基于非时序生产模拟的风电消纳评估方法

李海波，鲁宗相，乔颖，齐军

(1.清华大学电机工程与应用电子技术系，北京市 100084；2. 内蒙古电力调度控制中心,呼和浩特市 010020)



基于非时序生产模拟的风电消纳评估方法

李海波1，鲁宗相1，乔颖1，齐军2

(1.清华大学电机工程与应用电子技术系，北京市 100084；2. 内蒙古电力调度控制中心,呼和浩特市 010020)

准确的消纳能力评估对于风电发展规划具有重要意义,但在规划阶段难以获取详实的时序风电出力数据，典型的时序消纳评估方法难以适用，亟需研究根据有限的风资源概率特性数据进行消纳能力评估的方法。基于随机生产模拟原理，提出了一种以风电电量消纳最大化为目标的泛函极值模型和基于启发式方法的实用化评估算法。该方法仅需要风资源的概率分布信息，可较好解决规划阶段风电数据源有限的难题，且计算速度较快。基于我国北方某大型风电基地2014年实际运行数据及2020年规划数据,进行了仿真分析。通过2014年实际风电消纳结果及仿真结果的对比验证了所提方法的正确性，然后针对2020年规划数据分析了风电电量消纳与装机容量的饱和趋势，并定量研究了灵活性措施对风电消纳的促进作用，为风电规划提出了建议。

风电消纳；随机生产模拟；泛函极值模型；有限数据源

0 引 言

风力发电是最有潜力的新能源发电形式之一。截止2014年底，全球累计风电装机容量达到了369.62 GW，我国风电累计装机容量达到了114.75 GW，占到了全球的31.05%[1]。欧洲和美国甚至分别提出了2050年可再生能源比例达到100%和80%的构想和路线图[2-3]，而中国则提出在2050年实现可再生能源比例达到60%的构想[4]，高比例可再生能源发电的清洁电力系统成为行业的共同愿景。但是根据目前电力“十三五”规划，火电规划呈现较大冗余，从而限制了风电发展，为了实现上述目标，需要对系统进行长期且细致的规划，从电源到电网都需要为适应风电发展而做出调整。在电源规划中，很重要的环节之一是风电消纳能力评估，即提供系统在一定条件下能够接纳的风电极限，并指出限制消纳的关键环节，从而为规划提供基础数据和优化方向。

风电消纳能力受多种因素制约，根据实际运行经验可知，主要制约因素有调频约束[5]、调峰约束[6-10]、局部地区电压稳定约束[11]、断面潮流安全约束[12]、政策影响[13]等。统计分析表明，我国“三北地区”的弃风原因是多种多样的。内蒙古“大风电，小负荷”的发展模式，客观上造成了风电装机规模超过了本地风电消纳能力，同时消纳市场不落实、外送通道不足，是造成内蒙古弃风严重的主要原因；而东北三省严重弃风的主要原因是调峰能力不足；冀北地区弃风则主要缘于风电与电网发展不协调，电网发展速度难以满足风电快速增长的需求从而导致风电送出受阻；甘肃弃风主要是受跨省跨区通道能力不足影响[14-15]。

目前已有大量文献研究风电消纳能力评估模型[6-10]，如文献[6]基于日前风功率预测信息，对常规机组启停状态进行优化，进而探寻次日各时段风电可消纳的上下限。文献[7]基于火电、水电和风电的发电技术特性，考虑电力和热力负荷平衡，以及输电容量等约束，建立了风电消纳能力分析模型，并定量分析了影响风电消纳能力的关键因素。文献[8]在实时调度模型中考虑网络安全约束，研究实时风电消纳能力评估方法。文献[9]基于调峰容量约束，建立了考虑限制风电出力的最大消纳能力评估模型。文献[10]基于系统调峰能力，分析得到各时段的电网接纳风电空间，提出了一种弃风电量评估方法。但总体来说，上述研究均是基于时序模拟建立相关的评估模型，需要大量风功率时序数据，对于规划阶段，目标地区往往无法获取精确的风功率出力曲线，而目前大多数时序模拟方法在数学上有很多强制性假设(如时序曲线需满足平稳性、马尔科夫过程等)，而不少假设已经被证明与风资源的实际特性不吻合。因此，缺乏风电时序数据是规划阶段进行风电消纳能力评估的难题之一。

