基于條件云的時(shí)變故障率模型及其在可靠性評(píng)估中的應(yīng)用

趙書(shū)強(qiáng)， 王 皓， 張 輝， 王梟梟， 劉金山

(1.華北電力大學(xué) 電氣與電子工程學(xué)院，河北 保定 071003； 2.國(guó)網(wǎng)青海省電力公司，青海 西寧 810000)

0 引 言

故障率是電力系統(tǒng)可靠性評(píng)估的基礎(chǔ)，在評(píng)估中通常假定元件的故障率為常數(shù)，一般取統(tǒng)計(jì)均值進(jìn)行計(jì)算。常數(shù)故障率模型忽略了系統(tǒng)運(yùn)行過(guò)程中天氣因素對(duì)元件可靠性的影響。文獻(xiàn)[1]建立了考慮氣象因素的設(shè)備故障率逐月概率分布模型。文獻(xiàn)[2]考慮了多種天氣因素的影響，建立了復(fù)雜天氣風(fēng)險(xiǎn)源模型，并使用該模型對(duì)架空線路故障率進(jìn)行了修正。文獻(xiàn)[3]根據(jù)在線監(jiān)測(cè)數(shù)據(jù)和氣象條件建立了輸電線路實(shí)時(shí)故障率模型，并將其用于電力系統(tǒng)風(fēng)險(xiǎn)在線評(píng)估。文獻(xiàn)[4]考慮了臺(tái)風(fēng)天氣對(duì)配電網(wǎng)韌性的影響，建立了刻畫臺(tái)風(fēng)風(fēng)速與設(shè)備故障率關(guān)系的數(shù)學(xué)模型。

設(shè)備故障概率模型的建立需要完備的統(tǒng)計(jì)數(shù)據(jù)，而現(xiàn)有數(shù)據(jù)統(tǒng)計(jì)時(shí)間短、樣本數(shù)量少。模糊理論可以解決統(tǒng)計(jì)數(shù)據(jù)不足的問(wèn)題，其中云模型恰好提供了一種處理定性概念隨機(jī)性與模糊性的綜合方法[5]。文獻(xiàn)[6]構(gòu)建了基于條件云的故障率預(yù)測(cè)模型，通過(guò)設(shè)備的健康指數(shù)預(yù)測(cè)故障發(fā)展趨勢(shì)。文獻(xiàn)[7]選擇適宜的模糊集和模糊規(guī)則，將停運(yùn)率與外界影響因素之間的關(guān)系模糊化，彌補(bǔ)了預(yù)測(cè)數(shù)據(jù)不準(zhǔn)確帶來(lái)的問(wèn)題。文獻(xiàn)[8]為解決礦井風(fēng)機(jī)故障率預(yù)測(cè)問(wèn)題，建立了基于云發(fā)生器的風(fēng)機(jī)老化指數(shù)—外部影響因素評(píng)價(jià)的雙因素云推測(cè)模型。文獻(xiàn)[9]根據(jù)實(shí)踐經(jīng)驗(yàn)歸納出健康指數(shù)、役齡和故障率之間的語(yǔ)言關(guān)系，建立了基于云模型的故障率預(yù)測(cè)模型。

在電力系統(tǒng)實(shí)際運(yùn)行過(guò)程中，惡劣天氣會(huì)引起設(shè)備故障率的急劇增大，忽略氣候?qū)ο到y(tǒng)的影響會(huì)使評(píng)估結(jié)果過(guò)于樂(lè)觀[10]。在可靠性評(píng)估過(guò)程中，通常采用概率分布模型抽樣得到天氣條件，這種方法雖然可以刻畫氣候?qū)τ谠O(shè)備故障率的影響，但無(wú)法同時(shí)描述天氣條件與風(fēng)電場(chǎng)、光伏電站出力之間的關(guān)聯(lián)性。為了綜合考量天氣對(duì)于系統(tǒng)運(yùn)行的影響，本文首先采用X條件云模型，通過(guò)相鄰風(fēng)電場(chǎng)和光伏電站的出力值推理出對(duì)應(yīng)時(shí)刻的天氣條件。進(jìn)一步使用Y條件云模型，根據(jù)天氣條件得到對(duì)應(yīng)的天氣影響因子，進(jìn)而對(duì)設(shè)備的故障率模型進(jìn)行實(shí)時(shí)修正。

