数据驱动的区域电网新能源消纳受阻因素智能辨识方法

王吉利，薛飞，黄玉雄，李宏强，李更丰

（1.国家电网西北分部，陕西西安 710048；2.国网宁夏电科院，宁夏银川 75000；3.西安交通大学，陕西西安 710049）

0 引言

可再生能源是可持续经济增长的新兴动力，过去十来年，我国在开发可再生能源方面取得了显著进展，目前我国可再生能源装机容量位居世界第一[1]。新能源的装机容量增长迅速，导致弃风、弃光现象严重。西北地区太阳辐射强烈，土地资源丰富，风力资源充足，作为我国新能源装机容量最高的地区，当地的消纳水平较低，弃风、弃光高于全国平均水平。

为了降低弃风、弃光水平，首先需要定性研究导致新能源弃电的影响因素。文献[2]分析了新能源消纳机制和新能源弃电的关键因素；文献[3]提出了一种量化因负荷跟随能力不足而导致弃风的影响因素的方法；文献[4]研究了年度风电水平变化、系统负荷需求与燃料价格参数不确定性和最小系统惯性约束对弃风的影响；文献[5]提出了一个确定新能源消纳障碍的框架；文献[6]针对巴基斯坦研究了限制新能源使用的因素；文献[7]提出了一种基于关键断面辨识的复杂级联电网日前协调优化方法；文献[8]研究了西北地区新能源的弃电及其市场化解决方案；文献[9]研究了促进新能源消纳的电力现货市场交易机制。

为定量分析多类型影响因素对新能源消纳受阻的影响程度，文献[10]从源、网、荷、市场机制等方面分析新能源消纳受阻因素，建立基于时序生产模拟的新能源消纳影响因素贡献度模型；文献[11]建立新能源消纳影响因素贡献度的评估模型，提出新能源影响因素敏感因子计算方法，分析了新疆电网新能源消纳影响因素的敏感性。文献[12-14]研究了面向新能源消纳的电力系统规划、运行与交易机制。文献[15-17]研究了高比例新能源电力系统的灵活资源规划与控制技术。文献[18]提出一种考虑频率安全的新能源并网限值评估方法。

基于量测装置获取海量运行数据，以数据驱动的方式挖掘新能源受阻的影响因素，是一种值得研究的方法[19-20]。本文首先将新能源受阻分为场内受阻和场外受阻两类。其中，场内受阻是指由于新能源机组或设备的故障、维护和停运等新能源场站内部因素导致的弃电；场外受阻是指由于电网送电通道容量不足、系统调峰能力不足和电网故障等新能源场站外部因素导致的弃电。然后，提出一种区域电网新能源消纳受阻关键影响因素的智能识别方法，根据实际电网运行量测数据确定本文所需要评价的影响因素，以影响因素和受阻电力分别作为反向传播（Back Propagation，BP）神经网络的输入和输出，进而基于平均影响值（Mean Impact Value，MIV）算法计算各个影响因素对于新能源受阻电力的贡献程度，并根据贡献程度的大小确定关键因素；最后，基于实际电网运行数据验证所提方法的有效性。

1 新能源消纳影响因素

1.1 影响因素分析

电网传输通道的传输容量是指在系统稳定运行的条件下，可以从送端传输到受端的最大功率。通道输送能力受到电网暂态约束、稳态约束等多方面系统情况影响。在输送通道容量充足情况下，实际输送功率则会受到电源发电能力、受端电网接纳能力、电力市场交易开展情况等多方面因素的影响。

由于集中式的新能源场站远离负荷中心，新能源占比较高的区域电网形成了长链、多阶段的输电通道，级联传输断面在运行期间相互耦合，之间存在较强的钳制效应，即存在较强的相关性。整个传输通道中的传输断面较多，运行模式组合较多，控制策略复杂。随着新能源接入规模的不断扩大以及特高压交流和直流输电通道的不断建设和投入运行，长距离、连锁输电通道断面的运行特性越来越复杂，长距离级联输电通道断面存在不确定场景。

