CN111859812A - 天气影响下的海上风电场及柔直并网系统可靠性评估方法 - Google Patents
天气影响下的海上风电场及柔直并网系统可靠性评估方法 Download PDFInfo
- Publication number
- CN111859812A CN111859812A CN202010750672.XA CN202010750672A CN111859812A CN 111859812 A CN111859812 A CN 111859812A CN 202010750672 A CN202010750672 A CN 202010750672A CN 111859812 A CN111859812 A CN 111859812A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- reliability
- offshore wind
- subsystem
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 230000008439 repair process Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 31
- 241000039077 Copula Species 0.000 claims abstract description 24
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 230000002596 correlated effect Effects 0.000 claims abstract description 10
- 208000025274 Lightning injury Diseases 0.000 claims abstract description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims description 27
- 230000005540 biological transmission Effects 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 17
- 238000002360 preparation method Methods 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 3
- XOOUIPVCVHRTMJ-UHFFFAOYSA-L zinc stearate Chemical compound [Zn+2].CCCCCCCCCCCCCCCCCC([O-])=O.CCCCCCCCCCCCCCCCCC([O-])=O XOOUIPVCVHRTMJ-UHFFFAOYSA-L 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000005404 monopole Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了天气影响下的海上风电场及柔直并网系统可靠性评估方法,其特征在于,包括如下步骤:S1、将海上风电场及柔性直流并网系统分解为多个子系统;S2、基于各子系统中的元件的可靠性参数建立各子系统的等效故障率模型、等效修复时间模型及可靠性评估模型,元件的可靠性参数包括风机的故障率,风机的故障率与风速和雷击评率正相关,元件的可靠性参数还包括各元件的修复时间,元件的修复时间与风速正相关;S3、建立风速的自相关MCMC模型和互相关Copula模型,采用时序蒙特卡罗法对海上风电场及柔性直流并网系统进行可靠性评估,得到可靠性指标。本发明实现了考虑恶劣天气影响的海上风电场及柔性直流并网系统的可靠性评估。
Description
技术领域
本发明涉及到海上风电场及柔性直流输电系统可靠性评估技术领域,具体涉及天气影响下的海上风电场及柔直并网系统可靠性评估方法法。
背景技术
