能源互联网中可再生能源发电建设的关键问题

能源互联网中可再生能源发电建设的关键问题

摘要：

可再生能源发电具有清洁高效的优势，但存在受环境影响而导致出力变化等诸多不确定因素的特性。在能源互联网设计中加入大量可再生能源发电，会对其规划运行产生影响。特别是在建设初期，需要论证可再生能源发电建设的可行性，对可再生能源发电的出力建模是其重要依据之一。基于Matlab建立了光伏发电和风力发电的随机模型并进行了仿真，仿真结果表明模拟数据贴合当地的实际数据，对能源互联网的规划运行具有良好的参考价值，可为能源互联网的稳定运行奠定基础。

关键词：可再生能源；能源互联网；随机模型

0 引言

近年来我国可再生能源发电发展迅猛，但以风电、光伏发电等为主导的能源供需体系，因发电 量具有波动性和间歇性的特点，难以达到电网的 并网要求，导致弃风与弃光现象十分严重[1-2]，这对电力行业的转型提出了更高要求。

能源互联网以可再生能源为主要能源单元， 通过互联网实现信息流与能量流的实时流动，能 够实现各种类型能源、传输网络、能源和信息技术的高度耦合[3]，可以提高可再生能源的跨区域消纳能力，是未来电网的发展方向。其中，对可再生能源出力进行合理准确的建模，是对其在能源互联网中规划的首要任务。以可再生能源中最为常见的风电和光伏发电为例，其出力分别与风速和光照强度密切相关，对其建模目前常用的方法有3种，分别是时间序列模型、机器学习模型和概率分布模型[4]。时间序列模型是建立在风速具有时 间相关性的基础上，通过分析其历史时间变化规律来预测未来风速[5-6]，其阶数对模拟结果的精度影响较大，低阶误差大，而高阶模型参数估计困 难，并且难以反映模拟目标的长期概率分布特征。 机器学习模型则采用各种机器学习方法及智能算法模拟目标[7-8]，考虑到多种变量对目标的影响， 具有较高的预测精度，但是模型复杂导致计算量较大，多用于风速的短期模拟。概率分布模型能 够比较准确地拟合目标的长期随机特性。本文基于概率分布模型，分别对风电和光伏发电进行随机建模，并将仿真结果与某地实际数据进行对照， 验证该方法的准确性，为能源互联网中可再生能源的规划运行奠定基础。

１ 能源互联网简介

1.1 能源互联网的定义

能源互联网，俗称基于网络的智能电网或智能电网2.0。能源互联网就是把互联网技术与可再生能源相结合，在能源开采、配送和利用上从传统的集中式变为智能化的分散式，从而将全球的电网变成能源共享网络。能源互联网是以特高压电网为骨干网架（通道），以输送清洁能源为主导， 全球互联泛在的坚强智能电网。总之，能源互联网是以电力系统c互联网为核心，以互联网及其他前沿信息技术为基础，以分布式可再生能源为 主要一次能源，与天然气网络、交通网络等其他系 统紧密耦合而形成的复杂多网流系统。通过着力 发展非煤能源，形成煤、油、气、核、新能源、可再生能源多轮驱动的能源供应体系[9]。

1.2 能源互联网的框架

能源互联网的基本框架如图1所示。

该系统内有包括风电、太阳能在内的新能源构成的发电系统，也有包括煤、天然气和石油构成的供冷供热系统[10]。它们之间相互融合并通过信息系统构成了“综合能源供给系统”：一方面，多种能源通过电、冷、热等形式的协调调度，全方面地满足用户的各种能源需求，提高能源供应的可靠性与安全性；另一方面，可以消除某一种能源的供应瓶颈，实现各种供能设备的高效利用。

从图1可以发现，很多类型的能源都有特定的市场，如石油用于交通，天然气以家用和供热为主，可再生能源主要用于发电。对于一次能源长期形成的较为固化的产业链条，电能凭借其较好的兼容性可以充当其中的桥梁，实现可再生能源对其他高污染一次能源的逐步替代，这也是能源互联网提出的最重要的目标。

2 可再生能源对能源互联网的影响

可再生能源具有高渗透性、高随机性和对等接入性[11]等特点。

2.1 高渗透性

随着能源互联网的发展，清洁能源将逐步替代化石能源，形成以风电、光伏发电等可再生能源为主的能源供应体系。

按照目前可再生能源发电的增速，清洁能源 将在2050年达到世界能源需求总量的80%。在能源互联网背景下，可再生能源的并入将会对能源的供需平衡构成新的挑战。

2.2 高随机性

在以化石燃料为主的传统电力系统中，电源的随机性不大，且稳定性高，控制策略完善。然而 可再生能源具有很大的不确定性和不可控性，例如，风电受风速影响，光伏发电受光照强度影响。因此，可再生能源的大规模并网将大幅提高发电侧的随机性，影响供需两侧的平衡性，对电网的安全稳定运行造成威胁。