一般来说，新能源消纳受阻因素可分为两类，即新能源场站内受阻和新能源场站外受阻，如图1所示。新能源场站内受阻是指新能源场站发电、传输和转换设备的故障、维护和中断造成的电力损失。场内弃电量的大小是衡量新能源发电企业经营管理水平的重要指标，如果场内弃电量较大，说明新能源发电公司及其电站的设备运维管理水平有待提高，场内弃电一般包括以下原因：1）风电、光伏发场站内部设备的缺陷、故障以及机组脱网导致的电力上网中断；2）并网技术条件不符合相关标准要求，处于整改期；3）根据相关法律、法规，确定厂站违反调度纪律，处于整改期；4）电站以临时方案连接到电力系统，未经电网批准。

新能源场站外受阻是指由于电网送电通道传输容量不足、调峰容量不足和电网故障导致的电力损失。场外弃电一般包括以下原因：（1）电网通道输送能力不足而造成电力损失；（2）市场消纳能力不足而造成电力损失；（3）电网故障和紧急维修造成电力损失；（4）系统调峰能力不足而造成电力损失。

由于新能源受阻影响因素众多且影响机理复杂，为辅助电网运营商进行用电规划和生产运行规划管理，全面提升风能、太阳能等新能源消纳能力，可以基于大数据技术对电力系统历史运行数据进行挖掘，从而发现影响新能源受阻的关键因素，以此为基础针对性地提升新能源消纳能力。

1.2 影响因素选取

通过分析西北地区某省级电网的实测数据，归纳得到本文的新能源消纳受阻因素，如表1 所示。考虑到场内受阻因素与具体新能源场站运营商的经营策略相关，因此本文主要分析场外受阻因素，将影响因素分为调峰受阻、传输受阻和整体因素三类。

表1 影响因素Table 1 Hindering factors for renewable energy consumption

调峰受阻是影响新能源消纳的重要因素，当新能源出力大于调峰能力时，考虑到新能源出力的不确定性，电网需要切除部分新能源机组，以保证系统安全可靠运行，从而导致了弃风、弃光现象；新能源功率上网后，还会受到各级传输断面的容量限制，影响高比例新能源电力系统的新能源外送通道主要涉及110 kV、330 kV 和750 kV 3 个电压等级，且3 个电压等级之间存在递进和级联关系，因此本文建立新能源传输受阻的三级受阻断面模型，如图2 所示。

图2 新能源消纳三级受阻示意图Fig.2 Schematic diagram of three-level obstruction of renewable energy consumption

新能源场站发出的电力最先经过110 kV 汇集线，因此上网功率直接受到110 kV 汇集线和主变的容量限制，330 kV 送出线及750 kV 主变作为上级受阻断面，其容量也会限制风电、光伏功率的送出；同样，从系统整体角度来看，水电、火电以及负荷水平的大小都与新能源消纳受阻有一定的关联性，当水电和火电的出力水平较高而负荷水平较低时，与调峰受阻类似，会引起弃风、弃光现象的出现。

得到3 类影响因素后，进一步以具体线路和断面有功功率的时序数据作为神经网络模型的输入，以新能源受阻电力作为神经网络模型的输出，通过分析输入与输出之间的相关性来识别关键受阻影响因素。

2 基于BP-MIV的关键影响因素辨识

2.1 关键影响因素辨识的神经网络模型

BP 神经网络是应用最广泛的一种神经网络。BP 神经网络基于梯度下降法，使网络的实际输出值与期望输出值之间的误差平方和最小化。BP 算法的主要思想是将学习过程分为2 个阶段，即信号的正向传播和误差的反向传播。在正向传播阶段，输入信息通过隐藏层从输入层传递到输出层，输出信号在输出端形成。在信号前向传播的过程中，网络的权值是固定的，每一层神经元的状态只影响下一层神经元的状态；如果在输出层中没有达到要求的输出，则误差信号将反向传播，在反向传播阶段，不满足精度要求的误差信号逐步向前传播，误差由每一层的所有单元共享，根据误差信号动态调整权值。神经元之间的权重值在前后调整的周期中不断修正，当输出信号的误差满足精度要求时，学习停止。

