计及辐照区间划分的含光伏电源配电网源-荷联合场景生成

黄南天,郭 玉,赵暄远

(现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学),吉林 吉林 132012)

0 引 言

在“碳达峰、碳中和”的政策背景下,以新能源发电为主的新型电力系统不断建设发展,光伏发电等新能源将逐步占据装机主体、电量主体、出力主体和责任主体的地位[1]。中国国家能源局综合司于2021年6月下发了《关于报送整县(市、区)屋顶分布式光伏开发试点方案的通知》,中国共有676个整县(市、区)屋顶分布式光伏开发试点[2]。光伏电源具有低碳、经济等优点,因与气象等环境因素具有强相关性,光伏电源出力表现出波动性和不确定性[3-4]。大规模的分布式光伏的接入和消纳受电网结构和负荷分布特性等因素影响,源-荷特性更加复杂难以刻画,这对电网的供电可靠性以及电能质量等带来重大挑战。如何描述不同气象场景下的含光伏电源新型配电网源-荷运行场景,对于配电网提升运行指标具有重要意义。

高比例光伏电源的间歇性与不确定性、配网内气象敏感负荷[5]以及源-荷间的关联性等复杂因素,表现为配电网系统运行中的海量不确定性源-荷场景。场景分析法是常用的描述不确定性分析方法,该算法基于模拟大量真实光伏出力场景获取精度较高的多个近似最优解,能够很好地兼顾光伏与负荷的不确定性[6-7]。针对场景分析方法已有诸多学者进行不同角度的研究,如从风、光等不确定出力电源的时序周期角度出发进行降维场景分析[8],或以典型日数据为基础考虑多角度的电源出力场景等[9]。而伴随技术的不断进步,深度学习工具的进一步开发,采用自主学习模拟原始场景概率分布的场景生成方法得以应用[10];基于原始的深度学习工具,针对其缺点如条件变分自编码器的噪声问题,或场景划分问题等[11-12],有学者进行了进一步的细化研究,如引入改进变分下界,考虑影响场景生成数据的其他多元因素等,以提高场景生成方法的精度;变分自编码器与生成性对抗神经网络在生成与原始数据相似概率分布场景的应用方面已经十分广泛[13-17]。上述研究从不同角度精进了场景分析法描述不确定性场景,而对于含较高比例光伏接入的新型配电网中多节点负荷以及光伏电源来说,更应关注多节点之间的耦合关系与源-荷相关性,以及气象条件对于光伏电源出力的影响。

采用基于辐照区间划分的多相关性气象-辐照-负荷多节点联合场景生成方法,以刻画含光伏电源配电网的源-荷不确定性运行场景。首先进行了强相关性气象特征选取并基于辐照度划分进行气象场景聚类分析,将历史数据分为了多个典型气象-辐照-负荷场景集;在此基础上,提出一种多节点联合场景生成方法,生成各气象场景下新的辐照-负荷场景集,最后通过考核指标验证这种场景生成方法对于生成含光伏电源配电网运行场景的有效性。

1 基于辐照度划分的气象场景聚类

1.1 气象特征选取与辐照区间划分

已有研究表明,相对湿度、温度和降水量等常见多元气象因素与辐照、负荷具有关联性,且不同气象因素与辐照、负荷的相关性强弱具有差异[12]。相关性分析历史负荷数据来自中国北方某区域13节点配电网2021年负荷数据,对应日期的历史气象数据以及辐照数据来自美国可再生能源实验室数据库,采样点间隔一小时。选取温度、相对湿度、风速、降水量、气压五种典型气象因素分别与辐照、负荷进行皮尔逊系数相关性分析,其结果如图1所示,可见温度与辐照、负荷正相关性最强,相关性系数集中在0.8。相对湿度与辐照、负荷负相关性最强。风速与辐照相关性集中在0.7左右,风速与负荷相关性在0.4左右,降水量与气压相关性较弱。因此,可使用温度、相对湿度、风速等气象因素构建耦合气象特征的源-荷场景集。

图1 气象-辐照-负荷相关性分析Fig.1 Meteorology-irradiation-load correlation analysis

辐照是光伏电源出力的基础,光伏电源出力与太阳辐照的关系如公式(1)所示,可见辐照度的高低直接影响光伏出力。辐照与光伏出力的强相关性意味着不同的辐照等级对应着不同的光伏出力范围,对辐照区间进行划分有利于区分光伏电源出力范围,基于辐照区间划分进行多元气象因素聚类分析,有利于提高各气象场景间的气象-辐照-负荷波动范围差异性。

(1)

公式中:PV为光伏电源功率;G为辐照度(W/m2);Pn为光伏发电的额定功率取7.3 MW;T为光伏表面温度,取环境温度值;α为功率温度系数,通常每摄氏度取-0.002～-0.005(1/℃);Gn为额定辐照度取1 kW/m2;Tn为额定功率下的光伏板表面温度25 ℃。