随着能源紧缺和环境污染问题日益严峻,可再生能源受到各国的普遍重视。风能作为极具潜力的清洁能源,近年得到飞速发展。海上风能资源丰富,年利用小时数高且噪声污染小,已成为全球可再生能源发展的主要方向。据全球风能理事会的数据,全球海上风电装机容量在2030年会突破2亿千瓦。相比于传统高压直流输电,基于电压源的柔性直流输电系统(HVDC based on voltage source converter,VSC-HVDC)具有可向无源电网供电,方便潮流反转等优点,已成为远距离、大规模海上风电场并网的主要方式。相比于双端VSC-HVDC,多端VSC-HVDC运行方式灵活;相比于单换流器VSC-HVDC,双换流器VSC-HVDC既可以双极运行,又可以单极运行,可靠性较高。因此,采用双换流器多端VSC-HVDC系统进行风电并网具有较高的运行灵活性和运行可靠性,是未来风电直流并网系统的主要发展方向。
但是已有研究都未建立完善考虑综合因素的海上风电场与VSC-HVDC并网系统可靠性评估模型。建立的模型未考虑相关性、恶劣天气等重要因素,可能导致可靠性评估结果偏乐观。海上风场及VSC-HVDC并网系统地处海上,易受海上恶劣天气的影响,且维修/维护成本高昂,维修时间较长,传统可靠性评估模型和方法难以使用。
因此,如何在考虑恶劣天气影响的情况下对海上风电场及柔性直流并网系统进行可靠性评估成为了本领域技术人员急需解决的问题。
发明内容
针对上述现有技术的不足,本发明实际解决的技术问题是:如何在考虑恶劣天气影响的情况下对海上风电场及柔性直流并网系统进行可靠性评估。
为了解决上述技术问题,本发明采用了如下的技术方案:
天气影响下的海上风电场及柔直并网系统可靠性评估方法,包括如下步骤:
S1、将海上风电场及柔性直流并网系统分解为多个子系统;
S2、基于各子系统中的元件的可靠性参数建立各子系统的等效故障率模型、等效修复时间模型及可靠性评估模型,元件的可靠性参数包括风机的故障率,风机的故障率与风速和雷击评率正相关,元件的可靠性参数还包括各元件的修复时间,元件的修复时间与风速正相关;
S3、建立风速的自相关MCMC模型和互相关Copula模型,采用时序蒙特卡罗法对海上风电场及柔性直流并网系统进行可靠性评估,得到可靠性指标。
优选地,步骤S1包括:
S101、将海上风电场及柔性直流并网系统分解为海上风电场子系统及柔性直流输电子系统;
S102、将海上风电场子系统分解为风机模块子系统和电缆模块子系统;
S103、将柔性直流输电子系统分解为VSC换流站子系统和直流输电系统子系统。
优选地,各子系统的可靠性评估模型为各子系统的两状态马尔科夫模型,步骤S2包括:
S201、获取各子系统中的元件的可靠性参数;
S202、基于各子系统中的元件的可靠性参数建立各子系统的等效故障率模型和等效修复时间模型;
S203、基于各子系统中的等效故障率模型和等效修复时间模型建立各子系统的两状态马尔科夫模型。
优选地,步骤S202中,第s个子系统的等效可靠性参数包括等效故障率λs和等效修复时间rs,
式中,λi和ri分别为第s个子系统中第i个元件的故障率和修复时间。
优选地,风机的故障率λf(t)按下式计算:
λf(h)=λf1+λf2(W(h))+λf3(N(h))
式中,λf1为不考虑天气因素时风机的故障率;λf2(W(h))为第h小时风速W(h)对风机故障率的影响;λf3(N(h))为第h小时雷击对风机故障率的影响,N(h)为地面闪光密度;
λf3(N(h))=bN(h)λf1
式中,α和β分别为第一正比例参数和第二正比例参数,WC为风速的临界阈值。
优选地,第i个元件的修复时间ti按下式计算:
ti=t1+t2+t3(h)
t1=max(ta1,ta2)
式中,t1为维修资源等待时间,ta1为元件准备时间,ta2为运输工具和人员准备时间,t2为等待运输工具可以正常运行的天气时间,人员和运输工具在仓库时,ta2=ta21,否则ta2=(ta21+ta22),ta21表示人员和运输工具实际准备时间,ta22表示等待人员回到仓库的时间,t3(h)表示维修时间,r1为不考虑天气因素时的维修时间,WC为风速的临界阈值,c为风速对维修时间的影响系数。
优选地,步骤S3包括:
S301、获取海上风电场风速历史数据集;
S302、在所述海上风电场风速历史数据集中随机选取k个历史数据作为聚类中心c1至ck,基于剩余历史数据与初始聚类中心的欧氏距离进行聚类得到多个群;
S303、基于下式计算绝对误差Aa;
