基于单机功率间歇性度量指标的风场发电质量评估策略

孙二平1，赵锡鑫，普智勇3，刘华军4，万 杰

(1.中国广核新能源控股有限公司，北京 100070; 2.哈尔滨工业大学 电气工程及自动化学院，黑龙江 哈尔滨 150001; 3.中国广核新能源投资(深圳)有限公司云南分公司，云南 昆明 650000; 4.云南八冶新能源科技有限公司，云南 昆明 650000)

0 引言

近年来，为应对日益加剧的能源安全和环境恶化问题，大力开发清洁新能源、提高可再生能源的转化与利用率已成为世界各国的基本共识。其中，风力发电凭借其风能资源丰富、环保节能、成本较低等优点在众多新能源发电中脱颖而出，得到快速发展。然而，风电是一种间歇性能源，其对电力系统的安全性、电能质量及经济性产生了重要影响，并会随着渗透率的增加而越来越突出[1-2]，阻碍了风电的进一步大规模安全高效并网利用。为此，国内外众多学者从风电间歇性对电网造成危害的角度展开了深入研究，风电间歇性增加了电力系统的备用容量和额外运行费用。并且，为了更好的缓解、平抑风电间歇性带来的影响，其定量度量和分析也是间歇性问题的一个重点研究方向。文献[3]提出用风速陡变占空比作为风速间歇性的定量刻画指标，并进行了相关统计分析。文献[4]还提出了用风机启停频度作为风速间歇性的定量刻画指标；实际上，在切入低风速附近出现的风机启动频度刻画的是风功率时有时无的特性，在切出高风速附近的风机停机频度指标描述的风功率时大时小的特性，该指标用于刻画风电机组功率的间歇性更为合适。文献[5]对现有的风力发电间歇度测量方法进行了梳理总结。文献[6]指出风机间的互补性使整体风场表现出的间歇性较弱，提出用爬坡占空比作为风电功率间歇性的定量刻画指标，并进行了相关统计分析。实际上，风电爬坡虽然已得到国内外研究人员的广泛关注，是体现风电不确定性的一个重要指标[7]；并且，文献[6]中的风电间歇性指标体现的也是风机出力时大时小的特性，虽然已经包含了文献[4]风机停机频度指标描述的风功率时大时小的特性，但缺乏对风机出力时有时无特性的刻画。此外，目前国内外未有利用间歇性指标进行风电场发电质量的综合评估的全面详细研究成果。

综上所述，现有单个度量指标对全面刻画风电机组发电功率间歇性存在不足。本文提出了一种基于风机功率陡变占空比和风机启动频度双度量指标组合方式的风电机组功率间歇性的全面刻画量方法。在此基础上，利用互相关分析方法、虚拟发电厂理论及数据驱动建模技术，形成一种可以综合评价未来一段时间虚拟风电场出力质量的评估策略；实际算例分析表明了该方法的应用可行性，可辅助对风场进行安全并网和合理弃风等决策。

1 风电功率间歇性的双指标组合度量方法

本文提出了一种可以综合考虑风功率时大时小和时有时无的间歇特性刻画方法，即在文献[6]给出的度量指标的基础上进行改进，同时进一步组合应用文献[4]的度量指标。通过对比分析现有单个度量指标对全面刻画风电间歇性存在的不足，本文给出一种风电机组功率间歇性的全面刻画方法如下：利用改进的陡变占空比描述风机功率时大时小特点，利用启动频度刻画风机风功率时有时无的特性。

1.1 改进后的风功率陡变占空比

首先，需要得到某段时间内风功率差

Δp(t)=p(t+Δt)-p(t)

(1)

式中 Δt——时间间隔，可以取1 min或者10 min；

p(t)和p(t+Δt)——t和t+Δt时刻的风功率，假设θ1和θ2分别为预先给定的风功率陡变正负阈值，则：当Δp(t)>θ1，则意味着发生了风功率陡升事件；当Δp(t)<θ2时则意味着发生了风功率陡降事件[6]。

设总的观测时长为T、选取合适的Δt，在该时间段内计算得到风功率差时间序列{Δp(t)}，记该序列中元素的个数为M。然后按照给定阈值θ1和θ2，统计风功率陡变事件发生的频次。则风功率陡变事件发生的时长T′可以表示为

