基于風(fēng)電場輸出功率波動特性分析的本征時間尺度的確定

時 彤，姜 卓，肖 白

(1.大唐東北電力試驗研究所有限公司，吉林 長春 130012； 2.北華大學(xué)計算機科學(xué)與技術(shù)學(xué)院，吉林 吉林 132021； 3.東北電力大學(xué)電氣工程學(xué)院，吉林 吉林 132012)

基于風(fēng)電場輸出功率波動特性分析的本征時間尺度的確定

時 彤1，姜 卓2，肖 白3

(1.大唐東北電力試驗研究所有限公司，吉林 長春 130012； 2.北華大學(xué)計算機科學(xué)與技術(shù)學(xué)院，吉林 吉林 132021； 3.東北電力大學(xué)電氣工程學(xué)院，吉林 吉林 132012)

風(fēng)電是一種輸出功率具有隨機波動性的電源，分析風(fēng)電功率波動特性時，采樣時間間隔長短的不同會影響對其分析結(jié)果的準(zhǔn)確性。在眾多的采樣時間間隔中，期望找到一個采樣時間間隔使得分析結(jié)果與風(fēng)電的基本波動特性最為相近，又能縮短工程上的計算分析時間，并將這個采樣時間間隔稱之為本征時間尺度。首先建立可以刻畫風(fēng)電功率波動特性的指標(biāo)體系，然后對各指標(biāo)在不同時間尺度下的變化規(guī)律及趨勢進行分析，最后在詳細探討采樣時間對風(fēng)電特性的影響后，確定本征時間尺度。

風(fēng)電功率；波動特性；采樣時間間隔；本征時間尺度

Project supported by Jilin Provincial Natural Science Foundation of China(20140101079JC)

0 引言

風(fēng)能作為一種分布廣泛的清潔能源，已受到全世界各國的高度重視。作為風(fēng)能利用主要形式的風(fēng)力發(fā)電，其發(fā)展速度日益加快。風(fēng)能的間歇性決定了風(fēng)電功率具有不可精確預(yù)期的波動性，這也正是風(fēng)電并網(wǎng)產(chǎn)生影響的根本所在。

隨著大規(guī)模風(fēng)電并網(wǎng)給電力系統(tǒng)安全穩(wěn)定運行帶來影響的日益加大，國內(nèi)外研究學(xué)者對風(fēng)電功率波動特性進行了深入的研究分析。文獻[1-4]通過不同的方法對風(fēng)電功率進行預(yù)測，并對預(yù)測精度進行了分析。文獻[5-6]設(shè)定風(fēng)速滿足威布爾分布，通過風(fēng)速與風(fēng)電機組輸出功率的關(guān)系得到風(fēng)電功率的分布，進而得出風(fēng)電功率的波動特性。文獻[7]提出可以采用帶位移因子與伸縮系數(shù)的t分布(t location-scale)來描述風(fēng)電功率波動特性的概率分布。但是這些文獻對風(fēng)電功率時序波動特性的量化分析研究并不多。

