0 引言

电力系统随机生产模拟是考虑机组的随机故障及负荷的随机性，通过模拟发电机组的生产情况计算出最优运行方式下各电厂的发电量、生产成本及系统的可靠性指标的算法，它是电力系统中长期发电计划、电源规划及可靠性评估的基础性工具[1]。近年来，新能源大规模开发和利用成为当前的主要趋势[2]。由于光伏发电具有安全性、清洁性和免维护性及潜在的经济性等特点[3]，光伏电站被大规模接入电网。西北区域拥有丰富的风光资源，是发展风电、光伏等新能源的理想地带；但由于远距离大容量输电、调峰能力不足等问题，西北各省(区)存在不同程度的弃风、弃光现象。随着装机规模剧增，“弃风弃光”已成为中国新能源发展的顽疾。国家电网数据显示，2016年，新疆、甘肃合计弃风电量占全网总弃风电量的61%，弃光电量占全网总弃光电量的80%[4]。所以，在光伏等新能源发电大量并网的大背景下，对电力系统的光、风电消纳空间与弃用风险进行评估，对光伏、风力发电站优化发电方案与协调运行具有指导意义。

文献[5]提出了基于展开型结构表述电力系统的状态量分布的随机生产模拟方法，该方法以时序负荷为基准，通过概率计算分析研究机组间的随机故障对后续加载率的影响，进而求出机组启停次数期望值，并补充了低碳效益的分析指标；但却没有进一步做分析清洁能源的消纳与弃用的工作。文献[6]考虑了光伏电池板和逆变器故障的影响，形成光伏出力多状态可靠性模型，用等效电量函数法进行昼夜分时段随机生产模拟；但分时段的方法略显繁琐且等效电量函数法会忽略光伏出力与负荷的时序变化信息。文献[7]提出了“电力系统柔性生产模拟”的概念并探讨了其一般方法和流程，对含不确定性电源的电力系统柔性生产模拟各部分进行了详细阐述。文献[8]建立了基于自回归滑动平均(auto-regressive moving average，ARMA)模型的光伏电站的出力预测模型，利用建立的模型和文献[9]中的马尔可夫链模型分别进行预测，证明了ARMA模型有较高的精度，能够满足实际工程的应用要求。文献[10]基于贝叶斯网络对光伏系统进行了可靠性评估。文献[11]论述了光伏发电的置信容量与容量置信度及其评估方法，为提高大规模光伏发电系统的规划和运行水平提供了理论依据。

本文在文献[5]中提出的基于展开型表述的随机生产模拟的基础上，进一步深入挖掘，提出一种评估电力系统对光伏发电的消纳能力的方法。该方法保留负荷和光伏机组的时序特性，结合机组随机生产模拟的加载率和强迫停运率来确定电网在未来某个时刻的光电消纳空间，进而进行弃光风险度评估。

1 基于展开型表述的随机生产模拟

本文采用强迫停运率pFOR(部分文献定义为无效度)表征机组停运特性。pFOR为一常数值，表示机组在运行过程中发生故障的概率。整个研究周期内，在基荷位置以上运行的机组，可分为系统需要该机组投运和不需要该机组投运(备用和检修)2个时段。本文重点讨论在系统需要时段机组出现故障的影响；而在另一时段，因为机组出现故障对系统运行风险不会产生影响，所以不予考虑[12]。

1.1 常规机组的展开型表述模型

对于常规发电机组，常用简单的两状态模型表示，分为故障停运(备用与检修停运不考虑)与额定运行两状态。设第i台机组的额定出力为Ci.r，其状态概率为pi.r；故障停运时出力为Ci.0，状态概率为pi.0。其相应的展开型表述如图1所示，其中pi.0=pFOR，pi.r=1-pi.0。

图1 常规机组两状态展开型表述 Fig.1 Two states expanded form of ordinary unit

在电力系统实际运行中，常规发电机组由于系统调峰需求或者发生局部故障，发电能力达不到额定出力，这样就出现了所谓的降额运行状态；此时机组便出现了额定、降额、停运3个状态，需要用三状态展开型表述模型来表示。其中降额运行还可能出现多个状态，故有时常规机组还需用多状态展开型表述模型表示，三状态与多状态的展开型表述模型与两状态模型类似。

