基于时序耦合系数的地区新能源可增装机规模研究

孙文健，陶 冶，肖 凌，骆晓鸣，乐 瑶

（中国能源建设集团江苏省电力设计院有限公司，江苏 南京 211102）

0 引言

当前世界各国能源需求不断增长。随着传统非可再生能源的日渐枯竭及其带来的环境问题日益突出，在当前“碳达峰，碳中和”的能源背景下，积极开发利用风电、光伏等新能源成为解决全球能源问题的关键手段［1-3］。我国新能源装机规模发展迅猛，光伏和风电装机规模目前均已位居世界第一位［4］。新能源出力及电力负荷均具有一定的随机性与波动性，这对地区新能源消纳能力评估造成了极大困难［5-8］。对含有风电、光伏并网的电力系统进行新能源消纳典型场景、关键因素分析对于准确评估地区新能源消纳能力及新能源可增装机规模具有重要的工程意义。

目前国内外对于地区新能源消纳能力的研究主要集中在定性分析方面，而对定量分析计算方法的研究较少［9-10］。目前较为常用的定量计算分析方法有典型日法［11-14］、随机生产模拟法［15-20］以及时序生产模拟法［21-24］。典型日法计算简单、数据量少，但计算结果过于保守，无法准确评估新能源消纳能力；随机生产模拟法使用的新能源及负荷数据利用数据模型随机产生，满足一定的概率分布和统计特性，但与实际电网运行数据往往偏离较多，计算结果误差较大；时序生产模拟法通过对风电出力时间序列及光伏出力时间序列进行建模，可获得较为准确的短期新能源出力预测结果但中长期来看仍存在较大误差，具有一定的局限性［28-30］。

本文采用基于地区电网多年的风-光-荷时序出力历史大数据，对地区多年来的新能源消纳情况及潮流外送典型场景的特征进行分析，经过数据处理，获取典型场景下影响地区新能源消纳能力的关键因素如传统电源出力情况、地区负荷变化情况、新能源出力情况等的时序耦合系数，对于准确分析地区未来数年新能源消纳能力及新能源可增装机规模具有重要的工程价值和参考意义。

1 基于地区电网历史数据的风-光-荷时序耦合系数研究

1.1 研究思路

如式（1）所示，根据地区电力平衡原则，当某一地区220 kV分区电网内电源出力大于同时刻该地区负荷水平时，地区出现电力盈余。盈余电力通过500 kV主变升压或220 kV联络线外送。对于独立运行的电网，与其他分区之间联络线正常情况下开断运行，盈余电力通过500 kV主变送出。地区盈余电力外送功率取决于该时刻地区电源出力和负荷水平。

式（1）中，Py为地区外送功率，Pw为风电出力，Ps为光伏出力，Pt为传统电源出力，L为负荷。

随着新能源规模的增长，风电、光伏出力对外送潮流的影响将逐渐增大。地区风电、光伏出力特性主要取决于地区气候条件，短期若干年内认为变化不大。地区负荷水平由经济发展情况决定，负荷时序特性由经济结构决定，短期内认为负荷水平逐年增长，时序特性变化不大。因此，规划年份风电-光伏-负荷时序耦合特性可参考历史年的耦合特性。根据多年历史数据，即分析出地区外送潮流数据，得到规划年外送潮流最严重的典型场景，并对该场景的风电、光伏、负荷特性进行统计分析，得到该场景的电源出力及负荷系数，用于规划年份新能源消纳能力分析，计算公式如下。

式（2）中，Sng为规划新能源装机规模，Nnx为现状新能源出力系数，Stg为规划常规机组装机，Ntx为现状常规机组出力系数，Lg为规划年最大负荷，Nlx为现状负荷系数。

1.2 数据采样

1）数据采样范围

a）新能源出力：由于一般情况下，地区风电场、光伏电站众多，故采用抽样法获得数据，即选取典型电站为代表，获得该地区风电、光伏出力特性。其中，样本须覆盖片地区电网，且具有一定代表性；选取的样本风电场、光伏电站规模较大且全年装机规模不变。

b）负荷：地区电网负荷。

c）常规电源出力：对地区电网内装机容量较大的常规电源出力均进行统计。

2）数据采样年份：2017、2018、2019年。

3）数据采样时间间隔：5 min。

1.3 新能源出力及负荷特性分析

以江苏淮安电网为例，对该地区新能源出力特性进行统计分析。

1.3.1 风电出力特性分析

1）风电出力统计特性

淮安全市2017、2018、2019年风电出力系数概率分布图如图1。

图1 淮安市风电出力系数概率分布Fig.1 Probability distribution of wind power output coefficient in Huai’an

