風光接入下電力系統不確定性研究綜述

江潤葉

(國網福建省電力有限公司營銷服務中心，福建 福州 350009)

1 概述

在“雙碳”背景下，我國能源轉型的主要目的是利用風電和太陽能等可再生電源逐步代替化石能源，以降低碳排放量[1]。但是新能源機組的出力特性，控制方式與傳統機組存在較大的差異，并且由于風光等新能源出力具備較強不確定性，在新能源滲透率較高的地區，存在電源規劃、穩定性分析、運行調度和電能質量優化等技術挑戰[2]。

本文針對風光等新能源大規模并網帶來的技術挑戰和解決措施進行了研討，闡述了風光出力和負荷需求不確定性對電力系統運行、規劃的影響，重點分析了場景預測、概率預測和區間預測等不確定性預測方法，最后對儲能技術、優化運行和規劃配置的研究現狀進行了分析并做總結。

2 不確定性挑戰及影響

2.1 風光出力不確定性

風光是世界發展快、開發潛力大的可再生能源。據國家能源局統計，截至2022年5月底，全國發電裝機容量約為24.2億kW，其中，風電裝機容量約為3.4億kW，太陽能發電裝機容量約3.3億kW。

風電由于其自身特性，導致了較大的預測難度。風電出力功率的隨機波動可能會導致系統功率失衡，產生頻率偏差或電壓穩定性問題[3]。以常規風力發電機為例，其輸出功率與Pw與接入處風速v相關，近似函數關系如式(1)所示。

(1)

式(1)中，vi、vs、v0分別為切入風速、額定風速、切出風速；Pwt為風電機組額定功率。

對于光伏發電，影響其出力的最主要因素為光照強度。光伏組件在夜間無光照情況下，輸出功率接近于0，故其出力呈現一定的周期性[4]。光伏輸出功率Ppv也受光照強度I影響，對應關系如式(2)所示。

(2)

式(2)中，Ppvr為光伏發電機額定功率，Ir為額定光照強度。

統計結果發現，不同風速段的風電預測誤差存在差異[5]。建立風電功率預測條件誤差的主要模型為Bate分布模型[6]，同樣也有學者構建風電預測誤差場景集以處理風電出力不確定性的不足[7]。光伏出力的預測誤差與光照強度的預測誤差呈強相關性，如式(3)所示，有學者以服從均值為0且標準差為σ的正態分布描述光照強度預測誤差[8]。

(3)

式(3)中，ΔPpv為光伏出力的預測誤差。

由于風速、光照受較多因素影響，存在較強的不確定性，為了保持電力系統運行穩定，需根據風光不確定性機理制訂相應運行或規劃策略。

2.2 需求響應不確定性

需求響應主要分為2類，分別為基于價格的需求響應和基于激勵的需求響應。基于電價的需求響應指的是消費者通過價格信息(如分時電價、尖峰電價和實時電價等)對用電進行的調整[9]。基于激勵的需求響應通過簽訂合同、直接負荷控制等方式轉移用戶用電量和用電時間以滿足用電需求。當風光實際出力與預測值不同時，可通過需求響應資源增加或削減用電量以填補系統功率缺額[10]。

如式(4)所示，價格型需求響應常采用彈性系數表示電價變化對負荷響應的影響[11]。

(4)

式(4)中，γt為t時刻負荷的響應率；εt為t時刻電價的變化率；E為價格型需求彈性系數矩陣，由自彈性系數和交叉彈性系數組成。

由于價格型需求響應遵循用戶自愿參與的原則，在實際應用中仍受多種因素影響，故該類型響應存在一定的不確定性。

2.3 對優化運行的影響

風光等大量新能源并網使得電力系統面對多重不確定性，傳統確定性調度方法局限性較強，計及不確定性的優化調度方法研究對促進風光并網消納至關重要。相對隨機性較強的風電出力，光伏出力的規律性較強，太陽輻射和溫度是光伏出力的兩個最大影響因素[12]，優化運行策略需根據不確定機理確定，常見的針對接入新能源出力不確定性的優化調度模型主要有分布式魯棒優化[13]、概率優化[14]，充分考慮風光接入帶來的不確定性是保證系統可靠安全運行的前提。

