CN104659819A - 一种计及风电功率预测误差的风电消纳评估方法 - Google Patents

Abstract

本发明公开了一种计及风电功率预测误差的风电消纳评估方法，包括：步骤1，制定发电计划；步骤2，基于风电功率预测历史统计数据生成预测误差时间序列；步骤3，潮流计算，并判断电力系统是否满足约束条件；若满足约束条件，执行步骤5；否则，执行步骤4；步骤4，按预设步长减小风电场有功功率和/或电力系统总负荷，然后，继续潮流计算；步骤5，根据潮流计算结果评估风电消纳状况。本发明更详尽地描述风电功率预测误差的时间序列特性，能适用于较短的时间尺度，更符合电力系统的实际。

Description

一种计及风电功率预测误差的风电消纳评估方法

技术领域

本发明属于电气设备及电气工程技术领域，尤其涉及一种计及风电功率预测误差的风电消纳评估方法。

背景技术

作为一种受到了广泛关注的绿色能源，风电在近年来得到了长足的发展。日益增大的风电并网容量使风电固有的波动性体现得更加明显，在风电消纳过程中对电网有功功率平衡和备用容量需求产生了巨大影响。

目前的大部分风电消纳评估方法未能细致刻画风电功率预测误差对系统的影响，未考虑到风电功率预测误差可能改变常规机组出力分配、改变系统潮流，从而影响最终风电消纳评估结果。风电功率预测误差的历史统计信息主要包括(1)风电功率预测误差分布函数和(2)风电功率预测误差的自相关函数，考虑了风电功率预测误差的风电消纳评估方法一般也只关注前者，即风电功率预测误差分布函数，但即便是误差分布相同的两组预测结果，也可能有不同的风能误差(即误差序列的积分)和爬坡率误差(即误差序列的差分)，进而对系统产生不同的影响。

发明内容

针对现有技术存在的不足，本发明提供了一种计及风电功率预测误差的风电消纳评估方法，该方法适用于较短时间尺度的风电消纳评估方法，更符合电力系统的实际情况。

为解决上述技术问题，本发明采用如下的技术方案：

一种计及风电功率预测误差的风电消纳评估方法，包括步骤：

步骤1，根据风电功率预测值和负荷预测值制定发电计划；

步骤2，基于风电功率预测历史统计数据生成预测误差时间序列；

步骤3，以根据预测误差时间序列获得的风电功率实际值为风电场有功功率，根据自动发电控制调整AGC机组出力，根据发电计划确定非AGC机组出力；在各时刻下对电力系统进行潮流计算，并判断电力系统是否存在支路潮流越限和平衡节点机组出力越限；若支路潮流和平衡节点机组出力均未越限，执行步骤5；否则，执行步骤4；

步骤4，按预设步长减小风电场有功功率和/或电力系统总负荷，然后，继续对电力系统进行潮流计算；

步骤5，根据潮流计算结果获得风电消纳过程中电力系统的指标估计值，所述的指标为可靠性指标和/或经济性指标。

步骤1具体为：

以发电成本最小为目标函数，根据风电功率预测值和负荷预测值确定各常规机组各时刻的有功出力基准值，即发电计划。

步骤2进一步包括子步骤：

2.1生成符合风电功率预测误差分布函数的随机数序列；

2.2从随机数序列中任选两个元素交换位置，若交换位置后随机数序列的自相关函数值比交换位置前随机数序列的自相关函数值更接近历史预测误差时间序列的自相关函数值，保留本次交换位置后的随机数序列；否则，保留本次交换位置前的随机数序列；

2.3重复步骤2.2直至当前随机数序列和历史预测误差时间序列的前N阶自相关函数值的差距小于预设阈值，此时的随机数序列即风电功率预测误差序列；

N为经验值，根据研究数据在时间尺度上的前后相关性取值；或令N＝min{k|ρ_k＜a}，a在0.1～0.3间取值，ρ_k表示预测误差时间序列的k阶自相关函数。

子步骤2.3中采用残差平方和衡量随机数序列和历史预测误差时间序列的前N阶自相关函数值的差距，其中，AACF(n)为随机数序列前n阶自相关函数值，DACF(n)为历史预测误差时间序列前n阶自相关函数值。

