基于分布式光伏網格化負荷預測的彈性調度新模式探索實踐

李云飛，徐 冰，周永漢，呂勇蕩，孫一迪，陳仕明

（國網浙江省電力有限公司江山市供電公司，浙江 江山 324100）

0 引言

近年來，江山地區分布式光伏數量急劇增長，分布式光伏的并網增加了“源”側的不確定性，也使配電網面臨諧波、電能質量低等問題。在非統調負荷中，火電和庫容水電基本按計劃執行發電計劃，其發電負荷可視為已知。但是，分布式光伏具有容量較小，分布分散等特點，而且江山地區分布式光伏發電數據無法實現集中采集，不能獲取日照和溫度等氣象數據，歷史數據和實時數據也難以及時、準確獲取[1-3]。因此，如何對分布式光伏出力進行準確預測，成為國內外學者關注的問題。

氣象作為影響光伏出力的主要因素，在其局部區域氣象數據存在相關性，可認為該區域的分布式光伏出力存在一定空間相關性[4]。目前國內外學者對于空間相關性的研究主要有兩個方面：一方面是針對沒有實時數據的光伏站，借助與之具有氣象相關性的“相似電站”的預測模型，從而實現自身出力預測[5]。如文獻[6]提出了一種基于空間相關性的大規模分布式光伏群的劃分方法。另一種是針對相似電站群，如文獻[7]依靠AR 預測模型對距離待預測目標電站最近的N個相關性從站進行預測，提高從站準確度。

同時，國內學者結合天氣預報數據對光伏功率預測也進行了大量研究，并且取得了一些成果[8-11]。但是目前所采用的方法普遍在晴天日預測效果好，對此，文獻[12-13]基于SVM 將歷史數據依據天氣狀況建立4 個子模型，通過天氣預報情況進行預測，預測精度較為理想。

本文結合江山地區的山區氣象特點，依據氣象相似性特點劃分分布式光伏區域，將具有氣象相關性的光伏納入同一個空間，形成3 個空間集，并根據各空間中心集中式光伏站預測模型，提出一種改進天氣標簽映射方法，輸入初始數據和改進標簽后，得到中心光伏站的多個結果，對結果進行歐式距離篩選后，代入經驗公式便可得到同區域的分布式光伏預測情況，大大提高了光伏預測的效率和精度。

1 光伏出力影響因素分析

1.1 季節對光伏的影響

江山市位于浙西山區，光照充足，雨水充沛，雨熱同期，四季特征明顯，分析季節特征在該地區對光伏出力的影響十分必要。本文對3 個區域的江泰、國投和江福3 座中心光伏電站2022 年各季節的最大出力、平均出力和平均出力比進行分析。由表1 可以看出，春、夏、秋各光伏站平均出力相差不大，冬季受溫度和太陽輻射角影響，出力最低。3 座光伏站在每個季節中最大出力基本一致，反映了季節對光伏出力存在一定影響。

表1 集中式光伏電站2022 年出力情況統計

1.2 天氣對光伏出力的影響

江山市天氣具有多變特點，一天內可能出現多種天氣類型，通過對近一年天氣匯總分析，發現共有48 種天氣組合，其中以多云、晴天、小雨和陰天4 種天氣類型占比最大，因此將多云、晴天、雨天和陰天作為江山地區代表性的典型氣象天氣。本文以江泰光伏電站為參考電站（下同），在4 種氣象天氣下光伏典型出力情況如圖1 所示。

圖1 天氣對光伏出力的影響

由圖1 可知，晴天和多云天氣的光伏出力較大，陰天和雨天的光伏出力較小。同時，陰雨天氣的光伏出力波動較大，并在中午時刻達到峰值。由此可知，天氣因素是影響光伏出力的重要因素之一。

1.3 溫度對光伏出力的影響

環境溫度作為影響光伏出力的外在因素之一，其實質影響過程更體現在對光伏組件的輸入輸出特性的影響上，溫度過高或者過低都將影響光伏電池輸出。一般來說，光伏電池板普遍在20 °C 時效率最佳[14]。