为了解决有限风电数据源的问题，有文献从调峰充裕度的角度[16-17]，建立系统调峰不足概率和期望等指标，研究该指标随风电接入容量的变化趋势，根据该指标的阈值确定风电的消纳极限，但是该方法无法精细考虑评估时段内常规机组的开机情况，可能导致评估结果与实际运行状况有一定偏差。文献[18]基于随机生产模拟，提出了供暖季风电电量消纳能力的评估新方法，针对运行阶段的非时序风电消纳能力评估进行了有益探索。

本文基于随机生产模拟原理，建立以风电消纳最大化为目标的泛函极值模型，并提出基于启发式算法的求解流程。第1节对风电消纳评估的一般原理和经典方法进行了阐述，第2节基于随机生产模拟原理，建立以风电消纳电量最大化为目标的泛函极值模型，第3节基于启发式方法提出上述模型的实用化求解流程，第4节针对我国北方某大型风电基地进行算例分析，利用2014年实际数据进行全年风电消纳能力评估计算，验证本文算法的正确性和有效性，然后对2020年规划方案进行消纳能力评估，并研究风电消纳能力与装机容量的关系，寻找风电接入系统的极限点，为风电发展规划提供指导；第5节给出本文结论。

1 风电消纳能力评估的一般原理

传统电力系统调峰的目的主要是通过调整常规机组出力来满足负荷变化需求，并通过备用容量来应对各类不确定性因素，理论上某日系统最大峰谷差即为该日系统的调峰容量需求。根据风电运行数据统计规律可知，随着风电接入后，风电具有明显的反调峰现象，即净负荷(负荷与风电之差)的峰谷差往往大于负荷峰谷差，进一步增加了电网调峰容量需求，如果系统调峰容量不足，则需要通过弃风进行有功控制。因此，通过对比系统调峰能力与调峰需求，即可定量得到各时段弃风量，进而得到该时段风电电量消纳能力。而系统调峰能力则由常规机组调节能力、是否供热季供热需求、电网断面输送能力、局部地区安全稳定约束等各因素综合确定。

目前风电消纳能力评估的主流方法是时序模拟方法，各种方法虽然各有差异，但核心就是2个部分：(1)利用确定性或概率性机组组合模型来确定常规机组开机方式；(2)基于机组开机方式和日内实时风电出力数据，根据系统常规机组的调峰能力确定风电消纳电力及电量。风电消纳的原理如图1所示。在时刻t，负荷值与常规机组可调出力下限(包括机组供热约束最低出力、最小稳燃出力等)之间的差值为系统下调灵活性，记为FLEX,d(t)，其表达式为

(1)

如果时刻t风电出力小于FLEX,d(t)，则风电可被全额接纳；如果时刻t风电出力大于FLEX,d(t)，则系统由于系统下调峰能力不足出现弃风，弃风电力为

Pcut(t)=Pwind(t)-FLEX,d(t)

(2)

图1 风电消纳评估原理示意图Fig.1 Schematic diagram of wind power absorption evaluation

时序方法具有直观、获取信息较多的优点，但若想获取全年的风电消纳情况，需要对全年的风电出力时序曲线进行模拟，目前的模拟方法难以保证该时序曲线的准确性。另外，全年机组组合优化计算量非常大，耗时较长。因此，探索一种非时序的快速算法，成为规划阶段研究风电消纳能力的关键技术问题。事实上，风电消纳评估属于年度电力电量平衡问题，而随机生产模拟方法是解决该问题的有力工具，其计算复杂度主要涉及概率的卷积运算，可通过快速傅里叶变换(fast fourier transform, FFT)等方法进行快速计算。时序和非时序方法进行风电消纳能力评估的优缺点对比如表1所示。

表1 时序与非时序风电消纳能力评估方法对比

Table 1 Comparison between time sequence and non-sequential evaluation methods of wind power accommodation

目前已经有大量文献研究了含风电系统的随机生产模拟模型，但主要存在以下问题：(1)风电作为“负负荷”参与生产模拟，无法评估弃风率等指标，这仅适合风电接入比例较低的场景[19]；(2)没有充分考虑供热季热电机组出力对风电消纳的影响[20]。本文提出的利用随机生产模拟进行风电消纳评估的原理如图2所示。首先，根据负荷需求，按照某种规则获取常规机组的开机集合(相当于机组组合优化过程)；其次，根据供热需求，开启供热机组使其满足热负荷需求；最后，将所有非供热常规机组出力设定为基荷。此时应得到各常规机组的出力概率曲线，进行卷积即可得到总出力的累积概率分布，与负荷累积概率分布之间的空间即为可消纳风电空间，但是由于风电概率分布曲线特性，可能无法填满该空间，因此上述空间仅是风电消纳的理论上限。