步骤4中所述的按预设步长减小风电场有功功率和/或电力系统总负荷，具体为：

当支路潮流越限，则按预设步长减小风电场有功功率；当平衡节点机组出力越限，则按预设步长减小电力系统总负荷。

本发明方法还包括：

重复步骤S2～S5计算指标量估计值，并判断指标量估计值是否收敛，当当前所有指标量评估值方差小于预设值，则收敛，以当前所有指标量评估值的平均值为最终指标量估计值；否则，继续重复步骤S2～S5，直至当前所有指标量估计值收敛。

本发明用于风电消纳研究中，关注的时间尺度较短，主要关注对象不是常规机组的强迫停运，而是不完全可预测的短时大幅风电功率变化、有限的系统有功出力的调节能力与可观的调节成本。

和现有技术相比，本发明具有如下优点和有益效果：

1、更详尽地描述风电功率预测误差的时间序列特性，能适用于较短的时间尺度，模拟了发电计划制作、自动发电控制、弃风、切负荷等环节，更符合电力系统的实际。

2、能根据日前预测风电功率、风电功率预测误差统计特性及电网、机组参数，估计预期的最可靠性指标和经济性指标，以评估风电消纳状况，为涉及风电消纳的电力系统优化问题的求解创造了条件。

附图说明

图1为本发明方法流程图；

图2为预测误差的自相关函数图；

图3为实施例中获得的预测误差时间序列，其中，图(a)为符合预测误差分布函数的预测误差时间序列，图(b)为同时符合预测误差分布函数和自相关函数的预测误差时间序列；

图4为风电功率序列及弃风功率序列图，其中，图(a)为风电功率序列图，图(b)为弃风功率序列图；

图5为负荷序列及切负荷功率序列图，其中，图(a)为负荷序列图，图(b)为切负荷功率序列图；

图6为平衡节点有功功率序列与支路传输功率序列图，其中，图(a)为平衡节点有功功率序列图，图(b)为支路传输功率序列图。

具体实施方式

下面结合附图和具体实施方式进一步说明本发明。

为便于描述，文中将“风电功率预测误差”均简称为“预测误差”。

本发明方法的具体步骤如下：

步骤1，制定发电计划。

本步骤为本技术领域的公知技术，风电功率预测值一般可由并网风电场提供，负荷预测值一般可由电网调度机构提供。为便于理解，下面将对本步骤进行详细说明。

根据风电功率预测值和负荷预测值制定发电计划，发电计划值即机组出力基准值。具体实施时，以发电成本最小为目标函数，根据风电功率预测值和负荷预测值确定各常规机组各时刻的有功出力基准值，即发电计划，不计风电的发电成本，发电计划模型定义如下：

$\min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{T}{\mathrm{\Σ}}}[a_i{P_{b.i}}^2\left(k\right)+b_i{P}_{b.i}\left(k\right)+c_i]$

s.t.g(u,x)＝0   (1)

h(u,x)≤0

式(1)中：a_i、b_i、c_i为相应机组煤耗成本函数的系数；P_b.i(k)为第i台常规机组在第k个时刻的计划有功出力；N为常规机组数；T为时段数；g(u,x)为交流潮流方程；h(u,x)为设备物理约束和电力系统安全约束。

日前发电计划是从开始时段到结束时段之间的动态优化，模型复杂而且耗时较多。因此，需要进行时间维度上的解耦得到实用的优化模型。

采用对各个时刻序贯优化的近似解来代替式(1)的最优解。首先对一天中的第一个时刻进行优化：

$\min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}[a_i{P_{b.i}}^2\left(1\right)+b_i{P}_{b.i}\left(1\right)+c_i]$

s.t.g(u,x)＝0   (2)

h(u,x)≤0

通过计算最优潮流，得到各常规机组第一个时刻的发电计划值P_b.i(1)。对于第k+1个时刻，计及常规机组爬坡率约束以及计划内可能的弃风，计算最优潮流，以得到该时刻各机组的发电计划值，即

