区域光伏发电出力特性分析研究

doi:10.12096/j.2096-4528.pgt.21060

区域光伏发电出力特性分析研究

吕清泉¹, 张珍珍¹, 马彦宏², 张健美¹, 高鹏飞¹, 蒋婷婷³, 朱红路³

1.国网甘肃省电力公司电力科学研究院，甘肃省兰州市 730070

2.国网甘肃省电力公司，甘肃省兰州市 730000

3.华北电力大学新能源学院，北京市昌平区 102206

Analysis and Research on Output Characteristics of Regional Photovoltaic Power Generation

LÜ Qingquan¹, ZHANG Zhenzhen¹, MA Yanhong², ZHANG Jianmei¹, GAO Pengfei¹, JIANG Tingting³, ZHU Honglu³

1.Electric Power Research Institute, State Grid Gansu Electric Power Company, Lanzhou 730070, Gansu Province, China

2.State Grid Gansu Electric Power Company, Lanzhou 730000, Gansu Province, China

3.New Energy School, North China Electric Power University, Changping District, Beijing 102206, China

收稿日期: 2021-11-19

基金资助:

国家自然科学基金项目. U1765104
国家电网有限公司科技项目. SGGSKY00WYJS2000127

Received: 2021-11-19

作者简介 About authors

吕清泉(1986)，男，硕士，高级工程师，研究方向为新能源并网运行与控制，lvqingquan_lzu@126.com；

蒋婷婷(1997)，女，硕士研究生，研究方向为光伏发电，tingtingjiang@ncepu.edu.cn。

摘要

为进一步分析区域光伏发电带来的消纳问题，以甘肃省典型光伏电站实际出力数据为分析样本，研究了区域光伏发电的出力特性。考虑单个光伏电站出力特性，分析了光伏日间出力的季节特性和天气特性。考虑光伏发电出力的集群特性，分析了不同光伏电站之间的波动性、相关性和同时率。研究结果表明：甘肃省总体光伏出力水平较高，但存在一定的地域差异；日间出力具有周期性，波动存在随机性；区域光伏电站间出力具有相关性；区域光伏电站出力相对于单个光伏电站出力的同时率有所降低，并网时对电网的影响降低，可改善“弃光现象”的发生。所提出的光伏发电出力特性量化分析指标为区域光伏发电消纳分析提供了思路及方法，为光伏发电发展规划的制定提供了参考依据。

关键词： 光伏发电 ; 相关性 ; 出力特性 ; 同时率 ; 分布特性

Abstract

In order to further analyze the consumption problem caused by regional photovoltaic power generation, the actual output data of typical photovoltaic power plants in Gansu province was used as an analysis sample to study the output characteristics of regional photovoltaic power generation. The output characteristics of a single photovoltaic power station was considered, and the seasonal and weather characteristics of photovoltaic daytime output was analyzed. Considering the cluster characteristics of photovoltaic power generation output, the volatility, correlation and simultaneity rate among different photovoltaic power plants were analyzed. The research results show that the overall photovoltaic output level in Gansu province is relatively high, but there are certain regional differences. Daily output is cyclical, while fluctuations are random. The output of regional photovoltaic power plants is correlated. Compared with the output of a single photovoltaic power station, the output of regional photovoltaic power plants has been reduced at the same time, and the impact on the grid when connected to the grid is reduced, which can improve the occurrence of “photovoltaic abandonment phenomenon”. The proposed quantitative analysis index for photovoltaic power generation output characteristics provides ideas and methods for regional photovoltaic power consumption analysis, and provides a reference for the formulation of photovoltaic power generation development plans.