另外，光伏出力的影響因素不止于此，還有云層、風速、霧霾等。這些因素相比于季節、天氣等，其影響力相對很小，在此不做參考。

綜上所述，季節、天氣、溫度都是影響光伏出力的重要因素，將這些數據標簽作為預測光伏出力的輸入數據。

2 改進的天氣類型方法

江山地區天氣類型種類多樣，若將所有出現過的天氣類型作為一種標簽，輸入數據的冗余度很高，不利于模型訓練。此時，在實際的預測過程中，如果僅僅套用單一天氣的概念進行預測時，在復雜氣象天氣（如多云轉陰天氣、陣雨等）時，預測誤差會增大。

而實際光伏電站日出力都趨近于4 種典型天氣（晴天、多云、陰天、大雨）類型下的光伏出力曲線，因此，將實際出現的天氣類型對按照4 類典型天氣類型進行劃分，每種天氣都有一種或幾種的典型標簽。本文將每一日的氣象天氣類型和典型天氣狀態之間的關系由原本的“多對一”改為“多對多”的關系。如表2 所示（“1”表示典型“晴天”天氣，“2”表示典型“多云”天氣，“3”表示典型“陣雨”天氣，“4”表示典型“大雨”天氣）。表2 是由江山歷史數據對應的氣象專業天氣歸納而來，更能反映實際的氣象特點。例如，“晴/大雨”其天氣變化過程包括從晴天轉至多云，再從多云轉至陰天，再到大雨，“晴/大雨”天氣其包含了4 種典型天氣的變化，因此賦予4 種標簽。其他類型天氣依此類推，給予賦予的標簽。

表2 天氣類型對應表

3 分布式光伏預測算法

3.1 總體預測流程

分布式光伏預測流程如圖2 所示，待預測分布式光伏與相似的區域中心光伏站匹配后，建立與集中式光伏站的空間相關性分組，再根據待預測日天氣情況的賦予標簽，預測集中式光伏站的出力，得到多種預測結果，再通過歐式距離算法得到最優結果。最后利用經驗公式（表示待預測分布式光伏與區域中心光伏站的映射關系）得到待預測線路的分布式光伏出力。

圖2 分布式光伏預測出力算法流程圖

3.2 聚類中心的選取

由于K-Means 聚類算法時間成本較低，數據復雜度較低，對大數據集具有較高的處理效率，并具備一定的可伸展性，因此，本文采用該方法用于光伏電站實測數據的處理和聚類。

設具有n個初始光伏功率數據的集合：{X1,X2, ···,Xn}，確定聚類中心個數K后，找到K個聚類中心：{a1,a2, ···,ak}，結合后文改進廣義天氣的概念，綜合各種因素之下，將K值定義為4，將每個數據點與其最近的聚類中心的平方和記為目標函數Wn，如果此時要求Wn最小，則有：

式中：Xi為第i個光伏數據集的多維坐標；aj為第j個聚類中心的多維坐標。

目前，國內外文獻有基于密度的和基于優化算法的初始聚類中心選取方法，本文中因為樣本空間數據量有限，初始聚類中心的選取方法參考文獻[15]，即以目標函數的均方根誤差最小為評定辦法，通過不斷嘗試選擇出初始聚類中心。

K-Means 算法的處理流程如圖3 所示。

圖3 K-Means 算法數據處理流程圖

3.3 歐式距離

聚類得到結果可以反映為中心光伏電站的典型出力曲線。再利用相似度評價方法找出與待預測天氣最為相似的曲線，作為待預測光伏的參考曲線。在多維空間中，歐式距離用來表述2 個點之間真實距離。歐式距離的概念也經常被用來描述2 個樣本之間的相似程度，所以本文中引入歐式距離作為預測日最終天氣狀態的評價標準。表達式為：

