论文部分内容阅读
摘 要：当光伏并网发电系统的容量不断增大，并网光伏电站出力的不确定性会对电网带来冲击，严重影响电力系统运行的安全和稳定，所以在进行含光伏并网发电系统的发展规划时，对这些影响应给予充分的考虑。为此，对并网光伏电站出力特性的研究已逐渐成为光伏发电技术领域的热点和难点。
关键词：光伏功率；时间序列；生成方法
0.引言
随着社会的经济发展，传统发电带来的能源匮乏和环境污染问题越显突出，严重的影响到了人类的生存发展，于是可持续的清洁能源发电便受到了普遍重视。其中太阳能具有取之不尽、环保无害、可持续性等优点，已被公认为未来最具竞争力的发电能源之一。随着系统成本的持续降低和发电效益的不断提高，为提高太阳能的利用率，大型并網光伏发电系统已占主导地位，更具发展前景。
1.光伏发展的趋势以及功率特性分析
1.1光伏发展的趋势分析
随着我国经济建设的快速发展，能源行业作为国家的支柱产业，已成为各方关注的焦点。上世纪七十年代发生的两次石油危机，对全球能源分配、经济发展均带来了剧烈的震动，这期间欧美各国物价飞涨、通货膨胀、衍生品短缺，直接导致了二战后的首次经济危机，不仅严重影响了工业经济的发展，还危害到了各国居民的生活水平。光伏发电利用太阳能电池板，将特定波长范围的太阳辐射能转化为电能，具有资源分布广、开发潜力大、零碳排放和无限储量的特点[1]。光伏发电是一种理想的清洁能源，既能够有效缓解化石燃料枯竭带来的能源危机，又能有效遏制过量碳排放带来的气候危机，再加上资源分布广阔，能源无穷无尽的特点，使其成为 21 世纪电力行业和能源行业共同的热点方向，并且在近五年取得了长足的发展。
1.2光伏功率特性分析
光伏发电的这种随机性，难以通过简单的概率分布进行描述，并且，光伏出力并非纯随机过程，而是一种随机过程与规律成分叠加的结果。光伏发电的原理是利用太阳能电池板，将特定波长范围的太阳辐射能转化为电能，光伏出力大小与接收到的太阳辐射能多少密切相关。地球的自转带来的日周期特性，及日地运行规律带来的年周期特性，使得光伏出力具有非常明显的规律性。
光伏出力大小主要受到三方面的因素支配。第一，太阳辐射规律性变化趋势：不计及大气衰减的情况下，影响太阳辐射每日规律性变化的是日地相对运动以及光伏面板的朝向调整。它们决定了光伏出力的总体变化趋势，即从日出时刻开始增加，至中午达到最大，随后逐渐减少，至日落降至零，夜间持续无出力。第二， 每日总体大气衰减情况：实际光伏面板接收到的太阳辐射强度还与大气的衰减情况密切相关，因此每日光伏出力峰值受当日总体天气情况（如多云、阴雨、晴天等）的支配[2]。第三， 局部云层扰动：局部云团的移动、聚集与消散会进一步造成所在区域太阳辐射的短时扰动，从而给光伏出力带来分钟级的随机波动分量。
2.光伏出力时间序列生成方法和验证探究
2.1光伏出力时间序列生成方法
光伏出力时间序列生成指的是基于一定长度的光伏出力实测数据，建立适当的数学模型，使得能够无限生成新的光伏出力序列，并使其能够很好的继承原始序列的各项统计特性。为了生成任意长度的光伏序列，需要获得一个年周期中所有日序的理想出力归一化曲线。采用线性插值的方法可以计算出非典型日的曲线：
基于太阳能物理学中的日地运动模型，给定光伏电站所处经纬度，可以计算出每日的日出日落时刻及日间时长Ti，day。据此，对理想出力归一化曲线Zi*（t*）的横坐标做拉伸反变换，得到实时理想出力归一化曲线ZReal，i（t）：
基于向量自回归（VAR）的幅值参数序列生成方法，自回归模型（Auto-Regressive，AR）是一种线性模型，由美国统计学家 GeorgeBox 和英国统计学家、系统工程学家 Gwilym Jenkins 共同提出建立的，因此也称为B-J 模型。该模型特点在于能够充分考虑样本序列的分布和自相关，但是，其使用条件是随机时间序列必须是一个平稳过程。满足两个条件：（1）对于任意时间t，其均值恒为常数；（2）对于任意的时刻点t和s，其自相关系数只与时间间隔t-s有关，而与t和s的起始点无关；则称该序列为平稳时间序列。
2.2光伏出力时间序列生成方法验证
