計及相關(guān)性的風(fēng)速模型及其在發(fā)電系統(tǒng)可靠性評估中的應(yīng)用.pdf

1、隨著全球能源和環(huán)境問題的日益突出，風(fēng)能的開發(fā)和利用已經(jīng)受到越來越多的關(guān)注。然而，風(fēng)是一種不穩(wěn)定、易變的能源，風(fēng)電場大規(guī)模接入必然會對電力系統(tǒng)產(chǎn)生與常規(guī)能源不同的可靠性影響。因此，研究風(fēng)電場對電力系統(tǒng)可靠性影響，對含風(fēng)能的電力系統(tǒng)規(guī)劃具有重要的理論指導(dǎo)意義和實(shí)際應(yīng)用價值。
　　當(dāng)前，我國風(fēng)電正向著大規(guī)模、高集中的方向發(fā)展。風(fēng)電場數(shù)量的增加以及容量的增大，迫切需要更加準(zhǔn)確的風(fēng)電場可靠性模型?；诖?，本文結(jié)合國家自然科學(xué)基金“風(fēng)電場可靠

2、性評估的概率模型及算法”(編號51077135)等項(xiàng)目，對影響風(fēng)電場出力的關(guān)鍵因素—風(fēng)速，進(jìn)行研究，提出單一風(fēng)速模型和計及相關(guān)性的多風(fēng)電場風(fēng)速模型，并將其應(yīng)用于含風(fēng)電場的電力系統(tǒng)發(fā)電充裕度評估。
　　提出一種基于核密度估計的非參數(shù)風(fēng)速概率分布模型。該方法基于數(shù)據(jù)驅(qū)動，不需假設(shè)風(fēng)速分布特性，能有效揭示隱藏在歷史風(fēng)速數(shù)據(jù)中的統(tǒng)計信息。應(yīng)用拒絕假設(shè)抽樣方法實(shí)現(xiàn)核密度函數(shù)下的風(fēng)速抽樣，利用非線性優(yōu)化方法和線性插值技術(shù)提高了抽樣效率和速度。

3、采用六個地區(qū)的風(fēng)速數(shù)據(jù)對本文模型準(zhǔn)確性和可用性進(jìn)行驗(yàn)證，結(jié)果表明：該模型對任意風(fēng)況的數(shù)據(jù)都呈現(xiàn)出較強(qiáng)的穩(wěn)定性和準(zhǔn)確性；六個地區(qū)概率分布擬合統(tǒng)計量Ra2均高于0.99，年電能產(chǎn)量平均誤差為0.47％，期望失負(fù)荷時間和期望失電量指標(biāo)平均誤差分別為0.22%和0.39%。
　　風(fēng)速不但具有概率分布特性，還表現(xiàn)出一定的時間延續(xù)性。為刻畫風(fēng)速序列的時間相依特性，提出一種基于連續(xù)狀態(tài)馬爾科夫鏈(continuous state markov

4、chain，CSMC)的時序風(fēng)速模擬方法。首先，利用變換技術(shù)將風(fēng)速數(shù)據(jù)轉(zhuǎn)至正態(tài)域；然后，在正態(tài)域內(nèi)構(gòu)造反映相鄰時刻風(fēng)速條件概率分布的連續(xù)轉(zhuǎn)移核，進(jìn)而得到時序風(fēng)速的連續(xù)狀態(tài)馬爾科夫鏈模型。該方法克服了離散狀態(tài)馬爾科夫鏈模型存在的準(zhǔn)確度和復(fù)雜度“選擇”難題。以該構(gòu)造方法為基礎(chǔ)，利用Copula函數(shù)將連續(xù)轉(zhuǎn)移核由正態(tài)分布擴(kuò)展為多種分布類型，得到了基于Copula函數(shù)的連續(xù)狀態(tài)馬爾科夫鏈時序風(fēng)速模型。算例分析表明：本文模型能夠保持原始風(fēng)速序列的

5、概率分布特性和時間相依特性，而且降低了建模復(fù)雜度。
　　在大規(guī)模風(fēng)電并網(wǎng)系統(tǒng)中，一個地區(qū)常常出現(xiàn)多個風(fēng)電場接入電網(wǎng)。由于風(fēng)電場間的地理位置關(guān)系，不同地點(diǎn)的風(fēng)速存在一定的相關(guān)性，這對風(fēng)電并網(wǎng)系統(tǒng)可靠性具有一定影響。因此，多風(fēng)電接入系統(tǒng)進(jìn)行可靠性評估時，模擬產(chǎn)生的風(fēng)速樣本應(yīng)計及它們之間的相關(guān)性。利用Copula函數(shù)提出一種多元風(fēng)速聯(lián)合概率分布模型。該方法將多元風(fēng)速分布的創(chuàng)建過程分解為單一風(fēng)速變量的邊緣分布構(gòu)造和風(fēng)速變量間的相關(guān)結(jié)構(gòu)識別

6、兩部分，其中邊緣分布采用核密度估計函數(shù)刻畫，相關(guān)結(jié)構(gòu)采用Copula函數(shù)捕捉。該方法有效地降低了多元聯(lián)合概率分布函數(shù)構(gòu)造難度。算例表明：Copula函數(shù)模型能夠有效地保持原始數(shù)據(jù)間的相依特性。
　　計及單一風(fēng)速序列的時間相依特性和多個風(fēng)速序列之間的空間相依特性，提出了分別基于自回歸滑動平均模型(autoregressive and moving average，ARMA)和CSMC模型的多元時序風(fēng)速模型。首先，利用ARMA模型或C

7、SMC模型描述單一風(fēng)速序列的時間相依關(guān)系；然后，利用Copula函數(shù)構(gòu)造多個風(fēng)速時間序列的聯(lián)合概率分布，捕捉空間相依關(guān)系；最后，組合時間相依模型和空間相依模型得到多元ARMA模型或多元CSMC模型。算例表明：多元ARMA模型能夠保持時間序列的自相關(guān)特性和聯(lián)合概率分布特性，但需要大量歷史樣本作為支撐；多元CSMC模型需要較少的訓(xùn)練樣本，但只能保持風(fēng)速序列的短期相依特性。
　　計及風(fēng)電場尾流效應(yīng)、風(fēng)電機(jī)組隨機(jī)停運(yùn)，提出了基于Monte