CN104574216A - 一种基于wams数据的风电出力特性分析方法 - Google Patents

Abstract

本发明提供一种基于WAMS数据的风电出力特性分析方法，包括以下步骤：确定风电出力特性；分析风电出力特性；定义风电场群，并对其进行统计分析。本发明提供的基于WAMS数据的风电出力特性分析方法，对风电出力特性指标进行量化，从而能够为分析大规模风电接入对电网的影响提供技术参考。同时，通过对大量风电运行监测数据的积累分析，也有助于协助调度运行人员把握风电运行规律，为更加科学合理地消纳风电和保障电网安全稳定运行提供分析基础。

Description

一种基于WAMS数据的风电出力特性分析方法

技术领域

本发明涉及一种分析方法，具体涉及一种基于WAMS数据的风电出力特性分析方法。

背景技术

随着风电等新能源装机容量的不断持续增长，其逐渐成为我国能源战略的重要补充部分。然而，由于风力发电具有随机性、波动性、间歇性等固有特性，风电接入必然会给电网运行带来一定影响，尤其是大规模风电接入条件下其影响更大。目前，风电出力特性的研究大多为定性分析，缺乏系统性的风电出力特性指标体系建立，由此导致难以深入掌握大规模风电的运行规律和特性。

广域测量系统(WideAreaMeasurementSystem，WAMS)采用同步相角测量技术，通过逐步布局全网关键测点的同步相角测量单元(PMU)，实现对全网同步相角及电网主要数据的实时高速率采集。WAMS通过电力调度数据网络实时传送到广域监测主站系统，从而提供对电网正常运行与事故扰动情况下的实时监测与分析计算，并及时获得并掌握电网运行的动态过程。PMU能够以数百Hz的速率采集电流、电压信息，通过计算获得测点的功率、相位、功角等信息，并以每秒几十帧的频率向主站发送。PMU通过全球定位系统(GPS)对时，能够保证全网数据的同步性，时标信息与数据同时存储并发送到主站。因此，WAMS能够实现在同一时间参考轴下获取大型互联系统实时动态信息和稳态信息，为电力系统区间动态监视、分析甚至控制提供前提条件，使电力系统监视从稳态阶段提高到动态阶段。

发明内容

为了更好地把握大规模风电的运行规律和特性，提高风电消纳能力和新能源运行管理水平，保障电网安全稳定运行，本发明提供一种基于WAMS数据的风电出力特性分析方法，对风电出力特性指标进行量化，从而能够为分析大规模风电接入对电网的影响提供技术参考。同时，通过对大量风电运行监测数据的积累分析，也有助于协助调度运行人员把握风电运行规律，为更加科学合理地消纳风电和保障电网安全稳定运行提供分析基础。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种基于WAMS数据的风电出力特性分析方法，所述方法包括以下步骤：

步骤1：确定风电出力特性；

步骤2：分析风电出力特性；

步骤3：定义风电场群，并对其进行统计分析。

所述步骤1中，风电出力特性主要包括风电出力极值特性、风电功率峰谷特性、风电功率短时波动特性、风电调峰贡献、日反调峰特性、偏差相关性、风电负荷率概率分布、风电穿透率和风电利用小时数。

所述步骤2中，对风电出力极值特性、风电功率峰谷特性、风电功率短时波动特性、风电调峰贡献、日反调峰特性、偏差相关性、风电负荷率概率分布、风电穿透率和风电利用小时数分别进行分析。

所述风电出力极值特性主要包括风电出力最大值、风电出力最小值及风电出力均值；

1)所述风电出力最大值主要包括日出力最大值、月出力最大值和任意时间段的出力最大值；

2)所述风电出力最小值主要包括日出力最小值、月出力最小值和任意时间段的出力最小值；

3)所述风电出力均值主要包括日平均出力、月平均出力和任意时间段的平均出力；其中，任意时间段的平均出力用P_avg表示，有：

$P_{\mathrm{avg}}=\frac{{\∫}_0^T{P}_i\mathrm{dt}}{T}---\left(1\right)$

其中，P_i为日有功出力，T为任意时间段。

所述风电功率峰谷特性主要包括日风电功率最大值、日风电功率最小值和日风电功率最大峰谷差；日风电功率最大峰谷差用P_mpv表示，有：

P_mpv＝P_max-P_min                (2)

