3. 分布式电源出力特性分析

储能容量配置的第一步，不是算电池，而是算清楚“要平抑的是什么”。分布式电源的出力特性直接决定了储能需要吸收多少、释放多少、以多快的速度响应。光伏和风电虽然同属不可控电源，但它们的波动来源、时间尺度和统计规律差异很大，必须分别建模。

一、光伏出力模型：从太阳位置到组件输出

光伏出力本质上由到达组件表面的辐照度决定，而辐照度又由太阳几何位置、大气衰减和云层遮挡共同决定。工程上常用的分解思路是：先算晴空辐照度，再用云修正因子修正，最后通过组件效率和温度修正得到交流侧出力。

晴空辐照度可用太阳高度角与方位角计算。设纬度 φ、太阳赤纬 δ、时角 ω，则太阳高度角 α 满足：

sin α = sin φ · sin δ + cos φ · cos δ · cos ω
δ ≈ 23.45° · sin(360° · (284 + N) / 365)   // N 为一年中的第几天
ω = 15° · (t_solar − 12)                    // t_solar 为真太阳时

到达倾斜面的辐照度还需考虑入射角余弦和散射分量。工程简化中，常把水平面总辐照度 G_h 按经验比例分解为直射和散射，再投影到组件倾角 β 的平面上。得到平面辐照度 G_t 后，组件直流出力为：

P_dc = P_stc · (G_t / 1000) · [1 + γ · (T_cell − 25)]
T_cell ≈ T_amb + (NOCT − 20) · G_t / 800

其中 P_stc 为标称功率，γ 为功率温度系数（晶硅约 −0.35%/℃），NOCT 为标称工作温度（约 45℃）。再乘以逆变器效率和系统损失系数，即得交流出力。以一个 100 kWp 的屋顶光伏为例，正午晴空 G_t 约 900 W/m²、环境温度 32℃ 时，T_cell 约 60℃，温度损失约 12%，交流出力约 78 kW；而同一时刻若云层使 G_t 降到 300 W/m²，出力会骤降至约 27 kW。这种分钟级骤降正是储能需要快速响应的场景。

二、风电出力模型：风速—功率曲线与空气密度修正

风电出力由轮毂高度处的风速决定，核心是风速—功率曲线。典型曲线分为四段：切入风速 v_ci（约 3 m/s）以下不出力；v_ci 到额定风速 v_r（约 12 m/s）之间按三次方近似增长；v_r 到切出风速 v_co（约 25 m/s）之间维持额定功率；超过 v_co 停机保护。

P(v) = 0,                          v < v_ci
P(v) = P_r · (v³ − v_ci³)/(v_r³ − v_ci³),  v_ci ≤ v ≤ v_r
P(v) = P_r,                        v_r < v ≤ v_co
P(v) = 0,                          v > v_co

实际风速需从测风高度换算到轮毂高度，常用幂律：v_h = v_ref · (h/h_ref)^α，陆上 α 取 0.14～0.25。空气密度 ρ 偏离 1.225 kg/m³ 时，功率按 ρ/ρ₀ 线性修正。一台 2 MW 风机在 v=8 m/s、α=0.2、轮毂 90 m、测风 10 m 条件下，轮毂风速约 8×(90/10)^0.2 ≈ 12.6 m/s，已接近额定，出力接近 2 MW；若风速降到 5 m/s，出力约 2×(125−27)/(1728−27) ≈ 0.115 MW，落差极大。风电的波动尺度通常比光伏更长，但爬坡事件更剧烈。

三、波动性的量化：从标准差到爬坡率

描述波动性不能只说“波动大”，要给出可比较的指标。常用三类：一是标准差 σ 与变异系数 CV=σ/μ，反映整体离散程度；二是最大爬坡率，即单位时间内出力的最大变化量，决定储能功率需求；三是功率频谱或自相关函数，反映波动的周期成分。

以某 1 MW 光伏电站 1 分钟采样数据为例（示例数据）：晴空日 σ 约 3% 额定功率，最大爬坡约 5%/min；多云日 σ 可达 25%，最大爬坡超过 40%/min。若并网要求 1 分钟爬坡不超过 10% 额定功率，则多云日需要储能提供至少 30% 额定功率的调节能力。风电的 1 分钟爬坡通常小于光伏，但 10 分钟到 1 小时尺度的爬坡更显著，因此储能功率和能量需求要按不同时间尺度分别核算。

四、预测误差处理：从点预测到不确定性区间

预测误差是储能配置中容易被低估的部分。日前预测的均方根误差（RMSE）光伏通常为 10%～15%，风电为 15%～20%；超短期（15 分钟）预测误差可降到 3%～8%。误差不是简单的白噪声，而是存在偏差和时段相关性。

工程处理分三层。第一层是点预测修正：用历史误差的滑动平均或分位数回归对原始预测做偏差校正。第二层是区间预测：给出置信水平 90% 的上下界，储能容量按区间宽度而非点误差配置。第三层是滚动修正：每 15 分钟用最新实测数据更新超短期预测，储能调度随之调整。

# 示例：基于历史误差分位数的区间修正
err_history = [ ... ]          # 过去 30 天同时段预测误差
q05 = percentile(err_history, 5)
q95 = percentile(err_history, 95)
P_upper = P_forecast + q95
P_lower = P_forecast + q05
# 储能功率需求 ≈ max(P_upper − P_limit, P_limit − P_lower)

五、面向储能配置的出力特性处理流程

把上述内容落到配置流程，可以归纳为四步。第一步，采集或生成至少一年的 1 分钟级光伏、风电出力序列，包含晴空、多云、大风、小风等典型场景。第二步，计算波动指标和预测误差分布，得到功率需求的时间尺度谱。第三步，按并网波动限值反推储能功率和能量需求，分别覆盖分钟级平抑和小时级能量搬移。第四步，用极端场景（如云致骤降叠加预测低估）校核容量是否足够，并留出合理裕度。

需要强调的是，光伏和风电的出力特性差异决定了储能配置不能“一套参数打天下”。光伏侧重高功率、短时长的频繁充放，风电侧重中等功率、更长时间尺度的能量调节。只有把出力模型、波动指标和预测误差三者结合，才能给出有依据的储能容量初值，而不是凭经验拍一个比例系数。