风电出力（共7篇）
风电出力 篇1
0前言
云南风电资源丰富, 预计“十三五”期间, 云南风电总装机将达到1 339万k W。由于风电波动性、随机性的特征, 出力呈离散性分布, 和传统火电、水电出力特性相差甚远, 因此用传统出力曲线的方法来分析风电存在较大的困难。针对风电出力呈现离散性的特点, 本文基于概率统计的方法来分析云南风电的出力特征, 总结隐含的规律性, 从而为风电接入系统技术参数选择、风电参与电力平衡计算等方面提供理论依据。
1 分析方法
风电出力是一系列离散性随机变量, 仅从发电功率的散点分布图来观察 (如图1, 采样点为1487) , 很难准确的描述风电场的运行特性, 而基于概率统计离散性随机变量的分析方法则能定量的描述风电的出力特征。在进行风电场出力分析时, 主要采用概率统计中概率分布、数学期望、方差等特征量来进行研究。
概率分布是进行风电出力特征分析的基础, 由于风电波动性、随机性的特征, 其在各区间出力的可能性只能通过概率来描述。通过出力概率分布分析, 可以了解风电场主要的出力区间, 可能性较小的出力区间, 从而揭示出风电出力统计规律性。
数学期望主要反映了随机变量的平均值, 在风电场出力分析中, 出力的数学期望反映了风电场的平均发电功率。由于发电功率是基于时间分布的, 因此, 出力的数学期望可有效地描述风电场在特定时段内的发电能力。
方差主要反映随机变量与其数学期望的平均偏离程度, 值越小表明随机变量偏离均值的平均程度越小, 即越集中于均值。通过计算分析风电发电功率的方差, 可定量分析风电发电功率的相对稳定度。在风电发电功率的实际计算中, 对于特定时间段的样本数据, 可通过样本方差计算来定量反映发电功率的相对稳定度和波动性。
离散性随机变量数字特征的数学表达式为[1]:
式中E (X) 、D (X) 、S2分别表示数学期望、方差和样本方差;pi为xi值对应的概率, 对于每个样本数据, 每个采样点xi均可看作在统计时间内均匀出现, 即pi的值相同, 为1/n, n为样本采样点数量值。
2 数据分析边界条件
根据云南已并网运行的风电场空间分布情况, 文中选取了四座典型的风电场进行分析, 数据分析的边界条件如下:
1) 所有数据取自调度系统采集数据, 采样间隔为30分钟/次。
2) 所有数据均进行归一化处理, 方法为:风电出力 (%) =风电输出有功功率/风电装机容量×100%。
3) 数据为风电场2013年完整的运行数据, 区域选择为:昆明、楚雄、曲靖、大理, 对应所选风电场分别为甲、乙、丙、丁风电场。
4) 甲风电场全年装机容量为49.5 MW;乙风电场1~6月装机容量为49.5 MW, 7~12月装机容量为99 MW;丙风电场全年装机容量为99MW;丁风电场全年装机容量为148.5 MW。
5) 数据分析暂不考虑设备检修、新机组接入导致出力减少等因素影响。
3 概率分析及应用
3.1 概率分布分析
通过对云南甲、乙、丙、丁四个风电场运行数据处理分析, 从各风电场出力概率分布来看, 区域位置不同的风电场出力既存在一定的相似性又显现较大的差异性:
甲风电场 (昆明) 全年的风电出力主要集中在30%以下, 概率为56.1%;超过90%的概率仅为1.6%, 出力在80%~90%的概率为9.2%, 其他区间的概率较为均衡, 在7%左右;风电大出力的月份主要集中在1~3月, 出力超过80%的概率均能达到30%左右。
乙风电场 (楚雄) 全年的风电出力也主要集中在30%以下, 概率为78.3%;超过90%的概率仅为0.023%, 出力在40%以下的概率占绝大多数, 超过90%, 其他区间的概率分布均较小;风电大出力的月份主要为12月, 出力超过80%的概率仅只有4%。
丙风电场 (曲靖) 全年的风电出力也主要集中在30%以下, 概率为64.1%;超过90%的概率为0.073%, 出力在60%以下的概率占绝大多数, 超过90%, 其他区间的概率分布均较小;风电大出力的月份主要为2月和3月, 但出力概率很小, 出力超过80%的概率只在5%左右。
丁风电场 (大理) 全年的风电出力概率分布相对较为均衡, 超过90%的概率为0.052%, 出力在80%~90%的概率为6.1%, 其他各区间的概率分布均在10%左右;风电大出力的月份也主要为2月和3月, 出力超过80%的概率在20%左右。
从各风电场实际运行数据统计分析来看, 风电场超过90%的出力概率均较小, 最大概率仅1.6%, 位于昆明;其他区域风电场超过90%的出力概率均低于0.1%, 远低于昆明甲风电场的出力概率值。从四个风电场的实际装机规模分析来看, 目前昆明甲电场仅为一期工程, 装机容量为49.5 MW, 容量较小, 风机分布相对集中, 易受阵风影响, 因此风电冲击性出力的可能性相对较高;而位于大理的丁风电场装机容量为148.5MW, 装机规模较大, 风机分布相对分散, 因此显现出各区间的出力概率分布相对均匀。通过对比分析风电场装机规模和最大出力可发现, 随着风电场装机规模增大, 在风电场的集群效益作用下, 风电冲击性出力将逐步减少, 超过90%的风电出力降至0.001以下, 为小概率事件。
3.2 概率数字特征分析
根据公式 (1) , 可计算出各风电场逐月出力数学期望值, 结果见图1。
从图1可以看出, 云南风电场各月的发电能力呈现出明显的规律性:丰期 (6~10月) 发电能力较弱, 枯期 (其他月份) 发电能力较强, 该特征在大理丁风电场的曲线上表现尤为明显。从全年风电场出力均值来看, 甲、乙、丙、丁风电场年出力均值分别为33%、16%、25%、41%, 均在50%以下。
把风电场各月的出力数据看作一个样本, 按照公式 (1) 、 (3) 可计算出各风电场逐月样本方差, 结果见图2。
样本方差可描述风电发电功率的相对稳定度和波动性, 从图2可以看出, 在风电场出力较小的月份中, 风电出力的波动性相对较小, 在风电出力较大的月份中, 风电出力的波动性相对较大, 风电场出力的波动性与出力的大小呈现正向的变化规律。风电场这一性质有利于导线热传导和散热, 对导线温度升高具有一定减缓作用[2]。
3.3 技术参数选择方面应用
云南风电场出力概率分布的特性对风电场送出工程导线截面选择提出了新的挑战, 由于云南单个风电场全年出力主要集中在50%以下, 单个风电场全年超过90%的出力概率相当小, 大多数情况下低于0.001, 在此情况下采用传统经济电流密度的方法来选择导线截面是否适合, 需进行深入研究, 本文将以容量为85 MW的风电场为例进行计算分析。
3.3.1 算例计算
方法一:按照经济电流密度的方法来选择导线截面[3], J取1.65 (A/mm2) 。
方法二:按照风电场装机容量的90%作为极限输送容量来选择导线截面。
按方法一选择, 通过查阅《电力系统设计手册》, LGJ-300导线经济输送容量为94.3 MW, 按温度修正系数0.94、功率因数0.95修正后, 可输送84.2 MW的电力, 基本满足风电场电力输送要求, 可选择LGJ-300导线。
按方法二选择, 导线需输送的容量为85×0.9=76.5 MW。通过查阅《电力系统设计手册》, LGJ-150导线持续极限输送容量为84.7MVA, 按温度修正系数0.94、功率因数0.95修正后, 可输送75.6 MW的电力, 基本满足风电场电力输送要求, 可选择LGJ-150导线。
3.3.2 容量合理性比较
通过对云南风电场年出力均值进行分析, 单个风电场最大年出力均值为装机容量的41%, 低于50%。为校验线路的负载能力, 按风电场年出力均值为装机容量的50%来校验。导线LGJ-300线持续极限输送容量修正后可输送118.8 MW电力。
按方法一来选择导线截面, 线路年均负载率为:
按方法二来选择导线截面, 线路年均负载率为:
110 k V线路导线J取1.65 (A/mm2) 时经济输送容量和极限输送容量比值见表1。
从表1可以看出, 110 k V线路常用型号导线经济输送容量和极限输送容量比值界于55.6%~70.9%, 导线截面越大, 比值越高, 对于稳定的电力输送, 按照经济输送容量选择导线截面经济性较好。
对比方法一和方法二的负载率, 方法二由于考虑了风电的实际出力特性, 选择的导线年平均负载率更接近经济容量的比值, 因此方法二选择的导线经济性会更好, 线路输送容量更为合理;而方法一选择的导线负载率偏低, 与经济容量的比值相差较远, 导线容量不能得到有效利用。
3.3.3 投资造价比较
LGJ-300和LGJ-150单公里综合造价相差35万左右, 如单个项目送电线路长度按20公里计算, 仅线路投资就将节省700万, 且送电线路越长, 方法二选择导线投资造价的优势越明显。云南风电项目众多, 考虑项目数量后基于方法二将节省巨额的投资。
因此, 综合考虑风电场出力概率特点, 在风电场送出工程导线截面选择上, 建议按照风电场装机容量的90%作为极限输送容量来选择导线截面。
3.4 区域电力平衡计算应用
目前云南范围内2013年具有完整运行数据的风电场有限, 在进行区域风电场分析时, 采用典型风电场的分析法来代表区域风电场的出力特性。由于云南电网电源装机以水电为主, 水电装机比例达到70%以上, 丰、枯期水电出力差异显著, 因此在进行电力平衡计算时, 多按丰、枯期分别进行平衡计算。通过对四个区域典型风电场出力数据处理计算, 在风电参与区域电力平衡计算时, 由于风电大出力的概率相当低, 因此不宜按照风电装机容量全部参与平衡, 而应根据风电出力的概率分布特点, 以一个相对合理的容量比例来参与平衡。根据云南风电出力的特点, 建议选取平衡时风电参与的容量:风电出力在X值以下能达到80%的概率出力, 为校验区域消纳风电的能力, 取出力的上限值X值作为平衡时的出力容量。
4 结束语
本文基于概率统计的方法来分析云南风电的出力特征, 通过对云南风电场各出力区间概率分布统计计算, 得出主要研究结论及建议如下:
1) 云南单个风电场全年出力主要集中在50%以下, 其中30%以下的出力占比较高。
2) 云南单个风电场全年超过90%的出力概率相当小, 大多数情况下低于0.001, 为小概率事件。
3) 云南风电场出力的波动性与出力的大小呈现正向的变化趋势, 出力越大, 波动性越强。
4) 在风电场送出工程导线截面选择方面, 建议按照风电场装机容量的90%作为极限输送容量来选择。
5) 在风电参与区域电力平衡计算方面, 建议昆明、楚雄、曲靖、大理及全省区域分别按如下容量计算:
丰期:分别取风电装机容量的35%、25%、27%、45%、30%进行平衡计算。
枯期:分别取风电装机容量的75%、35%、55%、75%、75%进行平衡计算。
参考文献
[1]盛骤, 谢式千, 潘承毅.概率论与数理统计[M].高等教育出版社, 2010.10.