1.2 光伏机组的展开型表述模型

1) 场景1为原始测试系统。

图2 光伏机组的五状态展开型表述 Fig.2 Five states expanded form of PV units

1.3 随机生产模拟算法

图3 系统机组加载的展开型表述 Fig.3 Expanded forms of system units loading

在随机生产模拟之前，需要根据经济性和低碳性的原则确定好发电机组的加载顺序，确定加载方案后，方可进行随机生产模拟。将各个机组表述成展开型后，按照机组的既定加载方案进行逐一加载。t时段机组的加载展开型如图3所示，图中只显示了第1、2台机组，后面加载的机组依此类推。设机组1的信息集包括2个出力状态及相应的状态发生概率机组2的信息集也包括2个状态出力及相应的状态发生概率则2台机组加载完毕后，系统共有k=4个状态，相应状态的出力及其概率计算如下：

(1)

式中：i=1,2;j=1,2;n=1,2,3,4。然后，在此基础上继续加载，直至所有机组加载完毕，可计算出整个系统的所有出力分布。

在实际系统中，机组的数量很多，基于展开型表述的随机生产模拟存在最终出力状态数量极大的问题。这时，为减少状态数并节省计算时间，可以对状态的概率进行截尾，对状态的容量进行舍入。截尾即略去概率小于某一规定值(例如10-8)的状态。舍入过程的数学表达式为

(2)

对于所用状态，是介于要求舍入的状态j和k之间的状态。所用舍入增量的大小随要求的准确度而定，舍入后的出力值都是舍入增量的倍数，状态数随舍入增量值的加大而减少，精度也相应降低[13]。

假设在某系统S的机组按既定最优加载方案发电，t时段加载完毕的g台机组形成的展开型表述，其已经过截尾与舍入后的所有状态的容量及概率分布为：若此时的负荷为Lt，则t时段系统S的电力不足概率pLOLP和电量不足期望值EENS的表达式为

双星行星机构的速比验证条件与单行星机构相同,所不同的是由于配齿条件的差异导致行星机构特征参数α不同,致使双星与单星行星机构的实际速比序列会有一定的偏差,这也使整个的离散速比序列分布更密实,使实际速比有更多机会接近理论速比.

“他妈的小鬼子，真是有钱啊，不是炸弹就是炮弹，跟放爆竹一样，不让我们有个消停。”夏国忠一边骂，一边赶紧和副连长组织战士们躲避小鬼子的炮弹。

观察组患者用药后，复发率为17.95%(7/39)，进展率为2.56%(1/39)；对照组患者用药后复发率为23.08%(9/39)，进展率为5.13%(2/39)，两组间比较无明显差异(P>0.05)不具备统计学意义。

且此刻系统S的期望发电量为

(5)

当加载第K台机组后，在t时段下减少的电量不足期望值ΔEENS.K(t)，就是该时段内第K台机组的发电量eK(t)，即有

eK(t)=EENS.g-1(t)-EENS.g(t)

(6)

由此可求得指定时刻t系统的光电消纳空间：

双乙酰(又名丁二酮)，液体颜色呈黄色至绿色，稀释至1 mg/L时呈奶油香味，易溶于甘油和水中，可以提高酪蛋白的风味，对改善酸奶的风味有很大影响。双乙酰是由牛奶和乳品混合物中存在的柠檬酸发酵而来[21]。少量的双乙酰，从痕量到0.90 mg/kg或更多，有助于产生令人愉快、细腻的香味和口味[22]。典型的酸奶中双乙酰的浓度范围为0.2 mg/kg～3 mg/kg[23]。乙偶姻为双乙酰的还原形式，对酸奶风味贡献小，同时2,3-丁二醇为乙偶姻的还原形式，对酸奶风味没有贡献。

系统总发电期望为

(9)

本算例分2个场景进行随机生产模拟和光电消纳空间分析及弃光风险度评估。

2.远离水稻种植区种植玉米，水稻田区是灰飞虱的主要群居场所，密度大、数量多。所以，与水稻田相邻的玉米田灰飞虱的数量是比较多的，传染玉米粗缩病的几率也比较大，因故玉米田种植区需要远离水稻田区，减小灰飞虱传播病毒的几率。

(10)

2 光电消纳能力评估

当前，由于光伏发电的波动性与间歇性，考虑到经济性与电能质量的要求，光伏系统并网后常作为峰荷机组运行。而光伏发电快速发展的同时，如果电网的调峰裕度不足，光电将无法被电网消纳，从而导致“弃光”现象。在本文计入光伏发电的随机模拟中，以燃料费用递增的顺序优先使用常规机组，再根据负荷与系统的调峰需求加入光伏机组。前者主要承担基荷出力，后者承担峰荷或腰荷出力。