$\min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}[a_i{P_{b.i}}^2(k+1)+b_i{P}_{b.i}(k+1)+c_i]$

s.t.

g(u,x)＝0

h(u,x)≤0   (3)

P_b.i(k)-ΔP_i.down≤P_b.i(k+1)≤P_b.i(k)+ΔP_i.up

P_i.min≤P_b.i(k+1)≤P_i.max

0≤P_{wind_opt}(k+1)≤P_{wind_fore}(k+1)

式中：P_b.i(k+1)为第i台常规机组在第k+1个时刻的计划有功出力；P_b.i(k)为第i台常规机组在第k个时刻的计划有功出力；P_i.min、P_i.max分别为第i台常规机组有功出力的上下限；ΔP_i.up、ΔP_i.down分别为第i台常规机组的上、下爬坡率；P_{wind_opt}(k+1)为风电场有功出力的计划值；P_{wind_fore}(k+1)为风电场有功出力的预测值。

通过上述方法逐个求取各时刻的最优潮流，得到各机组的发电计划值，即可得到全天的发电计划。

步骤2，基于风电功率预测历史统计信息生成预测误差时间序列。

首先，生成符合风电功率预测误差分布函数的随机数序列；然后，从随机数序列中随机选取两个元素交换位置，若交换位置后随机数序列的自相关函数值比交换位置前序列的自相关函数更接近历史预测误差时间序列的自相关函数值，保留本次交换位置后的随机数序列；否则，仍然保留本次交换位置前的随机数序列。重复该过程直至随机数序列前N阶自相关函数值与历史预测误差时间序列前N阶自相关函数值近似相等，此时的随机数序列即预测误差时间序列。

本发明通过定义残差平方和SS(sum of squares)衡量随机数序列前N阶自相关函数值AACF(actual ACF)与希望达到的历史统计数据中预测误差时间序列前N阶自相关函数值DACF(desired ACF)的差距：

$\mathrm{SS}=\underset{n=0}{\overset{N}{\mathrm{\Σ}}}{[\mathrm{AACF}\left(n\right)-\mathrm{DACF}\left(n\right)]}^2---\left(4\right)$

当SS小于设定阈值时，即可认为随机数序列拥有与历史预测误差时间序列近似相同的自相关函数特性。相比于一般的只考虑预测误差分布的误差序列生成方法，本方法生成的序列与实际误差更接近。

下面将结合实例详述本步骤。

假设预测误差服从正态分布函数N(μ,σ²)，μ表示均值，σ表示标准差，其中，μ＝0，σ²＝216.2²，采样间隔设为5min，其自相关函数见图2。从图2可看出，随着阶数逐渐增加，自相关函数值从1逐渐减小，50阶(对应250分钟)以后自相关函数值下降到0.1以下，可近似认为：相隔超过50阶的两个预测误差间不再具有相关性，故保留自相关函数的前50阶，即取N＝50。

生成符合预测误差分布函数的随机数序列，再调整随机数序列中元素位置，直至所得随机数序列前50阶自相关函数值与历史预测误差时间序列前50阶自相关函数值近似相等，此时的随机数序列即预测误差时间序列，见图3，图3纵坐标表示预测误差大小，单位MW，其中，图(a)为仅符合误差分布函数的预测误差时间序列，图(b)为采用本发明方法获得的符合误差分布函数与自相关函数的预测误差时间序列。历史预测误差时间序列根据历史统计数据获得，采用各时刻的风电功率实际值减去同时刻的风电功率预测值得到，可从美国博纳维尔电业局(BPA)官网直接查询获得。

自相关函数值的计算过程如下：

对时间序列{x_t}，t＝1,2...，时间序列中相隔k个元素的两个随机变量的协方差即k阶的自协方差，该自协方差定义为cov(x_t,x_t-k)＝E[(x_t-μ)(x_t-k-μ)]，μ为时间序列总体均值。k阶自相关函数ρ_k是k阶自协方差与时间序列总体方差的比值，定义为：其中为时间序列总体方差。