T′=Δt×M

(2)

则风功率陡变占空比φ定义为

φ=(T′×100%)/T

(3)

可以看出，风功率陡变占空比φ位于[0 1]区间内，则φ越大，意味着一段时间内风功率陡变发生的时长越长，风功率的间歇性较强。文献[7]对风功率陡变事件及其相关研究进展进行了详细阐述。

表1爬坡事件时间间隔及相应的阈值

关于阈值的选取，参考文献[3]采用置信区间的概念来确定风速间歇性刻画的阈值，假设{Δp(t)}服从正态分布，则大约95%的风功率差Δp(t)位于区间[μ-2σ，μ+2σ]内，即

P(μ-2σ<Δp(t)<μ+2σ)=95%

(4)

式中μ和σ——序列{Δp(t)}的均值和标准差。

令θ1=μ-2σ，θ2=μ+2σ，则意味着区间内的风功率差是正常的风功率变化，而超出该区间的风功率差则表示发生了陡变事件。但该方法刻画风电间歇性时会把一部分爬坡事件包含在内，使得刻画不精确，因此需要在此基础上加入另外两个阈值θ3和θ4将爬坡事件剔除在外，进行修正后的间歇性的判断是：当θ1<Δp(t)<θ3或θ4<Δp(t)<θ2时，发生了风功率间歇性事件。由文献[6]知，爬坡占空比阈值选取如表1所示，其中，PR代表风电场的额定功率，Pth1(θ3)是上爬坡事件的阈值，Pth2(θ4)是下爬坡事件的阈值。

1.2 风机启动频度

如图1所示，规定风电机组单位时间内的启动频度为β。

第一步对原始风速时间序列进行10 min平均处理通常，即先用10 min内的平均风速这一数值代替10 min内的所有风速数值，然后对原始风速序列进行离散化处理，得到离散的“0-1”时间序列。离散化的规则如下：当风速小于切入风速或者大于切出风速时，将风速记为“0”，表示风电机组无功率输出；反之，将风速记为“1”，表示风电机组有功率输出[4]。即

(5)

第二步，令起始β=0，单位时间为10 min，规定采样点序号。

第三步，按照采样序号依次读取离散时间序列，在此基础上统计风电机组单位时间内的启动频度。规定Vi为离散时间序列中序号ti的风速值，Vi+1为离散时间序列中序号ti+1的风速值，若满足Vi+1=Vi+1，则β=β+1，即新的启动频度为原有的启动频度基础加1；反之，则新的启动频度等于原有的启动频度。

第四步，判断ti+1是不是最后一个采样点，如果不是，则从第二步开始重复之前的工作；若是，则结束工作，得到的β为最终的风力发电机启动频度。

图1 风电机组单位时间启停频度统计流程图

2 风电场发电质量综合评估策略

大规模风电并网后，风电间歇性对电力系统造成一系列技术和经济上的影响。因此，在评估风电场的发电质量时有必要引入间歇性度量指标。并且，虚拟发电厂为新能源电力的安全高效利用开辟了一条新的路径[8]。因此，本文引入虚拟发电厂、选用合适的风功率间歇性刻画量对发电质量评估，来为减小风电间歇性对电力系统的不利影响提供一定帮助。

首先，分别对多台风机的启动频度(陡变占空比)之间进行互相关分析，将相关性较高的多台风机聚合在一起，作为统一调度的虚拟发电场。对聚合在一起的虚拟风电场的启动切换频度(陡变占空比)进行预报，如果在未来一段时间内风场内的风机的启动频度(陡变占空比)高，则表明这段时间内风机启动频繁(风速变化剧烈)，其原因是风速变化剧烈，容易造成风电场输出功率波动增大、发电质量降低。最后，综合启停切换频率和陡变占空比以及它们相应的权重，给出一个风电场出力质量综合评价系数。尝试通过对比该评价系数的大小，在并网的过程中，优先选择评价系数大的风电场并网；而在需要弃风时，可以首先选择将评价系数最小的风电场进行弃风。