光伏出力序列的基本统计特性包括均值、方差、零出力百分比及概率分布。生产序列很好的继承了原始序列的基本统计特性[3]。光伏出力分布是衡量光伏出力序列生成质量的最基础最重要的统计特性之一。为比较两组随机变量是否服从同一分布，引入统计学中的 K-S 检验。K-S 检验通过比较两组累积概率密度函数（Cumulative Density Function，CDF）之间的最大差值 D，并与给定显著水平下的临界值比较，若 D 值小于临界值，则可认为这两组随机变量服从同一分布。
K-S 检验按照用途可划分为两种类型，一种是将一堆离散的样本点与一已知的的概率分布函数比较，另一种是将两堆离散的样本进行比较。这两种方法的 D 值计算过程类似，但是临界值的计算略有不同。对于前者，若离散样本点的容量为 N，选取的显著水平为 1- ，则其临界值 Dcritical值计算公式：
生成序列和原始序列的 PDF 分布非常接近，两组序列的CDF 分布曲线几乎重合，说明生成序列的分布效果非常好，从附表的结果可以看出，所有测试电站均通过 K-S 检验，进一步说明生成序列 PDF 的有效性。不同时间尺度的波动特性指的是光伏出力序列在不同时间步长下有功变化量的分布。如 5min 级波动特性是指相隔 5min 的两个采样点之间的有功变化量。不同时间尺度下的波动特性 CDF 贴合程度非常高，说明生成序列能较好的继承原始序列的波动特性。附录中的 KS 检验全部通过，证明了该方法的有效性。
3.结语
如上所述，现有对光伏并网发电系统的功率时间序列研究基本集中在光伏功率时间序列的预测上，虽然这提升了系统对光伏并网发电系统的运行控制能力和电网对光伏的消纳能力，但限于预测技术不够完善，只能预测较短时间尺度的功率时间序列，而且由于每个并网光伏电站的出力都具有独特性，其预测的结果也各不相同，无法为大规模光伏并网的规划提供更多的理论依据和分析数据，所以对光伏功率时间序列的固有属性进行分析就更为重要。
参考文献：
[1]大规模光伏发电对电力系统影响综述[J]. 丁明，王伟胜，王秀丽，宋云亭，陈得治，孙鸣. 中国电机工程学报. 2014（01）
[2]大型光伏电站动态建模及谐波特性分析[J]. 谢宁，罗安，陈燕东，马伏军，徐欣慰，吕志鹏，帅智康. 中国电机工程学报. 2013（36）
[3]大型光伏电站与电网谐波交互影响[J]. 谢宁，罗安，马伏军，徐欣慰，吕志鹏，帅智康. 中国电机工程学报. 2013（34）
关键词：光伏功率；时间序列；生成方法
0.引言
随着社会的经济发展，传统发电带来的能源匮乏和环境污染问题越显突出，严重的影响到了人类的生存发展，于是可持续的清洁能源发电便受到了普遍重视。其中太阳能具有取之不尽、环保无害、可持续性等优点，已被公认为未来最具竞争力的发电能源之一。随着系统成本的持续降低和发电效益的不断提高，为提高太阳能的利用率，大型并網光伏发电系统已占主导地位，更具发展前景。
1.光伏发展的趋势以及功率特性分析
1.1光伏发展的趋势分析
随着我国经济建设的快速发展，能源行业作为国家的支柱产业，已成为各方关注的焦点。上世纪七十年代发生的两次石油危机，对全球能源分配、经济发展均带来了剧烈的震动，这期间欧美各国物价飞涨、通货膨胀、衍生品短缺，直接导致了二战后的首次经济危机，不仅严重影响了工业经济的发展，还危害到了各国居民的生活水平。光伏发电利用太阳能电池板，将特定波长范围的太阳辐射能转化为电能，具有资源分布广、开发潜力大、零碳排放和无限储量的特点[1]。光伏发电是一种理想的清洁能源，既能够有效缓解化石燃料枯竭带来的能源危机，又能有效遏制过量碳排放带来的气候危机，再加上资源分布广阔，能源无穷无尽的特点，使其成为 21 世纪电力行业和能源行业共同的热点方向，并且在近五年取得了长足的发展。
1.2光伏功率特性分析
光伏发电的这种随机性，难以通过简单的概率分布进行描述，并且，光伏出力并非纯随机过程，而是一种随机过程与规律成分叠加的结果。光伏发电的原理是利用太阳能电池板，将特定波长范围的太阳辐射能转化为电能，光伏出力大小与接收到的太阳辐射能多少密切相关。地球的自转带来的日周期特性，及日地运行规律带来的年周期特性，使得光伏出力具有非常明显的规律性。