2.1 光伏系统出力的弃光原因

于是，在长期模拟中，考虑到机组的强迫停运与开机机组的不确定性[15]，系统的最小技术出力应该用综合最小技术出力表示，即用所有机组的最小出力与其运行概率及在各个时刻的加载率相乘之和表示。其表达式为

图4 弃光原理图 Fig.4 Abandoned light schematic

2.2 光电的消纳空间

系统常规机组的出力受最小技术出力的约束，这决定了系统不可能在任何时刻都全部消纳光电功率。光电消纳空间对应为光伏系统工作时段电力系统所能消纳的最大光伏电量，等于该时刻的负荷峰值减去系统最小技术出力后乘以单位时长，即有

Grs(t)=(Lt-CS.min(t))×1

(11)

式中：Grs(t)为t时刻系统的光电消纳空间；Lt为t时刻系统的总负荷；CS.min(t)为t时刻系统的最小技术出力。

由1.3节可知，在t时刻前g台机组加载完毕后电力不足概率为

考虑在线社交应用的一个用户Alice发布了一条消息如下：今天天气很好，我跟我的好朋友Bob一起去了幼儿园看望小朋友，因为Bob是一个教师，所以他跟孩子们相处的很融洽。消息最后有一个定位是南京航空航天大学。

(12)

由于开机机组的不确定，需要定义机组的加载率。t时刻第g+1台机组被加载的条件为：前g台机组全部加载投运后，系统发电量仍不能满足负荷需求。也就是说t时刻第g+1台机组的加载率等于前g台机组加载后的电力不足概率，即有

PLD.g+1(t)=pLOLP.g(t)

(13)

基于调峰层面来说，分析光伏发电弃光的原因主要考虑系统的调峰需求与调峰能力之间的关系。产生弃光的根本原因在于系统的调峰能力不足，如果系统的调峰能力大于调峰需求则不存在弃光问题[14]。弃光原理如图4所示，由于系统最小技术出力的限制，当常规机组无法再降低自己的出力时，若光伏出力超过该时刻的消纳空间，那么为了电力的供需平衡，需要把超出的部分切除，从而造成弃光现象。

(14)

在模拟期间T内，统计系统S的电力不足概率和电量不足期望值为

Grs(t)=(Lt-CZ.min(t))×1

(15)

2.3 光电弃光风险度评估

单独将光伏系统各个机组模拟加载完毕，并进行了截尾和舍入,得到光伏系统在t时刻的所有状态出力分布经2.2节得到各时刻的光电消纳空间后，即可对各时刻的弃光风险度进行评估。弃光风险度包括弃光概率和弃光电量期望值，分别为

本文的算例分析中，测试系统选择IEEE-RTS79发电系统，总装机容量为3 405 MW，年最大峰荷2 850 MW[16]，发电机组的详细参数如表1所示。各机组(核电机组除外)的最小出力按60%的装机容量设定[15]。系统的负荷亦用IEEE-RTS79中的数据，将5月的第4周周日作为模拟的典型日，因为5月为初夏，天气晴朗，光照强度较好，且五月份这一天负荷最低，用来评估光电消纳空间和弃光风险情况较为合适。典型日负荷详细数据如表2所示。

1) 平均弃光概率为

(18)

2) 总弃光电量期望值为

(19)

基于展开型表述随机生产模拟的电网光电消纳能力评估的流程如图5所示。

图5 光电消纳能力评估的流程图 Fig.5 Flow chart of PV absorptive capacity evaluation

3 算例分析

那么，在光伏机组工作的整个评估期间T内，该电力系统的光伏发电弃光风险度为：

表1 常规机组的基本数据 Table 1 Basic data for ordinary units

机组序号机组类型额定容量/MW台数pFOR运行成本/(美元·(MW·h)-1)最小技术出力与额定容量之比1燃油1250.0228.500.62燃气2040.1048.500.63水电5060.010.64燃煤7640.0215.300.65燃油10030.0423.800.66燃煤15540.0412.440.67燃油19730.0522.780.68燃煤35010.0812.100.69核电40020.126.301.0

