CN105469216A - 一种结合天气及风速评价风电场运行风险的方法和系统 - Google Patents

Abstract

本发明提供一种结合天气及风速评价风电场运行风险的方法，包括：a、确定当前天气下设备元件在评测周期内的停运概率；b、采用ARMA模型构建时间序列并进行矩阵变换，得到各风电场的风速序列；c、根据当前天气的停运概率，得到系统状态，并采用非序贯蒙特卡洛法进行抽样；d、抽样数加1，获取当前时刻下各风电场的风速，并计算各风电场出力；e、根据各风电场出力，筛选出满足预定条件的负荷母线及其相应的切负荷值累加之后作为系统最小失负荷量；f、根据最小失负荷量，计算风险指标；g、每次风险指标方差小于精度时，返回步骤d；否则，将风险指标输出。实施本发明，能够提高风电场运行风险评估的准确性和可靠性，使得评价结果更加科学合理，且具有可扩展性。

Description

一种结合天气及风速评价风电场运行风险的方法和系统

技术领域

本发明涉及风电场风险评估技术领域，尤其涉及一种结合天气及风速评价风电场运行风险的方法和系统。

背景技术

随着风电机组单机容量和风电场规模的不断增大，迫切需要研究风电并网对电力系统运行风险评估的影响，然而基于风险理论的安全性评估，需充分计及到电力系统中各种事件发生的可能性及其后果，在保证电力系统安全稳定运行的同时使电力系统运行更加经济高效。

风电场运行风险的评估涉及到以下几个方面：一、在多个风电场接入电力系统时，由于多个风电场之间地理位置接近，基本处于同一风带下，从而使得风速具有一定的相关性；二、由于风速的随机性和间歇性，造成风电出力具有波动性，从而使得风电出力具有一定的相关性；三、由于天气会影响设备运行的稳定性，从而使得天气因素具有一定的相关性。

然而现有技术中，并没有全面考虑上述风险评估的几个方面，从而造成风险评估结果具有片面性，且精确度低。

发明内容

本发明实施例所要解决的技术问题在于，提供一种结合天气及风速评价风电场运行风险的方法和系统，能够综合考虑风速相关性、风电出力相关性和天气因素，提高风电场运行风险评估的准确性和可靠性，使得评价结果更加科学合理，且具有可扩展性。

为了解决上述技术问题，本发明实施例提供了一种结合天气及风速评价风电场运行风险的方法，其在包括多个风电场及常规电场的电力系统中实现，所述方法包括：

a、确定风险评价时的当前天气状态及其对应的评测周期，并根据所述当前天气状态及评测周期，得到当前天气状态下设备元件在所述评测周期内的停运概率；其中，所述天气状态包括正常天气和恶劣天气；

b、对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列，并将所述多个风电场分别构建出的时间序列均进行矩阵变换，且进一步根据风速与变换后时间序列的相关性，得到所述多个风电场分别对应的风速序列；

c、根据所述得到的停运概率，得到所有设备元件以随机数0或1来组合表示的系统状态，并对所述系统状态采用非序贯蒙特卡洛法进行抽样；其中，抽样数初始为0，且抽样数最大为M，M为自然数；

d、将当前抽样数加1，待所述加1后的当前抽样数小于M时，根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数，以及获取到的相应风速，计算出各风电场出力；

e、根据所述计算出的各风电场出力，以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值，筛选出满足预定条件的负荷母线，并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量；

f、根据所述最大抽样数，确定系统状态概率，并根据所述系统状态概率及所述系统最小失负荷量，得到所述电力系统的风险指标；

g、确定当前抽样数对应的风险指标方差，当所述风险指标方差小于预设的精度时，返回步骤d；当所述风险指标方差大于或等于所述预设的精度时，将所述得到的风险指标输出。

其中，所述步骤a具体包括：

基于历史数据统计出设备元件的年平均故障率，以及正常天气和恶劣天气分别对应的稳态概率，并进一步统计出故障发生在恶劣天气下的比例；

根据所述统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例，得到正常天气设备元件的年故障率，并进一步根据所述统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例，得到恶劣天气设备元件的年故障率；

