CN105719059A - 光伏发电系统置信容量评估方法 - Google Patents

Abstract

本发明公开一种光伏发电系统置信容量评估方法，包括提出影响光伏发电系统置信容量的四个因素：光伏渗透率、数据采样时间间隔、光伏?负荷出力波动性及光伏出力与负荷波动的时序相关性；利用序贯蒙特卡洛仿真计算电力系统可靠性，通过弦截法求解置信容量；建立四个因素与置信容量之间的三层误差反向传播神经网络；利用不同辐照模式下得到的输入输出数据集训练神经网络；利用训练完成的神经网络的泛化能力获得给定条件下的光伏发电系统置信容量；本发明提出的光伏发电系统置信容量评估方法可用于含光伏的发输电系统的规划设计，且无需再单独对每个特定的光伏发电系统进行序贯蒙特卡洛仿真，解决了现有技术中通用性不强的问题。

Description

光伏发电系统置信容量评估方法

技术领域

本发明涉及一种光伏发电系统置信容量评估方法，属于光伏发电领域。

背景技术

随着光伏发电成本的降低、技术的进步及其对环境的友好性，大型地面光伏发电系统得到快速发展，安装容量日益增加，光伏发电在电力系统中的渗透率逐渐增加。现有研究表明，光伏发电不仅具有能量价值，而且具有容量价值，其容量价值体现在光伏发电系统有效可信容量，即为光伏发电系统的置信容量。为了避免重复建设及资源的浪费，光伏发电系统置信容量的评估成为目前热门研究课题。

现有的关于光伏发电系统置信容量的研究主要分为两大类：基于近似解析法的光伏发电系统置信容量评估和基于蒙特卡洛仿真的光伏发电系统置信容量评估。目前，光伏发电系统置信容量的研究主要集中于对特定的光伏发电系统进行置信容量的评估，如王秀丽,武泽辰，曲翀三人于2014年在中国电机工程学报上发表的文献《光伏发电系统可靠性分析及其置信容量计算》中，利用分层抽样的序贯蒙特卡洛方法进行光伏发电系统置信容量的评估，且研究了天气变化、设备故障等随机因素对光伏发电系统置信容量计算的影响。基于蒙特卡洛的仿真法虽然精确度高，但是，该计算方法存在以下不足：

1)针对特定的光伏发电系统均需要重新进行新的序贯蒙特卡洛仿真，对同样的光伏发电系统而言，当外界环境如辐照强度、负荷变化模式不同时，均需重新进行计算，该算法的适应性和鲁棒性不强；

2)该算法时间消耗大，当常规发电系统规模大，光伏发电系统数目众多时，计算开销将明显增加，甚至在一些极端情况下导致算法不收敛的现象发生。

为了降低蒙特卡洛仿真带来的高时间消耗，MadaeniS.H.，SioshansiR.,和DenholmP.三人于2013年在期刊IEEEJournalofPhotovoltaics上发表的文献“Comparingcapacityvalueestimationtechniquesforphotovoltaicsolarpower,2013,3(1):407-415.”(MadaeniS.H.，SioshansiR.,和DenholmP.(“光伏发电系统的容量价值评估方法比较分析”，IEEE光伏期刊，2013年第3卷第1期，ISNN21563381,第407-415页)一文总结了光伏发电系统置信容量计算的各种近似解析法，其中包括基于光伏发电容量因子的近似方法、Garver近似计算方法、光伏发电系统多状态机组等效方法及Z-method方法等，这些近似方法采用解析法去逼近仿真算法得到的精确值，其在计算光伏发电系统置信容量中，只需进行简单的解析运算。但是，这种近似解析法存在如下不足：

1)近似解析法评估虽然计算量小，但其精确度低，不同的解析法其计算准确度各不相同，与蒙特卡洛仿真法得到的精确解误差各不相同，在不同的场景下选用何种近似解析法则需要具体计算后方能确定，这在实际中不利于工程应用；

