CN107394809B - 基于风速时间周期特征的风电并网系统风险评估方法 - Google Patents

Abstract

本发明公开了基于风速时间周期特征的风电并网系统风险评估方法，将传统的全年风速概率分布处理成风速随时间变化的时变分布函数，用时间周期拟合函数来反映风速的主要变化规律，用服从某种概率分布的随机变量来反映风速的波动特征，时间周期拟合函数与风速随机变量叠加得到风速的时间周期特征模型；通过时变风速与风电机组出力之间的函数关系计算风电场的时变出力，据此采用蒙特卡洛抽样方法，评估风电并网系统的时变风险指标；能计算出随时间变化的系统风险指标，可为电网规划设计，系统调度及运维决策等提供辅助信息，有助于管控电网运行风险、提高电力系统运行可靠性水平。

Description

基于风速时间周期特征的风电并网系统风险评估方法

技术领域

本发明涉及发输电系统风险评估技术领域，具体地，涉及基于风速时间周期特征的风电并网系统风险评估方法。

背景技术

自2005年我国颁布《可再生能源开发利用促进法》以来，风能等可再生能源在国家政策支持下开始高速发展。近年来，已经有越来越多的大型风电场接入了电网，但由于风力发电本身存在随机性和间歇性的特点，导致其对电力系统运行可靠性产生了较大的影响。

风电发展至今，许多学者已经对大规模风电接入下电力系统风险评估进行了研究。建立风电场的可靠性模型首先需要确定风速。风速预测的方法很多，常见的有神经网络法、时间序列法以及利用概率分布来模拟风速等。其中神经网络法是通过历史数据来反复训练模型参数，实现神经网络模型的优化；时间序列法是通过前一时刻的风速对后一时刻的风速造成影响来反映风速的自相关性。这两类方法适用于短期风速预测。在长期风速预测方面，目前使用最为广泛的是利用概率分布来模拟风速。常见的风速概率分布模型包括Chi-2分布，瑞利分布，威布尔分布以及对数正态分布等。虽然每种分布有所区别，但总体来说，这类方法是将风速看作一个随机变量，利用概率分布来反映其随机性。其中威布尔分布应用最为广泛。这种方法简单方便，能较好地体现风速的长期统计规律及随机性特征，但没有考虑到风速这一气象要素具有明显的时间周期特征及季节特征。因此，用这种风速模型进行系统风险评估时，计算得到的系统全年的风险指标是一个定值。而实际上风速有明显的季节特征，在风速高的月份风电场出力大，系统可靠性应该较高；在风速低的月份风电场出力减少，需要其他发电机组加大出力补足缺口，导致系统可靠性降低。综上所述，含风电接入的电力系统风险应该是随时间变化的。因此传统的利用威布尔分布产生风速样本的系统风险评估方法不能完全反应实际情况，可能会使系统运行人员对系统风险产生误判，如在风速高的月份低估了系统可靠性，若此时安排检修则会导致大量弃风；在风速低的月份高估了系统可靠性，没有预留足够的备用发电容量，导致供电不足从而造成停电。

由此可见，为了更准确地反映风电接入下系统随时间变化的风险水平，有必要研究基于风速时间周期特征的风电并网系统风险评估方法。

发明内容

本发明的目的在于，针对上述问题，提出基于风速时间周期特征的风电并网系统风险评估方法，以实现准确地反映风电接入下系统随时间变化的风险水平。

为实现上述目的，本发明采用的技术方案是：基于风速时间周期特征的风电并网系统风险评估方法，主要包括：

步骤1：根据风电场多年日风速数据，建立风电场出力的时间周期特征模型；

步骤2：根据步骤1中的模型，使用蒙特卡洛抽样法评估风电并网系统的风险；

步骤3：判断是否继续抽样，如果是，则执行步骤2，如果不需要继续抽样，则输出系统风险指标；

步骤4：结束。

进一步地，步骤1中，所述建立风电场出力的时间周期特征模型，具体包括如下步骤：

步骤100：建立风速时间周期拟合函数模型；

步骤110：建立风速波动分量的概率分布模型；

步骤120：根据上两步骤的模型建立风速的时间周期特征模型；

步骤130：根据上述步骤100-120的模型建立风电场出力的时间周期特征模型。

进一步地，所述步骤100具体为，根据当地风电场多年日风速数据，绘制多年日风速的散点图；根据拟合优度，从多种时间周期拟合函数中选取最优的拟合函数f(t)反映风速的主要变化趋势。

