出力计算（共7篇）
出力计算 篇1
0引言
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。
关键词：风电机组,风力发电,出力损失,模型
出力计算 篇2
目前办公楼和生产工厂中经常出现平均负载供电的变压器过热的现象。平衡电路中的中性线因负载过大而发生过热，在没有明显原因的情况下断路器发生脱扣，究其原因就是谐波。
非线性负载的存在导致了谐波电流的产生，并注入供电系统。谐波电流相互作用，会对电力系统设备尤其是电容器、变压器和电机造成重大影响，如附加损耗、过热和超载等，也会干扰通信线路，使电力测量产生较大的误差。实际上当谐波电流注入变压器后，不仅会产生附加损耗，还会导致可听噪音变大、温度升高，缩短使用寿命[1]。
解决典型谐波问题的方法有很多[2]，如在三相四线制系统中，可通过对每相中的负载进行平衡而将中线电流的基波部分降到最低。三倍次谐波序列中性线电流可通过在负载处添加谐波滤波器而被降低。采用不锈钢板降低大功率高频变压器油箱局部发热损耗，也可以采用一体化非磁性进线套管解决由于涡流损耗等原因导致的油箱局部发热。本文主要针对变压器发热原因，出力下降计算，降额进行讨论。
1 谐波情况下变压器发热原因分析
一般说来，谐波电流超过5%的情况下，就需要考虑变压器的出力下降问题。有三方面的原因引起变压器过热：
1)电流有效值
谐波电流使变压器总电流有效值上升，增加了变压器的铜损。
2)涡流损耗
这是磁通变化感应出的电流产生的。电流在线圈，铁心和其他磁场中的导体中流通，带来附加损耗。这一部分附加损耗和涡流的频率的平方成正比，因此这是谐波情况下变压器过热的主要原因。
3)铁芯损耗
铁芯损耗和变压器的供电电压的谐波含量和铁芯的设计有关系。供电电压谐波增加了芯片中的涡流，这依赖于芯片的厚度和硅钢片的质量，铁芯损耗的发热与前两个相比，可以忽略。
一个常见的现象是，在变压器接地星形侧相电流中含有大约8%(这在配网系统中不算高)的三次谐波电流，变压器却在欠负荷状态过热。为什么这些变压器能够通过发热测试，却不能在实际运行中正常运行呢?不考虑机械制冷问题，这是因为存在受谐波磁通影响的导体，存在以下三种可能的情况：
1)零序磁通“逃”出三柱铁芯(三相三柱式变压器是最常见的变压器结构)。如图1所示，图中为3,9,15等三倍次谐波。如果三倍次谐波电流线圈在三角形侧流通，则三倍次磁通将在变压器机壳，铁芯夹等处产生附加发热。这在平衡三相测试或单相测试时是不会发生的。每相8%的三次电流在变压器三角形侧叠加为24%，这大大增加了机壳，绝缘油和空气中的漏磁通，这可以在烧焦或起泡的机壳漆中找到证据，或者在过热的套管中找到证据。
2)电流中的直流偏移也可以造成磁通“逃”出铁芯限制，铁芯将饱和。对大多数变压器来说，小的直流偏移就可以造成变压器饱和过热。
3)铁芯夹，套管或其它导体太接近磁场。这些尺寸很小的导体在基波情况下不会产生显著的杂散损失，但是在谐波磁通中就会产生一个热点。
2 变压器降低出力计算方法一
谐波情况下，变压器降低出力计算在ANSI/IEEE Standard C57.110-1998,recommended practice for establishing transformer capability when supplying nonsinusoidal load currents[3]中有详细介绍。
变压器负载损耗PLL可以写成两部分，I2 R损耗和涡流损耗PECㄢ
I2 R损耗正比于电流有效值。然而涡流损耗与电流，频率的平方成正比，即
这里KEC是电阻量纲系数。满载状态下损耗标幺值为[4]:
这里PEC-R是额定状态下涡流损耗系数，如表1所示。
K系数是用来标识变压器因为谐波而产生的热效应的一个数值。K系数越高，因谐波造成的发热就越严重[5]。
变压器K系数定义为[6]:
根据K系数，电流有效值可以表示为，
这里PEC-R=涡流损耗系数;h=谐波次数;Ih=谐波电流。
电流有效值(标么值)即为变压器出力下降百分数。
因此变压器的出力下降百分数是由涡流损耗系数PEC-R计算的，这个因数可以通过以下方法确定：