2.3 对等接入性

在能源互联网的概念中，能量要实现自由传输[11-12]。能源的供给侧与需求侧界限将逐渐模糊，形成具有普适性能源接入接口的多元网络，能源的供应模块可以实现“即插即用”。可再生能源接入能源互联网将免去人工报装、审批的流程，实现自动识别与管理。这也对能源的接入标准、虚拟电厂和能源路由器等技术提出了高要求。

由此可以看出，可再生能源的发电量存在波动性和间歇性影响，而这种影响随着其在发电侧占比的增加而扩大，对在能源互联网中进行规划产生了不利的影响。对于能源互联网的规划运行而言，对可再生能源进行建模是有必要的。

3 可再生能源的随机建模

可再生能源的随机性和波动性使其出力呈现出不同特征，本文基于概率分析和随机抽样的理论，建立了风电和光伏的随机模型。

3.1 风电的随机建模

风机的出力主要由风机功率特性曲线和风速两个因素决定。风速的统计特性一般服从于 Weibul分布，其概率密度函数表达式：


对于获取不同季节的白天和夜晚的风速随机特性，可以通过在模拟过程中改变Weibul分布中 的s与m值来实现。

风机功率特性曲线近似满足如下分段函数：

3.2 光伏发电的随机建模

光伏电源在某时刻的出力由该时刻的辐射强度和温度决定[11]，其具体出力关系由下式表示：


模拟光伏电源出力的随机性需要了解当地光照的特性，将某地的光照情况分成确定部分与随机部分，确定部分由当地的地理情况决定，随机部分受阴影和云层遮挡等随机情况影响，通过Beta分布模拟其概率密度函数（a=0.5，b=1）：

4 仿真与分析

4.1 风电算例分析

对中国西北某风电厂进行算例分析，取额定 装机容量100MW的固定区域风电厂，基于风速标准差与平均值如表1所示。

基于Matlab搭建了风电厂的随机出力模型， 模拟出了风电厂一年中365d每小时的出力数 据。每个季节取一天，风电场出力模拟值与风电厂实际出力值对照如图2所示。

由图2可以看出，风电厂的随机出力模型能够较好地拟合出风电厂的实际出力。

4.2 光伏算例分析

对新疆某地区光伏电厂进行了算例分析，取额定装机容量100MW的固定区域光伏电厂。 基于Matlab搭建了光伏电厂的随机出力模型，模拟出了光伏电厂一年中365d每小时的出力数据。每个季节取一天，光伏电厂出力模拟值与实际出力值对照如图3所示。

由图3可以看出，光伏电厂的随机出力模型 能够较好地拟合出实际出力。

由风电与光伏的算例分析可以得出，模拟值与实际值两者之间最大误差点的误差绝对值均不超过实际值的10%，能较好地反映出实际出力状况，对可再生能源的规划建设具有良好的参考价值。

5 结语与展望

（1）可再生能源的波动性与间歇性会对能源互联网的规划建设产生很大的影响。
（2）本文建模方法可以体现出风电在不同季节白天和晚上的出力特性，与实际数据匹配度较好。
（3）本文建模方法将光伏发电的光照情况分成确定与随机两部分分析，能较好地模拟实际的光照情况。
（4）本文建模方法对能源互联网中可再生能源的规划建设具有一定的参考意义。

参考文献：

[1] 曾鸣，杨雍琦，刘敦楠，等7能源互联网“源 网 荷 储”协调优化运营调优化运营模式及关键技术 [J]．电网技术，2016，10（１）：114－124．
[2]赵文会，李阮，付强，等．能源互联网下可再生能源项目规划研究[J]．电网与清洁能源，2018，34（2）：142－148．
[3]RIFKINJ. The third industrial revolution: How lateral power is transforming energy, economy, and the world[M]。 London: Palgrave macmillan, 2011.
[4]OZAYC, CELIKTASMS. Statistical analysis of wind speed using two-parameter weibull distribution in AIa at region[J]. Energy Conversion and management, 2016, 121:49-54.
[5]王国权，王森，刘华勇，等．基于自适应的动态三次指数平滑法的风电场风速预测 ［J］．电力系统保护与控制，2014，42（15）：117－122．
[6]YUNUSK, THIRINGERT, CHENP. ARIMA-based frequency-decomposed modeling of wind speed time series[J]. IEEE Transactions on Power Systems, 2016, 31(4): 2546-2556.
[7]殷豪，董朕，陈云龙．基于CEEMD和膜计算优化支持向量机的 风 速 预 测[J]．电力系 保护与控制，2014，45（21）：27－34．
[8]RENY, SUGANTHANPN, SRIKANTH N. A novel empirical mode decomposition with support vector regression for wind speed forecasting[J]. IEEE Transactions on Neural Networks and Learning Systems 2016, 27(8): 1793-1798.
[9]田世明，栾文鹏，张东霞，等．能源互联网技术形态与关键技术[J]．中国电机工程学报，2015，34（14）：3482－3494．