风速的波动会引起风电机吸收无功的变化

风速的波动会引起风电机吸收无功的变化，当系统电压由于风电波动而下降时，机端无功补偿量也会下降，造成无功缺额的增大，进一步恶化电压水平，造成电网崩溃。

同时当风电机停机后，风电场的有功输出减少，无功需求也相应减少，系统会失去这部分无功负荷而导致电压水平偏高[7]。

为了解决这个问题，目前的变速风电机都能实现无功控制功能，从而提高系统电压的稳定性。

（2）当风电场容量在系统中所占比例较大时，其输出功率的随机波动会对电网的频率产生很大的影响。

当常规火电机组或调频机组的可调容量较小时，可能会出现备用不足的情况，从而造成较大的频率变化风速随时间的变化而变化，具有时间序列的趋势性和随机性，风电场的可靠性模型研究主要是确定风速的随机模型。

目前风速模型主要有三种：第一种为正态分布[45]，通过历史数据的分析得到风速分布的均值和方差，则得到概率分布函数；第二种为Weibull 分布，其分布函数为：式中：c、k——和分布函数形状有关的因子；v——风速大小。

第三种为Rayleigh 分布，其分布函数为[44]：风速概率模型确定后结合风电机和常规机组的停运模型，可以产生整个系统的容量模型，从而可以评估整个发电系统的可靠性本文的主要研究工作包含三个方面，首先研究的对象为含有大量风电的电力系统，其次要研究这种系统的优化调度方案，另外，由于风电的引入给系统带来了更多的风险，因此需要考虑系统不确定性风险对系统的影响，最后形成一种合理有效的综合优化调度方法。

具体来说，本文的主要工作包括以下几个方面：（1）建立了合理的风电场模型，形成了从风速到风力发电功率的转化关系，为优化调度提供更合理的数据基础；（2）建立了含风电场电力系统的优化调度模型，模型中考虑了节能发电的目标函数，同时考虑了系统中各种类型的技术约束；（3）采用正交遗传模拟退火算法对上述调度模型进行求解，对算法的参数选择等方面进行相应的优化，通过优化计算得到最优解；（4）建立了基于不等概抽样法的日前调度风险评估模型，本课题研究的风险为充裕性风险，同时将风险模型结合到上述优化调度模型中，形成了计及风险的综合优化调度模型；（5）采用实际系统（上海电网）和机组组合测试系统进行算例分析，通过对结果进行讨论，评价模型、算法的优劣，分析风电对系统的影响，以及参数选择等问题对结果的影响。

（6）对本文的研究工作进行总结，并提出未来需要继续研究的问题第16 页类社会很早就开始了对风能的使用，例如帆船等，但是由于风速的波动性和人类技术条件的限制，对风能的大规模使用受到了限制，风力发电也是在近些年才得到广泛应用。

用测速仪来测量风速并记录下来，会发现风速是不断变化的，而且毫无规律可言，图2-1 显示了上海某风电场某日的风速波动曲线，从中可以看出风速的随机性是很强的。

风速信号在短期来看是一个随机信号，没有太大的规律性，可预测性较差，但是在较大的时间跨度和空间广度上来看，风速又具有一定的规律性。

例如，由于近地面的植被、建筑物等障碍物的影响，导致近地面风速较小，因此风速一般随高度的增加而增加；风速随季节变化而呈现周而复始的变化，这种变化是一种趋势性较强的周期性变化；另外，地势的起伏、地表温度等对风速都有一定的影响。

在研究风速时考虑它的规律性有利于提高风速预测的准确性。

图2-1 某风电场一天内的风速值Fig 2-1 Wind speed in one day of a wind farm风电机的基本原理是将风的动能转化为电能，因此风电机出力和风速密切相关。

正是由于风电的随机性造成了风电机出力的随机变化，虽然风电机的性能可以过滤部分随机量，但是总体上风机的出力还是呈现很强的随机性，尤其是当出现大风、小风等极端情况时，风电机可能停机而使系统产生较大的有功缺额。

2.2.2 风速预测本文采用实验室开发的风电场风速组合预测系统软件WFWSCOPSS 进行风速预测。

该软件采用模糊聚类预处理技术和考虑气象因素的组合预测模型，可提前一日预测144 点、48 点、24 点风速数据。

该软件采用多元线性回归、时间序列、灰色模型、神经网络模型四种预测模型构成的组合预测模型进行风速预测。

对于同一预测问题，可以选择任意一种模型进行预测，也可以选择任意几种模型进行组合预测，组合预测中不同模型的权重可以人为设定或用最小二乘法求解其最优组合。

这种预测方法可以结合几种预测模型的优势，有效的减小预测误差，提高预测精度。

随着风电场穿透功率的增加，风电场并网运行给电网带来的一系列影响越来越严重，足以破坏电力系统经济、安全、稳定、可靠运行的状态。

风电的原动力是风能，而风能具有较强的随机性和波动性，使得接入电网的风电穿透功率呈现剧烈的波动特性，风电功率的波动给系统带来的主要影响有：频率稳定、功角稳定、电压稳定、谐波、电压波动与闪变、网损及潮流的分布、系统备用成本、调度计划的制定、系统可靠性等诸多方面。

良好的风电场风电功率预测结果，可以让运行人员提前制定调度计划、安排机组出力及系统备用等相关措施，减少整体有功出力的波动，从而降低风电并网给系统带来的影响时间序列法。

