一种计及日特性和季特性的含风能发电系统充裕度评估方法与流程

1.本发明属于电力系统仿真技术领域，具体涉及一种计及日特性和季特性的含风能发电系统充裕度评估方法。


背景技术：

2.在高风电渗透水平下，风电将对含风能发电系统产生重要影响。风力的产生主要依赖于风速，由于风速受地形、季节等因素影响，风速呈现不确定性特征。因此，在进行风速建模时，考虑其不确定性是极为重要的。
3.人们普遍认为风速具有日变化和季节变化特征，受此影响全年风力资源分布不均匀。因此，提出适当的风速模型来考虑风速日特性和季特性是相当重要的。较风速解析模型，风速仿真模型可更精细地计及多类风速特征，是较好的解决方法。
4.当前，已有较多学者对不确定的风速模式使用几种风速分析和仿真模型进行了研究。但用风速仿真模型来研究风速日变化和季节变化的著作相对较少。已有的一种非齐次马尔可夫风速时间序列模型，考虑了日变化和季节变化特征。但是可能存在两个明显的局限性：首先，提出了一个不切实际的假设，即风速在几个区间内均匀分布。在实际应用中，我们发现风速并不是均匀分布的；其次，采用季节指数对模拟风速进行修正，使模拟风速的均值与各季节实际风速的均值接近，但是模拟风速的标准偏差可能与每个季节的实际风速的标准偏差不一致。另一种方法将风速数据按日和季节进行了分组，采用核密度法估计各簇的wspd，用于风集成ieee-rts发电系统的非序列蒙特卡洛模拟中产生风速样本。但可能很难确定核密度的最优带宽，核密度模型的逆累积密度函数没有参数化表达式，给风速采样带来困难。


技术实现要素：

5.为解决上述技术问题，本发明提供一种计及日特性和季特性的含风能发电系统充裕度评估方法，以风速仿真模型为研究对象，以计及日特性和季特性为目标，针对风速日周期变化特征、季节变化特征，设计一种计及日特性和季特性的两阶段风速仿真模型。为研究季节性模式、风电机组数量和系统峰值负荷对系统季节充足性的影响提供了依据。
6.本发明采取的技术方案为：
7.一种计及日特性和季特性的含风能发电系统充裕度评估方法，包括以下步骤：
8.步骤一：从风场收集每小时风速数据，根据最大似然估计法，确定多种候选概率分布的参数，计算多种候选概率分布的aic指标，选取aic指标最小的候选概率分布，为最优拟合的每小时风速边缘概率分布模型；
9.步骤二：构建基于gaussian copula函数的24小时风速联合概率分布模型；
10.步骤三：根据cholesky分解法、标准正态分布随机数，从24小时风速联合概率分布中抽样，生成计及日特性的模拟ⅰ风速；
11.步骤四：引入季度修正系数，通过修正方程修正模拟
‑ⅰ
风速样本，构建关于季度修
正系数的偏差函数，推导最优季度修正系数最小化修正前仿真风速样本的各季均值和标准差与实测风速样本各季均值和标准差间的偏差，得到模拟ⅱ风速样本。
12.步骤五：利用模拟ⅰ风速样本和模拟ⅱ风速，建立考虑日特性和季特性的风电联合发电系统季节充裕度评估程序，分析季节性模式，风电机组数量和系统峰值负荷对系统季节性充足性的影响。
13.所述步骤一包括以下步骤：
14.s1.1:访问开放气象数据库，收集风电场24小时风速数据集，
15.s1.2:利用风速数据，进行最大似然估计估计，算出九种候选概率分布的参数值，九种候选概率分布包括:weibull、rayleigh、lognormal、gamma、inverse gaussian、birnbaum-saunders、nakagami、logistic、generalizedextremevalue；
16.s1.3:计算九种候选概率分布的aic指标，以weibull候选概率分布、风速v1为例，aic指标计算计算式为：
17.s1.4:选取aic指标最小的候选概率分布，为最优拟合的每小时风速边缘概率分布模型。所述步骤二中，由于高斯copula能够以相对明确的表达式描述高维相关性，因此采用高斯copula。基于gaussian copula函数的24小时风速联合概率分布模型其公式如下：