1)变压器制造商提供。
2)标准C57.110。由变压器测试数据计算。
3)根据变压器型式和容量查表1获得。
3 10/0.4 kV变压器出力下降计算实例
用Fluke表对银座商城、电车总站、供电局大楼、中信银行和齐鲁医院几个地点进行了实际测量，得到10/0.4 kV变压器低压侧的谐波数据，结果如下所示。根据上述变压器出力计算方法和所测数据进行计算，得到变压器的K系数和相应的谐波损耗。
3.1 银座商城
银座商城的变压器容量为S=1600 MVA,Ud=6%，三相谐波电流如表2所示。
根据公式和以上数据计算变压器K系数，得
则电流有效值为(PEC-R选0.20)
因此变压器处理下降百分数为69.3%。
进一步计算满载状态下的损耗
3.2 其它地点测量数据及计算结果
根据变压器出力下降计算方法，对所测的银座商城、电车总站、供电局大楼、中信银行的谐波电流数据进行计算，得到这几个地点的K系数和谐波损耗。
结果表明，谐波电流导致变压器严重过热。银座商城的THD(总谐波畸变率)、K系数和损耗最高，谐波损耗高达原损耗的2倍多;电车总站、供电局大楼、中信银行和齐鲁医院的谐波损耗也超出了原来的损耗;总谐波畸变率越高，变压器K系数和谐波导致的附加损耗越高。谐波会使变压器出力下降、噪声变大、温度升高并缩短变压器使用寿命[7]，因此必须采取措施，将变压器降额，即对它的负载量加以限制。
4 变压器降低出力计算方法二
方法一需要变压器厂商提供大量损耗数据，以及负载电流的完整谐波情况。美国计算机和商用设备制造协会(CBEMA)提出了第二种方法，它可以使用常用测试设备完成几个直接测量，然后计算变压器出力百分数[8]。
谐波降额系数为
通过此式可得到0和1.0之间的一个值，通常在0.5和0.9之间。如果相电流为纯正弦波(未失真)，则瞬时峰值为1.414与真有效值的乘积，降额系数为1.0。如果实际情况如此，则无需进行降额。
但是，当存在谐波时，变压器的额定值是铭牌(kVA)额定值与HDF的乘积。
降额(k VA)=HDF×铭牌(k VA)
例如：208/120 V变压器，额定值为225 kVA。使用Fluke 87和一个80i-600交流探头来测量负载电流，得出以下结果：
结果表明，存在谐波时，应该将变压器降额到其铭牌额定值的72.3%以防止过热。此时变压器的额定值为163 kVAㄢ
5 变压器降低出力计算方法比较
方法一计算相对精确，但是需要变压器厂商提供大量损耗数据，以及负载电流的完整谐波情况。说明了变压器谐波损耗的原因，即变压器负载损耗有两部分，铜耗和涡流损耗，铁芯损耗可以忽略。而涡流损耗系数又考虑了变压器的型式和容量取不同的数值。在变压器设计和选择时，比较适合应用。
方法二是一种计算更为粗略的方法，它需要对变压器进行实地测量，测量数据相对简单，然后粗略估计变压器出力下降百分数。它比较适用于估计已经投运的变压器出力下降的情况。
6 结论
在谐波扰动的情况下变压器会发生过热现象，噪声变大，不仅降低变压器出力，而且会缩短变压器寿命，因此非常有必要降低变压器出力，限制负荷电流。利用五个地点的10、0.4 kV变压器的实测数据进行计算，结果表明，变压器出力下降为98%～69.3%不等。损耗增加1.15～2.55倍不等。第一种方法用于指导设计，第二种方法用于已经运行的变压器。
摘要：介绍了两种非线性负载情况下变压器可用容量降低的计算方法。分析了变压器过热的几个原因,指出涡流损耗是谐波情况下变压器过热的主要原因。第一种方法是利用变压器的K系数计算。在四个配电站10/0.4kV变压器低压侧做了调查,计算了以上四站的变压器出力下降百分数,表明三倍次谐波电流是中性线过热和变压器出力下降的主要原因。第二种方法利用常用测试设备完成几个直接测量,然后计算变压器出力百分数,并对两种方法进行了比较。
关键词：过热,K系数,出力下降,涡流,谐波
参考文献
[1]IEEE Std519-1992:IEEE Recommended Practices Requirements for Harmonic Control in Electrical Power Systems[S].
