基于分布式光伏网格化负荷预测的弹性调度新模式探索实践

李云飞，徐 冰，周永汉，吕勇荡，孙一迪，陈仕明

（国网浙江省电力有限公司江山市供电公司，浙江 江山 324100）

0 引言

近年来，江山地区分布式光伏数量急剧增长，分布式光伏的并网增加了“源”侧的不确定性，也使配电网面临谐波、电能质量低等问题。在非统调负荷中，火电和库容水电基本按计划执行发电计划，其发电负荷可视为已知。但是，分布式光伏具有容量较小，分布分散等特点，而且江山地区分布式光伏发电数据无法实现集中采集，不能获取日照和温度等气象数据，历史数据和实时数据也难以及时、准确获取[1-3]。因此，如何对分布式光伏出力进行准确预测，成为国内外学者关注的问题。

气象作为影响光伏出力的主要因素，在其局部区域气象数据存在相关性，可认为该区域的分布式光伏出力存在一定空间相关性[4]。目前国内外学者对于空间相关性的研究主要有两个方面：一方面是针对没有实时数据的光伏站，借助与之具有气象相关性的“相似电站”的预测模型，从而实现自身出力预测[5]。如文献[6]提出了一种基于空间相关性的大规模分布式光伏群的划分方法。另一种是针对相似电站群，如文献[7]依靠AR 预测模型对距离待预测目标电站最近的N个相关性从站进行预测，提高从站准确度。

同时，国内学者结合天气预报数据对光伏功率预测也进行了大量研究，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预测效果好，对此，文献[12-13]基于SVM 将历史数据依据天气状况建立4 个子模型，通过天气预报情况进行预测，预测精度较为理想。

本文结合江山地区的山区气象特点，依据气象相似性特点划分分布式光伏区域，将具有气象相关性的光伏纳入同一个空间，形成3 个空间集，并根据各空间中心集中式光伏站预测模型，提出一种改进天气标签映射方法，输入初始数据和改进标签后，得到中心光伏站的多个结果，对结果进行欧式距离筛选后，代入经验公式便可得到同区域的分布式光伏预测情况，大大提高了光伏预测的效率和精度。

1 光伏出力影响因素分析

1.1 季节对光伏的影响

江山市位于浙西山区，光照充足，雨水充沛，雨热同期，四季特征明显，分析季节特征在该地区对光伏出力的影响十分必要。本文对3 个区域的江泰、国投和江福3 座中心光伏电站2022 年各季节的最大出力、平均出力和平均出力比进行分析。由表1 可以看出，春、夏、秋各光伏站平均出力相差不大，冬季受温度和太阳辐射角影响，出力最低。3 座光伏站在每个季节中最大出力基本一致，反映了季节对光伏出力存在一定影响。

表1 集中式光伏电站2022 年出力情况统计

1.2 天气对光伏出力的影响

江山市天气具有多变特点，一天内可能出现多种天气类型，通过对近一年天气汇总分析，发现共有48 种天气组合，其中以多云、晴天、小雨和阴天4 种天气类型占比最大，因此将多云、晴天、雨天和阴天作为江山地区代表性的典型气象天气。本文以江泰光伏电站为参考电站（下同），在4 种气象天气下光伏典型出力情况如图1 所示。

图1 天气对光伏出力的影响

由图1 可知，晴天和多云天气的光伏出力较大，阴天和雨天的光伏出力较小。同时，阴雨天气的光伏出力波动较大，并在中午时刻达到峰值。由此可知，天气因素是影响光伏出力的重要因素之一。

1.3 温度对光伏出力的影响

环境温度作为影响光伏出力的外在因素之一，其实质影响过程更体现在对光伏组件的输入输出特性的影响上，温度过高或者过低都将影响光伏电池输出。一般来说，光伏电池板普遍在20 °C 时效率最佳[14]。

另外，光伏出力的影响因素不止于此，还有云层、风速、雾霾等。这些因素相比于季节、天气等，其影响力相对很小，在此不做参考。

综上所述，季节、天气、温度都是影响光伏出力的重要因素，将这些数据标签作为预测光伏出力的输入数据。

2 改进的天气类型方法

江山地区天气类型种类多样，若将所有出现过的天气类型作为一种标签，输入数据的冗余度很高，不利于模型训练。此时，在实际的预测过程中，如果仅仅套用单一天气的概念进行预测时，在复杂气象天气（如多云转阴天气、阵雨等）时，预测误差会增大。

而实际光伏电站日出力都趋近于4 种典型天气（晴天、多云、阴天、大雨）类型下的光伏出力曲线，因此，将实际出现的天气类型对按照4 类典型天气类型进行划分，每种天气都有一种或几种的典型标签。本文将每一日的气象天气类型和典型天气状态之间的关系由原本的“多对一”改为“多对多”的关系。如表2 所示（“1”表示典型“晴天”天气，“2”表示典型“多云”天气，“3”表示典型“阵雨”天气，“4”表示典型“大雨”天气）。表2 是由江山历史数据对应的气象专业天气归纳而来，更能反映实际的气象特点。例如，“晴/大雨”其天气变化过程包括从晴天转至多云，再从多云转至阴天，再到大雨，“晴/大雨”天气其包含了4 种典型天气的变化，因此赋予4 种标签。其他类型天气依此类推，给予赋予的标签。

表2 天气类型对应表

3 分布式光伏预测算法

3.1 总体预测流程

分布式光伏预测流程如图2 所示，待预测分布式光伏与相似的区域中心光伏站匹配后，建立与集中式光伏站的空间相关性分组，再根据待预测日天气情况的赋予标签，预测集中式光伏站的出力，得到多种预测结果，再通过欧式距离算法得到最优结果。最后利用经验公式（表示待预测分布式光伏与区域中心光伏站的映射关系）得到待预测线路的分布式光伏出力。