2)对于同一种近似解析法，随着光伏渗透率、年辐照强度、负荷的变化不同，其评估得到的结果的误差也将变化，导致该方法在使用中将产生不确定性。

中国发明专利申请公开说明书CN104077664A于2014年10月01日公开的《一种风电储能发电系统的置信容量评估方法》介绍了与光伏发电类似的风力发电/储能系统的置信容量评估方法，该发明专利考虑了风电和储能捆绑下的风电场置信容量评估，解决了以风电置信容量最大化为目标下的储能系统的容量配置问题。该方法能计算光伏发电系统的置信容量，但是针对每一个特定的系统都得重新搭建系统，计算光伏发电系统的置信容量，通用性不强，其模型和方法的通用性和鲁棒性较差。同时，未深层次分析影响置信容量的因素及其对置信容量的影响程度。

综上所述，为了更好的评估光伏发电系统的置信容量，不仅需要考虑影响光伏发电置信容量的主要因素，如光伏渗透率、数据采样时间间隔、光伏-负荷出力波动性、光伏出力与负荷波动的时序相关性，而且还需要提出一种具有通用性的光伏发电系统置信容量评估方法。

发明内容

本发明要解决的技术问题为克服现有技术中存在的问题，提出一种综合考虑各种因素，并利用训练完成的BP神经网络实现计算任意给定条件下的光伏发电系统置信容量评估方法。

本发明的目的是这样实现的，本发明提供了一种光伏发电系统置信容量评估方法，其主要步骤如下：

步骤1，通过采样获取发电系统常规机组额定容量及可靠性数据，包括每台常规机组额定容量G_i、平均正常工作时间t_{MTTF_i}、平均故障时间t_{MTTR_i}(i＝1,2,…,N)，其中N为常规机组台数，所有常规机组额定容量和为光伏发电系统额定容量C_PV、1分钟级的年辐照强度数据、1分钟级的年负荷数据；

步骤2，在仿真时段T中，以Δt为数据采样时间间隔，Δt≥1min；通过等宽采样法得到数据采样时间间隔Δt下的光伏年出力序列和负荷年需求序列V_Load＝{L_Δt,L_2Δt,...,L_iΔt,...,L_nΔt}(i＝1,2,…,n)，其中n为仿真时段T中的时间间隔数目；采用序贯蒙特卡洛抽样法得到常规机组的年出力状态序列G；先将所述年出力状态序列G以1分钟为时间间隔采样得到1分钟级的出力序列，再以数据采样时间间隔Δt为宽度通过等宽采样法，获取以Δt为间隔的常规机组运行及停运两状态下的年出力序列V_Gen；

步骤3，计算光伏渗透率r，数据采样时间间隔Δt下的光伏‐负荷出力波动性υ，光伏出力与负荷波动的时序相关性C_r，将其记为输入向量(r,Δt,υ,C_r)，具体按下式进行：

(1)光伏渗透率r：

$r=\frac{C_{PV}}{C_{con}+C_{PV}}\×100\%---\left(1\right)$

(2)光伏-负荷出力波动性υ：

$\mathrm{\υ}=\frac{\sqrt{\frac{\underset{i=1}{\overset{n-1}{\Σ}}{\left(\frac{C_{PV}^{(i+1)\mathrm{\Δ}t}-C_{PV}^{i\mathrm{\Δ}t}}{\mathrm{\Δ}t}\right)}^2}{n-1}}/(C_{PVmax}^{\mathrm{\Δ}t}/\mathrm{\Δ}t)}{\sqrt{\frac{\underset{i=1}{\overset{n-1}{\Σ}}{\left(\frac{L_{(i+1)\mathrm{\Δ}t}-L_{i\mathrm{\Δ}t}}{\mathrm{\Δ}t}\right)}^2}{n-1}}/(L_{max}^{\mathrm{\Δ}t}/\mathrm{\Δ}t)}---\left(2\right)$

在(2)式中，n为仿真时段T中的时间间隔数目，和分别表示光伏发电系统在(i+1)Δt和iΔt时刻的出力，L_(i+1)Δt和L_iΔt分别表示(i+1)Δt和iΔt时刻的负荷需求，且

(3)光伏出力与负荷波动的时序相关性C_r：

$C_r=\frac{{\mathrm{\ρ}}_s}{{\mathrm{\δ}}_a}---\left(3\right)$

在(3)式中，ρ_s为斯皮尔曼秩相关系数，按下式计算得到：

${\mathrm{\ρ}}_s=1-\frac{6\underset{i=1}{\overset{n}{\Σ}}{d}_i^2}{n(n^2-1)}---\left(4\right)$

