江润叶

(国网福建省电力有限公司营销服务中心，福建 福州 350009)

1 概述

在“双碳”背景下，我国能源转型的主要目的是利用风电和太阳能等可再生电源逐步代替化石能源，以降低碳排放量[1]。但是新能源机组的出力特性，控制方式与传统机组存在较大的差异，并且由于风光等新能源出力具备较强不确定性，在新能源渗透率较高的地区，存在电源规划、稳定性分析、运行调度和电能质量优化等技术挑战[2]。

本文针对风光等新能源大规模并网带来的技术挑战和解决措施进行了研讨，阐述了风光出力和负荷需求不确定性对电力系统运行、规划的影响，重点分析了场景预测、概率预测和区间预测等不确定性预测方法，最后对储能技术、优化运行和规划配置的研究现状进行了分析并做总结。

2 不确定性挑战及影响

2.1 风光出力不确定性

风光是世界发展快、开发潜力大的可再生能源。据国家能源局统计，截至2022年5月底，全国发电装机容量约为24.2亿kW，其中，风电装机容量约为3.4亿kW，太阳能发电装机容量约3.3亿kW。

风电由于其自身特性，导致了较大的预测难度。风电出力功率的随机波动可能会导致系统功率失衡，产生频率偏差或电压稳定性问题[3]。以常规风力发电机为例，其输出功率与Pw与接入处风速v相关，近似函数关系如式(1)所示。

(1)

式(1)中，vi、vs、v0分别为切入风速、额定风速、切出风速；Pwt为风电机组额定功率。

对于光伏发电，影响其出力的最主要因素为光照强度。光伏组件在夜间无光照情况下，输出功率接近于0，故其出力呈现一定的周期性[4]。光伏输出功率Ppv也受光照强度I影响，对应关系如式(2)所示。

(2)

式(2)中，Ppvr为光伏发电机额定功率，Ir为额定光照强度。

统计结果发现，不同风速段的风电预测误差存在差异[5]。建立风电功率预测条件误差的主要模型为Bate分布模型[6]，同样也有学者构建风电预测误差场景集以处理风电出力不确定性的不足[7]。光伏出力的预测误差与光照强度的预测误差呈强相关性，如式(3)所示，有学者以服从均值为0且标准差为σ的正态分布描述光照强度预测误差[8]。

(3)

式(3)中，ΔPpv为光伏出力的预测误差。

由于风速、光照受较多因素影响，存在较强的不确定性，为了保持电力系统运行稳定，需根据风光不确定性机理制订相应运行或规划策略。

2.2 需求响应不确定性

需求响应主要分为2类，分别为基于价格的需求响应和基于激励的需求响应。基于电价的需求响应指的是消费者通过价格信息(如分时电价、尖峰电价和实时电价等)对用电进行的调整[9]。基于激励的需求响应通过签订合同、直接负荷控制等方式转移用户用电量和用电时间以满足用电需求。当风光实际出力与预测值不同时，可通过需求响应资源增加或削减用电量以填补系统功率缺额[10]。

如式(4)所示，价格型需求响应常采用弹性系数表示电价变化对负荷响应的影响[11]。

(4)

式(4)中，γt为t时刻负荷的响应率；εt为t时刻电价的变化率；E为价格型需求弹性系数矩阵，由自弹性系数和交叉弹性系数组成。

由于价格型需求响应遵循用户自愿参与的原则，在实际应用中仍受多种因素影响，故该类型响应存在一定的不确定性。

2.3 对优化运行的影响

风光等大量新能源并网使得电力系统面对多重不确定性，传统确定性调度方法局限性较强，计及不确定性的优化调度方法研究对促进风光并网消纳至关重要。相对随机性较强的风电出力，光伏出力的规律性较强，太阳辐射和温度是光伏出力的两个最大影响因素[12]，优化运行策略需根据不确定机理确定，常见的针对接入新能源出力不确定性的优化调度模型主要有分布式鲁棒优化[13]、概率优化[14]，充分考虑风光接入带来的不确定性是保证系统可靠安全运行的前提。

