基于时序和随机风速模型的含风电场发电系统充裕性评估
基于时间序列的WD LS SVM的风速周期预测模型研究
短期 风 速 预 测 , 中期 风 速 预 测 以及 长 期 风 速 预 测 。 短 期 风 速 预 测 主 要 用 于 电 网 的 控 制 ;中 期 风 速 预
从 这 个 时 间序 列 模 型 可 以 看 出 ,未 来 某 一 个 时刻 风 速 仅 仅 依 赖 于 历 史 风 速 数 据 。 事 实 上 ,预
文献 [ 3 ] 所 描 述 的 :风 功 率 是 和 风 速 有 关 的 函
般 情 况 下 ,风 速 预 测 根 据 实 际 的 应 用 可 以 分 为 :
数 ,功 率 预 测 一 般 是 通 过 风 速 预 测 推 断 而 来 的 。 模 型 为
一
) , ( )= ) , ( t — ) , y ( t 一2 T ) , ) , ( t 一 3 ) , …)
y e a h . n e t 。
4 2
电
力
科
学
与
川 [ 程
2 0 】 4 :
终将 待 分 解 信 号 c 。 分解为 d . , d , …, d , 和c
3 最d x - 乘 支 持 向量 机 ( L S—S V M)
支 持 向量 机 是 由 V a p n i k领 导 的 A T & T B e l l实 验室研究小组在 1 9 9 5年 提 出 的 一 种 新 的 非 常 有 潜
石 亚 欣
( 华北 电力大学 控制与计算机工程学 院,北京 1 0 2 2 0 6 )
ቤተ መጻሕፍቲ ባይዱ
摘 要 :风速的随机性 、波动性很 大,所 以风速 的大小和很 多因素有 关 ,风速预 测的准确 率不 高。针 对这 种现象 ,提 出了一种基 于时间序列和 小波分 解的最小二乘 支持 向量机 的短 时间的风速预 测方 法。通 过 小 波分解对数据进行平稳性 处理 ,将分解后 的分量 分别作 为模 型的输入 ,进 行预 测。最小二 乘支持 向量机 的预测值和 实际风速值基本上保持一致 ,误 差保持在 一定的较 小 范围 内。通过 与 简单的 支持 向量机 的仿
考虑风电预测区间的电力系统灵活性评估方法
电气传动2023年第53卷第7期ELECTRIC DRIVE 2023Vol.53No.7摘要:高比例风电接入加剧了电力系统运行的不确定性,充足的灵活性对系统安全可靠运行至关重要。
提出了一种考虑风电预测区间的电力系统灵活性评估方法。
首先,考虑风电的随机波动特性和预测区间,构建随机极限场景集,表征风电出力和爬坡的不确定性并降低问题的复杂度。
然后,考虑机组和系统运行特性,提出机组和系统运行灵活性综合评价指标。
最后,考虑系统运行成本约束、预测场景和随机场景的运行约束,建立考虑风电预测区间的电力系统灵活性优化评估模型,量化机组和系统的灵活性供给能力并保证运行鲁棒性。
在改进的IEEE 39节点系统进行仿真分析,验证了所提方法的可行性和有效性。
关键词:风电;不确定性;预测区间;极限场景;电力系统;灵活性;灵活性资源;评价指标中图分类号:TM28文献标识码:ADOI :10.19457/j.1001-2095.dqcd24250Power System Flexibility Evaluation Method Considering Wind Power Prediction IntervalTANG Junyi 1,2,DING Biwei 3,YANG Qi 1(1.Electric Power Research Institute of State Grid Xinjiang Electric Power Co.,Ltd.,Urumqi 830001,Xinjiang ,China ;2.Xinjiang Key Laboratory of Whole Process Simulation for Power System ,Urumqi 830001,Xinjiang ,China ;3.Urumqi Power Supply Company of State GridXinjiang Electric Power Co.,Ltd.,Urumqi 830011,Xinjiang ,China )Abstract:The integration of high proportion of wind power intensifies the uncertainty of power system operation.The sufficient flexibility is vital for the safe and reliable operation of the power system.An evaluation method of power system flexibility considering wind power prediction interval was proposed.First ,considering the stochastic fluctuation and prediction interval of wind power ,a stochastic extreme scenario set was constructed ,which can characterize the uncertainty of wind power generation and slope climbing ,and reduce the complexity of the problem.Then ,considering the operating characteristics of units and power system ,the comprehensive evaluation indices of operational flexibility of units and system were proposed.Finally ,in view of the system cost constraints and the operating constraints under the forecast and stochastic scenarios ,the flexibility optimization evaluation model considering the wind power forecast interval was established to quantify the flexibility supply capacity of units and system ,so as to effectively ensure operational robustness.Simulations on the improved IEEE 39bus system were carried out to verify the feasibility and effectiveness of the proposed method.Key words:wind power ;uncertainty ;prediction interval ;extreme scenario ;power system ;flexibility ;flexible resources ;evaluation index作者简介:唐君毅(1993—),男,硕士,工程师,Email :*****************考虑风电预测区间的电力系统灵活性评估方法唐君毅1,2,丁碧薇3,杨琪1(1.国网新疆电力有限公司电力科学研究院,新疆乌鲁木齐830001;2.新疆电力系统全过程仿真重点实验室,新疆乌鲁木齐830001;3.国网新疆电力有限公司乌鲁木齐供电公司,新疆乌鲁木齐830011)随着环境污染和化石资源短缺等问题日益严峻,构建以新能源为主体的新型电力系统支撑能源转型,实现“碳达峰、碳中和”的双碳目标已成为共识[1]。
基于时间序列法的风电场风速预测研究
SH A0 an , F ’ SUN Yu h , I — e’ LANG a — h n L nz e
( . olg f lcr a E gn eig Xnin i ri , u i 3 0 8C i ; 1 C l eo e tc l n ie r , ij gUnv s y Urmq 8 0 0 hn e E i n a e t a 2 Colg f tmain B i gU inU i ri , e ig1 0 0 ia . l eo Auo t , e i no nv s y B i 0 1 1Chn ) e o j n e t j n
模型 检验 来确 定一 个 能够描 述 所研 究时 间序 列 的数 学模 型 ,再 由该 模 型推 导 出预 测模 型 。
根据 B xJn n 方法 , o —e k s i 可将 随机 时 间序列 的预
于 电 网调度 和 资源 配置 非 常有 必要 。而风 速 预 测主
要 集 中在 0 3 时 时 间段 。这 个 时 间范 围是 电 网调 —小
度 ,资源配 置所 需 时 间 。 ]
测模型分类为 :白回归模型 ( R 、滑动平均模型 A )
( MA) 自回 归 一滑动 平均 模 型 ( R 、 A MA) 。AR模 型 ,当前 时刻 的观 测值 由过去 几个 历 史时 刻 的观 测