图2 非时序风电消纳评估机理Fig.2 Non-sequential evaluation mechanism of wind power accommodation

2 考虑风电消纳最大化的非时序泛函极值模型

2.1 负荷/风电概率模型

本文考虑电负荷与热负荷这2类，采用累积概率分布函数(cumulative probability function, CDF)和概率密度函数(probability density function, PDF)来表示负荷/风电模型，以电负荷为例，根据历史数据统计可得到电负荷经验概率密度函数，根据负荷增长率预测可将其扩展到规划年相应的概率分布，记为fL(x)，则对应概率分布函数为

(3)

同理，也可得到热负荷与风电的经验概率密度函数fH(x)、fW(x)与累积概率分布函数FH(x)、FW(x)。以我国北方某电网1月份数据为例，其电/热负荷及风电累积概率曲线如图3所示，可以看出，风电出力累积概率曲线的下降沿比负荷累积概率曲线相比更加平缓。

图3 系统电/热负荷及风电出力累积概率分布(1月份)Fig.3 Cumulative probability distribution of power/heat load and wind power(January)

2.2 常规机组概率模型

常规机组主要包括热电机组、非供热火电机组、水电机组与核电机组等，各类机组除了参数不同外，电出力概率模型相同，但供热机组除了满足电出力约束外，还应满足热出力约束。因此本文从供热角度，将常规机组分为供热机组与非供热机组两类，其中非供热机组包括非供热火电机组、水电机组与核电机组等。

假定系统有N台常规机组，其中有M台供热机组。对于非供热机组i(i=N-M+1,…,N)，其出力随机变量为Pi满足约束(4)，其累积概率分布函数为

Pi∈[Pimin,Pimax]

(4)

(5)

对于供热机组i(i=1,…,M)而言，其热出力与电出力满足一定的约束关系，以背压式热电机组为例，其电热出力关系为

Hi=aiPi+bi,Hi∈[Himin,Himax]

(6)

将供热机组i的热出力及电出力视作随机变量，其累积概率分布函数及概率密度函数如式(7)～(8)所示，热出力及电出力概率密度函数的关系如式(9)所示。

(7)

(8)

(9)

2.3 基于随机生产模拟的风电消纳泛函极值模型

本文提出的风电消纳模型以风电消纳电量最大化为目标，其目标函数为

(10)

约束条件集C主要包括常规机组概率约束集、系统热出力与电出力约束集等，各机组的概率约束参见2.2节，而系统热出力约束为

fhi(HS)=fh1(H1)*fh2(H2)*…*fhM(HM)

(11)

(12)

系统电出力约束为

fpi(PS)=fp1(P1)*…*fpN(PN)*fw(Pw)

(13)

通过求解上述模型，能够得到满足约束条件集的最优常规机组出力概率函数及风电出力概率函数，并使得风电电量消纳达到最大化。然而上述模型在数学上属于泛函极值模型，目前不存在有效的解析求解方法，因此本文基于启发式方法，提出上述模型的实用化算法流程。

3 基于启发式方法的算法流程

本文基于随机生产模拟原理，从最大化风电消纳的目标出发，优化常规机组选择、供热负荷及电负荷安排、风力发电安排等各环节，提出实用化的泛函模型求解步骤，在此基础上对风电消纳能力进行评估。算法实施步骤如下。

Step2：根据供热需求筛选供热机组开机集合，供热机组的筛选原则是在满足供热需求的基础上，尽量减少供热机组开机容量，因此需要优先选择热电比大的机组。根据热电比对供热机组进行排序，如果相等则选择煤耗较低的机组，直至满足式(14)，则供热机组集合选择完毕，记为SCHP。

(14)

式中αi和Pi,max分别为供热机组i的热电比和额定容量；Hmax是最大热负荷需求。

Step3：根据电负荷及备用需求、风电置信度，基于常规机组灵活性指标，确定剩余常规机组的开机容量。常规机组灵活性指标如式(15)所示，将其按照从大到小顺序进行排列，依次选择机组进入集合，直至满足式(16)，则所有常规机组集合选择完毕，非供热常规机组集合记为SC。

