CN105427005A - 一种风电场运行风险评估方法 - Google Patents

Abstract

本发明涉及一种风电场运行风险评估方法，属于新能源电力设备安全评估技术领域。包括以下步骤：S1：建立风速预测模型，对风电机组风速进行预测；S2：风电机组运行可靠性评估；S3：风电机组功率损失与运行风险计算；S4：风电场状态集合确定及各状态的概率；S5：风电场各状态的功率损失与风电场运行风险计算。本发明将风电功率预测误差及风电机组实时停运概率作为风电场运行风险的考虑因素，并定量分析机组在无电网约束和限功率两种运行条件下的功率损失，能够更准确地评估风电场的运行风险。

Description

一种风电场运行风险评估方法

技术领域

本发明属于新能源电力设备安全评估技术领域，涉及一种风电场运行风险评估方法。

背景技术

为了合理调整电源结构,适应可持续化经济的快速发展，作为我国能源发展战略的重要组成，新能源发电技术将成为发展重点。而风能在可再生能源中，相对是一种清洁且成熟的能源，所以在世界范围内大力发展。

但是，风电机组长期运行在复杂恶劣的环境中，风速随机性大，造成风电机组停运率较高，降低了风电场的经济性和稳定性。为了提高风电机组及整个风电场的运行可靠性，量化风电场的风险程度，应综合全面考虑由于风速随机性引起的风功率预测误差及风电机组短期停运概率两个方面对风电场实际运行的影响，实时评估风电场的运行风险。

目前主要是从风电场对整个电力系统稳定性的影响角度出发，对风电场的风险进行评估，一般仅仅考虑风电机组的预测风速及控制能力等因素，但是没有考虑风电机组的实时强迫停运。事实上，风电机组的停运率较传统的输变电设备，普遍偏高，另外停运概率和风速随机性相关。在高风速运行环境下引起的强迫停运，一方面影响部分组件的寿命，另一方面造成发电量损失。基于风电机组停运率较高，停运工况复杂，且风电机组维修的固定成本较高的原因，通过优化维修决策来降低发电量损失存在局限性。当风电场以限功率条件运行时，现有的研究往往通过风电功率的预测值来评定风电机组的出力情况，并计算此时的运行风险，但是没有加入风电功率的预测误差和风电机组的强迫停运的情况。风速随机性对风电功率的预测误差影响较大。同时和风速及预测时长有关。若忽略预测误差和强迫停运的影响，会导致风电场运行风险评估不准确，从而引起风电场发电量的损失，造成风电场可靠性的降低。所以，研究计及风功率预测误差和风电机组短期停运概率的风电场运行风险评估，并以此指导风电场机组的功率分配具有重要的指导意义和应用价值。

发明内容

有鉴于此，本发明的目的在于提供一种风电场运行风险评估方法，该方法从风电场运行经济性的角度出发，以功率损失的大小量化风险的严重程度，从而实现风电场运行风险评估；该方法综合考虑风功率预测误差及风电机组短期停运概率等不确定因素，分别建立风速预测模型和风电机组停运概率模型，从而进行风电机组运行可靠性评估，通过运行可靠性评估结果对风电机组功率损失进行计算，然后将风电场低可靠性的机组实现状态划分，最后依据风电场风险指标获得风电场风险评估结果。

为达到上述目的，本发明提供如下技术方案：

一种风电场运行风险评估方法，包括以下步骤：S1：建立风速预测模型，对风电机组风速进行预测；S2：风电机组运行可靠性评估；S3：风电机组功率损失与运行风险计算；S4：风电场状态集合确定及各状态的概率；S5：风电场各状态的功率损失与风电场运行风险计算。

进一步，在步骤S1中，采用ARMA预测法对风电机组风速进行预测，单机风速通过计算各台机组在某预测时间间隔内的平均风速得到，可以体现机组所在区域内的风速情况，风速预测的时间间隔分别设定为5分钟、10分钟、30分钟和60分钟；采用均方根误差(MSE)、平均绝对误差(MAE)和平均相对误差(MAPE)刻画预测的准确度来全面反映预测效果，如式(1)-(3)所示：

$MSE=\sqrt{\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{({y_t}^{\′}-y_t)}^2}---\left(1\right)$

$MAE=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}|{y_t}^{\′}-y_t|---\left(2\right)$

$MAPE=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}\left|\frac{{y_t}^{\′}-y_t}{y_t}\right|---\left(3\right)$

式中，y_t’为时刻t的预测值，y_t为时刻t的实测值，n为序列的长度。

进一步，在步骤S2中，建立风电机组短期可靠性预测模型如下：

1)风速相依的风电机组统计停运模型：

根据可靠性指标和可靠度的基本定义，运行时间T作为随机变量，得到可靠度R(t)为：

R(t)＝P(T＞t)(4)

不可靠度F(t)为：

F(t)＝1-R(t)＝P(T＞t)(5)

由故障概率密度函数f(t)是不可靠度的导数，可知：

$f\left(t\right)=\frac{dF\left(t\right)}{dt}---\left(6\right)$

故障率作为风电机组停运模型的停运率,得到设备故障率：

$\mathrm{\λ}\left(t\right)=\frac{f\left(t\right)}{R\left(t\right)}=-\frac{1}{R\left(t\right)}\frac{dR\left(t\right)}{dt}---\left(7\right)$