Keywords： photovoltaic power generation ; correlation ; output characteristic ; simultaneity rate ; distribution characteristic

PDF (1566KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

吕清泉, 张珍珍, 马彦宏, 张健美, 高鹏飞, 蒋婷婷, 朱红路. 区域光伏发电出力特性分析研究. 发电技术[J], 2022, 43(3): 413-420 DOI:10.12096/j.2096-4528.pgt.21060

LÜ Qingquan, ZHANG Zhenzhen, MA Yanhong, ZHANG Jianmei, GAO Pengfei, JIANG Tingting, ZHU Honglu. Analysis and Research on Output Characteristics of Regional Photovoltaic Power Generation. Power Generation Technology[J], 2022, 43(3): 413-420 DOI:10.12096/j.2096-4528.pgt.21060

0 引言

我国光伏发电发展迅猛，“十二五”期间光伏发电装机规模增长168倍，并于2015年成为世界光伏装机第一大国。2016—2020年保持高增速，2020年底累计装机达到240 GW，光伏发电已经超过风电，在中国成为第三大电源。在“30·60”目标指引下，光伏发电在我国能源供给结构中将会占据更为重要的地位^[1]。但是由于光伏出力具有明显的周期性和随机波动性特征，当光伏电站大规模接入电网时，对电网的调峰能力和调频能力是一个极大的考验^[2-6]。光伏发电的渗透率上升，超出火电机组的调节能力，“弃光”现象就会发生。以中国甘肃省为例，截至2019年底，全省新能源累计受限电量为23.9亿kW·h，其中：风电受限电量为18.8亿kW·h，弃风率为7.62%；光伏受限电量为5.1亿kW·h，弃光率为4.11%。研究区域光伏的出力特性，有利于了解规模化光伏并网对电力系统的影响，从发电端分析“弃光”现象的产生原因，提高输出功率的可控性^[7]，进而实现规模化光伏发电的高效接入。

为提高光伏发电消纳水平，国内外对光伏出力特性的研究日益增多。文献[8]采用指标“季节属性”来表征光伏出力的持续时间长度，以光伏全日最大出力和季节属性为标准，将光伏典型出力曲线按标准分为9类。文献[9]用相关性、互补性和随机性指标对新能源基地出力进行评价，并建立了新能源基地的三维出力模型。文献[10]考虑了新能源发电不同时间尺度的时序出力特性、出力变化特性等，建立了新能源发电出力自然特性指标体系。文献[11]对新能源场站总出力与负荷进行Copula建模，计算出区间尾部相关系数和Spearman秩相关系数，评估新能源互补后总出力与负荷的正相关性。文献[12]利用概率潮流法(probabilistic power flow，PPF)评估光伏发电的不确定性对传输系统性能的影响。文献[13]提出了不同时间尺度下新能源出力特性的评估体系，并对青海省某风电站的出力过程进行了特性分析。

上述研究为区域光伏出力特性的研究提供了思路，但是现有区域光伏出力特性的研究缺乏光伏场站‒区域层级样本数据，多停留在光伏场站出力概率模型建模及出力特性分析。为更好地揭示区域光伏发电出力特性，本文以甘肃省10个区域的17个光伏电站为例，分析了甘肃省光伏发电的出力特性以及在时间、空间上的分布特点，研究了光伏出力的波动特性，并将不同区域间光伏出力进行互补特性研究，为区域光伏消纳问题的分析提供参考，为规模化光伏发电发展规划的制定提供借鉴。

1 区域太阳能资源特性和整体出力情况

1.1 甘肃省太阳能资源情况和光伏装机

甘肃省具有丰富的太阳能资源，年太阳能总辐射量为4 800~6 400 MJ/m²，年资源理论储量为670万亿kW·h。其中，酒泉、嘉峪关、武威、张掖、金昌等区为光伏一类资源区，其他地方为二类资源区。本文所用的光伏电站数据是甘肃省10个区域17个独立电站(对应编号为1—17)2019年全年输出功率数据，数据时间分辨率为1 h。

1.2 整体出力情况分析

图1为电站分别在2019年3月15日、6月15日、9月15日和12月15日这4天的出力曲线。由图1可知，光伏出力具有明显的周期性，呈先上升后下降的趋势；同时存在随机性，体现为每个周期内的波动最大出力值是不确定的。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 17个光伏电站不同时刻出力曲线

Fig. 1 Output curves of 17 photovoltaic power stations at different time

由于光伏出力具有一定的波动特性和不确定性，在不同的时间尺度下，单一的出力值不具有代表性。求取新能源出力数据的最大值和平均值，有助于从全局角度评估光伏电站的出力水平和区域的光伏出力情形。 $P_{1}, P_{2}, P_{3}, \dots, P_{n}$ 是统计周期内光伏电站的一组出力，则最大值P_max和期望P_average分别表示为：