光伏出力大小主要受到三方面的因素支配。第一，太阳辐射规律性变化趋势：不计及大气衰减的情况下，影响太阳辐射每日规律性变化的是日地相对运动以及光伏面板的朝向调整。它们决定了光伏出力的总体变化趋势，即从日出时刻开始增加，至中午达到最大，随后逐渐减少，至日落降至零，夜间持续无出力。第二， 每日总体大气衰减情况：实际光伏面板接收到的太阳辐射强度还与大气的衰减情况密切相关，因此每日光伏出力峰值受当日总体天气情况（如多云、阴雨、晴天等）的支配[2]。第三， 局部云层扰动：局部云团的移动、聚集与消散会进一步造成所在区域太阳辐射的短时扰动，从而给光伏出力带来分钟级的随机波动分量。
2.光伏出力时间序列生成方法和验证探究
2.1光伏出力时间序列生成方法
光伏出力时间序列生成指的是基于一定长度的光伏出力实测数据，建立适当的数学模型，使得能够无限生成新的光伏出力序列，并使其能够很好的继承原始序列的各项统计特性。为了生成任意长度的光伏序列，需要获得一个年周期中所有日序的理想出力归一化曲线。采用线性插值的方法可以计算出非典型日的曲线：
基于太阳能物理学中的日地运动模型，给定光伏电站所处经纬度，可以计算出每日的日出日落时刻及日间时长Ti，day。据此，对理想出力归一化曲线Zi*（t*）的横坐标做拉伸反变换，得到实时理想出力归一化曲线ZReal，i（t）：
基于向量自回归（VAR）的幅值参数序列生成方法，自回归模型（Auto-Regressive，AR）是一种线性模型，由美国统计学家 GeorgeBox 和英国统计学家、系统工程学家 Gwilym Jenkins 共同提出建立的，因此也称为B-J 模型。该模型特点在于能够充分考虑样本序列的分布和自相关，但是，其使用条件是随机时间序列必须是一个平稳过程。满足两个条件：（1）对于任意时间t，其均值恒为常数；（2）对于任意的时刻点t和s，其自相关系数只与时间间隔t-s有关，而与t和s的起始点无关；则称该序列为平稳时间序列。
2.2光伏出力时间序列生成方法验证
光伏出力序列的基本统计特性包括均值、方差、零出力百分比及概率分布。生产序列很好的继承了原始序列的基本统计特性[3]。光伏出力分布是衡量光伏出力序列生成质量的最基础最重要的统计特性之一。为比较两组随机变量是否服从同一分布，引入统计学中的 K-S 检验。K-S 检验通过比较两组累积概率密度函数（Cumulative Density Function，CDF）之间的最大差值 D，并与给定显著水平下的临界值比较，若 D 值小于临界值，则可认为这两组随机变量服从同一分布。
K-S 检验按照用途可划分为两种类型，一种是将一堆离散的样本点与一已知的的概率分布函数比较，另一种是将两堆离散的样本进行比较。这两种方法的 D 值计算过程类似，但是临界值的计算略有不同。对于前者，若离散样本点的容量为 N，选取的显著水平为 1- ，则其临界值 Dcritical值计算公式：
生成序列和原始序列的 PDF 分布非常接近，两组序列的CDF 分布曲线几乎重合，说明生成序列的分布效果非常好，从附表的结果可以看出，所有测试电站均通过 K-S 检验，进一步说明生成序列 PDF 的有效性。不同时间尺度的波动特性指的是光伏出力序列在不同时间步长下有功变化量的分布。如 5min 级波动特性是指相隔 5min 的两个采样点之间的有功变化量。不同时间尺度下的波动特性 CDF 贴合程度非常高，说明生成序列能较好的继承原始序列的波动特性。附录中的 KS 检验全部通过，证明了该方法的有效性。
3.结语
如上所述，现有对光伏并网发电系统的功率时间序列研究基本集中在光伏功率时间序列的预测上，虽然这提升了系统对光伏并网发电系统的运行控制能力和电网对光伏的消纳能力，但限于预测技术不够完善，只能预测较短时间尺度的功率时间序列，而且由于每个并网光伏电站的出力都具有独特性，其预测的结果也各不相同，无法为大规模光伏并网的规划提供更多的理论依据和分析数据，所以对光伏功率时间序列的固有属性进行分析就更为重要。
参考文献：
[1]大规模光伏发电对电力系统影响综述[J]. 丁明，王伟胜，王秀丽，宋云亭，陈得治，孙鸣. 中国电机工程学报. 2014（01）
[2]大型光伏电站动态建模及谐波特性分析[J]. 谢宁，罗安，陈燕东，马伏军，徐欣慰，吕志鹏，帅智康. 中国电机工程学报. 2013（36）
[3]大型光伏电站与电网谐波交互影响[J]. 谢宁，罗安，马伏军，徐欣慰，吕志鹏，帅智康. 中国电机工程学报. 2013（34）