值 和 一 个 当前 时 刻 的 随机 干 扰 来 表示 ;MA 模 型 , 当前时 亥 的观 测值 由称作 随 机干 扰 的 白噪 声序 列 的 U 线 性组 合 来表 示;将 AR模 型与 MA 模 型 结合起 来 , 即 A M A模型 [。 R
风速 数据 就可 对 未来 风 速进 行预 测 。它的 主要 手段
含风能的电力系统发电充裕度评估
含风能的电力系统发电充裕度评估摘要:风是一种易变能源,其表现形式与常规能源有明显区别。
本文使用非序贯蒙特卡洛模拟法,给出了一种含风能电力系统发电充裕度评估的方法。
采用IEEE-RTS测试系统对含风能的电力系统发电充裕度水平进行分析计算,结果表明,风能接入对系统具有明显的可靠性效益,使用所提出方法可以量化这些效益。
关键词:风速模型;风电场;风力发电;可靠性评估0引言近年来,受石油价格上涨和全球气候变化的影响,风能的开发利用日益受到国际社会的重视。
但风能是一种非常易变的能源,其表现形式与传统能源有明显的不同。
风速的波动性和间歇性导致风力发电机功率输出具有随机性,这对传统的电力系统的可靠性带来一定影响。
因此,有必要研究含风电场的电力系统可靠性评估模型,量化评价风电场可靠性效益。
国内外对含风能的电力系统可靠性问题进行了广泛的研究[1-10]。
文献错误!未找到引用源。
提出了一种基于时序Monte Carlo的含风电场发电系统可靠性评估模型。
文献错误!未找到引用源。
利用该方法对风电场接入后系统可靠性指标的分布规律进行了研究。
文献错误!未找到引用源。
采用时序Monte Carlo法研究含一个风场和多个风场的电力系统发电充裕度水平,考虑并阐述了影响可靠性贡献的关键参数。
文献错误!未找到引用源。
建立了一种基于Monte Carlo仿真的含风电场发输电系统可靠性分析模型,该模型考虑了风速的随机性、风电机组强迫停运率及其与气候的相关性,而且计及了输电网络故障率和输电线路有功功率限制。
文献错误!未找到引用源。
建立了计及输电线路故障和输电线路有功限制、风向、尾流效应以及地形因素影响的含风电场发输电系统充裕度评估模型。
本文对含风能的电力系统可靠性问题进行研究,给出了一种含风能电力系统发电充裕度评估的方法,分析了风电场接入后电力系统可靠性变化情况。
1风电场可靠性模型风电场模型是风电场功率期望输出概率模型。
影响风电场功率输出的因素主要有风速、机组停运情况以及风电转化特性,风电场模型包括各类影响因素的模型。
基于时序-支持向量机的风电场发电功率预测
} 定 为 确
确 定 d、 、 q、 p 的 数 值 以 及 ( 和 0( 等 多 D P、 P、 B) 曰) 项 式 的 参 数 通 过 差 分 运 算 可 判 断 时 间 序 列 是 否 达 到 平 稳 . 进 行 确 定 d 和 D . 将 该 模 型 简 化 为 相 应 的
、 M
V = 1 日) (一 ( ) 3
t 2 a n / 0r ) ( i
10 .
采 川
或
模 型 来 描 述 d阶 差 分 平
05 .
稳 序 列 . 表示 为 : 可
( )V = ( ) () 4
00 .
2
4
6
8
1 0 k
1 2
1 4
列 法 初 步 建 立 模 型 前 2 0点 风 电 功 率 序 列 及 其 前 0 2 个 自 相 关 函 数 值 尺, 如 图 1所 示 ( 0 ( ) =1 2 … , .,
2 。 相 关 函数 衰 减 缓 慢 , 明原 始 序 列 非 平 稳 . 0) 自 表 需 要 对 其 进 行 差 分 平 稳 处 理 对 原 始 序 列 进 行 2 阶 差
( [ 归 一滑 动 平 均 模 型 ) 行 建 模 和 预 自 旦 j 进
测 以 下 说 明 分 离 具 体 过 程
( ) 入 差 分 计 算 消 除 趋 势 项 用 差 分 算 子 V= — 1引 1B
分 运 算 。 序 列 及 其 前 2 个 自 相 关 函 数 值 R () Vz ¨ 0 f
a tc r lt nv le uo o r ai au s e o
2 OO
~
其 中 P、 g为 模 型 阶 数 , ( 和 O B) B B) ( 为
基于序贯蒙特卡洛法的风/柴/储能发电系统充裕度评估
( .n e n o aH h o B i nen t nl i ot i i dLa it C m ay Hoh t 10 0 C ia 1 In r Mo gl o h t a aItra o a A r r Lm t ibly o p n , h o 0 0 7 , hn ; i t i p e i
p o e t o a n i n n . h sa t l s sh so c lw n p e a a t sa l h a wid s e d t e e d l p e itwid s e d r t c c l vr me t T i r ce u e i r a i d s e d d t o e t b i n p e me s r smo e, r d c n p e l e T e a s s me t e u t a r vd a i o y t m ei b e o e ai n a d e e g t r g e ie . y t a e u c . h se s n s l c n p o i eb ssf rs se r l l p r t n n r y so a e d vc s e r a o
Z U NT L NT N 专 题 论 坛 H A l U A
基奇序贯 蒙特卡洛法的风/ 储能发电 柴/
系统 充裕 度评 估
鲍莎 日娜 ,栗文义 高 飞 ,
(.内蒙 古呼和 浩特 白塔 国际机 场 有 限责任公 司 , 1 内蒙古 呼和 浩特 0 07 ; . 100 2 内蒙古 工业 大学 电力学 院 ,
2 C l g fE e t c lE g n e i g I n rMo g l i e st f e h oo y Ho h t0 8 , h n ; . ol e o l cr a n i e rn , n e n o i Un v ri o c n l g , h o 0 0 C i a e i a y T 1 0
基于时间序列与支持向量机的风电场风速预测研究
相 关 性 已经 为 建 模 提 供 了足够 的 信 息 _ 这 种 方 法 9 l , 只需单 一风 速时 间序 列 即可预测 , 现 比较简单 。 实
A MA 型可 以理解 为 :序 列 当前 值是 现 在 和 R 模 过 去 的误 差 以及 先前 的序列 值 的线性 组 合 ,其 数 学
间序列 法 建模所 需 信息 少 . 运算 方 便 , 用 广泛 , 应 是 费 用最 少 的风速 预测模 型 。该方 法仪 需要 最 近 几个 小 时 的风速 数据 , 就可 对 末来风 速进 行预 测 。 随机 时 间序列 模 型分 为 自回归 R模 型 、滑动 平均 ( ) ) MA模 型 、 自回归一 滑动平 均 ( R )模 型 等 。本文 选取 A MA
特
稿 专 逮
E GAO ZHUAN D
(): () B Bq
() 4
是 回归允 许 的最 大误 差 ,控制 支持 向量 的个数 和 泛化能力 , 其值越 大 , 持 向量越 少 。 支 利用 对偶原 理 , 同时引入拉 格 朗 日乘子 和核 函数 , 将式() 为 : 9转化
变 量 是风 速 一身 的历 史值I,} 于 风 速 和风 力发 电 “, l_ } j 功 率 的预测 B x e kn法 利 用大 量 的历 史数 据来 o . n is J
目前, 速预 测 的方法 有 卡尔 曼滤 波 法( am n 风 K l a f es 时 问序 列 法 (meei to ) 、 T 神 经 i r 1、 h )I t sr sme d[ 人 i e h
性 看 风 电在可再生 能源 中具有很 好 的发展 前景 , 在
= 1
一
1… 一 , = 0a_ … 一 q, 一 , 一 lf一 l Oa
含风电场的发电系统旋转备用优化调度模型研究
l e v e l c o u l d b e t h e a d j u s t i n g e l e me n t o f t h e r e l i a b i l i t y a n d e c o n o my o f s y s t e m, a n d t h e e c o n o my f u n c t i o n o f o p t i ma l s c h e d u l i n g mo d e l
RE N Yu — c h e n g , LU Bi n , ZHANG Xi n — s h e n g
( S c h o o l o f El e c t r i c a l E n g i n e e r i n g , S o u t h e a s t U n i v e r s i t y , Na n j i n g 2 1 0 0 9 6 , Ch i n a )
i s be t t e r t h a n t r a di t i on a l e q u a l r e s e r ve s c he d ul i ng mo d e 1 .
