1、I分 类 号 密 级UDC 编 号武 汉 大 学硕 士 学 位 论 文风电爬坡对电力系统运行的影响分析：研 究 生 姓 名：学 号： 教授指 导 教 师 姓 名 、 职 称：校 外 导 师 姓 名 、 职 称：电力系统及其自动化专 业 名 称：新能源并网研 究 方 向年 月II摘要随着大规模风电基地的不断开发、并网风电装机容量日益增大，大规模高集中度的风电场群有功功率的变化对电力系统的影响变得更为显著。作为风电场群有功功率变化的一种表现形式，爬坡是指风电场群的输出有功功率在短时间内突然发生的大幅变化。本文为合理高效评估爬坡对电力系统运行的影响，做了以下工作：第一，对实际风电功率数据，研究了风电
2、场群功率总体统计特性，针对风电功率短时骤变这一有别于常规统计的特殊问题，采用极值统计方法，研究了不同风电并网容量、不同时间尺度下风电功率短时骤变极值的统计特性，指出了在多数情况下风电功率变化率有限，风电场群功率日峰谷差较大，在极少部分情况下风电功率短时骤变的幅值会远远超出正常风电功率波动的范围。基于此，将风电场群有功功率的变化分为日常爬坡和极端爬坡，并分别给出了定义方式。第二，指出应当重点分析极端爬坡对系统充裕性的影响，基于极端爬坡中风电功率变化速率大、常规机组爬坡率易构成约束、前后时刻关联性强的特性，提出了基于多时刻系统潮流计算的仿真方法，通过模拟日前风电预测、发电计划制作、自动发电控制、系
3、统削减部分负荷等环节，模拟出系统对极端爬坡的反应，从而评估极端爬坡对系统充裕性的影响。仿真结果表明，所用的方法能充分计及风电功率预测误差的时间序列特性和线路传输容量约束，能比传统方法更细致地反映系统特性。第三，指出应当重点分析日常爬坡对系统经济性的影响，基于日常爬坡中风电功率变化速率小、风电功率变化幅值大、样本数量较多的特性，提出了基于爬坡初始时刻系统潮流和常规机组调节能力计算各时刻在安全/经济约束下的可接受的风电功率极值的方法，通过求取削减负荷电量、弃风电量、常规机组增发高成本电量、常规机组减发低成本电量以及基于以上各电量的综合成本作为日常爬坡对系统经济性影响的指标量，从而评估日常爬坡对系统
4、经济性的影响。仿真结果表明，提出的方法避免了复杂的动态计算，同时保留了系统的网络参数信息。关键词：风电爬坡；极值统计；风电消纳；风电预测误差；有功功率调节； AbstractWith the continuous development of large-scale wind power base, the grid connected wind generation capacity is increasing, the frequent changes of active output power of large scale and high concentration wind far
5、ms have affected power system significantly.As a form of wind power fluctuation, a ramp is a sudden and large change (increase or decrease) in wind power. In order to assess the impact of ramp on the power system reasonably and efficiently, the main research work are as follows:Firstly, based on the
6、 actual data of wind power, the statistical properties of wind power are studied. For the wind power short-term ramp, which is different from conventional statistical problems, a extreme value statistical method is proposed. The statistical properties of wind power short-term ramp are studied under
7、different wind power capacity and different time scales. Its pointed out that in most cases the ramp rate of wind power is limited but the difference between peak wind power and valley wind power is large in magnitude. In some cases, the ramp rate of wind power is far beyond the scope of normal fluc
8、tuations of wind power. The variation of wind power can be divided into daily ramp and extreme ramp, which are defined separately.Secondly, it is pointed out that the emphasis of extreme ramp analysis should be the impact on system adequacy. Considering the high ramp rates of extreme ramps, the conv