确定风险评价时的当前天气状态及其对应的评测周期；

当所述风险评价时的当前天气状态为正常天气时，根据所述得到的正常天气设备元件的年故障率以及所述评测周期，计算出正常天气时设备元件在所述评测周期内的停运概率；

当所述风险评价时的当前天气状态为恶劣天气时，根据所述得到的恶劣天气设备元件的年故障率以及所述评测周期，计算出恶劣天气时设备元件在所述评测周期内的停运概率。

其中，所述评测周期为15分钟或1小时。

其中，所述步骤b具体包括：

对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列；

通过预设的下三角矩阵及预设的列向量，将所述多个风电场分别构建出的时间序列均进行矩阵变换；

根据预设的平均风速及预设的标准差，将所述矩阵变换后的多个时间序列生成为所述多个风电场分别对应的风速序列。

其中，所述步骤d具体包括：

获取当前抽样数，并将所述获取到的当前抽样数加1；

待所述加1后的当前抽样数小于M时，确定各风电场的风速序列取值的当前时刻，并根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数；

当所述获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时，得到各风电场出力均为0；

当所述获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时，根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速，得到各风电场出力；

当所述获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时，得到各风电场出力为其对应的额定功率。

本发明实施例还提供了一种结合天气及风速评价风电场运行风险的系统，所述系统包括：

抽样概率获取单元，用于确定风险评价时的当前天气状态及其对应的评测周期，并根据所述当前天气状态及评测周期，得到当前天气状态下设备元件在所述评测周期内的停运概率；其中，所述天气状态包括正常天气和恶劣天气；

风速序列获取单元，用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列，并将所述多个风电场分别构建出的时间序列均进行矩阵变换，且进一步根据风速与变换后时间序列的相关性，得到所述多个风电场分别对应的风速序列；

抽样单元，用于根据所述得到的停运概率，得到所有设备元件以随机数0或1来组合表示的系统状态，并对所述系统状态采用非序贯蒙特卡洛法进行抽样；其中，抽样数初始为0，且抽样数最大为M，M为自然数；

风电场出力获取单元，用于将当前抽样数加1，待所述加1后的当前抽样数小于M时，根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数，以及获取到的相应风速，计算出各风电场出力；

最小失负荷量获取单元，用于根据所述计算出的各风电场出力，以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值，筛选出满足预定条件的负荷母线，并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量；

风险指标获取单元，用于根据所述最大抽样数，确定系统状态概率，并根据所述系统状态概率及所述系统最小失负荷量，得到所述电力系统的风险指标；

风险指标确定及输出单元，用于确定当前抽样数对应的风险指标方差，当所述风险指标方差大于或等于所述预设的精度时，将所述得到的风险指标输出。

其中，所述抽样概率获取单元包括：

统计模块，用于基于历史数据统计出设备元件的年平均故障率，以及正常天气和恶劣天气分别对应的稳态概率，并进一步统计出故障发生在恶劣天气下的比例；

设备元件年故障率获取模块，用于根据所述统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例，得到正常天气设备元件的年故障率，并进一步根据所述统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例，得到恶劣天气设备元件的年故障率；

评测天气及周期确定模块，用于确定风险评价时的当前天气状态及其对应的评测周期；

正常天气下设备元件停运概率获取模块，用于当所述风险评价时的当前天气状态为正常天气时，根据所述得到的正常天气设备元件的年故障率以及所述评测周期，计算出正常天气时设备元件在所述评测周期内的停运概率；

恶劣天气下设备元件停运概率获取模块，用于当所述风险评价时的当前天气状态为恶劣天气时，根据所述得到的恶劣天气设备元件的年故障率以及所述评测周期，计算出恶劣天气时设备元件在所述评测周期内的停运概率。