在(4)式中，d_i＝x_i-y_i，x_i和y_i分别表示变量和L_iΔt在相应的光伏年出力序列V_PV和负荷年需求序列V_Load中的秩次；

δ_a为弗雷歇平均距离，按下式计算得到：

${\mathrm{\δ}}_a=min\underset{i=1}{\overset{n}{\Σ}}\left|\right|P_i^{\′}-L_i^{\′}\left|\right|---\left(5\right)$

在(5)式中，L_i′＝L_iΔt/max(V_PV,V_Load)，max(V_PV,V_Load)为序列V_PV和V_Load的最大值；

步骤4，利用序贯蒙特卡洛仿真计算不含光伏发电系统时的发电系统电力不足期望值可靠性指标R₀，计算公式如下：

$R_0=\underset{t\&Element;T}{\&Sigma;}P(G_t<L_t)---\left(6\right)$

假定新增光伏发电系统额定容量C_PV可额外承担的有效载荷容量为ΔL，此时加入安装容量为C_PV的光伏发电系统后的发电系统可靠性指标发电系统可靠性R_ΔL计算公式如下：

$R_{\mathrm{\&Delta;}L}=\underset{t\&Element;T}{\&Sigma;}P(G_t+C_{PV}^t<L_t+\mathrm{\&Delta;}L)---\left(7\right)$

在(6)、(7)式中，G_t表示常规机组年出力序列V_Gen在t时刻的出力，L_t为负荷年需求序列V_Load在t时刻的负荷需求，表示光伏年出力序列V_PV在t时刻的出力，表示在仿真时段T内，t时刻的常规机组出力G_t小于负荷需求L_t的概率之和；

步骤5，通过弦截法求解R₀＝R_ΔL时的新增光伏发电系统额定容量C_PV可额外承担的有效载荷容量ΔL，并利用下式计算光伏发电系统的置信容量k_c和光伏发电系统的容量置信度k_p，并将其记录为输出向量(k_c,k_p)：

k_c＝ΔL(8)

$k_p=\frac{\mathrm{\&Delta;}L}{C_{PV}}\&times;100\%---\left(9\right)$

步骤6，在保持步骤1中常规机组容量及可靠性数据不变的前提下改变光伏年出力序列及负荷年需求序列，重复步骤2至步骤5，计算得到在多个不同数据采样时间间隔Δt下的光伏渗透率r、光伏‐负荷出力波动性υ、光伏出力与负荷波动的时序相关性C_r、光伏发电系统的置信容量k_c和光伏发电系统的容量置信度k_p的数值，记录多个以(r，Δt，υ，C_r)为输入向量，以(k_c，k_p)为输出向量的数据集S_d；建立含输入层、隐含层、输出层的三层误差反向传播BP神经网络，输入层以(r，Δt，υ，C_r)为四个输入，隐含层有4个神经元，输出层以(k_c，k_p)为两个输出，利用得到的数据集S_d完成BP神经网络的训练；

步骤7，利用训练完成的BP神经网络的泛化能力得到给定条件(r，Δt，υ，C_r)下的光伏发电系统的置信容量k_c和容量置信度k_p。

优选的，步骤5中所述的弦截法按如下步骤进行：

通过序贯蒙特卡洛仿真计算得到在负荷峰值为L_pk0、电源侧加入新增光伏发电系统额定容量C_PV时的发电系统可靠性指标R_A，并记为点A(L_pk0,R_A)；通过序贯蒙特卡洛仿真计算得到在负荷侧加入与新增光伏发电系统额定容量C_PV等容量的负荷后的发电系统可靠性指标R_B，并记为点B(L_pk0+C_PV,R_B)；

连接A、B点记为线段l_AB，求解l_AB与y＝R₀的直线交点为P₁(L₁,R₀)，将L₁作为新的负荷加入原发电系统并通过序贯蒙特卡洛仿真计算此时的发电系统可靠性指标R_C，记为C(L₁,R_C)点；

连接B、C点记为线段l_BC，求解l_BC与y＝R₀的直线交点为P₂(L₂,R₀)，将L₂作为新的负荷加入原发电系统通过序贯蒙特卡洛仿真计算此时的发电系统可靠性指标R_D，记为D(L₂,R_C)点；