进一步地，所述步骤110具体为，

步骤111：计算风速的波动分量ΔV(t)，风速的波动分量为实际风速样本与拟合函数值的差值：

ΔV(t)＝V₀(t)+f(t) (1)

ΔV(t)是第t天风速的波动分量，V₀(t)是第t天的多年日平均风速，f(t)是第t天的拟合函数值；ΔV(t)在0附近来回波动，具有随机性，可看作是服从某一概率分布的随机变量δ(v)；

步骤112：运用数理统计的方法绘制ΔV(t)的频率直方图，此频率密度直方图的矩形顶边接近一光滑曲线，该曲线就是随机变量δ(v)服从的频率密度函数曲线；

步骤113：根据该曲线的分布特征选取合适的概率分布。

进一步地，所述步骤120具体为，利用时间周期拟合函数f(t)和波动特征用随机变量δ(v)计算风速的时间周期特征，具体为，

F(t)＝f(t)+δ(v) (2)，

式中F(t)为风速的时间周期特征模型，f(t)为风速的时间周期拟合函数，δ(v)为风速的波动分量。

进一步地，所述步骤2具体为，根据得到的风电场出力的时间周期特征模型，采用蒙特卡洛抽样，分别抽取风电场出力水平及电网元件的运行状态；具体包括：

步骤200：抽取风电场的出力水平；

根据考察的时间区间产生[t_m，t_n]之间均匀分布的随机正整数t_R，t_m、t_n分别为抽取时间区间的上下限，[t_m，t_n]最大取值范围是[1，365]，即在一年的时间内抽取，抽取的风速表达式如下：

v_R＝F(t_R),t_R∈[t_m,t_n] (3)

式中，v_R为抽取的风速；F(t_R)为满足风速时间周期特征模型的第t_R天的风速；

根据抽取的风速及风速与风电机组出力的函数关系，即公式(4)，计算出该风速对应的风电场出力；

其中，P(t)为第t天的风电机组出力，P_r为风电机组额定功率，单位都为MW，V_t为第t天的风速，V_ci、V_r、V_co分别表示风电机组的切入风速、额定风速和切除风速，单位都为m/s，中间变量A、B和C可由以下公式表达：

将由风速的时间周期特征模型F(t)生成的时变风速作为V_t代入式(4)、(5)、(6)、(7)中，可计算出具有时间周期特征的风电场出力P(t)；

步骤210：抽取电网元件的运行状态；

蒙特卡洛抽样用产生随机数的方法来模拟各个元件的状态，通常是产生[0，1]之间均匀分布的随机数R_j，每个元件的状态由以下公式确定：

其中，0表示正常工作状态，1表示失效状态，U_j是第j个元件的不可用率；

步骤220：每一次蒙特卡洛抽样根据抽取的风电场出力水平及各个元件的状态组合成一个系统运行状态，经过多次抽样，得出系统各种状态的概率，计算系统的风险指标。

进一步地，所述系统的风险指标包括各月的缺电概率LOLP、期望缺供电量EENS。

本发明各实施例的基于风速时间周期特征的风电并网系统风险评估方法，将传统的全年风速概率分布处理成风速随时间变化的时变分布函数，用时间周期拟合函数来反映风速的主要变化规律，用服从某种概率分布的随机变量来反映风速的波动特征，时间周期拟合函数与风速随机变量叠加得到风速的时间周期特征模型；通过时变风速与风电机组出力之间的函数关系计算风电场的时变出力，据此采用蒙特卡洛抽样方法，评估风电并网系统的时变风险指标；

本发明揭示了风速的时间周期特征，能计算出随时间变化的系统风险指标，可为电网规划设计，系统调度及运维决策等提供辅助信息，有助于管控电网运行风险、提高电力系统运行可靠性水平。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为基于风速时间周期特征的风电并网系统风险评估方法流程图；