[0018][0019]
上述函数中：f(
·
)为24小时风速联合概率密度函数，v(i,j)表示第i天第j小时的风速，fj(
·
)和fj(
·
)分别为使用aic准则从9组候选参数概率分布中优选确定的第j小时边际风速的累积概率密度函数和概率密度函数；
[0020]
为gaussian copula概率密度函数，其表达式为：
[0021][0022]
上式中，符号向量xi表示为i为单位矩阵，φ-1
(
·
)为标准正态累积概率密度函数的逆函数，符号|
·
|表示对矩阵求取行列式，r为gaussian copula函数的相关系数矩阵，同时也是也是gaussian copula函数唯一待确定的参数，可由估计得到。x
it
、r-1
、n分别为xi的转置矩阵，r的逆矩阵和采集风速样本的天数。
[0023]
所述步骤三中，根据cholesky分解法和标准正态分布随机数，将从24小时风速联合概率密度函数中抽样出来，得到模拟ⅰ风速；为模拟第k(k＝1，
…
，m)天的第j(j＝1，
…
，24)小时的模拟ⅰ风速，m不一定等于n,m可以
是任何正整数。
[0024]
所述步骤四中，修正方程为：
[0025][0026]
式中：ω
(s,t)
和ξ
(s,t)
为第t时段s季节的季节修正系数，为修正前的模拟ⅰ风速，为修正后的模拟ⅱ风速。
[0027]
根据样本均值和标准差公式，模拟ⅰ风速和模拟ⅱ风速的均值和标准差满足以下两个关系式：
[0028][0029]
式中：和分别为修正前模拟ⅰ风速在第t时段s季节的均值和标准差；
[0030]
和分别为模拟ⅱ风速在第t时段s季节的均值和标准差；
[0031]
季度修正系数的偏差函数为：
[0032][0033]
μ
(s,t)
、σ
(s,t)
分别为实际风速t时段s季节的平均值和标准差当偏差函数取最小值时，推导得最优修正系数表达式：
[0034][0035]
通过将最优季度修正系数应用到修正方程中，实现最优修正，该最优修正使修正后的模拟ⅱ风速的均值和标准差与实测风速均值和标准差间偏差最小，从而得到具有日特性和季特性的最优模拟ⅱ风速样本。
[0036]
所述步骤五中，采集风电联产系统的实际风速样本、机组参数、系统负荷需求数据，计算季节性缺电时间期望值slole、季节性电量不足期望值sloee和季节性缺电频率slolf三个季节性充足率指数；包括以下步骤：
[0037]
s5.1：首先对所有发电机组的失效时间和修复时间进行采样，以确定风力发电系统的状态，
[0038]
失效时间公式为：ttf＝-ln(u)/λ；式中：u在间隔内的均匀分布式随机数[0,1]，λ是生成单元的故障率；
[0039]
修复时间公式为：ttr＝-ln(u)/γ，式中：γ是生成单元的故障率。
[0040]
s5.2：计算常规机组的可用容量，式中：y
up
是保持在运行状态的传统单元的数量，gy是留在运行状态的常规单元的额定功率；
[0041]
s5.3：用模拟ⅱ风速计算输出功率公式为式中：z
up
是运行状态的风电机组数量，是在第j时段k季节的模拟ⅱ风速的风电机组输出功率。
[0042]
风电机组的功率输出公式为：
[0043]
式中：v
ci
、vr和v
out
分别为切入风速、额定风速和切出风速，pr是风电机组的额定功率。系数a、b和c是用v
ci
和vr来确定的
[40]
，如下式所示：
[0044][0045][0046][0047]
s5.4：利用p
wf
和pg季节性系统负荷需求，计算第q个样本季节的lldq缺电持续时间(loss of load duration)，ensq电量不足(energy not supplied)，lloq缺电次数(loss of load occurrence)。之后得出季节性缺电时间期望值(seasonal loss of load expectation,slole)、季节性电量不足期望值(seasonal loss of energy expectation,sloee)和季节性缺电频率(seasonal loss of load frequency,slolf)；三个指标的计算公式分别为：