[2]Wskileh G J.电力系统谐波基本原理、分析方法和滤波器设计[M].徐政,译.北京:机械工业出版社,2003.89-92.
[3]ANSI/IEEE std C57.110-1986:American National Standard Recommended Practice for EstablishingTransformer Capability when Supplying Non-sinusoidal Load Currents[S].
[4]Pierce L W.Transformer Design and Application Considerations for Nonsinusoidal Load Currents[J].IEEE Trans on Industry Application,1996,32(3).
[5]Kenuedy S P,Ivey C L.Application,Design and Rating of Transformers Containing Harmonic Currents[A].in:Conference Record of1990Annual Pulp and Paper Industry Technical Conference IEEE[C].1990.
[6]陈杰甫,杨泓,马旻雯,等.医院供配电系统谐波状况普查与K系数研究[J].电气工程应用,2007,(4):25-29.
[7]Suechoey B,Tadsuan S,Khluabwannarat P,et al.An Analysis of Total Loss and Temperature of Oil-immersed Transformer with Short Circuit Test Linear Load and Non-linear Load[A].in:The7th International Power Engineering Conference,IPEC2005[C].2005.643–647.
南北光伏电站出力特性分析 篇3
现在光资源的利用渐渐进入大家的视角, 特别是将光能转化为电能若能并入电网补充甚至代替传统电网发电是现在竞相研究的一个命题。通过查阅文献主要总结为三个方面:①降低电能质量:除了晴天、阴天、多云这三大类天气下, 光伏的出力特性从电能输出的幅值和波动情况显著不同外, 平时云层的运动就直接可能使光伏电源的输出功率在短时间内波动就可超过装机容量的50%[1], 这会引起电压波动、电压闪变, 接入电网必将产生谐波, 大大降低电能质量。②线路潮流变的无法预测:潮流的改变可能造成潮流越限、节点电压越限、变压器容量越限等, 也不利于制定发电厂发电计划[2,3]。③对电网的运行、调度增加了困难, 提高了电网经济性运行的成本[4]。为研究解决光伏并网带来的问题, 首先应从各方面认识光伏的出力特性, 对从光伏电站采集的大量历史运行数据进行统计分析, 这样有利于深入了解光伏出力的波动特点, 对进一步的研究光伏系统本身的设计、光伏模块运行中的维护、光伏系统输出功率精确预测模型确立等一系列的研究意义都重大[5,6]。
2出力分布特性分析
基于示范电站提供数据样本开展统计分析, 首先我们对全年的数据出力从整体上进行分析, 不同的出力水平以装机容量的百分比定义, 如表1所示, 图1是英利和欣旺达全年光伏电站出力统计图, 可直观看出, 英利的中出力是46.95%要高于欣旺达的42.96%, 欣旺达的高出力水平全年的为0.93%高于英利的0.06%。
光伏出力说天气影响非常大, 对于天气我们可以分成晴天、多云、阴天、晴转多云、多云转晴五类, 图2我们分别描述保定英利和深圳欣旺达在晴天、多云、阴天三种不同气象条件下的光伏电站的出力曲线:
