3. 新能源发电特性与出力建模

新能源接入容量评估的核心难点，并不在于装机容量本身，而在于"同样装机容量在不同时间、不同地点能贡献多少有效出力"。风电和光伏的出力由自然气象条件驱动，具有明显的波动性、间歇性和相关性，因此容量评估必须建立在出力特性建模的基础上，而不是简单按铭牌容量折算。本节围绕风电与光伏的出力特征、典型曲线、季节规律以及概率建模方法展开，为后续的容量可信度计算和接入方案比选提供输入。

一、波动性、间歇性与相关性：三个必须区分的特征

波动性指出力在短时间尺度上的连续起伏。光伏受云层遮挡影响，分钟级出力可从额定功率的 80% 骤降至 30%；风电受阵风与湍流影响，秒级到分钟级功率波动同样显著。波动性决定了系统需要多快的调节资源来平抑。

间歇性指出力在"有"与"无"之间的切换特性。光伏具有天然的昼夜间歇，夜间出力恒为零；风电则可能出现连续多日小风导致的低出力时段。间歇性决定了系统需要多长时间的储能或备用容量来跨越。

相关性指不同场站、不同时段出力之间的统计关联。同一风带内相邻风电场出力高度正相关，会放大集群出力的整体波动；而光伏与风电在日内尺度上常呈现一定互补性——白天光伏强、夜间风电相对活跃，这种互补性可降低联合出力的波动幅度。相关性直接决定了集群出力曲线能否"平滑化"。

二、典型日出力曲线：从形状读出系统需求

光伏典型日出力曲线呈"钟形"：日出后快速爬坡，正午前后达到峰值，午后逐渐下降，日落归零。以某装机 100 MW 的光伏电站为例，晴天的日出力峰值可达 75～85 MW，有效出力时段约 8:00—17:00；多云天气峰值可能只有 40 MW，且曲线出现多次锯齿状跌落。

风电典型日出力曲线没有固定形状，但常见两种模式：一是夜间至清晨出力较高、午后较低的"反光伏"模式；二是全天波动、无明显峰谷的模式。以某装机 100 MW 风电场为例，日内出力可能在 10～70 MW 之间反复变化，单日最大波动幅度可达 60 MW。

把两类曲线叠加，可以得到联合出力曲线。若光伏峰值出现在正午、风电夜间偏强，则联合出力的日内波动会被部分填平，等效于提高了系统的"可调度性"。这正是容量评估中需要量化互补效益的原因。

三、季节特性：年度尺度上的规律

光伏的季节特性主要由太阳高度角和日照时长决定：夏季日照时间长、辐射强，月发电量最高；冬季日照短、辐射弱，月发电量可能只有夏季的 40%～60%。风电的季节特性则具有明显地域差异：我国北方地区多为冬春季节风大、夏季风小；沿海地区受季风影响，夏季台风季与冬季季风期都可能出现高出力。

季节特性对容量评估的意义在于：年度最大负荷往往出现在夏季或冬季，而新能源出力高峰未必与负荷高峰重合。若光伏夏季出力高、负荷也高，则其容量可信度较高；若风电冬季出力高、但冬季负荷相对平稳，则其容量贡献需要按季节分别核算。

四、概率建模方法：把"不确定"变成可计算的分布

出力建模的目标是给出一个可计算的概率描述，常用方法有三类。

参数化分布拟合：对风电出力，常用 Weibull 分布描述风速，再通过功率曲线转换为出力分布；对光伏出力，常用 Beta 分布描述其归一化出力。以某风电场为例，拟合得到形状参数 k=2.1、尺度参数 c=8.5 m/s，即可推算不同风速区间的出现概率，再结合功率曲线得到出力概率密度。

时序模拟法：用自回归滑动平均（ARMA）模型或马尔可夫链生成逐时出力序列，保留时间相关性。例如用一阶马尔可夫链，把出力划分为 0～10%、10%～30%、30%～50%、50%～70%、70%～100% 五个状态，根据历史数据统计状态转移概率矩阵，即可模拟出具有真实波动特征的年度序列。

场景削减法：从大量模拟场景中聚类提取典型场景，用于随机优化和容量评估。常用 k-means 聚类，把 8760 小时出力曲线压缩为 5～10 个典型日场景，并赋予各场景概率权重。

下面用一张图概括从原始气象数据到可用于容量评估的出力模型的完整数据流与关键参数。

五、建模结果如何用于容量评估

完成上述建模后，容量评估通常按以下逻辑推进：先由概率分布或时序序列计算不同置信水平下的出力下限，再与负荷曲线叠加，得到"新能源有效容量"。例如，某区域风电装机 200 MW、光伏装机 150 MW，经 8760 小时时序模拟后，联合出力在 95% 置信水平下的下限约为 68 MW，则这 68 MW 可作为可参与电力平衡的有效容量，其余部分需由常规机组或储能承担。

需要强调的是，建模精度与数据条件直接相关。若只有 1 年数据，季节特性可能被个别极端天气放大；若忽略相关性，集群出力波动会被低估。因此在实际工程中，建议至少使用 3 年以上历史数据，并对风-光相关性矩阵进行敏感性分析，确保容量评估结果具有足够的稳健性。