2.4 對規劃的影響

新能源大量接入下的價格存在波動，在新一輪電力市場改革的背景下，隨著新能源裝機容量的快速增長，對電力現貨市場的交易帶來了較大的影響[15]。同樣儲能技術也正在快速發展，壓縮空氣儲能、飛輪儲能、儲熱儲氫等新興儲能的經濟性存在差異[16]，并且受政策影響如新能源價格補貼，綜合多種因素，電力系統規劃面對較強的不確定性。

3 不確定性預測方法

接入電力系統的新能源存在較強不確定性，其不確定性預測方法主要包括場景預測、概率預測和區間預測，該類預測技術為后續電力系統優化和規劃等奠定基礎。

3.1 場景預測

場景預測能夠刻畫風電、光伏出力的不確定性，可以有效解決含新能源電力系統的隨機優化問題[17]。場景生成的難點在于如何科學得到風光出力的概率、波動及時空相關性特征[18]。廖文龍等[19]提出了一種基于隱式最大似然估計的風電出力預測場景生成方法，基于無監督學習方法生成適應不同時間尺度的風電場景。但風光處理不確定性帶來了大規模場景，同樣需利用場景削減技術對數據進行清洗，得到有效刻畫風光出力的場景[20]。基于風光預測場景，可實現電力系統多目標動態優化調度，得到系統接入機組的出力計劃[21]。面對多種預測場景，羅翼婷等[22]以期望運行成本最小最優化目標，制定各場景下的調度計劃。考慮到新能源出力不確定性，顧雪平等[23]將魯棒優化模型分解為預測場景下的優化主問題和誤差場景下的校驗子問題。趙文猛等[24]則是將風電接入下經濟調度問題分為3個子問題，分別為上層協調主問題、區域預測子問題和誤差場景子問題，并基于部分聚合多切割方法實現問題求解。

3.2 概率預測

風光預測的概率方法是指給出風電、光伏出力的數值和出現的概率，并且覆蓋的信息較為全面，能夠為電力系統風險評估和決策提供參考[25]。趙康寧等[26]提出了基于神經網絡的光伏出力概率預測方法，提高了網絡的信息提取能力和應對光伏發電出力隨機性的能力。王釗等[27]構建了徑向基神經網絡的分位數回歸模型，得到分位數形式的短期概率預測結果，為后續系統運行奠定基礎。張雪松等[28]根據新能源出力歷史數據，修正了直接擬合模型，基于粒子群優化算法加權得到最終的新能源處理組合預測模型。戴劍豐等[29]則是基于改進變分模態方法將風速分解為頻率不同的分量，針對分量中規律性較強的部分構建確定性預測模型，基于剩余分量建立概率預測模型，最終將兩者時序疊加構成風速最終預測值。

3.3 區間預測

區間預測方法指利用區間數學理論，將風電、光伏發電出力預測值描述的等式轉化為區間的形式表達。在實現利用區間形式表征不確定性后，可在此基礎上實現電力系統優化運行。風力光伏發電區間預測方法主要分為2類[17]，第一類是基于歷史數據，利用學習算法如神經網絡對預測誤差數據進行學習，隨后直接給出功率可能的出現的上下界。第二類是基于預測概率分布函數進行逆運算，計算滿足給定概率水平下風光出力可能出現的上下界。楊茂等[30]對第二類方法進行改進，首先對預測功率按照出力大小不同進行劃分，并利用多種分布模型擬合各出力分段的概率密度，最終給出不同置信水平下的出力區間預測。孫東磊等[31]提出一種基于神經網絡的光伏出力區間預測方法，利用了神經網絡在數據挖掘方面的優越性。除了神經網絡方法，張娜等[32]還利用了GM(1,1)灰色算法、支持向量機算法對光伏出力進行預測，在此基礎上利用組合權值得到最終預測區間。為了提高區間預測的準確度，梅飛等[33]結合基于小波能量的聚類方法對歷史數據做聚類，并利用學習系統進行訓練，最后利用滾動匹配預測修正模式進行區間預測。