為此，文獻[8]在對實測運行數(shù)據(jù)進行分析的基礎(chǔ)上，得到該地區(qū)風(fēng)電限風(fēng)的時序特征。文獻[9]分析了風(fēng)電場的輸出功率概率分布和多個風(fēng)電場的聯(lián)合輸出功率特性，并給出了其在電力系統(tǒng)分析中的應(yīng)用。文獻[10]分析了不同時間尺度下風(fēng)電功率波動對電網(wǎng)的影響程度。文獻[11]基于中國東北某省級電網(wǎng)千萬千瓦級風(fēng)電基地實測功率數(shù)據(jù)，定量分析了風(fēng)電功率波動在不同時間、空間尺度上的分布特性。文獻[12]較為全面地綜述了國內(nèi)外短期風(fēng)電功率預(yù)測技術(shù)的研究現(xiàn)狀，介紹了風(fēng)電功率預(yù)測的相關(guān)物理與統(tǒng)計方法，并對預(yù)測誤差產(chǎn)生的原因及評價方法做了進一步分析。文獻[13]對感應(yīng)發(fā)電機輸入矩陣的功率波動幅值與電機參數(shù)或連接點參數(shù)的反向阻抗之間的關(guān)系進行了研究，并通過仿真軟件對其有效性進行了驗證。文獻[14]利用雙參數(shù)Weibull分布對歷史的風(fēng)速數(shù)據(jù)按月進行擬合，提出基于灰色模型的預(yù)測未來年份中對應(yīng)月的風(fēng)速分布參數(shù)的預(yù)測方法。文獻[15]利用風(fēng)速頻率瑞利分布對平均風(fēng)速進行均一化并分析風(fēng)功率密度，提出了相當(dāng)風(fēng)速和有功風(fēng)功率密度的概念。文獻[16]分析了風(fēng)力機背面風(fēng)速的計算方法，建立了考慮機組尾流效應(yīng)的風(fēng)速模型，并分析了尾流效應(yīng)對風(fēng)電場輸出特性的影響。文獻[17]提出了平抑功率波動的混合儲能系統(tǒng)容量優(yōu)化配置方法，建立了考慮蓄電池壽命損耗的混合儲能系統(tǒng)成本模型，并利用某風(fēng)電場的歷史數(shù)據(jù)驗證了該方法的經(jīng)濟優(yōu)越性。文獻[18]利用儲能系統(tǒng)來降低風(fēng)電功率波動對電網(wǎng)的影響。文獻[19]提出一種基于功率波動的濾波算法，并將其應(yīng)用于能量儲存系統(tǒng)以驗證該算法的有效性。

在風(fēng)電輸出功率波動特性分析的過程中，采樣時間間隔的選擇對波動特性分析的穩(wěn)定性有著重要影響，采樣時間間隔越短，分析的穩(wěn)定性越高。因此，在保證風(fēng)電功率波動特性分析穩(wěn)定性的基礎(chǔ)上，合理地選取采樣時間間隔，具有重要的現(xiàn)實意義。本文以某風(fēng)電基地現(xiàn)場實測運行數(shù)據(jù)為依據(jù)，對多時間尺度下的風(fēng)電功率波動特性進行分析，得到風(fēng)電功率隨時間尺度變化的趨勢及規(guī)律，進而確定本征時間尺度。

1 建立風(fēng)電功率波動特性指標(biāo)

為研究分析風(fēng)電場(群)輸出功率波動的時間特性，定義如下指標(biāo)：

1)風(fēng)電功率平均值。

(1)

2)風(fēng)電功率最大值。

Pmax=max(Pi),i=1,2,…,n

(2)

3)風(fēng)電功率標(biāo)準(zhǔn)差。

(3)

4)風(fēng)電功率波動量。

(4)

5)風(fēng)電功率變化率。

(5)

6)風(fēng)電功率波動指數(shù)。

(6)

2 風(fēng)電場群輸出功率波動時間特性分析

為研究風(fēng)電場群輸出功率波動的時間特性，本文以某巨型風(fēng)電場群2013年全年數(shù)據(jù)為背景，對風(fēng)電功率的變化幅度和速率做規(guī)律性分析。在分析時，選取不同的采樣時間間隔，分別計算對應(yīng)的風(fēng)電功率波動量和風(fēng)電功率波動率及其概率分布，并求取不同采樣時間間隔下風(fēng)電功率波動量和波動率的最大值。采樣時間間隔變化跨度包括5、10、30和60 min。

2.1風(fēng)電場群輸出功率波動量隨采樣時間間隔不同的變化規(guī)律

風(fēng)電場群總體功率波動量的波動曲線、概率分布及其最大值，均隨采樣時間間隔的變化而變化，具體變化規(guī)律如圖1—3所示。

圖1 風(fēng)電功率波動量與不同采樣時間間隔的關(guān)系曲線Fig.1 Relationship curve between wind power fluctuations and different sampling intervals

圖2 不同采樣時間間隔條件下風(fēng)電功率波動量分布區(qū)間示意圖Fig.2 Wind power fluctuations distribution diagram under different sampling intervals

圖3 風(fēng)電功率波動量最大值隨采樣時間間隔的變化規(guī)律Fig.3 Variation law in maximum wind power fluctuation along with sampling intervals