其中，P_max为日风电功率最大值，P_min为日风电功率最小值。

所述风电功率短时波动特性主要包括风电功率短时波动量、风电功率最大上升量和风电功率下降速率；

所述风电功率短时波动量为间隔时段n内风电功率最大值与风电功率最小值之差，表示为：

ΔP_n＝P_n max-P_n min                   (3)

其中，ΔP_n为风电功率短时波动量，P_n max为间隔时段n内风电功率最大值，P_n min为间隔时段n内风电功率最小值，n取1min、5min或15min。

所述风电调峰贡献为实际风电负荷峰谷差与净风电负荷峰谷差之差，净风电负荷等于实际风电负荷减去风电发电出力；

风电调峰贡献用ΔP_pc表示，有：

ΔP_pc＝ΔP_sjfh-ΔP_jfh                      (4)

其中，ΔP_sjfh为实际风电负荷峰谷差，ΔP_jfh为净风电负荷峰谷差。

所述日反调峰特性是指风电出力峰谷与电网负荷峰谷不匹配，风电出力最大值出现在用电低谷期，或风电出力最小值出现在用电高峰期；

设P_i为日负荷序列，其中i＝1，2，…，N，N表示负荷采样点总数；P_ave为日负荷均值，Δk为负荷峰谷判断阈值倍数，取0.1；用电高峰期和用电低谷期分别用T_peak和T_valley表示，且满足T_peak∈[T_p1，T_p2]，T_valley∈[T_v1，T_v2]，其中，T_p1和T_p2分别为用电高峰期负荷段开始时刻和结束时刻，T_v1和T_v2分别为用电低谷期负荷段开始时刻和结束时刻；具体有：

1)当负荷曲线上连续3个负荷采样点的值大于等于P_ave*(1+Δk)时，即：

P_i≥P_ave*(1+Δk)i＝k1,k1+1,k1+2             (5)

则负荷曲线上负荷采样点k1的值P_k1对应的时刻即为T_p1；其中，k1,k1+1,k1+2为连续3个负荷采样点；

当负荷曲线连续满足式(5)后，出现3个负荷采样点的值小于等于P_ave*(1+Δk)时，即：

P_i≤P_ave*(1+Δk)i＝k2,k2+1,k2+2             (6)

则负荷曲线上负荷采样点k2的值P_k2对应的时刻即为T_p2；其中，k2,k2+1,k2+2为连续3个负荷采样点；

2)当负荷曲线上连续3个负荷采样点的值小于等于P_ave*(1-Δk)时，即：

P_i≤P_ave*(1-Δk)i＝k3,k3+1,k3+2             (7)

则负荷曲线上负荷采样点k3的值P_k3对应的时刻即为T_v1；其中，k3,k3+1,k3+2为连续3个负荷采样点；

当负荷曲线连续满足式(7)后，出现3个负荷采样点的值大于等于P_ave*(1-Δk)时，即：

P_i≥P_ave*(1-Δk)i＝k4,k4+1,k4+2             (8)

则负荷曲线上负荷采样点k4的值P_k4对应的时刻即为T_v2；其中，k4,k4+1,k4+2为连续3个负荷采样点；

风电出力高峰期和风电出力低谷期分别用T_wpeak和T_wvalley表示，同理，得到风电出力高峰期开始时刻T_wp1和结束时刻T_wp2，以及风电出力低谷期开始时刻T_wv1和结束时刻T_wv2；

分析用电高峰期、用电低谷期、风电出力高峰期和风电出力低谷期的一致性，若风电出力最大值出现在用电低谷期，或风电出力最小值出现在用电高峰期，则认为出现反调峰。

所述偏差相关性采用相关系数表示，假定数据序列X和Y分别表示风电出力与频率偏差，则两者的相关系数表示为：

$r=\frac{\mathrm{\Σ}(X-\stackrel{\‾}{X})(Y-\stackrel{\‾}{Y})}{\sqrt{\mathrm{\Σ}{(X-\stackrel{\‾}{X})}^2\·\mathrm{\Σ}{(Y-\stackrel{\‾}{Y})}^2}}---\left(9\right)$