4 不確定性問題的應對措施

4.1 儲能技術

儲能在電網的主要應用包括：自動發電控制、快速調頻、新能源出力爬坡控制及其出力波動的平抑，且能夠優化潮流分布，緩解線路阻塞等。在電源側接入儲能系統能夠平抑風電功率波動，儲能系統包括了電池、超級電容、壓縮空氣儲能、飛輪儲能、電轉氣等。顏湘武等[34]將超級電容器接入雙饋感應發電機的直流母線處，并參與系統調節，提高了系統的穩定性。羅予澤等[35]將模糊控制引入壓縮空氣儲能調頻中，降低了能源波動，提高了系統穩定性。張雯雯等[36]基于希爾伯特-黃變換對由鋰電池和超級電容構成的混合儲能系統進行功率分配，可有效平抑波動和提高電能質量。郭玲娟等[37]針對新能源接入交直流混合微電網帶來的消納和子網功率交換問題，提出了混合儲能系統容量優化配置方法，有效平抑了系統功率波動，提高了經濟性。

4.2 針對不確定性的優化運行

針對風光不確定性的優化方法主要有隨機優化、魯棒優化、分布式魯棒優化。根據調度時間尺度的不同，可以分為日前、日內調度及實時調度。桑博等[38]先定義期望場景，并基于此構建兩階段微電網魯棒優化調度模型，提高了系統穩定性，降低了運行成本。崔楊等[39]為應對不同調度階段的不確定因素，構建日前一日內兩階段調度模型，充分發揮廣義儲能調峰能力，提高了系統的調峰靈活性。李國慶等[40]基于神經網絡算法得到光伏日前—日內預測結果，并基于此實現2級調度，降低了系統運行越限風險，提高了系統的穩定性和經濟性。針對因不確定性造成的棄風棄光問題，孫偉卿等[41]考慮了移動儲能和配電網動態重構，建立了兩階段魯棒協同優化模型，并基于嵌套的列約束生成算法求解，有效應對了系統的不確定性。為了解決風電不確定參數保守性帶來的影響，李運龍等[42]將多區域經濟調度分布式魯棒模型轉化為半定規劃模型，提高了計算效率，降低了系統運行成本。

4.3 規劃配置

基于風光儲聯合的規劃有利于實現接入電力系統的風光儲多能互補，能夠有效提高新能源消納率，降低系統的投資成本[43]。由于風光具備不確定性，針對該問題，常用的處理方法有魯棒優化和隨機規劃技術。為了促進新能源消納、實現電力系統穩定運行，朱曉榮等[44]利用多階段分布式魯棒規劃求解多時間尺度下的儲能配置模型。為了解決新能源、電動汽車大量接入造成的配電網對網絡狀態實時感知的高要求，彭春華等[45]結合分類概率機會約束信息決策理論，構建了配電網儲能魯棒優化配置模型。為了提高可再生能源利用率，汪致洵等[46]結合光熱電站水電聯產模式，利用能量的梯級利用，提高了系統的效率，降低了海島系統的儲能配置需求。為了滿足因新能源接入帶來的靈活性需求，朱曉榮等[47]構建靈活性相關指標及不確定運行場景集合，并基于此進行多目標優化配置，提高了系統的靈活性。為了實現配置方案的經濟性和魯棒性，陳澤雄等[48]考慮分布式光伏出力的不確定性，以并網位置和容量作為決策變量，建立分布式魯棒優化模型，基于Benders分解法得到配置方案。為了保證供電可靠性并提高經濟性，肖白等[49]提出考慮熱泵儲能和需求響應的電力系統電源容量配置方法，并基于魯棒優化構建不確定場景及利用遺傳算法進行求解，結果說明該配置方法更具科學性。

5 結論

由于風速、光照強度自然存在不確定性，故風電光伏出力也存在一定的波動性和隨機性，但光伏相對風電，其規律性較強。新能源不確定性對電力系統運行優化和規劃配置帶來了一定的挑戰。不確定性預測方法主要有場景預測、概率預測和區間預測，其目的均為科學得到風光出力的波動及概率特征。不同預測方法的特性不同，結合各類預測方法以得到適用于不同應用場合的風光出力信息是該領域亟需解決的問題。電力系統中儲能技術能夠實現配電網經濟可靠運行，若能針對風光等新能源不確定性進行優化運行和規劃配置，能夠大大降低儲能配置成本、減少棄風棄光，為實現“雙碳”目標奠定基礎。