1 云模型理論

1.1 云的基本概念

論域U是由定量數(shù)值組成的集合，x為集合中的元素。T是與論域U對(duì)應(yīng)的定性概念，若x對(duì)應(yīng)的T的確定度u(x)是一個(gè)具有穩(wěn)定傾向的隨機(jī)數(shù)，則u(x)在論域U上的分布稱為云。論域中每個(gè)點(diǎn)(x,u(x))稱為云的一個(gè)云滴，u(x)為該云滴所對(duì)應(yīng)的隸屬度。通常使用期望Ex、熵En、和超熵He三個(gè)數(shù)字特征來(lái)描述云模型的整體特性[6]。

1.2 云發(fā)生器

通常將生成云所需的算法稱為云發(fā)生器，主要分成正向云發(fā)生器、逆向云發(fā)生器和條件云發(fā)生器3種。定性概念到定量數(shù)值的轉(zhuǎn)化過(guò)程由正向云發(fā)生器完成，即根據(jù)云的數(shù)字特征模擬產(chǎn)生給定數(shù)量的云滴。逆向云發(fā)生器的作用是通過(guò)一定數(shù)量的云滴，產(chǎn)生刻畫云整體特性的期望Ex、熵En、和超熵He三個(gè)數(shù)字特征，實(shí)現(xiàn)定量到定性之間的轉(zhuǎn)換。二維逆向云算法如下[11]：

(1) 由已知云滴的云期望曲線方程擬合得到期望Ex和Ey。

(2) 將隸屬度u>0.999的點(diǎn)剔除，剩余m個(gè)云滴。

X條件云發(fā)生器的作用是在已知云的數(shù)字特征的前提下，計(jì)算數(shù)值x0屬于定性概念T的隸屬度分布。Y條件云發(fā)生器的作用是，在已知云的數(shù)字特征的前提下，計(jì)算隸屬度u0下云滴的概率分布。圖1是X條件云發(fā)生器和Y條件云發(fā)生器的原理圖。

圖1 條件云發(fā)生器示意圖 Fig.1 Schematic diagram of conditional cloud generator

1.3 云模型和衍生云模型

云模型是實(shí)現(xiàn)語(yǔ)言描述的定性概念與數(shù)值表示之間的不確定轉(zhuǎn)換模型，其中二維正態(tài)云是一種常用的基本云模型。其云期望曲線方程由期望Ex、期望Ey、熵Enx、熵Eny確定，其表達(dá)式為[12]。

(1)

圖2為二維正態(tài)云示意圖，其圖形為一個(gè)以期望Ex、期望Ey為頂點(diǎn)的山包，當(dāng)Enx不等于Eny時(shí)，其在x-y平面上的投影為一個(gè)橢圓面。

圖2 二維正態(tài)云模型示意圖Fig.2 Schematic diagram of two-dimensional normal cloud model

衍生云模型是在正態(tài)云模型的基礎(chǔ)上，通過(guò)增減參數(shù)、變換用途產(chǎn)生的。常見(jiàn)的衍生云模型有Γ云、三角形云、梯形云等。Γ云的期望方程曲線由期望Ex、熵En兩個(gè)數(shù)字特征確定，其表達(dá)式為[13]

(2)

(3)