其中，所述评测周期为15分钟或1小时。

其中，所述风速序列获取单元包括：

时间序列构建模块，用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列；

矩阵变换模块，用于通过预设的下三角矩阵及预设的列向量，将所述多个风电场分别构建出的时间序列均进行矩阵变换；

风速序列获取模块，用于根据预设的平均风速及预设的标准差，将所述矩阵变换后的多个时间序列生成为所述多个风电场分别对应的风速序列。

其中，所述风电场出力获取单元包括：

抽样数计算模块。用于获取当前抽样数，并将所述获取到的当前抽样数加1；

风速获取模块。用于待所述加1后的当前抽样数小于M时，确定各风电场的风速序列取值的当前时刻，并根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数；

风电场出力第一计算模块。用于当所述获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时，得到各风电场出力均为0；

风电场出力第二计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时，根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速，得到各风电场出力；

风电场出力第三计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时，得到各风电场出力为其对应的额定功率。

实施本发明实施例，具有如下有益效果：

在本发明实施例中，由于采用双状态天气模拟天气因素的影响，形成非序贯蒙特卡洛法抽样的系统状态，引入矩阵变换可更为真实地模拟同一风带下多个风电场的风速变化情况，以及通过预设的条件模型模拟风电场出力不确定性，即考虑了天气因素，又考虑了风电场风速相关性、出力不确定，因此提高了风电场运行风险评估的准确性和可靠性，使得评价结果更加科学合理，且具有可扩展性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例提供的一种结合天气及风速评价风电场运行风险的方法的流程图；

图2为本发明实施例提供的一种结合天气及风速评价风电场运行风险的方法的应用场景图；

图3为本发明实施例提供的一种结合天气及风速评价风电场运行风险的系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，为本发明实施例中，提供的一种结合天气及风速评价风电场运行风险的方法，其在包括多个风电场及常规电场的电力系统中实现，所述方法包括：

步骤S1、确定风险评价时的当前天气状态及其对应的评测周期，并根据所述当前天气状态及评测周期，得到当前天气状态下设备元件在所述评测周期内的停运概率；其中，所述天气状态包括正常天气和恶劣天气；

具体过程为，基于历史数据统计出设备元件的年平均故障率，以及正常天气和恶劣天气分别对应的稳态概率，并进一步统计出故障发生在恶劣天气下的比例；

根据统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例，得到正常天气设备元件的年故障率，并进一步根据统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例，得到恶劣天气设备元件的年故障率；

确定风险评价时的当前天气状态及其对应的评测周期；其中，评测周期为15分钟或1小时；

当风险评价时的当前天气状态为正常天气时，根据得到的正常天气设备元件的年故障率以及所述评测周期，计算出正常天气时设备元件在评测周期内的停运概率；

当风险评价时的当前天气状态为恶劣天气时，根据得到的恶劣天气设备元件的年故障率以及所述评测周期，计算出恶劣天气时设备元件在评测周期内的停运概率。

在一个实施例中，基于历史数据统计的元件年平均故障率λ_avg；基于历史统计数据的正常天气的稳态概率P_n和恶劣天气的稳态概率P_a；进一步统计故障发生在恶劣天气情况下的比例F_b；

根据公式(1)，得到正常天气下设备元件的年故障率λ_n(次/a)：

λ_n＝λ_avg(1-F_b)/P_n(1)

根据公式(2)，得到恶劣天气下设备元件的年故障率λ_a(次/a)：

λ_a＝λ_avgF_b/P_a(2)

因此，在某一时刻t₀处于正常运行的元件，在t₀+Δt时刻的停运概率P_i可通过公式(3)近似表达：

$p_i=1-e^{-{\mathrm{\λ}}_i\mathrm{\Δ}t}---\left(3\right)$

式(3)中，λ_i为元件的年故障率，若为正常天气取为λ_n，若为恶劣天气取λ_a；Δt为评测周期，可以取为15min或1h。

步骤S2、对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列，并将所述多个风电场分别构建出的时间序列均进行矩阵变换，且进一步根据风速与变换后时间序列的相关性，得到所述多个风电场分别对应的风速序列；

