；G_h为水平面上的总辐照度，单位W/m²；G_b、G_d分别为直接辐照度和散射辐照度，单位W/m²；ρ为地面反射率，β为光伏面板的安装倾角；其中，G_h＝G_bcosθ_z+G_d，θ、θ_z分别为太阳光入射到光伏面板和水平面的入射角。

所述步骤2中光伏发电功率的计算公式为：

P_mpp＝U_mppI_mpp

>

$>\frac{I_{mpp}}{I_{SC}}=1-a^{-b}$>

式中，P_mpp、U_mpp以及I_mpp分别为光伏面板输出的最大功率点功率、最大功率点电压和最大功率点电流，a、b、r_s、v_oc为计算定义的中间变量；U_oc、I_sc分别为在当前辐照度和工作温度下的光伏面板的开路电压和短路电流。

所述步骤6中滚动平均法通过对光伏出力曲线P上每一个数据的前、后一段数值滚动求平均，由此获得一条平滑的光伏出力曲线P_r，计算原始出力曲线P和得到的平滑的出力曲线P_r的差值，即可得到相对时间尺度的波动分量，计算公式为：

$>P_r=\frac{1}{2M}\left(P_{t-(M-1)}+P_{t-(M-2)}+...+P_t+P_{t+1}+...+P_{t+M}\right)$>

式中，P_r为经过滚动平均法平滑出力后得到的时刻t的出力值；P_t为原始出力曲线上时刻t的出力值；2M为作滚动平均的出力数据的个数，取决于滚动平均的时段长度。

所述步骤7中概率密度分布函数为tlocation-scale分布函数。

本发明的有益效果在于：使用气象数据进行仿真得到光伏阵列的出力，并利用光伏阵列出力数据对不同时间尺度和不同空间尺度的光伏发电波动特性进行研究；提出使用自回归模型对光伏发电出力数据进行频谱分析，得到光伏发电出力波动的关键时间尺度；利用滚动平均法对关键时间尺度的分量进行分离，验证了采用t分布拟合其概率分布效果良好，并计算得到示例的AGC容量需求，为定量分析光伏发电波动性提供了具体操作方法，对促进间歇性新能源消纳，保证电网安全稳定运行的研究具有一定的参考意义。

附图说明

图1为本发明提出的基于自回归模型的光伏发电功率波动性及其自动发电控制备用需求计算方法流程图；

图2为总辐照度曲线；

图3为光伏发电功率曲线；

图4为1min及5min时间尺度下光伏发电波动量的累计分布函数；

图5为不同天气条件的光伏阵列出力；

图6为1min及5min时间尺度下总辐照度、光伏发电波动量的累计分布函数；

图7为1min尺度下不同地点光伏发电波动量的累计分布函数；

图8为5min尺度下不同地点光伏发电波动量的累计分布函数；

图9为光伏出力的频谱分析；

图10为光伏出力的5min波动分量；

图11为5min波动分量的概率分布函数；

具体实施方式

下面结合附图，对实施例作详细说明。

本发明提出了一种基于自回归模型的光伏发电功率波动性及其自动发电控制备用需求计算方法，如图1所示，包括：

步骤1、通过采集气象数据来计算光伏面板的总辐照度；

步骤2、根据光伏面板的总辐照度计算光伏发电功率；

步骤3、根据气象数据分析得到不同时间尺度下光伏发电波动量的累积分布函数；

步骤4、分析光伏阵列不同位置的光伏发电波动量数据，获得不同时间尺度下和不同空间尺度下光伏发电波动量的累积分布函数；

步骤5、采用自回归模型对光伏发电功率序列进行频谱分析，找出序列中主要的周期分量；

步骤6、采用滚动平均法对时间尺度下的波动分量进行分离，得到与负荷幅值采样和存储周期相对应的各个时刻的调节负荷分量；

步骤7、采用概率密度分布函数，确定大规模光伏电站接入电网引起的自动发电控制备用容量需求；

步骤8、针对时间尺度为秒级的功率波动由一次调频来平衡，针对秒级以上时间尺度的功率波动则通过调节机组出力进行调节。

针对步骤1，本实施例利用美国亚利山那州OASIS(来源于NREL实验室)分辨率为1min的实际气象数据，通过Rabl模型得到光伏阵列上每分钟的总辐照度大小，并依据光伏阵列所接收的总辐照度和光伏阵列出力的关系，模拟得到光伏阵列的输出功率曲线。

