风电特性及其对电网调峰影响的量化研究

2017-08-08杨晓坤邓长虹周小兵余洋洋

湖北电力 2017年12期

丁珩，杨晓坤，邓长虹，周小兵，余洋洋

（1.国网湖北省电力有限公司经济技术研究院，湖北武汉 430077；2.武汉大学电气工程学院，湖北武汉 430072）

0 引言

风力发电与水力发电、火力发电等常规发电方式相比，最根本的不同点在于其有功出力的随机性、间歇性和不可控性[1-2]。这一特点决定了风电并网运行时，必须由常规电源为其有功出力提供补偿，以保证对负荷安全可靠地供电。这种对风电有功出力的补偿调节可看作是对负的负荷波动的跟踪，即对风电“调峰”。电力系统的调峰能力主要由电源所决定。风电并网运行之前，电网的调峰任务主要是在满足必要的安全预度的前提下应对系统负荷波动[3-4]。

对风电进行调峰需要考虑风电出力特性等多方面因素。因此，本文着重分析了风电的日特性与季特性。同时结合风电并网后系统负荷特性的变化情况，通过对等效负荷的分析，提出了一种接近于电网实际调峰能力的评估指标。

1 典型风电场的风电出力分析

本文的分析采用位于湖北省的某典型风电场2016年全年的出力数据，采样间隔为15 min，同时还有同一时间尺度下该地电网的负荷数据。在此基础上利用数理统计的相关知识对风电出力特性进行描述分析。对于风电出力曲线的研究,本文参照日负荷特性的评价指标，对风电场出力的日特性与季特性进行了分析，然后对风电出力的分布特性进行了分析。

1.1 风电出力日特性与季特性

湖北省某地的风电场风电日特性分析分为两个部分，分别为风电日最大出力的概率分布和日平均出力按月的变化情况。图1为全年风电日最大出力的概率分布图，采用标幺化处理，按照最大出力占容量的百分比不同分别统计其概率。由图1可知，每日最大出力占装机容量10%～40%的概率为53.4%，日最大出力超过40%的概率为37.8%。这个数据具有代表性，说明中部地区风电出力最大值低于全国平均水平[5]。

图1 风电日最大出力概率分布图Fig.1 Wind power day maximum output probability distribution

图2为该地风电场日平均出力变化图。从图2可以看出，该地风电出力密集时集中于10月与11月，而1月与8月的风电出力较小。

图2 2016年风电日平均出力Fig.2 Average daily output of wind power in 2016

将全年分为4个季节，每个季节同一时段的风电出力取平均数，可得四个季节风电出力的特性曲线。如图3所示，该风电场风电出力具有明显的季节特性，风电出力在夜晚较高，在午后呈现低谷期。秋季风电出力明显大于其他几个季节。

图3 风电场出力季特性Fig.3 Wind farm output characteristics

1.2 风电出力分布特性

风电数据在不考虑时间尺度的情况下是一簇一维数据，对一维离散数据的处理方法较多，为消除风电装机容量随时间变化对分析产生的影响，在此利用“归一化”的思路对其进行处理。

线性归一化：设p维相量x=（x1,x2,...,xp）的观测矩阵如下：

则线性归一化后的矩阵为：

其中：

图4 风电出力频率直方图Fig.4 Wind power output frequency histogram

图4中，曲线为拟合得到的曲线，该分部与正偏态分布相似。在统计学上，偏态（或者偏度）就是次数分布的非对称程度，是测定一个次数分布的非对称程度的统计指标。相对于对称分布，右向偏态分布，简称右偏。当实际分布为右偏时，测定出的偏度值为正值，因而右偏又称为正偏。如果频数分布的高峰向左偏移，长尾向右侧延伸称为正偏态分布。拟合结果表明，该图线基本符合双参数Weibull分布，在95%置信区间内，比例参数λ=7.4883，k形状参数=1.7688，Weibull分布拟合度用对数似然估计值表示，对应值为2 655.5。这与目前研究所得出的风速分布服从双参数Weibull分布相吻合[6]。

2 风电出力与日负荷变化相关性分析

为分析风电场出力与负荷变化相关性，本文引入风电负荷的相关系数。风电出力与日负荷相关性作为源荷交互特性的重要指标，对把握风电反调峰特性有重要意义。相关系数反映了了两组数据之间相关关系。它的大小表明了两组数据之间的相关程度，其取值范围在[-1,1]区间，负值表示两组数据之间具有负相关性，正值表示两组数据之间具有正相关性，并且其绝对值越大表示两组数据之间的相关程度越大，相关系数的计算公式如式5。

将全年该地区风电出力与负荷相关性系数进行分析，如图5所示，风电负荷呈负相关性概率明显大于正相关性概率，负相关性全年共237次，正相关性次数共129次，分别占总统计量的 64.8%、35.2%。全年风电负荷相关系数最大值为0.68，最小值为-0.77。