[2]彭向阳, 林一峰.环境风速对架空输电线路载流及温升影响试验研究[J].广东电力, 2012 (3) :20-25.
[3]纪雯.电力系统设计手册[M].中国电力出版社, 1998.
[4]徐群, 陶顺, 肖湘宁, 等.新能源发电功率与电压偏差的相关性研究[J].电测与仪表, 2011 (6) :1-5.
[5]段忠峰, 沙志成, 董霜.山东地区风电场功率特性及其负荷相关性分析[J].中国勘察设计, 2012 (7) :68-72.
[6]陈祥, 汪玉华.并网风光互补电站出力特性分析[J].电力电气, 2013 (6) :79-82.
风电出力波动性概述 篇2
1 风电波动对电网造成的影响及研究意义
1.1 对电网带造成的影响
1) 从规划的角度来说, 功率波动可能会使潮流分布更加复杂, 不确定因素会对电网原有的运行方式造成冲击。随着接入数量和规模的日益增大, 在大规模互联电网中还会产生波及效应。影响系统短路容量等安全约束, 影响调峰、各种发电方式的组合方式及相应的成本、风电的价值系数, 进而影响风电的渗透率、风电场选址。比如, 当风电装机容量占电网容量的比例达到20%以上, 电网的调峰能力和安全运行面临巨大挑战。
2) 从运行的角度来说, 功率波动的影响具体有以下几个方面:影响注入线路的潮流和调度方案, 具体地说, 就是如何在传统以可控性电源为主的调度格局下, 在电源端加入大规模随机扰动因素;影响机组的静态稳定性、爬坡率, 进而引起机组运行点的变化;选择一定运行风险下的备用容量, 即除了安排满足耗电量和网损的发电量外, 还应留出额外的备用容量以保证系统在一定概率下能够安全运行;有功波动会引起频率偏移、无功波动会引起的电压偏移及闪变等电能质量问题, 需要采取相应的控制手段, 比如在机组附近安装并联电容器。
1.2 研究意义
1) 规划:从电网的角度来考虑, 不同气象条件下对随机波动性强度、频度的仿真, 有利于总结风电在某地区波动的整体状况, 为确定风电接纳能力提供参考, 并最终为风电场选址和电网规划服务。从发电企业 (风电场) 的角度来考虑, 有利于风电场合理制定发电交易计划, 减轻供电的不可靠引发的经济惩罚;同时, 选择出力小的时间, 对设备进行维护和维修, 提高发电量和风电场容量系数, 减低风电总成本, 提高风电的市场竞争力。
2) 从运行的角度来说, 风电功率预测模型的误差在25%~40%的水平, 大大高于负荷预测、电价预测的误差。这主要是因为风电的随机波动性缺少规律所致。选择更适于波动性的建模方法, 有利于提高风电功率预测模型的精度, 及时制定日运行方式和调整调度计划, 减少备用容量, 提高整个系统的风电穿透率, 同时保持安全运行和优质的电能质量, 实现系统安全、优质、经济地运行。
2 风电功率波动的产生机理及研究现状
2.1 产生机理
要进行后续的研究, 不管是析风电波动的特性分析还是建模, 明确产生机理是一个必要的提前。关于风电随机波动特性的产生机理, 概括起来, 有如下几个方面:1) 驱动能量的随机性:风速受气候、天气和地势等多种不可抗拒的自然因素的影响, 这是根本原因;2) 能量的分散性:风能的功劳密度较低, 分布在较广的空间范围内;3) 风电机组的限制:风电机组的运行特性、控制特性, 决定了目前大多数机组还不具备抑制功率波动的能力。
2.2 研究现状
目前, 国内随机波动性的研究热点主要集中在对波动性规律的把握和建模上。而波动性建模是这一领域的核心问题, 选择能准确反映波动性规模的模型是关键。
频域模型是目前波动性建模领域的一个研究热点, 这是因为描述风机位置和风机特性的大多是频域模型, 采用频域模型可以更好地描述功率波动产生的物理机理。频域模型的核心是功率谱密度PSD (Power Spe ctrum De ns ity) 和时频转换。可以先建立以功率谱PSD描述的频域风速模型, 得到频域功率, 再反变换到时域。时频转换一般通过傅里叶变换来实现。而对于风速功率谱PSD的处理不同则可能形成不同的频域模型。除了频域模型外, 主流的模型还有时域模型和基于马尔科夫链的状态转换模型。GARCH模型是一种经典的时域模型, 对于ARCH和GARCH的数学表达式, 在确定了阶数后, 可以用相关函数的理论进行了时间序列的平稳性校验, 并通过波动程度和聚集程度的指标, 来说明模型的预测能力。而对于基于马尔科夫链的状态转换模型来说, 其核心思想是按波动的剧烈程度把功率划分为数个独立的状态。
考虑风电波动物理问题, 是提高波动性模型精度的一个有效方法。比如, 可以采用了更加精确的风速模型, 比较全面地考虑扰动的功率谱、不同积分风速之间的连贯性、不同风机转子叶片轮换采样的效应, 并且在轮换采样中包括了扰动的空间变化和塔影效应。再比如, 考虑“尾流效应”对于风电场功率波动的影响。通俗地说, “尾流效应”就是, 在风的传播方向上, 风力到达后面的机组时, 因为与前面机组的作用而减弱的现象。尾流效应所引起的风能损失, 因地表粗糙程度、风电机组的结构和运行特性、风电场的结构、风向、风的扰动等诸多因素而异, 可在2%~30%内波动。尾流效应是引起功率波动的一个原因。其典型值是在10%左右。例如, 我国东海申花国华台山风电场的尾流效应损失能量是8%。经典的尾流效应模型有Jenson模型, 很多学者基于Jenson模型做了很多改进, 建立了更加精确的风速模型。
3 平抑波动
目前, 以储能元件为核心的储能系统是平抑措施的一个研究热点。这是因为:对于小幅的频率波动, 依靠传统的水利发电和火力发电就可以得到控制;而对于较大幅度的频率波动, 比如重启风电并网时, 负荷频率控制LFC (Load frequency control) 的容量不够, 但依靠常规电厂很难进行有效的频率控制。这时, 就需要采用一定的装置来平抑波动。具体来说, 就是需要风电出力大时, 储存功率, 风电出力小时, 供给功率, 而以储能元件为核心的储能装置较好地符合了上面所要求的特性。储能元件主要有物理、电磁、化学储能三大类。其中, 化学类的电池系统储能装置因其既能平抑有功、又能平抑无功, 特别是对电力系统有重要影响的中频区波动0.01~0.1Hz有很好的抑制效果, 而备受国内外学者的青睐。另外, 电磁类的电容储能也是一种有前途的储能装置。
4 结语
大规模风电的并网给电网带来了很多不良的影响, 使得波动性的研究日益受到人们的重视。波动性的评价是该领域的一个基本问题。分析风电波动对电力系统带来的不良影响及波动性的研究意义, 了解波动性的产生机理和波动性建模的研究现状, 不仅有利于完善平抑波动性的措施, 而且还可能为提高不同时间尺度下风电功率预测的精度提供参考, 为最终从规划、运行、控制等多方面为电网的安全运行和经济调度服务。
摘要：风力发电作为目前技术最成熟、效率最高的可再生能源, 在全球范围内迅速发展。然而, 由于风电的随机波动特性, 在并网的同时也给电网带来了一系列的影响。本文将先从运行和规划的角度来分析不同时间尺度下, 风电波动对电网造成的影响及相应的研究意义, 然后说明风电波动性的产生机理及研究现状, 最后讨论波动性规律的一个应用—平抑波动。
风电出力 篇3
近年来全世界风电发展迅猛,其中陆上风电和海上风电发展速度并不平衡。相对于陆上风电而言,全球范围内海上风电的发展速度较为缓和。自2008年以来,世界海上风电进入快速发展期,2008与2009年连续2年海上风电新增容量超过了500 MW,2010年海上风电新增容量更是达到了1 400 MW。截至2010年底,全球海上风电累计装机容量为3 500 MW[1]。目前,中国的海上风电装机容量达到142.5 MW,占国内风电装机总容量的比例不到1%[1]。国内已建和在建的海上风电项目有上海东海大桥100 MW项目、江苏大丰潮间带300 MW示范项目以及去年江苏首轮1 000 MW海上风电招标项目。虽然国内目前已建和在建项目只占世界海上风电总容量的4%左右[1],但中国正处于海上风电加速发展阶段,根据沿海省份编制的规划,海上风电的装机容量预计将在2020年达到30 GW[2]。
相对陆上风电而言,海上风电的研究工作明显滞后。国外对海上风电展开了一些研究:文献[3]从预测的角度分析了海上风速梯度、垂直风速变化以及尾流效应对风电出力的影响;文献[4]分析了风电场规模、风速、风向等对海上风电出力波动性的影响;文献[5]分析了海上风电以及波浪能发电的出力特性以及互补性。目前,国内对海上风电出力特性与消纳的研究尚未见文献报道,亟须开展海上风电的相关研究工作。以广东电网为例,该省正在进行大规模海上风电的规划,必须超前研究其消纳问题,而海上风电出力特性分析是研究其消纳问题的一项基础性工作。
本文的核心是研究海上风电的出力特性,并探讨海上风电消纳的难点。针对目前海上测风数据不足、海上风电实际出力的历史数据积累不足的实际困难,研究基于实际数据分析与运行模拟相结合的方式开展。首先根据近岸风电场发电出力历史数据,分析了近岸风电出力的随机特性与波动特性;然后利用风电场运行模拟技术,根据分析得到的风电出力随机特性以及实际测风数据,对规划海上风电场进行运行模拟,得到各风电场出力的时间序列。通过对海上风电场出力的统计分析、风电场出力分布特征指数的计算以及对风速相关性多场景的对比,详细分析了未来海上风电场的出力特性。进一步,将海上风电与陆上风电出力特性进行比较,探讨了海上风电的消纳难点,为进一步研究其消纳方法提供了参考。
1 研究框架
1.1 整体思路
本文采用实际数据分析与数据模拟分析相结合的方法。实际数据分析是根据风电场历史出力信息,统计分析风电出力的随机性与波动性,提取风电场出力分布的特征参数,并结合沿海各地区气象站的测风数据,进行风电场出力的运行模拟,进一步分析研究海上风电场的出力特性,并探讨海上风电消纳的难点。本文整体研究框架如图 1所示。