表2 典型日负荷数据 Table 2 Typical daily load data

时段负荷/MW时段负荷/MW时段负荷/MW0:00—1:001282.808:00—9:001404.1516:00—17:001594.831:00—2:001213.469:00—10:001490.8217:00—18:001629.502:00—3:001144.1210:00—11:001577.5018:00—19:001646.843:00—4:001126.7811:00—12:001612.1719:00—20:001646.844:00—5:001109.4512:00—13:001612.1720:00—21:001733.515:00—6:001074.7813:00—14:001594.8321:00—22:001612.176:00—7:001074.7814:00—15:001577.5022:00—23:001525.497:00—8:001144.1215:00—16:001577.5023:00—24:001386.81

各机组的期望发电量为

预应力混凝土连续钢构桥梁是一种综合T形钢构桥与连续梁受力特征的一种新型桥梁，主要是将主梁制作成为连续梁体和薄壁桥墩并进行固定，伴随着预应力混凝土的连续钢构桥梁桥墩高度的不断提升，薄壁桥墩对于上部梁体的固定影响也会随之减弱，此时便会呈现出桥墩柔性化改变，并降低整个钢构桥梁的承受压力[1]。预应力混凝土的连续钢构桥梁在施工方面简单、快速，养护成本较低，车辆行驶时更加平缓，结构本身兼顾，无较大的伸缩缝，变形量比较小，整体而言更加符合当代公路桥梁的施工要求。预应力混凝土连续钢构桥梁的合理应用能够有效弥补传统桥梁建设中不安全、过分降低经济成本等问题，这也是推动我国桥梁事业长远发展的一种施工方式。

由于太阳光照的不确定性，光伏组件的出力水平也是不确定的，在0到额定容量Cr之间都可能取值。光伏系统出力的展开型表述为：通过从节点引出2个分支，分别代表0和Cr出力水平，这2个分支之间由弧线连接，表示光伏电源出力从0到Cr间任意取值。但是，因为光伏系统中光伏阵列的故障率很小，所以光伏出力基本不会大幅度降额运行，故本文根据文献[6]，将光伏系统的出力等效为五状态模型，即0、70%、80%、90%、100%这5个出力状态，其展开型表述方法与常规机组类似，如图2所示。

2) 场景2： 用3个装机容量为197 MW的光伏电站代替原始测试系统中的3台197 MW的燃油火电机组。太阳能电池板选择深圳聚光能科技有限公司的JGN-270WM型，其面积为1.599 m2，最大功率为0.27 kW。设每天光照时段主要集中在 6:00—20:00。天气条件设为晴天，光照充足，数据取自文献[17]。

（4）通过基于关系物元的可拓评价能综合分析可平衡小生态流域各方面的权重影响，找到不同特征间的联系，从而得到客观结论。

两个场景进行随机生产模拟的结果如表3所示，模拟时长为1个典型日，共24 h。场景1机组的加载方案为优先加载水电和核电机组，再按机组运行成本从小到大加载火电机组；场景2机组的加载方案与场景1相同，光伏机组在加载方案的位置与其代替的常规机组的位置相同。计算过程中运用文献[8]中所述的ARMA模型模拟典型日的光伏电站出力，光伏电站出力采用五状态模型，各状态及其概率如表4所示。算法中截尾的门槛概率设定为10-8，舍入的步长设定为5 MW。

表3 随机生产模拟结果 Table 3 Probabilistic production simulation results

场景光伏发电期望ES/(MW·h)电力不足概率pLOLP电量不足期望值EENS/(MW·h)场景102.98×10-73.95×10-4场景242.4931.19×10-42.75×10-1

表4 光伏逆变器组各容量状态的概率 Table 4 Probability of PV inverter group capacity status

序号可用容量的状态/%概率100.081502700.003013800.202114900.6610051000.05238

基于随机生产模拟结果，根据2.2与2.3节所述方法对场景2进行光电消纳能力评估。模拟计算结果如表5所示，表中的最大光电期望为每个时段光伏系统所能发出的理想最大电能，用每个单位时段光伏系统的最大出力乘以单位时长表示。

表3中，相比于场景1，场景2的电力不足概率与电量不足期望值有明显增加。说明光伏发电系统代替常规机组后，虽然有很大的低碳综合效益优势[18]；但是其光能利用率低，发电出力的波动会造成常规调峰机组频繁启停，其发电可靠性低于同等v