含风 电场 的发 电系统 旋转备用优化 调度模 型研 究
电工电气 ( 2 0 1 3 No . 7 )
l设计与研究
含风 电场 的发 电系统旋 转备用优 化调度模型研 究
任 禹丞 ,陆彬 ,张馨升
( 东南大学 电气工程 学院,江苏 南京 2 1 0 0 9 6 )
摘 要: 为研 究风 电的随机性和 间歇性对 电力系统 调度 计划 中旋 转备用 的影响 ,建立风 电预测偏
Ab s t r a c t :I n o r d e r t o c o n s i d e r t h e i mp a c t o n s p i nn i n g r e s e r ve a n d g e n e r a t i o n s c he d ul i n g c a u s e d by t h e r a n d o mne s s a n d i n t e r mi t t e n c e o f wi n d p o we r ,t hi s p a p e r e s t a b l i s h e d t h e p r o b a bi l i t y d e n s i t y f u n c t i on of t he wi n d p o we r f o r e c a s t e r r o r , whi c h c o mb i ne d mo r ma l di s - t r i b u t i o n wi t h La p l a c e d i s t r i b u t i o n t o s i mu l a t e t h e p r o b a b i l i t y d i s t r i b u t i o n o f wi nd p o we r f o r e c a s t e r r o r . I n de a l i ng wi t h t he u n c e r t a i n t y o f wi nd p o we r a n d l o a d f o r e c a s t , c o n id f e nc e l e v e l wa s u s e d t o in f d t h e a d d e d s pi n ni n g r e s e r ve c a p a c i t y . Ba s e d o n t h e t o t a l s p i n n i n g r e - s e r ve c a p a c i t y o f s y s t e m, t he o p t i ma l s c h e d u l i ng mo d e l o f s p i n n i n g r e s e r ve wa s b u i l t .Th e a n a l y s i s of e x a mpl e s s ho ws t h a t c o n id f e nc e
风电发电量预测与量化评估研究
风电发电量预测与量化评估研究随着全球能源需求不断增长,寻找更加清洁而高效途径的能源发电方式已经成为了能源管理的焦点话题。
其中,风力发电由于其无需燃料、产生零排放、可再生等显著优势而备受关注。
但是,风力发电的不确定性却是限制其发展的主要因素之一,即风能的风速和风向不断变化,导致风力发电的不稳定性。
针对这种不确定性,风电发电量预测成为了风电行业的一个重要研究领域。
通过运用现代技术与数学模型,对风电场内的风速、温度、湿度、风向等因素进行分析,并在此基础上进行风电发电量的预测,可以大幅度减少风电的运营成本,增强风电的可靠性和稳定性。
风电发电量预测主要分为三种方法,即物理模型法、统计学方法和人工智能方法。
物理模型法是根据空气动力学原理获得的对风场的描述,相对较为精确,但需要大量的气象数据和风能场测量数据。
统计学方法则是通过对历史观测数据的分析,建立一个预测模型,但仅限于不复杂的系统中,因此应用范围有限。
人工智能方法则是利用神经网络、遗传算法等人工智能技术处理海量数据,建立预测模型并对其进行评估,但要求对模型参数和数据量有较高的掌握能力。
除了风电发电量预测之外,对于风电项目的量化评估也是行业内的重要研究领域之一。
在这个领域中,主要应用经验公式、计算机模拟等方法从技术、经济、社会等角度对风电项目进行量化评估。
其中,技术评估评价风电站的风资源、场址、土地和电网接入等项目的可行性;经济评估主要关注风电项目的成本收益平衡点和经济可行性;社会评估则通过对周边居民意见收集、环境影响评价等方面的研究,综合考虑风电项目的社会可行性。
在执行风电发电量预测和量化评估过程中,合理的数据采集和处理是一个非常重要的环节。
尤其是在风能场数据分析方面,数据采集质量、数据处理方式和数据分析模型的选择都会影响到最终的预测效果和评估结果。
为此,行业内许多企业都通过各种方式收购大量的风能场数据,并进行严格的识别、测试和验证,以便更好地支持风电发电量预测和量化评估研究。
风电场中的功率预测模型研究与优化策略
风电场中的功率预测模型研究与优化策略近年来,随着对可再生能源的需求越来越大,风电发电作为一种清洁、可再生的能源形式,受到了广泛关注。
然而,风力发电系统的波动性使得其产生的电力不够稳定,这给电网的稳定性和可靠性带来了一定的挑战。
针对这一问题,研究风电场中的功率预测模型和优化策略变得至关重要。
首先,风电场中的功率预测模型是通过分析和利用大量的气象数据、历史功率数据以及风机状态参数来进行建模的。
根据历史气象和功率数据,我们可以利用回归分析、时间序列分析等方法,构建出适用于风电场的功率预测模型。
例如,可以使用多元线性回归模型来建模,其中自变量包括风速、风向、温度等因素,因变量为风电场的输出功率。
此外,还可以借助机器学习算法如支持向量机(SVM)、人工神经网络(ANN)等,来构建更为准确的预测模型。
其次,针对风电场中功率预测模型的优化策略,可以从多个方面入手。
首先,可以优化模型的输入数据质量。
对于风速和风向等气象数据,建议在风电场附近设置多个气象观测点,以获取更为准确的数据。
同时,还需要收集和监测风机状态参数,如转速、功率输出等,以提高模型的准确性。