9、entional unit ramp rate easily constituting a constraint and the time the strong relevance of consecutive moments, a simulation method based on multi-time flow of calculation is proposed. By simulating the day-ahead wind forecast, the generation scheduling, the automatic generation control, the load
10、 shedding, the wind power curtailment and other aspects of the system, the simulation are as close as possible to the actual system reaction, assessing the adequacy influence of the extreme ramps on power system. The simulation results show that the proposed method can fully reflect the time-series
11、properties of wind power prediction errors and line transmission capacity constraint, thus intimating the power system more closely than traditional methods.Thirdly, it is pointed out that the emphasis of daily ramp analysis should be the impact on system economy. Considering the low ramp rates and
12、large magnitudes of daily ramps and the large number of samples, a method based on the initial time power flow and the ramp rates of conventional power plants is proposed to calculate the maximum and minimum wind power that can be accepted under safe / economic constraints. By obtaining load sheddin
13、g energy, wind power curtailment energy, additional high-cost energy，reduced low-cost energy and comprehensive cost of all above, the economic impact of daily ramp are IVassessed. Simulation results show that, the proposed method can avoid complex dynamic calculations and improve efficiency, while r
14、etaining the network parameter information of power system.Keywords: Wind power ramp; Extreme value analysis; Wind power accommodating; Wind Power Forecast Error; Active power adjustment; V目 录摘要 .IAbstract.III1 绪论 11.1 研究背景与意义 .11.2 相关领域研究现状 .21.2.1 爬坡定义的研究进展 21.2.2 风电场群有功功率统计的研究进展 31.2.3 爬坡对系统影响分析的
15、研究进展 41.3 现阶段研究存在的问题 .51.4 本文的主要工作 .52 风电场群有功功率统计分析及风电爬坡定义 72.1 引言 .72.2 风电场群有功功率总体统计分析 .72.2.1 风电场群有功功率统计分析指标 72.2.2 数据描述 92.2.3 风电场群有功功率统计分析 92.3 风电有功功率短时骤变的极值统计分析 .152.3.1 风电有功功率的短时极端变化 152.3.2 风电有功功率短时骤降的极值离群度 172.3.3 基于 POT-GPD 的极值统计建模方法 .192.3.4 基于 POT-GPD 的骤降极值分析示例 .212.3.5 风电有功功率短时骤降极值与装机容量和
16、时间尺度的关系 242.3.6 风电有功功率短时骤降在一天中发生时刻的分布 252.3.7 风电有功功率短时骤升的对比分析 282.4 日常爬坡和极端爬坡的定义方式 .302.5 本章小结 .313 极端爬坡对电力系统充裕性的影响 333.1 引言 .333.2 电力系统有功功率平衡模型的分析与简化 .333.3 基于历史重演的极端爬坡分析 .353.3.1 日前发电计划模型 353.3.2 自动发电控制模型 36VI3.3.3 系统削减负荷、弃风模型 383.3.4 算例分析 393.4 基于日前预演的极端爬坡分析 .433.4.1 基于随机数生成-换位算法的风电预测误差序列生成 .443.
