基于回歸算法修正的分布式光伏棄限電量統計方法

樊茂森,高 龍,胡文麗,何 燕,楊嘉良

(國網河北省電力有限公司保定供電分公司,河北 保定 071051)

0 引言

近年來隨著新能源電站裝機容量的不斷增加,我國能源結構發生重大改變,從曾經占重要地位的水電、火電模式逐漸向光伏、風力發電等新能源模式傾斜,截至2021年底,全國光伏發電裝機容量為3.06億k W,在可再生能源發電裝機總容量中的占比為12.9%[1]。2021年,全國光伏新增裝機容量為5 488萬k W,在可再生能源新增裝機容量中份額占比最大,達到31.1%,其中,光伏電站新增裝機容量2 560萬k W,分布式光伏新增裝機容量2 928萬k W。

分布式光伏相比于集中式光伏具有就近發電,就近并網、就近轉換、就近使用的優勢,不僅能夠高效率地將光能轉換為清潔電能,同時還能有效解決電力在升壓及長途運輸中的損耗問題。隨著新能源占比的提高,電網調峰資源越來越緊張,有時僅僅靠集中式光伏電站與風電場不足以應對電網調峰需求。分布式光伏參與電網調峰逐漸成為一個不可繞開的課題。然而分布式光伏相比于集中式光伏分布范圍更廣,亟需一個科學的棄限電量統計方法來計算調峰后電網棄光電量與用戶損失。

目前專業內多采用測光法和樣板機法計算分布式光伏棄限電量[2]。測光法利用太陽輻射量、電池板總面積、光電轉換效率、電池板衰減率等相乘得到光伏斷網后的理論發電量,但受光伏面板清潔度、霧霾沙塵等天氣因素影響較大,測算準確性過度依賴于氣象條件。樣板機法利用樣板機折算總體分布式光伏理論發電量,這種方法受天氣因素影響較小,但過度依賴樣板機的選取,樣板機選取的難度較大,選取時要盡量多而散,樣板機平均發電效率要盡可能代表總體光伏的發電效率。

隨著人工智能算法的發展,利用天氣預報、地理位置、光伏發電特征等構建輸入特征與電力輸出關系來預測分布式光伏發電的方法越來越多。文獻[3]提出了應用聚類算法對分布式光伏進行分析,在此基礎上建立了基于BP-NN 的光伏電力預測模型。文獻[4]介紹了基于Kriging空間差值法的光伏電力預測方法。文獻[5]介紹了基于模糊神經網絡的光伏發電量短期預測方法。上述方法主要應用在分布式光伏預測方面,而分布式光伏棄限電量統計存在數據量大、影響因素多、依賴近期歷史數據等特征,可以借鑒人工智能算法的優勢來提高估算精度。

1 分布式光伏棄限電量統計

分布式光伏電站通常是指利用分散式資源,裝機規模較小、布置在用戶附近的發電系統[6-8]。分布式光伏發電遵循因地制宜、清潔高效、分散布局、就近利用的原則,充分利用當地太陽能資源,替代和減少化石能源消費。GB 50797-2012《光伏發電站設計規范》中指出分布式光伏的上網發電量

式中:HA為太陽能年總輻照量;FZA為系統安裝容量;K為綜合效率系數。其中K受逆變器型號、光伏板使用年限、光伏板表面清潔程度等種因素影響。

分布式光伏棄限電量統計難度主要體現在兩方面[9-12]。首先是每個光伏板的太陽能年總輻射量不同,分布式光伏一般多建在農村用戶屋頂,存在分散面積廣,每戶光照量相差大的特點,而集中式光伏一般比較集中,不存在光照量差別大的情況。其次是綜合系數差別大,分布式光伏由于逆變器型號、使用年限、清潔程度等因素的不同,發電效率差別較大,集中式光伏一般是集中采購,集中管理。分布式光伏很難像集中式光伏那樣用統一的計算公式準確地估計棄限電量。

2 樣板機估算法

集中式光伏電站采用以光伏樣板機進行容量折算的方法[13-16]。參考集中式光伏電站棄限電量計算方法,可將分布式光伏分為不同區域,按區域(縣)去選擇樣板機,限電后利用各個區域樣板機估算總體限電量,再統計離網分布式光伏容量,折算得到棄限電量。這樣就可以最小化太陽能輻射量不同帶來的誤差影響,計算方法如下

式中:P j,m為分布式光伏限電后區域j第m戶估算發電功率;k為樣板光伏戶數;m為被控分光伏戶數;N j,m為區域j第m戶被控分的分布式光伏容量;M k為第k戶樣板分布式光伏容量;P j,k為j區域第k戶樣板光伏分布式光伏用戶的實際功率;P j為分布式光伏區域j估算發電功率;P為整個地區分布式光伏限電后估算發電功率。