其次,可以通过优化模型的算法和参数来提高预测精度。
例如,可以使用遗传算法或粒子群算法等优化方法,选择最佳的模型参数。
此外,还可以引入集成学习方法,如随机森林、Adaboost等,将多个预测模型组合起来,提高整体的预测精度。
除了以上的优化策略,还可以考虑一些实时调度策略,以应对风电场发电功率的波动。
例如,可以结合天气预报和功率预测模型的结果,制定灵活的风电场出力计划。
在预测负荷较高的时段,可以根据预测结果提前启动备用发电机组,以应对功率波动的风险;而在预测负荷较低的时段,可以适当调整风电机组的出力,充分利用风电资源。
此外,还可以考虑建立风电场与电网的协调调度机制,通过灵活调度不同类型的发电机组,保持电网的稳定。
另外,优化风电场中的功率预测模型还可以通过数据挖掘的方法来实现。
基于时间序列分析的风电功率预测模型研究
基于时间序列分析的风电功率预测模型研究随着全球能源需求的不断增加,可再生能源逐渐成为了人类能源产业领域的热门话题之一。
风能作为可再生能源的代表之一,在发展方面也得到了越来越多的支持和关注。
风能发电具有天然的优势,如无污染、可再生、高效等,因此越来越多的国家和地区开始投资和建设风电场。
而对于风电场来说,提高风电的预测精度是提升风电场效益不可或缺的一部分。
1. 风电功率预测的意义在风电场的运营管理中,风电功率预测是极为重要的一环。
风电场的发电效益和安全经营都离不开准确的功率预测。
功率预测可以减少电力系统对传统火电的依赖,提高电力系统的环保性和安全性。
因此,建立具有预测功率的能力的模型是非常必要的。
2. 时间序列分析的基本原理时间序列分析是一种用于分析时间序列数据的方法。
时间序列数据是指在一段连续的时间内收集到的一系列连续时间上的观测值。
时间序列分析可以提取不同频率和不同方面的信息,并可以在不同的场景中应用,如预测、模型选择和诊断等。
时间序列分析的基本原理是根据数据的特征(如变化趋势、季节性、循环性和随机性)建立模型,进而对未来的数据进行预测。
时间序列分析的核心是选择适当的模型和参数,并使用最优化算法估计这些模型参数。
3. 风电功率预测模型的建立目前,常用的风电功率预测方法包括基于人工神经网络、支持向量机、回归树等。
其中,基于时间序列分析的方法一直是风电功率预测领域的重要研究方向,具有一定的优势。
建立基于时间序列分析的预测模型的主要步骤包括:(1)数据获取:收集风速和风电功率的历史数据,评估数据质量,对低质量数据进行清洗和处理。
(2)数据探索和分析:对历史数据进行可视化和描述性统计分析,了解数据的分布、特性和相关性。
(3)模型选择:根据数据特点和需求选择合适的模型,如ARIMA、SARIMA、VAR、VARMA等。
(4)模型训练和优化:使用历史数据进行模型训练和参数估计,选择适当的评估指标,如均方误差、平均绝对百分比误差、相关系数等,对模型进行评估和优化。
一种仿真时间步长可变的含风能发电系统充裕度评估方法[发明专利]
专利名称:一种仿真时间步长可变的含风能发电系统充裕度评估方法
专利类型:发明专利
发明人:缪书唯,周海涛,蒋晨,杨永康,熊昊然,李书璇
申请号:CN202111172764.5
申请日:20211008
公开号:CN114021894A
公开日:
20220208
专利内容由知识产权出版社提供
摘要:一种仿真时间可变的含风能发电系统充裕度评估方法,首先,采集某风电场若干年的实测风速样本,分别抽样产生所有发电机组处于运行状态或停运状态的时间步长数;然后,利用基于互转换OU过程的风速仿真模型,将实测风速样本转换为与实测风速样本特性类似的时间步长可变的仿真风速样本;最后,利用该仿真风速样本评估含风能发电系统充裕度。
本发明通过产生任意时间步长与实测风速样本特性类似的仿真风速样本,可评估任意仿真时间步长下的含风能发电系统充裕度指标。
申请人:三峡大学
地址:443002 湖北省宜昌市西陵区大学路8号
国籍:CN
代理机构:宜昌市三峡专利事务所
代理人:吴思高
更多信息请下载全文后查看。
基于风速时间周期特征的风电并网系统风险评估方法
基于风速时间周期特征的风电并网系统风险评估方法付兵彬;万小花;熊小伏;李浩然;王建;薛国斌【摘要】目前的风电并网系统风险评估方法多采用风速的概率分布模型,评估的是系统全年的风险指标,不能反映风速和系统风险的时变特征.提出了风速的时间周期特征,并将其描述为风速长期、平缓的月变化趋势和短期、快速的日波动特征两部分的叠加.用时间周期拟合函数表示风速的月变化趋势,用服从特定概率分布的随机变量表示风速的日波动特征,通过对多年风速样本进行曲线拟合来建立风速的时间周期特征模型.根据该模型模拟得到的时变风速建立风电场出力模型,采用蒙特卡洛模拟方法计算风电并网系统中长期风险指标,反映了系统风险的时变特征.以IEEE-RTS79系统及某风电场实际风速为例,验证了所提方法的有效性.评估结果可为电力系统规划、中长期调度和月发电计划制定等提供重要参考.【期刊名称】《电力系统保护与控制》【年(卷),期】2018(046)019【总页数】8页(P43-50)【关键词】风电并网;风险评估;时变风险;风速模型;函数拟合;概率分布【作者】付兵彬;万小花;熊小伏;李浩然;王建;薛国斌【作者单位】国网甘肃电力公司经济技术研究院,甘肃兰州 730050;国网甘肃电力公司经济技术研究院,甘肃兰州 730050;输配电装备及系统安全与新技术国家重点实验室(重庆大学),重庆 400044;输配电装备及系统安全与新技术国家重点实验室(重庆大学),重庆 400044;输配电装备及系统安全与新技术国家重点实验室(重庆大学),重庆 400044;国网甘肃电力公司经济技术研究院,甘肃兰州 730050【正文语种】中文我国自2005年颁布《可再生能源法》以来,新能源发电在全球能源紧缺的大背景及国家政策的扶持下迅速发展,其中风力发电凭借其经济、环保、建设周期短、技术较为成熟等特点在新能源发电中占据了重要地位。
全球风能理事会发布的《2015年全球风电装机统计》指出:2015年中国风电产业新增装机量创下3080万kW的纪录,贡献了近一半的全球新增装机量,中国累计装机容量达到14 510万kW,位居世界第一。