表5 场景2典型日光电消纳能力评估 Table 5 PV absorptive capacity evaluation in scenario 2

时段最大光电期望/(MW·h)光电消纳空间Grs/(MW·h)弃光风险度弃光概率pal弃光电量期望值Gal/(MW·h)6:00—7:00101.77112.77007:00—8:00225.5234.630.999459148.308:00—9:00355.11244.100.77488553.849:00—10:00472.26260.420.969896125.0810:00—11:00559.40319.970.904491137.2111:00—12:00591.00290.900.981154190.7412:00—13:00591.00290.900.981154190.7413:00—14:00591.00336.010.904491146.8014:00—15:00559.40319.970.904491137.2115:00—16:00477.39319.970.77488578.7216:00—17:00363.90336.010.0759060.3517:00—18:00241.62306.840018:00—19:00117.15323.740019:00—20:0017.52323.7400全天总计5264.103819.990.5907721208.97

表5中结果显示：本算例所选取典型日全天的光电消纳空间为3 819.99 MW·h；平均弃光概率为59.08%；总弃光电量期望值为1 208.97 MW·h，占全天光伏理想发电总量5 264.10 MW·h的22.97%。该典型日在7:00—16：00这段时间里发生了严重的弃光，有2个原因：1)该时段光照强度充足，光伏机组基本接近最大功率输出；2)该天负荷水平较低，且常规发电机组最小技术出力的限制导致光电的消纳空间不够。那么，如果发电机组的最小技术出力降低，系统的光电消纳空间将增大。

通过以上关于马克思宗教观三个研究向度的概括，可以看出，目前的研究已经形成稳定的研究入路和方向，学界着力于对于马克思宗教思想本真面目的恢复和深度探究，并取得具有一定特色的研究成果。但是同时应该看到，目前的研究对于马克思宗教批判与人的解放、自由发展的终极关怀维度之间内在关联性的梳理工作做得不够，缺少这一维度马克思思想进程的整体性研究。

因此，在大规模新能源接入电网的背景下，改进现有发电技术、降低常规发电机组的最小技术出力、新能源机组与常规机组协调运行以及大规模新能源电力外送[19]以实现新能源消纳的措施势在必行。

利用上述筛选确定的8个评价指标，组成3个子系统，构建层次分明、简明实用的区域水资源保护状况评价指标体系（见表1）。

4 结论

本文结合展开型表述的随机生产模拟探讨了含光伏发电的电力系统的光电消纳能力评估方法。本文算法采用截尾法与舍入法对系统状态数进行缩减，提升了计算速度，使算法具有时效性。在算例分析中，基于典型日的发电系统与负荷数据，对含光伏电力系统的可靠性进行了评估，对光伏系统工作时段的光电消纳空间与弃光风险度进行了评估，验证了本文所提算法的有效性。

首先，功能分区时充分考虑自然资源条件、环境状况、地理区位、开发利用现状和相关规划，并结合社会经济和可持续发展的需要，围绕主导功能及国防安全需要，依据选划原则进行划分功能区[11]。其次，保护与开发活动合理安排目的在于确保对海洋公园的持续利用，实现对关键或代表性生境、生态系统及生态过程的保护，隔离互相冲突的人类开发活动。在实现部分资源合理利用的同时，保护海域的自然及文化景观，将人类活动的不良影响降至最低。

本文方法亦可用于对含风电的电力系统进行风电消纳能力评估。本文成果为大规模新能源接入电网环境下新能源的发电规划与可靠性评估提供了思路。

参考文献

[1] 王锡凡． 电力系统优化规划[M]． 北京： 水利电力出版社， 1990: 125-180．

[2] 李立浧, 张勇军, 徐敏. 我国能源系统形态演变及分布式能源发展[J]. 分布式能源, 2017, 2(1): 1-9.

LI Licheng, ZHANG Yongjun, XU Min. Morphologicalevolution of energy system and development of distributed energy in China[J]. Distributed Energy, 2017, 2(1): 1-9.

[3] WAI R J， WANG W H． Grid-connected photovoltaic generation system[J]． IEEE Transactions on Circuits and Systems， 2008， 55(3)： 953-964．

[4] 还是严重， 甘肃和新疆2020弃风弃光率仍将超20%[EB/OL]． (2017-06-14)[2017-07-25]． Http://news.cableabc.com/hotfocus/20170614257024. html．

[5] 张智勤， 刘艳． 低碳背景下基于展开型表述的随机生产模拟[J]． 电力系统自动化， 2017， 41(3): 54-60．

ZHANG Zhiqin, LIU Yan. Power system probabilistic production simulation based on extensive-form representation in low-carbon context[J]. Automation of Electric Power Systems, 2017, 41(3): 54-60.