(15)

(16)

Step 4：根据“以热定电”安排供热机组的电出力概率曲线，首先各供热机组安排在最小出力，即

(17)

常规机组总出力概率曲线取值为

(18)

Step 5：安排常规非供热机组的基荷部分功率为

Pi=Pimin,i∈SC

(19)

常规机组总出力概率曲线取值为

(20)

式中S指集合SCHP与SC的并集。

Step6：根据热电比从大到小对供热机组进行排序，记k=1，增加机组k的出力，此时热负荷曲线安排到所有供热机组出力下限之和，即

(21)

记H0=xH，若Hk-1+αk(Pkmax-Pkmin)

(22)

否则，则按照式(23)进行安排，该步骤结束之后，进入Step7。

(23)

对应的常规机组出力概率曲线按照式(24)修正

(24)

根据上述步骤，可以推导得到上述区间的边界值，以及电出力与热出力变量之间的关系，如式(25)所示，式中各符号含义参见图4。

(25)

图4 常规机组电/热出力曲线修正示意图Fig.4 Amendment process of power/heat output curves of conventional units

该步骤结束后，得到的FP(x)即为满足供热需求下的常规机组出力概率持续曲线。

Step7：常规机组电出力概率曲线与负荷累积概率曲线之间的空间即为风电消纳空间，但是由于风电的累积概率分布特性，其下降沿往往比负荷累积概率曲线更加平缓，因此无法填充全部的消纳空间，如图5所示。

图5 风电消纳电量计算原理示意图Fig.5 Schematic diagram of wind power accommodation calculation

风电消纳电量及弃风率计算公式为

(26)

(27)

本文提出的算法流程如图6所示。

图6 风电消纳能力评估算法流程图Fig.6 Algorithm flowchart of wind power accommodation evaluation

4 算例分析

本节基于我国北方某大型风电基地，对其2014运行年进行消纳能力评估，验证本文算法的正确性和有效性，针对2020年规划方案进行评估，研究该地区风电的极限消纳电量。运行年和规划年该地区年最大负荷、常规机组及风电装机容量如表2所示。

表2 运行年与规划年系统概况

Table 2 Overview of system in 2014 and 2020 GW

4.1 基础条件

以月为周期进行随机生产模拟计算，根据各月份最大负荷及系统装机容量情况，采用本文提出的机组选择模型，可以得到各月份各类型机组的开机容量，如图7所示，可以看出，在供暖季为了满足热负荷需求，供热机组开机容量较大，大约占总开机容量的50%以上。

图7 各月份常规机组开机容量Fig.7 Online capacity of conventional units in each month

4.2 运行年风电消纳能力评估

根据上述2014年系统基础数据，本节分别对1—12月份进行随机生产模拟计算，得到各月份系统风电消纳电量、弃风电量及弃风率数据，如表3所示。

表3 运行年风电消纳能力评估结果

Table 3 Evaluation results of wind power accommodation

将上述仿真计算结果与2014年该系统实际风电消纳数据进行对比，如表4所示。

表4 仿真评估结果与实际数据对比

Table 4 Comparison between simulation and actual data

通过表3可以看出，系统弃风主要出现在供暖期1—3月份及11—12月份，弃风率均超过了30%。非供暖期5月份弃风率最高，约为10%，主要原因是该月份风资源较好，但是系统调峰能力有限。通过表4数据可以看出，基于本文方法的评估结果与实际运行结果基本一致，弃风电量和弃风率评估指标与实际指标的相对偏差分别为0.96%和3.18%，在工程上属于可接受范围，从而证明了本文所提方法的正确性。需要说明的是，所选的测试系统属于“三北”风电富集区域，其弃风率比较高，按现有常规方法还难以实现全额消纳。

4.3 规划年风电消纳能力极限评估

根据2020年规划数据，风电仍采用上述算例中的概率分布，将其出力按照容量增长比例扩大，从而得到规划年风电可发出力概率分布，类似可获取电/热负荷需求的累积概率分布。首先对规划方案进行消纳能力评估，各月份电量消纳及弃风率情况如图8所示。全年系统风电可发电量为560.73 亿kW·h，风电消纳电量为459.16 亿kW·h，弃风电量为101.57 亿kW·h，全年弃风率为18.11%。