充裕性资源协同参与系统调节的风电消纳能力分析模型_凡鹏飞
DOI:10.13335/j.1000-3673.pst.2012.05.032
1 充裕性资源协同提高风电消纳能力机理 分析
根据长期测风数据统计分析,小时级及以内风 电出力波动约为风电装机容量的10%到35%,4— 12 h 出力波动多超过50%[15]。从时间尺度来看, 风电出力具有季节特性,局部地区风电日出力呈现 一定反调峰性,体现为风电在白天负荷高峰时段出 力较小,而后半夜负荷低谷时段出力较大。风电出 力呈现出随机性和波动性的特点。为提高风电消纳 能力,客观上要求调动电力系统发电、输配电、用 电等环节的充裕性资源参与系统平衡调节。发电充 裕性资源主要表现为发电工作容量和备用容量,输 配电充裕性资源表现为输配电容量,用电侧充裕性 资源主要表现为可中断负荷、蓄热电锅炉、热泵、
第 36 卷 第 5 期
其次,建设强大互联电网,增强输电容量的充 裕度,是提高风电接纳能力的客观需要。依托跨大 区电网,充分发挥区域互联电网的错峰调峰、水火 互补、互为备用效益,共享大电网范围内灵活调节 资源,共同平抑不同地域风电出力差异,实现风电 大规模输送和优化配置。德国、西班牙电网通过 220 kV 及以上跨国联络线与周边国家实现了较强互 联,风电消纳得到了欧洲大电网的有力支撑。丹麦 电网与挪威、瑞典和德国通过 14 条联络线实现互联, 挪威等国丰富的水电资源发挥了“蓄电池”作用, 为丹麦风电起到了良好的调节作用。我国风能资源 与负荷中心呈逆向分布,客观上决定了必须建立大 容量、远距离的能源输送通道,大幅提高输电容量 充裕度,在全国范围内实现大规模风电并网和消纳。
基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型
基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型作者:潘迪夫,刘辉,李燕飞, PAN Di-fu, LIU Hui, LI Yan-fei作者单位:潘迪夫,刘辉,PAN Di-fu,LIU Hui(中南⼤学,交通运输⼯程学院,湖南省,长沙市,410075),李燕飞,LI Yan-fei(轨道交通安全教育部重点实验室(中南⼤学),湖南省,长沙市,410075)刊名:电⽹技术英⽂刊名:POWER SYSTEM TECHNOLOGY年,卷(期):2008,32(7)被引⽤次数:67次参考⽂献(15条)1.Li Shu-hui;Wunsch D C;Giesselmann M G Using neural networks to estimate wind turbine power generation[外⽂期刊] 2001(03)2.Billinton R;Chen H;Ghajar R Time-series models for reliability evaluation of power systems including wind energy[外⽂期刊] 1996(09)3.丁明;张⽴军;吴义纯基于时间序列分析的风电场风速预测模型[期刊论⽂]-电⼒⾃动化设备 2005(08)4.杨秀嫒;肖洋;陈树勇风电场风速和发电功率预测研究[期刊论⽂]-中国电机⼯程学报 2005(11)5.马静波;杨洪耕⾃适应卡尔曼滤波在电⼒系统短期负荷预测中的应⽤[期刊论⽂]-电⽹技术 2005(01)6.李明⼲;孙健利;刘沛基于卡尔曼滤波的电⼒系统短期负荷预测[期刊论⽂]-继电器 2004(04)7.⾦群;李欣然遗传算法参数设置及其在负荷建模中的应⽤[期刊论⽂]-电⼒⾃动化设备 2006(05)8.邰能灵;候志俭;李涛基于⼩波分析的电⼒系统短期负荷预测⽅法[期刊论⽂]-中国电机⼯程学报 2003(01)9.谢宏;陈志业;⽜东晓基于⼩波分解与⽓象因素影响的电⼒系统⽇负荷预测模型研究[期刊论⽂]-中国电机⼯程学报 2001(05)10.张伏⽣;汪鸿;韩悌基于偏最⼩⼆乘回归分析的短期负荷预测[期刊论⽂]-电⽹技术 2003(03)11.游仕洪;程浩忠;谢宏应⽤模糊线性回归模型预测中长期电⼒负荷[期刊论⽂]-电⼒⾃动化设备 2006(03)12.李天云;刘⾃发电⼒系统负荷的混沌特性及预测[期刊论⽂]-中国电机⼯程学报 2000(11)13.蒋传⽂;袁智强;候志俭⾼嵌⼊维混沌负荷序列预测⽅法研究[期刊论⽂]-电⽹技术 2004(03)14.王志贤最优状态估计和系统辨识 200415.Lonnie C.Ludeman;邱天爽;李婷;毕英伟随机过程--滤波、估计和检测 2005本⽂读者也读过(2条)1.潘迪夫.刘辉.李燕飞.PAN Di-fu.LIU Hui.LI Yan-fei风电场风速短期多步预测改进算法[期刊论⽂]-中国电机⼯程学报2008,28(26)2.丁明.张⽴军.吴义纯.DING Ming.ZHANG Li-jun.WU Yi-chun基于时间序列分析的风电场风速预测模型[期刊论⽂]-电⼒⾃动化设备2005,25(8)引证⽂献(67条)1.宋亮.杨志霞.刘芳应⽤双⽀持向量回归机的风速预测模型[期刊论⽂]-重庆理⼯⼤学学报(⾃然科学版)2013(8)2.⾼阳.陈华宇.欧阳群风电场发电量预测技术研究综述[期刊论⽂]-电⽹与清洁能源 2010(4)3.王林川.陈宪⽻基于经验模式分解的风电输出功率预测[期刊论⽂]-⿊龙江电⼒ 2013(2)5.丁涛.肖宏飞基于最优邻域的动态加权混沌风速预测模型[期刊论⽂]-太阳能学报 2011(4)6.陈道君.龚庆武.⾦朝意.张静.王定美基于⾃适应扰动量⼦粒⼦群算法参数优化的⽀持向量回归机短期风电功率预测[期刊论⽂]-电⽹技术 2013(4)7.⽢敏.丁明.董学平基于改进Mycielski⽅法的风速预测[期刊论⽂]-系统⼯程理论与实践 2013(4)8.李元诚.杨瑞仙⽤于短期风速预测的优化核⼼向量回归模型[期刊论⽂]-中国电⼒ 2012(3)9.刘永前.朴⾦姬.韩爽风电场输出功率预测中两种神经⽹络算法的研究[期刊论⽂]-现代电⼒ 2011(2)10.洪丽华.阎军显⼀种风速预测⽅法的探讨[期刊论⽂]-中国新技术新产品 2010(10)11.⾼阳.朴在林.张旭鹏.冬雷.