图2为保定英利和深圳欣旺达在晴天、多云、阴天三种不同气象条件下光伏电站的出力曲线, 可以看出天气对光伏出力有显著的影响, 两光伏电站规律相似:晴天时光伏出力水平较高同时出力平滑度也很高, 波动较小;阴天时光伏电站出力水平最低, 波动程度稍好于多云天气;多云天气下光伏电站最高出力与晴天时一致, 但整体出力水平较低, 但波动在三种天气条件下是最大的。
3变化率分布特性分析
光伏功率的波动是光伏系统并网导致的一系列问题的元凶, 无论是在系统的可靠性方面还是安全性方面均有不同程度的影响, 一般需要额外的功率调节手段进行平抑, 比如常见的储能元件。对光伏功率变化率的变化率分布特性进行定量分析, 可以用来确定功率调节所需的功率容量和能量容量。
光伏出力的变化量可以表示为光伏输出有功功率的1阶差分量, 一阶差分量:相邻采样点输出功率差值, 当在这里我们需要比较英利和欣旺达两种光伏电站波动的变化率, 即采用光伏输出有功功率一阶差分量与装机容量的比值作为光伏电站出力变化率。下一步我们需要概率密度函数来拟合定量的反映出力波动的随机性, 通过查阅文献, 文献[7]分别用正态分布、t location-scale分布和logistic分布三种分布作为概率密度分别在1min、10min、60min这三种时间尺度的波动量进行九次拟合, 拟合结果是在2~60min时间尺度内, t location-scale分布的拟合效果最好;在时间尺度大于60min时, logistic分布的拟合效果比其他两种分布要好一些;随着时间尺度的增大, 光伏出力波动的概率分布将趋近于正态分布。从拟合效果和数据样本出发, 我们选择5min时间尺度采用t location-scale分布进行拟合, t location-scale分布的概率密度表达式:
式中:u为位置参数;σ为尺度参数;v为形状参数。
图3、4分别是保定英利和深圳欣旺达5min变化率分布特性, 通过概率密度的拟合可以非常直观的得出光伏电站出力变化率的范围。通过参数可算出, 在取置信区间为99%时, 保定英利5min最大波动率约为其装机容量的12%, 深圳欣旺达5min最大波动率约为装机容量的20%。
摘要：要解决可再生能源并入电网带来的不稳定问题, 首先要了解可再生能源在不同环境、不同气象条件下的出力特性。文章中选择保定英利示范电站和深圳欣旺达示范电站这两个一南一北的光伏电站, 对采集到的大量历史运行数据进行统计分析, 研究光伏电源出力波动在时间尺度、幅值上的分布规律。
关键词：光伏,南北示范电站,出力特性
参考文献
[1]吴桂芳, 胡仁祥, 常喜强.吐鲁番光伏电站的出力特性分析[J].农村电气化, 2014, 1:8-9.
[2]刘建涛, 张建成, 马杰等.储能技术在光伏并网发电系统中的应用分析[J].电网与清洁能源, 2011, 27 (7) :62-66.
[3]张雪莉, 刘其辉, 马会萌等.光伏电站输出功率影响因素分析[J].电网与清洁能源, 2012, 28 (5) :75-81.
[4]何红星, 常喜强, 高冬梅等.阿勒泰青河光伏电站的出力特性分析[J].新疆电力技术, 2014, 01:6-9.
[5]朱红路, 刘珠慧.环境因素影响下的光伏系统出力特性分析[J].华北电力技术, 2014, 08:50-55.
[6]张曦, 康重庆, 张宁.太阳能光伏发电的中长期随机特性分析[J].电力系统自动化, 2014, 38 (6) :6-13.
云南风电出力概率分析 篇4
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.