圖3為Γ云示意圖，其圖形為一個(gè)以期望Ex為頂點(diǎn)的尖峰。

圖3 Γ云模型示意圖 Fig.3 Schematic diagram of Cusp Gamma cloud model

2 基于條件云的設(shè)備時(shí)變故障率模型

2.1 基于X條件云的氣象模型

風(fēng)電場(chǎng)、光伏電站出力與天氣條件具有一定關(guān)聯(lián)性，這種關(guān)系采用模糊的語(yǔ)言描述可以表示為：當(dāng)氣象條件正常時(shí)，風(fēng)電場(chǎng)和光伏電站的出力值將在正常范圍內(nèi)波動(dòng)。

采用二維正態(tài)云模型描述風(fēng)電場(chǎng)、光伏電站出力值與天氣惡略程度之間的轉(zhuǎn)換關(guān)系。云滴的隸屬度描述了風(fēng)電場(chǎng)、光伏電站出力值隸屬于好天氣的程度。即在風(fēng)電場(chǎng)和光伏電站出力分別為Ps和Pw的t時(shí)刻，此時(shí)天氣趨向于好天氣的程度。隸屬度的計(jì)算公式如下：

(4)

式中：fPs,Pw(x,y)為風(fēng)電場(chǎng)和光伏電站出力的二維聯(lián)合概率密度函數(shù)；Es和Ew分別取概率密度函數(shù)峰值點(diǎn)所對(duì)應(yīng)的光伏、風(fēng)電出力值。即二維概率密度函數(shù)峰值所對(duì)應(yīng)的點(diǎn)為定性概念正常天氣的典型樣本點(diǎn)。

使用第二節(jié)介紹的算法擬合得到二維正態(tài)云模型的數(shù)字特征?？紤]季節(jié)對(duì)風(fēng)電場(chǎng)和光伏電站出力的影響，將全年風(fēng)電場(chǎng)、光伏電站出力數(shù)據(jù)分成i組，其中1月和2月出力數(shù)據(jù)為一組，以此類推,i=1,2,…,6。將第i組數(shù)據(jù)中每天第j小時(shí)的風(fēng)、光出力值及其隸屬度作為二維正態(tài)云模型Ci,j的云滴，進(jìn)行模型參數(shù)估計(jì)。其中i表示組數(shù)，j表示小時(shí)數(shù),j=1,2,…,24。

為了能夠在可靠性評(píng)估過(guò)程中實(shí)時(shí)更新天氣狀態(tài)，本文在二維正態(tài)云模型的基礎(chǔ)上，進(jìn)一步建立了基于X條件云發(fā)生器的氣象模型。將t時(shí)刻的風(fēng)電場(chǎng)、光伏電站出力值和二維正態(tài)云的數(shù)字特征代入X條件云發(fā)生器，得到t時(shí)刻的天氣隸屬度。

2.2 基于Y條件云的天氣影響因子模型

天氣影響因子描述了氣候條件對(duì)于系統(tǒng)運(yùn)行的影響程度。按電力系統(tǒng)所受影響程度將氣候條件分成正常氣候、不利氣候、和災(zāi)害氣候三類[13]。在統(tǒng)計(jì)數(shù)據(jù)不足的情況下，通常采用如圖4所示的階梯模型來(lái)描述氣象條件對(duì)于設(shè)備故障率的影響。當(dāng)氣象條件為正常氣候時(shí)，天氣影響因子取1。當(dāng)氣象條件為不利氣候時(shí)，天氣影響因子取1.2。當(dāng)天氣屬于災(zāi)害氣候時(shí)，影響因子1.5。

圖4 氣象因素影響示意圖Fig.4 Schematic diagram of meteorological factors

階梯模型過(guò)于簡(jiǎn)化，為了更加準(zhǔn)確的描述氣象條件對(duì)于設(shè)備故障率的影響，本文建立了基于條件云的天氣影響因子模型。

使用Γ半降云模型描述天氣影響因子與天氣惡略程度之間的轉(zhuǎn)換關(guān)系。這種關(guān)系采用模糊的語(yǔ)言描述為：隨著天氣惡劣程度的增加，設(shè)備故障的可能性逐漸增大。云滴的隸屬度描述了t時(shí)刻天氣影響因子取值屬于好天氣的程度。模型期望值Ex取1，即當(dāng)天氣影響因子為1時(shí)，認(rèn)為此時(shí)的天氣狀態(tài)為定性概念正常天氣。