其中，和分别表示风电出力均值与频率偏差均值；r表示风电出力与频率偏差的相关系数，取值在-1和+1之间，当r的绝对值愈接近1时，表明风电出力与频率偏差关系愈紧密；如果r接近于0，则表明风电出力与频率偏差关系不紧密。

所述风电负荷率概率分布是将风电负荷率划分为11个范围段，分别为5％及以下、5％～10％、10％～20％、20％～30％、30％～40％、40％～50％、50％～60％、60％～70％、70％～80％、80％～90％、90％～100％；风电负荷率为风电功率值与风电可用容量的比值，风电负荷率概率为落在各范围段的发电时间长度与总时间长度的比值，有：

R_rate＝W_oput/L_uput×100％               (10)

其中，R_rate为风电负荷率，W_oput为风电功率值，L_uput为风电可用容量。

所述风电穿透率为风电场装机容量占系统总负荷的比例，有：

R_wpp＝W_cap/L_max×100％              (11)

其中，R_wpp为风电穿透率，W_cap为风电场装机容量，L_max为系统总负荷。

所述风电利用小时数统计周期内风电发电量与风电场装机容量之比，有：

H_utime＝W_oput/W_cap             (12)

其中，H_utime为风电利用小时数，W_oput为风电发电量，W_cap为风电场装机容量。

所述步骤3包括以下步骤：

步骤3-1：根据风电场的地理特性和电气特性，将相关特征的风电场组合定义为风电场群；

步骤3-2：对风电场群进行功率和电量的统计、分析和查询，以及风电功率波动变化与电网频率变化的相关性分析，实现对风电场的分层、分区深度统计分析。

与现有技术相比，本发明的有益效果在于：

(1)从风电出力随机波动性、峰谷特性和调峰特性等方面出发，提供风电出力特性的分析方法，主要包括风电出力极值特性、风电功率峰谷特性、风电功率短时波动特性、风电调峰贡献、日反调峰特性、偏差相关性、风电负荷率概率分布、风电穿透率和风电利用小时数；

(2)通过整合电网风电实时数据与非实时数据，量化分析了风电场及用户自定义风电场群的运行特性，可对任意时间范围内的风电出力特性指标进行全面量化分析；有助于调度运行及研究人员对风电运行规律的把握，以及电网对风电的接纳能力和电网安全运行水平的提高，对大规模风电接入后电网运行具有指导作用。

附图说明

图1是本发明实施例中风电出力特性分析数据流程图；

图2是本发明实施例中风电出力特性示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明通过分析风电出力特性，为运行人员全面把控风电场及其集群的出力特性提供技术依据和参考。通过分析风电出力随机波动性、峰谷特性和调峰特性，主要包括风电出力极值特性、风电功率最大峰谷差、风电功率短时波动、风电调峰贡献和反调峰、指标偏差相关性、风电负荷率概率分布、风电穿透率和风电利用小时等特性。通过对风电出力特性的分析，可以达到量化地描述风电出力特性和分析其对电网影响程度。根据风电场地理特性、电气特性对风电场进行组合后，实现对风电场集群出力特性的分层、分区深度挖掘。依据各风电出力特性的发展变化趋势，可准确判断大规模风电接入对电网的影响程度，能够为风电场运行管理人员提供决策支持。

进行风电场出力特性分析时，风电出力数据主要从D5000平台数据库获取，包括PMU数据和RTU数据等，获取到风电出力数据后在应用服务器上计算各指标值。风电出力特性分析数据流程如图1所示。

基于WAMS数据的风电出力特性分析方法包括以下步骤：

步骤1：确定风电出力特性；

步骤2：分析风电出力特性；

步骤3：定义风电场群，并对其进行统计分析。

所述步骤1中，(如图2)风电出力特性主要包括风电出力极值特性、风电功率峰谷特性、风电功率短时波动特性、风电调峰贡献、日反调峰特性、偏差相关性、风电负荷率概率分布、风电穿透率和风电利用小时数。