郝颖基于噪声场合下ARMA模型的风⼒发电量预测[期刊论⽂]-电⼒系统保护与控制2010(20)12.王晓兰.李辉基于EMD与LS-SVM的风电场短期风速预测[期刊论⽂]-计算机⼯程与设计 2010(10)13.⾕国利.王维庆.张新燕.董红风电场风速预测⽅法的研究[期刊论⽂]-农业⼯程技术·新能源产业 2009(6)14.张韬.张兴裕.刘元元.李晓松基于ARIMA模型的Kalman滤波算法在淋病发病率预测的应⽤初探[期刊论⽂]-现代预防医学2013(16)15.刘辉.⽥红旗.李燕飞基于⼩波分析法与滚动式时间序列法的风电场风速短期预测优化算法[期刊论⽂]-中南⼤学学报(⾃然科学版) 2010(1)16.孙斌.姚海涛.李⽥.刘袖.刘博基于Fast ICA和改进LSSVM的短期风速预测[期刊论⽂]-电⼒系统及其⾃动化学报 2014(1)17.王松岩.李碧君.于继来.徐泰⼭风速与风电功率预测误差概率分布的时变特性分析[期刊论⽂]-电⽹技术2013(4)18.刘亚南.卫志农.朱艳.孙国强.孙永辉.杨友情.钱瑛.周军基于D-S证据理论的短期风速预测模型[期刊论⽂]-电⼒⾃动化设备2013(8)19.周腊吾.陈静.戴浪基于最⼩⼆乘⽀持向量机的风速组合预测模型[期刊论⽂]-科技导报 2011(7)20.戴浪.黄守道.黄科元.叶盛风电场风速的神经⽹络组合预测模型[期刊论⽂]-电⼒系统及其⾃动化学报 2011(4)21.王莉.王德明.张⼴明.周献中基于粗糙集和RBF神经⽹络的风电场短期风速预测模型[期刊论⽂]-南京⼯业⼤学学报(⾃然科学版) 2011(6)22.邹⽂.丁巧林.杨宏.张伟基于Mycielski算法的风电场风速预测[期刊论⽂]-电⼒科学与⼯程 2011(3)23.连⽂莉.黄成⾠.吕昌霖采⽤时间序列预测风电场出⼒[期刊论⽂]-电⽹与清洁能源 2011(12)24.彭怀午.刘⽅锐.杨晓峰基于⼈⼯神经⽹络的风电场短期功率预测[期刊论⽂]-太阳能学报 2011(8)25.罗海洋.刘天琪.李兴源风电场短期风速的改进Volterra⾃适应预测法[期刊论⽂]-四川电⼒技术 2009(3)26.王韶.杨江平.李逢兵.刘庭磊基于经验模式分解和神经⽹络的短期风速组合预测[期刊论⽂]-电⼒系统保护与控制 2012(10)27.杨锡运.孙宝君.张新房.李利霞基于相似数据的⽀持向量机短期风速预测仿真研究[期刊论⽂]-中国电机⼯程学报 2012(4)28.冬雷.王丽婕.郝颖.胡国飞.廖晓钟基于⾃回归滑动平均模型的风⼒发电容量预测[期刊论⽂]-太阳能学报2011(5)29.彭怀午.刘⽅锐.杨晓峰基于组合预测⽅法的风电场短期风速预测[期刊论⽂]-太阳能学报 2011(4)30.孟天星.张厚升基于差分⾃回归滑动平均模型的风电场短期风速预测[期刊论⽂]-科学技术与⼯程 2013(33)2012(3)32.李东福.董雷.礼晓飞.廖毅基于多尺度⼩波分解和时间序列法的风电场风速预测[期刊论⽂]-华北电⼒⼤学学报 2012(2)33.赵辉.李斌.李彪.岳有军基于⼩波变换的ARMA-LSSVM短期风速预测[期刊论⽂]-中国电⼒ 2012(4)34.冬雷.王丽婕.郝颖.胡国飞.廖晓钟基于⾃回归滑动平均模型的风⼒发电容量预测[期刊论⽂]-太阳能学报2011(5)35.彭怀午.刘⽅锐.杨晓峰基于组合预测⽅法的风电场短期风速预测[期刊论⽂]-太阳能学报 2011(4)36.龙军.莫群芳.曾建基于随机规划的含风电场的电⼒系统节能优化调度策略[期刊论⽂]-电⽹技术 2011(9)37.张涛.张新燕.王维庆基于神经⽹络的风功率预测问题研究[期刊论⽂]-四川电⼒技术 2013(1)38.李赢.潘艳红.杜兴科风电在时空尺度上的描述[期刊论⽂]-电⽹与清洁能源 2013(3)39.张江昆.常太华.孟洪民.刘⽩杨.胡阳.张超基于ARIMA与Elman神经⽹络的短期风速组合预测⽅法[期刊论⽂]-电⼦世界2013(18)40.赵⾼强.傅(王乐)基于量⼦粒⼦群-径向基神经⽹络模型的风速预测[期刊论⽂]-内蒙古⼤学学报(⾃然科学版) 2011(1)41.黄⽂杰.傅砾.肖盛.郭世繁基于模糊层次分析法的风速短期预测组合模型[期刊论⽂]-现代电⼒ 2010(3)42.刘洪伯.王幸福基于EEMD与ARMA的短期风功率预测研究[期刊论⽂]-⿊龙江科技信息 2013(36)43.周专.姚秀萍.王维庆.任华.申盛召基于ICA-NN的短期风功率预测研究[期刊论⽂]-四川电⼒技术 2013(5)44.王德明.王莉.张⼴明基于遗传BP神经⽹络的短期风速预测模型[期刊论⽂]-浙江⼤学学报(⼯学版) 2012(5)45.吴俊利.张步涵.王魁基于Adaboost的BP神经⽹络改进算法在短期风速预测中的应⽤[期刊论⽂]-电⽹技术2012(9)46.陈盼.陈皓勇.叶荣基于多尺度形态学分析的风速预测[期刊论⽂]-电⼒系统保护与控制 2010(21)47.周培毅.张新燕基于时间序列与⽀持向量机的风电场风速预测研究[期刊论⽂]-陕西电⼒ 2009(12)48.吴栋梁.王扬.郭创新.刘毅.⾼振兴电⼒市场环境下考虑风电预测误差的经济调度模型[期刊论⽂]-电⼒系统⾃动化 2012(6)49.冯双磊.王伟胜.刘纯.戴慧珠基于物理原理的风电场短期风速预测研究[期刊论⽂]-太阳能学报 2011(5)50.Fan Gaofeng.Pci Zheyi.Xin Yaozhong.Han Ruiguo Achievements and Prospects of Wind Power Prediction [期刊论⽂]-电⽓(英⽂版) 2011(5)51.吴栋梁.王扬.郭创新.杨健基于改进GMDH⽹络的风电场短期风速预测[期刊论⽂]-电⼒系统保护与控制 2011(2)52.冯双磊.王伟胜.刘纯.戴慧珠基于物理原理的风电场短期风速预测研究[期刊论⽂]-太阳能学报 2011(5)53.LIU Hui.TIAN Hong-qi.LI Yan-fei Short-term forecasting optimization algorithms for wind speed along Qinghai-Tibet railway based on different intelligent modeling theories[期刊论⽂]-中南⼤学学报(英⽂版) 2009(4)54.