由气象数据得到光伏面板上的总辐照度G的公式如下：

G＝G_bcosθ+G_d(1+cosβ)/2+ρG_h(1-cosβ)/2(1)

式中：G表示光伏面板的总辐照度(W/m²)；G_h为水平面上的总辐照度(W/m²)；G_b、G_d分别为直接辐照度和散射辐照度(W/m²)；ρ为地面反射率(％)，β为光伏面板的安装倾角(°)。其中，参数G_b、G_d来自OASIS的气象数据库，G_h可以通过式(2)进行计算：

G_h＝G_bcosθ_z+G_d(2)

θ、θ_z为太阳光入射到光伏面板和水平面的入射角(°)，这两项参数和太阳与地球的相对运动有关。

针对步骤2，光伏阵列出力计算

光伏面板的总辐照度可以由上述计算得到。假设光伏阵列中，所有光伏面板都工作于最大功率点，根据得到的光伏面板的总辐照度G计算得到的光伏面板的最大功率P_mpp的公式如下：

P_mpp＝U_mppI_mpp(3)

>

$>\frac{I_{mpp}}{I_{SC}}=1-a^{-b}---\left(5\right)$>

式中，P_mpp、U_mpp以及I_mpp分别为光伏面板输出的最大功率点功率、最大功率点电压和最大功率点电流，a、b、r_s、v_oc为计算定义的中间变量；U_oc、I_sc分别为当前辐照度和工作温度下，光伏面板的开路电压和短路电流,该参数大小与G有关。a、b、r_s、v_oc、U_oc、I_sc这几项参数的具体计算方法参考Lorenzo模型进行计算。

本实施例选取2014年10月7日的气象数据(数据来自NREL)，数据的记录时间从4:00开始，于20:00结束。根据实时气象数据对一个1MW的光伏阵列进行仿真，可以得到光伏阵列于2014年10月7日的总辐照度曲线以及光伏发电功率曲线分别如图2和图3。

从图2和图3中可以看出，光伏阵列所接收的总辐照度和光伏阵列的发电功率的波动性基本相同；很明显，光伏阵列所接收的总辐照度是影响光伏阵列发电功率大小的主要因素。

步骤3、不同时间尺度的光伏发电波动特性分析

光伏发电波动特性主要影响电网的频率稳定，本实施例中定义1min的光伏发电波动量为n+1时刻光伏发电功率与n时刻光伏发电功率的差值(光伏发电出力数据的分辨率为1min)，即：

ΔP_1min,n＝(P_n+1-P_n)/P_N×100％,n∈N⁺(6)

同理，定义5min的光伏发电波动量为：

$>{\mathrm{\Delta P}}_{5min,n}=\left(\underset{i=1,...,5}{\max }{P}_{n+i}-\underset{i=1,...,5}{\min }{P}_{n+i}\right)/P_N\times 100\%,n\in N^{+}---\left(7\right)$>

其中，P_N表示对应光伏阵列的总装机容量；ΔP_1min,n和ΔP_5min,n分别为1min和5min的光伏发电波动量，使用百分数表示；P_n、P_n+1和P_n+i分别表示不同时刻的光伏发电功率值。

本实施例依据2014年10月7日的气象数据(数据来自NREL)仿真得到的光伏发电波动量数据作累计分布函数图，如图4所示。

从图4中可以看出，在1min的时间尺度下，90％的光伏发电波动量小于10％，光伏发电波动量的最大值达到47％；在5min的时间尺度下，约70％的光伏发电波动量小于10％，90％的光伏发电波动量小于24％。可以得到：