在Γ半降云模型的基礎(chǔ)上，進(jìn)一步建立了基于Y條件云發(fā)生器的天氣影響因子模型。將t時(shí)刻的天氣隸屬度和Γ半降云的數(shù)字特征代入Y條件云發(fā)生器，得到t時(shí)刻天氣影響因子。

氣象模型和天氣影響因子模型的隸屬度相同，均為t時(shí)刻天氣屬于好天氣的程度?？梢愿鶕?jù)圖5所示的云模型推理規(guī)則，由t時(shí)刻的風(fēng)、光出力得到對(duì)應(yīng)時(shí)刻的天氣影響因子。

圖5 云模型推理規(guī)則Fig.5 Inference rules of cloud model

2.3 時(shí)變故障率模型

電力系統(tǒng)中設(shè)備的故障率受老化、定期檢修和天氣條件等多種因素的影響，因此采用考慮多種因素影響的時(shí)變故障率模型能夠更好的模擬系統(tǒng)的運(yùn)行狀態(tài)[14]。

當(dāng)設(shè)備處于偶然故障期時(shí)，傳統(tǒng)可靠性評(píng)估通常假定設(shè)備的故障率為常數(shù)?？紤]天氣條件對(duì)故障率的影響，偶然故障期的時(shí)變故障率函數(shù)為

λ(t)=α1θ(t)

(5)

式中：α1為統(tǒng)計(jì)故障率；θ(t)為天氣影響因子。

當(dāng)設(shè)備處于損耗故障期時(shí)，采用兩重威布爾分布來(lái)模擬故障率隨時(shí)間的變化趨勢(shì)?？紤]天氣條件和定期檢修對(duì)于設(shè)備故障率的影響，故障率函數(shù)為

λ(t)=(α1+α2β2(t-Ti)β2-1)θ(t)

(6)

式中：α1和α2分別為第一、第二重威布爾分布的形狀參數(shù)；β2為元件故障率的退化系數(shù)。檢修周期為Ti，此時(shí)系統(tǒng)處于第i和第i+1個(gè)檢修周期之間。

3 風(fēng)電場(chǎng)和光伏電站的可靠性建模

3.1 元件的兩狀態(tài)模型

本文假定風(fēng)電場(chǎng)中的所有風(fēng)力機(jī)組均為永磁直驅(qū)發(fā)電機(jī)，并且認(rèn)為風(fēng)力發(fā)電機(jī)和光伏發(fā)電系統(tǒng)中各部件只有正常和故障2種運(yùn)行狀態(tài)，且各部件之間狀態(tài)相互獨(dú)立[15]。圖6為元件的兩狀態(tài)模型

圖6 元件的兩狀態(tài)模型Fig.6 Two-state model of components

假定元件的修復(fù)率為常數(shù)，則元件的無(wú)故障工作時(shí)間T1和故障修復(fù)時(shí)間T2可以表示為

(7)

(8)

其中U1和U2為區(qū)間[0,1]之間的隨機(jī)數(shù)。λ(t)為元件的故障率，μ為元件的修復(fù)率。風(fēng)電場(chǎng)和光伏電站的可靠性建模分為出力模型和狀態(tài)模型兩部分。