由图1可知，2017年、2018年、2019年淮安全市风电出力概率分布情况高度相似，全市风电出力逐年统计特性具有一致性。以2018年为例，全年风电出力系数最大为95.0%。全年风电出力系数在0%～5%的概率最大（约28.17%），大于80%的概率较小，约为1.42%，超过90%的概率为0.22%。

2）风电大发场景分析

本文认为，当风电出力达到其装机规模的90%时即满足风电大发的条件。为研究风电大发场景的时序特性，从2018年数据中筛选风电出力系数大于0.9的数据点，并进行分析，见图2～图3。

图2 淮安风电大发数据点逐月散点图Fig.2 Wind power high output data points monthly scatter plot in Huai’an

图3 淮安风电大发数据点逐小时散点图Fig.3 Wind power high output data points hourlyly scatter plot in Huai’an

选取淮安地区典型风电场的典型日出力曲线。2018年4月12日、4月13日淮安龙源盱眙风电出力曲线见图4～图5。

图4 4月12日龙源盱眙风电出力曲线Fig.4 Longyuan Xuyi wind power output curve(April 12)

图5 4月13日龙源盱眙风电出力曲线Fig.5 Longyuan Xuyi wind power output curve(April 13)

从逐月散点图看，4月～5月、10月～12月份风电大发的概率相对较高；从逐小时散点图和典型日出力曲线看，不同时点风电出力变化较大，无固定的规律性。

1.3.2 光伏出力特性分析

1）光伏出力统计特性

淮安全市2017年、2018年、2019年光伏出力系数概率分布见图6。

图6 淮安全市光伏出力系数概率分布Fig.6 Probability distribution of photovoltaic output coefficient in Huai’an

由图6可知，2017年、2018年、2019年淮安全市光伏出力逐年统计特性一致。以采样容量最大的2018年为例，全年光伏出力系数最大为100%；全年光伏出力系数0%～5%之间概率约为60.98%，大于70%的概率较小，约为2.62%。

2）光伏大发场景分析

本文认为，当光伏出力达到其装机规模的85%时即满足光伏大发的条件。为研究光伏大发场景的时序特性，从2018年数据中筛选光伏出力系数大于0.85的数据点，并进行分析，见图7～图8。

图7 淮安光伏大发数据点逐月散点图Fig.7 Photovoltaic high output data points monthly scatter plot in Huai’an

图8 淮安光伏大发数据点逐小时散点图Fig.8 Photovoltaic high output data points hourly scatter plot in Huai’an

选取淮安地区几个典型光伏电站的光伏出力年曲线。4月7日（夏高）金湖振合光伏、金湖正辉光伏日出力曲线见图9～图10。

图9 金湖振合光伏4月7日日出力曲线Fig.9 Jinhu Zhenhe photovoltaic output curve(April 7)

图10 金湖正辉光伏光伏4月7日日出力曲线Fig.10 Jinhu Zhenghui photovoltaic output curve(April 7)

从逐月散点图看，全年各个月份光伏出力有较大的随机性。从逐小时散点图及典型日出力曲线看，光伏出力受日照的影响，一般在10：00～13：00出力最大。具有一定规律性。

1.3.3 负荷特性分析

1）负荷年统计特性

淮安全市2017年～2019年负荷系数概率分布见图11。

图11 淮安全市2017～2019年负荷系数概率分布图Fig.11 Probability distribution map of load factor in Huai'an City(2017～2019)

由图11可知，2017年～2019年淮安全市负荷概率分布基本呈正态分布，最大概率所在的区间于不同年份略有差别，整体而言具有明显一致性。以2018年为例，全年最低负荷为夏高负荷的34.6%。全年负荷系数主要集中在55%～70%之间，概率68.41%；低于40%的概率约为0.49%；大于80%的概率约为5.3%；大于90%的概率约为0.64%。

2）负荷年统计特性

为研究低谷负荷场景的时序特性，从2018年数据中筛选负荷系数小于0.5的数据点，并进行分析，见图12～图13。

图12 淮安低谷负荷数据点逐月散点图Fig.12 Monthly scatter plot of Huai'an trough load data points

2018年8月9日和2018年2月17日淮安市日负荷曲线见图14～图15。

图14 8月9日（夏高）淮安市日负荷曲线Fig.14 Huai'an daily load curve of August 9(Summer peak)