孙斌.姚海涛.刘婷基于⾼斯过程回归的短期风速预测[期刊论⽂]-中国电机⼯程学报 2012(29)55.刘辉.⽥红旗.CHEN Chao.李燕飞基于⼩波分析法与神经⽹络法的⾮平稳风速信号短期预测优化算法[期刊论⽂] -中南⼤学学报(⾃然科学版) 2011(9)56.李有亮.⾼⼭风电并⽹后⼤电⽹充裕性评估研究现状与展望[期刊论⽂]-华东电⼒ 2011(3)57.马彦宏.汪宁渤.马明.刘光途.赵龙基于神经⽹络的酒泉风电基地超短期风电功率预测⽅法[期刊论⽂]-电⼒建58.范⾼锋.裴哲义.⾟耀中风电功率预测的发展现状与展望[期刊论⽂]-中国电⼒ 2011(6)59.范宏.陈成优.⾦义雄短期风电功率的预测⽅法[期刊论⽂]-上海电⼒学院学报 2013(1)60.常蕊.朱蓉.柳艳⾹.何晓凤基于均⽣函数的风电场风速短临预报模型[期刊论⽂]-⽓象 2013(2)61.杨淑莹.王丽贤.⽜廷伟.邓飞基于粒⼦滤波优化的滚动式时间序列多步预测[期刊论⽂]-系统⼯程与电⼦技术2012(6)62.严欢.卢继平.覃俏云.张宜阳基于多属性决策和⽀持向量机的风电功率⾮线性组合预测[期刊论⽂]-电⼒系统⾃动化 2013(10)63.陈茜关于风电场输出功率预测技术发展的综述[期刊论⽂]-⼭西电⼒ 2012(2)64.刘⽂华关于风电场输出功率预测技术发展的综述[期刊论⽂]-中国科技成果 2012(1)65.洪翠.林维明.温步瀛风电场风速及风电功率预测⽅法研究综述[期刊论⽂]-电⽹与清洁能源 2011(1)66.陈丹丹.李永光.张莹.刘祥风电场风速预测的研究⽅法[期刊论⽂]-上海电⼒学院学报 2011(3)67.王耀霞基于Hilbert-Huang变换和最⼩⼆乘⽀持向量机的电⼒市场出清电价预测[期刊论⽂]-电⼦测量技术2010(9)引⽤本⽂格式:潘迪夫.刘辉.李燕飞.PAN Di-fu.LIU Hui.LI Yan-fei基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[期刊论⽂]-电⽹技术 2008(7)。
风电功率爬坡事件作用下考虑时序特性的系统风险评估
风电功率爬坡事件作用下考虑时序特性的系统风险评估何成明;王洪涛;王春义;韦仲康【摘要】与常规的风电功率随机波动相比,风电功率爬坡事件具有明显的时序特性.为准确评估其对系统运行风险的影响,分析风电功率爬坡事件的特点及发生过程,并基于非序贯蒙特卡罗模拟法推导与之相适应的常规机组停运模型.通过对常规机组可能停运时刻和对应的运行状态分别进行抽样,考虑爬坡事件与常规机组停运之间的时序关系对评估结果的影响.在计及低频减载及AGC调节作用的基础上,采用频率越限次数和失负荷期望对系统运行风险进行评估.以IEEE RTS 24节点系统为例,对多种场景下系统运行风险进行评估及对比分析,验证了所提模型的有效性.【期刊名称】《电力自动化设备》【年(卷),期】2016(036)001【总页数】7页(P35-41)【关键词】风电;爬坡事件;风险评估;时序特性;蒙特卡罗法【作者】何成明;王洪涛;王春义;韦仲康【作者单位】山东大学电网智能化调度与控制教育部重点实验室,山东济南250061;山东大学电网智能化调度与控制教育部重点实验室,山东济南250061;国网山东省电力有限公司,山东济南250001;国网冀北电力有限公司,北京100053【正文语种】中文【中图分类】TM6140 引言随着风电渗透率的提高,风电的随机性和波动性对系统的影响越来越受到关注[1]。
特别是当发生极端气象事件(如锋面过境、雷暴、大风等)时,有可能引发风电功率爬坡事件[2-3],即风电出力在短时间内发生单向大幅度变化。
尤其是我国风电大规模高集中接入模式下,一旦发生风电功率爬坡事件将会对电力系统的有功平衡造成严重影响,甚至引发系统频率失稳、切负荷等问题[4-5]。
因此,研究风电功率爬坡事件作用下的系统运行风险评估模型和方法,实现含风电电力系统安全风险预警是至关重要的。
风电功率爬坡事件对电力系统运行风险影响的评估需要以爬坡预测信息为依据,针对爬坡事件的预测方法国内外已有相关研究[6-8],受预测水平限制,爬坡预测系统提前6 h只能给出概率性预测结果且精度较低;小时前的爬坡预测结果精度相对较高,但受常规机组有功调节速度及最小启动时间限制,难以采取相应的控制措施来维持爬坡事件发生过程中的有功平衡[4]。
基于互Box-Cox变换和Markov链风速云模型的发电系统充裕度评估
基于互Box-Cox变换和Markov链风速云模型的发电系统
充裕度评估
安睿;缪书唯
【期刊名称】《电力自动化设备》
【年(卷),期】2024(44)3
【摘要】为准确计及风速随机性和自相关性对风电并网系统充裕度的影响,建立基于互Box-Cox变换和Markov链的风速云模型,并将该模型与时序Monte Carlo 模拟法结合,提出计及风速随机性和自相关性的风电并网系统充裕度评估方法。
仿真结果表明,所提模型产生的仿真风速样本与实测风速样本具备相似的概率分布特性和自相关性,所提方法可较精确地评估风电并网系统充裕度及风电容量可信度。
【总页数】8页(P113-119)
【作者】安睿;缪书唯
【作者单位】三峡大学电气与新能源学院
【正文语种】中文
【中图分类】TM614
【相关文献】
1.基于空间相关风速模型的风电充裕度研究
2.基于序贯蒙特卡洛法的风/柴/储能发电系统充裕度评估
3.基于交叉熵的蒙特卡洛法在发电系统充裕度评估中的应用
4.基于Box-Cox变换的多元分层课堂教学评估模型
5.基于空间相关风速模型的风电充裕度研究
因版权原因,仅展示原文概要,查看原文内容请购买。
基于时间序列的风速和风功率预测
基于时间序列的风速和风功率预测
孙睿男;王飞
【期刊名称】《电脑知识与技术》
【年(卷),期】2017(013)032
【摘要】短期的风速和风功率预测对风场的运行及并网发电是非常重要的.采用时间序列方法,通过Matlab编程,建立了ARIMA和SARIMA预测模型对24小时后的平均风速和风功率进行预测.最后,对两个预测模型的结果作了对比分析.结果表明SARIMA模型的预测结果是好于ARIMA模型.