1)光伏发电波动量大小与所选择的时间尺度有关，时间尺度越长，光伏发电波动量越大，但和时间尺度选择的长短并非线性关系；

2)光伏发电波动量可能在1分钟内超过40％。相关研究表明，光伏发电的波动量可能在数十秒达到60％以上。

从以上的分析可以得到，光伏阵列的出力主要受光伏阵列所接收的总辐照度影响，而气候条件(云层、沙尘、温度、风速等)是影响总辐照度的主要因素。本实施例从OASIS气象数据库中选择同一个观测点四个典型天气日(晴天、阴天、多云天、雨雪天)的气象数据进行光伏阵列出力的仿真，如图5所示的晴天、阴天、多云天、雨雪天4种不同天气条件下光伏阵列出力曲线，可以看出天气对光伏阵列出力的波动水平有显著的影响：晴天时光伏出力平稳，光伏阵列出力波动小；多云天和阴天时，由于受到云层遮挡影响，光伏出力波动量大，短时间内波动量超过装机容量的60％；在雨雪天气，由于光伏阵列接收的太阳辐照度低，光伏阵列出力显著降低。

表1及表2归纳了不同天气条件下，1min及5min时间尺度下光伏发电波动量小于等于a所对应的概率P(P(x≤a))：

表11min时间尺度下累计分布函数值

表25min时间尺度下累计分布函数值

对比不同天气条件下的光伏发电波动可看出，在晴天和雨雪天，1min和5min的光伏发电波动量没有超过10％，对AGC备用需求小；而在阴天和多云天气，光伏发电波动量显著增大；在多云天，约有15％的5min光伏发电波动量超过20％。光伏发电的波动性要求电网有足够的AGC备用容量缓解光伏发电波动对电网的影响，故有必要对大规模光伏发电接入电网引起的AGC需求预测，在保证电网安全可靠运行的前提下最大程度消纳间歇性能源。

步骤4、不同空间尺度的光伏发电波动特性分析

实验观测数据表明，地理位置相近的光伏电站出力具有很高的相似性。从风电随机性的研究中发现，风电场之间的距离和风电场的规模大小都对风电出力的波动性有一定影响，其表现为特定区域内不同位置风资源的波动性相互抵消，使得区域内风电总体波动性减弱，称之为平滑效应。光伏发电出力和风电出力在波动特性上有着相似的特点，类似地，对不同空间尺度下的光伏发电波动特性进行研究。

绝大多数光伏发电站的占地面积在0.08～0.3平方公里，且云层、空气湿度、温度、天气变化等多种影响因素在小范围区域内变化速度很快。为了得到不同空间尺度的光伏发电波动特性，本实施例选取了五个处于不同位置的辐照度测量点，五个位置的经度、纬度、海拔如表3所示：

表3不同测量点的地理信息

其中，在SRRL选取的两个测量点(CM22和CM3)距离为600m，SRRL与NWTCM2、RSR以及TAC三个测量点的距离分别为12km、38km和48km。

分析光伏出力的平滑效应

本实施例首先对单个光伏阵列(CM22测量点)的总辐照度和光伏发电的波动性进行研究。依照光伏发电功率变化量的定义，定义1min的总辐照度波动量为n+1时刻的总辐照度与n时刻的总辐照度的差值(总辐照度数据的分辨率为1min)，

即：

ΔG_1minn＝(G_n+1-G_n)/G_s×100％,n∈N⁺(8)

同理，定义5min的总辐照度波动量为

$>{\mathrm{\Delta G}}_{5\min n}=\left(\underset{i=1,...,5}{\max }{G}_{n+i}-\underset{i=1,...,5}{\min }{G}_{n+i}\right)/G_s\times 100\%,n\in N^{+}---\left(9\right)$>

其中，G_s为总辐照度的参考值，为1000W/m²；ΔG_1minn和ΔG_5minn分别为1min和5min的总辐照度波动量，使用百分数表示；G_n、G_n+1和G_n+i分别表示不同时刻的总辐照度值。