将全年每个历史日的平均辐照度按照降序排列并进行随机人为辐照等级划分,全年辐照等级被划分为4种辐照区间。区间1对应辐照等级为小于等于80 W/m2,区间2对应辐照等级为大于80小于等于150 W/m2,区间3对应辐照等级为大于150小于等于250 W/m2,区间4对应辐照等级为大于250 W/m2。

经辐照等级划分后,各辐照区间对应日期内的温度、相对湿度、风速的波动范围如图2所示。由图2可知,不同的辐照等级对应的相关性气象因素的波动范围具有明显区别。不同的辐照区间中的历史光伏电源出力情况,途中阴影包围部分表示光伏电源出力范围,实线表示各时刻出力区间中位数,如图3所示。由图3可知,不同区间下的光伏出力大小具有明显区别,辐照度高的区间光伏出力更大。从图2与图3的分析中可知,辐照等级划分能够同时提高高比例分布式光伏配电网运行场景中的光伏电源出力差异性与多元气象因素差异性。

图2 基于辐照区间划分的相关性气象因素分布Fig.2 Distribution of correlated meteorological factors based on irradiation interval classification

图3 不同辐照区间的光伏出力范围比较Fig.3 Comparison of the PV output range between differentirradiation zones

1.2 历史气象场景聚类分析

(2)

公式中:wt为某类气象特征t时刻的值;wmin表示该类气象特征历史数据集中最小值;wmax表示该类气象特征历史数据集中最大值。

聚类过程中获得K种典型气象类型,记为1,2,…,k,…,K,第k种典型天气场景中包含的原始场景数为Nk,第k种典型场景出现的概率为ak=Nk/N。在典型辐照区间的耦合气象特征聚类分析基础上,进行典型气象场景下配电网多节点气象-辐照-负荷联合场景生成,进而得到配电网典型运行场景集。

由于K-Means聚类算法需要自行设置聚类数,因此需要对K值下的聚类效果进行评估,评估聚类效果采用了两项在聚类分析中常用评估指标轮廓系数(Silhouette Coefficient,SC),以及戴维森堡丁指数(Davies-Bouldin Index,DBI)。轮廓系数的取值范围是[-1,+1],系数越接近1,聚类质量越好;戴维森堡丁指数为任意两类别的类内样本到类中心平均距离之和除以两类中心点之间的距离,并取最大值,指数越小意味着类内距离越小,同时类间距离越大。根据历史经验,聚类数K∈[2,10],K∈Z,由于篇幅限制只在表1中展示了K取值为2～4时的评估指标,各典型区间聚类数为5～10的SC评估指标计算结果均为依次降低,DBI均为依次升高。因此,由表1可知各典型区间的最优聚类数均为2。根据上述历史气象场景聚类划分结果,共划分出七类基于辐照区间的典型气象场景,如图4所示。

表1 聚类效果评估指标Tab.1 Indicators for assessing the effect of clustering

图4 基于辐照区间划分的气象场景聚类结果Fig.4 Clustering results of meteorological scenes based on irradiation interval classification

(3)

(4)

公式中:a代表样本i到同一簇内其他点不相似程度的平均值;b代表样本i到其他簇的平均不相似程度最小值;Si为类内数据到簇质心的平均距离;Mij为簇i与簇j的距离;K为聚类数。

2 WGAN-GP源-荷多节点联合场景生成

2.1 多节点联合场景生成模型

梯度惩罚Wasserstein距离生成对抗网络(Wassertein Generative Adversarial Networks with Gradient Penalty,WGAN-GP)通过引入Wasserstin距离和梯度惩罚解决了生成对抗网络(Generative Adversarial Networks,GAN)模型训练过度依赖超参数调节和梯度爆炸等问题,其收敛速度更快、训练过程更稳定、生成的样本质量更高[19-20]。WGAN-GP生成器损失函数如公式(5)所示;判别器损失函数

V(G)=1-D(G(z))

(5)

(6)

2.2 耦合多气象特征的源-荷多节点联合场景生成

X=[X1,X2,…,Xk,…,XN]Τ

(7)

Xk=[xk,1,xk,2,…,xk,j,…,xk,13,Ik,GHI,Ik,DHI]Τ

(8)

(9)

(10)

(11)

各WGAN-GP神经网络结构batch size设置为128,训练模型1 000次,采用Adam优化算法更新神经网络权重,学习率设置为0.000 5,训练比例维持在5∶1。经过多次迭代,判别器的最终结果收敛,使得生成器生成的海量辐照-负荷样本可以包含各气象场景下的源-荷不确定性场景,之后需要对生成场景质量进行评估。

