基于区域配电网的0.4kV分布式光伏实时发电功率预测

引言

太阳能作为可再生能源和清洁能源,具有资源分布广、能源清洁不产生污染以及取之不尽、用之不竭的特点,因此受到了众多国家的支持。随着国家对光伏产业的大力推动与支持,一系列光伏发电补贴政策相继出台,推动了光伏项目的飞速发展。但光伏发电具有间歇性强、周期性强以及波动性大等特点,光伏并网将对电网的安全、稳定运行产生极大挑战。

为了应对光伏并网对电网整体的冲击与稳定性影响,业内已有较多专家深入研究了大规模、密集型以及10kV光伏并网对整个电网的影响,并对光伏并网的发电情况做了深入研究。但对于配电网0.4kV分布式光伏的并网,由于其点多面广,发展迅速,且目前对于0.4kV光伏发电采集器受种种原因制约无法进行集中管控,因此,对于0.4kV分布式光伏的发电效率以及实时发电功率仍无法做到预测。然而,目前0.4kV分布式光伏如雨后春笋般散落在各公用台区与线路间,对于10kV配电网运行安全以及稳定性都造成了极大的挑战。

本文将全面分析影响光伏发电效率的关键因素,并对目前主流的光伏实时发电功率预测方法进行探讨,提出针对区域配电网的0.4kV分布式光伏实时发电功率预测算法,以加强对区域配电网0.4kV光伏发电的辅助支撑,也为后续对区域配电网0.4kV分布式光伏发电管控积累宝贵经验。

1光伏发电关键影响因素

光伏发电功率与诸多因素有关,但针对区域配电网0.4kV分布式光伏,主要影响因素包括温度、太阳光的辐照强度、倾角、天气类型、设备转换效率等。

1.1温度

光伏电池板表面温度会对光伏电池板性能产生直接影响。光伏电池板吸收光粒子的效率在超过最高效率温度后会随着温度的升高而降低,电池板温度升高会使得电池板内载流子的迁移率、扩散长度以及少数载流子的寿命变差。同时,光伏电池板由于其材料特性具有较强吸热性,其温度会随着运行时间加长而显著上升,从而影响到整个光伏发电系统的转换效率。在太阳能电池输出M-I特性中,在照度不变的情况下,温度的升高会使组件温度上升,开路电压和最大输出功率下降。一般来说,厂家设备的光伏电池板普遍在20℃时效率最佳。

1.2太阳辐照度

太阳辐照度是指太阳辐射经过大气层的吸收、散射、反射等作用后到达固体地球表面上单位面积单位时间内的辐射能量,其单位为:瓦特/平方米(w/m2）。同时,太阳辐照度是定量描述和研究太阳光辐射的重要参量。

硅是光伏电池主要元素,在太阳辐射粒子的作用下,电子与空穴会在硅材料中相应移动,此时会在电池板中产生电场,进而形成电流,输出电功率。因此,太阳辐照度的强弱对光伏实时发电功率有直接影响。但由于各地区情况、维度等不同,太阳辐照度的值也有所不同,目前我国气象局和美国NASA等都会发布地区太阳年均辐射量及日均总辐射量,可作为地区太阳辐照度的重要参考。同时,对于10kV光伏并网或部分0.4kV分布式光伏并网都安装有辐照度监测装置,可对太阳辐照度进行实时测量。

1.3设备转换效率

设备转换效率是指光伏电池板在吸收太阳能后将光能转换为电能的最终转换效率。设备由光伏方阵、蓄电池组、蓄电池控制器、逆变器、交流配电柜和太阳跟踪控制系统等组成,其中最重要的元件是逆变器,逆变器的选用及其质量直接影响光伏发电的效率。同时,逆变器作为光伏发电系统必不可少的一部分,能够将光伏电池板产生的直流电转换为交流电,且具有自动稳压功能,其转换效率取决于输入与输出功率的关系。目前,大多数主流厂家的设备转换效率能够达到85%及以上,但转换效率还与设备的质量及使用环境等有密切关系。

2光伏实时发电功率预测方法

光伏实时发电功率的预测主要分为直接预测与间接预测两大类别。

直接预测法是根据对光伏实时发电功率造成关键影响的因素直接获取数据,如当天气候数据、辐射强度数据以及其他数据,并建立直接测量模型,最后构建虚拟电厂,模拟其光伏电站输出功率。直接预测方法的特点是建模难度比较大,对数据质量以及准确性要求比较高,且不同工作状态和情况及各关键因素的变化可能会影响到模型的准确性。