隨著采樣時間間隔的增大，風(fēng)電場群輸出功率的波動量逐漸增大；風(fēng)電場群輸出功率波動量的瞬時分量在小尺度變化范圍內(nèi)的分布概率逐漸減少，在大尺度變化范圍內(nèi)的分布概率逐漸增大；風(fēng)電場群輸出功率波動量的最大值逐漸增大。

2.2風(fēng)電場群輸出功率波動率隨采樣時間間隔不同的變化規(guī)律

風(fēng)電場群總體功率波動率的波動曲線、概率分布及其最大值，均隨采樣時間間隔的變化而變化，具體變化規(guī)律如圖4—6所示。

圖4 風(fēng)電功率波動率與不同采樣時間間隔的關(guān)系曲線Fig.4 Relationship curve between wind power volatilities and different sampling intervals

圖5 不同采樣時間間隔條件下風(fēng)電功率波動率分布區(qū)間示意圖Fig.5 Wind power volatilities distribution diagram under different sampling intervals

圖6 風(fēng)電功率波動率最大值隨采樣時間間隔的變化規(guī)律Fig.6 Variation law in maximum wind power volatility along with sampling intervals

圖7 風(fēng)電功率平均值與時間尺度的關(guān)系圖Fig.7 Relation chart between average wind power and time scale

隨著采樣時間間隔的增大，風(fēng)電場群輸出功率的波動率逐漸減??；風(fēng)電場群輸出功率波動率的瞬時分量在小尺度范圍內(nèi)的分布概率逐漸增大，在大尺度范圍內(nèi)的分布概率逐漸減?。伙L(fēng)電場群輸出功率波動率的最大值逐漸減小。

3 確定本征時間尺度

3.1風(fēng)電功率波動特性與時間尺度的關(guān)系

為方便觀察和比較，風(fēng)電場的功率是其折算為標(biāo)么值后的結(jié)果。

1)風(fēng)電功率平均值。

可以反映出所研究風(fēng)電場群某一時刻或某段時間內(nèi)輸出功率的整體水平，如圖7所示：隨著時間尺度的增大，風(fēng)電功率平均值增大，且平均值的波動程度增大，故風(fēng)電功率平均值的可信度降低。

2)風(fēng)電功率最大值。

由圖8所示的風(fēng)電功率最大值與時間尺度的關(guān)系圖中可以看出，隨著時間尺度的增大，最大值有所下降。

圖8 風(fēng)電功率最大值與時間尺度的關(guān)系圖Fig.8 Relation chart between maximum wind power and time scale

3)風(fēng)電功率標(biāo)準(zhǔn)差。

標(biāo)準(zhǔn)差可以反映所研究風(fēng)電場群某一時刻或某段時間內(nèi)輸出功率的離散程度，如圖9所示：風(fēng)電功率標(biāo)準(zhǔn)差在小時間尺度上基本持平，但隨著時間尺度的增大，標(biāo)準(zhǔn)差也會增大，說明風(fēng)電功率波動也會隨之越來越劇烈。

圖9 風(fēng)電功率標(biāo)準(zhǔn)差與時間尺度的關(guān)系圖Fig.9 Relation chart between standard deviation wind power and time scale

圖10 風(fēng)電功率波動指數(shù)與時間尺度的關(guān)系圖Fig.10 Relation chart between fluctuation index wind power and time scale

4)風(fēng)電功率波動指數(shù)。

本研究采用樣地法取樣。2017年10月和11月，分別于3類生態(tài)系統(tǒng)中順相同坡向各設(shè)置3條樣帶，每樣帶內(nèi)從坡底到坡頂設(shè)置3個20 m × 20 m樣方。在草地和人工林每樣方內(nèi)的4個拐角和中心取1 m× 1 m的草本樣方，在次生林每樣方內(nèi)相同方法分別取5 m× 5 m樣方調(diào)查灌木和1 m× 1 m樣方調(diào)查草本。因此，樣地共有9個20 m×20 m樣方，45個1 m×1 m草本小樣方和45個5 m×5 m灌草層小樣方。水準(zhǔn)儀測量坡度，羅盤測量坡向。