在已知设备故障率λ(t)的情况下，对公式(7)两边进行积分得：

${\∫}_0^t\mathrm{\λ}\left(t\right)dt=-{\∫}_0^t-\frac{1}{R\left(t\right)}\frac{dR\left(t\right)}{dt}dt=-\ln R\left(t\right)+\ln R\left(0\right)---\left(8\right)$

当t＝0时，R(0)＝1，即：

$F\left(t\right)=1-\exp \[-{\∫}_0^t\mathrm{\λ}\left(t\right)dt\]---\left(9\right)$

公式(9)为停运概率和停运率的关系；

将风速以1m/s的间隔进行分区，每个风速区间的风电机组停运率即为:

$\mathrm{\λ}\left(v_i\right)=\frac{N_{vi}}{T_{vi}}---\left(10\right)$

式中，N_vi为风速v_i情况下风电场所有风电机组的总停运次数，T_vi为机组累计工作时间；

采用泊松分布进行可靠性分析，则计及风速的短期停运概率为：

P_t(t,v)＝1-e^λ(v)t(11)；

2)状态参数越限保护动作模型：

采用BPNN的方法，建立状态参数广义模糊异常辨识模型；训练样本的选取考虑气候条件的季节性、设备的个体差异和故障情况，选取各个季节下的正常运行时的数据对每台机组独立建模，从而进一步得到状态参数预测残差以及残差分布函数；

采用状态参数在“正常”情况下的样本训练得到的预测模型对处于非“正常”情况的状态参数不能进行准确预测，为此，对状态参数预测结果进行了修正，通过将状态参数的预测值和上一时刻预测残差进行相加，依据预测残差本身存在的分布特征，得到越限概率即为：

P_o(t+1)＝P(T_e＞T_lim-T_f-ε(t))＝1-F_N(T_lim-T_f-ε(t))(12)

式中，P_O(t+1)为下一时刻状态参数的越限概率，T_lim为状态参数上限值，T_f为状态参数预测值，ε(t)为t时刻预测残差，F_N(·)为状态参数预测模型的预测残差分布函数；

在风电机组工作于正常模式，第1类状态参数的越限概率内容分为三部分：建立状态参数预测模型、风速概率预测和状态参数概率预测，具体步骤如下：

(1)获取状态参数的异常情况：越限概率为0表示状态参数处于“正常”情况，结束计算；当状态参数处于“注意”或“异常”，预测模型的训练样本采用当天之前1个月的数据；若处于“异常”状态，预测模型的训练样本采用1个小时之前的数据；

(2)建立预测模型：由于状态参数类型不同，选择不同的输入参数；对于与温度无关的状态参数，选择风速作为输入参数；对于温度参数，输入参数选择风速、环境温度及上一时刻温度；

(3)采用ARMA预测法，对风速概率进行预测；第一步以风速预测模型计算预测风速值v_f(t+1)，第二步依据v_f(t+1)所处风速区间和预测时间时间间隔得到风速预测的概率密度函数，第三步离散化概率密度函数，计算各风速预测值v_j(t+1)及概率P_vj(t+1)；

(4)状态参数预测：根据风速预测值v_j(t+1)，通过预测模型进行状态参数预测；设备温度参数的输入参数选择预测风速v_j(t+1)、环境温度T_a(t+1)和本时刻自身温度T_c(t)；并且设环境温度在短期内不发生剧烈变化，即T_a(t+1)等于T_a(t)；输出功率、叶轮转速的输入参数选择预测风速v_j(t+1)；

(5)依据公式(12)计算各预测风速v_j(t+1)下的参数越限概率P_{o_vj}(t+1)；通过公式(13)计算参数i越限概率P_zi(t+1)；

$P_{zi}(t+1)=\underset{j=1}{\overset{N}{\Σ}}{P}_{vj}(t+1)P_{o\_vj}(t+1)---\left(13\right)$

式中，N为离散化风速误差的风速预测值的个数；

当机组工作于限功率模式，第1类状态参数的越限概率内容计算分为两部分：建立状态参数预测模型和状态参数概率预测，具体步骤如下：

(1)在工作于限功率模式下，叶轮转速及输出功率被直接控制，所以可设越限概率很小，无需计算；当设备温度参数处于“正常”情况，越限概率计为0，结束计算；当处于“注意”状态，预测模型的训练样本采用当天之前1个月的数据；当处于“异常”状态，训练样本采用1个小时之前的数据；

(2)建立设备温度的预测模型，输出功率、环境温度及上一时刻温度作为其输入参数；

(3)状态参数预测：功率限值P_lim(t+1)、环境温度T_a(t+1)和本时刻自身温度T_c(t)作为输入参数；设环境温度在短期内不会发生剧烈变化，即T_a(t+1)等于T_a(t)；

(4)依据公式(12)计算限功率P_lim下的越限概率P_o(t+1)，即状态参数i越限概率P_zi(t+1)，完成计算；

根据状态参数越限保护动作模型，计算每个状态参数的越限保护动作概率；基于状态参数越限保护动作的机组短期停运概率P_zi为：

$P_z=1-\underset{i=1}{\overset{N}{\Π}}(1-P_{zi})---\left(14\right)$

式中，N表示状态参数个数，P_zi表示监测参数i的越限保护动作概率；

结合风速相依的风电机组统计停运模型和参数越限保护动作模型，统计停运模型的输入为：风速概率预测信息和机组工作模式，获得基于统计数据的停运概率；当状态参数越限保护动作概率值很小时，基于统计数据的停运概率可有效反映其他原因导致机组停运的概率，但是当状态参数越限保护动作概率值很大时，基于统计数据的停运概率的参考价值较小；因此，计算机组短期停运概率的方法为：