式中,b为Bi1中的对象,Bi1表示第i1个群中的历史数据;
S304、在所述海上风电场风速历史数据集中随机选取k个历史数据作为候选聚类中心c11至c1k,并计算对应的绝对误差A1a;
S305、若A1a小于Aa,以候选聚类中心作为新的聚类中心,并返回执行步骤S304,若A1a大于或等于Aa,直接返回执行步骤S304,直到返回执行步骤S304的次数达到预设迭代次数或者某次迭代过程中候选聚类中心与聚类中心相同,得到k个历史风速状态,历史风速状态为对应的群;
S306、计算各个历史风速状态的概率和风速概率,第i1个历史风速状态的概率Pi1及累计概率Fi1按下式计算:
式中,Ni1为第i1个历史风速状态的发生频率;
S307、计算不同历史风速状态之间的转移率,第i1个历史风速状态转移到第j个历史风速状态的转移率Pi1j按下式计算:
式中,Ni1j表示第i1个历史风速状态转移到第j1个历史风速状态的频率;
S308、根据风速状态概率,随机选取初始时刻风速,设定对应的时刻t=1;
S309、若Pi1(j1-1)<U<Pi1j1,则将第j1个历史风速状态作为t+1时刻的历史风速状态,U为[0,1]范围内的随机数;
S310、基于下式计算t+1时刻的风速值:
式中,a1和a2分别为形状和尺度参数,vjm为第j1个历史风速状态下的最小风速;
S311、将t的值加1,重复执行步骤S309至S310,直至t=T,则输出拟合风速wind,T为设定的模拟时间;
S312、基于海上风电场风速历史数据集确定任意两相邻海上风电场风速的边缘分布函数和累计概率密度函数;
S313、根据欧氏距离选取合适的Copula函数;
S314、确定选取的Copula函数参数;
S315、用皮尔森相关系数计算风速间的相关性,并运用Copula函数得到两海上风电场风速的相关性随机数;
S316、将得到的随机数反变换得到相关性风速;
S317、建立风机出力模型
式中,P为风机输出功率;Prp为风机额定功率;A、B、C均为模型参数;v1、v2、v3分别为风机切入风速、风机额定风速和风机切除风速;
S318、设所有元件状态持续时间服从指数分布,且所有元件初始时刻无故障运行;
S319、基于下式计算海上风电场及柔性直流并网系统当前状态持续时间Tk
式中,m为当前状态向外转移情况总数,λ'i为第i个元件的状态转移率;
S320、基于下式计算第j个元件的状态转移概率Pj'以及累计转移概率Pj”;
S321、基于公式Ch=find(Pi'>rand(1))进行元件状态转移定位,当Ch=1,则元件发生状态转移,否则,元件状态保持不变;
S322、采用时序蒙特卡罗法得到预设数量的系统状态后,计算系统状态SState;
S323、基于公式R=(A1+I)k+1得到可达矩阵R,A1为邻接矩阵,I为Ma*Ma的单位矩阵,Ma为风机、内部电缆和连接电缆的数量和;
如果两个元件相邻,就为1;比如:三个元件,1,2连接,1,3连接,则A1=[011;100;100]
S324、基于公式n1=sqrt(var(1-SState)/T)÷mean(1-SState)计算方差系数n1,返回执行S312,直到方差系数小于预设方差阈值;
S325、输出海上风电场及柔性直流并网系统的可靠性指标,可靠性指标包括风电场的容量因子Sfactor、发电比可用率GRA指标、海上风电场及柔性直流并网系统每小时缺电量ENS(h)、海上风电场及柔性直流并网系统一年内平均电量削减量EENS、系统能量不可用率EU以及系统能量可用率EA;
ENS(h)=Pinstall-WN×Poutput(W(h))
EOT(h)=1-(停运期间可用容量)÷Pinstall
EU=TEOT÷T
EA=1-EU
式中,Pinstall表示海上风电场风机装机容量;h表示第h个时段,EOT(h)为第h小时等值停运时间;T为时间尺度;WN表示可用风机数量,Poutput(W(h))表示第h小时风速下的风机输出功率。
综上所述,本发明公开了天气影响下的海上风电场及柔直并网系统可靠性评估方法,其特征在于,包括如下步骤:S1、将海上风电场及柔性直流并网系统分解为多个子系统;S2、基于各子系统中的元件的可靠性参数建立各子系统的等效故障率模型、等效修复时间模型及可靠性评估模型,元件的可靠性参数包括风机的故障率,风机的故障率与风速和雷击评率正相关,元件的可靠性参数还包括各元件的修复时间,元件的修复时间与风速正相关;S3、建立风速的自相关MCMC模型和互相关Copula模型,采用时序蒙特卡罗法对海上风电场及柔性直流并网系统进行可靠性评估,得到可靠性指标。本发明实现了考虑恶劣天气影响的海上风电场及柔性直流并网系统的可靠性评估。