1.2 研究方法
文中采用多风电场运行模拟模型产生规划海上风电场时序出力[6],其过程如下:根据风电场测风塔参考高度的实测风速数据,推算出预装风电机组轮毂高度的风速数据,统计分析风速的分布特征以及各风电场之间风速的相关性,生成符合风速统计特征与相关性的一系列风速时间序列,之后再结合风电场风电机组的出力特性曲线与可靠性模型,生成各风电场风电机组出力的时间序列。
其中,风速的随机分布特性采用双参数Weibull分布来拟合,其分布函数与概率密度函数分别如式(1)、式(2)所示:
式中:x∈[0,+∞);c和k分别为Weibull分布的尺度参数和形状参数。
风速的波动性由风速序列的自相关函数来表征[6],其定义为一个序列预期滞后n期的序列的自相关系数。研究发现,风速序列的自相关函数是由负指数控制下的单调衰减函数,如式(3)所示:
ρn=e-θ nθ>0,n=1,2,… (3)
式中:θ为风速自相关函数的衰减系数,其大小与风速序列变化的剧烈程度有关,风速变化越剧烈,其自相关函数衰减越快,θ越大。
1.3 描述风电场出力分布规律的新指标
比较2个风电场出力的分布往往使用风电场出力分布函数,然而风电场出力分布函数包含的信息量较多,难以直观比较风电场出力的分布特性。本文提出了风电场出力分布特征指数这一新指标,用来描述风电场出力的分布规律,同时衡量风电场出力的均衡情况。
风电场出力分布特征指数用β表示,其含义是风电场标幺出力大于β的概率为β。其计算方法如图2所示。将风电场的出力持续曲线的横纵坐标标幺化,横坐标的基值为风电场的装机容量,纵坐标的基值为出力的时段总数,标幺化后横纵坐标区间均为[0,1],该出力持续曲线中横纵坐标值相等的点就代表了风电场出力分布特征指数β。根据所述的计算方法,图2中风电场出力分布特征指数为0.33。
用数学表达式来描述该指标的计算方法如式(4)和式(5)所示:
式中:N为风电场出力的时段总数;Xi为状态变量;Pi为时段i的风电场出力;PC为风电场装机容量。
风电场出力分布特征指数能够评价风电出力的均衡情况,以图2中β=0.33为例,表示出力不小于装机容量的33%的时段总数占总时段数的比例为33%,即该风电场出力大于装机容量的33%的概率为33%。这种针对风电场出力概率分布特点的特征指数,实质上反映了风电场出力分布的偏度信息:β值越大,代表该风电场的出力水平越高;β值越接近0.5,表示该风电场的出力越均衡。
2 近岸风电场出力特性分析
2.1 风电场出力概率密度与持续曲线
洋前风电场位于广东省湛江市徐闻县新寮镇东部,沿海岸规划布置。图3为统计得到的洋前风电场出力概率密度与出力持续曲线。可见:当出力在装机容量的0～80%范围内时,概率密度随出力的增大呈递减趋势;当出力在装机容量的80%以上时,概率密度随出力的增大反而呈微弱的增大趋势。
作为对比,本文对甘肃河西4个风电场2010年的出力数据进行了统计分析。表1所示为对甘肃河西4个风电场的出力概率密度与出力持续曲线进行的统计分析。可以看出:近岸风电场出力占装机容量80%以上的出力概率明显高于陆上风电场;近岸风电场出力占装机容量35%以下的出力概率明显低于陆上风电场。
表1中统计了甘肃陆上风电场与广东近岸风电场的出力分布特征指数。其中,陆上风电场的出力分布特征指数在0.288～0.311之间,中位值为0.294,近岸风电场的出力分布特征指数为0.315,稍高于陆上风电场。总体上,陆上与近岸风电场的出力分布特征指数在0.3左右。
2.2 风电场出力的波动性分析
近岸风电场出力波动性也与陆上风电有所不同,表2所示为统计得出的不同置信度下小时级出力变化占装机容量的比例。在95%置信度下,陆上风电出力变化占装机容量的比例在19%～24%,而近岸风电场的这一数值为10%;在99%的置信度下,陆上风电的出力变化占装机容量的比例都在34%以上,而近岸风电场的这一数值为17.4%。总体来说,甘肃陆上风电场的小时级出力变化幅度约为近岸洋前风电场的2倍。
另外,按式(3)拟合得到了甘肃4个风电场以及洋前风电场风电出力自相关函数的衰减系数,如表3所示。洋前风电场的衰减系数明显小于陆上风电场,说明其出力波动性较小。
3 海上风电运行模拟的边界条件
3.1 海上风电中长期规划
以广东海上风电为例,在广东省千万千瓦级风电基地规划中,到2015年,风电装机容量达到3 779 MW,其中海上风电装机容量达到550 MW;2020年风电装机容量将达到11 561 MW,其中海上风电装机容量将达到4 080 MW。
广东中长期海上风电规划中,海上风电场在地理布局上自东向西可以分为五大片区:汕头片区、汕尾片区、珠三角片区、阳江片区和湛江片区。该分区方式可覆盖中国南海近岸全线,基于此分区方式得到的各片区2020年海上风电装机容量分别为:汕头片区350 MW、汕尾片区1 340 MW、珠三角片区960 MW、阳江片区800 MW、湛江片区630 MW。
以VESTAS的V112-3.0 MW Offshore型海上风电机组[7]的参数作为典型值,其切入风速、额定风速、切出风速分别为3 m/s,12 m/s,25 m/s,风机轮毂高度为112 m,额定运行功率为3 MW,尾流效应系数取0.95。
3.2 风速随机特性
广东各风电场规划报告中提供了相应地区的气象数据,从中选取各个片区的代表性气象站,统计各片区的风速随机分布特征。由于风机轮毂高度的典型值为112 m,与各气象站的观察高度不完全一致,故利用式(6)对参考高度平均风速进行折算,得到轮毂高度平均风速:
式中:vh为轮毂高度平均风速;vh0为参考高度平均风速;h和h0分别为轮毂高度和参考高度;α为风切变指数,与气温、地表粗糙程度、大气层稳定性等因素有关[8],取0.1～0.4不等[9],在海洋地区该数值较小,本文取0.15,文献[10]中台湾西部的澎湖列岛由实测风速统计得到的风切变指数即为此值。
得到各片区轮毂高度处的平均风速后,结合各片区气象站的参考高度的风速分布,可以得出各片区的Weibull分布及其参数c和k,如表4所示。
另外,本文中设定风电机组可利用率为0.95;风速的波动性由风速自相关函数衰减系数来表征,本文用风电场出力序列的自相关函数衰减系数来估计风速的自相关函数衰减系数,虽然风电出力与风速之间呈非线性关系,但风速与风电出力的自相关函数衰减系数大致相同。本文将海上风电场的风速自相关函数衰减系数取为0.03。
3.3 风电场间风速相关性
风电场间风速相关性主要与风电场地理距离有关:相距较近的风电场由于受到同一天气状况的影响,其风速将会表现出较强的相关性;相距较远的风电场,其遇到同一天气状况的概率较小,因此其风速相关性较弱。国外对于风电场之间的风速相关性已经有所研究,文献[11]对北欧四国的风电场群进行了风速相关性研究,结果表明,风速的相关系数与风电场之间的地理距离存在式(7)所示的负指数关系:
式中:C为风电场风速相关系数;d为两风电场之间的地理距离;M为相关系数随距离的衰减因子。
分别设置4种场景:基础场景,M为0,即各风电场风速不相关;弱相关,M为100;中相关,M为300;强相关,M为500,文献[11]中在对北欧风电场的相关性进行计算时即采用M=500。根据广东各海上风电片区的地理位置,可计算得到各风速相关性场景下的风速相关系数矩阵,以中相关性场景为例,计算结果如表5所示。
4 海上风电模拟出力特性分析
4.1 风电场时序出力特性
各风速相关性场景下得到的各片区风电出力概率分布相似,以基础场景下汕头片区海上风电模拟出力的概率分布为例,如图4所示。可以看出,当出力达到装机容量的85%后,概率密度显著抬升,这使得各片区的出力持续曲线在该出力区间显得更为上凸。文献[12]在对荷兰海上风电场进行统计分析时得到了类似的分布。
不同风速相关性场景下各片区海上风电场模拟出力的分布特性相似。以风速中相关性场景为例,如表6所示,其结果与表 1相比,海上风电场的高出力概率明显高于陆上和近岸风电场,海上风电场达到装机容量80%以上的出力概率约为陆上风电场的4～9 倍。而海上风电场的风电出力分布特征指数在0.293～0.364之间,中位值为0.321,也高于陆上风电场。
4.2 多场景下海上风电模拟出力
表7为不同风速相关性场景下广东海上风电场总模拟出力与甘肃河西4个风电场总出力的分布特性统计结果。陆上风电总出力大于80%装机容量的概率只有0.003%,稍低于海上风电场;而陆上风电场总出力小于35%装机容量的概率比海上风电场高出0.19～0.24。因此,可知海上风电场占装机容量35%～80%之间的总出力概率将比陆上风电场高0.2左右。从表7可知,海上风电场总出力的分布特征指数比陆上风电场大0.078～0.096,进一步说明海上风电场的整体出力水平较高。
4.3 容量因子分析
容量因子指风电场年平均出力占风电场装机容量的比例。通过容量因子可推算风电场的年利用小时数。其计算方法如式(8)所示:
式中:f为风电场容量因子;T为时间长度;PR为风电机组额定输出功率;ETA为T时间段内风电机组实际发电量。
根据海上风电场模拟出力结果,各风速相关性场景下海上风电场的容量因子在0.26～0.33之间,比陆上及近岸风电场稍高:2010年洋前风电场的容量因子为0.25;2010年甘肃河西各风电场的容量因子在0.14～0.23之间。由此可知,海上风电场的容量因子高于陆上风电场。若海上风电场容量因子比陆上风电场高0.03,则利用小时数将高出200 h。
5 海上风电消纳特点分析
通过上述对海上风电出力特性的分析,可总结出海上风电消纳不同于陆上风电消纳的几个特点。
