o模型进行计算。
[0059] 本实施例选取2014年10月7日的气象数据（数据来自NREL)，数据的记录时间从 4:00开始，于20:00结束。根据实时气象数据对一个1丽的光伏阵列进行仿真，可以得到光 伏阵列于2014年10月7日的总辐照度曲线以及光伏发电功率曲线分别如图2和图3。
[0060] 从图2和图3中可以看出，光伏阵列所接收的总辐照度和光伏阵列的发电功率的 波动性基本相同；很明显，光伏阵列所接收的总辐照度是影响光伏阵列发电功率大小的主 要因素。
[0061] 步骤3、不同时间尺度的光伏发电波动特性分析
[0062] 光伏发电波动特性主要影响电网的频率稳定，本实施例中定义lmin的光伏发电 波动量为n+1时刻光伏发电功率与η时刻光伏发电功率的差值（光伏发电出力数据的分辨 率为lmin)，即：
[0063] APlninn= (Pn+1-Pn)/PNX100%,neN+ (6)
[0064] 同理，定义5min的光伏发电波动量为：
[0065]
[0066] 其中，PN表示对应光伏阵列的总装机容量；ΛΡ1ηιη^ΡΔΡ5ηιηη分别为lmin和5min的光伏发电波动量，使用百分数表不；Pn、Pn+1和Pn+i分别表不不同时刻的光伏发电功率值。
[0067] 本实施例依据2014年10月7日的气象数据（数据来自NREL)仿真得到的光伏发 电波动量数据作累计分布函数图，如图4所示。
[0068] 从图4中可以看出，在lmin的时间尺度下，90%的光伏发电波动量小于10%，光 伏发电波动量的最大值达到47% ;在5min的时间尺度下，约70%的光伏发电波动量小于 10%，90%的光伏发电波动量小于24%。可以得到：
[0069] 1)光伏发电波动量大小与所选择的时间尺度有关，时间尺度越长，光伏发电波动 量越大，但和时间尺度选择的长短并非线性关系；
[0070] 2)光伏发电波动量可能在1分钟内超过40%。相关研究表明，光伏发电的波动量 可能在数十秒达到60%以上。
[0071]从以上的分析可以得到，光伏阵列的出力主要受光伏阵列所接收的总辐照度影 响，而气候条件（云层、沙尘、温度、风速等）是影响总辐照度的主要因素。本实施例从OASIS 气象数据库中选择同一个观测点四个典型天气日（晴天、阴天、多云天、雨雪天）的气象数 据进行光伏阵列出力的仿真，如图5所示的晴天、阴天、多云天、雨雪天4种不同天气条件下 光伏阵列出力曲线，可以看出天气对光伏阵列出力的波动水平有显著的影响：晴天时光伏 出力平稳，光伏阵列出力波动小；多云天和阴天时，由于受到云层遮挡影响，光伏出力波动 量大，短时间内波动量超过装机容量的60% ;在雨雪天气，由于光伏阵列接收的太阳辐照度 低，光伏阵列出力显著降低。
[0072] 表1及表2归纳了不同天气条件下，lmin及5min时间尺度下光伏发电波动量小于 等于a所对应的概率P(P(X<a)):
[0073] 表1lmin时间尺度下累计分布函数值
[0074]
[0075] 表2 5min时间尺度下累计分布函数值
[0076]
[0077] 对比不同天气条件下的光伏发电波动可看出，在晴天和雨雪天，lmin和5min的光 伏发电波动量没有超过10%，对AGC备用需求小；而在阴天和多云天气，光伏发电波动量显 著增大；在多云天，约有15%的5min光伏发电波动量超过20%。光伏发电的波动性要求 电网有足够的AGC备用容量缓解光伏发电波动对电网的影响，故有必要对大规模光伏发电 接入电网引起的AGC需求预测，在保证电网安全可靠运行的前提下最大程度消纳间歇性能 源。
[0078] 步骤4、不同空间尺度的光伏发电波动特性分析
[0079] 实验观测数据表明，地理位置相近的光伏电站出力具有很高的相似性。从风电随 机性的研究中发现，风电场之间的距离和风电场的规模大小都对风电出力的波动性有一定 影响，其表现为特定区域内不同位置风资源的波动性相互抵消，使得区域内风电总体波动 性减弱，称之为平滑效应。光伏发电出力和风电出力在波动特性上有着相似的特点，类似 地，对不同空间尺度下的光伏发电波动特性进行研究。