图6为1min和5min时间尺度下总辐照度和光伏发电的累计分布函数。通过对比1MW光伏阵列的光伏发电波动量和该区域总辐照度变化量(数据来自SRRL的CM22测量点)，可以看出，即使在一个光伏阵列中也存在平滑效应：在1min和5min的时间尺度下，光伏发电的波动程度都小于该区域总辐照度的波动程度。

如图7和图8为选取其中2个测量点及5个测量点总和的光伏发电波动量数据，得到的1min及5min时间尺度下光伏发电波动量的累计分布函数。

选取2个测量点的光伏发电波动量及5个测量点光伏发电波动量的总和进行分析，可以得出以下结论：

1)不同地点的光伏发电波动量不同，且距离越远，光伏发电波动量的相关性越低。相距600m的两个测量点(CM22和CM3)光伏阵列出力的相关系数达到0.923，CM22测量点的光伏阵列出力与NWTCM2(距离12km)、RSR(距离38km)以及TAC(距离48km)三个测量点的光伏阵列出力相关系数分别为0.537，0.446和0.275。

2)不同地点的光伏发电波动量互相抵消，整体出力的波动性呈现出平滑的效果。相比于各个测量点的光伏发电波动性，整体出力的波动性降低；在P取值为90％时，1min和5min的整体出力的波动量相比于各个测量点的光伏出力波动量均值，分别减少了47％和28％。

分析说明，大规模光伏电站并网有助于减少光伏发电波动量，且随着规模增加，其平滑效应越来越显著。但大规模光伏电站并网带来的波动性仍然需要匹配一定的AGC备用容量进行频率调整。

步骤5、光伏发电的频谱分析

频谱分析将时间序列分解为不同频率的分量，认为时间序列是不同频率分量叠加的结果。频谱分析法通过研究各个分量的周期变化，充分探究时间序列的频域特性，可用于研究时间序列主要周期的波动特征。而功率谱估计则是针对功率有限的信号的可用能量的频谱分析，表现的是单位频带内信号功率随频率的变换情况。

实现功率谱估计是将广义平稳的过程x(n)表示成一个输入序列μ(n)激励线性系统H(z)的输出，由已知的序列x(n)或其自相关函数r_x(m)来估计H(z)的参数，再由H(z)来估计x(n)的功率谱。

本实施例采用自回归模型(AR模型)对光伏发电波动量数据进行功率谱估计，使用burg算法对该模型进行求解。光伏发电功率序列中各周期分量对应的频率处，其分量的振幅越高，对整体出力影响越大。故通过对光伏发电功率序列进行频谱分析，可以找出序列中主要的周期分量。

采用NREL数据库中2013年7月到9月中5个不同测量点的典型日气象数据仿真得到光伏发电出力数据进行研究，得到光伏出力频谱分析如图9所示。

从图9中可以看出，光伏发电波动主要集中在5min的时间尺度上，且这部分的光伏发电波动量主要由AGC机组进行调节；时间尺度为秒级的功率波动由一次调频来平衡，更长时间尺度的功率波动需要调度机构经过调节机组出力等进行调节。

步骤6、光伏发电接入系统引发的AGC备用需求预测方法

如前所述，光伏发电波动量较大，若将大规模光伏发电接入电网，将导致系统频率和区域控制误差的波动增加，这种影响将随着光伏发电并网的装机容量的增大而越来越显著；在前述研究中也提及，随着规模扩大，也需要考虑光伏电站空间分布以及平滑效应。

分离关键时间尺度的波动分量

运用AGC备用应对光伏发电并网引发的系统频率稳定问题首先需要对关键时间尺度的波动分量进行分离，分离负荷分量的方法有滚动平均法和时段平均法^[17]。

滚动平均法通过对光伏出力曲线P上每一个数据的前、后一段数值滚动求平均，由此获得一条平滑的光伏出力曲线P_r。计算原始出力曲线P和得到的平滑的出力曲线P_r的差值，即可得到相对时间尺度的波动分量。