所述步骤2中，对风电出力极值特性、风电功率峰谷特性、风电功率短时波动特性、风电调峰贡献、日反调峰特性、偏差相关性、风电负荷率概率分布、风电穿透率和风电利用小时数分别进行分析。

所述风电出力极值特性主要包括风电出力最大值、风电出力最小值及风电出力均值；

1)所述风电出力最大值主要包括日出力最大值、月出力最大值和任意时间段的出力最大值；

2)所述风电出力最小值主要包括日出力最小值、月出力最小值和任意时间段的出力最小值；

3)所述风电出力均值主要包括日平均出力、月平均出力和任意时间段的平均出力；其中，任意时间段的平均出力用P_avg表示，有：

$P_{\mathrm{avg}}=\frac{{\∫}_0^T{P}_i\mathrm{dt}}{T}---\left(1\right)$

其中，P_i为日有功出力，T为任意时间段。

所述风电功率峰谷特性主要包括日风电功率最大值、日风电功率最小值和日风电功率最大峰谷差；日风电功率最大峰谷差用P_mpv表示，有：

P_mpv＝P_max-P_min                (2)

其中，P_max为日风电功率最大值，P_min为日风电功率最小值。

风电功率峰谷差可在一定程度上反映风电出力的波动特性，日风电功率最大峰谷差反映风电功率一天的最大波动量。

所述风电功率短时波动特性是影响系统调频设置的一个重要因素，当风电场容量在系统中所占的比例较大时，其输出功率的随机波动性对电网频率的影响会比较显著，将会影响到电网的电能质量和系统中其他一些频率敏感负荷的正常工作。同时，风电场出力频繁的波动和变化也会引起电网电压波动和闪变。因此，风电功率最大峰谷差和短时波动指标的分析与研究对于分析风力发电的波动性和随机性，以及风电对电网的影响非常重要。

所述风电功率短时波动特性主要包括风电功率短时波动量、风电功率最大上升量和风电功率下降速率；

所述风电功率短时波动量为间隔时段n内风电功率最大值与风电功率最小值之差，表示为：

ΔP_n＝P_n max-P_n min               (3)

其中，ΔP_n为风电功率短时波动量，P_n max为间隔时段n内风电功率最大值，P_n min为间隔时段n内风电功率最小值，n取1min、5min或15min。

调峰的目的就是要满足电网实际负荷的变化，通过比较实际负荷、风电功率、净负荷的变化曲线，可以分析风电对电网风电调峰贡献的大小，即风电出力的变化对常规机组调峰的影响。

所述风电调峰贡献为实际风电负荷峰谷差与净风电负荷峰谷差之差，净风电负荷等于实际风电负荷减去风电发电出力；净负荷曲线主要反映电网中除风电之外的其它常规机组的实际发电曲线。

风电调峰贡献用ΔP_pc表示，有：

ΔP_pc＝ΔP_sjfh-ΔP_jfh                  (4)

其中，ΔP_sjfh为实际风电负荷峰谷差，ΔP_jfh为净风电负荷峰谷差。

所述日反调峰特性是指风电出力峰谷与电网负荷峰谷不匹配，风电出力最大值出现在用电低谷期，或风电出力最小值出现在用电高峰期。

由于社会生活和生产周期性、气象因素等影响，不同地区用电负荷峰谷出现的时间段存在一定差异，若以固定时间段作为负荷峰谷出现的时段必然存在问题。为准确确定负荷高峰期和低谷期，在此根据负荷曲线的实际变化动态计算其峰谷，再根据风电出力的峰谷准确地分析是否发生日内反调峰。

设P_i为日负荷序列，其中i＝1，2，…，N，N表示负荷采样点总数；P_ave为日负荷均值，Δk为负荷峰谷判断阈值倍数，取0.1；用电高峰期和用电低谷期分别用T_peak和T_valley表示，且满足T_peak∈[T_p1，T_p2]，T_valley∈[T_v1，T_v2]，其中，T_p1和T_p2分别为用电高峰期负荷段开始时刻和结束时刻，T_v1和T_v2分别为用电低谷期负荷段开始时刻和结束时刻；具体有：

