基于日净峰谷差概率分布的弃风风险评估算法研究

基于日净峰谷差概率分布的弃风风险评估算法研究
葛延峰;苏安龙;傅予;张晓天
【摘要】电网消纳能力的限制已成为制约风电大规模并网的技术瓶颈.为促进大规模风电的并网消纳,针对目前中长期风电消纳能力评估方法缺乏合理而有效的模型,基于日净峰谷差概率分布算法建立了含大规模风电系统的中长期弃风风险评估模型.弃风风险评估模型相关风险指标可以体现风电不确定性特征对系统运行的影响,全面度量系统的风电消纳能力和中长期运行规划面临的弃风风险.通过对20台常规机组测试系统的仿真结果分析,验证了所建立模型的合理性和有效性.研究为预留系统的实际风电消纳空间提供了分析决策依据.
【期刊名称】《电气自动化》
【年(卷),期】2019(041)004
【总页数】4页(P54-56,64)
【关键词】消纳能力;评估方法;日净峰谷差;风险评估模型;运行规划
【作者】葛延峰;苏安龙;傅予;张晓天
【作者单位】国网辽宁省电力有限公司,辽宁沈阳 110006;国网辽宁省电力有限公司,辽宁沈阳 110006;国网辽宁省电力有限公司,辽宁沈阳 110006;东北电网有限公司,辽宁沈阳 110006
【正文语种】中文
【中图分类】TM614
0 引言
风力发电以其成本低、技术相对成熟等特点，成为了最具规模化发展潜力的可再生能源利用技术[1]。

风力发电对调整能源产业结构、建设资源节约型和环境友好型
社会具有重要意义。

然而，由于风力发电技术受外部因素影响较大，例如功率调节能力、系统的网络结构和配套政策机制的完善程度、调控水平较低，我国风力发电技术在大规模并网过程中存在的并网难和弃风等问题十分严重，风电并网消纳能力不足、弃风限电形势严峻。

据相关数据显示，我国弃风限电比例平均值高于10%，部分地区短期内高达50%，远远高于风力发电技术相对成熟的国外地区[2]。

随着风电消纳问题的日益凸显，国内外许多研究机构对风电调度优化技术、政策机制和网络结构等方面进行研究，但主要的研究集中在短期调度计划中风电消纳能力的提高方式上。

中长期弃风评估方法，因为需要大量时序数据，评估结果准确性不足，所以不能为风电并网系统提供可靠的数据[3]。

因此，如何建立有效的中长期
弃风评估机制并进行风电中长期弃风风险评估研究，对于解决风电等可再生能源的并网消纳以及中长期调度等问题具有指导意义。

本文针对中长期时间尺度的消纳能力评估方式的不足，基于日净峰谷差概率分布算法建立了包含大规模风电系统的中长期弃风风险评估模型。

该弃风风险评估模型相关风险指标可以体现风电不确定性特征对系统运行的影响，全面度量系统的风电消纳能力和中长期运行规划面临的弃风风险，为含大规模风电电力系统实际调度决策提供更加科学完善的理论分析方法，同时为中长期运行提供更为全面合理的决策信息，使系统在可接受风险范围内实现系统最大化消纳风电，保证系统的安全经济运行。

同时，通过对20台常规机组测试系统的仿真结果分析，验证了所建立模型的合理性和有效性。

1 弃风评估计算基本原理
1.1 基于系统调峰需求分析的弃风机理
长期消耗能力的系统评估是限制风电利用的关键因素，本文着重分析了风电系统调峰能力裕度能否满足系统调峰的需求。

图1是风电系统调峰特性原理。

图1中，
时序负荷与去风电出力的差值为净负荷，通过调节该值与常规发电系统的大小实现电力平衡。

根据系统最大负荷和备用容量的关系确定运行的发电机，其可调容量之和为网供最大容量。

网供最大容量减去最小技术出力即为系统的调峰裕度，而最小技术出力则与投运机组的调峰能力相关。

当调峰裕度符合系统峰谷差引起的调峰需求时，系统可以自动对负荷的变化进行跟踪[4]。

由于大规模风电系统的并网，净
负荷的峰谷差拉大，调峰需求增加，但最小技术出力和启停时间会影响系统的效力，因此系统对净负荷峰谷变化的跟踪能力降低，继而在负荷低谷时段因不能减少出力，而引起弃风情况的发生[5-6]，弃风出力如图1中阴影部分所示。

图1 调峰需求分析原理图
1.2 弃风风险评估计算基本原理
在上述系统调峰需求分析的基础上，对弃风事件引入风险概念来解决这一问题，风险指标不仅可以评价系统的风电消纳能力，还可以判定系统中长期运行所遇到的弃风风险。