由图12可知，淮安电网最高负荷（夏高）主要在7月底～8月初（天气炎热，空调负荷大）；最小负荷（冬低）在2月中旬（春节），同时4月初（清明）、5月初（五一）负荷也接近最小，下半年最小负荷在10月初（国庆）。由图13～图15可知，低谷负荷年分布概率与日分布概率具有很高的一致性；日高峰负荷发生在夜晚的概率较高（19：00～22：00），低谷负荷主要在凌晨和下午。

图13 淮安低谷负荷数据点逐小时散点图Fig.13 Hourly scatter plot of Huai'an trough load data points

图15 2月17日（冬低）淮安市日负荷曲线Fig.15 Huai'an daily load curve of February 17(Winter trough)

1.4 风-光-荷耦合特性分析

1）分析思路

淮安电网2017年～2019年风电出力、光伏出力及负荷具有高度一致性，取采样数据最为完整、最具代表性的2018年的数据为参考。

2）典型场景分析：潮流外送最严重

将外送潮流与年最大负荷的比值作为外送潮流系数。对淮安电网外送潮流系数大于0.4的数据进行统计分析，见表1。

表1 淮安电网潮流外送系数大于0.4的风光负荷系数Table 1 Wind and solar load factor of Huai'an power grid power flow delivery coefficient greater than 0.4

根据数据点时间不同，将外送功率系数大于0.4的数据点分为白天（8：00至16：00）、夜间（17：00至7：00）两种场景。

场景1（30 h）：通过对白天场景下淮安电网的负荷情况、220 kV及以上接入的大型传统电源出力及风电、光伏出力情况进行统计分析，可以看到该场景下风电出力较大，光伏出力在70%左右，负荷在50%左右，华淮电厂、江苏淮厂出力在40%左右，华淮出力略高于30%。

场景2（5 h）：通过对夜晚场景下淮安电网的负荷情况、220 kV及以上接入的大型传统电源出力及风电、光伏出力情况进行统计分析，可以看到该场景下风电出力较大，光伏出力为0，负荷在35%左右，江苏淮厂、淮安燃机出力变化较大，华淮电厂出力在40%左右。

根据表1-表2的分析，场景1数据点更多，且包含最大外送情况，更具代表性，故选择场景1（白天风光大发）作为淮安外送校核的典型场景，该场景下各变量系数概率分布情况如图16～图22所示。

图16 风电出力系数概率分布图Fig.16 Probability distribution diagram of wind power output coefficient

图22 潮流送出系数概率分布图Fig.22 Power distribution coefficient probability distribution diagram

表2 场景1淮安电网风光负荷系数Table 2 Wind and solar load factor of Huai’an Power Grid of Scenario 1

根据对场景1的360个数据（一年中30 h）进行梳理，按概率出现最大为原则，同时取区间系数的极值，可知淮安电网外送潮流最严重场景下风电出力系数、光伏出力系数、常规机组系数、负荷系数分别为75%、90%、40%、45%。

考虑到实际运行裕度，将风电出力系数调整为80%、光伏出力系数调整为90%，常规机组出力系数调整为45%。

表3 场景2淮安电网风光负荷系数Table 3 Wind and solar load factor of Huai’an Power Grid of Scenario 2

图17 光伏出力系数概率分布图Fig.17 Probability distribution diagram of photovoltaic output coefficient

2 地区电网新能源可装机规模影响因素分析

2.1 地区电网新能源可装机规模影响因素分析

1）电网安全约束

从电网安全运行的角度，影响新能源可装机规模的电网安全约束主要为主变升压能力以及线路的载流能力。

图18 淮安燃机出力系数概率分布图Fig.18 Probability distribution diagram of Huai’an Gas Power Plant output coefficient

图19 华淮电厂出力系数概率分布图Fig.19 Probability distribution diagram of output coefficient of Huahuai Power Plant

2）电能质量约束

从电能质量的角度，影响新能源可装机规模的约束主要为电压偏差、谐波、力率和电压波动。

3）电网经济运行

从电网经济性运行的角度分析，新能源最好能就近消纳。

图20 江苏淮厂出力系数概率分布图Fig.20 Probability distribution diagram of the output coefficient of Jiangsu Huai’an Power Plant