1)对于单一海上风电场,当出力达到装机容量的85%后,其出力概率密度曲线会显著抬升;对于区域内多个海上风电场,总出力占总装机容量35%～80%之间的概率较高。而由于风电机组可能出现反调峰特性[13],因此海上风电出现强烈反调峰的程度和概率将强于陆上风电,对于系统负荷峰谷差较大的地区,海上风电的接入将加大系统的调峰难度以及局部电网潮流的多样性。另外,海上风电出力的季特性为冬季比夏季高[14,15],而系统负荷的季特性一般为夏季高、冬季低,因此冬季的海上风电消纳难度将高于夏季。
2)由于海面风速相对于陆地更为平稳,海上风速的自相关函数衰减系数小于陆上风速,海上风电出力的波动性要低于陆上风电,因此海上风电的接入对系统调频的影响以及系统调频能力的要求要低于陆上风电。
3)在地理分布和电网规划上,陆上风电场开发相对集中,而海上风电场则是沿海岸线分布、分区开发,各海上风电场可就近接入陆上电网,沿海岸带状分散的海上风电场降低了对输电通道的要求,降低了消纳难度。
4)海上多风电场整体出力分布特性以及波动特性在较大程度上取决于各风电场风速相关性的大小。而各海上风电场风速相关性取决于海上风电场的地理位置以及该地区的气候特性。对风速相关性的分析需要同步的海上风速时序数据。目前,国内海上风电这方面的资料还十分匮乏,需要在下一步工作中重视对海上风速第一手资料的收集。
6 结语
基于对海上风电出力特性研究较少的现状,本文将海上风电与陆上风电进行了对比研究。利用风电出力模拟技术生成了广东2020年海上风电场出力时间序列。提出了风电场出力分布特征指数的评价指标,能够描述风电场出力分布的均衡情况。最后探讨了海上风电消纳不同于陆上风电消纳的特点:海上风电出现强烈反调峰的程度和概率将强于陆上风电;夏低冬高的季节特性加大了冬季海上风电的消纳难度;海上风电对于系统调频能力需求较低。
大规模风电并网的出力特性分析 篇4
风电出力特性和电力系统安全稳定运行是息息相关的。文献[1]给出了德国风力发电的发展情况, 并且分析了德国电力系统在大规模的风力发电接入后稳定性受到的影响;文献[2,3]给出了以测风数据为基础, 对风力发电的输出功率进行模拟分析, 对甘肃酒泉地区的风电大规模并网和风电出力特性进行了研究, 但是由于风电出力数据的失真, 不能保证结论完全正确;文献[4]根据建模方法和预测模型对象的两个分类标准, 归纳总结了目前风电功率预测研究的模型和方法, 提出了风电功率预测模型的改进方向;文献[5]给出了风电场的不同地理位置对东北电网的影响分析, 由于所选取的风电场过少, 不能够代表整个电网的风电的运行特性;文献[6]研究了风电场无功补偿容量的确定以及出口功率因数与转子滑差的关系, 仿真分析了风力发电机组并网时对电网产生的冲击影响和风电场接入电网后的稳定性;文献[7]给出了电网在风电并网后出现的问题, 用于分析的数据量少, 缺少统计分析的意义;文献[8]针对酒泉风电基地2011年发生的几次大规模风机脱网事故, 根据现场调查和数据分析, 提出了改造风电机组、完善风电场的集电系统及保护配置等措施;文献[9,10,11]给出了针对风力发电的波动性、相关性和分布规律方面, 对风电的输出功率和电量方面进行了研究分析;文献[12]从不同时间尺度方面, 分析了风电功率波动特性对风电并网的影响。
本文基于华北电网的实测数据, 采用时间序列与统计分析的方法, 对风电的出力特性进行分析, 研究风力发电的运行特性指标, 为促进大规模的风电并网运行与促进大规模的开发利用风能提供依据, 同时为制定风电并网后整个系统的安全稳定性的调度规划提供理论参考。
1 风电出力的波动性和随机性
风力发电的主要依靠是风能, 风能最大的特点是不确定性和不稳定性, 导致了风力发电也具有不稳定性和波动性。
本文数据来源于华北电网2010-2011年的实测风电出力数据, 在原始数据中出现个别数据缺失或者同一时间多个不同数据存在的情况, 因此对缺失数据用插值法进行补齐, 对于多个数据进行筛选, 明显为不良数据的进行剔除。
1.1 风电出力的波动性
选取华北电网2010年的实测数据, 取每月典型日全天数据做平均值, 得到2010年1月至2011年1月期间的月平均出力如图1所示。
10月、11月和12月连续数日风电日平均出力达到或超过额定出力, 同时也有连续数日风电日平均出力小于额定出力。
1.2 风电出力的随机性
以华北电网春夏秋冬四季为分析时间对象, 其中夏季到秋季研究数据为2010年5月份至2010年10月份, 冬季到春季研究数据为2010年11月份至2011年4月份。
图2与图3分别给出了夏秋季节与冬春季节的风电日平均出力时序分布散点图, 其中图中圆点所对应的横坐标为夏秋两季节每天的日期, 圆点所对应的纵坐标值为相应日期下风电日平均出力的大小, 圆点的疏密程度代表风电日平均出力在某范围内的概率的大小, 圆点表现的越密集, 表示风电日出力在该范围内的概率越大。
图2与图3对比两个图可以看出:夏秋两季中圆点分布比较密集, 表示风电日平均出力大部分比较集中, 且相对较小;冬春两季中圆点分布较稀松, 表示风电日平均出力较为分散, 同时日间的风电出力增减幅度较大。
2 风电出力变化特性分析
2.1 风电日平均出力的变化率
取某连续两天的数据进行研究分析, 仅对电网在某特定时间内的出力变化率的大小进行讨论研究。
出力变化率计算公式 (1) 如下:
undefined
式中:Vnt—出力变化率;
ΔPn—风电出力波动量;
n—采样点;
Δt—采样时间间隔。
以下是分别对20分钟级别和1小时级别的风电出力变化率进行研究。
图4所示:20分钟级的出力变化率相邻时间波动较为平缓, 基本没有出力变化率为0情况, 最大变化率为正数值, 接近30MW/分钟;有一些连续变化的变化率全为正数值或全为负数值的情况, 表明风电出力在连续的增加或连续的减少, 但是连续变化幅度很小, 表明风电出力在该段时间内波动比较缓慢。
图5所示:小时级的出力变化率相邻时间波动较分钟级的波动明显, 最大变化率为正数值, 已经超过1000MW/小时, 该时段前后波动量较大;与分钟级变化率一样, 有一些连续变化的变化率全为正数值或全为负数值的情况, 不同的是连续变化幅度较大, 风电出力在该段时间内波动比较剧烈。
2.2 风电出力同时率
风电出力的同时率是各个风电场发电同时达到最高的几率, 即日最高发电出力与当日风电场并网机组总容量的比值。
以华北2010年5月份和6月份的实测数据, 分析风电场风力发电与风电场反调峰之间的关系。
从图6可知, 华北电网5月份风电出力的同时率均在70%以下, 同时率大部分低于60%。相比于5月份, 6月份的出力同时率要低, 均在60%以下, 大部分低于50%。仅从出力同时率上不能够反映风电出力同时率与风电场限制出力的关系, 因此再在相应时间内统计华北电网反调峰的天数, 进行比较分析。如表1所示。
表1中, 5月份反调峰的时间为12天, 6月份反调峰的时间为6天。同时结合图6分析可知, 风电出力的同时率越高, 则该风电场的限制出力情况就会越多, 不利于风电场的安全稳定性。
3 结论
通过对风电出力基本特性、变化特性的研究, 可以得到如下结论:
(1) 华北电网的风电出力具有非常明显的波动特性和随机特性, 风电出力的最大值出现的时间段均不同, 并且在不同时间段内, 风电出力都有一定的差异, 其在相同范围内风电出力的概率也有很大的差异。
(2) 在不同的时间尺度下, 风电出力变化率的变化幅度不一样, 选取合适的时间尺度, 对研究风电并网时的出力波动情况具有重要意义。
(3) 通过对风电出力同时率的分析结合其对应时间段内电网反调峰的天数分析可知, 随着风电出力同时率的增大, 对于一个风电场的限制出力情况就会越多, 这不利于电网的稳定运行。因此, 要合理规划风电厂的建设。
摘要：大规模风电并入电网后, 风电的随机波动性等特性给系统的稳定运行带来严重的影响。根据华北电网的实测数据, 利用时间序列法与统计分析法, 分析了风电出力基本特性, 研究了风电出力的波动性、随机性;然后进一步分析了风电出力的变化特性, 讨论了风电出力同时率与反调峰的相关性, 以及在不同时间段的风电出力的特点, 阐述了大规模风电并网对电网影响。
关键词：风电,出力特性,出力变化率,同时率,反调峰
参考文献
[1]李锋, 陆一川.大规模风力发电对电力系统的影响[J], 中国电力, 2006, 39 (11) :80-84.
[2]辛颂旭, 白建华.甘肃酒泉风电特性研究[J].能源技术经济, 2010, 22 (12) :16-20.
[3]张宁, 周天睿.大规模风电场接入对电力系统调峰的影响[J].电网技术, 2010, 34 (1) :152-158.
[4]王丽婕, 廖晓钟.风电场发电功率的建模和预测研究综述[J].电力系统保护与控制, 2009, 37 (13) :18-121.WANG Li-jie, LIAO Xiao-zhong.Sum-marization of modeling and prediction of wind power generation[J].Power Sys-tem Protection and Control, 2009, 37 (13) :18-121.
[5]屈可丁, 于骏.东北电网风电运行分析[J].东北电力技术, 2008, 11:22-24.
[6]田春筝, 李琼林.风电场建模及其对接入电网稳定性的影响分析[J].电力系统保护与控制, 2009, 37 (19) :48-51.
[7]高德宾, 李群.东北电网风电运行特性分析与研究[J].电力技术, 2010, 19 (2) :33-37.
[8]何世恩, 董新洲.大规模风电机组脱网原因分析及对策[J].电力系统保护与控制, 2012, 40 (1) :131-137.
[9]陈贞, 倪维斗.风电特性的初步研究[J].太阳能学报, 2011, 32 (2) :210-215.
[10]侯佑华, 房大中.大规模风电入网的有功功率波动特性分析及发电计划仿真[J].电网技术, 2010, 34 (5) :60-66.