图2为某风电场时间周期函数拟合曲线及多年日风速散点图；

图3为风速波动分量概率分布拟合曲线及频率直方图；

图4为某风电场各月实际出力与拟合值比较图；

图5为系统各月缺电概率分布图；

图6为系统各月期望缺供电量分布图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

如图1所示，本发明包括以下步骤：

A、以选定地区大型风电场多年的日平均风速及风电场生产数据为依据，将风速的时间周期特征分为两部分，一部分选取合适的时间周期拟合函数f(t)来反映风速长期、平缓的变化趋势；另一部分用服从某一概率分布的随机变量δ(v)来反映风速短期、快速的波动特征；将两部分叠加得到风速的时间周期分布模型F(t)，并用于计算风电场的时变出力；

B、在进行风电并网系统的风险计算时，根据步骤A建立的风电场出力的时间周期分布模型，使用蒙特卡洛抽样方法评估风电并网系统的风险，可按月给出含风电并网系统的风险指标，如缺电概率LOLP和期望缺供电量EENS等；

其中，

一、风电场出力的时间周期特征建模步骤为：

1)风速时间周期拟合函数模型：

不同地区风速的变化趋势是不同的，利用当地风场的多年日平均风速样本绘制散点图，根据拟合优度，从多种时间周期拟合函数中选取最优的拟合函数来反映风速的主要变化趋势；如某地的风速样本用一次基波傅里叶函数拟合效果较好，因此可假设该地风速的时间周期拟合函数为一次基波傅立叶函数，其表达式如下：

f(t)＝a₀+a₁cos(ωt)+b₁sin(ωt) (1)

式中，f(t)表示根据拟合函数计算得到的第t天风速值，单位m/s，a₀、a₁、b₁、ω为拟合待定系数，需要对风速数据进行曲线拟合来确定；t为时间，表示第t天，取值范围是[1，365]；

2)风速波动分量的概率分布模型：

风速的波动分量是实际风速样本与拟合函数值的差值，表达式如下：

ΔV(t)＝V₀(t)-f(t) (2)

式中，ΔV(t)是第t天风速的波动分量，V₀(t)是第t天的多年日平均风速，f(t)是第t天的拟合函数值；ΔV(t)在0附近来回波动，具有随机性，可看作是服从某一概率分布的随机变量δ(v)；运用数理统计的方法绘制ΔV(t)的频率直方图，此频率密度直方图的矩形顶边接近一光滑曲线，该曲线就是随机变量δ(v)服从的频率密度函数曲线；根据该曲线的分布特征选取合适的概率分布；如某地的风速波动分量经概率分布拟合后，根据拟合优度判断，威布尔分布的拟合效果最好，因此选择威布尔分布作为该地风速波动分量的概率分布模型；

威布尔分布的概率密度函数如下：

式中，k、λ、v₀为拟合待定参数，需要对风速的波动分量进行概率分布拟合来确定；v为风速，单位是m/s；

3)风速的时间周期特征建模：

风速同时具有长期、平缓的变化趋势及短期、快速的波动特征；其主要变化趋势用时间周期拟合函数f(t)来表示，波动特征用随机变量δ(v)来表示，二者叠加即可较好地反映风速的时间周期特征，表达式如下：

F(t)＝f(t)+δ(v) (4)

式中F(t)为风速的时间周期特征模型，f(t)为风速的时间周期拟合函数，δ(v)为风速的波动分量；

4)风电场时变出力模型：

风电并网对电力系统可靠性的影响主要体现在风电场出力的随机性、间歇性，而风电场的出力可通过风速和风电机组出力的函数关系计算得到，该函数表达式如下：

其中，P(t)为第t天的风电机组出力，P_r为风电机组额定功率，单位都为MW，V_t为第t天的风速，V_ci、V_r、V_co分别表示风电机组的切入风速、额定风速和切除风速，单位都为m/s，中间变量A、B和C可由以下公式表达：

将由风速的时间周期特征模型F(t)生成的时变风速作为V_t代入式(5)、(6)、(7)、(8)中，可计算出具有时间周期特征的风电场出力P(t)；

二、风电并网后系统风险评估的步骤为：

根据步骤A得到的风电场出力的时间周期特征模型，采用蒙特卡洛抽样，分别抽取风电场出力水平及电网元件的运行状态；

1)抽取风电场的出力水平首先需要抽取风速样本，蒙特卡洛抽样根据考察的时间区间产生[t_m，t_n]之间均匀分布的随机正整数t_R，t_m、t_n分别为抽取时间区间的上下限，[t_m，t_n]最大取值范围是[1，365]，即在一年的时间内抽取。抽取的风速表达式如下：

v_R＝F(t_R),t_R∈[t_m,t_n] (9)