P_{m a x} = m a x {P_{1}, P_{2}, P_{3}, \dots, P_{n}}

(1)

P_{a v e r a g e} = \frac{1}{n} \sum_{i = 1}^{n} P_{i}

(2)

对离散的出力值进行归一化，将0~1划分为若干个等间距区间，统计出力值落在每一区间的次数，落在0.5~1区间内的概率称为半载以上概率。求取光伏的半载出力概率p，在一定程度上反映了各风电场或者光伏基地的出力水平。设定N_0.5~1是比值在0.5~1区间内的次数，N是统计的总频次，则

p = N_{0.5 ~ 1} / N

(3)

甘肃省各区域光伏电站出力的最大值、期望值和半载以上概率如表1所示。酒泉位于甘肃省西北角，占地面积较大，光伏电站数量最多且分布分散，各电站出力最大值差异较大，变化范围为0.63~0.85 pu；半载以上概率水平差异较大，变化范围为0.12~0.30；出力期望除电站4都在0.2 pu以上。张掖处于甘肃省中部狭长地带，占地面积较小，光伏电站数量较多，这些电站出力情况较为相似，出力期望均大于0.2 pu，半载以上概率均超过0.18。金昌紧邻张掖，2个电站出力情形相似，出力期望均为0.2 pu，半载以上概率均为0.19。武威位于甘肃省中部，该区域中电站13的最大出力、出力期望和半载以上概率在所有电站中最大。白银电站最大出力为0.90 pu，出力期望为0.30 pu，出力情形较为良好。兰州和定西的光伏电站半载以上概率都不大于0.15。

表1 光伏电站出力分析

Tab. 1 Output analysis of photovoltaic power stations

区域	光伏电站	最大出力/pu	出力期望/pu	半载以上概率
酒泉	电站1	0.85	0.23	0.13
	电站2	0.76	0.20	0.30
	电站3	0.73	0.20	0.12
	电站4	0.63	0.17	0.22
	电站5	0.77	0.20	0.16
张掖	电站6	0.73	0.20	0.19
	电站7	0.75	0.20	0.19
	电站8	0.81	0.22	0.18
	电站9	0.82	0.23	0.19
金昌	电站10	0.76	0.20	0.19
金昌	电站11	0.74	0.20	0.19
武威	电站12	0.74	0.17	0.21
	电站13	0.91	0.30	0.32
	电站14	0.69	0.21	0.18
白银	电站15	0.90	0.28	0.18
兰州	电站16	0.73	0.18	0.15
定西	电站17	0.69	0.17	0.12

新窗口打开| 下载CSV

最大出力表征光伏电站一天之内各时段达到的最大出力，半载出力以上概率体现了光伏电站的有效发电时长。总体来看，光伏电站最大出力的地域性不明显，酒泉、张掖、金昌、武威和白银等地半载以上概率更高，即这些区域光伏电站的停机和低发情形更少。

2 典型季节下的出力特性

2.1 日均出力曲线

以容量为50 MW的电站14为例，对当月每天同一时刻出力取平均值，得到每月日均出力曲线如图2所示。光伏日间出力在14:00附近达到最大，能达到电站总容量的60%。整体来看，光伏电站在7—9月的平均出力水平较高，在1、4、5、6、10、11月的平均出力水平较低。按照季节划分，冬季出力水平较低，夏季出力水平较高。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 光伏月度日均出力曲线

Fig. 2 PV monthly average daily output curves

2.2 典型日出力曲线

图3为电站14的典型日出力曲线。由于每天日间辐照量、温度和湿度具有不确定性，单个最大出力值不具有代表性，但各个季节出力时间是基本确定的。由图3可知，光伏电站在夏季日出力时间最长，从06:00到22:00，共计16 h；在冬季日出力时间最短，从09:00到19:00，共计10 h；春、秋季出力时间介于两者之间。夏季日间出力波动较大，秋季出力变化平缓。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 典型日出力曲线