波動指數(shù)考慮了時間序列上相鄰兩點的落差，該指數(shù)越大，說明時間序列曲線波動越劇烈；反之，波動指數(shù)越小，時間序列曲線波動越平穩(wěn)。由圖10可看出：風(fēng)電功率波動指數(shù)在小時間尺度上幾乎趨近于0；并且隨著時間尺度的增大，風(fēng)電功率波動指數(shù)增大，風(fēng)電功率波動越劇烈。

3.2本征時間尺度的確定

在分析風(fēng)電功率波動特性時，采樣時間將直接影響分析結(jié)果的準(zhǔn)確性;同時，采樣時間的長短也會影響工程應(yīng)用計算的速度。在上述波動指標(biāo)的基礎(chǔ)上，結(jié)合熵權(quán)法用熵權(quán)確定權(quán)重，得到一個風(fēng)電功率綜合波動系數(shù)為

(7)

權(quán)系數(shù)體現(xiàn)了指標(biāo)的信息量，熵權(quán)值越大表示該指標(biāo)對綜合決策的作用越大，用綜合波動指標(biāo)來刻畫風(fēng)電功率的波動特性會使結(jié)果更加客觀。如圖11所示，風(fēng)電功率綜合指標(biāo)隨時間尺度的增大而增大;但在前30 min內(nèi)，綜合指標(biāo)變化較小，可忽略不計：故可將30 min作為刻畫風(fēng)電功率波動特性的本征時間尺度。

圖11 風(fēng)電功率綜合指標(biāo)與時間尺度的關(guān)系圖Fig.11 Relation chart between wind power comprehensive index and time scale

3.3風(fēng)電功率綜合指標(biāo)的偏差校核

由圖11可知，隨著時間尺度的增大，綜合指標(biāo)值偏離最小采樣時間下的值也隨之增大。定義偏差值為Δp，計算公式如下：

(8)

為體現(xiàn)其偏離標(biāo)準(zhǔn)的程度，將式(8)變形，求其相對誤差，得

(9)

表1 風(fēng)電功率綜合指標(biāo)相對誤差表Table 1 Relative error of integrated wind power indicators

圖12 風(fēng)電功率綜合指標(biāo)相對誤差與時間尺度的關(guān)系圖Fig.12 Relation chart between relative error of integrated wind power indicators and time scale

由表1和圖12可看出：風(fēng)電功率綜合波動系數(shù)的相對誤差在30 min內(nèi)小于1%，滿足電力系統(tǒng)規(guī)劃的精度要求；與采樣時間間隔為5 min相比，其數(shù)據(jù)量是其1/6倍，計算時間也隨之減少，大大提高了工作效率，故可將30 min作為本征時間尺度。

4 結(jié)論

本文詳細分析了巨型風(fēng)電場群輸出功率波動的時間特性，并在此基礎(chǔ)上找到了本征時間尺度。主要研究結(jié)論如下：

1)隨著采樣時間間隔的增大，巨型風(fēng)電場群風(fēng)電功率的波動量逐漸增大，且波動量的最大值逐漸增大，波動量的瞬時分量在小尺度變化范圍內(nèi)的分布概率逐漸減小，在大尺度范圍內(nèi)的分布概率逐漸增大。

2)隨著采樣時間間隔的增大，巨型風(fēng)電場群風(fēng)電功率的波動率逐漸減小，且波動率的最大值逐漸減小，波動率的瞬時分量在小尺度范圍內(nèi)的分布概率逐漸增大，在大尺度范圍內(nèi)的分布概率逐漸減小。

3)通過對風(fēng)電功率平均值、最大值、標(biāo)準(zhǔn)差、波動指數(shù)以及綜合波動指標(biāo)的分析，找到了一個既可以提高采樣速度，又可以減少采樣數(shù)據(jù)的存儲空間，但同時又不會影響風(fēng)電功率波動固有特性的采樣時間尺度，即在電力系統(tǒng)規(guī)劃問題的研究中，可直接選取30 min為采樣時間間隔。

[1] 楊秀媛， 肖洋， 陳樹勇. 風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究[J]. 中國電機工程學(xué)報， 2005, 25(11): 1-5. YANG Xiuyuan， XIAO Yang， CHEN Shuyong． Wind speed and generated power forecasting in wind farm[J]． Proceedings of the CSEE， 2005， 25(11)： 1-5．