首先建立含大规模风电电力系统的中长期弃风风险评估模型，根据文献[7]，评估周期T内的弃风电量,如式(1)所示。

(1)
式中:EW为评估周期T内的弃风电量;为机组在t时刻的最小出力之和;为净负荷功率。

可以看出，风力发电具有随机波动性。

在低负荷期，由于机组最小技术出力的限制，会导致系统负峰负荷能力不能满足风电出力的变化，所以风电出力一旦增大，会造成弃风情况的发生。

2 风电中长期弃风风险评估模型建立
2.1 风电中长期弃风风险评估指标
在中长期弃风评估计算过程中，由于在负荷高峰时段很容易出现风电出力很小的情况，因此原始负荷与净负荷的最大日尖峰值差别很小[8]。

系统运行状态、风电出力信息和负荷特征是系统调峰能力和调峰需求分析的根本。

为了易于得到评估所需的基础数据，在分析过程中，利用原始负荷代替净负荷，获得系统最大日尖峰值。

系统运行状态、负荷特征和风电出力信息是系统调峰能力和调峰需求分析的根本。

设在评估周期总时段数T(天)内，第i层负荷水平下的弃风指标分别为：
1)弃风概率指标
若第i层负荷水平下的，系统低谷负荷小于常规机组最小技术出力则在负荷低谷期必然产生弃风，产生弃风的概率为：
(2)
式中:δ为不产生弃风的峰谷差；δlim为不产生弃风的极限峰谷差，当峰谷差大于该值时，即产生弃风；为常规机组最小技术出力；为第i层负荷水平下的系统低谷负荷；为第j层负荷水平下的系统峰值负荷；WCPi为第i层负荷水平下的弃风概率。

2)弃风时间期望指标
第i层负荷水平下弃风时间期望指标的计算公式为：
WCEi=T×WCPi
(3)
式中:WCPi为第i层负荷水平下的弃风概率；T为评估周期总时段数；WCEi为第i 层负荷水平下的弃风时间期望指标。

3)弃风电量期望指标
第 i 层负荷水平下，通过线性化模型得到最大峰谷差率[9]为δ的日弃风电量
当δ≤δlim时，
(4)
当δ>δlim时，满足：
(5)
式中:δ为不产生弃风的峰谷差；δlim为不产生弃风的极限峰谷差；为最大峰谷差
率为δlim的日弃风电量；为第j层负荷水平下的系统峰值负荷；ω1为权重因子。

在评估周期T内，峰谷差会出现多种情况。

因此，评估时段内第i 层负荷水平下，总弃风电量期望为：
(6)
式中:β(δ)为净负荷峰谷差；为最大峰谷差率为δlim的日弃风电量；EWEC,i为总
弃风电量期望；T为评估周期总时段数；δmax、δlim分别为不产生弃风的最大峰谷差和极限峰谷差。

4)弃风电力风险指标
弃风电力风险指标由两部分构成,分别是弃风电力风险值VaRWPC和弃风电力条件风险值CVaRWPC。

VaRWPC表示系统在一定置信水平下的潜在损失值，具体为：
(7)
式中:VaRWPC为系统在一定置信水平下的潜在损失值；xWPC为弃风电力风险值的最小值；β为置信度。

CVaRWPC为风险发生的可能性和潜在的风险的总和，直观反映弃风电力损失大
小和置信水平的高低，其值为：
(8)
式中:VaRWPC为衡量系统满足置信水平时的最小风险值;CVaRWPC为在置信度为β时，弃风电力超过CVaRWPC的潜在价值，可以表征弃风电力损失的平均水平[9]。

设在评估周期T内，第i层负荷水平下的日尖峰负荷为:
(9)
式中:为评估周期T内系统净负荷的最大日尖峰值；为第i层负荷水平下的日尖峰负荷；λi为第i层负荷水平下最大日尖峰值对应的系数。

2.2 风电不确定性建模
风电自身的随机性和波动性是影响风电并网消纳的关键因素之一。

因此，在进行风电弃风风险评估研究中，做好风电的不确定性建模和预测可以为其风险评估提供数据参考。

而目前常用的风电不确定性建模方法为风电功率的马尔科夫琏模型，该模型结合风电未来各时段可能出现的波动区间可以对风电机组的多时段随机出力情况做出相应的动态模拟[10]。