1)当负荷曲线上连续3个负荷采样点的值大于等于P_ave*(1+Δk)时，即：

P_i≥P_ave*(1+Δk)i＝k1,k1+1,k1+2              (5)

则负荷曲线上负荷采样点k1的值P_k1对应的时刻即为T_p1；其中，k1,k1+1,k1+2为连续3个负荷采样点；

当负荷曲线连续满足式(5)后，出现3个负荷采样点的值小于等于P_ave*(1+Δk)时，即：

P_i≤P_ave*(1+Δk)i＝k2,k2+1,k2+2              (6)

则负荷曲线上负荷采样点k2的值P_k2对应的时刻即为T_p2；其中，k2,k2+1,k2+2为连续3个负荷采样点；

2)当负荷曲线上连续3个负荷采样点的值小于等于P_ave*(1-Δk)时，即：

P_i≤P_ave*(1-Δk)i＝k3,k3+1,k3+2             (7)

则负荷曲线上负荷采样点k3的值P_k3对应的时刻即为T_v1；其中，k3,k3+1,k3+2为连续3个负荷采样点；

当负荷曲线连续满足式(7)后，出现3个负荷采样点的值大于等于P_ave*(1-Δk)时，即：

P_i≥P_ave*(1-Δk)i＝k4,k4+1,k4+2             (8)

则负荷曲线上负荷采样点k4的值P_k4对应的时刻即为T_v2；其中，k4,k4+1,k4+2为连续3个负荷采样点；

风电出力高峰期和风电出力低谷期分别用T_wpeak和T_wvalley表示，同理，得到风电出力高峰期开始时刻T_wp1和结束时刻T_wp2，以及风电出力低谷期开始时刻T_wv1和结束时刻T_wv2；

分析用电高峰期、用电低谷期、风电出力高峰期和风电出力低谷期的一致性，若风电出力最大值出现在用电低谷期，或风电出力最小值出现在用电高峰期，则认为出现反调峰。

所述偏差相关性采用相关系数表示，假定数据序列X和Y分别表示风电出力与频率偏差，则两者的相关系数表示为：

$r=\frac{\mathrm{\Σ}(X-\stackrel{\‾}{X})(Y-\stackrel{\‾}{Y})}{\sqrt{\mathrm{\Σ}{(X-\stackrel{\‾}{X})}^2\·\mathrm{\Σ}{(Y-\stackrel{\‾}{Y})}^2}}---\left(9\right)$

其中，和分别表示风电出力均值与频率偏差均值；r表示风电出力与频率偏差的相关系数，取值在-1和+1之间，当r的绝对值愈接近1时，表明风电出力与频率偏差关系愈紧密；如果r接近于0，则表明风电出力与频率偏差关系不紧密。

所述风电负荷率概率分布是将风电负荷率划分为11个范围段，分别为5％及以下、5％～10％、10％～20％、20％～30％、30％～40％、40％～50％、50％～60％、60％～70％、70％～80％、80％～90％、90％～100％；风电负荷率为风电功率值与风电可用容量的比值，风电负荷率概率为落在各范围段的发电时间长度与总时间长度的比值，有：

R_rate＝W_oput/L_uput×100％                 (10)

其中，R_rate为风电负荷率，W_oput为风电功率值，L_uput为风电可用容量。

所述风电穿透率为风电场装机容量占系统总负荷的比例，风电场穿透功率极限定义为接入系统的风电场最大装机容量与系统最大负荷的百分比。有：

R_wpp＝W_cap/L_max×100％                   (11)

其中，R_wpp为风电穿透率，W_cap为风电场装机容量，L_max为系统总负荷。

所述风电利用小时数统计周期内风电发电量与风电场装机容量之比，利用小时数可以折算到年利用小时数，这个指标是对全年利用小时的估计，对风电产业有指导意义，可以加强对风电的管理。有：

H_utime＝W_oput/W_cap                   (12)

