[发明专利]基于风速时间周期特征的风电并网系统风险评估方法

说明书

本发明公开了基于风速时间周期特征的风电并网系统风险评估方法，将传统的全年风速概率分布处理成风速随时间变化的时变分布函数，用时间周期拟合函数来反映风速的主要变化规律，用服从某种概率分布的随机变量来反映风速的波动特征，时间周期拟合函数与风速随机变量叠加得到风速的时间周期特征模型；通过时变风速与风电机组出力之间的函数关系计算风电场的时变出力，据此采用蒙特卡洛抽样方法，评估风电并网系统的时变风险指标；能计算出随时间变化的系统风险指标，可为电网规划设计，系统调度及运维决策等提供辅助信息，有助于管控电网运行风险、提高电力系统运行可靠性水平。

技术领域

本发明涉及发输电系统风险评估技术领域，具体地，涉及基于风速时间周期特征的风电并网系统风险评估方法。

背景技术

自2005年我国颁布《可再生能源开发利用促进法》以来，风能等可再生能源在国家政策支持下开始高速发展。近年来，已经有越来越多的大型风电场接入了电网，但由于风力发电本身存在随机性和间歇性的特点，导致其对电力系统运行可靠性产生了较大的影响。

风电发展至今，许多学者已经对大规模风电接入下电力系统风险评估进行了研究。建立风电场的可靠性模型首先需要确定风速。风速预测的方法很多，常见的有神经网络法、时间序列法以及利用概率分布来模拟风速等。其中神经网络法是通过历史数据来反复训练模型参数，实现神经网络模型的优化；时间序列法是通过前一时刻的风速对后一时刻的风速造成影响来反映风速的自相关性。这两类方法适用于短期风速预测。在长期风速预测方面，目前使用最为广泛的是利用概率分布来模拟风速。常见的风速概率分布模型包括Chi-2分布，瑞利分布，威布尔分布以及对数正态分布等。虽然每种分布有所区别，但总体来说，这类方法是将风速看作一个随机变量，利用概率分布来反映其随机性。其中威布尔分布应用最为广泛。这种方法简单方便，能较好地体现风速的长期统计规律及随机性特征，但没有考虑到风速这一气象要素具有明显的时间周期特征及季节特征。因此，用这种风速模型进行系统风险评估时，计算得到的系统全年的风险指标是一个定值。而实际上风速有明显的季节特征，在风速高的月份风电场出力大，系统可靠性应该较高；在风速低的月份风电场出力减少，需要其他发电机组加大出力补足缺口，导致系统可靠性降低。综上所述，含风电接入的电力系统风险应该是随时间变化的。因此传统的利用威布尔分布产生风速样本的系统风险评估方法不能完全反应实际情况，可能会使系统运行人员对系统风险产生误判，如在风速高的月份低估了系统可靠性，若此时安排检修则会导致大量弃风；在风速低的月份高估了系统可靠性，没有预留足够的备用发电容量，导致供电不足从而造成停电。

由此可见，为了更准确地反映风电接入下系统随时间变化的风险水平，有必要研究基于风速时间周期特征的风电并网系统风险评估方法。

发明内容

本发明的目的在于，针对上述问题，提出基于风速时间周期特征的风电并网系统风险评估方法，以实现准确地反映风电接入下系统随时间变化的风险水平。

为实现上述目的，本发明采用的技术方案是：基于风速时间周期特征的风电并网系统风险评估方法，主要包括：

步骤1：根据风电场多年日风速数据，建立风电场出力的时间周期特征模型；

步骤2：根据步骤1中的模型，使用蒙特卡洛抽样法评估风电并网系统的风险；

步骤3：判断是否继续抽样，如果是，则执行步骤2，如果不需要继续抽样，则输出系统风险指标；

步骤4：结束。

进一步地，步骤1中，所述建立风电场出力的时间周期特征模型，具体包括如下步骤：

步骤100：建立风速时间周期拟合函数模型；

步骤110：建立风速波动分量的概率分布模型；

步骤120：根据上两步骤的模型建立风速的时间周期特征模型；