[2] 范高鋒， 王偉勝， 劉純， 等. 基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測系統(tǒng)[J]. 電網(wǎng)技術(shù)， 2008， 32(22)： 72-76. FAN Gaofeng， WANG Weisheng， LIU Chun， et al． Artificial neural network based wind power short term prediction system[J]． Power System Technology， 2008， 32(22)： 72-76．

[3] 楊琦， 張建華， 王向峰， 等. 基于小波-神經(jīng)網(wǎng)絡(luò)的風(fēng)速及風(fēng)力發(fā)電量預(yù)測[J]. 電網(wǎng)技術(shù)， 2009， 33(17)： 44-48. YANG Qi， ZHANG Jianhua， WANG Xiangfeng， et al． Wind speed and generated wind power forecast based on wavelet-neural network[J]． Power System Technology， 2009， 33(17)： 44-48．

[4] 劉純， 范高鋒， 王偉勝， 等. 風(fēng)電場輸出功率的組合預(yù)測模型[J]. 電網(wǎng)技術(shù)， 2009， 33(13)： 74-79. LIU Chun， FAN Gaofeng， WANG Weisheng， et al． A combination forecasting model for wind farm output power[J]． Power System Technology， 2009， 33(13)： 74-79． [5] VILLANUEVA D, PAZOS J L, FEIJo A. Probabilistic load flow including wind power generation[J]. IEEE Transactions on Power Systems, 2011, 26(3): 1659-1667.

[6] USAOLA J. Probabilistic load flow with correlated wind power injections[J]. Electric Power Systems Research, 2010, 80(5): 528-536.

[7] 林衛(wèi)星， 文勁宇， 艾小猛， 等. 風(fēng)電功率波動特性的概率分布研究[J]. 中國電機工程學(xué)報， 2012， 32(1)： 38-46. LIN Weixing， WEN Jinyu， AI Xiaomeng， et al． Probability density function of wind power variations[J]． Proceedings of the CSEE， 2012， 32(1)： 38-46．

[8] 高凱， 朱加明， 葛延峰， 等. 聯(lián)網(wǎng)風(fēng)電場集群運行特性分析[J]. 東北電力大學(xué)學(xué)報， 2014， 34(4)： 11-16. GAO Kai, ZHU Jiaming, GE Yanfeng, et al. Analysis on operating characteristics of clustered wind farms[J]. Journal of Northeast Dianli University, 2014, 34(4): 11-16.

[9] 張義斌， 王偉勝. 風(fēng)電場輸出功率的概率分布及其應(yīng)用[J]. 電力設(shè)備， 2004， 5(8)： 38-40. ZHANG Yibin， WANG Weisheng． Probability distribution of power output for wind power field and its application[J]． Electrical Equipment， 2004， 5(8)： 38-40．

[10] POUL S, NICOLAOS A C. Power fluctuations from large wind farms[J]. IEEE Trans. on Power Systems, 2007, 22(3): 958-965.

[11] 崔楊， 穆鋼， 劉玉， 等. 風(fēng)電功率波動的時空分布特性[J]. 電網(wǎng)技術(shù)， 2011， 35(2)： 110-114. CUI Yang， MU Gang， LIU Yu， et al． Spatiotemporal distribution characteristic of wind power fluctuation[J]． Power System Technology， 2011， 35(2)： 110-114．

[12] 谷興凱， 范高鋒， 王曉蓉. 風(fēng)電功率預(yù)測技術(shù)綜述[J]. 電網(wǎng)技術(shù)， 2007， 31(S2)： 335-338. GU Xingkai， FAN Gaofeng， WANG Xiaorong． Summarization of wind power prediction technology[J]． Power System Technology， 2007， 31(S2)： 335-338．

[13] GO T, NORIHIDE K, MASATOSHI M, et al. Study on power fluctuation characteristics of wind energy converters with fluctuating turbine torque[J]. Electrical Engineering in Japan, 2005, 153(4): 1-11.