[0048][0049][0050][0051]
式中：lldq为第q个样本季节的缺电持续时间(loss of load duration)，ensq为第q个样本季节电量不足(energy not supplied)，lloq为第q个样本季节缺电次数(loss of load occurrence)。q为总的季节数量。
[0052]
s5.5：重复步骤上述步骤s5.1～s5.4，直至sloee指标的变异系数小于0.05或样本季节q大于1,000,000。
[0053]
s5.6：输出slole、sloee和slolf三个季节性充足率指数，根据这三个指标，分析季节性模式、风电机组数量和系统峰值负荷对系统季节性充足性的影响。
[0054]
本发明一种计及日特性和季特性的含风能发电系统充裕度评估方法，技术效果如下：
[0055]
1)本发明针对风速日周期变化特征，设计一种计及日特性的24小时风速联合概率分布模型。通过最大似然估计法确定九种候选概率分布的参数，且利用aic准则，使得选取的每小时风速边缘概率分布具有最优拟合性能。考虑到本文建立的24小时风速概率分布的随机变量众多的特点，选取gaussian copula函数，之后通过cholesky分解法、标准正态分布随机数抽样产生模拟ⅰ风速，使抽样可靠且简单。
[0056]
2)本发明针对风速季节变化特征，设计一种计及季特性的仿真风速样本修正模型。该模型提出的两个季度修正系数，使仿真风速样本的均值和标准差都呈现季度特征。通过提出的季度修正系数和修正方程，修正模拟ⅰ风速，考虑风速季特性。再根据推导得到的最优季度修正系数，将各季节模拟ⅰ风速的均值和标准差与实际风速的差值和标准差最小化，计算出最优修正系数，将最优季度修正系数应用于修正方程中，修正抽样产生的模拟ⅰ风速，得到呈现日特性和季特性的模拟ⅱ风速。
[0057]
5)本发明建立了考虑日特性和节性模式的风综合发电系统的季节性充足评估程序，研究了季节性模式、风电机组数量和系统峰值负荷对系统季节性充足性的影响。
附图说明
[0058]
图1(a)为在美国北达科他州坎多地区10个时期春季的实际、模拟ⅰ和模拟ⅱ风速的平均值；
[0059]
图1(b)为在美国北达科他州坎多地区10个时期夏季的实际、模拟ⅰ和模拟ⅱ风速的平均值。
[0060]
图1(c)为在美国北达科他州坎多地区10个时期秋季的实际、模拟ⅰ和模拟ⅱ风速的平均值。
[0061]
图1(d)为在美国北达科他州坎多地区10个时期冬季的实际、模拟ⅰ和模拟ⅱ风速的平均值。
[0062]
图2(a)为在美国北达科他州坎多地区10个时期春季的实际、模拟ⅰ和模拟ⅱ风速的标准差；
[0063]
图2(b)为在美国北达科他州坎多地区10个时期春季的实际、模拟ⅰ和模拟ⅱ风速的标准差；
[0064]
图2(c)为在美国北达科他州坎多地区10个时期春季的实际、模拟ⅰ和模拟ⅱ风速的标准差；
[0065]
图2(d)为在美国北达科他州坎多地区10个时期春季的实际、模拟ⅰ和模拟ⅱ风速的标准差。
[0066]
图3为本发明的评估方法流程图。
具体实施方式
[0067]
一种计及日特性和季特性的含风能发电系统充裕度评估方法，一方面，对于风速日周期变化特征，设计一种计及日特性的24小时风速联合概率分布模型。该模型首先根据最大似然估计法，确定九种候选概率分布的参数，并借助aic指标，构建最优拟合的每小时风速边缘概率分布模型。接着选取gaussiancopula函数，构建24小时风速联合概率分布模型，并根据cholesky分解法、标准正态分布随机数从中抽样生成计及日特性的模拟
‑ⅰ
样本
风速。
[0068]