继续迭代上述过程，直到相邻两次计算得到的发电系统可靠性指标小于收敛阈值ε＝0.01，停止迭代，记录此时对应的峰值负荷L_E，则新增光伏发电系统额定容量C_PV可额外承担的有效载荷容量ΔL＝L_E-L_pk0。优选的，步骤6中所述的BP神经网络的训练采用列文伯格‐马夸尔特优化算法，训练目标最小误差取0.05，训练次数取600次，学习率取0.05，隐含层和输出层的传递函数均采用S型正切函数。

与已有技术相比，本发明的有益效果体现在：

1、本发明的评估方法分析了影响光伏发电系统置信容量的四个因素，便于研究各因素对光伏发电系统置信容量评估的影响，与已有技术中只是单纯计算光伏发电系统置信容量的结果相比，本发明提出的方法能研究影响光伏发电系统置信容量评估的主要因素，从而为挖掘提高光伏发电系统置信容量的有效措施提供参考价值。

2、本发明的评估方法提出的光伏-负荷出力波动性指标υ反映了不同数据采样时间间隔Δt下的光伏和负荷的出力波动情况，提出的光伏出力与负荷波动的时序相关性C_r指标结合斯皮尔曼秩相关系数和弗雷歇平均距离，不仅表征了光伏出力与负荷波动趋势的关系，而且反映了光伏出力序列和负荷需求序列的平均距离，能综合反映光伏出力和负荷曲线之间的匹配关系。

3、本发明中采用三层BP神经网络训练多种辐照模式下的光伏发电系统置信容量，利用训练完成的神经网络的泛化能力计算其他任意给定条件下的光伏发电系统的置信容量，较其他对特定系统必须重新计算的方法具有较强的通用性和较短的计算时间，为光伏发电系统置信容量的评估提供了更便捷的方法。

附图说明

图1为本发明光伏发电系统置信容量评估方法的流程图；

图2为本发明弦截法迭代求解过程示意图；

图3为本发明光伏发电系统置信容量评估BP神经网络结构图。

具体实施方式

下面结合附图对本发明的优选方式作进一步详细的描述。

如图1所示，本发明的主要步骤如下：

步骤1，通过采样获取发电系统常规机组额定容量及可靠性数据，包括每台常规机组额定容量G_i、平均正常工作时间t_{MTTF_i}、平均故障时间t_{MTTR_i}，(i＝1,2,…,N)，其中N为常规机组台数，所有常规机组额定容量和为光伏发电系统额定容量C_PV、1分钟级的年辐照强度数据、1分钟级的年负荷数据。

实际中获取的负荷数据通常以小时为间隔，为了得到1分钟级的负荷数据可以通过两数据点之间的线性插值得到；

步骤2，在仿真时段T中，以Δt为数据采样时间间隔，Δt≥1min；通过等宽采样法得到数据采样时间间隔Δt下的光伏年出力序列和负荷年需求序列V_Load＝{L_Δt,L_2Δt,...,L_iΔt,...,L_nΔt}(i＝1,2,…,n)，其中n为仿真时段T中的时间间隔数目；采用序贯蒙特卡洛抽样法得到常规机组的年出力状态序列G；先将所述年出力状态序列G以1分钟为时间间隔采样得到1分钟级的出力序列，再以数据采样时间间隔Δt为宽度通过等宽采样法，获取以Δt为间隔的常规机组运行及停运两状态下的年出力序列V_Gen。

步骤3，计算光伏渗透率r，数据采样时间间隔Δt下的光伏‐负荷出力波动性υ，光伏出力与负荷波动的时序相关性C_r，将其记为输入向量(r,Δt,υ,C_r)，具体按下式进行：

(1)光伏渗透率r：

$r=\frac{C_{PV}}{C_{con}+C_{PV}}\&times;100\%---\left(1\right)$

(2)光伏-负荷出力波动性υ：

$\mathrm{\&upsi;}=\frac{\sqrt{\frac{\underset{i=1}{\overset{n-1}{\&Sigma;}}{\left(\frac{C_{PV}^{(i+1)\mathrm{\&Delta;}t}-C_{PV}^{i\mathrm{\&Delta;}t}}{\mathrm{\&Delta;}t}\right)}^2}{n-1}}/(C_{PVmax}^{\mathrm{\&Delta;}t}/\mathrm{\&Delta;}t)}{\sqrt{\frac{\underset{i=1}{\overset{n-1}{\&Sigma;}}{\left(\frac{L_{(i+1)\mathrm{\&Delta;}t}-L_{i\mathrm{\&Delta;}t}}{\mathrm{\&Delta;}t}\right)}^2}{n-1}}/(L_{max}^{\mathrm{\&Delta;}t}/\mathrm{\&Delta;}t)}---\left(2\right)$