图8 规划年各月份风电消纳评估结果Fig.8 Evaluation results of wind power accommodation in 2020

为了研究规划年系统风电消纳极限，以风电装机容量为变量进行灵敏度分析，研究目前规划风电容量在消纳曲线上的位置，从而判断风电发展规划的合理性。以2020年风电规划装机容量为基准，将其容量扩大k倍，k取值范围为2～20，各场景的风电消纳评估结果如图9所示。

图9 规划年风电消纳电量与装机容量的关系Fig.9 Relationship between wind power accommodation capacity and installed capacity in 2020

通过图9可以看出，随着风电装机容量的增加，电量消纳能力呈现饱和趋势，目前规划年计划的装机容量还远未到达曲线的饱和点。但是从图10消纳电量和弃风电量间的变化趋势可以看出，目前的规划方案弃风电量远低于消纳电量，而如果装机容量翻倍，则弃风电量与消纳电量基本相当，弃风率接近50%，工程上无法接受如此高的弃风率，需要进一步调动系统灵活性，提高风电消纳率。

图10 规划年风电消纳电量、弃风电量与装机容量的关系Fig.10 Relationship between wind power accommodation capacity， wind power curtailment and installed capacity in 2020

4.4 各类灵活资源对消纳能力影响分析

本节在4.3节规划算例的基础上，考虑各类灵活电源措施，研究各类灵活性措施及其组合下系统的风电消纳情况，具体措施有改善负荷特性、提高电源调峰能力及适度弃风，具体案例设置如表5所示。

在本文提出模型及2020规划年基础数据上，修改相关参数，即可得到上述各方案下系统全年风电消纳评估结果，如表6所示。

通过表6结果可知，通过采用各类灵活性提升措施可提高系统接纳风电的能力，如改善负荷特性可使弃风率降低至11.62%，提高供热机组调峰能力可使弃风率降低至12.86%。如果综合采用上述2种方案，可使系统弃风率降低至6.57%，从而得到工程上可接受的规划方案。

表5 提高风电消纳能力的灵活性措施

Table 5 Flexible measurement to improve accommodation capacity of wind power

表6 各类方案下的风电消纳评估结果Table 6 Evaluation results of wind power accommodation in each scheme

5 结 论

(1)本文所提出的方法计算结果与实际运行结果较为一致，全年弃风电量和弃风率评估指标与实际指标的相对偏差分别为0.96%和3.18%，在工程上属于可接受范围。

(2)系统弃风主要出现在供暖期1—3月份及11—12月份，弃风率均超过了30%。非供暖期5月份弃风率最高，约为10%，主要原因是该月份风资源较好，但是系统调峰能力有限。

(3)该方法可用于风电的发展规划分析，通过2020规划年的数据分析，可以发现风电消纳电量存在“饱和特性”，如果装机容量规划不合理，则会导致系统调峰能力不足，弃风比例较高。因此，本文所提的方法可用于电源规划决策。

(4)本文提出的非时序风电消纳评估模型能够考虑各类灵活性措施的影响，通过评估可知，采取改善负荷特性、提高供热机组调峰能力等措施，可将全年弃风率降低至6.57%，从而得到工程可接受的规划方案。

通过上述算例分析，证明了本文所提精细化消纳模型的正确性和有效性，并初步研究了风电消纳能力的极限以及灵活性措施对消纳能力的影响。本文下一步研究计划是在本文所提模型中，增加相关的安全约束，使模型具有更强的通用性。另外，通过模型机理研究和算例分析，均表明了常规火电机组对风电消纳的不利影响，而改善负荷特性、提高机组调峰能力均能大幅提高风电消纳能力。因此，在下一步风电乃至整个电力系统规划中，应强调系统优化，降低常规火电机组的冗余规划容量，提高灵活调峰电厂(抽水蓄能、燃气电站等)在电源结构中的占比，并通过电价机制激励需求侧响应来改善负荷特性，从而全面提升风电等新能源的消纳能力。

[1]李俊峰.2012中国风电发展报告[R].北京：中国环境出版社，2012.

[2]Hand M M. Exploration of high-penetration renewable electricity futures[R]. Denver: National Renewable Energy Laboratory, 2012.