时间序列法[10-12]是目前应用最多的方法，适于几个小时的短期预测。

只要通过对历史数据的分析，经过建模、模型识别、参数估计、模型校验等步骤，得到一个能够反映风速时间序列的数学模型，进而进行预测工作。

时间序列模型主要有自回归模型（AR）、滑动平均模型（MA）、自回归-滑动平均模型（ARMA）、累积式自回归-滑动平均模型（ARIMA）人工神经网络法。

人工神经网络法[8,14-16]适于一天的短期风速预测，使用历史样本反复训练模型参数，优化神经网络模型结构，具有很强的自适应能力，预测效果一般较好，但受训练样本的影响较大传统电力系统的供电电源及负荷都是可预测的，根据预测的负荷情况，很容易对机组进行经济调度，，发电计划和调度可以根据可靠的预测来制定。

当风电场并网后，一方面风电功率预测的精度有限，误差较大，给发电计划的制定带来困难，调频电厂，系统备用的计划制定也增加了一定难度。

文章[31]采用模糊技术分析了风电对系统调度的影响，提出将气象数据、历史风机出力、风电预测误差作为制定调度计划的参考依据。

另一方面，风电机组出力的随机波动，增加了调频电厂及系统备用的频繁变化，大大增加了系统运行的经济成本，同时，一旦调频机组或备用响应速度过慢或不足，都可能破坏系统的稳定。

为了减轻风电并网对系统发电计划和调度的影响，就要提高风电功率预测的精度、增加系统调频调峰的响应速度或采取联合调度的方式[32]。

2.3.2 对电压的影响除了双馈型风力发电机的无功是可调节的，一般的风力发电机都是异步电动机，需要吸收系统的无功，风电机组无功需求的变化，将会给系统电压稳定带来威胁，威胁的严重程度与风电机组的类型、控制系统、电网无功补偿装置有关，此外，还受风电场风机的塔影效应、偏航误差以及风剪切等因素的影响。

文献[33]对风电机组引起的电压波动进行了仿真，由于仿真风电机组容量占系统比例较小，引起的电压波动在允许范围内。

文献[34]以山西北部的末端电网接入一定规模的风电机组为背景（均为双馈型风电机组），分析风电场并入不同电压等级后，风电机组功率变化、功率因数变化、系统运行方式以及并网距离等因素与风电机组对系统电压影响的关系，指出，风电功率的波动对系统电压的影响较小，风电机组功率因数的变化对系统电压影响较大，风电并网处电压等级越高，风电机组功率及功率因数的变化对系统电压的影响越小。

此外，系统的运行方式也在一定程度上会增加风电机组功率波动对系统电压的影响，风电机组并网距离越长，对系统电压影响越严重。

目前风电场大多采用双馈型风力发电机，无功的流动方向及功率因数都是可以控制的，因此，风电机组功率的波动对系统电压波动的影响不会太大。

2.3.3 对电网功角稳定及频率稳定的影响功角稳定是电力系统静态稳定的重要指标之一，风电接入系统后，由于有功出力可能出现剧烈波动，如果系统备用及调频电场不能及时平衡有功的供求关系，系统功角稳定就可能遭到破坏，一旦风电引起线路潮流的变化超过或相当于用电负荷的30%左右时将破坏电网的功角稳定[35]。

风电机组对电网频率的影响与对功角稳定的影响是同步的，风速的频繁变化，导致风机转速的频繁波动，造成风电机组频率的连续波动，不但影响系统的频率稳定，也会进一步加大了对功角稳定的威胁。

不同类型的风电机组对电网的频率影响程度不同，文献[36]比较了恒速风电机组与双馈型风电机组对电网频率的影响程度，指出恒速恒频风电机与系统频率关系密切，能够及时响应系统频率的变化，而变速恒频风电机组由于与电网频率完全解耦控制，响应速度慢。

2.3.4 对继电保护的影响当风速在风电机组启动风速附件波动时，风电机组可能进入电动机运状态运行，此时系统的潮流方向将会改变，引起保护装置误动作。

文献[37]通过模拟含风电场的系统在不同点发生故障时，风电机组对短路电流的贡献指出，应该结合风电机组运行特点及接入点的情况，恰当选择保护类型及整定值。

文献[50]使用MA TLAB的动态仿真工具SIMULINK，对包含风电场的单机无穷大电力系统发生联络线故障时进行动态仿真。

通过分析双馈发电机不同故障类型下的故障电压、电流曲线，指出风电场应采用适应性保护2.3.5 对系统可靠性的影响风电功率的不可预测性及不稳定性，增加了电力系统可靠性评估的难度，分析含风电的系统可靠性是必要的。

蒙特卡罗仿真法是电力系统中常用的可靠性分析方法，文献[51]在风力模型、风机模型及风电场模型的基础上，建立了基于蒙特卡罗仿真法的风力发电容量可信度模型，该模型考虑了不同风电场间的相关性，并建立了各个风电场的可信度指标。

文献[52]考虑了更多影响风电可靠性评估的因素，如风电机组的功率特性、风电机组的停运概率、塔影效应等，分析了风电场输出功率的统计规律。

文献[53]提出一种可靠性费用评估模型，提出健康状态概率和风能利用效益系数两个概念指标，并用这两个指标评估风电场的可靠性时间序列模型的建模在进行预测工作前，需要对历史数据组成时间序列，在通过分析序列样本间的自相关特性与偏相关特性，即所谓的模式识别，确定序列满足哪一种时间序列模型，最后经过参数估计确定模型参数，得到预测模型模型识别计算时间序列的自相关函数ρk 和偏相关函数ak k后，通过下面的判据判断其应该属于AR、MA、ARMA中的哪一个模型。

其判据为，如果对有限个样本进行计算得出的自相关函数ρk具有“截尾”性，则认为该样本序列是MA序列；如果对有限个样本进行计算得出的偏相关函数 a kk具有“截尾”性，则认为该样本序列是AR 序列；如果对有限个样本进行计算得出的自相关函数ρk和偏相关函数a kk都具有“截尾”性，则认为该样本序列是ARMA序列。