在(2)式中，n为仿真时段T中的时间间隔数目，和分别表示光伏发电系统在(i+1)Δt和iΔt时刻的出力，L_(i+1)Δt和L_iΔt分别表示(i+1)Δt和iΔt时刻的负荷需求，且

(3)光伏出力与负荷波动的时序相关性C_r：

$C_r=\frac{{\mathrm{\&rho;}}_s}{{\mathrm{\&delta;}}_a}---\left(3\right)$

在(3)式中，ρ_s为斯皮尔曼秩相关系数，按下式计算得到：

${\mathrm{\&rho;}}_s=1-\frac{6\underset{i=1}{\overset{n}{\&Sigma;}}{d}_i^2}{n(n^2-1)}---\left(4\right)$

在(4)式中，d_i＝x_i-y_i，x_i和y_i分别表示变量和L_iΔt在相应的光伏年出力序列V_PV和负荷年需求序列V_Load中的秩次；

δ_a为弗雷歇平均距离，按下式计算得到：

${\mathrm{\&delta;}}_a=min\underset{i=1}{\overset{n}{\&Sigma;}}\left|\right|P_i^{\&prime;}-L_i^{\&prime;}\left|\right|---\left(5\right)$

在(5)式中，L_i′＝L_iΔt/max(V_PV,V_Load)，max(V_PV,V_Load)为序列V_PV和V_Load中的最大值。

光伏出力与负荷波动的时序相关性C_r指标不仅表征了光伏年出力序列和负荷年需求序列的波动趋势，同时也反应了两者之间的平均距离大小，当光伏年出力序列和负荷年需求序列趋势一致其平均距离很小时，C_r指标取值较大；反之，当C_r指标取值较小时，说明光伏年出力序列和负荷年需求序列平均距离大且变化趋势不一致。

步骤4，利用序贯蒙特卡洛仿真计算不含光伏发电系统时的发电系统电力不足期望值可靠性指标R₀，计算公式如下：

$R_0=\underset{t\&Element;T}{\&Sigma;}P(G_t<L_t)---\left(6\right)$

假定新增光伏发电系统额定容量C_PV可额外承担的有效载荷容量为ΔL，此时加入安装容量为C_PV的光伏发电系统后的发电系统可靠性指标发电系统可靠性R_ΔL计算公式如下：

$R_{\mathrm{\&Delta;}L}=\underset{t\&Element;T}{\&Sigma;}P(G_t+C_{PV}^t<L_t+\mathrm{\&Delta;}L)---\left(7\right)$

在(6)、(7)式中，G_t表示常规机组年出力序列V_Gen在t时刻的出力，L_t为负荷年需求序列V_Load在t时刻的负荷需求，表示光伏年出力序列V_PV在t时刻的出力，表示在仿真时段T内，t时刻的常规机组出力G_t小于负荷需求L_t的概率之和。

因负荷年需求序列及光伏年出力序列均可从实际中获取，故本发明只针对常规机组进行序贯蒙特卡洛采样得到常规机组年出力序列。

所述的序贯蒙特卡洛仿真实现过程如下：

由程序生成位于[0,1]之间的随机数γ₁和γ₂，此时第i台常规机组的运行时间和故障停运时间分别为：

$t_1^i=-t_{MTTF\_i}\&CenterDot;ln\left({\mathrm{\&gamma;}}_1\right)$

$t_2^i=-t_{MTTR\_i}\&CenterDot;ln\left({\mathrm{\&gamma;}}_2\right)$

其中t_{MTTF_i}和t_{MTTR_i}分别为第i台常规机组的平均正常工作时间和平均故障时间，此时每次抽样得到一对运行和故障停运状态；

继续上述过程，直到总的状态累计时间和为8760小时，停止抽样，得到第i台常规机组一年的运行和停运两状态年序列；继续对N台常规机组均按照该步骤进行序贯蒙特卡洛仿真，将所有机组一年的运行和停运两状态年序列累加即得到所有常规机组的运行及停运两状态下的年出力序列V_Gen。