P＝max(P_t,P_z)(15)

其中，P_t为基于统计数据的机组短期停运概率，P_z为基于状态参数越限的短期停运概率。

进一步，在步骤S3中，根据风电场工作于不同运行情况，产生风电场功率损失的原因和计算方法都不同，基于此构成的风险指标也就不同，具体可以分为无电网约束和限功率运行这两种情况：

1)无电网约束情况：

当机组工作于正常全功率模式，对于功率损失仅考虑停运造成的，即为：

$I_{i\_1}={\∫}_0^{P_{Rat}}{f}_i\left(p\right)pdp---\left(16\right)$

其中，f_i(p)为机组i在功率p下的概率密度，P_Rat为机组的额定功率；功率损失I_{i_1}实际上为功率预测期望值；

当机组工作于非全功率模式，风电机组功率损失考虑两部分：其一为风电机组停运造成的功率损失，如式(16)；其二为机组未停运但由于功率受限造成的功率损失，即为：

$I_{i\_2}={\∫}_{P_{lim}}^{P_{Rat}}{f}_i\left(p\right)(p-P_{ref\_i})dp---\left(17\right)$

其中，P_{ref_i}为功率限值；功率损失I_{i_2}实际上为功率预测超过功率限值的期望值；

另外f_i(p)无解析表达式，通过对功率损失进行离散化处理，即将公式(16)和(17)分别用公式(18)和(19)进行近似计算：

$I_{i\_1}=\underset{j=1}{\overset{N1}{\Σ}}{F}_i\left(p_j\right)p_j---\left(18\right)$

$I_{i\_2}=\underset{j=1}{\overset{N2}{\Σ}}{F}_i\left(p_j\right)(p_j-P_{ref\_i})---\left(19\right)$

式中，p_j为离散后的功率值，F_i(p_j)为功率p_j的概率，N1为离散化后功率取值区间的总数目，N2为功率大于限值P_{ref_i}的离散化功率取值区间的数目；

根据风险的定义，在无电网约束情况下风电机组的功率损失风险指标即为：

R_i＝P_{o_i}I_{i_1}+δ_i(1-P_{o_i})I_{i_2}(20)

式中，P_{o_i}为机组i的停运概率；δ_i为标志系数，若机组i工作于正常全功率模式，取值0，若机组工作于非全功率模式，取值1；

2)限功率运行情况：

运行于限功率情况下，风电场输出功率应低于电网调度指令值；将风电机组输出功率小于其功率分配值的部分，定义为风电机组的功率损失；造成功率损失的原因由两部分组成：风电功率的预测存在较大误差、风电机组的强迫停运；

在工作于限功率模式，风电机组的功率损失与其停机状态相关；风电机组停运情况下的功率损失I_{i_1}和不停运情况下的功率损失I_{i_2}的计算公式分别为式(21)和(22)：

$I_{i\_1}=P_{ref\_i}{\∫}_0^{P_{ref\_i}}{f}_i\left(p\right)dp---\left(21\right)$

$I_{i\_2}={\∫}_0^{P_{ref\_i}}{f}_i\left(p\right)(P_{ref\_i}-p)dp---\left(22\right)$

式中，f_i(p)为机组i在功率p下的概率密度，P_{ref_i}为功率限值；离散化处理后的功率损失近似为：

$L_{i\_1}=P_{ref\_i}\underset{j=1}{\overset{N}{\Σ}}{F}_i\left(p_j\right)---\left(23\right)$

$I_{i\_2}=\underset{j=1}{\overset{N}{\Σ}}{F}_i\left(p_j\right)(P_{ref\_i}-p_j)---\left(24\right)$

由风险的定义可得，在工作于限功率情况下，风电机组的功率损失风险为：

R_i＝P_{o_i}I_{i_1}+δ_i(1-P_{o_i})I_{i_2}(25)

其中，P_{o_i}为机组i的停运概率。

进一步，在步骤S4中，根据定义：短期停运概率高于0.1的风电机组为低可靠性机组，假定低可靠性机组在下一时刻存在正常运行和停运两种状态，对各机组的状态实现组合，然后依照各机组的停运概率，计算得到各种状态出现的概率P_{wf_i}。

进一步，在步骤S5中，通过各低可靠性风电机组的停运和限功率状态，对相应的功率损失值进行相加，计算获得风电处于状态i时的功率损失为I_{wf_i}；

由风电场各状态的功率损失及规定的风电场运行风险定义，获得风电场运行风险如下：

$R_{wf}=\underset{i=1}{\overset{N}{\Σ}}{P}_{wf\_i}{I}_{wf\_i}---\left(26\right).$

本发明的有益效果在于：本发明将风电功率预测误差及风电机组实时停运概率作为风电场运行风险的考虑因素，并定量分析机组在无电网约束和限功率两种运行条件下的功率损失，能够更准确地评估风电场的运行风险。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为风电机组短期可靠性预测模型框架图；

图2为本发明方法的流程示意图；

图3为拟合的风速-功率曲线图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为风电机组短期可靠性预测模型框架图，图2为本发明方法的流程示意图，如图所示，本发明所述方法包括以下步骤：S1：建立风速预测模型，对风电机组风速进行预测；S2：风电机组运行可靠性评估；S3：风电机组功率损失与运行风险计算；S4：风电场状态集合确定及各状态的概率；S5：风电场各状态的功率损失与风电场运行风险计算。