凝结水泵出力不足问题分析及处理 篇5
凝结水泵是电厂凝结水系统中的重要设备,用于将凝汽器热井中的凝结水抽出,经凝升泵升压后输送到除氧器,再由给水泵输送到锅炉,过热产生蒸汽通过汽轮机做功后再回到凝汽器,完成一个热力循环。
2凝结水泵出力不足的主要原因
凝结水泵出力不足的最常见原因为泵 汽蚀。当凝结 水泵内流到某处的液体压强下降到等于或低于当时液温下相应的汽化压强时,就会出现汽泡。汽泡中主要是蒸汽,但由于水 中溶解有一定量的气体,所以除蒸汽以外,汽泡中还夹带有少 量气体。这种汽泡随着 水流流到 高压区时,蒸汽就重 新凝结成水,汽泡逐渐变形破裂。汽泡在壁面附近破裂时会产生很大的冲击力,可以达到几百甚至几千大气压,使流道材料受到破坏。汽泡形成、增长直到 崩溃破裂 以致造成 材料侵蚀 的过程称 为汽蚀。
凝结水泵安装示意图如图1所示。
凝结水泵进口处压力Pv和凝汽器内压力Pe的关系为:
式中,Pe为凝汽器工作压力(Pa);ρ为流体重度;Pv为泵吸入口水的汽化压力(Pa);Δhe为有效汽蚀余量(m);v为泵吸入口管道的平均流度(m/s);Hg为泵安装的几何高度。
凝汽器内压力近似等于汽 化压力,即Pe=Pv,则式(1)可变为:
3引起凝结水泵汽蚀的原因分析及处理
凝结水泵性 能曲线如 图2所示,下文据此 分析泵汽 蚀原因。
3.1凝结水泵入口管道节流
凝结水泵入口滤网、管道堵塞,阻力大会 造成泵入 口流量降低,凝结水泵筒体液位下降,泵入口压力降低,使泵的有效汽蚀余量NPSHa下降,从而引起泵汽蚀。
凝结水泵入口滤网堵塞多发生在新建机组调试 或机组启动初期汽水品质较差阶段。凝结水泵入口滤网堵塞造成 汽蚀时泵流量、出口压力和电机电流降低并会出现以上参数摆动现象,就地听凝结水泵应有较大噪音。此时,通过开大 凝结水主调门或提高凝结水泵转速增加泵出力会使汽蚀现象更加严重,泵的运行工况进一步恶化。通过调整凝结水主调门、凝结水再循环或降低凝结水泵转速减少泵出力,可缓解汽蚀现象,当汽蚀现象缓解后凝结水泵流量、出口压力和电机电流会趋于稳定并回升。
3.2凝结水系统漏真空
凝结水泵吸入口为负压运行,运行中可能会有气体进入吸入口,同时凝结水内也可能会有气体溢出,因此凝结水泵 设有抽真空管道,将聚集在凝结水泵筒体内的空气抽出,但漏气量达到一定程度后,筒体内空气不能被完全抽出,反而越积越多,就会造成筒体内水位下降,泵入口压力降低,使泵的有效 汽蚀余量NPSHa下降,从而引起泵汽蚀。
凝结水泵漏空气引起泵汽蚀会发生在增大泵 的出力或 新的负压系统投运过程中,当泵减小至原出力或恢复之前投运的系统后,凝结水泵汽 蚀现象随 之消失,并能长时 间稳定运 行。因为泵要求的汽蚀余量NPSHr随着泵流量的变大而增加,当系统中存在漏 点时,凝结水泵 流量低则 泵要求的 汽蚀余量NPSHr也低,漏点的泄漏量就不足以产生汽蚀,只有泵流量达到一定程度才会产生汽蚀,并以此流量为临界点,低于此流 量凝结水泵可以稳定运行,高于此流量泵发生汽蚀;有新的负 压系统投运时凝结水泵汽蚀,说明新投运系统存在漏点,隔离新投运系统可使凝结水泵恢复正常。凝结水泵漏空气 同样会使凝结水溶氧增加,因此凝结水溶氧增加可作为确定凝结水漏空气的一个必要条件。
3.3凝汽器水位低
凝汽器水位低直接造成有效汽蚀余 量降低,引起泵汽 蚀。运行中应注意准确测量凝汽器液位,使其保持正常,避免由于凝汽器水位低引起泵汽蚀。
3.4凝结水泵内漏,内部回流
凝结水泵内漏指由于凝结水泵叶轮 套筒、接管、级间 密封等发生泄漏,部分水从叶轮出口通过漏点直接返回凝结水泵筒体。凝结水泵内漏发生时泵体本身会发出明显异音,同时出口压力、流量降低,泵电流明显增加。
岱海电厂2台600 MW机组各设置2台凝结水泵系统,一运一备。凝泵为1OIJDTV6P1型,由沈阳水泵厂生产。事故发生时凝结水泵电流 由195 A突然增大 到235 A,出口压力 由3.45 MPa突降至2.47 MPa,出口压力 突降,电机电流 大幅度上升,远远超过了满负荷时的电流(210A)。对凝结水泵解体检查后发现为叶轮套筒损坏,发生内漏。