风电出力 篇5
由于受到自然特性、地理环境、风电场自身条件等因素影响,风电出力表现出随机波动性。 随着大规模风电并网,风电集群的波动特性研究对于电力系统运行和规划意义重大,引起了广泛的关注和研究兴趣,国内外针对风电出力特性［1］、调峰特性［2］、并网影响性［3-4］、随优化调度［5］等方面进行了大量研究,并取得了丰硕的成果。 同时,风电规划、并网评估、电力市场等相关问题的研究对风电出力数据信息的需求越来越大,尤其是未来集群风电场景出力信息。 然而, 通过单个风电场出力简单倍乘的方式来获取任意容量集群风电出力容易忽略平滑效应［6］。 如何快速准确地构建适应集群风电规模发展的出力概率模型,并通过建立的概率模型模拟生成风电出力数据是一个基础研究环节,具有重要的研究实用价值［7］。
不同时间尺度下的集群风电场出力概率分布特性会存在一定差异性［8］,只有在理想的地理空间分布情况下集群风电场出力才近似呈现正态分布,但是在大多数风电场景中发现运用 β 分布拟合集群风电场出力概率分布要比正态分布更加准确［9］,本文在此基础上引入偏度、峰度［10］这2个表征风电波动特性曲线分布形状的统计学指标,提出基于均值、标准差、偏度和峰度这4个统计性指标的皮尔逊族分布建模,涵盖典型常见概率分布模型,如正态分布、β 分布、γ 分布等Ⅰ型至 Ⅶ 型7种分布模型。 基于指标的皮尔逊族建模可以有效模拟未来风电集群实际出力场景,生成风电出力随机数据,得到风电出力持续曲线,为风电集群运行规划、波动性分析等提供有效分析手段,同时也丰富了风电统计指标体系［11］,为定量分析风电出力的波动特性提供了指标基础。
集群风电场出力波动平滑性与风电场间相关系数密切相关,当风电场地理比较靠近、基本处于同一风带时,风电场的出力相关性较强;当风电场地理位置相距较远时,风电场的出力相关性变弱,风电场出力之间波动性相互抵消,使得该区域集群出力波动性减弱［12］,随着集群区域规模的扩大和风电场数量的增加,平滑效应表现越显著［13-14］。 文献[15]重点分析了北欧风电集群相关性和地理分散表现出的平滑性,指出了风电场间相关系数与场间距成指数级衰减,进一步说明了不同时间尺度衰减特性存在差异, 并给出根据年出力时间序列计算风电场间相关性的方法。 文献[16]提出了平滑效应简单量化分析方法, 引入了皮尔逊相关系数进行计算,但是只局限于风电场间相关系数计算,未能对相关性进行建模研究。 因此本文建立了单个风电场和集群风电场出力的中心矩关系,引入定量分析平滑效应的中心距因子,并依据典型风电场集群历史风电出力数据分析挖掘经验,建立风电场间相关系数与风电场间距离的指数关系方程,给出区域风电场各阶标准差与年平均出力之间的函数关系方程,建立了指标参数估算模型,在保证一定精度的情况下简化了风电场集群区域内风电场间相关系数和各阶标准差的计算。
本文最后根据福建省风电场集群2013年全年出力时间序列数据计算风电场均值、标准差、偏度和峰度4个指标,然后基于4个统计性指标,利用MATLAB的pearsrnd函数实现皮尔逊族分布函数建模,模拟生成风电出力随机数据,并从风电出力累积概率曲线和持续曲线2个角度对比分析皮尔逊族建模的准确性和实用性;通过福建省2010—2012年年度风电历史出力时间序列数据和其典型风电集群地理特征信息的分析计算,应用最小二乘法确定所有待定参数, 建立具体估算模型,分别用建模法和直接法计算出标准差、偏度、峰度3个波动性指标,然后对比分析得到的模拟值和测量值结果,验证了指标参数估算模型的准确性。
1基本原理和数学模型
1.1高阶中心矩和中心矩因子
风电出力的波动性,可以用波动量均值、相对波动量、波动量标准差等指标来表征,其中波动量均值是描述风电出力时间序列集中趋势的指标,相对波动量、波动量标准差等是描述其离散程度的指标。 为了引入描述其分布形状的指标———偏度和峰度,本节给出区域集群风电场与单个风电场出力的二阶中心矩、三阶中心矩、四阶中心矩数学关系表达式［17］。
将区域风电场集群各个风电场出力时间序列看作是彼此相关的随机变量,首先介绍衡量单个风电场出力波动性的标准差,即:
其中,C为风电场的额定安装容量;N为采样时刻总数;Pt为t时刻的采样功率值;μ 为风电场出力采样均值。
然后给出区域风电场集群出力相对值P与单个风电场出力相对值Pi的函数关系式:
其中,PS为区域风电场集群额定安装容量;Pabs为区域风电场集群出力绝对值;Piabs为单个风电场出力绝对值;Ci为区域单个风电场额定安装容量;n为区域风电集群包含的单个风电场数量。
如果区域单个风电场额定安装容量相同,式(2) 可简化为:
式(2)和(3)同样适用于利用单个风电场出力均值计算区域风电场集群出力均值。
为了建立区域集群风电场与单个风电场出力的高阶中心矩关系模型,需要确定各风电场间相关系数,以2个风电场出力时间序列分别作为随机变量X、Y,给出皮尔逊相关系数计算公式［18］:
然后定义区域风电场集群出力的二阶中心矩数学表达式:
为了便于解耦标准差与相关系数,假设区域风电场集群内各个风电场额定安装容量均相等,标准差均为 σ,上式可简化为:
其中,rij为风电场i和风电场j间的互相关系数;Pic为单个风电场出力中心化变量;F2为二阶中心矩因子。 当已知标准差 σ 和F2时,可以求出二阶中心矩m2,这样就得到了区域风电集群波动相对波动值。
同理给出区域风电场集群出力的三阶中心矩和四阶中心矩数学表达式:
其中,σi为第i个风电场出力的标准差。
同理假设,式(7)、(8)可分别简化为:
其中,F3、F4分别为三阶中心矩因子和四阶中心矩因子;rijk为3次互相关系数,rijkl为4次互相关系数［19］,这些高阶互相关系数均可以通过相关性分析工具计算得到,进而可以求得中心距;σ3、σ4与标准差 σ 类似,称为“高阶标准差”,但是具体定义存在差异。
其中,σ3i和 σ4i为第i个风电场出力的高阶标准差。
进一步变换式(6)和式(9)可得:
通过式(11)易知,高阶中心矩因子可以作为量化集群风电出力波动性的有效指标。 当F2< 1时,表征单个风电场集群化后波动性变弱,表现出风电集群的平滑效应,高阶中心矩因子数值越小,说明风电集群波动的平滑效应越强。
1.2波动性统计指标
根据区域风电场集群的中心矩因子和各阶标准差,可以求出二阶中心矩m2、三阶中心矩m3和四阶中心矩m4,式(12)给出了区域风电集群出力波动性统计指标———标准差 αstd、偏度 αskew和峰度 αkurt的定义表达式:
标准差是表征集群风电场出力平稳性的重要指标,标准差越小表示风电出力越平稳、波动越小,这意味着风电并网对电力系统造成的影响越小。 偏度表征集群风电出力波动分布的偏斜度,若其偏度为正,则表示相比标准正态分布,其峰度偏向较小数值方向;偏度为负,则表示相比标准正态分布,其峰度偏向较大数值方向。 峰度表征总体离群数据的离群程度,若其峰度值大于3,则表示出力波动分布曲线为尖峰分布;若其峰度值小于3,则表示出力波动分布曲线为平峰分布。 偏度和峰度是表征集群风电场出力波动分布的重要指标。
1.3皮尔逊分布族模型
皮尔逊微分方程依据a、c0、c1和c2不同参数取值可以求解得到不同的概率密度函数,进而构成皮尔逊分布族,具体皮尔逊微分方程表达式为［19］:
由皮尔逊微分方程建立的分布族包括Ⅰ型至Ⅶ 型的7种基本分布,涵盖任意给定均值、标准差、偏度和峰度,共同构成了四参数分布族,包含了常见的基本分布,如正态分布、Student’s t分布、γ 分布和 β 分布,其中 β 分布属于Ⅰ型分布,γ 分布属于Ⅲ型分布, 正态分布和t分布属于Ⅶ 型分布。 皮尔逊分布族能够拟合各种基于一阶、二阶、三阶和四阶刻画的分布形状。 具体给出上述3种类型概率分布函数表达式［20］。
Ⅰ型概率分布函数为:
Ⅲ型概率分布函数为:
Ⅶ 型概率分布函数为:
基于均值、标准差、偏度和峰度4个指标参数, 可以构建表征集群风电场出力分布的皮尔逊族分布模型,进而能够有效模拟未来风电集群场景出力随机数据,评估区域风电集群发电量。
2指标参数估算建模
2.1相关系数与场间距关系建模
第1节给出了区域风电场集群标准差、偏度、峰度定义表达式和皮尔逊分布族模型,为了得出这3个典型指标,根据式(6)、(9)和(12),易知需要求解出中心矩m2、m3和m4,因此求取中间参数中心矩因子F2、F3和F4是关键,所以需要得到区域风电场集群各个风电场自相关系数和互相关系数值。 由于区域风电场集群各个风电场风电出力数据存在缺失性和不易获取,以及利用SPSS Statistics 20相关性分析工具计算n2个相关系数的计算量大,为了简化相关系数计算,且不影响计算精度,需要建立相关系数的估算模型。
文献[21]定量分析了风电场地理空间分散的经济性,指出Ontario区域集群风电场间出力相关系数与距离成反比,但仍保持正相关性,并分别应用皮尔逊和Spearman rho相关系数法拟合建立了指数函数关系模型。 本文依据典型风电场集群历史出力数据, 计算风电场间的互相关系数,作出风电场间互相关系数与场间距(2个风电场间的中心距离)的散布图, 利用Sigmaplot 13.0非线性回归对离散点作函数曲线拟合,如图1所示。 其中关于相关系数计算所用风电场出力数据为各个风电场年平均出力时间序列, 计算出的相关系数具有代表性,满足了计算精度要求,减少了不同时间尺度风电出力时序数据计算得到的相关系数的差异性。
通过非线性回归拟合关系,分析发现典型风电场集群出力相关系数与场间距离成指数衰减关系,因而经验建立了指数函数关系表达式:
其中,自变量di，j为风电场i与风电场j的场间距;τ 为指数函数表达式的衰减常数,b为指数函数表达式的拉伸指数,这2个参数均可通过最小二乘法求得。
同理可推得:
当场间矩为0时,互相关系数为1,即互相关系数变为自相关系数;当场间距趋向于无穷大时,互相关系数趋向于0。 由于 σ3定义时取得绝对值,所以当所有场间距均为0时,rijk不等于1,而等于系数k(0< k <1)。
通过经验建立的相关系数与场间距指数关系模型,若已知风电场间距离,可以估算得到相关系数, 将所有相关系数求和得到中心矩因子。 相比通过风电场出力时间序列数据运用相关性分析工具求解相关系数法,简化了计算量和复杂性,同时满足要求的计算准确度。
2.2各阶标准差与风电场年出力均值关系建模
根据式(6)和(9),接着需要求出各阶标准差 σ2、 σ33和 σ44,表达式(10)定义给出了各阶标准差的计算方法,但考虑到计算复杂性以及计算量较大,因而为了简化各阶标准差计算,而又不影响计算精度,建立各阶标准差的估算模型。 根据典型风电场集群出力时间序列数据分析,作出各阶标准差与风电场年出力均值(标幺值,采用的基准值为风电场额定装机容量)的散点图,利用Sigmaplot 13.0作非线性回归的函数曲线拟合,年平均出力如图2所示。
通过非线性回归拟合,分析发现区域风电场集群出力时间序列的各阶标准差与年平均出力近似成多项式关系,经验给出两者多项式函数关系表达式:
其中,ki(i = 1,2,…,6)为多项式系数,Vm为年平均出力(折算为各自额定容量的标幺值),ki和Vm均通过最小二乘法求得。 经验建立的各阶标准差与年平均出力关系的多项式模型大幅简化了各阶标准差的计算,当已知区域典型风电场集群的年平均出力值时就可以估算出各阶标准差,年平均出力值近似可由区域风电场年平均利用小时数估算得到。
3风电场集群指标建模与算例分析
3.1典型区域风电场集群介绍
研究对象是以福建省20个非理想均匀地理分布的风电场作为区域典型风电场集群进行研究,选取由福建省经济研究院提供的2010 — 2013这4个年度的集群风电场出力时序数据和风电场位置、场面积等相关地理特征信息。 此外,由于福建省地处低纬度,气候受太阳辐射、台湾海峡及两侧山地地形影响和季风环流的制约,同时受海洋的调节,具有典型的亚热带海洋性季风气候特征,所以典型区域内风资源具有相似性,集群内各个风电场出力具有正相关性。 其中区域风电集群中有13个风电场分布在福州、泉州、莆田等沿海地区,其相关性相比7个近内陆风电场较为显著。
3.2区域风电场集群指标建模分析
首先通过福建省风电场集群2013年全年出力时间序列数据计算风电场均值、标准差、偏度和峰度4个指标,然后基于4个统计性指标,利用MATLAB的pearsrnd函数实现皮尔逊族分布函数建模,模拟生成风电出力随机数据,并从风电出力累积概率曲线和持续曲线2个角度对比分析皮尔逊族建模的准确性和实用性,直观展现了单个-集群风电场出力波动特性。
然后根据2010 — 2012年典型福建省风电场集群风电历史出力时间序列数据和地理特征信息的分析计算,应用最小二乘法确定所有待定参数,建立具体估算模型,然后将建立的估算模型用于分析典型福建省风电场集群2013年全年出力时间序列,计算得到区域风电场集群3个指标结果,称为建模结果值(简称建模值);然后通过直接法(定义法)对典型福建省风电场集群出力时间序列进行定义计算,得到区域风电集群3个指标结果,称为测量结果值(简称测量值);最后将2种不同方法得到的2组指标值进行对比分析,比较分析估算结果,验证指标参数估算模型的准确性。
根据区域风电场间距离和年平均出力(给定区域额定安装容量和总发电量),综上给出基于简化估算指标的集群风电场出力建模分析流程图,如图3所示。
3.2.1基于指标的皮尔逊族建模应用分析
为了效验基于均值、标准差、偏度和峰度4个指标构建的皮尔逊族分布模型的准确性和实用性,依托2013年度单个-集群风电场出力时间序列进行4个统计性指标计算,并基于得到的4个指标建模,建立了皮尔逊族I型分布———β 分布,具体皮尔逊微分方程参数如表1所示。
为了进一步探究所建模型在模拟生成满足对应概率随机数据时的准确性,本文从单个风电与集群风电、实测与建模2组角度分别给出了单个-集群风电出力累积概率分布曲线和出力持续曲线,具体分别如图4和图5所示。
观察图4、5可知,无论是单个风电场还是集群风电场,基于指标建立的皮尔逊族分布模型均能较好地模拟实际风电场出力概率分布特性和出力持续曲线,并且一定程度上对比表征了单个风电和集群风电出力波动性的强弱［14］。
1单个风电场实测曲线,2集群风电场实测曲线3单个风电场皮尔逊建模模拟曲线4集群风电场皮尔逊建模模拟曲线
1单个风电场实测曲线,2集群风电场实测曲线3单个风电场皮尔逊建模模拟曲线4集群风电场皮尔逊建模模拟曲线
3.2.2估算指标结果准确性分析
依据典型福建省风电场集群2010 —2012这3年风电出力时间序列数据分析和地理特征信息,应用最小二乘法,计算得到模型的相关待定系数,如表2所示。
通过上述建立的具体波动性模型方程,分析福建省2013全年风电出力时间序列,得到福建集群风电场的3个波动性指标标准差、偏度、峰度的建模值,同时运用直接法求解得到这3个波动性指标测量值,如表3所示。 表中,误差= 测量值-建模值 ÷ 测量值 × 100 %,偏度值是样本偏度值,峰度值是样本峰度值。
将2组指标计算结果进行对比发现,标准差建模值和测量值近似相等,误差仅为测量值的3.78%, 表明指标估算法在估算集群风电场出力标准差时具有较高的准确度。 但是对于偏度和峰度指标,估算准确度相对较低,误差分别为测量值的13.77 % 和15.38 %,此时指标参数估算模型可以为估算未来风电集群出力场景的偏度和峰度指标提供指导性依据。
4结论
本文首先基于概率统计理论,建立单个风电场与集群风电场出力的高阶中心矩关系模型,给出2个描述风电出力“分布形状”的统计学指标———偏度和峰度。 然后依托集群风电出力均值、标准差、偏度和峰度4个指标,构建表征集群风电出力概率分布的皮尔逊族模型,模拟生成集群风电场出力随机数据。 根据2013年度典型区域的单个-集群风电场出力时间序列数据,进行4个统计性指标计算,并基于得到的4个指标建模,建立了皮尔逊族I型分布,接着从单个风电与集群风电、实测与建模2个角度分别给出了单个-集群风电出力累积概率分布曲线和出力持续曲线验证,对比分析表明基于指标的皮尔逊族分布建模具有较高准确性和实用性。
然后考虑历史出力数据获取的困难性,为适应未来场景的集群风电出力评估,依据典型风电场集群历史数据分析,经验建立风电场间相关系数与风电场间距的指数关系模型,并给出区域风电场各阶标准差与年平均出力之间的多项式关系模型,接着通过典型福建省风电场集群实例,对比分析了建模法和直接法得到指标计算结果,发现估算模型对于标准差的计算具有较高准确度。 通过基于均值、标准差、偏度和峰度4个指标的皮尔逊族分布建模有利于模拟生成集群风电场出力数据,构建风电出力持续曲线,以及定量分析集群风电出力的波动性,为电网的风电运行规划、并网评估等提供有力支撑。
摘要：基于概率统计理论,建立单个风电场与集群风电场出力的中心矩关系模型。从风电出力概率分布特性的角度,引入描述风电出力“分布形状”的2个统计学指标——偏度和峰度。基于集群风电出力均值、标准差、偏度和峰度4个统计性指标,构建表征集群风电出力概率分布的皮尔逊族模型,模拟集群风电场出力时序数据,进而得到集群风电场出力曲线。基于对区域典型风电集群历史出力数据的分析,根据经验建立风电场间相关系数与风电场间距离的指数关系模型,并给出区域风电场各阶标准差与平均出力之间的近似多项式关系模型,降低了计算核心指标所需数据维度。对福建省集群风电场进行实例应用分析,结果验证了所提集群风电场模型的准确性和实用性。
风电出力 篇6
近年来,风电的迅猛发展以及中国特有的大规模新能源发电基地集中接入电网的开发模式,给电网的功率平衡和安全、经济运行带来了严峻挑战[1-3]。在中国风电集中发展区域,因电网对间歇性电源的消纳能力不足,同时又必须确保系统安全运行,电网调度部门在一些时段调控、限制风电场发电出力已成为常态[4-6]。据中国可再生能源学会风能专业委员会对内蒙古、黑龙江、吉林、辽宁、山东、甘肃、新疆、河北以及云南等省、市、自治区部分风电企业在2011年全年由于限制风电出力造成的发电量损失情况的初步调查统计,限电弃风损失电量比例已达16. 92% ,损失电量5. 980 TW·h[7]。
目前,生产现场采用的出力损失统计方法主要是标杆机组统计法: 即选取风电场内3 ~ 5台能够代表风电场平均发电水平的机组作为标杆机组,标杆机组在电网调度限出力时不参与限电弃风。在风电场限出力的时间段,以标杆机组实际发电量折算出该时段风电场应该发出的电量,减去该风电场限出力时段的发电量就得出弃风损失电量[7]。一般风电场由于地理覆盖范围较大,地形较为复杂,风电场中各风电机组的地理位置存在着差异,风电场内的风资源分布也存在着很大的差异。因此,这种方法的标杆机组确定困难,计算误差较大。
生产现场采用的另一种出力损失统计方法是标准风速—功率特性曲线法: 即根据限制出力时段的风速,结合厂家给定的风电机组风速—功率特性曲线,得到风电场的应有出力,再减去风电场该时段实际出力,得到该时段限出力损失量[7]。由于运行中的风电机组持续处于动态运行条件下,并不是完全按照厂家给定的风速—功率特性曲线运行,其运行在一个很宽的区域内[8],因此该估算方法难以准确地给出限出力功率损失与电量累计损失。
在生产现场,风电场是通过其监控系统调节机组桨矩角的大小和机组的启停来实现调度控制要求的[9-10]。电网对风电场限电弃风无疑是一种损失和浪费。但是,在风电场被限电弃风运行状态下,该风电场实际上就具备一定的类似于传统发电中热备用的能力,在电网出现功率缺额时,该风电场可参与电网的调频,支撑电网的运行与稳定[11]。所以,研究风电场在限电弃风运行状态下风电场及机组的实时出力损失并及时上传电网调度部门,对于风电场参与电网运行调节具有重要的应用价值。此外,风电机组在运行过程中可能会因多种情况停机,如人为误操作、机械故障和检修等,也会造成风电场的出力损失。研究因限电弃风等各种原因造成的风电场出力与电量损失情况,可以对弃风问题的严重性进行量化分析,为从根本上解决弃风问题决策提供依据, 此外对于评价风电场的投资效益,提高风电场的运行管理水平,甚至于对整个风电行业的发电运行数据分析、产业政策制定等都具有重要的现实意义与价值。
1出力损失计算模型
风电机组和风电场出力损失的计算,由专家系统数据库的建立、专家系统数据库的维护、获取专家系统数据库的输出功率、风电机组与风电场实时功率损失计算和发电量损失计算5个阶段组成[12]。
1. 1专家系统数据库的建立
由于风电机组与测风塔所处位置不同,风速计高度和地形不同等原因,造成风电机组与测风塔数据存在差异,文献[13]通过计算Pearson系数及平均差、绝对值差、均方根差、平均绝对百分比差验证了风电机组与风电场内测风塔风速数据具有极强的相关性,误差较小,因此测风塔可代表风电机组轮毂高度处实际风速条件。
首先,对风电场监控系统中的历史运行数据进行预处理,将坏数据和弃风数据排除,坏数据包括风速为负值或者过大( 大于25 m/s) 的数据,风向角不在0° ~ 360°之间的数据以及机组出力超过其最大可能出力值的数据等。然后对预处理后的有效数据进行数据挖掘,形成每台风电机组出力损失计算的专家系统数据库。该专家系统以每台风电机组的风速和风向作为输入,风速步进单位为0. 1 m/s,风向步进单位为5°。在生产现场,绝大多数风电场监控系统的风速采样精度为0. 1 m/s,风向采样精度为1°。实际表现中风向对风电机组输出功率的影响远小于风速对风电机组输出功率的影响,经过对实际运行数据的分析,风速相等情况下,风向差异超过5°时,风电机组的输出功率才有明显变化。以每台风电机组的输出功率为输出,建立输入、输出之间的映射关系。在建立专家系统数据库过程中,当新的输入数据与专家系统数据库已有输入数据不同时,自动将该组数据添加到系统中来; 当新的输入数据与专家系统数据库中已有输入数据相同时,作如下处理。
设Po为已有输出数值,Pn为最新输出数值,则用于更新专家系统数据库的输出数值Pu为:
式中: n为已有输入数据记录的次数。
风电机组的输出功率会随运行时间的变化而发生细微变化,此外,距离停机或弃风时间越近的气象环境因素所产生的输出功率也越接近该时段的输出功率值,因此,引入权值影响因子的方法更新专家系统的输出将提高出力损失计算的精度。
经调研,一般风电机组正常运行的风速范围为3 ~ 25 m / s,精度为0. 1 m / s,风向范围为0° ~ 360° 的精度为5°,由此,专家系统为每台风电机组建立了一张220 × 72的数据表。至此,专家系统数据建立完成。