最简单的BP 神经网络有3 层，分别为输入层、隐藏层和输出层，如图3 所示。本文采用BP 神经网络刻画新能源消纳受阻影响因素和受阻电力之间的关联关系，以受阻因素和受阻电力分别作为神经网络的输入和输出，中间包含一层隐藏层。输入层包括3 种类型的影响因素，输出层为具体的受阻电力，输入层影响因素向量为X=[x1,x2,…,xm]，输出层受阻电力向量为Y=[y1,y2,…,yn]，其中m和n为向量的维度。

图3 BP神经网络结构Fig.3 Topology structure of BP neural network

在该网络中，每个输入神经元都有一个权重，将输入乘以权重得到神经元的输出，然后被转移到下一层。隐藏层和输出层中的每个神经元都有一个偏置，将其输入的总和与偏置进行求和可以得到神经元的输出，再通过激活函数的作用得到预测值。

2.2 基于MIV的影响因素贡献度排序

训练得到BP 神经网络后，进一步使用MIV 算法计算每个影响因素对受阻电力的影响程度。MIV算法计算各个影响因素的贡献度的过程如下：

1）形成新的影响因素数据。对第i个输入影响因素的数据在其自身基础上分别自增减10%，形成两个新的输入Xi+和Xi-；

2）计算对应的受阻电力预测值。将Xi+和Xi-输入到训练好的BP 神经网络模型中，分别计算得到受阻电力Yi+和Yi-；

3）计算影响因素的平均影响值。计算输出预测值Yi+和Yi-的差值的平均值，即可以得到影响因素i的变化对受阻电力的平均影响值；

根据每个影响因素对受阻电力的平均影响值，其绝对值表示影响因素的相对影响权重，正负则表示影响因素与新能源受阻电力的相关方向，最后根据式（3）计算第i个影响因素对受阻电力的相对贡献度。

式中：θi为第i个自变量对因变量的相对贡献度。

根据步骤（3）可以计算出各个影响因素的贡献度，通过对影响因素贡献度进行排序，就可以得到关键的影响因素。

3 算例分析

3.1 算例介绍

本文以西北某省级电网2020 年实际运行数据为测试案例，采样时间间隔为15 min，共有62 个关于有功功率量测的时序数据集，包括20 个110 kV风电汇集线输送有功功率时序数据集；15 个330 kV传输线输送有功功率时序数据集；4 个750 kV 主变输送有功功率时序数据集；6 个传输断面输送有功功率时序数据集；5 个传输断面受阻电力时序数据集；3 个直流输电线路输送有功功率时序数据集；9个整体因素数据集（包括整体调峰受阻、整体断面受阻、整体弃风、弃光等）。由于整体调峰受阻和整体断面受阻与新能源弃电直接相关，因此将整体调峰受阻、整体传输受阻、整体弃风和整体弃光作为BP 神经网络的输出变量，剩下的58 个影响因素作为BP 神经网络的输入变量。该地区实际系统受阻分层结构如图4 所示，图中给出了所选影响因素的有功功率量测数据集对应的具体位置，涉及110 kV，330 kV 和750 kV 三级受阻断面，其中L110，L330，T750，TS 分别为110 kV 风电汇集线、330 kV 送出线、750 kV 主变压器、传输断面。图4 中的具体命名规则，以T750_S 为例，其中“T750”为750 kV 主变，而“S”为该主变所在地点的脱敏标识。

图4 某实际系统受阻分层图Fig.4 Layered diagram of renewable energy obstruction in an actual system

3.2 BP神经网络训练与测试

对于建立的新能源消纳受阻关键因素和受阻电力之间的BP 神经网络模型，选取的影响因素个数为58，输入的数据通过输入层进行了标准化；隐藏层层数为1，包含128 个单元，并使用tanh 作为激活函数；输出层包含4 个受阻电力，使用identity 函数作为输出层中的激活函数；将误差平方和作为误差函数，数据集中训练集和测试集的划分如表2 所示。