[14] 丁明， 吳偉， 吳紅斌. 風(fēng)速概率分布參數(shù)預(yù)測及應(yīng)用[J]. 電網(wǎng)技術(shù)， 2008， 32(32)： 10-14. DING Ming， WU Wei， WU Hongbin． Research on forecasting of probabilistic distribution parameters of wind speed and its

application[J]． Power System Technology， 2008， 32(32)： 10-14．

[15] 楊振斌， 朱瑞兆， 薛桁. 風(fēng)電場風(fēng)能資源評價兩個新參數(shù)： 相當(dāng)風(fēng)速、 有功風(fēng)功率密度[J]. 太陽能學(xué)報， 2007， 28(3)： 248-251. YANG Zhenbin， ZHU Ruizhao， XUE Heng． Two new concepts on wind energy assessment in wind farm： equivalent wind speed， available wind power density[J]． Acta Energiae Solaris Sinica， 2007， 28(3)： 248-251．

[16] 曹娜， 趙海翔， 任普春， 等. 風(fēng)電場動態(tài)分析中風(fēng)速模型的建立及應(yīng)用[J]. 中國電機工程學(xué)報， 2007， 27(36)： 68-72. CAO Na， ZHAO Haixiang， REN Puchun， et al． Establish and application of wind speed model in wind farm dynamic analysis[J]． Proceedings of the CSEE， 2007， 27(36)： 68-72．

[17] 靳雯皓， 劉繼春. 平滑風(fēng)電功率波動的混合儲能系統(tǒng)容量優(yōu)化配置[J]. 分布式能源， 2017， 2(2)： 32-38. JIN Wenhao， LIU Jichun． Capacity optimization configuration of hybrid energy storage system for smoothing wind power fluctuation[J]． Distributed Energy， 2017， 2(2)： 32-38.

[18] MARY B, GORAN S. Value of bulk energy storage for managing wind power fluctuations[J]. IEEE Trans on Energy Conversion, 2007, 22(1): 197-205.

[19] LI Wei, GéZA J, CHAD A. Attenuation of wind power fluctuations in wind turbine generators using a DC bus capacitor based filtering control scheme[C]//IEEE 4th World Conference on Photovoltaic Energy Conversion. Waikoloa, Hawaii, USA: IEEE, 2006, 1(1): 216-221.

時 彤

(編輯 谷子)

IntrinsicTimeScaleDeterminationBasedonAnalyzingWindPowerOutputFluctuationFeatures

SHI Tong1， JIANG Zhuo2， XIAO Bai3

(1. Datang Northeast Electric Power Test & Research Institute, Changchun 130012, Jilin Province, China; 2. Computer Science and Technology College, Beihua University, Jilin 132021, Jilin Province, China; 3. School of Electrical Engineering,Northeast Electric Power University, Jilin 132012, Jilin Province, China)

Wind power is a kind of power with stochastic volatility output power. Different sampling time lengths may affect the preciseness of analysis results when analyzing the characteristic of wind power fluctuation. We expect to find one sampling time length which can make the analysis result closest to the fundamental volatile features and shorten the computation and analysis time in project, and named this sampling time length as the intrinsic time scale. Firstly, this paper establishes the index system that is able to depict the volatile features of wind power, and then analyzes the change rules and trends of all indexes under different time scales. Finally, this paper discusses the impact of sampling time on the wind power characteristics in detail and determines the intrinsic time scale.

wind power; fluctuation characteristic; sampling time interval; intrinsic time scale

TK 81;TM 71

： A

： 2096-2185(2017)04-0053-06

10.16513/j.cnki.10-1427/tk.2017.04.009

吉林省自然科學(xué)基金項目(20140101079JC)

2017-04-05

時 彤(1991—)，女，碩士研究生，從事風(fēng)電功率波動特性以及電力系統(tǒng)規(guī)劃方面的研究工作,shitongxtt@163.com；

姜 卓(1978—)，女，碩士，副教授，從事多目標(biāo)優(yōu)化算法、圖形圖像處理等方面的研究工作,abbey1998@sina.com；

肖 白(1973—)，男，博士，教授，長期從事電力系統(tǒng)規(guī)劃、城市電網(wǎng)風(fēng)險評估、電力系統(tǒng)繼電保護等方面的研究與教學(xué)工作,xbxiaobai@126.com。