自相关函数的阶数代表所研究的序列中两个随机变量的时间间隔的长短，若序列中相邻两个元素对应时间间隔为Δt，则k阶自相关函数即表示所研究的序列中两个时间间隔为kΔt随机变量的相关性的强弱。

N取值通常由经验确定，根据研究数据在时间尺度上的前后相关性取值，一般，若所研究的数据在较长的时间尺度上都能体现出较强的前后相关性，则N取值较大；反之，N取值较小。也可根据自相关函数ρ_k取N，令N＝min{k|ρ_k＜a}，a在0.1～0.3间取值，ρ_k表示历史预测误差时间序列的k阶自相关函数。

步骤3，潮流计算。

风电功率预测值减去步骤2获得的预测误差得到风电功率实际值，将风电功率实际值作为风电场输出的有功功率；采用自动发电控制(Automatic Generation Control，AGC)调整AGC机组出力，根据发电计划的有功出力基准值严格控制非AGC机组出力。结合发电计划和AGC功率调节值，对各时刻电力系统进行潮流计算，观察电力系统是否存在支路潮流越限和平衡节点机组出力越限，若支路潮流越限或平衡节点机组出力越限，执行步骤4；若支路潮流和平衡节点机组出力均不越限，执行步骤5。支路潮流的上限由线路允许的载流量决定；平衡节点机组出力的上限由机组额定最大技术出力决定，其下限由机组额定最小技术出力决定。

常规发电机组可依据发电机组有功功率的调节范围和调节速度分为AGC机组和非AGC机组，调节范围较大、调节速度较快的发电机组即AGC机组。非AGC机组严格按照发电计划输出有功功率，即非AGC机出力为发电计划值；AGC机组出力采用自动发电控制，即在日前发电计划基准值上再承担一定的调节功率，调节功率值为所有发电机组的发电计划值之和与总负荷之和的偏差再乘以当前AGC机组和所有AGC机组的有功功率调节范围大小之比。制定发电计划前，利用滑动平均提取负荷趋势分量并据制定发电计划。根据实时的风电功率预测偏差，改变AGC机组有功功率。

自动发电控制(Automatic Generation Control,AGC)的主要作用是平抑负荷的min级波动，本发明就这一关键特性进行建模，对其他细节进行简化。AGC模拟体现在以下两个方面：

1)制定发电计划前，利用滑动平均提取负荷趋势分量

$P_{\mathrm{trend}}\left(k\right)=\frac{1}{2j+1}\underset{i}{\mathrm{\Σ}}{P}_{\mathrm{load}}\left(i\right)---\left(5\right)$

(i＝t-j,t-j+1,...,t+j)

式(5)中：P_trend(k)为第k个时刻的趋势分量；P_load(i)为第i个时刻负荷的有功功率。本方法通过求取以第i个时刻为中心、前后2j+1个时刻的平均值作为趋势分量并据此制定的发电计划。

2)根据实时的风电功率预测偏差，改变AGC机组有功功率

P_i(k)＝P_b.i(k)+k_AGC.i[P_load(k)/(1-l(k))-(P_wind(k)+ΣP_b.i(k))]   (6)

式(6)中：P_i(k)为第i台常规机组在第k个时刻实际输出的有功出力；P_b.i(k)为第i台常规机组在第k个时刻的计划有功出力；P_load(k)为第k个时刻的总负荷；P_wind(k)为第k个时刻的实际风电功率；l(k)为第k个时刻的全网平均网损率；k_AGC.i为第i台常规机组的AGC分配系数。

全网平均网损率用如下方式确定：

$l\left(k\right)=\underset{i}{\mathrm{\Σ}}{P}_{b.i}\left(k\right)/P_{\mathrm{load}}\left(k\right)---\left(7\right)$