具体来说，在步骤S1中，采用ARMA预测法对风电机组风速进行预测，单机风速通过计算各台机组在某预测时间间隔内的平均风速得到，可以体现机组所在区域内的风速情况，风速预测的时间间隔分别设定为5分钟、10分钟、30分钟和60分钟；采用均方根误差(MSE)、平均绝对误差(MAE)和平均相对误差(MAPE)刻画预测的准确度来全面反映预测效果，如式(1)-(3)所示：

$MSE=\sqrt{\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{({y_t}^{\′}-y_t)}^2}---\left(1\right)$

$MAE=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}|{y_t}^{\′}-y_t|---\left(2\right)$

$MAPE=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}\left|\frac{{y_t}^{\′}-y_t}{y_t}\right|---\left(3\right)$

式中，y_t’为时刻t的预测值，y_t为时刻t的实测值，n为序列的长度。

机组的输出功率与风速直接相关，并且受多种参数共同作用，实测的风机输出曲线，这是由于受机组运行状态、空气密度和地形等因素的共同作用，所以需要根据实际运行数据建立功率曲线。

采用BPNN拟合功率曲线，本发明的模型训练以某月份的实测数据作为样本。实测的风速-功率散点图可见大量的异常工作点存在于切入风速和切出风速之间，这是由于机组处于限功率运行状态、停运状态、异常工作状态引起。对此，在训练模型之前进行数据的预处理，删除异常数据及停机数据。图3所示为拟合的功率曲线。

在步骤S2中，建立风电机组短期可靠性预测模型如下：

1)风速相依的风电机组统计停运模型：

根据可靠性指标和可靠度的基本定义，运行时间T作为随机变量，得到可靠度R(t)为：

R(t)＝P(T＞t)(4)

不可靠度F(t)为：

F(t)＝1-R(t)＝P(T＞t)(5)

由故障概率密度函数f(t)是不可靠度的导数，可知：

$f\left(t\right)=\frac{dF\left(t\right)}{dt}---\left(6\right)$

故障率作为风电机组停运模型的停运率,得到设备故障率：

$\mathrm{\λ}\left(t\right)=\frac{f\left(t\right)}{R\left(t\right)}=-\frac{1}{R\left(t\right)}\frac{dR\left(t\right)}{dt}---\left(7\right)$

在已知设备故障率λ(t)的情况下，对公式(7)两边进行积分得：

${\∫}_0^t\mathrm{\λ}\left(t\right)dt=-{\∫}_0^t-\frac{1}{R\left(t\right)}\frac{dR\left(t\right)}{dt}dt=-\ln R\left(t\right)+\ln R\left(0\right)---\left(8\right)$

当t＝0时，R(0)＝1，即：

$F\left(t\right)=1-\exp \[-{\∫}_0^t\mathrm{\λ}\left(t\right)dt\]---\left(9\right)$

公式(9)为停运概率和停运率的关系；

考虑风速对于停运概率的影响，其中风速以风电场运行维护数据和SCADA数据对风电机组的停运次数和停运时刻进行统计，将风速以1m/s的间隔进行分区，每个风速区间的风电机组停运率即为:

$\mathrm{\λ}\left(v_i\right)=\frac{N_{vi}}{T_{vi}}---\left(10\right)$

式中，N_vi为风速v_i情况下风电场所有风电机组的总停运次数，T_vi为机组累计工作时间；

采用泊松分布进行可靠性分析，则计及风速的短期停运概率为：

P_t(t,v)＝1-e^λ(v)t(11)；

2)状态参数越限保护动作模型：

采用BPNN的方法，建立状态参数广义模糊异常辨识模型；训练样本的选取考虑气候条件的季节性、设备的个体差异和故障情况，选取各个季节下的正常运行时的数据对每台机组独立建模，从而进一步得到状态参数预测残差以及残差分布函数；

采用状态参数在“正常”情况下的样本训练得到的预测模型对处于非“正常”情况的状态参数不能进行准确预测，为此，对状态参数预测结果进行了修正，通过将状态参数的预测值和上一时刻预测残差进行相加，依据预测残差本身存在的分布特征，得到越限概率即为：

P_o(t+1)＝P(T_e＞T_lim-T_f-ε(t))＝1-F_N(T_lim-T_f-ε(t))(12)

式中，P_O(t+1)为下一时刻状态参数的越限概率，T_lim为状态参数上限值，T_f为状态参数预测值，ε(t)为t时刻预测残差，F_N(·)为状态参数预测模型的预测残差分布函数；

在风电机组工作于正常模式，第1类状态参数的越限概率内容分为三部分：建立状态参数预测模型、风速概率预测和状态参数概率预测，具体步骤如下：

(1)获取状态参数的异常情况：越限概率为0表示状态参数处于“正常”情况，结束计算；当状态参数处于“注意”或“异常”，预测模型的训练样本采用当天之前1个月的数据；若处于“异常”状态，预测模型的训练样本采用1个小时之前的数据；

(2)建立预测模型：由于状态参数类型不同，选择不同的输入参数；对于与温度无关的状态参数，如叶轮转速、输出功率，选择风速作为输入参数；对于温度参数，输入参数选择风速、环境温度及上一时刻温度；

(3)采用ARMA预测法，对风速概率进行预测；第一步以风速预测模型计算预测风速值v_f(t+1)，第二步依据v_f(t+1)所处风速区间和预测时间时间间隔得到风速预测的概率密度函数，第三步离散化概率密度函数，计算各风速预测值v_j(t+1)及概率P_vj(t+1)；