式中，v_R为抽取的风速；F(t_R)为满足风速时间周期特征模型的第t_R天的风速；

根据抽取的风速及风速与风电机组出力的函数关系，即公式(5)，可计算出该风速对应的风电场出力；

2)抽取电网元件的运行状态。蒙特卡洛抽样用产生随机数的方法来模拟各个元件的状态，通常是产生[0，1]之间均匀分布的随机数R_j，每个元件的状态由以下公式确定：

其中，0表示正常工作状态，1表示失效状态，U_j是第j个元件的不可用率；

3)每一次蒙特卡洛抽样可根据抽取的风电场出力水平及各个元件的状态组合成一个系统运行状态，经过多次抽样，就可以得出系统各种状态的概率，计算系统的风险指标，如各月的缺电概率LOLP、期望缺供电量EENS等。

下面，结合具体实例详细说明本发明的工作原理：

本例以来自西北某省某大型风电场2013～2015年的日平均风速样本及生产数据为基础，按照本发明所提的方法进行实例说明。

一、风电场出力的时间周期特征建模

1)风速时间周期拟合函数模型：

根据该风电场2013～2015年的多年日平均风速数据绘制的散点图，分别选取了一次基波傅里叶函数、一阶高斯函数及威布尔函数对其进行曲线拟合，拟合优度如表1所示。

表1风速时间周期拟合函数的拟合优度

其中，确定系数R-square越接近于1拟合效果越好，均方根误差RMSE越接近于0拟合效果越好。对比来看，一次基波傅里叶函数拟合效果最好，因此选择一次基波傅里叶函数作为风速的时间周期拟合函数，其表达式如下：

f(t)＝a₀+a₁cos(ωt)+b₁sin(ωt) (1)

式中，a₀、a₁、b₁、ω为拟合待定系数。通过对该风电场2013～2015年的多年日平均风速数据进行曲线拟合，可得拟合函数中的待定参数值，如表2所示。

表2风速时间周期拟合函数中的待定参数的拟合值

确定参数值后可求解出对应的时间周期拟合函数的函数值，将其绘制在散点图上，如图2所示，从图中可以明显地看出全年的风速具有一个主要的变化趋势且日风速在这个趋势附近来回波动，充分体现了风速的时间周期特征。

2)风速波动分量的概率分布模型：

风速的波动分量是实际风速样本与拟合函数值的差值，表达式如下：

ΔV(t)＝V₀(t)-f(t) (2)

根据上式可计算得到该风电场的风速波动分量，绘制其频率直方图，分别选取了正态分布、威布尔分布及对数正态分布对其进行概率分布拟合，拟合优度如表3所示。

表3风速波动分量概率分布拟合的拟合优度

其中，确定系数R-square越接近于1拟合效果越好，均方根误差RMSE越接近于0拟合效果越好。对比来看，威布尔分布拟合效果最好，因此选择威布尔分布作为风速波动分量的概率分布，其表达式如下：

式中，k、λ、v₀为拟合待定参数，通过对该风电场2013～2015年的多年日平均风速波动分量数据的概率分布拟合，可得威布尔分布中的待定参数值，如表4所示。

表4风速波动分量概率分布拟合中待定参数的拟合值

确定参数值后可求解出对应的威布尔概率密度函数，风速波动分量的频率直方图及拟合得到的威布尔概率密度曲线如图3所示。

3)风速的时间周期特征建模：

风速同时具有长期、平缓的变化趋势及短期、快速的波动特征；其主要变化趋势用时间周期拟合函数(t)来表示，波动特征用随机变量δ(v)来表示，二者叠加即可较好地反映风速的时间周期特征，表达式如下：

F(t)＝f(t)+δ(v) (4)

4)风电场时变出力模型：

风电并网对电力系统可靠性的影响主要体现在风电场出力的随机性、间歇性，而风电场的出力可通过风速和风电机组出力的函数关系计算得到，该函数表达式如下：

其中，P(t)为第t天的风电机组出力，V_t为第t天的风速，V_ci、V_r、V_co分别表示风电机组的切入风速、额定风速和切除风速，根据算例中该风电场的生产数据可得，其值分别为3.5m/s、11m/s、25m/s，P_r取风电场的最大出力100MW，中间变量A、B和C可由以下公式表达：