1. 2专家系统数据库的维护
使用风电场监控系统的测风塔数据和风电机组实时运行数据对专家系统的输入、输出数据进行维护,可以进一步提高专家系统的计算准确度。但在使用该实时数据前需对其进行预处理,将坏数据和弃风数据剔除。与风电场监控系统的实时连接可采用OPC( OLE for process control) 或Modbus接口实现。专家系统数据的更新方法与建立专家系统数据库时所采用的方法相同。
如此,经过一定时间的积累和智能学习,专家系统能够全面地反映输入、输出数据之间的映射关系, 建立的专家系统也会越来越准确。
1. 3获取专家系统数据库的输出功率
专家系统数据库输出功率的获取方法如下。
用ss表示停机或弃风机组某一时刻测风塔的实测风速,用as表示停机或弃风机组某一时刻测风塔的实测风向,用sc表示专家系统数据库中的已有近似风速,用ac表示专家系统数据库中已有近似风向。理想情况为: ss= sc且| as- ac| < 5,但若风电场运行时间较短,专家系统中某些输入暂没有输出数据。因此,使用专家系统计算时,根据不同数据情况采用下3种方式进行处理。
令C,S为整型变量,其中C的初值为10,S的初值为0. 2。
1)且|as-ac|≥5
步骤1: 在专家系统数据库中找出与测风塔风速ss所对应的所有风向角aci,找出所有的满足条件| as- aci| < C的aci的集合R。
步骤2: 如果集合R为空,则C = C + 5,转到步骤1。
步骤3:从集合R中找出aci,使得最小。
2)且|as-ac|<5
步骤1:在专家数据库中找出使得最小的aci所对应的所有风速sc,找出所有的满足条件|ss-sci|
步骤2: 如果集合R为空,则S = S + 0. 1,转步骤1。
步骤3:从集合R中找出sci,使得最小。
3)c且|as-ac|≥5
步骤1: 在专家系统数据库中找出所有满足条件| ss- sci| < S且| as- aci| < C的风速sci,风向角aci的集合R。
步骤2: 如果集合R为空,则C = C + 5,S = S + 0. 1,转步骤1。
步骤3:从集合R中找出sci和aci使得最小。
此时选用得到的sc和ac组合作为专家系统数据库的输入,若有X组sc和ac组合,则将sc和ac的所有组合作为专家系统数据库的输入。则对应于输入风速ss,输入风向为as的专家系统数据库的输出功率值为:
1. 4风电机组和风电场实时功率损失计算
设停机或弃风机组某一时刻测风塔的实测风速为s,测风塔的实测风向为a。由1. 3节提供的方法得出对应于输入风速s和输入风向a的输出功率为P( s,a) 。
对于停机机组,由式( 3) 得出停机机组该时刻的实时功率损失Pstop。
对于弃风机组,设此时监控系统中所记录的该时刻实际输出功率值为Preal,由式( 4) 得出弃风机组该时刻的实时功率损失Plimit。
Plimit( s,a) = P( s,a) - Preal( 4)
按式( 5) 即可求出整个风电场该时刻的实时功率损失Ploss。
式中: M和L分别为风电场停机和弃风机组的数量; Pstop，i和Plimit，j分别为停机机组和弃风机组的实时功率损失。
1. 5风电机组和风电场发电量损失计算
设风电机组I的停机或弃风时间长为T,在故障时段内,风电场监控系统记录测风塔的N组风速、风向数据和风电机组的输出功率数据,记录这N组数据的时刻为ti( i = 1,2,…,N) ,根据实时功率损失计算方法可以得到N个时刻的实时功率损失Pi( i = 1,2,…,N) ,这N组数据的时间间隔为 Δtj= tj + 1- tj( j = 1,2,…,N - 1) ,则在故障时间段内机组I损失的发电量Wloss由式( 6) 确定:
对于任意一台停机或弃风风电机组,按以上方法即可求得其在停机或弃风时间段内所损失的发电量。
按式( 7) 即可求出整个风电场所损失的发电量Wfarmloss。
式中: Wloss，i为i时刻损失的发电量。
2实例分析
本文利用山东省某风电场2010年6月至2012年2月的运行数据验证本文计算模型的有效性,该风电场监控系统通过OPC接口建立实时数据连接,数据刷新率为30 s。
本文验证风电机组出力损失计算模型有效性所采用的方法如下。
1) 风电机组实时功率损失验证方法
步骤1: 从历史数据中任意选取1台正常运行的风电机组,将其假设为停机机组。
步骤2: 使用计算模型对该假设风电机组在选定某一时刻的发电功率损失进行计算。
步骤3: 将计算结果与实际发电功率进行比对, 得出计算模型的相对误差。
2) 风电机组发电量损失验证方法
步骤1: 从历史数据中任意选取1台某时间段T1~ T2内正常运行的风电机组,将其假设为停机机组。
步骤2: 使用计算模型对该假设风电机组在选定时间段内所损失的发电量进行计算。
步骤3: 将计算结果与实际发电量进行比对,得出计算模型的相对误差。
该验证方法是针对停机机组,对于弃风机组,由于监控系统内记录的实际功率不会引入对该模型的计算误差,而可能引入的误差部分与停机机组相同, 因此,该验证过程也可以反映弃风机组的实时功率损失和发电量损失的计算误差情况。整个风电场的实时功率损失和发电量损失计算是在对单个风电机组的实时功率损失和发电量损失的基础上求和得到的,求和过程不会引入对该模型的计算误差,因此该验证过程可以反映出整个风电场的实时功率损失和发电量损失的计算误差情况。
图1是山东某风电场编号为WT6的风电机组在2012年3月13日当天的实际功率曲线,时间分辨率为10 min。
分别采用本文方法、标杆机组统计法和标准风速—功率特性曲线法这3种方法对该风电机组在2012年3月13日当天进行模拟实时功率损失计算,结果如图2所示。
3种方法的计算误差如表1所示。 表1中: Enmae为平均绝对误差; Enrmae为均方根误差; Emae为最大绝对误差。表1中Enmae,Enrmae,Emae的表达式如式( 8) 至式( 10) 所示。
注: A表示标准风速-功率特性曲线法; B表示标杆机组统计法;C表示本文方法。
式中: i = 1,2,…,N; xi为实际的风电功率; ^xi为模拟损失计算值; Pcap为风电机组的额定容量[14]。
对该风电场中风电机组分别采用本文方法、标杆机组统计法和标准风速—功率特性曲线法这3种方法进行模拟发电量损失计算,计算对比结果如表2所示。
注: A表示标准风速-功率特性曲线法; B表示标杆机组统计法; C表示本文方法。
通过对图2和表1、表2的分析,可以得到如下结论: 1由于运行中的风电机组持续处于动态运行条件下,利用标准风速—功率特性曲线法进行风电机组实时功率和发电量损失计算时,有较大误差,最大误差能够达到20% ; 2利用标杆机组统计法进行风电机组实时功率和发电量损失计算时,由于标杆机组不容易确定,该方法也存在有较大误差,但较标准风速—功率特性曲线法计算精度有了一定的提高( 计算精度能够提高约3% ) ; 3与标杆机组统计法和标准风速—功率特性曲线法相比,本文通过建立实时动态变化的专家数据库来进行风电场风电机组实时功率和发电量损失计算,大大提高了计算的精度( 能够提高3% ~ 6% ) ,具有较高的准确率。
3结论
本文提出了一种风电场及机组出力损失的计算模型与方法,建立了利用专家数据库系统得出停机或弃风机组实时功率损失和发电量损失以及风电场实时功率损失和发电量损失的计算模型,并以实际数据为例进行了验证。验证结果表明,本文所提方法较传统的标杆机组统计法和标准风速—功率特性曲线法,计算精度有了大幅度的提升,具有较高的准确率。本文计算方法可为由于限电弃风及各种原因导致风电场及机组出力损失做出准确计算,对风电场参与电网运行调度,支撑电网的运行与稳定具有重要应用价值; 对弃风问题的严重性进行量化分析, 为从根本上解决弃风问题决策提供依据,对提高风电场的运行管理水平、分析风电行业的运行数据具有重要的现实意义。
摘要：提出了一种风电场及机组出力损失计算模型与方法。利用风电机组的历史运行数据建立风速、风向与功率间的专家数据库,基于该数据库建立风电机组出力损失计算模型,将机组故障或弃风期间的实测风速和风向代入该模型,计算得出风电机组以及该风电场的实时功率损失及在某时间段内损失的发电量。通过利用现场数据模拟计算,验证了该计算模型与方法的有效性,可对各种原因造成的机组出力损失做出准确计算。该方法既可提高风电场的运行管理水平,还可为风电场参与电网调峰调频提供准确的数据支持。
风电出力 篇7
由于煤炭等资源的紧缺和环保意识的不断加强,风电已经在我国大规模发展。目前,国内多个地方的风电装机容量已超过了全额消纳风电能力[1]。其中,影响风电接纳能力的主要因素包括电网因素如系统负荷特性、备用水平、电源组成、调度水平、调峰能力、电网网架结构以及风电自身因素如风电的随机性和间歇性、风电场功率预测、风电场低电压穿越能力等[2，3]。为了提高风电的消纳能力,文献[4]通过机组组合和出力分配的方式提高电网的“负调峰”能力,从而增加风电的消纳量。如果单方面以增加风电的消纳量为目标,势必使得电网其他机组运行在深度调峰或启停调峰状态; 一些煤耗量大排放程度高的机组因为能够提供较低出力运行而被开机,系统的经济性能可能下降。文献[5]指出可以从经济性角度出发分析电网为了提高调峰能力所付出的经济代价和接纳风电所获得的社会效益进行综合评价,提高电网调峰能力,增加电网接纳风电的裕度,但该文尚没有提出一个具体的计算模式和方法。文献[6]提出以水电优先为风电调峰,火电作为补充的调峰方法,该方法对水电资源比较丰富的地区较为适用。文献[7,8]采用负荷用电激励机制来实行负荷曲线的平稳化,为风电消纳提供更大的空间。该方法能有效降低风电消纳成本,但需要电力市场机制比较成熟,用户能根据实时电价的波动而及时调整自己的用电负荷和用电意愿。文献[9,10]则通过调度模式的不一样来评估和改善电网风电消纳能力。如文献[9]建立了以弃风电量、机组成本和机组运行的风险度单目标及多目标联合优化调度模式,该联合模式能优化风电消纳量,但该文尚未考虑风电穿透功率变化对不同调度目标的影响。文献[10]则利用商业化的软件计算分析了不同风电穿透功率情况下,对单目标采用能耗最小的调度模式和考虑弃风量与系统运行成本最小调度模式的经济性指标进行评价。
本文在上述文献的基础上,评估不同调度模式对电网风电接纳能力的影响; 采用分段断点的动态规划法结合多智能体粒子群算法求解这一问题,为评估风电接纳能力以及风电开发提供参考与借鉴。
2 含风电电网的不同调度模式研究
不同的调度模式,其机组启停计划和出力安排不一样,接受风电的能力也不一样。因此,本文研究了三种调度模式下电网接纳风电的能力。
模式一( 综合调度模式) : 综合考虑系统运行成本( 即常规机组运行成本与启停成本之和) 和弃风量二者之和最小的调度模式。该模式兼顾系统煤耗和弃风量。弃风量减少一方面节约了化石燃料的消耗,一方面却需要机组压低出力或频繁启停进行深度调峰,增加启停费用和煤耗。因此,该调度模式在弃风量和系统的经济运行中寻找一个最佳平衡点。