具体过程为，对多个风电场分别采用自回归滑动平均ARMA模型构建时间序列；通过预设的下三角矩阵及预设的列向量，将多个风电场分别构建出的时间序列均进行矩阵变换；根据预设的平均风速及预设的标准差，将矩阵变换后的多个时间序列生成为多个风电场分别对应的风速序列。

在一个实施例中，各风电场采用ARMA模型来模拟，得到各风电场不考虑相关性的时间序列y_t。其中，时间序列y_t可通过公式(4)表示：

$y_t=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\φ}}_i{y}_{t-i}+{\mathrm{\α}}_t-\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\θ}}_j{\mathrm{\α}}_{t-j}---\left(4\right)$

式(4)中，y_t为t时刻的时间序列值；n、m分别为AR部分和MA部分的阶次；i为自回归系数；j为滑动平均系数；t为正态白噪声过程。

对于列向量为各风电场得到的时间序列y_t，均可通过矩阵变换得到一个新的列向量yt^/，如公式(5)所示：

y_t'＝Ly_t+k(5)

式(5)中，L为任意给定的下三角矩阵；k为任意给定的列向量；

因此，利用公式(5)，就可得到具有指定相关性的多个风速序列，模拟多个风电场间风速相关性。

在得到考虑风速相关性的风速序列后，就可通过公式(6)计算各风电场考虑相关性的风速v_t：

v_t＝μ+σy_t(6)

式(6)中，μ为平均风速；σ为标准差。

步骤S3、根据所述得到的停运概率，得到所有设备元件以随机数0或1来组合表示的系统状态，并对所述系统状态采用非序贯蒙特卡洛法进行抽样；其中，抽样数初始为0，且抽样数最大为M，M为自然数；

具体过程为，非序贯蒙特卡洛法的依据是，一个系统状态是所有元件状态的组合，且每一设备元件状态可由对元件出现在该状态的概率进行抽样来确定。

每一设备元件可用一个在[0，1]区间的均匀分别来模拟，假设每一设备元件有故障和工作两个状态，且设备元件故障是相互独立的。此时，设备元件i产生一个在[0，1]均匀分别的随机数R_i，若随机数R_i小于停运概率P_i，则认为设备元件i的状态S_i处于故障状态，否则，认为设备元件i的状态S_i处于工作状态，具体可通过公式(7)表达：

式(7)中，P_i可根据当前天气状态通过公式(3)得到；

待所有设备元件选取完毕即可确认该系统状态，且每一次抽样的系统状态不一定相同，因此具有N个设备元件的系统状态由矢量S表示：S＝{S₁,...,S_i,...,S_N}；

当抽样次数足够大时，系统状态S出现的总次数可通过公式(8)表示，并作为其概率的无偏估计：

$P\left(s\right)=\frac{m\left(s\right)}{M}---\left(8\right)$

式(8)中：M为最大抽样次数；m(s)为抽样中系统状态S出现的次数。

步骤S4、将当前抽样数加1，待所述加1后的当前抽样数小于M时，根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数，以及获取到的相应风速，计算出各风电场出力；

具体过程为，获取当前抽样数，并将获取到的当前抽样数加1；

待加1后的当前抽样数小于M时，确定各风电场的风速序列取值的当前时刻，并根据得到的各风电场的风速序列，获取当前时刻下各风电场的风速，且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数；

当获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时，得到各风电场出力均为0；

当获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时，根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速，得到各风电场出力；

当获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时，得到各风电场出力为其对应的额定功率。

在一个实施例中，将获取到的当前抽样数加1，此时抽样数没有达到最大抽样数M，则读取步骤S2中当前时刻下各风电场的风速数据，然后通过公式(9)计算出各风电场处理W_k：

式(9)中，P_r为风电场的额定功率；v_ci为切入风速、v_r为额定风速、v_co为切出风速；A、B、C为风电场的功率特性曲线参数。

步骤S5、根据所述计算出的各风电场出力，以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值，筛选出满足预定条件的负荷母线，并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量；