基于多时段风电出力状态建模示意图如图2所示(图中A、B表示风电变化区间上下范围)。

图2 多时段风电出力状态建模示意图
3 弃风评估模型计算流程
本文根据净峰谷差概率，提出的大型风电系统弃风风险评估方法的计算流程如下：(1)对历史风电功率和负荷功率数据进行拟合，这样就可以获得净负荷日峰值和谷差的模型参数，然后利用聚类分析获得多层负荷水平模型的参数。

(2)在评估周期T内获取系统初始参数，包括峰值负荷预测数据、机组数据等。

(3)计算系统在不同负荷水平下的风险指标,方法如下。

①根据不同负荷水平下的峰值负荷数据和系统数据，根据机组的最大供电容量和机组的调度计划，计算出机组的最大负荷裕；②在不同的负荷水平，利用式(2)得出不会产生弃风的峰谷差δlim；③在不同负荷水平，利用式(2)～式(8)，根据净负荷日峰谷差率和极限峰谷差δlim的模型，计算不同负荷水平下的弃风风险指标。

(4)计算系统的总体风险指数。

4 试验测试
1)弃风评估结果分析
本文以20组常规机组为测试，机组总装机容量为3 640 MW，最大机组容量为450 MW，最小机组容量为20 MW，风电装机容量为500 MW。

风险指标的置信度σ=0.9，根据已建立的模型，在以上数据的基础上，得到每个月弃风的风险评估结果，其数据果见表1。

表1 评估各月弃风风险评估结果
从数据可以看出，弃风电力风险值VaRWPC为59.81 MW，表示全年 90%的弃风功率不超过 59.81 MW，弃风电力条件风险值CVaRWPC为107.58 MW,表示弃风功率大于 59.81 MW的弃风功率期望值为107.58 MW。

这些数据对系统的全面调度运行是很有必要的。

2)模型有效性验证
为了验证本文提出方法的正确性，将本文方法计算得到的弃风时间期望和弃风电量比例，与利用文献[11]提出方法时序模拟计算本测试系统得到的结果进行对比，对比结果如图3所示。

由图3可知，通过比较图3(a)中的全年弃风天数可知,本文提出的算法模型可以有效减少全年弃风天数。

通过比较图3(b)中全年的弃风比例可知本文方法的计算结果与时间序列分析结果接近，方法的有效性得到验证。

图3 本文计算结果与时间序列分析结果对比图
5 结束语
风电消纳一直以来是我国风电发展面临的首要问题之一。

针对目前中长期风电消纳能力的评估方法，无法为含大规模风电电力系统的调度运行提供更全面的分析决策依据，因此本文对长期风电消耗能力评价模型与方法进行了研究。

引入概率风险概念，之后通过分析风电接入后系统日调峰需求的中长期概率性特征，建立风险评估模型，让该模型为中长期调度运行面临的弃风风险提供准确度量的标准。

最后通过仿真证明，该模型对于改善风电消纳条件具有重要的现实价值。

参考文献：
【相关文献】
[ 1 ] 叶鹏,李山,何淼,等.风储孤网系统小干扰稳定性分析研究[J].电机与控制应用,2017,44(2):84-93. [ 2 ] 邵剑.基于风险理论的含大规模风电电力系统调度决策方法研究[D].武汉：华中科技大学,2015. [ 3 ] 杨冬锋.适应大规模风电并网的电力系统有功调度策略研究[D].哈尔滨：哈尔滨工业大学,2016. [ 4 ] 李纯.面向弃风消纳的热电厂最优蓄热容量确定研究[D].大连：大连理工大学,2016.
[ 5 ] 虎挺昊.考虑弃风约束的电力系统调峰容量配置要求研究[D].武汉：华中科技大学,2015.
[ 6 ] 邵剑.基于风险理论的含大规模风电电力系统调度决策方法研究[D].武汉：华中科技大学, 2015. [ 7 ] 赵永宁,叶林,朱倩雯.风电场弃风异常数据簇的特征及处理方法[J].电力系统自动
化,2014,38(21):39-46.
[ 8 ] 张新松,礼晓飞,王运,等.不确定性环境下考虑弃风的电力系统日前调度[J].电力系统保护与控制,2015,43(24):75-82.
[ 9 ] 姜欣,陈红坤,回俊龙,等.计及弃风的风电场最优装机容量[J].电工技术学报,2016,31(18):160-168.
[10] 屈姬贤,刘纯,石文辉,等.基于风电接纳空间电量回归模型的弃风率快速计算方法[J].电网技
术,2017,41(1):72-78.
[11] 周强,汪宁渤,何世恩,等.高弃风弃光背景下中国新能源发展总结及前景探究[J].电力系统保护与控制,2017,45(10):146-154.。