另一方面，对于风速季特性变化的特征，设计一种计及季特性的仿真风速样本修正模型，该修正模型引入修正方程和季度修正系数，构建关于季度修正系数的偏差函数，推导得到最优季度修正系数；将最优季度修正系数代入修正方程，修正抽样产生的模拟ⅰ样本风速，实现最优修正，确定呈现季特性的模拟ⅱ最优修正风速样本。
[0069]
最后，利用该模拟ⅰ风速和模拟ⅱ风速，计算季节性缺电时间期望值(seasonal loss of load expectation,slole)、季节性电量不足期望值(seasonal loss of energy expectation,sloee)和季节性缺电频率(seasonal loss of load frequency,slolf)这三个指标，建立考虑日特性和季特性的风电联合发电系统季节充裕度评估程序，从而详细讨论季节性模式、风电机组数量和系统峰值负荷对系统季节性充足性的影响
[0070]
一种计及日特性和季特性的含风能发电系统充裕度评估方法，包括以下步骤：
[0071]
步骤一：从风场收集每小时风速数据，根据最大似然估计法，确定多种候选概率分布的参数，计算多种候选概率分布的aic指标，选取aic指标最小的候选概率分布，为最优拟合的每小时风速边缘概率分布模型；
[0072]
所述步骤一包括以下步骤：
[0073]
s1.1:访问开放气象数据库，收集风电场24小时风速数据集，
[0074]
s1.2:利用风速数据，进行最大似然估计估计，算出九种候选概率分布的参数值，九种候选概率分布包括:weibull、rayleigh、lognormal、gamma、inverse gaussian、birnbaum-saunders、nakagami、logistic、generalizedextremevalue；
[0075]
s1.3:计算九种候选概率分布的aic指标，以weibull候选概率分布、风速v1为例，aic指标计算计算式为：s1.4:选取aic指标最小的候选概率分布，为最优拟合的每小时风速边缘概率分布模型。
[0076]
步骤二：构建基于gaussian copula函数的24小时风速联合概率分布模型；
[0077]
所述步骤二中，由于高斯copula能够以相对明确的表达式描述高维相关性，因此采用高斯copula。基于gaussian copula函数的24小时风速联合概率分布模型其公式如下：
[0078][0079]
上述函数中：f(
·
)为24小时风速联合概率密度函数，v(i,j)表示第i天第j小时的风速，fj(
·
)和fj(
·
)分别为使用aic准则从9组候选参数概率分布中优选确定的第j小时边际风速的累积概率密度函数和概率密度函数；
[0080]
为gaussian copula概率密度函数，其表达式为：
[0081]
[0082]
上式中，符号向量xi表示为i为单位矩阵，φ-1
(
·
)为标准正态累积概率密度函数的逆函数，符号|
·
|表示对矩阵求取行列式，r为gaussian copula函数的相关系数矩阵，同时也是也是gaussian copula函数唯一待确定的参数，可由估计得到。r-1
、n分别为xi的转置矩阵，r的逆矩阵和采集风速样本的天数。
[0083]
步骤四：引入季度修正系数，通过修正方程修正模拟
‑ⅰ
风速样本，构建关于季度修正系数的偏差函数，推导最优季度修正系数最小化修正前仿真风速样本的各季均值和标准差与实测风速样本各季均值和标准差间的偏差，得到模拟ⅱ风速样本。
[0084]
所述步骤四中，修正方程为：
[0085][0086]
式中：ω
(s,t)
和ξ
(s,t)
为第t时段s季节的季节修正系数，为修正前的模拟ⅰ风速，为修正后的模拟ⅱ风速。
[0087]
根据样本均值和标准差公式，模拟ⅰ风速和模拟ⅱ风速的均值和标准差满足以下两个关系式：
[0088][0089]
式中：和分别为修正前模拟ⅰ风速在第t时段s季节的均值和标准差；