2.1 基于互相关分析的虚拟发电厂聚合方法

虚拟发电厂的实质是一组电源的聚合体，其需要寻找一种有效的聚合方式。类比信号处理中用互相关分析来描述两个信号之间的依赖关系[9]，可选取互相关分析作为聚合虚拟发电厂的方法。

假设x(t)与y(t)分别代表两个随机信号，则它们对应的互相关函数一般定义为

(6)

而互相关函数中的互相关系数定义如式(7)

(7)

互相关系数ρxy(τ)的取值范围为-1≤ρxy(τ)≤1。互相关系数的绝对值|ρxy(τ)|越大，则两个信号间的相关性越高，两个信号的关联程度越强。文献[9]给出了相关程度与相关系数取值的对应关系。

2.2 数据驱动预报技术

本文采用数据驱动建模技术进行预报，并在预报前利用自相关分析进行可预报性分析，以得到最佳预报时长，来使预报误差降低[10]。

2.2.1 自相关分析方法

常用Pearson自相关系数的具体原理如下：

假设x(t)，t=1,2,……,n是一个随机的时间序列，而信号x(t)与延迟τ时刻后的信号x(t+τ)间的协方差r(τ)的定义如式(2)所示

(8)

则信号x(t)与延迟τ时刻后的信号x(t+τ)的自相关系数ρxx(τ)定义为

(9)

自相关系数ρxx(τ)的取值范围和对应的相关性程度都与互相关相同。

2.2.2 BP神经网络算法

BP神经网络是常用的数据驱动建模技术之一，已被广泛应用于风电功率预测及风机故障诊断等许多方面[11-12]。它一般由输入层、隐含层和输出层三部分组成，其基本单位是神经元。如图2所示，为一个3层BP神经网络。神经元接受到输入信号Xi后，经过隐含层Hi正向传播至输出层Oi，输出Yi。输出的Yi与已有结果进行比较，得到的误差再经过隐含层反向传播至输出层，此过程中每一层神经元都得到了各自的误差，从而调节神经元内部的权重和阈值，持续迭代直到误差满足需要时，神经网络停止。

图2 典型3层BP神经网络结构

3 算例及结果分析

本文选择某一风电厂40台机组作为对象，每台风机的额定功率为15 kW。设定切入风速为3 m/s，切除风速为20 m/s。对风功率间歇性两个刻画量进行互相关分析，得到图3和图4所示的结果。选取相关系数大于等于0.6的风机组成虚拟风电厂，得到图5，图6所示的虚拟发电厂的风功率间歇性特性的结果，并在基础上进行自相关分析和预报，得到图7～图10的结果。

图3 启动频度互相关分析图

图4 陡变占空比互相关分析图

图5 虚拟风电场启动频度图

图6 虚拟风电场陡变占空比图

图7 启动频度自相关分析图

图8 陡变占空比自相关分析图

图9 启动频度BP神经网络图

图10 陡变占空比BP神经网络图

通过对上述算例结果分析可以看出：启动频度最佳预报时长为1 h，陡变占空比的最佳预报时长为2～3 h，BP神经网络的预报效果虽有一定误差，但整体较好。将风电启动频度转换为启动频率，并将相同时间的启动频率平均值与对应的陡变占空比均值相比，得到启动频度占40%，陡变占空比占60%。

4 结论及展望

本文针对基于单机功率间歇性度量指标的风场发电质量评估策略进行研究，结论如下：

(1)用单一的爬坡占空比指标来刻画风电机组功率的间歇性具有一定的局限性，不能综合考虑实际风电场中的机组启停问题；需要将改进的陡变占空比与风机启动频度结合起来对风功率间歇性进行全面刻画。

(2)用互相关函数对所有机组的风电功率间歇性度量指标序列进行分析，将相关性较高的风电机组聚合在一起组成虚拟风电场；用自相关分析法和BP神经网络算法对虚拟风场的功率间歇性度量指标序列进行建模预报，根据预报结果设置两个度量指标权重，给出未来最佳预报时长内虚拟风电场出力质量的综合评价系数，以便支持风场安全并网和合理弃风。

(3)实际算例分析表明了上述方法的应用可行性。