具体过程为，进行直流潮流分析，如出现支路过负荷或系统功率不平衡，则采用最优切负荷模型计算系统的失负荷量。

将最小失负荷模型的目标函数为系统失负荷量最小，即

$min\underset{i\∈ND}{\Σ}{C}_i---\left(10\right)$

约束条件依次为满足潮流守恒(如公式11)、风电场出力满足限制(如公式12)、机组出力满足限制(如公式13)、切负荷量满足线路最大输送容量限制(如公式14)，通过该约束条件筛选出满足条件的负荷母线及其对应的切负荷值。

s.t. $\underset{j\∈NG}{\Σ}{P}_j+\underset{k\∈WF}{\Σ}{W}_k=\underset{i\∈ND}{\Σ}(L_i-C_i)---\left(11\right)$

$0\≤W_k\≤W_k^{max},(k\∈WF)---\left(12\right)$

$P_j^{min}\≤P_j\≤P_j^{max},(j\∈NG)---\left(13\right)$

0≤C_i≤L_i,(i∈ND)(14)

式(11)至(14)中，NG、WF、ND分别为系统常规发电母线、风电厂接入母线和负荷母线的集合；L_i、C_i分别为第i个负荷母线上的初始负荷和切负荷值；P_j为第j台常规发电场出力；W_k为第k个风电场出力；为风电场出力最大值；分别为第j台常规发电场出力的最小值和最大值。

步骤S6、根据所述最大抽样数，确定系统状态概率，并根据所述系统状态概率及所述系统最小失负荷量，得到所述电力系统的风险指标；

具体过程为，系统风险指标通过系统失负荷量期望EENS表示，风险值为概率与严重度的乘积，故EENS可以通过系统状态概率P(s)和系统最小失负荷Ci相乘得到：

EENS＝∑P(s)×C_i(15)

步骤S7、确定当前抽样数对应的风险指标方差，并判断所述风险指标方差是否小于预设的精度；如果是，则返回步骤S4；如果否，则执行下一步骤S8；

具体过程为，计算出风险指标后，通过风险指标方差系数Variance，判断是否满足精度要求；如不满足精度要求，且未达到最大抽样数M，则返回步骤S4继续抽样；满足精度要求或达到最大抽样数M时，则执行下一步骤S8。

步骤S8、将所述得到的风险指标输出。

对本发明实施例提供的一种结合天气及风速评价风电场运行风险的方法的应用场景做进一步说明：

系统负荷峰值是2850MW，单线图如图2所示。根据230kV和138kV这两个电压等级将系统划分为区域1和区域2。

其中，原始数据及模型参数取值如下：λ_avg＝0.5，F_b＝0.6，P_n＝0.9，P_a＝0.1；最大抽样数M＝40000，精度eps＝0.0001；运行风险评测周期选取为1h；

在系统节点1、16接入2个大型风电场，并假设每个风电场额定功率均为150MW，其切入风速、额定风速、切出风速分别为3m/s、12m/s、25m/s。假设系统负荷波动服从σ＝0.02的正态分布，采用非序贯蒙特卡洛模拟。

采用加拿大Saskatchewan省SwiftCurrent和Regina两个地区的风速数据[21]作为样本，时序风速模型分别为

SwiftCurrent：ARMA(4,3)

y_t＝1.1772y_t-1+0.1001y_t-2-0.3572y_t-3

+0.0379y_t-4+α_t-0.503α_t-1-0.2924α_t-2+

0.1317α_t-3

α∈N(0，0.524760²)

Regina：ARMA(4,3)

y_t＝0.9336y_t-1+0.4506y_t-2-0.5545y_t-3

+0.1110y_t-4+α_t-0.2033α_t-1-0.4684α_t-2+

0.2301α_t-3

α∈N(0，0.409423²)

取风电场风速相关系数为0.2，即L＝[0.20；00.2]，k＝[00]。

取风电场风速相关系数为0.8，即L＝[0.80；00.8]，k＝[00]。

其平均风速μ、标准差σ分别为：5.41m/s，2.69；5.42m/s，3.05。

设置了两个场景。

Case1:未来某日天气均为正常天气；

Case2:未来某日0:00-12:00区域1内天气恶劣，区域2内天气正常；随后恶劣天气转移，13:00-24:00区域1内天气正常，区域2内天气恶劣；风险评估结果如表1所示。