图2 分布式光伏预测出力算法流程图

3.2 聚类中心的选取

由于K-Means 聚类算法时间成本较低，数据复杂度较低，对大数据集具有较高的处理效率，并具备一定的可伸展性，因此，本文采用该方法用于光伏电站实测数据的处理和聚类。

设具有n个初始光伏功率数据的集合：{X1,X2, ···,Xn}，确定聚类中心个数K后，找到K个聚类中心：{a1,a2, ···,ak}，结合后文改进广义天气的概念，综合各种因素之下，将K值定义为4，将每个数据点与其最近的聚类中心的平方和记为目标函数Wn，如果此时要求Wn最小，则有：

式中：Xi为第i个光伏数据集的多维坐标；aj为第j个聚类中心的多维坐标。

目前，国内外文献有基于密度的和基于优化算法的初始聚类中心选取方法，本文中因为样本空间数据量有限，初始聚类中心的选取方法参考文献[15]，即以目标函数的均方根误差最小为评定办法，通过不断尝试选择出初始聚类中心。

K-Means 算法的处理流程如图3 所示。

图3 K-Means 算法数据处理流程图

3.3 欧式距离

聚类得到结果可以反映为中心光伏电站的典型出力曲线。再利用相似度评价方法找出与待预测天气最为相似的曲线，作为待预测光伏的参考曲线。在多维空间中，欧式距离用来表述2 个点之间真实距离。欧式距离的概念也经常被用来描述2 个样本之间的相似程度，所以本文中引入欧式距离作为预测日最终天气状态的评价标准。表达式为：

式中：xi为每日整点时刻出力值；yi为xi所述簇的聚类中心的整点出力值；n为各季中的n个出力时刻；d为待预测日与典型日的相似程度。

3.4 经验公式

得到参考曲线后，再利用经验公式便可得到待预测光伏出力曲线，某时刻待预测分布式光伏发电输出功率Pf为：

式中：η 为经验系数，主要考虑设备转换效率、设备运行情况、发用电方式等，选取0.6～0.96[16]；α为分布式光伏所在区域的中心光伏出力占自身装机容量比例；S为10 kV 及以下分布式光伏对象的报装容量，kW。

则某条线路分布式光伏实时发电输出功率Pa为：

式中：i为该分布式光伏线路光伏数量汇总。

4 算例仿真

本文利用MATLAB 仿真软件，在“多云转阴”天气类型下，对某条线路上分布式光伏出力进行一日的完整预测。由表2 可知，“多云转阴”对应“1”“2” “3”天气标签，预测得到曲线如图4 所示。

图4 3 种天气标签下预测结果

使用欧式距离作为筛选标准（如表3 所示），选择中心光伏站预测结果与其聚类中心的欧式距离最小者为最终参考预测曲线，即状态2。

表3 3 种状态下预测结果与其聚类中心的欧式距离

为了体现改进天气相比于改进前广义天气方法对光伏出力预测精度的影响，本文按照控制变量法的原则，改进前后预测结果如图5 所示。

图5 改进天气标签前后预测结果

选取均方根误差方法对改进前后结果进行对比分析，均方根误差公式为：

式中：Pa(i) 表示当日各时刻光伏出力的实际值；Pf(i)表示当日各时刻光伏出力的预测值；N代表预测日的预测时刻总数，其值为11。均方根误差结果如表4 所示。

表4 预测方法误差对比

综上所述，基于空间相关性对分布式光伏出力进行预测具有一定的可行性，同时结合改进天气标签的预测方法，其预测结果精度高于单一天气标签预测方法。

5 弹性调度新模式探索实践

5.1 管理流程

基于分布式光伏预测系统，结合可中断负荷、小水电等，优化编制停电检修窗口期，最大限度做到“一停多用”，提高新能源负荷预测管控水平，探索构建基于分布式电源的弹性调控模式，如图6所示。

5.2 应用成效

5.2.1 经济效益

采用弹性调控模式已完成110 kV 贺村变和110 kV 敖坪变综合检修工作，累计减少停电时间10 h，实现支撑电量6 万kW·h。

5.2.2 管理效益

检修计划优化释放人力资源，减少保供电和倒负荷人员。

调控员对线路负荷掌控大幅提升，这有利于事故处理、预案编制等，提升电网安全运行水平。

深度挖掘了光伏数据价值，实现了数据资源唤醒和变现。

5.2.3 社会效益

数字化成果。该项目以国网浙江省电力公司数字化牵引新型电力系统建设为指引，以挖掘配电网现有资源潜力为导向，在社会层面具有较好的示范效应。

节能减排。实现降低碳排放3.24 万kg（根据消纳的光伏电量得到540 g/(kW·h)），环保效益提升较为明显。

6 结束语

针对配电网中分布式光伏出力预测所面临的数据采集困难，不能获取就地日照和温度等气象数据，历史数据和实时数据及时性、准确性低等问题，本文提出一种基于空间相关性的分布式光伏出力预测方法。同时，考虑到江山地区天气变化多样，传统单一天气标签下预测精度低，提出一种改进天气标签的预测方法，仿真结果表明，此方法具有一定的可行性和较高精度。

基于分布式光伏网格化负荷预测的山区配网弹性调度新模式探索实践，以分布式光伏出力预测为平台，细化检修计划管控流程，完成特殊情况下分布式光伏微调节能力的测算，提高检修方式下局部电网带负荷能力。同时，服务地方政府“双碳”行动计划，为相关部门提供专题研报，参与分布式光伏整县推进工作，有效提升全县域屋顶光伏消纳水平与消纳效益。