式中：xi為每日整點時刻出力值；yi為xi所述簇的聚類中心的整點出力值；n為各季中的n個出力時刻；d為待預測日與典型日的相似程度。

3.4 經驗公式

得到參考曲線后，再利用經驗公式便可得到待預測光伏出力曲線，某時刻待預測分布式光伏發電輸出功率Pf為：

式中：η 為經驗系數，主要考慮設備轉換效率、設備運行情況、發用電方式等，選取0.6～0.96[16]；α為分布式光伏所在區域的中心光伏出力占自身裝機容量比例；S為10 kV 及以下分布式光伏對象的報裝容量，kW。

則某條線路分布式光伏實時發電輸出功率Pa為：

式中：i為該分布式光伏線路光伏數量匯總。

4 算例仿真

本文利用MATLAB 仿真軟件，在“多云轉陰”天氣類型下，對某條線路上分布式光伏出力進行一日的完整預測。由表2 可知，“多云轉陰”對應“1”“2” “3”天氣標簽，預測得到曲線如圖4 所示。

圖4 3 種天氣標簽下預測結果

使用歐式距離作為篩選標準（如表3 所示），選擇中心光伏站預測結果與其聚類中心的歐式距離最小者為最終參考預測曲線，即狀態2。

表3 3 種狀態下預測結果與其聚類中心的歐式距離

為了體現改進天氣相比于改進前廣義天氣方法對光伏出力預測精度的影響，本文按照控制變量法的原則，改進前后預測結果如圖5 所示。

圖5 改進天氣標簽前后預測結果

選取均方根誤差方法對改進前后結果進行對比分析，均方根誤差公式為：

式中：Pa(i) 表示當日各時刻光伏出力的實際值；Pf(i)表示當日各時刻光伏出力的預測值；N代表預測日的預測時刻總數，其值為11。均方根誤差結果如表4 所示。

表4 預測方法誤差對比

綜上所述，基于空間相關性對分布式光伏出力進行預測具有一定的可行性，同時結合改進天氣標簽的預測方法，其預測結果精度高于單一天氣標簽預測方法。

5 彈性調度新模式探索實踐

5.1 管理流程

基于分布式光伏預測系統，結合可中斷負荷、小水電等，優化編制停電檢修窗口期，最大限度做到“一停多用”，提高新能源負荷預測管控水平，探索構建基于分布式電源的彈性調控模式，如圖6所示。

5.2 應用成效

5.2.1 經濟效益

采用彈性調控模式已完成110 kV 賀村變和110 kV 敖坪變綜合檢修工作，累計減少停電時間10 h，實現支撐電量6 萬kW·h。

5.2.2 管理效益

檢修計劃優化釋放人力資源，減少保供電和倒負荷人員。

調控員對線路負荷掌控大幅提升，這有利于事故處理、預案編制等，提升電網安全運行水平。

深度挖掘了光伏數據價值，實現了數據資源喚醒和變現。

5.2.3 社會效益

數字化成果。該項目以國網浙江省電力公司數字化牽引新型電力系統建設為指引，以挖掘配電網現有資源潛力為導向，在社會層面具有較好的示范效應。

節能減排。實現降低碳排放3.24 萬kg（根據消納的光伏電量得到540 g/(kW·h)），環保效益提升較為明顯。

6 結束語

針對配電網中分布式光伏出力預測所面臨的數據采集困難，不能獲取就地日照和溫度等氣象數據，歷史數據和實時數據及時性、準確性低等問題，本文提出一種基于空間相關性的分布式光伏出力預測方法。同時，考慮到江山地區天氣變化多樣，傳統單一天氣標簽下預測精度低，提出一種改進天氣標簽的預測方法，仿真結果表明，此方法具有一定的可行性和較高精度。

基于分布式光伏網格化負荷預測的山區配網彈性調度新模式探索實踐，以分布式光伏出力預測為平臺，細化檢修計劃管控流程，完成特殊情況下分布式光伏微調節能力的測算，提高檢修方式下局部電網帶負荷能力。同時，服務地方政府“雙碳”行動計劃，為相關部門提供專題研報，參與分布式光伏整縣推進工作，有效提升全縣域屋頂光伏消納水平與消納效益。