Fig. 3 Typical daily output curves

2.3 典型天气日出力曲线

图4为电站14在不同天气条件下的出力曲线，时间分别是12月14日、12月15日、12月16日和12月17日。由于相隔天数很近，电站的日间出力时间相同，从09:00—19:00，在14:00附近达到峰值；晴天的出力峰值最大，达到装机容量的80%以上，累积出力最大，出力变化率最平缓；多云天气的出力峰值较大，但出力下降速度较快，波动较大，累积出力较低；阴天与晴天相比区别不大，但出力峰值略有降低；小雪天气的出力水平很低，出力峰值只能达到装机容量的60%。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 典型天气日出力曲线

Fig. 4 Daily output curves of typical weather

3 波动特性分析

3.1 光伏出力波动的统计特性

光伏出力与辐照量呈正相关，日间出力是一条先上升后降低的曲线，在整体趋势上体现为周期性。由于辐照量的变化存在的一定的随机性，光伏出力的波动也存在一定的随机性。光伏电站在夜间出力恒定为零，波动也为零，因此剔除夜间出力，只对白天时段的波动进行分布统计。

在统计周期T内，出力的变化视为一次波动ΔP，表示为

Δ P = P (t + T) - P (t)

(4)

图5为电站14截取某一段出力的波动序列。波动的分布特性用概率密度函数来体现。在统计学中，常见的概率分布函数有正态分布、Logistic分布和T-location分布。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 波动时序曲线

Fig. 5 Fluctuation series curve

以电站14为例，在2019年1月1日至2019年12月30日分辨率为1 h的出力数据中，随机取1 000个连续出力值，相邻出力值之差视为一次波动，得到电站的一段波动序列。

基于最大似然估计方法，分别用正态分布函数、Logistic分布函数、T-location分布函数对波动的分布进行拟合^[14]，如图6中曲线所示，实际概率分布如图6中直方图所示。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 电站12三种分布函数的拟合效果对比

Fig. 6 Comparison of fitting effects of three distribution functions of power station 12

3.2 拟合效果评估指标

用评价函数可以对分布函数的拟合效果进行评估。和方差(sum of squares error，SSE)是拟合值相对于原值的误差平方和，该值越趋向于0，代表拟合效果越好。设y_i 是第i个出力值， $\hat{y}$ 是y的拟合值，则和方差为

e_{S S E} = \sum_{i = 1}^{n} (y_{i} {- \hat{y})}^{2}

(5)

为了分析不同光伏电站日间出力波动的分布特性，选取17个光伏电站全年分辨率为1 h的实际出力数据来进行分析，得到光伏电站日间波动在不同拟合分布下的和方差，结果如表2所示。通过分析可知，对于不同地理位置、不同装机容量的光伏电站，出力序列的波动在正态分布或T-location分布下都有很好的拟合效果。

表2 不同拟合方式的方差

Tab. 2 Variance of different fitting methods

电站序号	正态分布	Logistic分布	T-location分布
1	0.028	0.029	0.028
2	0.030	0.032	0.031
3	0.047	0.058	0.384
4	0.030	0.031	0.030
5	0.048	0.049	0.048
6	0.030	0.031	0.030
7	0.145	0.153	0.150
8	0.120	0.122	0.121
9	0.032	0.033	0.032
10	0.030	0.033	0.035
11	0.017	0.018	0.018
12	0.080	0.086	0.084
13	0.027	0.028	0.027
14	0.034	0.035	0.034
15	0.014	0.015	0.015
16	0.027	0.029	0.027
17	0.029	0.031	0.031

新窗口打开| 下载CSV

4 光伏出力的集群特性

4.1 光伏出力相关性

相关系数∂是一个统计学指标，用于描述2个变量之间的变化趋势及相关程度^[15]。光伏出力是离散的随机变量，假设在t时刻2个光伏电站出力分别为P_solar1和P_solar2，在统计周期内其期望值分别为 $E_{p - s o l a r 1}$ 和 $E_{p - s o l a r 2}$ ，则

\partial = \frac{E (P_{s o l a r 1} - E_{p - s o l a r 1}) E (P_{s o l a r 1} - E_{p - s o l a r 2})}{\sqrt[]{E (P_{s o l a r 1} - E_{p - s o l a r 1})^{2}} \sqrt[]{E (P_{s o l a r 2} - E_{p - s o l a r 2})^{2}}}

(6)