附图说明
为了使发明的目的、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的详细描述,其中:
图1为本发明公开的一种天气影响下的海上风电场及柔直并网系统可靠性评估方法的流程图;
图2是海上风电场与VSC-HVDC组合单线图;
图3是风机模块构成图;
图4是电缆模块构成图;
图5是海上风电场与VSC-HVDC组合系统可靠性模型结构;
图6是海上风电场1和海上风电场2风速历史统计数据;
图7是海上风电场1历史数据与模拟数据对比图;
图8是海上风电场2历史数据与模拟数据对比图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示,本发明公开了天气影响下的海上风电场及柔直并网系统可靠性评估方法,包括如下步骤:
S1、将海上风电场及柔性直流并网系统分解为多个子系统;
具体实施时,步骤S1包括:
S101、将海上风电场及柔性直流并网系统分解为海上风电场子系统及柔性直流输电子系统;
S102、将海上风电场子系统分解为风机模块子系统和电缆模块子系统;
S103、将柔性直流输电子系统分解为VSC换流站子系统和直流输电系统子系统。
以如图2所示为海上风电场和VSC-HVDC并网系统单线图为例进行建模分析,由两个风电场和一个双极三端VSC-HVDC构成。
S2、基于各子系统中的元件的可靠性参数建立各子系统的等效故障率模型、等效修复时间模型及可靠性评估模型,元件的可靠性参数包括风机的故障率,风机的故障率与风速和雷击评率正相关,元件的可靠性参数还包括各元件的修复时间,元件的修复时间与风速正相关;
具体实施时,各子系统的可靠性评估模型为各子系统的两状态马尔科夫模型,步骤S2包括:
S201、获取各子系统中的元件的可靠性参数;
S202、基于各子系统中的元件的可靠性参数建立各子系统的等效故障率模型和等效修复时间模型;
具体实施时,步骤S202中,第s个子系统的等效可靠性参数包括等效故障率λs和等效修复时间rs,
式中,λi和ri分别为第s个子系统中第i个元件的故障率和修复时间。
以风机模块子系统和电缆模块子系统为例,如图3及图4所示,风机模块子系统构成主要包括:风力发电机、断路器、隔离开关、联接变压器以及内部电缆。风机模块子系统组成元件之间为串联结构。电缆模块子系统构成主要包括:连接电缆和隔离开关,电缆模块子系统中组成元件之间同样是串联结构。因此,根据串联结构的故障率和修复时间等值公式,可得到上述的子系统的等效故障率模型和等效修复时间模型。
此外,由图2、图3、图4可建立图5所示的海上风电场和VSC-HVDC组合系统可靠性评估等值模型。图5中,子系统1-6为换流站1,子系统7-9为换流站3,剩下的系统为换流站2。以换流站1和换流站3为例进行说明,记为系统VA。换流站2同理。VA主要由子系统2—9组成,其中子系统2、3、4、7、8、9为VSC换流站子系统,子系统5、6为DC输电线路子系统。
VSC换流站子系统主要由以下元件组成:1)Br(交流开关);2)Transformer(变压器);3)Reactor(相电抗器);4)Vlv(换流阀);5)SR(平波电抗器);6)Station-control(站控);7)Pole-control(极控)。由图5可知,VSC站中,子系统内部双极系统的每个单极元件均为串联连接,子系统3、4、7、8任意元件故障均可导致双极系统的一极停运,子系统2、9任意元件故障会导致整个VSC-HVDC停运,因此,可得到VSC站中三个换流站的单级等值故障率和修复时间也可按照上述子系统的等效故障率模型和等效修复时间模型计算。
DC输电线路子系统的等效故障率和修复时间即为DC输电线路的故障率和修复时间。
1)双极运行:传输功率为额定容量的100%;
2)一极完全运行,一极部分运行:传输功率为额定容量的75%;
3)双极部分运行:传输功率为额定容量的50%;
4)一极停运,一极完全运行:传输功率为额定容量的50%;