表1：

从表1中可知，接入风电后，风险指标有所下降，但随着风电相关系数的增大，风险指标下降的比例减小，说明风速相关性对系统风险有不利影响。这是因为，当系统中有多台常规发电机组发生故障，系统发电容量不足时，可能多个并网风电场同时处于小发状态，无法提供功率支撑，不利于系统可靠性的提升。而独立风速的互补性使得风电总出力的波动减小，可以为系统提供相对可靠的能量。

因此，在含多个风电场系统的运行风险评估中不能简单认为风速相互独立，必须考虑风电场问风速的相关性，否则评估结果将偏乐观。与此同时，计及天气影响之后，系统各风险值均有所增大，这是因为计及天气影响之后，系统元件在恶劣、特别恶劣天气情况下的故障概率增加，系统元件更易故障，系统更易发生多重故障，增加了系统的整体风险。

如图3所示，为本发明实施例中，提供的一种结合天气及风速评价风电场运行风险的系统，所述系统包括：

抽样概率获取单元310，用于确定风险评价时的当前天气状态及其对应的评测周期，并根据所述当前天气状态及评测周期，得到当前天气状态下设备元件在所述评测周期内的停运概率；其中，所述天气状态包括正常天气和恶劣天气；

风速序列获取单元320，用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列，并将所述多个风电场分别构建出的时间序列均进行矩阵变换，且进一步根据风速与变换后时间序列的相关性，得到所述多个风电场分别对应的风速序列；

抽样单元330，用于根据所述得到的停运概率，得到所有设备元件以随机数0或1来组合表示的系统状态，并对所述系统状态采用非序贯蒙特卡洛法进行抽样；其中，抽样数初始为0，且抽样数最大为M，M为自然数；

风电场出力获取单元340，用于将当前抽样数加1，待所述加1后的当前抽样数小于M时，根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数，以及获取到的相应风速，计算出各风电场出力；

最小失负荷量获取单元350，用于根据所述计算出的各风电场出力，以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值，筛选出满足预定条件的负荷母线，并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量；

风险指标获取单元360，用于根据所述最大抽样数，确定系统状态概率，并根据所述系统状态概率及所述系统最小失负荷量，得到所述电力系统的风险指标；

风险指标确定及输出单元370，用于确定当前抽样数对应的风险指标方差，当所述风险指标方差大于或等于所述预设的精度时，将所述得到的风险指标输出。

其中，所述抽样概率获取单元310包括：

统计模块，用于基于历史数据统计出设备元件的年平均故障率，以及正常天气和恶劣天气分别对应的稳态概率，并进一步统计出故障发生在恶劣天气下的比例；

设备元件年故障率获取模块，用于根据所述统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例，得到正常天气设备元件的年故障率，并进一步根据所述统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例，得到恶劣天气设备元件的年故障率；

评测天气及周期确定模块，用于确定风险评价时的当前天气状态及其对应的评测周期；

正常天气下设备元件停运概率获取模块，用于当所述风险评价时的当前天气状态为正常天气时，根据所述得到的正常天气设备元件的年故障率以及所述评测周期，计算出正常天气时设备元件在所述评测周期内的停运概率；

恶劣天气下设备元件停运概率获取模块，用于当所述风险评价时的当前天气状态为恶劣天气时，根据所述得到的恶劣天气设备元件的年故障率以及所述评测周期，计算出恶劣天气时设备元件在所述评测周期内的停运概率。

其中，所述评测周期为15分钟或1小时。

其中，所述风速序列获取单元320包括：

时间序列构建模块，用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列；

矩阵变换模块，用于通过预设的下三角矩阵及预设的列向量，将所述多个风电场分别构建出的时间序列均进行矩阵变换；

风速序列获取模块，用于根据预设的平均风速及预设的标准差，将所述矩阵变换后的多个时间序列生成为所述多个风电场分别对应的风速序列。

其中，所述风电场出力获取单元340包括：

抽样数计算模块。用于获取当前抽样数，并将所述获取到的当前抽样数加1；

风速获取模块。用于待所述加1后的当前抽样数小于M时，确定各风电场的风速序列取值的当前时刻，并根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数；