17、4.2 基于非序贯蒙特卡洛方法日前预演的极端爬坡影响评估 463.4.3 算例分析 483.5 本章小结 .504 日常爬坡对电力系统经济性的影响 514.1 引言 .514.2 日常爬 坡 经 济 性 影 响 评 估 原 理 .514.2.1 日常爬坡的定义与提取 514.2.2 日常爬坡对电力系统的经济性影响 524.2.3 风电安全域与风电经济域 534.2.4 负荷变化与风电预测误差 554.2.5 日常爬坡对电力系统经济性影响的指标量 574.3 算法流程 .584.4 算例分析 .594.4.1 单次日常爬坡分析 604.4.2 日常爬坡相关因素分析 624.5 本章小结 .645
18、 总结与展望 655.1 全文总结 .655.2 工作展望 .65参考文献 67攻读硕士学位期间发表的科研成果 7111 绪论1.1 研究背景与意义作为一种潜力大、无污染、技术相对成熟的可再生能源，风能受到了世界各国的重视，作为风能利用的主要方式，风力发电技术在世界范围内迅速普及应用，风电装机容量在近年来不断提升 1-3。作为风能最为资源丰富的国家之一，我国根据“建设大基地，融入大电网”的发展思路，正在有序推进甘肃酒泉、蒙东、蒙西、河北、吉林、黑龙江、山东、新疆哈密、江苏等九大千万千瓦级风电基地的建设 4-6。2013 的12 月底，全国风力发电的总装机容量达到 134.25GW，并网风电装机
19、容量达到77.58GW，另有 56.67GW 的已批准在建风力发电装机容量。2013 全国年风电总发电量为 134. 9TWh，占全国总发电量的 2.3%， “弃风”损失电量为 16.2 TWh7。据中国风电发展路线图 2050 ，到 2020 年，中国风电累计装机将突破 200GW，占电力系统总装机容量的 11，占总发电量 5：2030 年和 2050 年将分别达到 400GW 和1000GW，分别占总电量的 8和 17。在风电资源丰富的地方建设大规模、高集中度的风电场群是我国风电发展的一贯方式。这样的发展方式在充分利用风力资源的同时也带来了一些问题，我国的风电基地大部分位于西北、东北等相对
20、偏远地区，这些地区本身负荷需求并不高，不足以就地消纳风电基地所产生的风电电量。需要建设远距离输电线路将大规模、高集中度的风电场群输出的有功功率集中接入电网，相对于分散接入的方式，大规模、高集中度的风电场群的有功功率变化同步性较强，更容易出现风电功率在短时间内发生大幅度变化的情况，这势必改变受端电网原有的有功功率平衡方式。由于负荷的不断波动，电力系统一直处于动态的功率平衡状态，对于电网负荷的一般波动具有应对能力，即电力系统能够应对常规的风电功率波动，实际上能够电力系统造成重大安全性/经济性影响的是风电爬坡事件。风电爬坡（wind power ramp） ，也称风电功率爬坡，简称爬坡，是指风电场群
21、输出有功功率在短时间内发生大幅度的变化（上升或下降） ，这里的较短时间通常指几十分钟到数小时。爬坡与风电功率波动的区别在于：前者侧重于将一段时间的风电功率变化作为一个事件提取出来，并且默认这段时间内风电功率变化是单调的或近似单调的；而后者侧重于风电功率长时间的反复变化。爬坡这一概念在国外使用的比较广泛，相关的记录和研究也较多：在 2008 年的 2 月 26 日，美国德州 ERCOT 辖区内，风电功率发生了幅值为 1700MW 的向下爬坡（ramp down）且发生时间比预测要早 2小时，同时伴有一台常规发电机（额定功率 370MW）计划外退出运行、负荷预测值2比实际值小 1000MW，最终在