步骤5，通过弦截法求解R₀＝R_ΔL时的新增光伏C_PV可额外承担的有效载荷容量ΔL，即在保证原先发电系统可靠性指标不变的前提下，新增光伏发电系统能够额外承担的有效载荷容量ΔL大小即为该光伏发电系统的置信容量；并利用下式计算光伏发电系统的置信容量k_c和光伏发电系统的容量置信度k_p，并将其记录为输出向量(k_c,k_p)：

k_c＝ΔL(8)

$k_p=\frac{\mathrm{\&Delta;}L}{C_{PV}}\&times;100\%---\left(9\right)$

所述的弦截法具体按如下步骤进行：

通过序贯蒙特卡洛仿真计算得到在负荷年需求序列V_Load＝{L_Δt,L_2Δt,...,L_iΔt,...,L_nΔt}(i＝1,2,…,n)的负荷峰值为L_pk0、电源侧加入新增光伏发电系统额定容量C_PV时的发电系统可靠性指标R_A，并记为点A(L_pk0,R_A)，其计算公式如下：

$R_A=\underset{t\&Element;T}{\&Sigma;}P(G_t+C_{PV}^t<L_t)$

通过序贯蒙特卡洛仿真计算得到在负荷侧加入与新增光伏发电系统额定容量C_PV等容量的负荷后的发电系统可靠性指标R_B，并记为点B(L_pk0+C_PV,R_B)，其计算公式如下：

$R_B=\underset{t\&Element;T}{\&Sigma;}P(G_t+C_{PV}^t<L_t+C_{PV})$

A点和B点的位置如图2所示。

连接A、B点记为线段l_AB，求解l_AB与y＝R₀的直线交点为P₁(L₁,R₀)，将L₁作为新的负荷加入原发电系统通过序贯蒙特卡洛仿真计算此时的发电系统可靠性指标R_C，图2中记为C(L₁,R_C)点。

连接B、C点记为线段l_BC，求解l_BC与y＝R₀的直线交点为P₂(L₂,R₀)，将L₂作为新的负荷加入原发电系统通过序贯蒙特卡洛仿真计算此时的发电系统可靠性指标R_D，图2中记为D(L₂,R_C)点。

继续迭代上述过程，直到相邻两次计算得到的发电系统可靠性指标小于收敛阈值ε＝0.01，停止迭代，记录此时对应的峰值负荷L_E，则新增光伏C_PV可额外承担的有效载荷容量ΔL＝L_E-L_pk0。

步骤6，在保持步骤1中常规机组容量及可靠性数据不变的前提下改变光伏年出力序列及负荷年需求序列，重复步骤2至步骤5，计算得到在多个不同数据采样时间间隔Δt下的光伏渗透率r、光伏‐负荷出力波动性υ、光伏出力与负荷波动的时序相关性C_r、光伏发电系统的置信容量k_c和光伏发电系统的容量置信度k_p的数值，记录多个以(r，Δt，υ，C_r)为输入向量，以(k_c，k_p)为输出向量的数据集S_d；建立含输入层、隐含层、输出层的三层误差反向传播BP神经网络，输入层以(r，Δt，υ，C_r)为四个输入，隐含层有4个神经元，输出层以(k_c，k_p)为两个输出，利用得到的数据集S_d完成BP神经网络的训练；

所述的BP神经网络的训练采用列文伯格‐马夸尔特优化算法，训练目标最小误差取0.05，训练次数取600次，学习率取0.05，隐含层和输出层的传递函数均采用S型正切函数。BP神经网络结构图如图3所示。

步骤7，利用训练完成的BP神经网络的泛化能力得到给定条件(r，Δt，υ，C_r)下的光伏发电系统的置信容量k_c和容量置信度k_p。

Claims (3)

1.一种光伏发电系统置信容量评估方法，其特征在于，本评估方法的主要步骤如下：

步骤1，通过采样获取发电系统常规机组额定容量及可靠性数据，包括每台常规机组额定容量G_i、平均正常工作时间t_{MTTF_i}、平均故障时间t_{MTTR_i}，(i＝1,2,…,N)，其中N为常规机组台数，所有常规机组额定容量和为光伏发电系统额定容量C_PV、1分钟级的年辐照强度数据、1分钟级的年负荷数据；