风电场出力第一计算模块。用于当所述获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时，得到各风电场出力均为0；

风电场出力第二计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时，根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速，得到各风电场出力；

风电场出力第三计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时，得到各风电场出力为其对应的额定功率。

实施本发明实施例，具有如下有益效果：

在本发明实施例中，由于采用双状态天气模拟天气因素的影响，形成非序贯蒙特卡洛法抽样的系统状态，引入矩阵变换可更为真实地模拟同一风带下多个风电场的风速变化情况，以及通过预设的条件模型模拟风电场出力不确定性，即考虑了天气因素，又考虑了风电场风速相关性、出力不确定，因此提高了风电场运行风险评估的准确性和可靠性，使得评价结果更加科学合理，且具有可扩展性。

值得注意的是，上述系统实施例中，所包括的各个系统单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种结合天气及风速评价风电场运行风险的方法，其特征在于，其在包括多个风电场及常规电场的电力系统中实现，所述方法包括：

a、确定风险评价时的当前天气状态及其对应的评测周期，并根据所述当前天气状态及评测周期，得到当前天气状态下设备元件在所述评测周期内的停运概率；其中，所述天气状态包括正常天气和恶劣天气；

b、对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列，并将所述多个风电场分别构建出的时间序列均进行矩阵变换，且进一步根据风速与变换后时间序列的相关性，得到所述多个风电场分别对应的风速序列；

c、根据所述得到的停运概率，得到所有设备元件以随机数0或1来组合表示的系统状态，并对所述系统状态采用非序贯蒙特卡洛法进行抽样；其中，抽样数初始为0，且抽样数最大为M，M为自然数；

d、将当前抽样数加1，待所述加1后的当前抽样数小于M时，根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数，以及获取到的相应风速，计算出各风电场出力；

e、根据所述计算出的各风电场出力，以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值，筛选出满足预定条件的负荷母线，并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量；

f、根据所述最大抽样数，确定系统状态概率，并根据所述系统状态概率及所述系统最小失负荷量，得到所述电力系统的风险指标；

g、确定当前抽样数对应的风险指标方差，并当所述风险指标方差是否小于预设的精度时，返回步骤d；当所述风险指标方差大于或等于所述预设的精度时，将所述得到的风险指标输出。

2.如权利要求1所述的方法，其特征在于，所述步骤a具体包括：

基于历史数据统计出设备元件的年平均故障率，以及正常天气和恶劣天气分别对应的稳态概率，并进一步统计出故障发生在恶劣天气下的比例；

根据所述统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例，得到正常天气设备元件的年故障率，并进一步根据所述统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例，得到恶劣天气设备元件的年故障率；

确定风险评价时的当前天气状态及其对应的评测周期；

当所述风险评价时的当前天气状态为正常天气时，根据所述得到的正常天气设备元件的年故障率以及所述评测周期，计算出正常天气时设备元件在所述评测周期内的停运概率；

当所述风险评价时的当前天气状态为恶劣天气时，根据所述得到的恶劣天气设备元件的年故障率以及所述评测周期，计算出恶劣天气时设备元件在所述评测周期内的停运概率。

3.如权利要求2所述的方法，其特征在于，所述评测周期为15分钟或1小时。

4.如权利要求1所述的方法，其特征在于，所述步骤b具体包括：

对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列；

通过预设的下三角矩阵及预设的列向量，将所述多个风电场分别构建出的时间序列均进行矩阵变换；

根据预设的平均风速及预设的标准差，将所述矩阵变换后的多个时间序列生成为所述多个风电场分别对应的风速序列。

5.如权利要求1所述的方法，其特征在于，所述步骤d具体包括：

获取当前抽样数，并将所述获取到的当前抽样数加1；

待所述加1后的当前抽样数小于M时，确定各风电场的风速序列取值的当前时刻，并根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数；