22、这些因素的共同作用下，ERCOT 采取了紧急电量缩减计划（EECP） ，频率最低时降至 59.85Hz8；美国博纳维尔电业局 (Bonneville Power Administration，BPA)在相关报告中指出 9，在 2009 年 10 月，当区域内装机容量为2100MW 时，该区域应对爬坡所需的备用容量已经超过了应对负荷所需的备用容量；在美国夏威夷欧胡岛，有文献指出若按其 2014 年的规划计算，在风电装机超过500MW 的情况下，风电渗透率将达到 40%以上，10 分钟级风电爬坡率过大会可能会引起系统频率超出安全范围 10；在北欧，大规模的风电并入引起的风电爬坡会使2020 年备用
23、容量需求在 2010 年的基础上增加一倍 11。在国内，尽管通常不直接使用爬坡这一概念，但也有风电功率大幅变化引起调峰困难、系统安全裕度下降的情况发生。研究风电功率爬坡及其对系统的影响，有助于认识风电功率变化的规律，使风电预测更有针对性，使含风电电力系统的运行更加经济、安全，电源及网架规划更加合理。1.2 相关领域研究现状1.2.1 爬坡定义的研究进展爬坡（ramp）是指风电场群的输出有功功率在短时间内突然发生的大幅度的变化。定义爬坡，是为了更好、更方便地对风电场群的有功功率进行统计，从而指导含风电电力系统的运行、调度、规划。关注的问题不同，选取的地区、系统不同，爬坡的定义方式也就不同。尽管到
24、目前为止，对爬坡还没有一个统一量化的定义,但几种常用的定义方法都关注到了爬坡幅值、爬坡速率和持续时间等特征量中的一个或多个 12。定义一 13：风电功率信号幅值在 时间内的变化大于某一设定值 ，称为爬t坡。(1.1)()(valPttP定义二 14：风电功率信号幅值在 时间内的最大值与最小值之差大于某一设定值 ，称为爬坡。(1.2)max(,)in(,)valtt定义三 15：两个时刻风电功率之差的绝对值与时间的比值大于某预先设定的最大爬坡率 ，称为爬坡。(1.3)()(valPttPR3定义四 16：设 为风电功率的时间序列，定义 为某一时刻功率信号做差()Pt ()fPt分后取滑动平均值：
25、(1.4)1()()()amnf amhttthn则当 的绝对值大于某预先设定值 ，称为爬坡。()fPt (1.5)()fvalPt以上定义分别关注了风电功率变化的幅值、极差、速率和风电功率变化的低频分量。以上这些定义分别在不同的文献中应用在了不同的场合，包括：统计风电功率在特定时间间隔下的变化幅值分布、研究风电爬坡和气象因素的关系、研究风电功率快速变化时的风电预测误差大小，等等。1.2.2 风电场群有功功率统计的研究进展与传统发电机组不同，大规模风电场群的有功功率时刻都在变化之中，而且这种有功功率的变化在许多情况下不能被完全准确地预测出来，换言之，大规模风电场群的有功功率具有波动性和不确定性
26、。统计风电场群的有功功率历史数据，是认识风电场群有功功率的总体分布和变化规律的前提，对风电的预测 17,18、含风电系统的调度19,20、运行 21-23、电源规划 25-28都有指导意义，也是研究爬坡的基础。目前已有许多文献关注到了风电有功功率统计：文献4指出，酒泉风电场群功率每分钟变化率以 90%的概率小于装机容量的 0.6%，以 99%的概率小于装机容量的1%，对风电功率每分钟变化率的极值分布特性没有做进一步的分析；文献29 关注风电场内各风机间功率的平滑效应，并将平滑效应归因于从时间延迟和空间分散，研究了平滑效应和时间尺度、风机数目、风场空间大小的关系；文献30通过实测数据指标量的经验
27、分布定量分析了风电功率波动在不同时间、空间尺度上的分布特性，没有采用概率密度函数建模；文献31 采用 t location-scale 分布描述风电功率波动特性的概率分布，通过 t location-scale 分布取得了比正态分布更好的拟合效果；文献 32利用混合高斯分布拟合风电变化率，提出了反应风电群聚对功率波动性平滑效果的评价指标；文献33 通过分析风电功率时间序列内部组成结构，提出了一种构造未来风电功率场景的新方法；文献34 基于实测历史数据，统计每天同一时刻的风电功率，得到 96 个不同时刻的概率分布结果，并通过函数拟合归纳出由分段函数表达的风电功率概率特征；文献35 利用实际数据分