(4)状态参数预测：根据风速预测值v_j(t+1)，通过预测模型进行状态参数预测；设备温度参数的输入参数选择预测风速v_j(t+1)、环境温度T_a(t+1)和本时刻自身温度T_c(t)；并且设环境温度在短期内不发生剧烈变化，即T_a(t+1)等于T_a(t)；输出功率、叶轮转速的输入参数选择预测风速v_j(t+1)；

(5)依据公式(12)计算各预测风速v_j(t+1)下的参数越限概率P_{o_vj}(t+1)；通过公式(13)计算参数i越限概率P_zi(t+1)；

$P_{zi}(t+1)=\underset{j=1}{\overset{N}{\Σ}}{P}_{vj}(t+1)P_{o\_vj}(t+1)---\left(13\right)$

式中，N为离散化风速误差的风速预测值的个数；本发明以风速预测误差0.5m/s为间隔进行离散化处理，当概率小于0.01时不考虑，以此确定风速预测值的个数N。

当机组工作于限功率模式，第1类状态参数的越限概率内容计算分为两部分：建立状态参数预测模型和状态参数概率预测，具体步骤如下：

(1)在工作于限功率模式下，叶轮转速及输出功率被直接控制，所以可设越限概率很小，无需计算；当设备温度参数处于“正常”情况，越限概率计为0，结束计算；当处于“注意”状态，预测模型的训练样本采用当天之前1个月的数据；当处于“异常”状态，训练样本采用1个小时之前的数据；

(2)建立设备温度的预测模型，输出功率、环境温度及上一时刻温度作为其输入参数；

(3)状态参数预测：功率限值P_lim(t+1)、环境温度T_a(t+1)和本时刻自身温度T_c(t)作为输入参数；设环境温度在短期内不会发生剧烈变化，即T_a(t+1)等于T_a(t)；

(4)依据公式(12)计算限功率P_lim下的越限概率P_o(t+1)，即状态参数i越限概率P_zi(t+1)，完成计算；

根据状态参数越限保护动作模型，计算每个状态参数的越限保护动作概率；基于状态参数越限保护动作的机组短期停运概率P_zi为：

$P_z=1-\underset{i=1}{\overset{N}{\Π}}(1-P_{zi})---\left(14\right)$

式中，N表示状态参数个数，P_zi表示监测参数i的越限保护动作概率；

结合风速相依的风电机组统计停运模型和参数越限保护动作模型，统计停运模型的输入为：风速概率预测信息和机组工作模式，获得基于统计数据的停运概率；当状态参数越限保护动作概率值很小时，基于统计数据的停运概率可有效反映其他原因导致机组停运的概率，但是当状态参数越限保护动作概率值很大时，基于统计数据的停运概率的参考价值较小；因此，计算机组短期停运概率的方法为：

P＝max(P_t,P_z)(15)

其中，P_t为基于统计数据的机组短期停运概率，P_z为基于状态参数越限的短期停运概率。

在步骤S3中，根据风电场工作于不同运行情况，产生风电场功率损失的原因和计算方法都不同，基于此构成的风险指标也就不同，具体可以分为无电网约束和限功率运行这两种情况：

1)无电网约束情况：

当机组工作于正常全功率模式，对于功率损失仅考虑停运造成的，即为：

$I_{i\_1}={\∫}_0^{P_{Rat}}{f}_i\left(p\right)pdp---\left(16\right)$

其中，f_i(p)为机组i在功率p下的概率密度，P_Rat为机组的额定功率；功率损失I_{i_1}实际上为功率预测期望值；

当机组工作于非全功率模式，风电机组功率损失考虑两部分：其一为风电机组停运造成的功率损失，如式(16)；其二为机组未停运但由于功率受限造成的功率损失，即为：

$I_{i\_2}={\∫}_{P_{\lim }}^{P_{Rat}}{f}_i\left(p\right)(p-P_{ref\_i})dp---\left(17\right)$

其中，P_{ref_i}为功率限值；功率损失I_{i_2}实际上为功率预测超过功率限值的期望值；

另外f_i(p)无解析表达式，通过对功率损失进行离散化处理，即将公式(16)和(17)分别用公式(18)和(19)进行近似计算：

$I_{i\_1}=\underset{j=1}{\overset{N1}{\Σ}}{F}_i\left(p_j\right)p_j---\left(18\right)$

$I_{i\_2}=\underset{j=1}{\overset{N2}{\Σ}}{F}_i\left(p_j\right)(p_j-P_{ref\_i})---\left(19\right)$

式中，p_j为离散后的功率值，F_i(p_j)为功率p_j的概率，N1为离散化后功率取值区间的总数目，N2为功率大于限值P_{ref_i}的离散化功率取值区间的数目；

根据风险的定义，在无电网约束情况下风电机组的功率损失风险指标即为：

R_i＝P_{o_i}I_{i_1}+δ_i(1-P_{o_i})I_{i_2}(20)

式中，P_{o_i}为机组i的停运概率；δ_i为标志系数，若机组i工作于正常全功率模式，取值0，若机组工作于非全功率模式，取值1；

2)限功率运行情况：

运行于限功率情况下，风电场输出功率应低于电网调度指令值；将风电机组输出功率小于其功率分配值的部分，定义为风电机组的功率损失；造成功率损失的原因由两部分组成：风电功率的预测存在较大误差、风电机组的强迫停运；

传统的功率分配方法依据风电机组功率预测值，然后以比例法设定每台机组的期望功率，即为：

$P_{ref\_i}=\frac{P_{pre\_i}}{\underset{i=1}{\overset{N}{\Σ}}{P}_{pre\_i}}{P}_{pre\_wf}$