图21 负荷系数概率分布图Fig.21 Probability distribution diagram of load factor

4）电网运行管理要求

新能源接入对于传统的电网运行管理也产生了一定影响。

2.2 影响地区电网新能源可装机规模的关键因素

综合新能源接入对于电网安全、电能质量、经济运行和运行管理的影响，电能质量取决于系统背景情况，可以通过一定的技术手段，安装动态无功补偿装置等进行改进；经济运行是利益主体的博弈，应考虑新能源接入后损耗或运行成本，同时受到技术因素的制约；运行管理则是人为制定的规则可以优化变更；而电网安全硬约束，需要配合电网项目建设，投资大，建设周期长，迫切需要规划引导。

因此，在认为不出现个别220 kV变电站主变新能源装机规模越限的前提下，本文仅考虑电网硬约束即电网安全约束：220 kV网架断面的输送能力，以及500 kV主变升压能力，且均需考虑线路和主变N-1后负荷及电源的转移问题。

3 算例分析

3.1 典型场景计算方式及计算结果

取江苏省淮安市2017年～2019年新能源、负荷、传统电源历史数据分析该市2020年～2022年新能源消纳能力。淮安市电网包含淮安北片、淮安南片及宝应片。经分析，淮安市220 kV网架断面的输送能力较为充裕，限制新能源消纳的关键因素为500 kV上河变主变升压能力。

按照最新的负荷预测水平，2020年～2022年淮安市全社会最大调度负荷按表4考虑，常规电源、风电、光伏出力及负荷系数均按1.3节所述选取。

表4 2020年～2022年淮安电网分区负荷（单位：MW）Table 4 Huai'an power grid divisional load(2020 a-2022 a)(Unit:MW)

淮安市新能源可增装机规模按该地区已明确的新能源分布均匀增长，直至500 kV主变升压功率达到升压能力限额，去除该年份已规划新能源规模，即可得到该年份可增装机规模（按照对应出力系数折算为装机容量），结果如表5所示。

表5 2020年～2022年淮安及宝应地区（含宝应）新能源可增装机规模（单位：MW）Table 5 Scale of new energy installations in Huai’an and Baoying(2020 a-2022 a)(Unit:MW)

3.2 传统计算方式及计算结果

传统计算方式分别取夏季高峰和冬季极端低谷（30%夏高负荷），风电、光伏100%出力。对于统调常规电源，负荷高峰时，电源满出力运行；负荷低谷时，煤机按停一半机考虑出力，剩余机组出力率60%，供热燃机按停一套机考虑出力，剩余机组出力率70%。对于非统调常规电源，负荷高峰、低谷时，电源出力率均按照30%考虑。

均匀增加风电及光伏装机规模，直到该地区500 kV主变升压功率达到升压能力限额，去除该年份已规划新能源规模，得到该年份可增装机规模，结果如表6所示。

表6 2020年～2022年淮安及宝应地区（含宝应）新能源可增装机规模（单位：MW）Table 6 Scale of new energy installations in Huai’an and Baoying(2020 a-2022 a)(Unit:MW)

3.3 对比分析

通过对传统方式和典型场景计算方式的结果进行比较，可知：

1）与传统计算方式相比，采用典型场景方式进行计算，淮安电网新能源可增装机规模有较大提高。如2020年、2021年及2022年上河变未扩建的情况下，传统方式下淮安电网没有新能源可新增容量，而典型场景计算下淮安电网仍有一定的新能源可新增容量。

2）传统计算方式下，新能源消纳困难主要发生在冬季极端低谷方式下（负荷为夏高负荷的30%）。而以2018年为例，全年最低负荷为夏高负荷的34.6%，负荷低于40%的概率约为0.49%，表明传统方式的冬季极端低谷计算条件过于严苛，出现概率很小。

3）综合上述分析，典型场景下进行淮安电网新能源消纳分析更具准确性和可靠性。

4 结语

1）通过对地区电网历史数据的分析，可获取地区电网外送潮流最大的典型场景。

2）基于地区典型场景获取的风-光-荷时序耦合系数具有地域特点，更加贴近地区电网的运行实际。

3）基于风-光-荷时序耦合系数的地区新能源可增装机容量评估方法更加准确可靠，更能真实反映地区电网新能源的消纳能力。

4）基于风-光-荷时序耦合系数的地区新能源可增装机容量评估方法避免了对夏季高峰、冬季低谷等多种传统运行方式的繁杂计算，更加方便、快捷。

5）通过算例计算，得到了准确、可靠的淮安地区2020年-2022年新能源消纳能力，验证了基于风-光-荷时序耦合系数的地区新能源消纳能力，及可增装机规模的研究方法的准确性和可靠性。