步骤2，在仿真时段T中，以Δt为数据采样时间间隔，Δt≥1min；通过等宽采样法得到数据采样时间间隔Δt下的光伏年出力序列 $V_{PV}=\{C_{PV}^{\mathrm{\&Delta;}t},C_{PV}^{2\mathrm{\&Delta;}t},...,C_{PV}^{i\mathrm{\&Delta;}t},...,C_{PV}^{n\mathrm{\&Delta;}t}\},(i=1,2,...,n)$ 和负荷年需求序列V_Load＝{L_Δt,L_2Δt,...,L_iΔt,...,L_nΔt}(i＝1,2,…,n)，其中n为仿真时段T中的时间间隔数目；采用序贯蒙特卡洛抽样法得到常规机组的年出力状态序列G；先将所述年出力状态序列G以1分钟为时间间隔采样得到1分钟级的出力序列，再以数据采样时间间隔Δt为宽度通过等宽采样法，获取以Δt为间隔的常规机组运行及停运两状态下的年出力序列V_Gen；

步骤3，计算光伏渗透率r，数据采样时间间隔Δt下的光伏‐负荷出力波动性υ，光伏出力与负荷波动的时序相关性C_r，将其记为输入向量(r,Δt,υ,C_r)，具体按下式进行：

(1)光伏渗透率r：

$r=\frac{C_{PV}}{C_{con}+C_{PV}}\&times;100\%---\left(1\right)$

(2)光伏-负荷出力波动性υ：

$\mathrm{\&upsi;}=\frac{\sqrt{\frac{\underset{i=1}{\overset{n-1}{\&Sigma;}}{\left(\frac{C_{PV}^{(i+1)\mathrm{\&Delta;}t}-C_{PV}^{i\mathrm{\&Delta;}t}}{\mathrm{\&Delta;}t}\right)}^2}{n-1}}/(C_{PVmax}^{\mathrm{\&Delta;}t}/\mathrm{\&Delta;}t)}{\sqrt{\frac{\underset{i=1}{\overset{n-1}{\&Sigma;}}{\left(\frac{L_{(i+1)\mathrm{\&Delta;}t}-L_{i\mathrm{\&Delta;}t}}{\mathrm{\&Delta;}t}\right)}^2}{n-1}}/(L_{\max }^{\mathrm{\&Delta;}t}/\mathrm{\&Delta;}t)}---\left(2\right)$

在(2)式中，n为仿真时段T中的时间间隔数目，和分别表示光伏发电系统在(i+1)Δt和iΔt时刻的出力，L_(i+1)Δt和L_iΔt分别表示(i+1)Δt和iΔt时刻的负荷需求，且 $C_{PVmax}^{\mathrm{\&Delta;}t}=max\left\{\right|C_{PV}^{(i+1)\mathrm{\&Delta;}t}-C_{PV}^{i\mathrm{\&Delta;}t}|,i=1,2,...,n\},L_{\max }^{\mathrm{\&Delta;}t}=max\left\{\right|L_{(i+1)\mathrm{\&Delta;}t}-L_{i\mathrm{\&Delta;}t}|,i=1,2,...,n\};$

(3)光伏出力与负荷波动的时序相关性C_r：

$C_r=\frac{{\mathrm{\&rho;}}_s}{{\mathrm{\&delta;}}_a}---\left(3\right)$

在(3)式中，ρ_s为斯皮尔曼秩相关系数，按下式计算得到：

${\mathrm{\&rho;}}_s=1-\frac{6\underset{i=1}{\overset{n}{\&Sigma;}}{d}_i^2}{n(n^2-1)}---\left(4\right)$

在(4)式中，d_i＝x_i-y_i，x_i和y_i分别表示变量和L_iΔt在相应的光伏年出力序列V_PV和负荷年需求序列V_Load中的秩次；

δ_a为弗雷歇平均距离，按下式计算得到：

${\mathrm{\&delta;}}_a=min\underset{i=1}{\overset{n}{\&Sigma;}}\left|\right|P_i^{\&prime;}-L_i^{\&prime;}\left|\right|---\left(5\right)$