3.2 風(fēng)電場(chǎng)運(yùn)行狀態(tài)模型

風(fēng)力發(fā)電機(jī)主要由葉片、機(jī)艙、發(fā)電機(jī)、整流器、并網(wǎng)變壓器和線路幾部分組成。由圖7可知，整個(gè)風(fēng)機(jī)是由各部件組成的串聯(lián)系統(tǒng)。在可靠性評(píng)估中，將整臺(tái)風(fēng)力發(fā)電機(jī)視為一個(gè)兩狀態(tài)系統(tǒng)[15]。使用狀態(tài)持續(xù)時(shí)間抽樣法得到風(fēng)力發(fā)電機(jī)的運(yùn)行狀態(tài)序列。

假定風(fēng)電場(chǎng)是由3臺(tái)風(fēng)力發(fā)電機(jī)組成的并聯(lián)系統(tǒng)，通過(guò)組合風(fēng)力發(fā)電機(jī)運(yùn)行狀態(tài)序列可得風(fēng)電場(chǎng)的運(yùn)行狀態(tài)序列。使用運(yùn)行狀態(tài)系數(shù)(operation state coefficient，OSC)描述風(fēng)電場(chǎng)的運(yùn)行狀態(tài)，其值在區(qū)間[0,1]之間。0表示風(fēng)電場(chǎng)處于停運(yùn)狀態(tài)，即所有風(fēng)機(jī)均故障停運(yùn)；1 表示所有風(fēng)機(jī)均處于正常工作狀態(tài)；在 0～1 之間表示風(fēng)電場(chǎng)中部分風(fēng)機(jī)故障停運(yùn)，風(fēng)電場(chǎng)處于減額運(yùn)行狀態(tài)，狀態(tài)序列示意圖如圖8所示。

圖7 風(fēng)力發(fā)電機(jī)結(jié)構(gòu)簡(jiǎn)圖Fig.7 Structural chart of wind turbine

圖8 風(fēng)電場(chǎng)運(yùn)行狀態(tài)序列示意圖Fig.8 Schematic chart of operation state sequence of wind farm

3.3 光伏電站運(yùn)行狀態(tài)模型

由圖9可知，光伏發(fā)電系統(tǒng)主要由光伏陣列、并網(wǎng)逆變器、饋線和并網(wǎng)變壓器組成。

使用狀態(tài)持續(xù)時(shí)間抽樣法分層抽樣得到各組件的運(yùn)行狀態(tài)序列。將各組件的運(yùn)行狀態(tài)序列組合到一起得到光伏電站的運(yùn)行狀態(tài)序列。光伏電站的運(yùn)行狀態(tài)序列示意圖如圖10所示。

圖9 光伏電站結(jié)構(gòu)簡(jiǎn)圖Fig.9 Structural chart of photovoltaic power station

圖10 光伏電站運(yùn)行狀態(tài)序列示意圖Fig.10 Schematic diagram of operating state sequence of photovoltaic power station

3.4 計(jì)及相關(guān)性的風(fēng)電場(chǎng)、光伏電站出力模型

受地理環(huán)境與氣候條件的影響，相鄰風(fēng)電場(chǎng)和光伏電站的出力具有較強(qiáng)的相關(guān)性。使用Copula函數(shù)建立風(fēng)電場(chǎng)和光伏電站出力的聯(lián)合概率分布模型，其公式如下[16]

F(xs,xw)=C(Fs(xs),Fw(xw))

(9)

式中：Fs(xs)是光伏出力概率分布；Fw(xw)是風(fēng)電出力概率分布；C(Fs(xs),Fw(xw))是二維Copula函數(shù)。

根據(jù)風(fēng)光出力聯(lián)合概率分布函數(shù)，以一小時(shí)為時(shí)間間隔，抽樣得到具有相關(guān)性的風(fēng)電、光伏出力序列。

4 算例分析

4.1 時(shí)變故障率模型構(gòu)建

本文選取比利時(shí)瓦壟地區(qū)風(fēng)電場(chǎng)和光伏電站出力數(shù)據(jù)進(jìn)行云模型構(gòu)建和發(fā)電系統(tǒng)可靠性評(píng)估。首先建立描述風(fēng)電場(chǎng)、光伏電站出力值與天氣惡略程度之間轉(zhuǎn)換關(guān)系的二維正態(tài)云模型。