其中，H_utime为风电利用小时数，W_oput为风电发电量，W_cap为风电场装机容量。

所述步骤3包括以下步骤：

步骤3-1：根据风电场的地理特性和电气特性，将相关特征的风电场组合定义为风电场群；

步骤3-2：对风电场群进行功率和电量的统计、分析和查询，以及风电功率波动变化与电网频率变化的相关性分析，实现对风电场的分层、分区深度统计分析。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (13)

1.一种基于WAMS数据的风电出力特性分析方法，其特征在于：所述方法包括以下步骤：

步骤1：确定风电出力特性；

步骤2：分析风电出力特性；

步骤3：定义风电场群，并对其进行统计分析。

2.根据权利要求1所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述步骤1中，风电出力特性主要包括风电出力极值特性、风电功率峰谷特性、风电功率短时波动特性、风电调峰贡献、日反调峰特性、偏差相关性、风电负荷率概率分布、风电穿透率和风电利用小时数。

3.根据权利要求2所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述步骤2中，对风电出力极值特性、风电功率峰谷特性、风电功率短时波动特性、风电调峰贡献、日反调峰特性、偏差相关性、风电负荷率概率分布、风电穿透率和风电利用小时数分别进行分析。

4.根据权利要求3所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述风电出力极值特性主要包括风电出力最大值、风电出力最小值及风电出力均值；

1)所述风电出力最大值主要包括日出力最大值、月出力最大值和任意时间段的出力最大值；

2)所述风电出力最小值主要包括日出力最小值、月出力最小值和任意时间段的出力最小值；

3)所述风电出力均值主要包括日平均出力、月平均出力和任意时间段的平均出力；其中，任意时间段的平均出力用P_avg表示，有：

$P_{\mathrm{avg}}=\frac{{\∫}_0^T{P}_i\mathrm{dt}}{T}---\left(\text{1}\right)$

其中，P_i为日有功出力，T为任意时间段。

5.根据权利要求3所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述风电功率峰谷特性主要包括日风电功率最大值、日风电功率最小值和日风电功率最大峰谷差；日风电功率最大峰谷差用P_mpv表示，有：

P_mpv＝P_max-P_min    (2)

其中，P_max为日风电功率最大值，P_min为日风电功率最小值。

6.根据权利要求3所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述风电功率短时波动特性主要包括风电功率短时波动量、风电功率最大上升量和风电功率下降速率；

所述风电功率短时波动量为间隔时段n内风电功率最大值与风电功率最小值之差，表示为：

ΔP_n＝P_nmax-P_nmin        (3)

其中，ΔP_n为风电功率短时波动量，P_nmax为间隔时段n内风电功率最大值，P_nmin为间隔时段n内风电功率最小值，n取1min、5min或15min。

7.根据权利要求3所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述风电调峰贡献为实际风电负荷峰谷差与净风电负荷峰谷差之差，净风电负荷等于实际风电负荷减去风电发电出力；

风电调峰贡献用ΔP_pc表示，有：

ΔP_pc＝ΔP_sjfh-ΔP_jfh      (4)

其中，ΔP_sjfh为实际风电负荷峰谷差，ΔP_jfh为净风电负荷峰谷差。

8.根据权利要求3所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述日反调峰特性是指风电出力峰谷与电网负荷峰谷不匹配，风电出力最大值出现在用电低谷期，或风电出力最小值出现在用电高峰期；

设P_i为日负荷序列，其中i＝1，2，…，N，N表示负荷采样点总数；P_ave为日负荷均值，Δk为负荷峰谷判断阈值倍数，取0.1；用电高峰期和用电低谷期分别用T_peak和T_valley表示，且满足T_peak∈[T_p1，T_p2]，T_valley∈[T_v1，T_v2]，其中，T_p1和T_p2分别为用电高峰期负荷段开始时刻和结束时刻，T_v1和T_v2分别为用电低谷期负荷段开始时刻和结束时刻；具体有：

1)当负荷曲线上连续3个负荷采样点的值大于等于P_ave*(1+Δk)时，即：

P_i≥P_ave*(1+Δk) i＝k1,k1+1,k1+2     (5)