式(7)中：为第k个时刻总的计划有功出力；P_load(k)为第k个时刻的总负荷。

步骤4，按预设步长减小风电场输出的有功功率和/或电路系统总负荷，然后，继续对电力系统进行潮流计算。

根据潮流计算结果，当存在支路潮流越限或平衡节点机组出力越限，即不满足系统约束条件，这时就需要修改潮流计算的输入数据(即风电场的有功功率、负荷节点的负荷值)使潮流计算结果符合电网实际约束条件。参考国内实际情况，假设在正常情况下，常规机组能满足负荷需求，电网线路能满足常规机组的需要。当潮流计算结果中存在支路潮流越限，则说明需要限制风电出力以减轻线路负载，即可减小输入的风电功率；当平衡节点机组有功出力低于下限，则限制风电出力以减轻机组调峰压力，即减小输入的风电功率；当平衡节点机组有功出力超过上限，则减少总负荷以确保有功平衡，即减小输入的总负荷。

基于上述分析，当支路潮流越限，则按预设的固定步长减小风电场输出的有功功率；当平衡节点机组出力越限，则按预设的固定步长减小总负荷；然后，再执行步骤3继续潮流计算，直至支路潮流和平衡节点机组出力均满足约束条件。支路潮流的约束条件是：支路潮流不大于支路潮流上限，支路潮流上限由线路允许的载流量决定；平和节点机组处理的约束条件是：平衡节点机组出力在平衡节点机组出力上限和平衡节点机组出力下限间。

步骤5，根据潮流计算结果估计电力系统在风电消纳过程中的可靠性指标和/或经济性指标，例如，最大弃风功率、累计弃风电量、最大切负荷功率、机组调峰深度等。电力系统的可靠性指标和经济性指标的估计为公知技术，再此不再赘述。

当潮流计算结果满足约束条件后，根据各时刻的潮流计算结果估算电力系统当日的可靠性指标和经济性指标。

步骤6，重复步骤2～5计算指标量估计值，并判断指标量估计值是否收敛，若收敛，则结束，以所有指标量估计值的算术平均值作为最终指标量估计值；否则，重复步骤2～5，直至当前所有指标量估计值收敛。

由于每次重复计算指标量估计值时预测误差时间序列不同，在不同预测误差时间序列下求得的指标估计值也会随之不同。故需多次估算指标量直到各指标量均收敛，将多次计算的指标量估计值的算术平均值作为最终指标估计值。

具体实施中，当指标量方差小于预设值，则认为收敛。σ(I_x)为指标量估计值的标准差；E(I_x)为指标量估计值的均值；M为当前重复次数，也即计算的指标量估计值数量。

下面将以IEEE 30节点系统为例验证本发明的有效性。

在IEEE 30节点系统中节点27接入容量50MW的风电场，假设其配有充足无功补偿，设为PV节点。该系统的支路参数为IEEE 30系统标准值，其中各机组的上、下爬坡率为1％额定容量/min，所有常规机组燃料成本系数的常数项c_i＝0，为简洁起见这些都不在表中列出，不考虑机组的强迫停运率。生成风电功率预测误差序列时保留风电预测误差自相关函数的前50阶，取自相关函数残差平方和阈值为0.01。风电及负荷数据来自BPA某日的对应数据：风电场各时刻的功率等于BPA的风电功率数据乘以比例系数k_wind＝1.06％，负荷节点各时刻的总功率等于BPA的总负荷功率数据乘以比例系数k_load＝2.71％，将负荷总功率按IEEE 30系统标准节点负荷的比例分配得到各节点功率。折算后，日风电预测功率最大值为35.63MW、总负荷最大值为400MW。

假设风电功率预测误差服从正态分布N(μ,σ²)，其中μ＝0，σ²＝2.3²，取值根据BPA预测误差按容量折算的结果；提取负荷趋势分量的滑动平均时段长度为15min；风电/负荷自减步长为0.1MW；不考虑机组强迫停运、负荷预测误差以及线路参数变化，潮流仿真结果如图4～6所示。