這種方法的優點是實用性高,計算簡便,容易操作。但由于分布式光伏分布范圍廣,發電效率相差較大,公式存在一定量的誤差。后續需要利用人工智能、機器學習方法,結合歷史數據對實際功率與估算功率進行逼近。

3 考慮回歸算法修正的棄限電量統計方法

樣板機法主要用樣本來估計總體發電量,然后用整體來估計分布式離網后的棄限電量[17 18]。這種方法的誤差主要為樣板機發電效率會隨時間變化,綜合系數K差別較大,樣板難以精確地代表整體,可以考慮通過加入光伏總體發電效率的歷史曲線,利用回歸算法進行修正。以一個區域舉例,先計算每個區域的棄限電量,最后再將所有區域相加。考慮回歸算法修正的棄限電量統計方法的流程如圖1所示。

圖1 考慮回歸算法修正的棄限電量統計方法的流程

3.1 樣本的選取

可以將分布式光伏進行區域劃分,劃分盡量多的區域來減少地理位置不同帶來的光照差別影響,并在各個區域盡量選取多而散的樣本來提高估算精準度。

分布式光伏用戶數量較多,受安裝角度、型號、地理位置等多種因素影響,可能會導致分布式光伏出力情況較為復雜,可以參考歷史發電效率。例如選取過去30天內平均發電效率與該地區總體發電效率接近的光伏來當樣板機,盡可能的提高樣本估計精度。

3.2 計算樣本單位容量發電量

根據選取的樣板光伏折算單位容量發電量

3.3 樣本單位容量發電量與實際單位發電量比較

分布式光伏發電功率為

式中:M為該地區分布式光伏總體裝機容量;γ為該地區分布式光伏實際發電效率。

已知總體分布式光伏容量情況下,如果正確預估樣本發電效率γ-就能正確估計出發電功率,進而積分得到棄限電量。實際發電效率與樣本發電效率之間的關系為

式中:?為修正系數。

發電效率會隨著光伏板清潔程度和使用年限變化,?也會隨著時間變化。因此,采用過去一段時間光伏數據進行修正,引入機器學習的回歸算法使公式逼近實際值。

3.4 回歸算法修正

回歸算法是一種監督算法,從機器學習的角度出發,構建一個算法模型(函數)做屬性(X)與標簽(Y)之間的映射關系[19-20]。在算法的學習過程中,訓練公式中的參數尋找到一個函數使得參數之間的關系擬合性最好。回歸算法中函數最終結果是一個連續的數據值,輸入值是也一個數值向量。回歸算法的標準公式為

式中:hθ為因變量;θi為修正系數;x i為自變量;n為樣本個數;X為x i組成的矩陣。

利用人工智能的回歸算法加入過去n天的歷史數據,對公式模型進行訓練得到Z的參數。

式中:K jn為j區域第n天的發電效率數據;Z n為需要訓練的參數。Z為通過回歸算法得出的修正系數,用來使計算值逼近實際值,減少誤差,并沒有實際物理意義。

損失函數為

J q為損失函數值,用來估量模型的預測值與真實值的不一致程度,數值越小,模型的魯棒性就越好。利用梯度下降法使損失函數最小求解參數Z1到Z n,構建算法模型。

最后棄限電量模型為

4 仿真試驗對比分析

例如數據集為區域A 過去30天分布式光伏曲線數據,共50 戶分布式光伏用戶,隨機選取2個加入樣板數據,選取過去5天數據進行回歸算法訓練,見圖2。

圖2 回歸算法修正的棄限電量統計方法效果

從仿真結果可以看出樣板機法離實際曲線差別較大,樣板光伏的準確性主要取決于樣板光伏的選取,可以根據歷史曲線選出更具有代表性的光伏樣板進行估算來優化準確性。基于回歸算法修正的分布式光伏棄限電量統計方法與實際曲線更為接近。在實際應用中,為了提升估算準確性,參考天數因素可以進一步優化。較短的參考天數可能會導致模型過于敏感,難以捕捉到季節性和周期性的變化,從而影響對未來光伏棄限電量的準確預測。相反,較長的參考天數可以提供更多的歷史信息,有助于更好地理解光伏電量與氣象因素之間的關系。

5 結束語

基于回歸算法修正的分布式光伏棄限電量統計方法相比于樣板機法可以充分利用歷史數據對精準度進行修正,相比于樣板機法能夠更好的適應外部環境的變化,為分布式光伏的調峰管理提供數據支撐。為了提高精準程度,可以考慮對模型改進,考慮嘗試更復雜的機器學習模型或者深度學習方法捕捉歷史數據和氣象因素之間的復雜關系,從而提高預測的精準度。