28、析与运行模拟相结合的方式，将海上风电的功率特性与陆上风电进行了对比研究；文献36 研究了风机集群在不同时间和空间尺度下的平滑效应，根据实际数据，对比分析了在不同时间跨度、风机距离、风速高低下4的风电功率相关性；文献37分析了美国 BPA 辖区内风电有功功率在不同时间尺度下变化幅值的分布，统计了相应的均值与样本标准差；文献38分析了美国德州西部的一年中风电场群功率的骤升、骤降次数，分析了风电骤变发生概率与季节、时刻的关系；文献39 对风电场群的时空相关性进行了建模。以上文献普遍认为由于各风电场间的平滑效应，在短时间尺度，风电功率的变化相对于风电装机容量是较为有限的，在风电渗透率不高的情况下，通常
29、不会影响到供电充裕性，而大规模高集中度风电场群有功功率的变化会加大系统净负荷的峰谷差，给系统调峰带来困难。1.2.3 爬坡对系统影响分析的研究进展本文所研究的爬坡，是风电功率变化的一种表现形式。目前已有许多文献关注到了风电功率变化对系统的影响。这些文献大致可以分为两类： 第一类文献关注的时间尺度较短，主要关注风电功率变化对实时功率平衡的影响，例如对系统频率以及一、二次调频容量需求的影响，然而这些文献关于短时间尺度风电功率变化对实时功率平衡的影响大小存在争议。部分学者认为：对于变速风机，由于控制系统使风力机转速和系统频率无直接关联 40，风机不提供频率惯量，风电功率波动严重影响系统频率，风力发电
30、需要额外的调频容量 40,41。另一些学者认为：由于短时间尺度的风电功率平滑效应，风电功率波动有限，而大型互联系统有较强调频能力，因此风电对系统频率影响很小 42。存在分歧的主要原因是这些文献使用的分析方法不同，并且不是对同一个系统、同一个算例进行分析，由于风电渗透率的不同、系统规模的不同，短时间尺度风电功率变化对实时功率平衡的影响程度也就不同。第二类文献关注的实际尺度较长，主要关注风电功率变化是否超出了常规机组功率的调节范围，例如风电有功功率变化对系统可靠性、调峰的影响。文献44根据风电功率统计特性对风电场建模，给出了风电可靠性评估的简化模型；文献45基于概率潮流根据输电系统规划计算了风电不
31、确定性所带来风险；文献46利用聚类分析给出了风电功率预测误差与备用容量需求的关联模型；文献47通过序贯蒙特卡洛方法模拟风机和常规机组停运计算出了风电并网系统调峰裕度；文献48利用随机过程求取系统所需的备用容量并且计算其费用；文献49分析了常规发电机组的最小功率特性，提出了系统中计算常规机组下调峰接纳风电容量极限的方法；文献50基于甘肃风电基地实际，比较了各种调峰方式，提出新建常规火电机组为风电调峰的设想；文献51着眼西北电网具体情况，采用水电、火电联合为风电调峰，给出一种调峰能力的实用计算方法；文献52从分析了 2010 年京津塘电网的调峰能力，计算可接受的风电容量；文献53 采用风速的威布尔
32、分布函数模拟风电功率，基于净负荷日峰谷差评价风电对系统调峰的影响；文献54提出了一种基于风电功率预测的电网静态调峰能5力极限计算方法；文献55研究了大规模风电入网所带来的辅助服务成本补偿，提出了辅助成本多种分摊机制；文献56研究了含风电场的互联电力系统备用容量优化问题；文献57 从系统调峰容量角度，分析了风电消纳能力。与第一类文献不同：这类文献的结论普遍比较一致，即大规模高集中度风电场群有功功率的变化确实会加大系统净负荷的峰谷差，给系统调峰带来困难。1.3 现阶段研究存在的问题对于风电功率统计，现阶段研究的问题在于没有充分认识到这个问题有两个方面：一方面，大规模高集中度风电场群有功功率的变化确