从图中可以看出，弃风的时段主要是当日15时至20时以及20时至24时，主要原因是这两个时段内风电预测值低于风电实际值，同时节点25到节点27的支路潮流限制也制约了风电功率的外送。在当日20时左右，由于是负荷高峰且风电预测值大于实际值，故在当日20时没出现弃风。另外，由于常规机组已基本能满足负荷需求，加之风电场容量有限、预测误差影响有限，所以没有出现切负荷现象。

从此次的仿真结果可以计算出当日的最大弃风功率、累计弃风电量、最大切负荷功率、机组调峰深度等指标量，对于相同的风电功率预测值，每次生成的风电功率误差序列不同时，通过仿真所求得的指标量大小也会有所变化，重复该过程直到各指标量均收敛，即可得到在已知风电功率预测值情况下的各指标量估计值。

Claims (6)

1.一种计及风电功率预测误差的风电消纳评估方法，其特征在于，包括步骤：

步骤1，根据风电功率预测值和负荷预测值制定发电计划；

步骤2，基于风电功率预测历史统计数据生成预测误差时间序列；

步骤3，以根据预测误差时间序列获得的风电功率实际值为风电场有功功率，根据自动发电控制调整AGC机组出力，根据发电计划确定非AGC机组出力；在各时刻下对电力系统进行潮流计算，并判断电力系统是否存在支路潮流越限和平衡节点机组出力越限；若支路潮流和平衡节点机组出力均未越限，执行步骤5；否则，执行步骤4；

步骤4，按预设步长减小风电场有功功率和/或电力系统总负荷，然后，继续对电力系统进行潮流计算；

步骤5，根据潮流计算结果获得风电消纳过程中电力系统的指标估计值，所述的指标为可靠性指标和/或经济性指标。

2.如权利要求1所述的计及风电功率预测误差的风电消纳评估方法，其特征在于：

步骤1具体为：

以发电成本最小为目标函数，根据风电功率预测值和负荷预测值确定各常规机组各时刻的有功出力基准值，即发电计划。

3.如权利要求1所述的计及风电功率预测误差的风电消纳评估方法，其特征在于：

步骤2进一步包括子步骤：

2.1生成符合风电功率预测误差分布函数的随机数序列；

2.2从随机数序列中任选两个元素交换位置，若交换位置后随机数序列的自相关函数值比交换位置前随机数序列的自相关函数值更接近历史预测误差时间序列的自相关函数值，保留本次交换位置后的随机数序列；否则，保留本次交换位置前的随机数序列；

2.3重复步骤2.2直至当前随机数序列和历史预测误差时间序列的前N阶自相关函数值的差距小于预设阈值，此时的随机数序列即风电功率预测误差序列；

N为经验值，根据研究数据在时间尺度上的前后相关性取值；或令N＝min{k|ρ_k＜a}，a在0.1～0.3间取值，ρ_k表示预测误差时间序列的k阶自相关函数。

4.如权利要求3所述的计及风电功率预测误差的风电消纳评估方法，其特征在于：

子步骤2.3中采用残差平方和衡量随机数序列和历史预测误差时间序列的前N阶自相关函数值的差距，其中，AACF(n)为随机数序列前n阶自相关函数值，DACF(n)为历史预测误差时间序列前n阶自相关函数值。

5.如权利要求1所述的计及风电功率预测误差的风电消纳评估方法，其特征在于：

步骤4中所述的按预设步长减小风电场有功功率和/或电力系统总负荷，具体为：

当支路潮流越限，则按预设步长减小风电场有功功率；当平衡节点机组出力越限，则按预设步长减小电力系统总负荷。

6.如权利要求1所述的计及风电功率预测误差的风电消纳评估方法，其特征在于：

还包括：

重复步骤S2～S5计算指标量估计值，并判断指标量估计值是否收敛，当当前所有指标量评估值方差小于预设值，则收敛，以当前所有指标量评估值的平均值为最终指标量估计值；否则，继续重复步骤S2～S5，直至当前所有指标量估计值收敛。