[0090]
和分别为模拟ⅱ风速在第t时段s季节的均值和标准差；
[0091]
季度修正系数的偏差函数为：
[0092][0093]
μ
(s,t)
、σ
(s,t)
分别为实际风速t时段s季节的平均值和标准差
[0094]
当偏差函数取最小值时，推导得最优修正系数表达式：
[0095][0096]
通过将最优季度修正系数应用到修正方程中，实现最优修正，该最优修正使修正后的模拟ⅱ风速的均值和标准差与实测风速均值和标准差间偏差最小，从而得到具有日特
性和季特性的最优模拟ⅱ风速样本。
[0097]
步骤五：利用模拟ⅰ风速样本和模拟ⅱ风速，建立考虑日特性和季特性的风电联合发电系统季节充裕度评估程序，分析季节性模式，风电机组数量和系统峰值负荷对系统季节性充足性的影响。
[0098]
所述步骤五中，采集风电联产系统的实际风速样本、机组参数、系统负荷需求数据，计算季节性缺电时间期望值slole、季节性电量不足期望值sloee和季节性缺电频率slolf三个季节性充足率指数；包括以下步骤：
[0099]
s5.1：首先对所有发电机组的失效时间和修复时间进行采样，以确定风力发电系统的状态，失效时间公式为：ttf＝-ln(u)/λ；式中：u在间隔内的均匀分布式随机数[0,1]，λ是生成单元的故障率；修复时间公式为：ttr＝-ln(u)/γ，式中：γ是生成单元的故障率。
[0100]
s5.2：计算常规机组的可用容量，式中：y
up
是保持在运行状态的传统单元的数量，gy是留在运行状态的常规单元的额定功率；
[0101]
s5.3：用模拟ⅱ风速计算输出功率公式为式中：z
up
是运行状态的风电机组数量，是在第j时段k季节的模拟ⅱ风速的风电机组输出功率。
[0102]
风电机组的功率输出公式为：
[0103]
式中：v
ci
、vr和v
out
分别为切入风速、额定风速和切出风速，pr是风电机组的额定功率。系数a、b和c是用v
ci
和vr来确定的
[40]
，如下式所示：
[0104][0105][0106][0107]
s5.4：利用p
wf
和pg季节性系统负荷需求，计算第q个样本季节的lldq缺电持续时间(loss of load duration)，ensq电量不足(energy not supplied)，lloq缺电次数(loss of load occurrence)。之后得出季节性缺电时间期望值(seasonal loss of load expectation,slole)、季节性电量不足期望值(seasonal loss of energy expectation,sloee)和季节性缺电频率(seasonal loss of load frequency,slolf)；
[0108]
三个指标的计算公式分别为：
[0109]
[0110][0111][0112]
式中：lldq为第q个样本季节的缺电持续时间(loss of load duration)，ensq为第q个样本季节电量不足(energy not supplied)，lloq为第q个样本季节缺电次数(loss of load occurrence)。q为总的季节数量。
[0113]
s5.5：重复步骤上述步骤s5.1～s5.4，直至sloee指标的变异系数小于0.05或样本季节q大于1,000,000。
[0114]
s5.6：输出slole、sloee和slolf三个季节性充足率指数，根据这三个指标，分析季节性模式、风电机组数量和系统峰值负荷对系统季节性充足性的影响。
[0115]
实施例：
[0116]
使用了美国北达科他州坎多地区10年(2010.3月-2020年3月)的实际风速样本验证了所提出的模型。评估了ieee-rts风力发电系统的季节充分性。详细讨论了季节模式、风电机组数量和系统峰值负荷对系统季节充分性的影响。
[0117]