其中，P_{ref_i}为第i台机组的期望功率，P_{pre_i}为第i台机组预测值，P_{ref_wf}为风电场功率限值，N为机组数目。

由于在某些风速区间内，风电机组的功率预测误差较大，因此根据公式(21)计算机组的期望功率，可能引起2种情况：(1)期望功率小于最大可发功率时，机组按照期望功率发电，不会出现功率损失；(2)期望功率大于最大可发功率时，机组按照最大可发功率发电，会出现功率损失。由此可得风电场期望出力总是大于或等于各机组实际出力之和。

在工作于限功率模式，风电机组的功率损失与其停机状态相关；风电机组停运情况下的功率损失I_{i_1}和不停运情况下的功率损失I_{i_2}的计算公式分别为式(21)和(22)：

$I_{i\_1}=P_{ref\_i}{\∫}_0^{P_{ref\_i}}{f}_i\left(p\right)dp---\left(21\right)$

$I_{i\_2}={\∫}_0^{P_{ref\_i}}{f}_i\left(p\right)(P_{ref\_i}-p)dp---\left(22\right)$

式中，f_i(p)为机组i在功率p下的概率密度，P_{ref_i}为功率限值；离散化处理后的功率损失近似为：

$I_{i\_1}=P_{ref\_i}\underset{j=1}{\overset{N}{\Σ}}{F}_i\left(p_j\right)---\left(23\right)$

$I_{i\_2}=\underset{j=1}{\overset{N}{\Σ}}{F}_i\left(p_j\right)(P_{ref\_i}-p_j)---\left(24\right)$

由风险的定义可得，在工作于限功率情况下，风电机组的功率损失风险为：

R_i＝P_{o_i}I_{i_1}+δ_i(1-P_{o_i})I_{i_2}(25)

其中，P_{o_i}为机组i的停运概率。

在步骤S4中，根据定义：短期停运概率高于0.1的风电机组为低可靠性机组，假定低可靠性机组在下一时刻存在正常运行和停运两种状态，对各机组的状态实现组合，然后依照各机组的停运概率，计算得到各种状态出现的概率P_{wf_i}。

在步骤S5中，通过各低可靠性风电机组的停运和限功率状态，对相应的功率损失值进行相加，计算获得风电处于状态i时的功率损失为I_{wf_i}；

由风电场各状态的功率损失及规定的风电场运行风险定义，获得风电场运行风险如下：

$R_{wf}=\underset{i=1}{\overset{N}{\Σ}}{P}_{wf\_i}{I}_{wf\_i}---\left(26\right)$

实施例：

本实例的研究对象采用国内某风电场在2012年7月21日到2012年7月22日的SCADA数据。通过SCADA系统对风电机组停运和报警信息的统计，发现有12台机组在该时段内反复启停，其原因如表1所示。通过各机组的功率预测值进行比例分配，表2中三列数据分别为：通过计算得到的仅考虑风速波动情况下的功率损失风险值、考虑风速波动与机组运行可靠性情况下的功率损失风险值以及各机组的实际功率损失。

表1各机组的停运原因

机组	停运原因	机组	停运原因
				5	齿轮箱油温越限	15	发电机前轴承温度越限
8	发电机前轴承温度越限	16	未知
				11	发电机前轴承温度越限	18	发电机后轴承温度越限
12	齿轮箱油温越限	22	发电机后轴承温度越限
				13	齿轮箱油温越限	23	发电机后轴承温度越限
14	发电机后轴承温度越限	31	发电机后轴承温度越限

表2功率损失风险

对以上结果进行对比可以看出，综合考虑风速波动及机组运行可靠性两种因素得到的功率损失风险比仅考虑风速得到的功率损失风险更精确，能更加真实反映出风电机组及风电场面临的风险状况。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种风电场运行风险评估方法，其特征在于：包括以下步骤：

S1：建立风速预测模型，对风电机组风速进行预测；

S2：风电机组运行可靠性评估；

S3：风电机组功率损失与运行风险计算；

S4：风电场状态集合确定及各状态的概率；

S5：风电场各状态的功率损失与风电场运行风险计算。

2.根据权利要求1所述的一种风电场运行风险评估方法，其特征在于：在步骤S1中，采用ARMA预测法对风电机组风速进行预测，单机风速通过计算各台机组在某预测时间间隔内的平均风速得到，可以体现机组所在区域内的风速情况，风速预测的时间间隔分别设定为5分钟、10分钟、30分钟和60分钟；采用均方根误差(MSE)、平均绝对误差(MAE)和平均相对误差(MAPE)刻画预测的准确度来全面反映预测效果，如式(1)-(3)所示：

$MSE=\sqrt{\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{({y_t}^{\′}-y_t)}^2}---\left(1\right)$

$MAE=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}\left|{y_t}^{\′}-y_t\right|---\left(2\right)$

$MAPE=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}\left|\frac{{y_t}^{\′}-y_t}{y_t}\right|---\left(3\right)$

式中，y_t’为时刻t的预测值，y_t为时刻t的实测值，n为序列的长度。

3.根据权利要求2所述的一种风电场运行风险评估方法，其特征在于：在步骤S2中，建立风电机组短期可靠性预测模型如下：

1)风速相依的风电机组统计停运模型：

根据可靠性指标和可靠度的基本定义，运行时间T作为随机变量，得到可靠度R(t)为：

R(t)＝P(T＞t)(4)

不可靠度F(t)为：

F(t)＝1-R(t)＝P(T＞t)(5)