表2 训练集和测试集的设置Table 2 Setup of training and test sets

BP 神经网络训练时间为6.68 s，训练和测试性能的基本参数列于表3，训练终止条件为连续1 步误差为减少。从训练和测试结果可以看出，输出的风电和光伏受阻电力预量测的相对误差都小于调峰受阻和传输受阻的相对误差。图5 至图8 分别为调峰受阻、传输受阻、弃风和弃光量的实际值和预测值的对比结果。图中的横坐标表示各个参数的实际值，纵坐标表示BP 神经网络的预测值。图中的数据基本沿着斜向上的对角线分布，说明预测值与实际值较为接近，BP 神经网络具有良好的拟合效果，训练后的BP 神经网络可以有效地表达影响因素与受阻电力变量之间的关系。

表3 训练和测试表现Table 3 Performance of training and testing

图5 调峰受阻的实际值和预测值Fig.5 Actual and predicted values of peak shaving obstruction

图6 传输受阻的实际值和预测值Fig.6 Actual and predicted values of transmission section obstruction

图7 风电受阻的实际值和预测值Fig.7 Actual and predicted values of wind power obstruction

图8 光伏受阻的实际值和预测值Fig.8 Actual and predicted values of photovoltaic power obstruction

3.3 关键影响因素识别结果

基于所提模型和方法计算影响因素的平均影响值，结果如图9 所示，图中的纵坐标为各个影响因素的再去除敏感信息后的编号，横坐标为各个影响因素的MIV 大小。各个影响因素按照MIV 的大小自上而下进行排序。其中L110，L330，T750，TS，TSB，DC 分别表示110 kV 风电汇集线、330 kV 风电传输线路、750 kV 主变压器、传输断面、传输断面受阻、直流线路。通过对排序结果和实际结合分析，可以得出以下结论：

图9 影响因素平均影响值排序Fig.9 MIV ranking of influential factors

1）对整体新能源消纳受阻影响最大的是TSB_J，TSB_D，TSB_L 和TSB_P 传输受阻有功功率时序数据影响因素。由图4 可知，TSB 表示330 kV 传输断面，SB_J，TSB_D，TSB_L 和TSB_P 对于受阻电力的影响较高表示电网（330 kV）送电通道传输容量受限是该实际系统新能源消纳受阻的主要影响因素。

2）330 kV 传输线路贡献度总体比110 kV 汇集线贡献度更高，110 kV 汇集线的贡献度较低，这是因为风场送出线作为风场的配套建设工程，其容量往往能消纳对应的风电功率，而限制风电功率送出的线路和断面通常在出现在上级网架。

3）新能源发电量与整体发电量对消纳受阻影响也较大，也是影响新能源消纳的关键因素。该结论符合实际经验，即新能源的整体发电量的增加将加剧各个具体的影响因素的受限程度，从而引起新能源消纳受阻；而整体发电量还包括其他类型机组的发电量，例如火电和水电机组的发电量，其他类型的机组的发电量增加将进一步挤占风电、光伏机组的出力，从而引起新能源消纳受阻。

4）直流线路作为新能源外送通道，其输送功率需要根据运行方式进行调整，往往与新能源消纳受阻相关性较弱。

实际运行中一般选取已有历史记录断面受阻数据中受阻电力或受阻电量较大的断面作为关键影响断面。如表4 所示，对比了受阻电力和电量较大的几个影响断面的排序结果，可以发现本文方法得到的受阻断面平均影响值的排序结果中传输断面受阻TSB_J，TSB_D，TSB_L 和TSB_S 排序结果相同，仅TSB_P 的排序位置有所不同，证明本文所提方法能有效识别新能源受阻的关键影响因素，可以用于定量评估影响因素及其对新能源受阻电力的贡献度。

表4 关键影响因素对比Table 4 Comparison of key influential factors

4 结论

本文针对高比例新能源区域电网新能源消纳受阻的影响因素辨识进行研究，提出一种基于BP-MIV算法的关键受阻因素智能识别方法。首先对新能源消纳受阻的类型进行分析，进一步确定本文待分析的受阻影响因素集合；然后建立了关键影响因素辨识的神经网络模型，利用BP-MIV 算法定量分析各个影响因素对于受阻电力的贡献度；最后基于实际电网运行数据对所提方法的有效性进行验证，结果表明，本文方法得到的受阻断面贡献度的排序结果与利用传输断面受阻电量或受阻电力排序结果基本相同，证明所提方法能够有效分析出新能源受阻的关键影响因素。