圖11是風(fēng)電、光伏出力的二維頻率分布圖，選取頻率分布函數(shù)最大值點(diǎn)所對(duì)應(yīng)的風(fēng)電出力和光伏出力作為二維正態(tài)云模型的期望。根據(jù)2.1節(jié)隸屬度函數(shù)生成云滴。

圖11 風(fēng)電、光伏出力頻率分布圖Fig.11 Frequency distribution of wind power and photovoltaic output

將原始云滴輸入逆向云發(fā)生器，得到云的數(shù)字特征。圖12是由實(shí)際數(shù)據(jù)所得云滴和云模型模擬所得云滴組成的散點(diǎn)圖。由圖12可以看出，二維正態(tài)云模型能夠很好的刻畫原始云滴的不確定性和概率分布特性。

圖12 正態(tài)云模型的實(shí)際云滴和模擬云滴散點(diǎn)圖 Fig.12 Scatter plots of actual and simulated cloud drop

根據(jù)Γ云的期望方程表達(dá)式計(jì)算云模型的熵。假定天氣影響因子為1.2時(shí)，天氣隸屬度為0.05。Γ云模型的超熵He取0.1; 圖13是由Γ半降云模型所得云滴組成的散點(diǎn)圖。

圖13 Γ半降云模型模擬云滴散點(diǎn)圖Fig.13 Scatter plots of simulated Cusp Gamma cloud

假定前15年設(shè)備處于偶然故障期，僅考慮天氣條件對(duì)故障率的影響，采用偶然故障期時(shí)變故障率模型。后5年設(shè)備處于損耗故障期，考慮老化、天氣條件和檢修對(duì)于故障率的影響。進(jìn)一步考慮設(shè)備大修、更換對(duì)于故障率的影響，假定設(shè)備故障后有一定概率無(wú)法進(jìn)行簡(jiǎn)單修復(fù)，需要對(duì)設(shè)備進(jìn)行大修或者更換，大修、更換后設(shè)備的故障率將恢復(fù)到初始設(shè)定值，并重新經(jīng)歷設(shè)備的全壽命周期過(guò)程。表1和表2分別給出了風(fēng)機(jī)和光伏電站內(nèi)部元件的故障率[17,18]。

表1 風(fēng)機(jī)內(nèi)部元件故障率

表2 光伏電站內(nèi)部元件故障率

Tab.2 Failure rate of components in photovoltaic power station

次/年光伏電池板逆變器饋線變壓器故障率0.000 130.2530.0460.015

時(shí)變故障率模型參數(shù)選擇如下：α1α2取故障率歷史數(shù)據(jù)的平均值，β2=2.1[15]。

4.2 基于時(shí)變故障率模型的可靠性評(píng)估

根據(jù)時(shí)變故障率模型，采用隨機(jī)稀疏法抽樣得到各個(gè)元件的狀態(tài)持續(xù)時(shí)間序列[19]?？煽啃栽u(píng)估的具體流程如圖14所示。

圖14 可靠性評(píng)估流程圖Fig.14 Flow chart of reliability evaluation

在RTS-79測(cè)試系統(tǒng)上進(jìn)行可靠性分析，并對(duì)比忽略氣象條件和隨機(jī)抽樣氣象條件下的評(píng)估結(jié)果。忽略氣象條件時(shí)，在計(jì)算過(guò)程中令天氣影響因子始終為1。隨機(jī)抽樣氣象條件時(shí)，天氣隸屬度服從[0,1]區(qū)間的均勻分布。表3給出了三種條件下的評(píng)估數(shù)據(jù)。