[0080] 绝大多数光伏发电站的占地面积在0. 08~0. 3平方公里，且云层、空气湿度、温 度、天气变化等多种影响因素在小范围区域内变化速度很快。为了得到不同空间尺度的光 伏发电波动特性，本实施例选取了五个处于不同位置的辐照度测量点，五个位置的经度、炜 度、海拔如表3所示：
[0081] 表3不同测量点的地理信息
[0082]
[0083] 其中，在SRRL选取的两个测量点（CM22和CM3)距离为600m，SRRL与NWTCM2、RSR 以及TAC三个测量点的距离分别为12km、38km和48km。
[0084] 分析光伏出力的平滑效应
[0085] 本实施例首先对单个光伏阵列（CM22测量点）的总辐照度和光伏发电的波动性进 行研究。依照光伏发电功率变化量的定义，定义lmin的总辐照度波动量为n+1时刻的总辐 照度与η时刻的总辐照度的差值（总辐照度数据的分辨率为lmin)，
[0086]即：
[0087] AGlninn= (Gn+1-Gn)/GsX100% ,neN+ (8)
[0088] 同理，定义5min的总辐照度波动量为
[0089]
[0090] 其中，Gs为总辐照度的参考值，为1000W/m2;ΔG1|0_和Δ65_"分别为lmin和5min 的总辐照度波动量，使用百分数表示；Gn、Gn+1和Gn+1分别表示不同时刻的总辐照度值。
[0091] 图6为lmin和5min时间尺度下总福照度和光伏发电的累计分布函数。通过对 比1MW光伏阵列的光伏发电波动量和该区域总辐照度变化量（数据来自SRRL的CM22测量 点），可以看出，即使在一个光伏阵列中也存在平滑效应：在lmin和5min的时间尺度下，光 伏发电的波动程度都小于该区域总辐照度的波动程度。
[0092] 如图7和图8为选取其中2个测量点及5个测量点总和的光伏发电波动量数据， 得到的lmin及5min时间尺度下光伏发电波动量的累计分布函数。
[0093] 选取2个测量点的光伏发电波动量及5个测量点光伏发电波动量的总和进行分 析，可以得出以下结论：
[0094] 1)不同地点的光伏发电波动量不同，且距离越远，光伏发电波动量的相关性越低。 相距600m的两个测量点（CM22和CM3)光伏阵列出力的相关系数达到0. 923,CM22测量点 的光伏阵列出力与NWTCM2(距离12km)、RSR(距离38km)以及TAC(距离48km)三个测量 点的光伏阵列出力相关系数分别为〇. 537,0. 446和0. 275。
[0095] 2)不同地点的光伏发电波动量互相抵消，整体出力的波动性呈现出平滑的效果。 相比于各个测量点的光伏发电波动性，整体出力的波动性降低；在P取值为90%时，lmin和 5min的整体出力的波动量相比于各个测量点的光伏出力波动量均值，分别减少了 47%和 28%〇
[0096] 分析说明，大规模光伏电站并网有助于减少光伏发电波动量，且随着规模增加，其 平滑效应越来越显著。但大规模光伏电站并网带来的波动性仍然需要匹配一定的AGC备用 容量进行频率调整。
[0097]步骤5、光伏发电的频谱分析
[0098] 频谱分析将时间序列分解为不同频率的分量，认为时间序列是不同频率分量叠加 的结果。频谱分析法通过研究各个分量的周期变化，充分探究时间序列的频域特性，可用于 研究时间序列主要周期的波动特征。而功率谱估计则是针对功率有限的信号的可用能量的 频谱分析，表现的是单位频带内信号功率随频率的变换情况。
[0099] 实现功率谱估计是将广义平稳的过程X(η)表示成一个输入序列μ(η)激励线性 系统Η(ζ)的输出，由已知的序列χ(η)或其自相关函数^〇11)来估计Η(ζ)的参数，再由Η(ζ) 来估计X(η)的功率谱。
[0100] 本实施例采用自回归模型（AR模型）对光伏发电波动量数据进行功率谱估计，使 用burg算法对该模型进行求解。光伏发电功率序列中各周期分量对应的频率处，其分量的 振幅越高，对整体出力影响越大。故通过对光伏发电功率序列进行频谱分析，可以找出序列 中主要的周期分量。
[0101] 采用NREL数据库中2013年7月到9月中5个不同测量点的典型日气象数据仿真 得到光伏发电出力数据进行研究，得到光伏出力频谱分析如图9所示。
[0102] 从图9中可以看出，光伏发电波动主要集中在5min的时间尺度上，且这部分的光 伏发