【总页数】4页(P230-233)
【作者】孙睿男;王飞
【作者单位】江苏师范大学,江苏徐州221116;江苏师范大学,江苏徐州221116【正文语种】中文
【中图分类】TP311
【相关文献】
1.基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测 [J], 叶瑞丽;郭志忠;刘瑞叶;刘建楠
2.基于相似日和风速连续性的风电场短期功率预测 [J], 倪鹏;孙富荣
3.基于相似性样本的LSSVM短期风速和风功率预测研究 [J], 章伟;邓院昌
4.基于改进的小波-BP神经网络的风速和风电功率预测 [J], 肖迁;李文华;李志刚;刘金龙;刘会巧
5.论风电场短期风速和风电功率预测 [J], 李磊
因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
yt =φ1yt-1 +φ2yt-2 + … +φmyt-m + εt -θ1εt-1 -θ2εt-2 - … -θnεt-n
(1)
式中:yt 是时间序列yt 在t 时刻 的 元 素;φi(i=1, 2,…m)和θj(j=1,2, …n)分 别 为 自 回 归 和 滑 动
平均模型系 数; 序 列εt 为 均 值 为 零、 方 差 为σα2 的
杨轶雷,姚 鹏,郭小波
(重 庆 市 电 力 公 司 綦 南 供 电 局 , 重 庆 401420)
Adequacy Evaluation of Power Generation System with Wind Farm Based on Sequential and Stochastic Wind Speed Models
标准白噪声序列。
图1 ARMA 和 Weibull模型时序风速图
Weibull分布的风 速 概 率 密 度 函 数 和 累 积 分 布
函数为
[ ( )] f(x)=βxαββ-1exp
-
x α
β
,(∞ >x ≥0,α>0,β>0)
(2)
[ ( )] F(x)=1-exp -
x α
β
,(∞ >x ≥0,α>0,β>0)
[0,1]区间的均匀分布来模拟,设Si 表示元件i 的 状态,则
{0, 工作状态
Si = 1, 故障状态
(9)
根据元件状态确定系统工作状态,并依据该状 态 进 行 系 统 可 靠 性 评 估 , 则 状 态s 的 抽 样 概 率 为
3 算例分析
本 文 把 风 电 场 加 入 到 RBTS(Roy Billinton Test System)中,设风力发 电 机 的 额 定 功 率、 切 入 风速、 全 额 风 速、 切 出 风 速 分 别 为 1MW、3m/s、 7m/s、15m/s。
目前,有很多学者针对蒙特卡洛模拟技术在电 力系统中的应 用 作 了 研 究。 文 献 [5-7] 研 究 了 蒙 特卡洛方法在配电系统可靠性评估中的应用,并把 模拟方 法 与 传 统 解 析 方 法 进 行 比 较 分 析;文 献 [8-9]研究了蒙 特 卡 洛 方 法 在 变 电 站 可 靠 性 评 估 中 的应用,采用故障树与蒙特卡洛结合的方法进行可 靠性评估;文献 [10] 研究了序贯蒙特卡洛方法在 含风电场的发电系统可靠性评估中的应用,其计及 负荷损失费 用; 文 献 [11-12] 研 究 了 蒙 特 卡 洛 方 法在高压直流输电系统中的应用; 文献 [13] 研究 蒙特卡洛方 法 在 发 输 电 组 合 中 的 应 用; 文 献 [14] 研究电网可靠性的蒙特卡洛仿真,分析了计算精度 和样本容量之间的概率不确定性关系。以上文献均 是单独分析序贯或非序贯蒙特卡洛模拟方法在电力 系统可靠性评估中的应用,而序贯蒙特卡洛和非序 贯蒙特卡洛模拟方法本身各有特性,应根据评估对 象选择合 适 的 模 拟 方 法 以 提 高 计 算 精 度 或 计 算 速 度,同时本文也采用不同的风速模型研究了时序和 随机风速模型对系统充裕性的影响。
本文采用序贯蒙特卡洛和非序贯蒙特卡洛模拟 方法分别研究了含风电场发电系统充裕性评估,并
现代电力,2012,29(1) http:∥xddl.ncepu.edu.cn E-mail:xddl@vip.163.com
第1期
杨轶雷等:基于时序和随机风速模型的含风电场发电系统充裕性评估
73
建立含风电场发电系统充裕性评估的序贯蒙特卡洛 和非序贯蒙特卡洛模型。采用自回归滑动平均 AR- MA 模 型 和 [15] Weibull模 型 分 [16] 别 模 拟 风 速, 并 对比分析 了 两 种 不 同 风 速 模 型 对 系 统 充 裕 性 的 影 响,同时考虑了系统峰值负荷和风电场装机容量对 系统可靠性指标的影响。
2.1 非 序 贯 蒙 特 卡 洛 模 拟
非序 贯 蒙 特 卡 洛 模 拟 方 法 又 称 为 状 态 抽 样
法 , [18] 该法的 依 据 是 一 个 系 统 状 态 是 所 有 元 件 状
态的组合,且每一元件状态可由其出现在该状态的
概率进 行 抽 样 确 定。系 统 元 件 状 态 可 用 一 个 在
(3)
式中:α 为 Weibull分 布 的 尺 度 参 数;β 为 Weibull 分布的形状参数。
图2 ARMA 模型风速概率分布图
由表达式(4)、(5)可 得 到 ARMA 模 拟 的 时 序
风速数据和服从 Weibull分布的随机风速数据:
vwt =μt +σtyt vwt =α (-lnR)β1
Key words: Monte Carlo;wind farm;ARMA;Weibull;ad- equacy evaluation;wind speed model
0 引 言
在新能源中,风能是发展最快的能源资源,且 风能是清洁的可再生能源,但风能与其它传统能源 相比是不稳定的。由于风能的这种不稳定特性,使 得风能 并 网 后 对 电 网 稳 定 运 行 造 成 不 利 影 响 。 [1-4] 风电场接入电网的具体方案主要由风电场装机容量 和风电场位置来确定。
vwt =5.45(-lnR)1.184 R ∈U(0,1)
(7)
1 风电场模型
1.1 风 速 模 型 风速模型分为时序风速模型和随机风速模型,
自回归滑动平 均 ARMA(m,n)模 型 属 于 时 序 风 速
模型,两参数 Weibull(α,β)模 型 属 于 随 机 风 速 模 型 。ARMA(m,n)模 型 的 一 般 表 达 式 为
烅Pr
,vr ≤vwt <vco
烆0
,其 它
(8)
式中:P(v)为 风 力 发 电 输 出 功 率;Pr、vci、vr 和
vco分别为风力发电机额定功率、切入风速、全额 风
速、切 出 风 速;a、b 和c 的 值 取 决 于 Pr、vci、vr
和
v 。 [17] co
2 蒙特卡洛模拟
tion)
LOLE = ∑ PiT
关键 词: 蒙 特 卡 洛; 风 电 场;ARMA; Weibull; 充 裕 性 评 估;风速模型
Abstract:In this paper,a reliability evaluation model of power generation system with wind farms is presented based on the Monte Carlo simulation approach,which includes the building of sequential and stochastic wind speed models and sequential and non-sequential Monte Carlo simulation mod- el.The proposed models are applied to the Roy Billinton Test System (RBTS).Then four reliability evaluation mod- els are built based on different wind speed model and Monte Carlo models.Such indices as LOLP(Loss of Load Probabil- ity),LOLE(Loss of Load Expectation),EENS (Expected Energy not Supplied)and reliability for four reliability eval- uation models are analyzed.And the influence of sequential and stochastic wind speed models and sequential and non- sequential Monte Carlo simulation method on the adequacy of system is discussed.At the same time,the impact of such factors as the installed capacity of wind farm and the peak load of system on adequacy index is also analyzed.
74
现 代 电 力
2012 年
1.2 风 能 转 换 模 型
根据时序风速模型和随机风速模型模拟风电场
小时风速值,再利用风速与风电机组出力的函数关
系 得 到 风 电 场 输 出 功 率 , 其 函 数 表 达 式 如 (8)所 示 。
P(vwt)=
烄(a+b×vwt +c×v2wt)×Pr ,vci ≤vwt <vr
(4) (5)
式中:vwt为t 小时模 拟 风 速;μt、σt 为 历 年 风 速 数 据小时均值和标准差;R 为均匀分布于 [0,1] 区
间的随机数。
本文 根 据 20a 的 风 速 数 据 建 立 风 速 时 序 AR- MA 模型和 Weibull分 布 风 速 模 型, 并 模 拟1 000a 的小时风速数据,其时序风速如图1所示,概率分
布图如图2和图3所示。
yt =2.043yt-1 -1.162 2yt-2 +0.118 2yt-3
+εt -1.218εt-1 +0.233 4εt-2 εt ∈ NID(0,0.358 42)
(6)
图 3 Weibull模 型 风 速 概 率 分 布 图
利 用 两 种 风 速 模 型 分 别 模 拟 1 000a 的 小 时 风 速,其风速均值、标准差和历年风速均值、标准差 如表1所示。
表 1 历 年 风 速 与 模 拟 风 速 均 值 和 标 准 差