2.4 对规划的影响

新能源大量接入下的价格存在波动，在新一轮电力市场改革的背景下，随着新能源装机容量的快速增长，对电力现货市场的交易带来了较大的影响[15]。同样储能技术也正在快速发展，压缩空气储能、飞轮储能、储热储氢等新兴储能的经济性存在差异[16]，并且受政策影响如新能源价格补贴，综合多种因素，电力系统规划面对较强的不确定性。

3 不确定性预测方法

接入电力系统的新能源存在较强不确定性，其不确定性预测方法主要包括场景预测、概率预测和区间预测，该类预测技术为后续电力系统优化和规划等奠定基础。

3.1 场景预测

场景预测能够刻画风电、光伏出力的不确定性，可以有效解决含新能源电力系统的随机优化问题[17]。场景生成的难点在于如何科学得到风光出力的概率、波动及时空相关性特征[18]。廖文龙等[19]提出了一种基于隐式最大似然估计的风电出力预测场景生成方法，基于无监督学习方法生成适应不同时间尺度的风电场景。但风光处理不确定性带来了大规模场景，同样需利用场景削减技术对数据进行清洗，得到有效刻画风光出力的场景[20]。基于风光预测场景，可实现电力系统多目标动态优化调度，得到系统接入机组的出力计划[21]。面对多种预测场景，罗翼婷等[22]以期望运行成本最小最优化目标，制定各场景下的调度计划。考虑到新能源出力不确定性，顾雪平等[23]将鲁棒优化模型分解为预测场景下的优化主问题和误差场景下的校验子问题。赵文猛等[24]则是将风电接入下经济调度问题分为3个子问题，分别为上层协调主问题、区域预测子问题和误差场景子问题，并基于部分聚合多切割方法实现问题求解。

3.2 概率预测

风光预测的概率方法是指给出风电、光伏出力的数值和出现的概率，并且覆盖的信息较为全面，能够为电力系统风险评估和决策提供参考[25]。赵康宁等[26]提出了基于神经网络的光伏出力概率预测方法，提高了网络的信息提取能力和应对光伏发电出力随机性的能力。王钊等[27]构建了径向基神经网络的分位数回归模型，得到分位数形式的短期概率预测结果，为后续系统运行奠定基础。张雪松等[28]根据新能源出力历史数据，修正了直接拟合模型，基于粒子群优化算法加权得到最终的新能源处理组合预测模型。戴剑丰等[29]则是基于改进变分模态方法将风速分解为频率不同的分量，针对分量中规律性较强的部分构建确定性预测模型，基于剩余分量建立概率预测模型，最终将两者时序叠加构成风速最终预测值。

3.3 区间预测

区间预测方法指利用区间数学理论，将风电、光伏发电出力预测值描述的等式转化为区间的形式表达。在实现利用区间形式表征不确定性后，可在此基础上实现电力系统优化运行。风力光伏发电区间预测方法主要分为2类[17]，第一类是基于历史数据，利用学习算法如神经网络对预测误差数据进行学习，随后直接给出功率可能的出现的上下界。第二类是基于预测概率分布函数进行逆运算，计算满足给定概率水平下风光出力可能出现的上下界。杨茂等[30]对第二类方法进行改进，首先对预测功率按照出力大小不同进行划分，并利用多种分布模型拟合各出力分段的概率密度，最终给出不同置信水平下的出力区间预测。孙东磊等[31]提出一种基于神经网络的光伏出力区间预测方法，利用了神经网络在数据挖掘方面的优越性。除了神经网络方法，张娜等[32]还利用了GM(1,1)灰色算法、支持向量机算法对光伏出力进行预测，在此基础上利用组合权值得到最终预测区间。为了提高区间预测的准确度，梅飞等[33]结合基于小波能量的聚类方法对历史数据做聚类，并利用学习系统进行训练，最后利用滚动匹配预测修正模式进行区间预测。