33、实会加大系统净负荷的峰谷差，给系统调峰带来困难，这种现象是常见的、经常发生的、具有日常性的。另一方面，随着风电场群运行年限增长，风电渗透率逐步提高，以较小概率出现的风电功率在短时间尺度的急剧变化，可能在一定程度上影响系统供电充裕性，这种现象是罕见的、偶尔发生的、具有极端性的。在研究大规模风电场群的有功功率的统计性质时，有必要对二者加以区别，只单独强调其中任意一方面的现象都可能会导致错误的结论。现阶段关于风电功率变化对电力系统影响分析的研究，主要关注的是电力系统的可靠性，通过对风电功率和系统元件正常/故障状态进行随机抽样，计算失负荷期望和电量不足期望。常用的方法有以下几方面问题：(1)对约束条件
34、的处理较为粗糙，只考虑总发电和总负荷相等，没有考虑线路传输容量限制和线路损耗；(2)在体现风电功率变化时，多数选取的是每小时的风电平均功率，没有分钟级的风电功率，时间分辨率过低，这种情况下无法计及常规机组的爬坡率约束，即使列出爬坡率约束，也往往形同虚设；(3)没有计及风电预测误差的影响，或只考虑了平衡风电预测误差的备用需求而没有考虑预测误差对日前发电计划的影响。1.4 本文的主要工作风电爬坡会对电力系统的安全经济运行造成影响，本文主要从大规模高集中度风电场群本身的有功功率统计特性和风电爬坡与系统的交互作用两方面出发，探讨了风电场群在正常情况下和极端情况下的有功功率统计特性、极端爬坡对电力系统充
35、裕性的影响和日常爬坡对电力系统经济性的影响。主要的研究工作如下：(1)通过研究风电场群的有功功率在不同时间间隔下变化幅值的统计特性发现，大部分情况下的风电场群有功功率变化幅度较为有限，不足以对该时间尺度下的电力系统充裕性构成威胁，而在极少部分情况下风电功率短时骤变的幅值会远远超出正常风6电功率波动的范围并有可能对电力系统充裕性构成威胁。据此，将风电场群有功功率的变化分为日常爬坡和极端爬坡，并分别给出定义方式。(2) 基于极端爬坡中风电功率变化速率大、常规机组爬坡率易构成约束、前后时刻关联性强的特性，提出了基于多时刻系统潮流计算的仿真方法，通过模拟日前风电预测、发电计划制作、自动发电控制、系统减
36、负荷等环节，尽可能真实地模拟出系统对极端爬坡的反应，从而评估极端爬坡对系统充裕性的影响。(3)针对日常爬坡，指出由于风电固有的波动性，日常爬坡分析的样本巨大，相比于极端爬坡的分析需要更高效快速的分析方法。针对电力系统在爬坡初始时刻的潮流，提出在不显著增加常规机组发电成本下，计算在爬坡过程中系统所能接受的风电有功功率的最大值与最小值，并将二者之间的区域称为风电经济可行域。利用风电经济可行域可以方便地判别日常爬坡是否对系统经济性构成影响、造成多大影响，与传统的分析方法相比，该方法能计及支路传输容量限制，更细致地刻画了系统的特性。72 风电场群有功功率统计分析及风电爬坡定义2.1 引言统计风电场群有
37、功功率数据，是认识风电场群有功功率的变化规律的前提，对风电的预测、含风电系统的调度、运行、电源规划都有指导意义，也是风电功率爬坡定义合理性的重要保障。本章基于数理统计，首先对大规模风电场群中长期功率总体特性进行分析，求出风电功率概率分布、风电功率变化率分布、风电功率日峰谷差分布以及风电功率日峰谷差转化率分布。随后，对于出现概率较小但变化速率极大的风电功率变化，本章选取风电功率短时骤降这一区别于常规风电功率统计的问题进行重点研究，利用极值分布拟合风电功率短时骤降数据，基于极值分布拟合结果提出衡量风电功率短时骤降的指标，之后，利用相同的方法对风电功率短时骤升做了对比分析。本章对风电功率的分析指出，
38、风电功率的变化在多数情况下表现为较有限的风电变化率和较大的风电功率日峰谷差，在极少数情况下表现为短时间尺度内较高的风电功率变化率。基于此将风电功率变化区分为日常爬坡和极端爬坡，并分别给出定义方式。本章的统计工作为后续章节分析爬坡对系统影响有指导意义。2.2 风电场群有功功率总体统计分析2.2.1 风电场群有功功率统计分析指标(1)风电功率概率分布及一天中不同时刻的风电功率均值风电功率概率分布及风电功率累积概率分布是风电场群功率总体统计分析的基本内容，是计算风电场年利用小时数、风电场容量可信度等衍生指标的基础。对于风电场群，只有当其装机容量和能输出的最大功率都达到一定水平后，爬坡的研究才较为有意
