清洁能源典型场景如何构建？

        随着我国清洁能源的规模化开发利用，清洁能源发电持续迅猛发展，装机容量增长规模持续扩大[1-2]。据国家能源局统计报告，截至 2017 年底，我国风电新增装机量 1 503 万 kW，累计装机量达到1.64 亿 kW，光伏发电新增装机容量 5 306 万 kW，累计装机容量 1.3 亿 kW[3-4]。清洁能源具有环保、丰富、分布广泛等优势，但其稳定性较差，能量密度较小[5-6]。随着清洁能源装机容量的持续增长，清洁能源占电网电源比例的不断提升，清洁能源的消纳需求对电力系统经济运行、电网清洁能源消纳能力评估、电网调度计划的制定等提出了更高的要求[7-8]。因此，考虑风电、光电等清洁能源出力的季节性和周期性，从历史出力数据中提炼出具有代表性的典型出力场景，用这些典型出力场景来反映中长期内的清洁能源出力特性，对含高比例清洁能源的电力系统的电源规划具有重要意义。

目前，应用较为广泛的中长期清洁能源出力场景或负荷特性的选取方法一般分为 3 种：典型日法、时序仿真法及聚类算法。典型日法通常指以某周期内与平均值最为接近的一天的出力特性作为典型日出力场景，或选用某周期内具有代表性的一天作为典型日出力场景。文献[9]分别根据光照强弱与风速高低选取了风光出力典型日，根据可再生能源与负荷的出力情况，以消耗海岛发电燃料最小为目标进行优化发电调度策略研究。通过典型日法获取清洁能源的出力特性简单快捷，但由于场景不够丰富不能体现全年清洁能源出力的变化特性，在中长期电源规划计算中误差较大。时序仿真法指通过历史清洁能源的实际出力时间序列数据，再根据装机容量及其他因素的变化加以调整得到模拟出力时间序列。文献[10]通过时序仿真法得到归一化后的年度风电序列、年度光伏序列、负荷出力序列用于风光容量配比分层优化计算。时序仿真法得出的全年出力时间序列贴近每日风电、光伏等清洁能源的实际出力特性，结果准确可靠，缺点是计算效率低。聚类算法则是通过聚类分析的方法对长时间时序的清洁能源实际出力场景进行信息提取、归类和化简，进而得到典型场景集合。文献[11]应用聚类算法得到风电和负荷的典型场景集，并基于此对风电接纳能力进行了评价分析。聚类算法既保证了出力数据的原始特性，又兼顾了计算效率。聚类算法在典型场景集的构建中应用广泛，聚类算法可通过设置聚类数将若干个时序场景缩减至设定个数。文献[12]介绍了聚类算法在长期预测风电出力特性中的应用。文献[13]分别利用 Kmeans 和 FCM 两种聚类算法对用电用户进行聚类，并训练得到 BP 神经网络和 SVM 算法的负荷预测模型。文献[14]使用 K-means 聚类算法对巴西智能电力系统用户的实际负荷曲线进行聚类，得到典型负荷曲线集。

上述文献均通过经典聚类算法对大量的实际负荷或风电数据进行分析，得出了能够较为准确反映实际特性的用户负荷及风电出力场景集，但并未对聚类数的选取、同区域多类清洁能源间的相关性进行深入讨论。鉴于此，本文以清洁能源富足区域的清洁能源出力特性为研究对象，利用改进 FCM 算法对其清洁能源的历史时序出力数据进行聚类分析，生成该地的清洁能源典型出力场景集，将聚类所得的典型场景集应用于区域电力经济运行优化计算中，并比较该方法与全年时序仿真法、典型日法在预测准确性及计算效率上的差异。

1改进FCM聚类

1.1 FCM聚类算法改进思路

FCM 聚类是一种基于划分的聚类算法，FCM 聚类算法有别于传统硬性聚类分析“非此即彼”的硬划分特性，通过引入隶属度函数这一概念，将对象与类簇间的关系扩展到用[0，1]闭区间上的任意数值来描述，从而可以通过判断隶属度函数的数值，来划分对象更倾向属于哪一个类簇[15]。设论域为X，称映射

2 清洁能源典型场景构建及应用

 

3 算例分析

本算例以浙江省某清洁能源富集地区为例，运用本文提出的基于改进 FCM 算法的清洁能源出力典型场景集的构建方法构建该地清洁能源典型场景集，并结合系统运行成本优化模型对该场景构建方法与全年时序仿真法、典型日法进行性能对比。该地区风电装机 50 MW，光伏发电装机320 MW，约占全地区装机的 25%，选取该地自2017 年 6 月 1 日至 2018 年 5 月 31 日风电和光伏发电的出力数据为样本，考虑到风电、光电出力都具有与季节相关的周期性，算例中将风电、光电历史出力数据样本分为春秋季、夏季和冬季 3 类进行聚类仿真。

3.1 基于改进FCM聚类算法的清洁能源典型场景构建

图 2 至图 7 的出力曲线直观地表征了风电、光电各季节的典型出力大小及变化趋势。风电具有较强的波动性，峰、谷变化过程及反调峰特性明显。光电出力也具有一定波动性，其出力大小与光照强度紧密联系，在每日 13：00 左右取最大值。由上述出力曲线图可以看出，聚类结果大致按出力的高低进行了划分，表 1 和表 2 分别给出了风电、光电各季节出力典型场景的概率分布情况。

3.2 清洁能源典型场景构建方法比较

上节构建出的清洁能源典型场景集合将应用于高比例清洁能源电力系统的中长期运行成本优化等实际问题，因此本节将对基于改进 FCM 算法的清洁能源典型场景构建方法的实际应用价值进行评价。利用前文提出的系统的运行成本优化模型对全年时序法、改进 FCM 算法及典型日法构建出的场景进行验证与比较，其中典型日法选取春秋季、夏季和冬季风电、光电的出力最接近平均值的一日出力作为典型场景。以全年时序法构建的全年出力场景作为比较基准，得到 3 种场景构建方法的性能对比情况如表 3 所示。

可以看出，基于改进 FCM 聚类算法和典型日法的场景构建方法因场景数目的大量缩减使得运算效率获得了显著提升。但是，与全年时序法构建出的风电、光电全年的出力场景相比，改进 FCM 聚类算法和典型日法的构建出场景均有一定误差。其中，基于改进 FCM 聚类算法与基于全年时序法的场景构建方法相比风电、光电预测结果的误差率分别为 33.4%和 27.1%，基于典型日法与基于全年时序法构建的场景相比风电、光电预测结果的误差率分别为 49.8%和 51.9%，相较而言，基于改进 FCM 聚类算法的场景构建方法在保证运算效率的同时还能较准确地反映风电、光电的全年运行情况。

4 结论

本文以浙江省某清洁能源富足区域的清洁能源出力特性为研究对象，提出了基于改进 FCM 聚类算法的清洁能源典型场景集构建方法与含高比例清洁能源电力系统的运行成本优化模型。利用基于改进 FCM 聚类算法的典型场景集构建方法对该地清洁能源的历史时序出力数据进行聚类分析后生成该地的典型出力场景集，并将聚类所得的典型场景集应用于运行成本优化模型，比较其与全年时序仿真法、典型日法在计算精度、效率上的性能优劣。研究结果表明，基于改进 FCM 聚类算法的清洁能源典型场景集构建方法生成的风电、光电典型场景年度特征明显、符合实际出力情况，且在电力系统运行成本优化分析应用中具有计算效率高、误差小的优势，具有实际工程应用价值。

原标题:基于改进FCM聚类算法的清洁能源典型场景构建