图5 风电负荷相关性频率分布Fig.5 Wind load correlation frequency distribution

取相关系数负值较小的情况，如图6可以看出，风电场出力变化与负荷变化趋势有很大的反相关性，即在负荷低谷时风电场出力比较大，而在负荷高峰时风电场出力反而比较小。这种特性将扩大系统等效负荷的峰谷差，加剧系统的调峰困难。

图6 9月24日风电场出力与负荷变化趋势图Fig.6 September 24 wind power output and load change trends

3 风电对峰谷差的影响分析

3.1 风电功率对峰谷差影响的量化

等效负荷分析法，对于分析风电功率对峰谷差的影响效果显著。具体计算方法如下：

其中，ΔLo为原始日负荷峰谷差；ΔLr为等效日负荷峰谷差；Lomax为原始日负荷最大值；Lomin为为原始日负荷最小值；Lrmax为等效日负荷最大值；Lrmin为等效日负荷曲线最小值；Pwind(t)为一天风电出力；Lo(t)为日负荷；Lr(t)为等效日负荷；Y为日负荷峰谷差和等效峰谷差差值。

通过对一年日负荷峰谷差和等效峰谷差差值数据分析可知，大规模风电接入后，等效峰谷差有增大和减小可能。经过数理统计结果表明其增大和减小峰谷差比例近似为5：1；最大峰谷差值为风机装机容量的0.60倍，而最大减小峰谷差的值为风电装机容量的0.48倍。

对给定装机规模风电对峰谷差影响概率密度的研究是通过分析风电对峰谷差不同影响下概率密度问题加以研究。研究选取湖北省一年Y值做为一个总体样本，μ、σ分别通过样本均值和标准差来求取。因为标准差的大小表示样本中的大部分数和均值之间的差异，如标准差较大意味着样本的数与其均值差异较小，相反则差异较大，得出风电对峰谷差影响的概率密度函数如式（10），式（11）所示：

统计学上常令F(x)>0.977。从而求得最小的x为54.82。即风功率对峰谷差影响小于54.82 MW的概率很大，而风电增大峰谷差的值超过54.82 MW的概率仅为0.023，属于小概率事件。

3.2 等效最小负荷率分析

最小负荷率β反映某一时段内最低负荷Pmin与最高负荷Pmax的比值，反映负荷变化幅度。负荷峰谷差越大，就增大了调峰需求量，从而增加调峰难度，既不经济又不安全。为了能够给出风功率接入对调峰难易程度量化标准，本文通过分析等效负荷曲线的最小负荷率量化分析风电对电网调峰的影响，等效最小负荷率如式（12）。

式中Pdmin、Pdmax分别表示等效日负荷曲线的最小值和最大值。风电接入后的等效最小负荷率βd和未接风电的最小负荷率β比较，如果βd小于β表明风电接入后增加了调峰难度，相反则表明风电接入对调峰有利。本文采用典型市一周时间风电场输出功率（总装机容量566.1 MW）与相应负荷分析可知，得出一周最小负荷率和等效最小负荷率，量化了风电接入后对典型市电网调峰影响程度。

分析结果如图7所示，一周风电场输出功率最大的一天是在这一周第4天。根据等效最小负荷率公式，对同时期的等效最小负荷率进行计算，结果如图8所示，可见接入风电时的等效最小负荷率相对未接风电时的最小负荷率曲线整体有所下降，其中最为严重的是这一周第3天，此时等效最小负荷率βd＝0.02，比未接风电时下降大约0.64。通过对比，该日风电场群输出功率并不是一周内风电出力最大的一天，但却对调峰带来最为严重影响，由于在负荷低谷时刻风功率较大，显著地增加了系统调峰困难。

图7 1周时间风电场输出功率（总装机容量：566.1 MW）Fig.7 One week output power of wind farm(total installed capacity:566.1 MW)

图8 1周负荷曲线与最小负荷率曲线Fig.8 One week load curve and minimum load rate curve

4 调峰需求量分析

目前计算调峰需求量的方法采用的是传统方法，即根据负荷本身的变化来决定调峰需求量的大小。

式中Pneed表示系统最大负荷，β表示系统负荷率，Pr表示系统备用容量。

在风电接入后，系统等效峰谷差明显增大，为了在调峰需求量中体现风电的反调峰特性，本文采用了新的调峰需求量计算方法。即将式（13）中的PMax替换为等效最大负荷，β替换为等效日负荷率，即上文中的βd，计算所得为等效调峰需求量。根据当地电网的发展水平和系统整体要求，取系统备用容量20 MW，进行调峰需求分析。如图9所示，等效日调峰需求量较原日调峰需求量明显增大，原日调峰需求量最大值为383 MW，等效的最大日调峰需求量为526 MW。