39、义。设 x 为风电功率，对应的风电功率概率为 p(x)，风电功率累积概率为 F(x)，则有()/pxtT(2.1)0Fd (2.2)其中， t(x)为风电功率在统计总时长 T 内等于 x 的时间。为便于直观地展示统计结果，需将风电功率离散化用以作直方图。设在 0 到装机容量有 M 个离散化功率水平 （i=1，2，M） ，则有8(2.3)()/iipxnN(2.4)iiFm其中， 为统计总时长内风电场功率近似等于 的观测值个数； 为统计总时长 内风电场功率小于等于 的观测值个数；N 为统计总时长内的观测值总数； 、 （ ）分别为对应的风电功率概率和风电功率累积概率。（ ）在许多文献中都提到了，风
40、电功率昼低夜高的特性，为了分析该特性是否存在，对总统计时长内一天的各个时刻，求取每天该时刻风电功率的平均值(2.5)1()()MiiPtt其中： 为统计总时长内一天中第 t 个时刻风电功率的平均值； 为统计总时()Pt M长内包含的天数； 为第 i 天第 t 个时刻风电功率。it(2)风电功率变化率风电功率变化率是指某相邻时段风电场群功率之差，反映的是指定时间尺度下风电有功功率变化的幅值。(2.6)()=)(PttP其中， 为风电功率变化率； 为 t 时刻风电场群有功功率； 为P() P() P(+)时刻风电场群有功功率。+风电功率的变化需要由系统的有功功率调节来应对，风电功率变化率体现了风电
41、对系统有功调节能力的需求量。对风电功率变化率进行统计，可以校验在当前风电规模下系统的有功调节能力是否充足，也是计算风电对一、二次调频容量需求的重要参考。(3)风电功率日峰谷差风电功率日峰谷差是指一天当中风电功率的最大值减去风电功率的最小值。(2.7)m()axin()dwinaydyd aPtt其中， 为风电功率日峰谷差； 和 分别表示一P P()P()天当中风电功率的最大值和最小值。风电功率日峰谷差是衡量风电出力在一天中波动大小的重要指标，能间接反映风电对系统调峰的影响，是评估一天中风电出力变化是否可能超出常规机组调节范围的重要参考。(4)风电出力日峰谷差转化率对于含大规模风电的系统，系统调
42、峰关注的是净负荷的日峰谷差。定义风电出力日峰谷差转化率为：9(2.8)_windetloaloaPk其中， 为风电功率日峰谷差； 为净负荷（负荷减风电）日峰谷差；P P_为负荷的日峰谷差。P对于许多文献中都提到的风电功率昼低夜高的负调峰特性，风电功率日峰谷差转化率这一指标可以对这一现象进行定量描述，从而指出风电在一天中的变化幅值在多大程度上改变了系统的调峰容量需求。2.2.2 数据描述本论文所使用的数据，来自美国博纳维尔电业局(Bonneville Power Administration，BPA)，该机构拥有美国太平洋沿岸西北部地区 75%的高压输电线路和 40%的电力市场份额。该地区内的风
43、电装机规模在 2007 年为 722MW，其后逐步上升，至 2012 年突破 4500MW，并在其后趋于稳定。其风电场群主要位于华盛顿州南部与俄勒冈州北部，距海岸线约 300 公里。该地区的总负荷水平在一年当中随季节有一定变化，日最大负荷在 5000MW 至 9500MW 左右。BPA 的 SCADA 系统采集了区域内的总风电有功功率、系统总负荷等数据，同时还提供了风电运行状态数据，可以将风电功率爬坡与人为限制风电区分开，这些数据采集周期为 5 分钟。2.2.3 风电场群有功功率统计分析(1) 风电功率概率分布及一天中不同时刻的风电功率均值在 2012 年 5 月 17 日至 2014 年 5