[3]Schellekens G, McDonnell J. 100% renewable electricity-A roadmap to 2050 for Europe and North Africa[R]. London: Price Water House Coopers LLP, 2014.

[4]国家发展和改革委员会能源研究所. 中国2050高比例可再生能源发展情景暨路径研究[R]. 北京：国家发改委能源研究所, 2015.

[5]丁立，乔颖，鲁宗相，等. 高比例风电对电力系统调频指标影响的定量分析[J]. 电力系统自动化，2014, 38(14): 1-8. Ding Li, Qiao Ying, Lu Zongxiang, et al. Impact on frequency regulation of power system from wind power with high penetration [J]. Automation of Electric Power Systems, 2014, 38(14): 1-8.

[6]贾文昭，康重庆，李丹，等. 基于日前风功率预测的风电消纳能力评估方法[J]. 电网技术，2012, 36(8): 69-75. Jia Wenzhao, Kang Chongqing, Li Dan, et al. Evaluation on capability of wind power accommodation based on its day-ahead forecasting [J]. Power System Technology, 2012, 36(8): 69-75.

[7]凡鹏飞，张粒子，谢国辉. 充裕性资源协同参与系统调节的风电消纳能力分析模型[J]. 电网技术，2012, 36(5): 51-57. Fan Pengfei, Zhang Lizi, Xie Guohui. Analysis model for accommodation capability of wind power with adequacy resources involved in system regulation [J]. Power System Technology, 2012, 36(5): 51-57.

[8]康重庆，贾文昭，徐乾耀，等. 考虑网络安全约束的实时风电消纳能力评估[J]. 中国电机工程学报，2013, 33(16): 23-29. Kang Chongqing, Jia Wenzhao, Xu Qianyao, et al. Capability evaluation of wind power accommodation considering security constraints of power grid in real-time dispatch [J]. Proceedings of the CSEE, 2013, 33(16): 23-29.

[9]刘畅，吴浩，高长征，等. 风电消纳能力分析方法的研究[J]. 电力系统保护与控制，2014, 42(4): 61-66. Liu Chang, Wu Hao, Gao Changzheng, et al. Study on analysis method of accommodated capacity for wind power [J]. Power System Protection and Control, 2014, 42(4): 61-66.

[10]吕泉，王伟，韩水，等. 基于调峰能力分析的电网弃风情况评估方法[J]. 电网技术，2013, 37(7): 1887-1894. Lü Quan, Wang Wei, Han Shui, et al. A new evaluation method for wind power curtailment based on analysis of system regulation capability [J]. Power System Technology, 2013, 37(7): 1887-1894.

[11]金海峰，吴涛. 风电接入系统后的电压稳定问题[J]. 电力自动化设备，2010, 30(9): 82-84. Jin Haifeng, Wu Tao. Voltage stability after grid-connection of wind farm [J]. Electric Power Automation Equipment, 2010, 30(9): 82-84.

[12]刘德伟，黄越辉，王伟胜，等. 考虑调峰和电网输送约束的省级系统风电消纳能力分析[J]. 电力系统自动化， 2011, 35(22): 77-81. Liu Dewei, Huang Yuehui, Wang Weisheng, et al. Analysis on provincial system available capacity of accommodation wind power considering peak load dispatch and transmission constraints [J]. Automation of Electric Power Systems, 2011, 35(22): 77-81.

[13]黄怡，张琳，刘建琴，等. 我国风电大规模集中并网的消纳市场和消纳策略[J]. 电力建设，2012, 33(10): 9-12. Huang Yi, Zhang Lin, Liu Jianqin, et al. Consumption market and strategy of large scale centralized grid-connection of wind power in China [J]. Electric Power Construction, 2012, 33(10): 9-12.

[14]朱凌志，陈宁，韩华玲. 风电消纳关键问题及应对措施分析[J]. 电力系统自动化，2011, 35(22): 29-34. Zhu Lingzhi, Chen Ning, Han Hualing. Key problems and solutions of wind power accommodation [J]. Automation of Electric Power Systems, 2011, 35(22): 29-34.

[15]崔慧军，贾文昭，杨彬. 风电消纳能力相关因素与机理分析[J]. 华北电力技术，2015(2): 34-39. Cui Huijun, Jiao Wenzhao, Yang Bin. Relevant factors and mechanism analysis for wind power accommodation [J]. North China Electric Power, 2015(2): 34-39.