将由风速的时间周期特征模型F(t)生成的时变风速作为V_t代入式(5)、(6)、(7)、(8)中，可计算出具有时间周期特征的风电场出力P(t)。该风电场各月的实际出力与拟合值的比较如图4所示，可以看出拟合得到的风电场出力的时间周期特征与实际情况基本相符。

二、风电并网后系统风险评估

以IEEE-RTS系统作为算例，将其中7号母线上的两台100MW的传统火力发电机组替换为两个100MW的风电场，风电场出力的时间周期特征模型用上述拟合得到的结果，风电场的强迫停运率取0.05，运用蒙特卡洛抽样方法分别抽取风电场出力水平及电网元件的运行状态。

1)抽取风电场的出力水平首先需要抽取风速样本，蒙特卡洛抽样根据考察的时间区间产生[t_m，t_n]之间均匀分布的随机正整数t_R，t_m、t_n分别为抽取时间区间的上下限，[t_m，t_n]最大取值范围是[1，365]，即在一年的时间内抽取。抽取的风速表达式如下：

v_R＝F(t_R),t_R∈[t_m,t_n] (9)

本算例关注的是系统各月的风险指标，因此风速需按月抽取，各个月份所对应的t_R的抽样区间[t_m，t_n]如表5所示：

表5各月份对应的抽样区间

将抽取的风速代入到公式(5)中计算出该风速对应的风电场出力。

2)抽取电网元件的运行状态。蒙特卡洛抽样用产生随机数的方法来模拟各个元件的状态，通常是产生[0,1]之间均匀分布的随机数R_j，每个元件的状态由以下公式确定：

其中，0表示正常工作状态，1表示失效状态，U_j是第j个元件的不可用率。

3)每一次蒙特卡洛抽样可根据抽取的风电场出力水平及各个元件的状态组合成一个系统运行状态，经过多次抽样，就可以得出系统各种状态的概率，可计算系统的风险指标，本算例计算得到的是系统各月的缺电概率LOLP、和期望缺供电量EENS，如表6、表7所示。

表6系统各月的缺电概率

表7系统各月的期望缺供电量

根据本发明所提方法计算出的系统时变的缺电概率LOLP和根据传统的用威布尔分布模拟全年风速概率分布的方法计算出的系统恒定的缺电概率LOLP如图5所示，两种方法计算出的系统期望缺供电量EENS如图6所示。图5、图6中用威布尔分布模拟全年风速概率分布的方法算出的系统风险指标用虚线表示，用本发明所提方法计算出的系统风险指标用实线表示。系统风险指标中缺电概率LOLP和期望缺供电量EENS越大，说明系统可靠性越低；反之，系统可靠性越高。从图中可以看出在4～9月系统可靠性较高，其余月份可靠性较低，且通过对该风电场2013～2015年日平均风速数据的观察可以发现，每年的4～9月风速较高，其余月份风速较低，这与系统可靠性变化规律是基本一致的，因为风速高的时候，风电场出力较大，系统供电充裕，系统可靠性较高；反之，系统可靠性较低。

通过本发明提出的基于风速时间周期特征的风电并网系统风险评估方法，能计算得出系统各月的风险分布情况，能使系统运行人员对系统全年的风险变化情况有一个宏观的把握，可进一步根据该地区的系统风险时间分布特征有针对性地对系统风险进行管控。例如，在秋冬季节，风机出力很低，此时可安排对风机的检修，且适当加大火电机组的出力以保证供电；在春夏季节，风机出力较大，此时尽量不安排检修，以免造成大量的弃风，同时可适当减少火电机组出力，优化发电能源结构。

至少可以达到以下有益效果：

1)揭示了风速的时间周期特征，用时间周期拟合函数来反映风速长期、平缓变化趋势，用服从某一分布的随机变量来反映风速短期、快速波动特征，综合考虑了风速作为气象要素的长程相关性及短期的随机性，更能准确地反映风速的时间周期特征；