由故障概率密度函数f(t)是不可靠度的导数，可知：

$f\left(t\right)=\frac{dF\left(t\right)}{dt}---\left(6\right)$

故障率作为风电机组停运模型的停运率,得到设备故障率：

$\mathrm{\λ}\left(t\right)=\frac{f\left(t\right)}{R\left(t\right)}=-\frac{1}{R\left(t\right)}\frac{dR\left(t\right)}{dt}---\left(7\right)$

在已知设备故障率λ(t)的情况下，对公式(7)两边进行积分得：

${\∫}_0^t\mathrm{\λ}\left(t\right)dt=-{\∫}_0^t-\frac{1}{R\left(t\right)}\frac{dR\left(t\right)}{dt}dt=-\ln R\left(t\right)+\ln R\left(0\right)---\left(8\right)$

当t＝0时，R(0)＝1，即：

$F\left(t\right)=1-\exp \[-{\∫}_0^t\mathrm{\λ}\left(t\right)dt\]---\left(9\right)$

公式(9)为停运概率和停运率的关系；

将风速以1m/s的间隔进行分区，每个风速区间的风电机组停运率即为:

$\mathrm{\λ}\left(v_i\right)=\frac{N_{vi}}{T_{vi}}---\left(10\right)$

式中，N_vi为风速v_i情况下风电场所有风电机组的总停运次数，T_vi为机组累计工作时间；

采用泊松分布进行可靠性分析，则计及风速的短期停运概率为：

P_t(t,v)＝1-e^λ(v)t(11)；

2)状态参数越限保护动作模型：

采用BPNN的方法，建立状态参数广义模糊异常辨识模型；训练样本的选取考虑气候条件的季节性、设备的个体差异和故障情况，选取各个季节下的正常运行时的数据对每台机组独立建模，从而进一步得到状态参数预测残差以及残差分布函数；

采用状态参数在“正常”情况下的样本训练得到的预测模型对处于非“正常”情况的状态参数不能进行准确预测，为此，对状态参数预测结果进行了修正，通过将状态参数的预测值和上一时刻预测残差进行相加，依据预测残差本身存在的分布特征，得到越限概率即为：

P_o(t+1)＝P(T_e＞T_lim-T_f-ε(t))＝1-F_N(T_lim-T_f-ε(t))(12)

式中，P_O(t+1)为下一时刻状态参数的越限概率，T_lim为状态参数上限值，T_f为状态参数预测值，ε(t)为t时刻预测残差，F_N(·)为状态参数预测模型的预测残差分布函数；

在风电机组工作于正常模式，第1类状态参数的越限概率内容分为三部分：建立状态参数预测模型、风速概率预测和状态参数概率预测，具体步骤如下：

(1)获取状态参数的异常情况：越限概率为0表示状态参数处于“正常”情况，结束计算；当状态参数处于“注意”或“异常”，预测模型的训练样本采用当天之前1个月的数据；若处于“异常”状态，预测模型的训练样本采用1个小时之前的数据；

(2)建立预测模型：由于状态参数类型不同，选择不同的输入参数；对于与温度无关的状态参数，选择风速作为输入参数；对于温度参数，输入参数选择风速、环境温度及上一时刻温度；

(3)采用ARMA预测法，对风速概率进行预测；第一步以风速预测模型计算预测风速值v_f(t+1)，第二步依据v_f(t+1)所处风速区间和预测时间时间间隔得到风速预测的概率密度函数，第三步离散化概率密度函数，计算各风速预测值v_j(t+1)及概率P_vj(t+1)；

(4)状态参数预测：根据风速预测值v_j(t+1)，通过预测模型进行状态参数预测；设备温度参数的输入参数选择预测风速v_j(t+1)、环境温度T_a(t+1)和本时刻自身温度T_c(t)；并且设环境温度在短期内不发生剧烈变化，即T_a(t+1)等于T_a(t)；输出功率、叶轮转速的输入参数选择预测风速v_j(t+1)；

(5)依据公式(12)计算各预测风速v_j(t+1)下的参数越限概率P_{o_vj}(t+1)；通过公式(13)计算参数i越限概率P_zi(t+1)；

$P_{zi}(t+1)=\underset{j=1}{\overset{N}{\Σ}}{P}_{vj}(t+1)P_{o\_vj}(t+1)---\left(13\right)$

式中，N为离散化风速误差的风速预测值的个数；

当机组工作于限功率模式，第1类状态参数的越限概率内容计算分为两部分：建立状态参数预测模型和状态参数概率预测，具体步骤如下：

(1)在工作于限功率模式下，叶轮转速及输出功率被直接控制，所以可设越限概率很小，无需计算；当设备温度参数处于“正常”情况，越限概率计为0，结束计算；当处于“注意”状态，预测模型的训练样本采用当天之前1个月的数据；当处于“异常”状态，训练样本采用1个小时之前的数据；

(2)建立设备温度的预测模型，输出功率、环境温度及上一时刻温度作为其输入参数；

(3)状态参数预测：功率限值P_lim(t+1)、环境温度T_a(t+1)和本时刻自身温度T_c(t)作为输入参数；设环境温度在短期内不会发生剧烈变化，即T_a(t+1)等于T_a(t)；