则负荷曲线上负荷采样点k1的值P_k1对应的时刻即为T_p1；其中，k1,k1+1,k1+2为连续3个负荷采样点；

当负荷曲线连续满足式(5)后，出现3个负荷采样点的值小于等于P_ave*(1+Δk)时，即：

P_i≤P_ave*(1+Δk) i＝k2,k2+1,k2+2        (6)

则负荷曲线上负荷采样点k2的值P_k2对应的时刻即为T_p2；其中，k2,k2+1,k2+2为连续3个负荷采样点；

2)当负荷曲线上连续3个负荷采样点的值小于等于P_ave*(1-Δk)时，即：

P_i≤P_ave*(1-Δk) i＝k3,k3+1,k3+2     (7)

则负荷曲线上负荷采样点k3的值P_k3对应的时刻即为T_v1；其中，k3,k3+1,k3+2为连续3个负荷采样点；

当负荷曲线连续满足式(7)后，出现3个负荷采样点的值大于等于P_ave*(1-Δk)时，即：

P_i≥P_ave*(1-Δk) i＝k4,k4+1,k4+2     (8)

则负荷曲线上负荷采样点k4的值P_k4对应的时刻即为T_v2；其中，k4,k4+1,k4+2为连续3个负荷采样点；

风电出力高峰期和风电出力低谷期分别用T_wpeak和T_wvalley表示，同理，得到风电出力高峰期开始时刻T_wp1和结束时刻T_wp2，以及风电出力低谷期开始时刻T_wv1和结束时刻T_wv2；

分析用电高峰期、用电低谷期、风电出力高峰期和风电出力低谷期的一致性，若风电出力最大值出现在用电低谷期，或风电出力最小值出现在用电高峰期，则认为出现反调峰。

9.根据权利要求3所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述偏差相关性采用相关系数表示，假定数据序列X和Y分别表示风电出力与频率偏差，则两者的相关系数表示为：

$r=\frac{\mathrm{\Σ}(X-\stackrel{\‾}{X})(Y-\stackrel{\‾}{Y})}{\sqrt{\mathrm{\Σ}{(X-\stackrel{\‾}{X})}^2\·{(Y-\stackrel{\‾}{Y})}^2}}---\left(9\right)$

其中，和分别表示风电出力均值与频率偏差均值；r表示风电出力与频率偏差的相关系数，取值在-1和+1之间，当r的绝对值愈接近1时，表明风电出力与频率偏差关系愈紧密；如果r接近于0，则表明风电出力与频率偏差关系不紧密。

10.根据权利要求3所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述风电负荷率概率分布是将风电负荷率划分为11个范围段，分别为5％及以下、5％～10％、10％～20％、20％～30％、30％～40％、40％～50％、50％～60％、60％～70％、70％～80％、80％～90％、90％～100％；风电负荷率为风电功率值与风电可用容量的比值，风电负荷率概率为落在各范围段的发电时间长度与总时间长度的比值，有：

R_rate＝W_oput/L_uput×100％       (10)

其中，R_rate为风电负荷率，W_oput为风电功率值，L_uput为风电可用容量。

11.根据权利要求3所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述风电穿透率为风电场装机容量占系统总负荷的比例，有：

R_wpp＝W_cap/L_max×100％       (11)

其中，R_wpp为风电穿透率，W_cap为风电场装机容量，L_max为系统总负荷。

12.根据权利要求3所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述风电利用小时数统计周期内风电发电量与风电场装机容量之比，有：

H_utime＝W_oput/W_cap       (12)

其中，H_utime为风电利用小时数，W_oput为风电发电量，W_cap为风电场装机容量。

13.根据权利要求1所述的基于WAMS数据的风电出力特性分析方法，其特征在于：所述步骤3包括以下步骤：

步骤3-1：根据风电场的地理特性和电气特性，将相关特征的风电场组合定义为风电场群；

步骤3-2：对风电场群进行功率和电量的统计、分析和查询，以及风电功率波动变化与电网频率变化的相关性分析，实现对风电场的分层、分区深度统计分析。