2)相比较于目前常用的用威布尔分布来产生风速样本的风险评估方法，本发明提出的基于风速时间周期特征的风电并网系统风险评估方法，能计算出随时间变化的系统风险指标，可为电网规划设计，系统调度及运维决策等提供辅助信息，有助于管控电网运行风险、提高电力系统运行可靠性水平。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.基于风速时间周期特征的风电并网系统风险评估方法，其特征在于，包括如下步骤：

步骤1：根据风电场多年日风速数据，建立风电场出力的时间周期特征模型；

步骤2：根据步骤1中的模型，使用蒙特卡洛抽样法评估风电并网系统的风险；

步骤3：判断是否继续抽样，如果是，则执行步骤2，如果不需要继续抽样，则输出系统风险指标；

步骤4：结束；

进一步地，步骤1中，所述建立风电场出力的时间周期特征模型，具体包括如下步骤：

步骤100：建立风速时间周期拟合函数模型；

步骤110：建立风速波动分量的概率分布模型；

步骤120：根据上两步骤的模型建立风速的时间周期特征模型；

步骤130：根据上述步骤100-120的模型建立风电场出力的时间周期特征模型；

进一步地，所述步骤100具体为，根据当地风电场多年日风速数据，绘制多年日风速的散点图；根据拟合优度，从多种时间周期拟合函数中选取最优的拟合函数f(t)反映风速的主要变化趋势；

进一步地，所述步骤110具体为，

步骤111：计算风速的波动分量∆V(t)，风速的波动分量为实际风速样本与拟合函数值的差值：

(1)；

∆V(t)是第t天风速的波动分量，V ₀(t)是第t天的多年日平均风速，f(t)是第t天的拟合函数值；∆V(t)在0附近来回波动，具有随机性，可看作是服从某一概率分布的随机变量δ(v)；

步骤112：运用数理统计的方法绘制∆V(t)的频率直方图，此频率密度直方图的矩形顶边接近一光滑曲线，该曲线就是随机变量δ(v)服从的频率密度函数曲线；

步骤113：根据该曲线的分布特征选取合适的概率分布；

进一步地，所述步骤120具体为，利用时间周期拟合函数f(t)和波动特征用随机变量δ(v)计算风速的时间周期特征，具体为，

(2)，

式中F(t)为风速的时间周期特征模型，f(t)为风速的时间周期拟合函数，δ(v)为风速的波动分量；

进一步地，所述步骤2具体为，根据得到的风电场出力的时间周期特征模型，采用蒙特卡洛抽样，分别抽取风电场出力水平及电网元件的运行状态；具体包括：

步骤200：抽取风电场的出力水平；

根据考察的时间区间产生[t _m，t _n]之间均匀分布的随机正整数t _R，t _m、t _n分别为抽取时间区间的上下限，[t _m，t _n]最大取值范围是[1，365]，即在一年的时间内抽取，抽取的风速表达式如下：

(3)

式中，v _R为抽取的风速；F(t _R)为满足风速时间周期特征模型的第t _R天的风速；

根据抽取的风速及风速与风电机组出力的函数关系，即公式(4)，计算出该风速对应的风电场出力；

(4)

其中，P(t)为第t天的风电机组出力，P _r为风电机组额定功率，单位都为MW，V _t为第t天的风速，V _ci、V _r、V _co分别表示风电机组的切入风速、额定风速和切除风速，单位都为m/s，中间变量A、B和C可由以下公式表达：

(5)

(6)

(7)

将由风速的时间周期特征模型F(t)生成的时变风速作为V _t代入式(4)、(5)、(6)、(7)中，可计算出具有时间周期特征的风电场出力P(t)；

步骤210：抽取电网元件的运行状态；

蒙特卡洛抽样用产生随机数的方法来模拟各个元件的状态，通常是产生[0，1]之间均匀分布的随机数R _j ，每个元件的状态由以下公式确定：

(8)

其中，0表示正常工作状态，1表示失效状态，U _j 是第j个元件的不可用率；

步骤220：每一次蒙特卡洛抽样根据抽取的风电场出力水平及各个元件的状态组合成一个系统运行状态，经过多次抽样，得出系统各种状态的概率，计算系统的风险指标；

进一步地，所述系统的风险指标包括各月的缺电概率LOLP、期望缺供电量EENS。

Images