3.5出口管道堵塞或阻力大
出口管道、阀门堵塞或阻力大会使凝结水泵不能达到额定工况点,泵始终维持高压力、低流量的运行工况。出现 此种问题时,应重点检查泵出口门、逆止门及凝结水主调门,必要时重新校核凝结水出口管道系统。
3.6备用泵出口逆止门关不严
备用凝结水泵出口逆止门不严会使部分凝结水 通过备用泵逆止门、备用凝结水泵回流至泵入口,造成凝结水母管流 量减小。备用凝结水泵出口逆止门不严通常会造成泵倒转,怀疑逆止门不严时,可通过隔离关闭备用泵出口电动门排查。
3.7凝结水泵低于最小流量或超流量运行
凝结水泵低于最小流量运行会使运行时产生的热量累积,泵入口液体汽化,产生汽蚀现象。凝结水泵超流量运行会使入口流道及泵内通流部分节流增加,有效汽蚀余量NPSHa减小;而流量增加,泵的必要汽蚀余量NPSHr也随之增加,当流量超过一定程度时必然造成凝结水泵汽蚀。
石家庄良村2×300 MW热电工程2号机组2台凝结水泵为上海水泵制造 有限公司 生产的立 式筒型凝 结水泵,型号:NLO350-400×7,流量:823 m3/h,扬程:317 m,汽蚀余量:3.2m(吸入口法兰中心线NPSHr)。试运过程 中发现机 组负荷在260 MW前,凝结水泵参数匹配正常,当凝结水给水流量增加到730t/h后泵工况出现拐点,主调门在稳定开度基础上增加1%后压力急剧下降,流量不再增长,电流也随之下降,随着主调门再开大少许,工况更加恶化,流量不变,压力持续下降到1.5 MPa左右,电流下降近10A。就地泵入口管道开 始振动,且有明显的抽空、汽化现象和声音。经多方检查,结果为凝结水泵无法达到额定流量。流量730t/h为泵正常运行的最高流量,后对凝结水泵进行了增容改造(1~6级叶轮修出口边,首级修出、入口边),改造后2B凝结水泵冷态未抽真空情况下最大出力980t/h,对应电流132.6A,出口母管压力3.3MPa(表1)。
4结语
出力计算 篇6
就海上风电而言,其具有如下特点:资源丰富、发电利用小时数较高、无需消耗水资源、不占用土地资源、可大规模开发利用等等。近年来,欧美等一些发达国家或地区将大量的风电开发项目向海上转移,海上风电 的发展前 景一片光 明。截至目前,我国风电的发电量已经超出核电,成为第三大电源,在未来一段时期内,风电可能会成为能源结构调整的重要保障。虽然目前陆上风电的开发已步入成熟期,但海上风电的开发空间仍然十分广阔。鉴于此,本文将就海上风电的出力特性及其消纳问题展开探讨。
1海上风电的特点及其出力特性
1.1海上风电的特点
相较于陆上风电场而言,海上风电具有如下优势:
(1)资源优良。受海洋气候的影响,海上的风力资源具有风切变低、风速高等特点,同时,海上风的湍流强度 低,年利用小时数高,这就在一定程度上提高了电能的生产效率,并且相对比较平稳的风速对风电机组的影响较小,从而进一步延长了机组的使用寿命。
(2)对环境的影响极小。由于海上风电在建设过程中不需要占用土地资源,加之不存在噪声、电磁波干扰等问题,因此其对城市环境的影响非常小,极具开发潜力。
1.2海上风电的出力特性
大体上可将海上风电的出力特性归纳为以下2个方面:
(1)波动性。海上风电出力具有波动性,其机理如下:风能本身具有随机性的特点,具体体现为风速受海洋气候等多种自然因素的不可抗力影响,同时,风能还具有分散性的特点,其功率密度相对较低,且多分布于广阔的空间范围内。正是风能所具有的这些特点,使得海上风电的出力波动变化幅度较大,并且波动频率也没有 规律性。相关 研究结果 表明,在极端前 提下,海上风电的出力将会在0~100%这一区间范围内变化。这种波动性会导致海上风电连续数日大出力和连续数日小出力的情况出现。