与时段平均法相比，滚动平均法处理后的曲线更光滑，更符合持续性负荷曲线的特点。故本实施例选取滚动平均法来分离关键时间尺度的波动分量。

滚动平均法的计算步骤可以如下表达：

$>P_r=\frac{1}{2M}(P_{t-(M-1)}+P_{t-(M-2)}+...+P_t+P_{t+1}+...+P_{t+M})---\left(10\right)$>

其中，P_r为经过滚动平均法平滑出力后得到的时刻t的出力值；P_t为原始出力曲线上时刻t的出力值；2M为作滚动平均的出力数据的个数，取决于滚动平均的时段长度。

步骤7、AGC备用容量需求的统计分析

通过使用滚动平均法可以得到与负荷幅值采样和存储周期相对应的各个时刻的调节负荷分量。由此可以确定大规模光伏发电站接入系统后的AGC备用容量需求。使用不同办法分离出来的负荷分量最大值表示大规模光伏电站接入系统后对AGC备用容量的最大需求。但如果依据最大需求来确定系统的AGC备用容量，容易导致AGC备用容量过剩。从表1和表2可以看出，绝大多数的情况下，光伏发电波动量远小于最大值，以光伏波动分量最大值确定AGC备用容量，不论是对电力系统运行的安全稳定性还是经济性，都有不利的影响，故采用统计分析方法对光伏发电波动量进行分析。

根据统计研究，在2～60min的时间尺度内，tlocation-scale分布对光伏出力波动的概率密度拟合效果最好；且tlocation-scale分布是含有尺度参数和位置参数的t分布，若x服从位置参数为μ，尺度参数为σ，形状参数为υ的tlocation-scale分布，则有(x-μ)/σ服从形状参数为υ的t分布。

tlocation-scale分布的概率密度表达式为：

$>f\left(x\right)=\frac{\Gamma (\upsilon +1/2)}{\sigma \sqrt{\nu \pi }\Gamma (\upsilon /2)}{\left[\frac{\upsilon +(x-\mu /\sigma )}{\upsilon }\right]}^{-\upsilon +1/2}---\left(11\right)$>

其中，μ为位置参数，σ为尺度参数，υ为形状参数。

根据t分布的参数查询t分布的统计分布数值表(GB4086.3-83)，可以得到不同置信度下的置信区间。利用置信区间的大小，确定大规模光伏电站接入电网引起的AGC备用容量需求。

根据实施例仿真结果，可以得到光伏发电波动主要集中在5min。采用滚动平均法，分离5min时间尺度下的光伏发电功率波动分量，并研究该时间尺度光伏发电功率波动分量的概率分布，进而实现对大规模光伏发电接入电网时的AGC备用容量预测。

滚动平均的时段拉长，持续变化的负荷分量变化区域平缓，分钟级的波动分量的变化幅度增加，增加了系统对AGC调节的需求；反之，缩短滚动平均的时段长度，则减轻系统对AGC条件的需求。因此，需要根据负荷的波动特性来选择滚动平均的时段长度。根据经验，在本实施例中滚动求均值的时段长度选择为15min。以多云天气时，SRRLCM22测量点的气象数据仿真得到的光伏发电出力数据为例(光伏电站装机容量为22.5MW)，经过滚动平均法处理后，分离得到的5min的波动分量如图10所示：

以上所述光伏出力的5min波动分量数据为例，假设5min的光伏出力波动分量服从t分布，采用最大似然估计法对该组数据的概率分布函数进行拟合，如图11。拟合得到的对数似然函数值(-2loglikelihood)为30.5645，说明拟合效果良好。拟合得到的位置参数、尺度参数和形状参数及其标准差见表4。

根据拟合参数值，对自由度参数取整，查阅t分布的统计分布数值表(GB4086.3-83)并进行相关计算后，可以得到：在置信度为90％，其5min的波动分量为±7.3125MW；即(-7.3125,7.3125)的幅值区间可以以90％的概率覆盖该光伏阵列出力5min级的波动分量，将其作为因这个光伏阵列并网引发的AGC容量需求。

表4拟合参数

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。