5)一极停运,一极部分运行:传输功率为额定容量的25%;
6)双极停运:传输功率为0。
风机的故障率λf(t)按下式计算:
λf(h)=λf1+λf2(W(h))+λf3(N(h))
式中,λf1为不考虑天气因素时风机的故障率;λf2(W(h))为第h小时风速W(h)对风机故障率的影响;λf3(N(h))为第h小时雷击对风机故障率的影响,N(h)为地面闪光密度;
λf3(N(h))=bN(h)λf1
式中,α和β分别为第一正比例参数和第二正比例参数,WC为风速的临界阈值。
第i个元件的修复时间ti按下式计算:
ti=t1+t2+t3(h)
t1=max(ta1,ta2)
式中,t1为维修资源等待时间,ta1为元件准备时间,ta2为运输工具和人员准备时间,t2为等待运输工具可以正常运行的天气时间,人员和运输工具在仓库时,ta2=ta21,否则ta2=(ta21+ta22),ta21表示人员和运输工具实际准备时间,ta22表示等待人员回到仓库的时间,t3(h)表示维修时间,r1为不考虑天气因素时的维修时间,WC为风速的临界阈值,c为风速对维修时间的影响系数,c=0.4。
与现有技术相比,本发明还将天气因素考虑进了等效故障率模型和等效修复时间的计算过程当中。海上风电场风机时变故障率模型主要考虑风速、雷击对风机故障率的影响。海上风电场及柔性直流并网系统的元件修复主要包括等待时间和维修时间两部分。只有在海上风速小于15m/s,并且海浪高度小于2m时,维修人员以及资源才能够运输到故障地点。在海上风电场及VSC-HVDC并网系统发生故障时,资源的等待时间t1是影响元件修复时间的关键因素之一,主要取决于元件准备时间ta1、运输工具和人员的准备时间ta2,即t1=max(ta1,ta2)。维修人员和运输工具在仓库时,ta2=ta21,否则ta2=(ta21+ta22),其中,ta21为人员和运输工具实际准备时间,ta22为等待人员维修工作结束回到仓库的时间。等待运输工具可以正常运行的天气时间t2是影响元件修复时间的另一关键因素。综合考虑资源和运输天气的等待时间,维修平均等待时间为(t1+t2)。另外,将维修时间表示为t3(h)。其中,各个时间的取值模型如下:
运输工具、人员的准备时间ta21:本发明假设维修人员与运输工具同时空闲或占用,则在海上风电场及VSC-HVDC并网系统有元件发生故障时,若有空闲的维修人员或运输工具,ta21可以根据历史统计数据估算得到;若没有空闲的维修人员或运输工具,本发明采用排队论以及调度中心历史数据估算等待时间ta22。
元件准备时间ta1:可以根据元件准备时间历史统计数据分析得到。
等待可正常运行的天气时间t2:可以根据天气历史统计数据以及天气预报分析得到。
维修时间t3(h):在不同的季节以及不同天气条件下,假设维修人员的效率相同。因此,在计算维修人员维修时间t3(h)时,只需要考虑风速对维修人员维修效率的影响。
S203、基于各子系统中的等效故障率模型和等效修复时间模型建立各子系统的两状态马尔科夫模型。
S3、建立风速的自相关MCMC模型和互相关Copula模型,采用时序蒙特卡罗法对海上风电场及柔性直流并网系统进行可靠性评估,得到可靠性指标。
MCMC风速模拟模型如下:
某海上风电场1和海上风电场2一年的风速历史统计数据如图5所示,从图中可以看出,二者最大风速和最小风速往往同时出现,即风电场的出力具有较强的相关性。传统MCMC风速模拟认为风速在各个风速状态间是等概率分布的,事实上不同状态间的概率存在差别。因此,本发明提出改进的MCMC方法用于模拟风速:首先运用k-medoids算法划分风速状态,然后计算各风速状态发生概率、累积概率函数,风速状态间的转移率,最后得到预测风速。
本发明选用Copula函数修正两海上风电场之间的风速大小。基于Copula函数的风速耦合模型如下。
F(x1,x2,…,xn)=C[F1(x1),F2(x2),…,Fn(xn)]
式中,F(x1,x2,…,xn)为变量之间的联合累计概率分布函数,Fi(xi)为各变量的边缘累计概率分布函数,C为Copula函数,由Sklar定理提出。
常用的Copula函数类型主要有正态Copula、t-Copula和阿基米德Copula。本发明采用欧氏距离来选择合适的Copula函数。欧式距离定义为经验与理论Copula函数之差,欧氏距离最小的Copula函数能更好地拟合原始数据。