(2)随机性。海上风电出力具有较强的随机性特点,且间歇性十分明显。仅就同一个海上风电场而言,其相邻数日内的日平均发电量有可能均相同,但是在每日的各个时段当中,风电的出力却会存在显著的差异。
2海上风电消纳面临的主要问题
通过对一些发达国家或地区的风电消纳途径进 行分析可知,对风电出力的波动性进行控制及增加电力储能设备,是风电大规模消纳最为有效的途径。然而,由于我国对风电消纳的研究起步较晚,目前海上风电消纳方面仍存在很多不足 之处,从而造成了海上风电并网难度大、传输受阻等问题,同时当前能够高效存储电能的设备也尚显不足,这就严重制约了海上风电的有效消纳。大体上可将海上风电消纳面临的问题归 纳为以下几个方面:
2.1相关政策不完善
现阶段,虽然国家针对风电的电力配 额建立了 相关制度,但从总体情况上看,制度并不健全,其中仍有许多方面亟 待完善,例如风电跨省、跨区消纳机制还不完善等等。
2.2消纳市场较为局限
就我国风电的整体分布情况来看,主要集中在东北、华北、西北以及沿海地区,风电的高比例并网使其出力大幅度 增加,这在一定程度上增大了电网的调频、调峰压力。同 时,有些风电场所在的区域内电力需求较小,尤其是海上风电场,其与负荷中心(东北、华北、西北以及沿海地区)的距离较远,消纳市场非常有限。
2.3预测技术的先进性不够
相关研究结果表明,海上的风力变化 具有一定 的规律性,当获悉某个时期的风力强度时,便可通过概率计算的方法对风电出力进行预测,这样就能够有效降低风力发电的不确 定性,从而使电网所面临的不确定性因素大幅度减少。但是,由于我国对于风电预测技术方面的研究力度不足,从而导致了预测技术的先进性不够,因此就无法对风力强度进行合理预测。
2.4对于风电出力波动性的控制能力较弱
由上文分析可知,海上风电出力具有 波动性变 化的特征,该特性使风电并网对电网功率的平衡影响较大,所以对海上风电并网的要求也相对较高。对于风电波动性的控制,除了利用其他类型的电源与风电进行联合调度之外,也可对多余的电能进行存储。然而,由于我国 的灵活电 源所占比 例较低,约为5.6%,加之缺少电能存储设备,致使当前无法有效对风电波动进行控制。
3解决海上风电消纳问题的几点建议
针对目前我国海上风电消纳所面临的问题,笔者在归纳和总结现状的基础上提出了以下几点建议:
(1)逐步完善与风电消纳相关的政策。国家有关部门应当加快施行风电配额机制,并对各个地区主要风电场的年均发电量进行统计和预测,以此为据对风电基地的消纳市场进行统筹规划,定比、定量地对风电进行消纳。
(2)大力发展分散式风电,增强海上风电场所在区域的整体负荷水平。由于我国目前风力发电以集中规模化为主,而分散式的风电相对较少,从而进一步增强了风电并入电网的困难程度。故此建议国家考虑发展分散式的风电,借此来形成集中与分散相平衡的风电格局。此外,可在海上风电区域范围内建设一些工业园区,扩大风电的消纳市场,借此来提高风电在 当地的消纳水平。
(3)加大对风电预测技术的研发力度。针对目前国内风电预测技术不够先进的现状,应当积极投入大量的人财物力,加强对风电预测技术的研究,开发相应的风电预测模型及系 统,从而提高预测精度,控制风电波动。
3结语
总而言之,海上风电具有陆上风电无法 比拟的优 势,它的开发利用潜力极大。在对海上风电项目进行开发利用的 过程中,除了要了解风电的出力特性之外,还应当充分考虑到风 电的消纳问题,只有这样,才能确保海上风电项目经济效益最 大的目标得以实现。在未来一段时期内,应重点加强对海上风电相关技术方面的研究,这对于促进我国风电事业的发展意义重大。
摘要：首先阐述了海上风电的特点及其出力特性,在此基础上对海上风电的消纳问题及解决途径进行了论述,以期对我国风电事业的发展起到一定的推动作用。
出力计算 篇7
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。