[6] 郭旭阳， 谢开贵， 胡博, 等． 计入光伏发电的电力系统分时段随机生产模拟[J]． 电网技术． 2013， 37(6): 1499-1505．

GUO Xuyang, XIE Kaigui, HU Bo, et al. A time-interval based probabilistic production simulation of power system with grid-connected photovoltaic generation[J]. Power System Technology, 2013, 37(6): 1499-1505.

[7] 马洲俊， 程浩忠， 丁昊,等． 含不确定性电源的电力系统柔性生产模拟[J]． 电力系统保护与控制， 2013， 41(17): 63-70．

MA Zhoujun, CHENG Haozhong, DING Hao, et al. Flexible production simulation for power system with uncertain energy[J]. Power System Protection and Control, 2013, 41(17): 63-70.

[8] 兰华， 廖志民， 赵阳． 基于ARMA模型的光伏电站出力预测[J]． 电测与仪表， 2011， 48(2): 31-35．

LAN Hua, LIAO Zhimin, ZHAO Yang. ARMA model of the solar power station based on output prediction[J]. Electrical Measurement and Instruments, 2011, 48(2): 31-35.

[9] LI Yingzi, RU Luan, NIU Jincang. Forecast of power generation for grid-connected photovoltaic system based on grey model and Markov chain[C]//2008 3rd IEEE Conference on Industrial Electronics and Applications. Singapore: IEEE, 2008: 1729-1733.

[10] 崔家文, 张春茂, 张宏彪, 等. 光伏发电系统可靠性分析的贝叶斯网络模型[J]. 分布式能源, 2016, 1(1): 47-51.

CUI Jiawen, ZHANG Chunmao, ZHANG Hongbiao, et al. Bayesian network model for photovoltaic power plant reliability analysis[J]. Distributed Energy, 2016, 1(1): 47-51.

[11] 王秀丽， 武泽辰， 曲翀． 光伏发电系统可靠性分析及其置信容量计算[J]． 中国电机工程学报， 2014， 34(1): 15-21．

WANG Xiuli, WU Zechen, QU Chong. Reliability and capacity value evaluation of photovoltaic generation systems[J]. Proceedings of the CSEE, 2014, 34(1): 15-21.

[12] 丁明， 林玉娟， 潘浩． 考虑负荷与新能源时序特性的随机生产模拟[J]． 中国电机工程学报， 2016， 36(23): 6305-6314, 6595．

DING Ming, LIN Yujuan, PAN Hao. Probabilistic production simulation considering time sequence characteristics of load and new energy[J]. Proceedings of the CSEE, 2016, 36(23): 6305-6314, 6595.

[13] BILLINTON R， ALLAN R N． 电力系统可靠性评估[M]． 周家启， 任震， 译． 重庆： 科学技术文献出版社重庆分社， 1986: 17-19．

[14] 金挺超． 含风电场的电力系统随机生产模拟方法研究[D]． 保定： 华北电力大学． 2015．

JIN Tingchao. Research on probabilistic production simulation for wind power integrated power system [D]. Baoding: North

China Electric Power University. 2015.

[15] 邹斌， 李冬． 基于有效容量分布的含风电场电力系统随机生产模拟[J]． 中国电机工程学报， 2012， 32(7): 23-31, 187．

ZOU Bin, LI Dong. Power system probabilistic production simulation with wind generation based on available capacity distribution[J]. Proceedings of the CSEE, 2012, 32(7): 23-33, 187.

[16] Probabilistic Methods Subcommittee. IEEE reliability test system[J]. IEEE Trans. on power Apparatus and Systems, 1979, 98(6): 2047-2054．

[17] The Arizona Meteorological Network． Aguila station data and reports[EB/OL]． (2017-05-05)[2017-07-05]． https://cals.arizona.edu/azmet/07.htm．

[18] 罗凤章， 米肇丰， 王成山, 等． 并网光伏发电工程的低碳综合效益分析模型[J]． 电力系统自动化， 2014， 38(17): 163-169．

LUO Fengzhang, MI Zhaofeng, WANG Chengshan, et al. Comprehensive low-carbon benefit analysis models of grid-connected photovoltaic power generation project[J]. Automation of Electric Power Systems, 2014, 38(17): 163-169.

[19] 丁明， 王伟胜， 王秀丽, 等． 大规模光伏发电对电力系统影响综述[J]． 中国电机工程学报， 2014， 34(1): 1-14．

DING Ming, WANG Weisheng, WANG Xiuli, et al. A review on the effect of large-scale PV generation on power systems[J]. Proceedings of the CSEE, 2014, 34(1): 1-14.