在(5)式中，L_i′＝L_iΔt/max(V_PV,V_Load)，max(V_PV,V_Load)为序列V_PV和V_Load中的最大值；

步骤4，利用序贯蒙特卡洛仿真计算不含光伏发电系统时的发电系统电力不足期望值可靠性指标R₀，计算公式如下：

$R_0=\underset{t\&Element;T}{\&Sigma;}P(G_t<L_t)---\left(6\right)$

假定新增光伏发电系统额定容量C_PV可额外承担的有效载荷容量为ΔL，此时加入安装容量为C_PV的光伏发电系统后的发电系统可靠性指标发电系统可靠性R_ΔL计算公式如下：

$R_{\mathrm{\&Delta;}L}=\underset{t\&Element;T}{\&Sigma;}P(G_t+C_{PV}^t<L_t+\mathrm{\&Delta;}L)---\left(7\right)$

在(6)、(7)式中，G_t表示常规机组年出力序列V_Gen在t时刻的出力，L_t为负荷年需求序列V_Load在t时刻的负荷需求，表示光伏年出力序列V_PV在t时刻的出力，表示在仿真时段T内，t时刻的常规机组出力G_t小于负荷需求L_t的概率之和；

步骤5，通过弦截法求解R₀＝R_ΔL时的新增光伏发电系统额定容量C_PV可额外承担的有效载荷容量ΔL，并利用下式计算光伏发电系统的置信容量k_c和光伏发电系统的容量置信度k_p，并将其记录为输出向量(k_c,k_p)：

k_c＝ΔL(8)

$k_p=\frac{\mathrm{\&Delta;}L}{C_{PV}}\&times;100\%---\left(9\right)$

步骤6，在保持步骤1中常规机组容量及可靠性数据不变的前提下改变光伏年出力序列及负荷年需求序列，重复步骤2至步骤5，计算得到在多个不同数据采样时间间隔Δt下的光伏渗透率r、光伏‐负荷出力波动性υ、光伏出力与负荷波动的时序相关性C_r、光伏发电系统的置信容量k_c和光伏发电系统的容量置信度k_p的数值，记录多个以(r，Δt，υ，C_r)为输入向量，以(k_c，k_p)为输出向量的数据集S_d；建立含输入层、隐含层、输出层的三层误差反向传播BP神经网络，输入层以(r，Δt，υ，C_r)为四个输入，隐含层有4个神经元，输出层以(k_c，k_p)为两个输出，利用得到的数据集S_d完成BP神经网络的训练；

步骤7，利用训练完成的BP神经网络的泛化能力得到给定条件(r，Δt，υ，C_r)下的光伏发电系统的置信容量k_c和容量置信度k_p。

2.根据权利要求1所述的一种光伏发电系统置信容量评估方法，其特征在于，步骤5中所述的弦截法按如下步骤进行：

通过序贯蒙特卡洛仿真计算得到在负荷峰值为L_pk0、电源侧加入新增光伏发电系统额定容量C_PV时的发电系统可靠性指标R_A，并记为点A(L_pk0,R_A)；通过序贯蒙特卡洛仿真计算得到在负荷侧加入与新增光伏发电系统额定容量C_PV等容量的负荷后的发电系统可靠性指标R_B，并记为点B(L_pk0+C_PV,R_B)；

连接A、B点记为线段l_AB，求解l_AB与y＝R₀的直线交点为P₁(L₁,R₀)，将L₁作为新的负荷加入原发电系统并通过序贯蒙特卡洛仿真计算此时的发电系统可靠性指标R_C，记为C(L₁,R_C)点；

连接B、C点记为线段l_BC，求解l_BC与y＝R₀的直线交点为P₂(L₂,R₀)，将L₂作为新的负荷加入原发电系统通过序贯蒙特卡洛仿真计算此时的发电系统可靠性指标R_D，记为D(L₂,R_C)点；

继续迭代上述过程，直到相邻两次计算得到的发电系统可靠性指标小于收敛阈值ε＝0.01，停止迭代，记录此时对应的峰值负荷L_E，则新增光伏发电系统额定容量C_PV可额外承担的有效载荷容量ΔL＝L_E-L_pk0。

3.根据权利要求1所述的一种光伏发电系统置信容量评估方法，其特征在于，步骤6中所述的BP神经网络的训练采用列文伯格‐马夸尔特优化算法，训练目标最小误差取0.05，训练次数取600次，学习率取0.05，隐含层和输出层的传递函数均采用S型正切函数。