(4)依据公式(12)计算限功率P_lim下的越限概率P_o(t+1)，即状态参数i越限概率P_zi(t+1)，完成计算；

根据状态参数越限保护动作模型，计算每个状态参数的越限保护动作概率；基于状态参数越限保护动作的机组短期停运概率P_zi为：

$P_z=1-\underset{i=1}{\overset{N}{\Π}}(1-P_{zi})---\left(14\right)$

式中，N表示状态参数个数，P_zi表示监测参数i的越限保护动作概率；

结合风速相依的风电机组统计停运模型和参数越限保护动作模型，统计停运模型的输入为：风速概率预测信息和机组工作模式，获得基于统计数据的停运概率；当状态参数越限保护动作概率值很小时，基于统计数据的停运概率可有效反映其他原因导致机组停运的概率，但是当状态参数越限保护动作概率值很大时，基于统计数据的停运概率的参考价值较小；因此，计算机组短期停运概率的方法为：

P＝max(P_t,P_z)(15)

其中，P_t为基于统计数据的机组短期停运概率，P_z为基于状态参数越限的短期停运概率。

4.根据权利要求3所述的一种风电场运行风险评估方法，其特征在于：在步骤S3中，根据风电场工作于不同运行情况，产生风电场功率损失的原因和计算方法都不同，基于此构成的风险指标也就不同，具体可以分为无电网约束和限功率运行这两种情况：

1)无电网约束情况：

当机组工作于正常全功率模式，对于功率损失仅考虑停运造成的，即为：

$I_{i\_1}={\∫}_0^{P_{Rat}}{f}_i\left(p\right)pdp---\left(16\right)$

其中，f_i(p)为机组i在功率p下的概率密度，P_Rat为机组的额定功率；功率损失I_{i_1}实际上为功率预测期望值；

当机组工作于非全功率模式，风电机组功率损失考虑两部分：其一为风电机组停运造成的功率损失，如式(16)；其二为机组未停运但由于功率受限造成的功率损失，即为：

$I_{i\_2}={\∫}_{P_{\lim }}^{P_{Rat}}{f}_i\left(p\right)(p-P_{ref\_i})dp---\left(17\right)$

其中，P_{ref_i}为功率限值；功率损失I_{i_2}实际上为功率预测超过功率限值的期望值；

另外f_i(p)无解析表达式，通过对功率损失进行离散化处理，即将公式(16)和(17)分别用公式(18)和(19)进行近似计算：

$L_{i\_1}=\underset{j=1}{\overset{N1}{\Σ}}{F}_i\left(p_j\right)p_j---\left(18\right)$

$I_{i\_2}=\underset{j=1}{\overset{N2}{\Σ}}{F}_i\left(p_j\right)(p_j-P_{ref\_i})---\left(19\right)$

式中，p_j为离散后的功率值，F_i(p_j)为功率p_j的概率，N1为离散化后功率取值区间的总数目，N2为功率大于限值P_{ref_i}的离散化功率取值区间的数目；

根据风险的定义，在无电网约束情况下风电机组的功率损失风险指标即为：

R_i＝P_{o_i}I_{i_1}+δ_i(1-P_{o_i})I_{i_2}(20)

式中，P_{o_i}为机组i的停运概率；δ_i为标志系数，若机组i工作于正常全功率模式，取值0，若机组工作于非全功率模式，取值1；

2)限功率运行情况：

运行于限功率情况下，风电场输出功率应低于电网调度指令值；将风电机组输出功率小于其功率分配值的部分，定义为风电机组的功率损失；造成功率损失的原因由两部分组成：风电功率的预测存在较大误差、风电机组的强迫停运；

在工作于限功率模式，风电机组的功率损失与其停机状态相关；风电机组停运情况下的功率损失I_{i_1}和不停运情况下的功率损失I_{i_2}的计算公式分别为式(21)和(22)：

$I_{i\_1}=P_{ref\_i}{\∫}_0^{P_{ref\_i}}{f}_i\left(p\right)dp---\left(21\right)$

$I_{i\_2}={\∫}_0^{P_{ref\_i}}{f}_i\left(p\right)(P_{ref\_i}-p)dp---\left(22\right)$

式中，f_i(p)为机组i在功率p下的概率密度，P_{ref_i}为功率限值；离散化处理后的功率损失近似为：

$I_{i\_1}=P_{ref\_i}\underset{j=1}{\overset{N}{\Σ}}{F}_i\left(p_j\right)---\left(23\right)$

$I_{i\_2}=\underset{j=1}{\overset{N}{\Σ}}{F}_i\left(p_j\right)(P_{ref\_i}-p_j)---\left(24\right)$

由风险的定义可得，在工作于限功率情况下，风电机组的功率损失风险为：

R_i＝P_{o_i}I_{i_1}+δ_i(1-P_{o_i})I_{i_2}(25)

其中，P_{o_i}为机组i的停运概率。

5.根据权利要求4所述的一种风电场运行风险评估方法，其特征在于：在步骤S4中，根据定义：短期停运概率高于0.1的风电机组为低可靠性机组，假定低可靠性机组在下一时刻存在正常运行和停运两种状态，对各机组的状态实现组合，然后依照各机组的停运概率，计算得到各种状态出现的概率P_{wf_i}。

6.根据权利要求5所述的一种风电场运行风险评估方法，其特征在于：在步骤S5中，通过各低可靠性风电机组的停运和限功率状态，对相应的功率损失值进行相加，计算获得风电处于状态i时的功率损失为I_{wf_i}；

由风电场各状态的功率损失及规定的风电场运行风险定义，获得风电场运行风险如下：

$R_{wf}=\underset{i=1}{\overset{N}{\Σ}}{P}_{wf\_i}{I}_{wf\_i}---\left(26\right).$