表3 可靠性評(píng)估結(jié)果

由表3可以看出，采用條件云模型和隨機(jī)抽樣氣象條件時(shí)，系統(tǒng)的各項(xiàng)可靠性指標(biāo)，如切負(fù)荷概率(probability of load curtailments，PLC)、負(fù)荷不足期望(loss of load expectation，LOLE)、 期望失電量(loss of energy expectation，LOEE)與忽略氣象條件下的可靠性指標(biāo)存在一定差異?？紤]氣象因素對(duì)于設(shè)備的影響后，系統(tǒng)發(fā)電充裕度水平明顯降低，系統(tǒng)可靠性水平降低。與條件云模型相比，隨機(jī)抽樣氣象條件時(shí)，系統(tǒng)具有更高的可靠性。這表明同時(shí)考慮氣象因素對(duì)于可再生能源出力與設(shè)備故障率的影響對(duì)系統(tǒng)可靠性具有消極作用。

超熵描述了云滴的離散程度，刻畫了轉(zhuǎn)換關(guān)系的模糊性。由圖15可以看出，超熵值越大，云滴的離散程度越大。本文進(jìn)一步分析了Γ半降云模型的超熵取值對(duì)于系統(tǒng)可靠性評(píng)估的影響。表4給出了不同超熵值時(shí)測(cè)試系統(tǒng)可靠性指標(biāo)。

圖15 不同超熵值時(shí)Γ半降云模型云滴散點(diǎn)圖Fig.15 Cloud droplet scatter plots of Γ-half-falling cloud model with different superentropy values

表4 不同超熵值時(shí)測(cè)試系統(tǒng)可靠性指標(biāo)

Tab.4 Reliability indicators of test system with different super-entropy values

LOLE/(h/a)LOEE/(MW·h/a)PLC超熵為025.732 971.800.002 9超熵為0.138.326 406.100.004 3超熵為0.1535.014 903.080.003 9超熵為0.230.414 197.320.003 4

由表4可以看出，隨著模型超熵的增大，各項(xiàng)可靠性指標(biāo)先增大后減小，系統(tǒng)可靠性水平先降低后升高。出現(xiàn)上述現(xiàn)象是由于超熵增大時(shí)，某一隸屬度下天氣影響因子的分布范圍變寬。在某一隸屬度下，可以抽樣到更加惡略的天氣條件和更加良好的天氣條件。惡略天氣在可靠性評(píng)估中產(chǎn)生消極影響，相反良好天氣起到積極作用。隨著模型超熵的增大，兩種天氣對(duì)于系統(tǒng)的影響程度不斷改變，導(dǎo)致系統(tǒng)可靠性先降低后升高。

5 結(jié) 論

由于設(shè)備故障率是電力系統(tǒng)可靠性評(píng)估的基礎(chǔ)，因此本文建立了一種基于條件云的時(shí)變故障率模型?；谠颇Ｐ偷耐评硪?guī)則，通過(guò)相鄰風(fēng)電場(chǎng)和光伏電站的出力推理出對(duì)應(yīng)時(shí)刻的天氣影響因子，對(duì)設(shè)備的故障率模型進(jìn)行實(shí)時(shí)修正。該模型綜合考慮了氣象條件對(duì)于可再生能源出力與設(shè)備故障率的影響，能夠處理隨機(jī)性和模糊性所帶來(lái)的問(wèn)題。

本文采用RTS79測(cè)試系統(tǒng)對(duì)模型的有效性進(jìn)行了分析，結(jié)果表明考慮氣象條件影響時(shí)，系統(tǒng)的各可靠性指標(biāo)，如負(fù)荷不足期望、期望失電量均明顯升高，系統(tǒng)發(fā)電充裕度水平明顯降低。與條件云模型相比，隨機(jī)抽樣氣象條件時(shí)，系統(tǒng)具有更高的可靠性，即同時(shí)考慮氣象因素對(duì)于可再生能源出力與設(shè)備故障率的影響對(duì)系統(tǒng)可靠性產(chǎn)生消極影響。