[16]张宏宇，印永华，申洪，等. 大规模风电接入后的系统调峰充裕性评估[J]. 中国电机工程学报，2011, 31(22): 26-31. Zhang Hongyu, Yin Yonghua, Shen Hong, et al. Peak-load regulating adequacy evaluation associated with large-scale wind power integration [J]. Proceedings of the CSEE, 2011, 31(22): 26-31.

[17]张宏宇，印永华，申洪，等. 基于序贯蒙特卡洛方法的风电并网系统调峰裕度评估[J]. 电力系统自动化，2012, 36(1): 32-37. Zhang Hongyu, Yin Yonghua, Shen Hong, et al. Peak-shaving margin evaluation associated with wind power integrated system based on sequential monte-carlo method [J]. Automation of Electric Power Systems, 2012, 36(1): 32-37.

[18]王晓海，乔颖，鲁宗相，等. 供暖季风电电量消纳能力的评估新方法[J]. 中国电机工程学报， 2015, 35(9): 2112-2119. Wang Xiaohai, Qiao Ying, Lu Zongxiang, et al. A novel method to assess wind energy usage in the heat-supplied season [J]. Proceedings of the CSEE, 2015, 35(9): 2112-2119.

[19]曲翀，王秀丽，谢绍宇，等. 含风电电力系统随机生产模拟的改进算法[J]. 西安交通大学学报，2012, 46(6): 115-121. Qu Chong, Wang Xiuli, Xie Shaoyu, et al. An improved algorithm for probabilistic production simulation of power systems with wind power [J]. Journal Of Xi’An Jiaotong University, 2012, 46(6): 115-121.

[20]姚力，黄镔，王秀丽，等. 考虑风火联合外送的互联系统随机生产模拟[J]. 电网技术，2015, 39(5): 1219-1225. Yao Li, Huang Bin, Wang Xiuli, et al. Probabilistic production simulation of interconnected system by considering the joint delivery of wind power and thermal power generation [J]. Power System Technology, 2015, 39(5): 1219-1225.

(编辑：蒋毅恒)

Evaluation Method of Wind Power Accommodation Capacity Based on Non-Sequential Production Simulation

LI Haibo1, LU Zongxiang1, QIAO Ying1, QI Jun2

(1. Department of Electrical Engineering and Applied Electronic Technology, Tsinghua University,Beijing 100084, China;2. Inner Mongolia Power Dispatching and Communicating Center, Hohhot 010020, China)

Accurate accommodation evaluation is important for the development planning of wind power. However, it is difficult to obtain the detailed time-sequence data of wind power output during planning stage and the typical evaluation method of time-sequence accommodation is difficult to be applied, so it is necessary to research the evaluation method of accommodation capacity based on the limited wind resource probabilistic characteristic data. This paper proposed a functional minimization model which took maximum wind power accommodation as target based on probability production simulation and a practical evaluation algorithm based on heuristic method. This method only needed the probability distribution information of wind resource and could solve the problem of lacking detailed wind power data during planning stage, which also had a fast computation speed. Based on the actual running data in 2014 and planning data in 2020 of a large wind power base in northern China, the simulation analysis was carried out. The actual wind power accommodation results in 2014 were compared with the simulation results, which could validity the correctness of the proposed method. Finally, according to the planning data in 2020, this paper analyzed the saturation trend of wind power accommodation and installed capacity, and quantitatively studied the promoting effect of flexible measures on wind power accommodation, which could provide some suggestions for wind power planning.

wind power accommodation; probabilistic production simulation; functional minimization model; limited data source

国家电网公司科技项目“跨洲际电网合作机制、互联形态及构建方案研究”(SGTYHT/14-JS-188)。

TM 715

A

1000-7229(2015)10-0129-09

10.3969/j.issn.1000-7229.2015.10.020

2015-07-06

2015-09-09

李海波(1990)，男，博士研究生，研究方向为风电并网的风险/可靠性评估、消纳分析及灵活性评估；

鲁宗相(1974)，男，博士，副教授，研究方向为电力系统可靠性、风电/太阳能发电并网分析与控制、分布式电源及微电网、能源与电力宏观规划；

乔颖(1981)，女，博士，副教授，研究方向为新能源、分布式发电、电力系统安全与控制；

齐军(1979)，男，工学硕士，工程师，研究方向为电力系统安全稳定、电力系统故障测距。