44、 月 17 日两年的统计时段内，BPA 风电场群总装机容量为 4605MW，其风电功率概率分布及累积概率分布的结果见图 2.1 和图 2.2。统计一天中不同时刻的风电功率均值如图 2.3 所示。100 500 1000 1500 2000 2500 3000 3500 4000 4500 500000.050.10.150.20.250.30.35风 电 场 群 有 功 出 力 /MW概率图 2.1 风电功率概率分布从图 2.1 中可以看出，该风电场群的最大功率(4512MW)已接近风电场的装机容量，说明该风电场群所接入电网至少在某些时候是可以接近全额接纳风电场额定容量的功率；另一方面，在 3
45、0%的时间内风电场群的功率小于等于 200MW，在所统计的两年时间内，风电的平均年利用小时数为 2348 小时，和常规发电相比较低，反映出了风力发电固有的一些特性。0 500 1000 1500 2000 2500 3000 3500 4000 4500 500000.10.20.30.40.50.60.70.80.91风 电 场 群 有 功 出 力 /MW累积概率图 2.2 风电功率累积概率分布11从图 2.2 中可以看出，风电场群功率有 50%的时间在 770MW 以下，有 80%的时间在 2540MW 以下，仅有 10%的时间风电功率场群超过 3300MW。0 2 4 6 8 10 12
46、 14 16 18 20 22 24050010001500时 间 /h风电平均出力一 天 中 不 同 时 刻 的 风 电 出 力 平 均 值图 2.3 一天中不同时刻的风电功率平均值从图 2.3 中可以看出，风电场群的功率在白天中较低，而在夜晚较高，具有昼低夜高的特性。(2)风电功率变化率在 2012 年 5 月 17 日至 2014 年 5 月 16 日两年的统计时段内，风电场群总装机容量为 4605MW，5 分钟时间尺度风电功率变化率概率分布、5 分钟时间尺度风电功率上升速率累积概率分布、5 分钟时间尺度风电功率下降速率累积概率分布的结果见图2.4、图 2.5、图 2.6。12-200
47、-150 -100 -50 0 50 100 150 20000.050.10.150.20.250.30.350.40.450.55分 钟 尺 度 风 电 场 群 有 功 出 力 变 化 率 /MW概率图 2.4 5 分钟时间尺度风电功率变化率概率分布从图 2.4 中可以看出，对于所研究的风电场群，在 5min 内其有功功率的变化率大部分集中在-50MW/5min 到+50MW/5min ，即大部分情况下风电场群有功功率平均每分钟的变化率小于 10MW/min。0 20 40 60 80 100 120 140 160 180 20000.10.20.30.40.50.60.70.80.91
48、5分 钟 尺 度 风 电 场 群 有 功 出 力 上 升 速 率 /MW累积概率图 2.5 5 分钟时间尺度风电功率上升速率累积概率分布从图 2.5 中可以看出，对于 5 分钟时间尺度而言，在 90%的情况下，风电场群有功功率上升速率小于+50MW/5min ；在 99%的情况下，风电场群有功功率上升速率小13于+128MW/5min，折算后其每分钟平均上升速率为额定容量的 0.56%。0 20 40 60 80 100 120 140 160 180 20000.10.20.30.40.50.60.70.80.915分 钟 尺 度 风 电 场 群 有 功 出 力 下 降 速 率 /MW累积概率图 2.6 5 分钟时间尺度风电功率下降速率累积概率从图 2.6 中可以看出，对于 5 分钟时间尺度而言，在 90%的情况下，风电场群有功功率下降速率小于 47MW/5min；在 99%的情况下，风电场群有功功率下降速率小于 107MW/5min，折算后其每分钟平均上升速率为额定容量的 0.46%。(3)风电功率日峰谷差风电功率日峰谷差的概率分布与累计概率分布见图 2.7。0 500 1000 1500 2000 2500 3000 3500 4000 4500 500000.010.020.030.040.050.060.070.080.09风 电 出 力 日 峰 谷 差 /MW