图1(a)～图1(d)和图2(a)～图2(d)显示了美国北达科他州里坎多地区10个时期的图1(a)所示春季，图1(b)所示夏季，图1(c)所示秋季和图1(d)所示冬季的实际、模拟ⅰ和模拟ⅱ风速的平均值和标准差。可以看出尽管时期不同，但模拟ⅱ风速的平均值和标准偏差在每个季节都与实际风速的平均值和标准偏差非常接近，这表明模拟ⅱ风速呈现出与实际风速相似的季节模式。而模拟ⅰ风速的平均值和标准偏差与各季节实际风速的平均值和标准偏差存在明显差距，表明模拟ⅰ风速的季节性模式与实际风速的季节性模式不一致。在夏季和秋季的大部分季节，模拟ⅰ风速的平均值高于实际和模拟ⅱ风速的平均值，这表明模拟ⅰ风速在夏季和秋季呈现出更丰富的风资源。相反，在春季和冬季的大多数季节，模拟ⅰ风速的平均值低于实际和模拟ⅱ风速的平均值，这表明模拟ⅰ风速在春季和冬季表现出更多的风资源不足。
[0118]
从上述观察结果可以得出结论，最佳季节系数适当调整模拟ⅰ风速，使模拟ⅱ风速显示出与实际风速相似的季节模式。此外，模拟ⅱ风速与实际风速具有相似的24小时风速平均值和标准偏差，这表明模拟ⅱ风速也表现出与实际风速相似的日变化模式。可以证明和验证所提出的两相风速模拟模型能够准确地考虑日变化和季节变化。模拟ⅰ风速的风资源与实际风速的风资源不匹配，这可能会给风力发电系统的季节充分性评估带来很大的误差。
[0119]
为了评估季节模式对系统充分性的影响，假设在cando安装一个假设风电场。该风电场由200台相同的风力涡轮机组成。风力涡轮机的切入风速、额定风速、切出风速、额定容量和轮毂高度分别为3米/秒、11.5米/秒、25米/秒、1.5兆瓦和80米。风力机的故障率和维修率分别为2.4％/一年150小时/一年。假设风电场集成到ieee-rts发电系统中。该系统包含32台常规机组，总容量为3405mw。系统峰值负荷为2850mw。在风电场整合之前，对原ieee-rts发电系统的slole、sloee和slolf进行评估，并在表1中给出，表2列出了使用模拟ⅰ和模拟ii风速的风力集成ieee-rts发电系统的slole、sloee和slolf。
[0120]
表1利用实际风速计算ieee-rts系统的slole、sloee和slolf
[0121][0122]
表2利用模拟ⅰ和模拟ⅱ风速计算ieee-rts风力发电系统的slole、sloee和slolf
[0123][0124]
表3不同风电机组数下利用模拟ⅰ和模拟ⅱ风速计算ieee-rts风力发电系统的slole、sloee和slolf
[0125][0126]
将表1与表2进行比较，得出以下观察结果。
[0127]
风电场整合后四季的slole、sloee和slolf均有所降低；模拟ii风速处理的夏、秋季的sole、sloee、slolf比模拟i风速的高，模拟ii风速处理的春、冬两季的sole、sloee、
slolf比模拟i风速处理的低。
[0128]
为了评估风电机组数量对季节性系统充裕性的影响，风电场中的风电机组数量分别增加到300台、400台和500台。利用所提出的季节充裕度评估方法，对不同风电机组数量下的ieee-rts风力发电系统的slole、sloee和slolf进行了评估。系统峰值负荷为2850mw，分别采用模拟i风速和模拟ii风速进行评估。结果如表3所示。可以看出，随着风力机数量的增加，系统的slole、sloee和slolf进一步降低，这表明系统的季节性充裕性将从风力机数量的增加中受益更多。此外，尽管风力涡轮机数量不断增加，但忽视风速季节模式会导致夏、秋季节适宜性指标被低估，而春冬适宜性指标被高估.
[0129]
此外，风速季节分布的不匹配导致夏秋两季适宜性指数被低估，而春、冬季适宜性指数被高估。如图1(a)～图1(d)和图2(a)～图2(d)所示，模拟ⅱ风速的平均值和标准差与实际风速的平均值和标准差是一致的，而模拟ⅰ风速的平均值和标准差则不一致。这造成了某些季节的季节性充足指数被低估和高估。