4 不确定性问题的应对措施

4.1 储能技术

储能在电网的主要应用包括：自动发电控制、快速调频、新能源出力爬坡控制及其出力波动的平抑，且能够优化潮流分布，缓解线路阻塞等。在电源侧接入储能系统能够平抑风电功率波动，储能系统包括了电池、超级电容、压缩空气储能、飞轮储能、电转气等。颜湘武等[34]将超级电容器接入双馈感应发电机的直流母线处，并参与系统调节，提高了系统的稳定性。罗予泽等[35]将模糊控制引入压缩空气储能调频中，降低了能源波动，提高了系统稳定性。张雯雯等[36]基于希尔伯特-黄变换对由锂电池和超级电容构成的混合储能系统进行功率分配，可有效平抑波动和提高电能质量。郭玲娟等[37]针对新能源接入交直流混合微电网带来的消纳和子网功率交换问题，提出了混合储能系统容量优化配置方法，有效平抑了系统功率波动，提高了经济性。

4.2 针对不确定性的优化运行

针对风光不确定性的优化方法主要有随机优化、鲁棒优化、分布式鲁棒优化。根据调度时间尺度的不同，可以分为日前、日内调度及实时调度。桑博等[38]先定义期望场景，并基于此构建两阶段微电网鲁棒优化调度模型，提高了系统稳定性，降低了运行成本。崔杨等[39]为应对不同调度阶段的不确定因素，构建日前一日内两阶段调度模型，充分发挥广义储能调峰能力，提高了系统的调峰灵活性。李国庆等[40]基于神经网络算法得到光伏日前—日内预测结果，并基于此实现2级调度，降低了系统运行越限风险，提高了系统的稳定性和经济性。针对因不确定性造成的弃风弃光问题，孙伟卿等[41]考虑了移动储能和配电网动态重构，建立了两阶段鲁棒协同优化模型，并基于嵌套的列约束生成算法求解，有效应对了系统的不确定性。为了解决风电不确定参数保守性带来的影响，李运龙等[42]将多区域经济调度分布式鲁棒模型转化为半定规划模型，提高了计算效率，降低了系统运行成本。

4.3 规划配置

基于风光储联合的规划有利于实现接入电力系统的风光储多能互补，能够有效提高新能源消纳率，降低系统的投资成本[43]。由于风光具备不确定性，针对该问题，常用的处理方法有鲁棒优化和随机规划技术。为了促进新能源消纳、实现电力系统稳定运行，朱晓荣等[44]利用多阶段分布式鲁棒规划求解多时间尺度下的储能配置模型。为了解决新能源、电动汽车大量接入造成的配电网对网络状态实时感知的高要求，彭春华等[45]结合分类概率机会约束信息决策理论，构建了配电网储能鲁棒优化配置模型。为了提高可再生能源利用率，汪致洵等[46]结合光热电站水电联产模式，利用能量的梯级利用，提高了系统的效率，降低了海岛系统的储能配置需求。为了满足因新能源接入带来的灵活性需求，朱晓荣等[47]构建灵活性相关指标及不确定运行场景集合，并基于此进行多目标优化配置，提高了系统的灵活性。为了实现配置方案的经济性和鲁棒性，陈泽雄等[48]考虑分布式光伏出力的不确定性，以并网位置和容量作为决策变量，建立分布式鲁棒优化模型，基于Benders分解法得到配置方案。为了保证供电可靠性并提高经济性，肖白等[49]提出考虑热泵储能和需求响应的电力系统电源容量配置方法，并基于鲁棒优化构建不确定场景及利用遗传算法进行求解，结果说明该配置方法更具科学性。

5 结论

由于风速、光照强度自然存在不确定性，故风电光伏出力也存在一定的波动性和随机性，但光伏相对风电，其规律性较强。新能源不确定性对电力系统运行优化和规划配置带来了一定的挑战。不确定性预测方法主要有场景预测、概率预测和区间预测，其目的均为科学得到风光出力的波动及概率特征。不同预测方法的特性不同，结合各类预测方法以得到适用于不同应用场合的风光出力信息是该领域亟需解决的问题。电力系统中储能技术能够实现配电网经济可靠运行，若能针对风光等新能源不确定性进行优化运行和规划配置，能够大大降低储能配置成本、减少弃风弃光，为实现“双碳”目标奠定基础。