当所述获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时，得到各风电场出力均为0；

当所述获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时，根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速，得到各风电场出力；

当所述获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时，得到各风电场出力为其对应的额定功率。

6.一种结合天气及风速评价风电场运行风险的系统，其特征在于，所述系统包括：

抽样概率获取单元，用于确定风险评价时的当前天气状态及其对应的评测周期，并根据所述当前天气状态及评测周期，得到当前天气状态下设备元件在所述评测周期内的停运概率；其中，所述天气状态包括正常天气和恶劣天气；

风速序列获取单元，用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列，并将所述多个风电场分别构建出的时间序列均进行矩阵变换，且进一步根据风速与变换后时间序列的相关性，得到所述多个风电场分别对应的风速序列；

抽样单元，用于根据所述得到的停运概率，得到所有设备元件以随机数0或1来组合表示的系统状态，并对所述系统状态采用非序贯蒙特卡洛法进行抽样；其中，抽样数初始为0，且抽样数最大为M，M为自然数；

风电场出力获取单元，用于将当前抽样数加1，待所述加1后的当前抽样数小于M时，根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数，以及获取到的相应风速，计算出各风电场出力；

最小失负荷量获取单元，用于根据所述计算出的各风电场出力，以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值，筛选出满足预定条件的负荷母线，并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量；

风险指标获取单元，用于根据所述最大抽样数，确定系统状态概率，并根据所述系统状态概率及所述系统最小失负荷量，得到所述电力系统的风险指标；

风险指标确定及输出单元，用于确定当前抽样数对应的风险指标方差，当所述风险指标方差大于或等于所述预设的精度时，将所述得到的风险指标输出。

7.如权利要求6所述的系统，其特征在于，所述抽样概率获取单元包括：

统计模块，用于基于历史数据统计出设备元件的年平均故障率，以及正常天气和恶劣天气分别对应的稳态概率，并进一步统计出故障发生在恶劣天气下的比例；

设备元件年故障率获取模块，用于根据所述统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例，得到正常天气设备元件的年故障率，并进一步根据所述统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例，得到恶劣天气设备元件的年故障率；

评测天气及周期确定模块，用于确定风险评价时的当前天气状态及其对应的评测周期；

正常天气下设备元件停运概率获取模块，用于当所述风险评价时的当前天气状态为正常天气时，根据所述得到的正常天气设备元件的年故障率以及所述评测周期，计算出正常天气时设备元件在所述评测周期内的停运概率；

恶劣天气下设备元件停运概率获取模块，用于当所述风险评价时的当前天气状态为恶劣天气时，根据所述得到的恶劣天气设备元件的年故障率以及所述评测周期，计算出恶劣天气时设备元件在所述评测周期内的停运概率。

8.如权利要求7所述的系统，其特征在于，所述评测周期为15分钟或1小时。

9.如权利要求6所述的系统，其特征在于，所述风速序列获取单元包括：

时间序列构建模块，用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列；

矩阵变换模块，用于通过预设的下三角矩阵及预设的列向量，将所述多个风电场分别构建出的时间序列均进行矩阵变换；

风速序列获取模块，用于根据预设的平均风速及预设的标准差，将所述矩阵变换后的多个时间序列生成为所述多个风电场分别对应的风速序列。

10.如权利要求6所述的系统，其特征在于，所述风电场出力获取单元包括：

抽样数计算模块。用于获取当前抽样数，并将所述获取到的当前抽样数加1；

风速获取模块。用于待所述加1后的当前抽样数小于M时，确定各风电场的风速序列取值的当前时刻，并根据所述得到的各风电场的风速序列，获取当前时刻下各风电场的风速，且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数；

风电场出力第一计算模块。用于当所述获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时，得到各风电场出力均为0；

风电场出力第二计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时，根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速，得到各风电场出力；

风电场出力第三计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时，得到各风电场出力为其对应的额定功率。