间接预测法是根据历史数据,如气象数据、辐射数据以及设备转换效率等情况,通过建立光电转换模型,得出光伏电站的输出功率。间接预测法的特点是在整个预测过程中要建立多个预测模型,每个模型需要经过反复推敲运算,若是关键模型建立错误,将导致整个模型失效,直接影响到光伏实时发电功率预测的准确性。

对于光伏实时发电功率预测的具体算法较多,目前应用较多的是基于神经网络的实时发电功率预测、多维时间序列局部支持向量回归的发电功率预测以及基于KmeanSSVs的光伏发电功率预测等,这几类算法均对光伏发电的实时功率进行了预测及验证,也是近几年光伏实时发电功率预测的主流研究方向。

3区域配电网#0.4(分布式光伏实时发电功率预测算法

针对0.4kV分布式光伏的具体情况,由于其分布范围广且零散,并以居民或小工厂用户为主,获取数据的实时性以及数据质量均有较大局限,无法与10kV光伏并网的情况相提并论。但0.4kV分布式光伏的实时发电功率,直接影响到10kV线路以及公用台区的安全稳定运行,因此,本文提出了区域配电网0.4kV分布式光伏实时发电功率预测算法,是在应用直接预测法的基础上,结合历史数据进行综合修正,优化算法。

区域配电网0.4kV分布式光伏实时发电功率与以下因素直接有关:太阳辐照度、0.4kV分布式光伏对象的报装容量、温度、湿度、天气类型以及设备转换效率等。综合起来,光伏实时发电输出功率表达式为:

式中,1为太阳辐射强度(kw/m2）:9为经验系数,主要考虑设备转换效率、设备运行情况等:s为0.4kV分布式光伏对象的报装容量(kw）:7为气候系数,主要考虑温度、湿度、天气类型等。

3.1太阳辐射强度I

以全市情况为参考对象,由于考虑到各区域乃至各条10kV线路或台区的实时太阳辐照强度会有较大不同,且由于数据实时性问题及数据准确性低,无法直接选取0.4kV分布式光伏对象的实时辐照度,因此本算法直接选取预测对象临近的多个10kV光伏分布点的实时太阳辐射强度I,并与历史光伏辐照度实时数据进行比对,优化太阳辐射强度I至合理区间。如需要预测某台区下所有0.4kV分布式光伏的太阳辐射强度,则选取该0.4kV分布式光伏临近的多个10kV光伏分布点的实时太阳辐射强度1作为参考值,与历史同月光伏辐照度数据进行比对,优化太阳辐射强度值,作为最终太阳辐射强度1值。太阳辐射强度的准确性将直接影响到光伏实时发电功率预测的准确性。

3.2经验系数η及气候系数T

经验系数η包括了设备转换效率、设备运行环境以及投运时间等,其取值需要依据进行光伏实时发电预测的0.4kV分布式光伏的厂家情况、设备投运时间、设备所处运行环境等进行综合评估。采用最终算法进行区间评估,选取0.6～0.96作为经验系数的取值。

气候系数T主要考虑了温度、湿度、天气类型等外围环境影响因素,并结合历史数据下参考对象光伏实时发电功率值,综合评估外围因素对光伏实时发电功率值的影响。依据最终算法对不同温度、湿度、天气类型进行区间评估,选取0.9～0.98作为气候系数的取值。

3.30.4kV分布式光伏对象的报装容量s

0.4kV分布式光伏对象报装容量的多少直接影响预测对象的实时发电功率,因此,选取不同的预测对象,其报装容量应有不同取值。如需预测某一10kV线路下的光伏实时发电功率,则选取该10kV线路下所有0.4kV分布式光伏报装容量累加值作为总报装容量s:同理,若需预测某一台区下的光伏实时发电功率,则选取该台区下所有0.4kV分布式光伏报装容量累加值作为总报装容量s。

3.4(不同预测对象下的光伏实时发电输出

依据区域配电网0.4kV分布式光伏实时发电功率预测算法,则能对不同区域或变电站等进行0.4kV分布式光伏发电功率的实时预测,具体展现如表1所示。

4结语

综上所述,通过分析影响光伏发电效率的关键因素及光伏实时发电功率预测方法,提出了针对区域配电网的0.4kV分布式光伏实时发电功率预测算法,为配电网的安全稳定运行以及实时发电情况的掌握提供了有力支持。

20220324_623c62a8a7edb__基于区域配电网的0