3 多节点联合生成场景质量评估

通过对各历史场景集的训练,分别对应生成了1 000天的耦合气象特征辐照-多节点负荷联合场景集。将多节点联合生成场景集与对应的历史场景集进行比较以评估生成场景质量,比较指标分别为:与历史场景相比较应具有相似的概率分布特性以及波动性;与真实场景数据集相符的源-荷场景相关性;能够体现源-荷时序分布特性,并具有一定的未知场景覆盖能力。

3.1 概率分布相似性

生成源-荷场景集的概率分布特性与历史场景集的概率分布特性应具有较高的相似性。通过概率密度函数(Probability Density Function,PDF)与经验累积分布函数(Empirical Cumulative Distribution Function,ECDF)比较两者的概率分布相似性。由于幅面限制只展示了部分典型场景的PDF分布。采用WGAN-GP单节点生成源-荷场景集作为多节点联合场景生成方法的对比试验,各单节点生成场景训练损失值均控制在300以内。图5表示两种场景生成方法与历史真实数据PDF对比,为便于展示,PDF采用高斯核密度平滑内核。可以看出基于WGAN-GP的多节点联合生成场景集的PDF曲线与历史数据拟合度高,且相比与单节点场景生成方法,数据概率分布相似性更高。

图5 数据概率分布特性比较Fig.5 Comparison of data probability distribution characteristics

3.2 波动性

生成场景应具有与历史实际场景相符的波动性。通过计算各场景中总负荷与辐照的标准差σ评估各场景中负荷、辐照数据波动性,标准差σ计算如公式(12)所示,式中X为辐照或负荷的标幺值,N为标幺值个数。

(12)

计算结果表2所示,生成场景与历史场景的标准差相似,由WGAN-GP生成的多节点联合场景能够有效体现与历史场景相统一的波动性。

表2 生成场景与历史场景波动性比较Tab.2 Comparison of volatility of generated scenes and historical scenes

3.3 辐照-总负荷相关性对比

将各历史场景和对应生成场景的总负荷与辐照度,通过散点图和概率分布图以及辐照-负荷Pearson相关性系数,对比二者源-荷相关性的相近程度,如图6所示。生成数据集的辐照-负荷散点分布与散点密集处与历史数据集相符;由散点图上方为对应的概率分布曲线,多节点联合生成场景保留了历史真实场景的源-荷数据概率分布特性;生成场景的源-荷相关系数相近且略高于历史场景,生成场景源-荷相关性比历史场景源-荷相关性更强。因此,基于WGAN-GP的多节点联合场景生成方法能够在生成与历史相似场景的同时保证源-荷之间的概率分布性与耦合度。

图6 负荷-辐照历史真实数据与生成数据散点图与源-荷相关性对照Fig.6 Scatter plot of load-irradiation history real and generated data with source-load correlation

3.4 场景覆盖能力

利用生成场景与历史真实场景的分布范围与各时刻对应均值来展示二者的覆盖区间,生成场景集的未知场景覆盖能力如图7所示,图中为典型场景一中负荷的生成与历史数据集,不同的阴影表示了生成场景集与历史场景集的波动区间,实线代表波动区间的均值,能够体现源荷的变化范围,可以验证生成场景集是否能包含历史场景集,生成场景是否具有多样性。由图7可以看出,生成场景与历史真实场景的均值曲线基本重合,证明生成场景能够较好的反应真实场景的时序特征与变化;在分布覆盖范围上,生成场景的阴影区域能够包裹住历史真实场景区域,且生成场景阴影区域更大些,整体分布区间保持统一,可见基于辐照区间划分的多节点联合场景生成方法具有较强的未知场景覆盖能力。

图7 生成场景时序特性及覆盖能力分析Fig.7 Analysis of the timing characteristics and coverage capacity of thegenerated scenes

4 结 论

计及辐照区间划分的源-荷联合场景生成方法,辐照区间划分将历史辐照度分为不同的等级,提高了各区间光伏出力范围的差异性,通过基于辐照等级划分的耦合气象特征聚类分析获取了不同气象特征条件下的含光伏电源配电网的历史运行场景簇;通过基于WGAN-GP的多节点联合场景生成方法,得到含光伏电源配电网不确定性源-荷运行场景;通过生成数据集与历史真实数据集的多项指标对比,计及辐照区间划分的源-荷联合场景生成数据能够体现与真实数据相统一的波动性、源-荷相关性、概率分布特性,并具备一定的未知场景生成能力,有效刻画了不同气象场景下的含高比例光伏的配电网源-荷不确定性。

对于上述场景生成方法,将进一步研究多类型新能源接入配电网下的新能源出力区间划分,分析气象因素与多类型电力用户负荷特性的耦合度,提高耦合气象特征的历史场景数据划分质量,开展时空相关性源-荷运行场景生成研究。