模型中的 λ 系数为把系统最经济运行和弃风量最小两个目标联系起来的系数,单位为元/MWh。其值的大小可以通过单目标运行系统的运行成本和弃风量大小,利用目标值的差别估算出 λ 数量级,使得系统运行成本和弃风量成本两个目标在数量级上接近,防止综合目标由某一个单方面的目标引导。
模式二( 成本最小模式) : 该模式只考虑系统运行成本,为了减少深度调峰或启停调峰,会适当弃风。
模式三( 弃风量最小模式) : 该模式不考虑系统的经济性能,只求系统在某个时间周期内弃风量最小。该模式可以最大程度地消纳风电,使得风力发电企业弃风量最少。
式中,T为调度周期的时段数,一般一天取24个时段;n、m表示参与计算的常规机组数量和负荷数量;Ii,t为常规机组i在t时段的运行状态,0代表停机,1代表运行;PGi,t为常规机组i在t时段的发电有功功率;f(PGi,t)为常规机组i在t时段的运行成本;ai,bi,ci为发电机i的生产成本系数;Si,t为机组i在t时段的启停成本[11];δi,σi,τi为机组i的启停成本系数;Pl,t表示t时段l节点上的负荷大小;Toffi,t为机组i在t时段停运的时间;Δt为时间间隔持续的时长;Pforecastw,t为时段t风电预测功率基准值;β为典型日风电出力预测基准值的倍数;Pfactw,t为时段t电网实际接纳风电的出力。
约束条件:
( 1) 机组约束
1) 机组出力约束
2) 机组起停时间约束
3) 机组爬坡能力约束
( 2) 系统约束
1) 功率平衡约束
2) 系统旋转备用约束
( 3) 风电出力约束( 假设风电场的装机容量足够大)
式中,PiGmax、PiGmin为常规机组i发电功率上限值和下限值; riup、ridown为常规机组i每分钟允许升出力速度和降出力速度,一般表示为额定容量的百分比;Vion,t、Viof,tf分别是机组i在t时段的开机持续时间与停机持续时间; Timin - on、Timin - off分别为机组i最小开机持续时间与停机持续时间; Prup、Prdown、Prw分别代表系统不含风电时向上的旋转备用、向下的旋转备用、因为风电而增加的旋转备用,Prw一般取风电实际出力的10% ~ 20%[12]。
如果电网过度开发风电,对电网的运行和风电企业的利益都会产生不良影响,使投资者无法及时回收成本并获得合理的回报,电网运行需要更多的辅助服务和可靠性成本。风电出力过少使得风电的优越性没有充分发挥,无法最大限度地节约化石能源。因此,本文在式( 1) 、式( 3) 以及约束条件( 11)中设置了一个 β 系数,允许风电在现有预测出力基础上进行变化。当 β 优化到某一个最佳出力比例βopt,则某个目标函数的值不再变化,风电出力水平β 继续增大,则只会增加弃风量而系统运行成本不会有下降的趋势,从能源利用最优化的角度来看,此时接纳的风电出力水平是最佳的。
通过上述分析,将三种调度模式比较见表1。
3 解算方法
上述模式中含有离散变量和连续变量,还含有变化较大的 β 这一随机变量。该问题属于混合整数非线性规划问题。本文把上述目标的求解分两个层次:外层采用基于分段断点的动态规划法获得机组的开停机方案[13]; 内层采用改进的多智能体粒子群算法求取不同调度模式下电网接纳风电出力最佳比例。
3. 1 外层解算方法
本文把负荷曲线和预测风电出力曲线进行综合,得到常规机组实际出力曲线。在曲线上设置两个断点,即负荷极大值点和极小值点作为分段断点;其次,结合机组的比耗量,根据比耗量的大小优先排序投入机组; 再利用动态规划法求解机组组合。该方法既能有效克服动态规划法“维数灾”的问题又不会丢失问题的最优解,计算速度快。
3. 2 内层解算方法
( 1) 粒子群优化算法
粒子群优化算法( PSO) 是一种基于种群搜索策略的自适应随机优化算法,该方法求解效率较高,简单易懂,对所求解问题没有特殊的要求,可实现性强,在电力系统负荷经济分配中广泛应用。在应用中也存在着早熟收敛,易陷入局部最优解、后期进化速度较慢等缺点[14，15]。本文针对粒子群算法的不足,利用多智能体Agent对其进行改进。
( 2) 多智能体系统
多智能体系统( Muti-Intelligent-Agent System,MIAS) 能对环境的变化具有自适应力和相应的自我调整能力; 能与其他智能Agent进行协作、交互,共同朝一个既定的目标发展; 能解决一个复杂问题的求解。Agent可以是一个具体的实体,也可以是一个抽象名词,它具有自主性、独立性,并能根据邻域Agent的状况进行学习、推理和交互。
1) 单Agent的活动准则
每一个Agent为 αi,假设预定目标为Gpre,每个αi的任务就是在现有约束条件下尽可能地靠近Gpre,从而实现复杂问题的求解。但单个 αi都认为自身存在局限性,需要与其他 αj( j ≠ i) 共同协作完成一件事。
2) MIAS之间的协作与学习机制
为了充分发挥单个Agent与邻域之间的协作与学习,为各个Agent配置一定的邻居,假设 αi与其邻里之间通过各自适应值的比较,发现f(αi)≤f ( β)( f( β)为 αi邻里之间适应值最小) ,则 αi为一优质粒子,可以继续在解空间中保持不变; 否则为一劣质粒子,需要向其他粒子学习,式( 12) 则反映了MIAS中各Agent的协作与相互学习的过程。
根据式( 12) 对劣质 αi进行更新,其新的位置必须满足约束条件。
( 3) 具体解算流程
1) 读入机组、负荷参数和风电出力预测曲线参数,利用改进动态规划法求解各个时段机组的组合。
2) 输入多智能体粒子群计算参数。
3) 根据各时段机组组合,形成内层优化的初始种群,假设系统中有n台机组,每个时段初始种群维数为Pnum× n,在计算风电出力最佳接入比例时,还需要考虑随机变量 β,维数变为Pnum× ( n + 1) 。每个Agent即 αi等同于PSO算法中一个粒子。
4) 根据三个目标函数分别进行优化,计算每个粒子的适应值。
5) 对每个粒子,将其适应值与个体极值进行比较,如果较优,则更新当前的个体极值Pbi; 将其适应值与全局极值进行比较,如果较优,则更新当前的全局极值Gb。
6) 利用MIAS对粒子群算法进行改进。
根据上述理论,当每个Agent与邻里进行相互学习后,结合PSO算法,利用式( 12) 与粒子群中最优粒子进行信息交换,粒子位置的更新变为式( 13) ,其中f( ) 是表示某个粒子的适应值。
在种群刚开始迭代时,由于各个粒子适应度值差别较大,可以随机为每个Agent配置邻居,数目可根据实际需要加以设置,本文最大值取15,即刚开始迭代时每个Agent可以随机拥有15 个邻居。随着迭代次数的增加,粒子趋近于稳定,每个Agent配置的邻居数目可以适当减少,因为此时邻里已经趋近于一致或达成共识,协作与相互之间学习的必要性降低,这样既可以减少程序计算的时间又能找到全局最优解。本文根据式( 14) d的大小判断种群收敛的情况,并按式( 15) 适当减少邻里数目。
式中,Pnum为粒子群规模; fi为第i个粒子的适应度; fgbest为粒子群目前的全局最优个体的适应度; ln1表示刚开始迭代每个Agent配置的邻居数目; lnk表示第k次迭代的邻居数目; d1为式( 15) 第一次的计算值,int表示取整。
7) 程序是否收敛,如果不收敛则重复4 ) ~ 6 ) ,直到收敛。
8) 输出最优解,即机组的启停状态、出力水平、弃风量、β 系数和目标函数值。
4 算例分析
4. 1 原始数据
本文采用6 机测试系统进行仿真计算分析,6台机组的参数见表2。每小时负荷的数据和典型日风电出力预测数据见表3。Prup、Prdown均取该时段负荷的5% ; Prw取该时段风电出力的10% ; Δt = 1 h ;其他原始数据见表2 和表3。风电出力变化为典型日风电出力预测值的倍数。
4. 2 仿真计算分析
( 1) 从调度模式的经济性角度评估电网接纳风电出力最佳水平
利用上述模型和优化算法,按照模式一的调度方式,β 趋近于4. 236,按照模式二的调度方式,β 趋近于4. 293,按照模式三的调度方式,β 趋近于4. 215。模式三具有最小的 βopt,因为模式三的调度方式已最大程度地利用风电,再增加风电接入比例只会引起大量的弃风,而前两种调度模式还可以在弃风与深度调峰之间适当权衡。三种调度模式下系统的运行成本与弃风量见图1。
无论是哪一种调度模式,系统的运行成本都随风电出力水平的增加而下降,直至最佳风电出力接纳比例。同一风电出力水平下,按模式二调度,系统的运行成本是最低的,因为该模式实际在系统经济运行和弃风量之间进行权衡,通过目标函数判别弃风与否或弃风的多少对系统经济运行是最有利的;按弃风量最少的调度模式三,系统运行成本最高,此时为消纳更多的风电,有些机组需压低出力运行,使得部分机组运行在不经济的状态; 按模式一的调度方式运行,成本居于二者中间,一方面火电因为要减少弃风量进行深度调峰而处于不经济运行状态,增加煤耗; 另一方面因为减少了弃风量,全系统火电机组可以少出力,又会节省煤耗成本。按调度模式一和调度模式二调度,系统运行成本最大会差0. 86% ,这个值和 λ 的取值有关。如果 λ 偏大很多,则会与调度模式二偏离更多,本文 λ 取80000 元/MWh。
从图2 可以分析出随着风电出力的增加,弃风量调度模式弃风最少,当风电出力比例占系统最大负荷不到22% 时,在该调度模式下的弃风量可以到零。当风电出力比例超过该比利时,三种调度模式均会在一定程度上弃风,其中调度模式二弃风量最大。当达到最佳风电出力接入比例时,增加风电出力,只会引起大面积弃风。
对比图1 和图2,可得出如表4 所示结论。
( 2) 算法优越性比较
图3 是基于调度模式二和单倍风电出力时,内层分别采用粒子群算法( PSO) 和多智能体粒子群算法( MIAS-PSO) 计算的收敛曲线。从图3 和表4 可以看出,采用多智能体粒子群算法获得的解明显优越于标准粒子群算法的解,求解效率更高。
5 结论
通过上文的分析,可以得出如下结论:
( 1) 不同的调度模式,从经济性角度出发,风电出力最佳接入比例是不一样的,超过该风电接入比例,只会引起弃风量的增加,并不会改善系统运行的经济性能;
( 2) 电网接入同样的风电出力,弃风量最小的调度模式弃风量最少,但其接纳风电出力的最佳比例最小; 成本最小的调度模式弃风量最大,但随着风电出力比例的增加,其接纳风电的最佳比例最大;
( 3) PSO算法的引入克服了单个Agent与邻里局部学习和协作的限制性,提升了其寻优的速度,而Agent结合PSO则使得其解具有多样性,防止局部收敛,两种优化方法共同完成对问题的求解,提高了最优解获取的效率与质量。
摘要：随着风电并网容量的增加,电网出现了一定程度的弃风。调度模式直接影响电网接纳风电的能力。本文分别构建了综合考虑系统运行成本和弃风量最小的调度模式、系统运行成本最小的调度模式以及弃风量最小调度模式的模式。提出利用分层优化的思想求解,外层采用基于分段断点的动态规划法安排机组的启停,内层采用多智能体粒子群算法求解系统运行的相关指标。通过算例计算,从调度经济性角度分析不同调度模式下电网最佳风电出力接纳水平。