以电站9、12为例，计算2个电站每月的日间出力相关性系数，结果如图7所示。可见，相关系数都处于0.5~1.0，说明2个出力变量具有很强的相关性。相关性在全年的变化比较显著，6—11月相关性较小，1—5月和12月相关性较大。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 光伏电站出力相关系数

Fig. 7 Output correlation coefficients of photovoltaic power station

4.2 区域光伏出力相关性

以每一区域多个光伏电站的出力之和作为区域总出力，计算不同区域光伏出力的相关性，结果如表3所示。由表3可知，区域出力相关性多在0.8~0.9的范围内，线性关系较强。由于辐照度在一天中的变化比较相似，因此不同区域之间出力情况也比较类似。

表3 不同区域间光伏总出力相关系数

Tab. 3 Correlation coefficients of total photovoltaic output among different regions

区域	酒泉	张掖	金昌	武威	白银	兰州
酒泉	1.00	0.96	0.94	0.95	0.90	0.86
张掖	0.96	1.00	0.97	0.96	0.93	0.90
金昌	0.94	0.97	1.00	0.98	0.94	0.92
武威	0.95	0.96	0.98	1.00	0.94	0.91
白银	0.90	0.93	0.94	0.93	1.00	0.95
兰州	0.86	0.90	0.92	0.91	0.95	1.00
定西	0.93	0.91	0.88	0.89	0.87	0.84

新窗口打开| 下载CSV

4.3 光伏同时率分析

同时率s又称为集群效应系数，是指统计时段内最大可能出力与相应的总装机容量之比^[16]，可表示为

s = \frac{m a x P_{\sum}}{\sum C_{i}}

(7)

式中： $P_{\sum}$ 为光伏电站集群统计时段内的最大出力之和；C_i 为第 $i$ 个光伏电站的额定容量。

出力同时率反映了光伏电站集群的最大可能出力，体现了光伏电站集群的综合利用效率。现以甘肃省4个区域(张掖、武威、金昌和酒泉)的光伏电站总出力数据为例，计算同时率的概率分布如图8所示，可以看出，各区域光伏出力同时率主要分布在[0.7, 0.9]区间。张掖、金昌地区同时率相对于其他地区较大，武威地区相对较小。将4个区域的总出力作为集群计算其同时率分布，结果表明：光伏电站集群较不同区域间的同时率分布差异降低，在提升光伏利用率的同时减小了线路的负载压力。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 区域光伏总出力同时率概率分布曲线

Fig. 8 Probability distribution curves of simultaneous rate of regional photovoltaic total output

同时率越高，限制光伏电站发电的情况将会越多，当限制发电频繁发生时，不仅是对能源的浪费，对于调度运行也是一种挑战。调度根据光伏集群出力的同时率、网络阻塞和地区负荷差异来确定弃光容量^[17]，对于提高光伏发电接入水平具有积极意义。

5 结论

以甘肃省17个光伏电站的全年实测出力数据为分析对象，从区域光伏发电的日出力特性、季节特性、波动性和同时率等方面对其出力特性展开研究，得到以下结论：

1）甘肃省光伏出力具有区域差异，酒泉、张掖、金昌和武威等光伏资源一类地区出力大于0.5 pu的天数更多；酒泉、武威地区电站出力情形差异较大；张掖、金昌地区电站出力情形比较相似；白银虽属于光伏资源二类地区，但电站最大出力和出力期望都属于较高水平；兰州和定西地区整体出力水平较低。

2）光伏电站的出力波动具有一定的随机性，概率分布更接近于正态分布或T-location分布。

3）不同区域之间的光伏电站出力具有很强的相关性，在对光伏功率进行预测时，需要考虑到不同电站的线性关系，以提高预测的准确程度；在进行电力调度时，需要考虑区域负荷差异和网络阻塞情形，合理制定调度计划，以免产生“弃光”现象。

4）受气象因素影响，光伏日间出力波动可能较大。将张掖、武威、金昌和酒泉地区的光伏出力作为集群，其同时率较组合前差异降低，光伏出力波动情况得以改善，对于光伏发电安全经济并网有一定参考意义。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

国家统计局．

中华人民共和国2019年国民经济和社会发展统计公报

[EB/OL]．(2020-02-28)[2021-04-10]． 913.‍html．