发电功率

国家电网有限公司确立了“具有中国特色国际领先的能源互联网企业”战略目标，作为责任央企，连云港供电公司致力于为沿海岛屿提供安全、优质、经济、环保的能源。为满足海岛用电需求，公司组建联合攻关团队，攻克发展、建设、运检、调控、信通等多个专业难题，在开山岛上建设一套综合能源智能微电网系统；充分利用海岛丰富的风、光、波浪能等自然资源，建设30千瓦风机一台，采用屋顶平铺方式建设110千瓦光伏，660千瓦时储能，发电功率50千瓦柴油发电机和日产10吨淡水的海水淡化系统，通过多种能源协同互补利用，彻底解决岛上用电用水紧缺难题。建成投运开山岛智能微电网及海水淡化系统，让开山岛的夜晚灯火通明，为将开山岛建设成为全省乃至全国有影响力的党性教育基地、国防教育基地、爱国主义教育基地贡献苏电经验。 

9月23日，国网江苏电力有限公司营销服务中心自主研发的分布式光伏发电功率预测模型在宝应县成功试点应用。应用结果表明，模型对单户客户光伏发电功率预测的时间精度达到小时级，准确率可达91.3%。

为了提高光伏发电功率预测精度，根据不同天气类型下光伏输出功率特点，确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm，WPA）缺陷，对狼群游走位置和奔袭步长进行改进，得到改进狼群算法（improved wolf pack algorithm，IWPA），并通过IWPA对最小二乘支持向量机（least squares support vector machine，lSSVM）进行优化，建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真，结果表明：无论是晴天、多云还是阴雨天气，所提方法预测精度更高，回归拟合时的误差波动更小。

我国拥有18000多公里长的海岸线，可利用海域面积多达300万平方公里，是世界上海上风能资源最丰富的国家之一。大力发展可再生能源发电是我国锚定“碳达峰、碳中和”目标、推进清洁低碳、安全高效能源体系建设的重要举措。其中，海上风电因风能储量丰富、发电功率高、发电时间长、邻近负荷中心、不受地形限制等优势，已成为最具潜力的新能源发电形式之一。2021年，我国海上风电新增装机容量为10.8GW，累计装机容量达26.4GW，新增装机容量和累计装机容量均稳居世界首位。

针对光伏发电功率预测方法难以捕捉层次时序信息导致预测精度提升受限的问题，提出基于周期信息增强的Informer光伏发电功率预测方法。首先，提取光伏发电功率序列标量投影、局部时间戳和全局时间戳建立周期信息增强的预测模型嵌入层；然后，通过Informer模型概率稀疏自注意力主动筛选光伏发电功率与特征变量间重要联系，采用卷积层和池化层对模型变量维度和网络参数进行自注意力蒸馏；最后通过解码层生成式机制进一步预测单序列和长序列发电功率。通过仿真验证，所提模型预测精度更高，能够对光伏发电功率进行长时间预测。

为了增强光伏并网的稳定性，提高光伏发电功率预测精度，提出一种基于相似日聚类、群分解(swarm decomposition, SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法。首先，使用快速傅里叶变换(fast fourier transform, FFT)提取太阳辐照度的期望频率，将其作为聚类特征向量，并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering, AdAP)实现相似日聚类。其次，对每一类相似日分别使用群分解算法进行分解，以提取原始数据的多尺度波动规律特征。最后，利用MBI-PBI-ResNet来实现对天气环境多变量关联影响下的时序特征挖掘以及对多尺度分量的局部波形空间特征和长时间依赖时序特征的同时挖掘，并对不同类型特征进行综合集成来实现光伏发电功率超短期预测。研究结果表明：所提方法在光伏发电功率超短期预测领域相较于其他深度学习方法预测精度提高了3%以上，说明此方法在光伏发电功率超短期预测领域具有较高的预测精度和较强的泛化能力。

针对新能源和负荷功率的不确定性，提出基于数据驱动期望场景集序列的微电网鲁棒经济调度算法。通过聚类方法将大量历史场景数据进行聚类处理，形成聚类场景集序列，基于概率缩减为期望场景集序列。日前计划阶段，以任意场景可行作为约束条件，以期望场景所对应的微电网运行成本的概率加权指标作为目标函数，通过列约束生成算法对微电网经济调度问题进行求解。日内调度阶段，利用新能源和负荷的测量数据，基于日前计划调度结果对微电网进行再调度，通过对传统能源发电功率和电网交互功率调整进行惩罚，来追踪日前计划调度结果，优选出微电网设备最优出力，提高微电网经济性。仿真案例验证了该方法的有效性。

新能源电站近几年如雨后春笋般蓬勃发展，新能源发电量和发电功率达到了前所未有的规模，新能源发电有着清洁发电的优点，能有效减少碳排放，遏制温室效应，对生态环境的保护有持续性有益的效果。按目前发电模式，电网调度部门会对传统电厂（火电厂等）下达发电功率的计划指令，但是如今新能源发电量和发电功率占比传统能源比重不断增长，并且新能源发电受天气影响巨大，所以，如何确定出新能源占比传统能源的未来的比重，对新能源发电就能最大程度的有效利用。

传统的发电站，例如火电站，在发电时为应对不断频繁波动的负荷，采用了中心化的自动发电控制和自动经济调度技术。通过该技术实现了在一定负荷波动范围内，多个发电站的多个机组可以基于负荷变化自动协调机组发电功率，下调功率的发电厂也会获得相应的补偿，在平衡源荷端的同时保证了各方利益的公平分配。而新能源发电站，例如分布式光伏电站，大多分散且缺乏统一协调，并且在发电时，发电功率依赖于自然现象，受不可控因素的影响，难以主动调节。为保证源荷端的平衡稳定，需要探索通过统一协调新能源发电站和调整用户侧的负荷实现源荷端的平衡，在维持电网稳定运行的同时保证效率和经济性。基于区块链和智能合约技术构建的虚拟电厂，打通多个原本相互割裂的新能源发电站、储能设施和用户端可控负荷，深度感知源网荷储，制定全局最优调控策略，以公平透明的方式促成多个不同能源之间的多能互补、提高可调控容量占比和可再生能源并网友好水平。

光伏发电功率的预测对电网稳定以及安全地运行有重要意义，提出一种基于长短期记忆网络(long short term memory ，LSTM)数字孪生体的预测模型，通过数字孪生体模型实现光伏发电功率的精准预测。数字孪生体分为物理空间与数据空间，首先根据物理空间得到的气象孪生数据由LSTM算法获取初步的预测功率，同时更新历史气象数据库。然后在气象数据库中找到相似日，对比相似日的预测功率和实际功率，对初步的预测功率进行误差修正，得到最终光伏功率预测值。文中所提的数字孪生体实现了物理实体与数据驱动的连接，同时物理实体可进行自我学习和更新，因此相较于传统的光伏预测结果更为精确，通过仿真算例进一步证实数字孪生体预测的准确性。