现有考虑恶劣天气影响的海上风电场可靠性评估模型基于序贯蒙特卡罗方法,VSC-HVDC可靠性评估模型基于解析法,不能直接联合评估海上风电场及柔性直流并网系统可靠性。
因此,本发明统一将海上风电场与VSC-HVDC建模为序贯蒙特卡罗模型,且采用系统状态转移抽样法。
具体实施时,步骤S3包括:
S301、获取海上风电场风速历史数据集;
S302、在所述海上风电场风速历史数据集中随机选取k个历史数据作为聚类中心c1至ck,基于剩余历史数据与初始聚类中心的欧氏距离进行聚类得到多个群;
S303、基于下式计算绝对误差Aa;
式中,b为Bi1中的对象,Bi1表示第i1个群中的历史数据;
S304、在所述海上风电场风速历史数据集中随机选取k个历史数据作为候选聚类中心c11至c1k,并计算对应的绝对误差A1a;
S305、若A1a小于Aa,以候选聚类中心作为新的聚类中心,并返回执行步骤S304,若A1a大于或等于Aa,直接返回执行步骤S304,直到返回执行步骤S304的次数达到预设迭代次数或者某次迭代过程中候选聚类中心与聚类中心相同,得到k个历史风速状态,历史风速状态为对应的群;
S306、计算各个历史风速状态的概率和风速概率,第i1个历史风速状态的概率Pi1及累计概率Fi1按下式计算:
式中,Ni1为第i1个历史风速状态的发生频率;
S307、计算不同历史风速状态之间的转移率,第i1个历史风速状态转移到第j个历史风速状态的转移率Pi1j按下式计算:
式中,Ni1j表示第i1个历史风速状态转移到第j1个历史风速状态的频率;
S308、根据风速状态概率,随机选取初始时刻风速,设定对应的时刻t=1;
S309、若Pi1(j1-1)<U<Pi1j1,则将第j1个历史风速状态作为t+1时刻的历史风速状态,U为[0,1]范围内的随机数;
S310、基于下式计算t+1时刻的风速值:
式中,a1和a2分别为形状和尺度参数,vjm为第j1个历史风速状态下的最小风速;
S311、将t的值加1,重复执行步骤S309至S310,直至t=T,则输出拟合风速wind,T为设定的模拟时间;
在MCMC风速模拟模型,如步骤S301至S311所示,输入风速原始数据,用k-medoids算法将风速划分为k个等级。k-medoids算法通过选取数据集中实际对象代表cluster,随机选取k个点作为聚类中心,其他所有点根据到距离聚类中心的远近进行分类。
S312、基于海上风电场风速历史数据集确定任意两相邻海上风电场风速的边缘分布函数和累计概率密度函数;
S313、根据欧氏距离选取合适的Copula函数;
S314、确定选取的Copula函数参数;
S315、用皮尔森相关系数计算风速间的相关性,并运用Copula函数得到两海上风电场风速的相关性随机数;
S316、将得到的随机数反变换得到相关性风速;
步骤S312至步骤S316为采用互相关Copula模型得到相关性风速的过程。
S317、建立风机出力模型
式中,P为风机输出功率;Prp为风机额定功率;A、B、C均为模型参数;v1、v2、v3分别为风机切入风速、风机额定风速和风机切除风速;
S318、设所有元件状态持续时间服从指数分布,且所有元件初始时刻无故障运行;
S319、基于下式计算海上风电场及柔性直流并网系统当前状态持续时间Tk
式中,m为当前状态向外转移情况总数,λ'i为第i个元件的状态转移率;
S320、基于下式计算第j个元件的状态转移概率Pj'以及累计转移概率Pj”;
S321、基于公式Ch=find(Pi'>rand(1))进行元件状态转移定位,当Ch=1,则元件发生状态转移,否则,元件状态保持不变;
S322、采用时序蒙特卡罗法得到预设数量的系统状态后,计算系统状态SState;
S323、基于公式R=(A1+I)k+1得到可达矩阵R,A1为邻接矩阵,I为Ma*Ma的单位矩阵,Ma为风机、内部电缆和连接电缆的数量和;
如果两个元件相邻,就为1;比如:三个元件,1,2连接,1,3连接,则A1=[011;100;100]
S324、基于公式n1=sqrt(var(1-SState)/T)÷mean(1-SState)计算方差系数n1,返回执行S312,直到方差系数小于预设方差阈值;
S325、输出海上风电场及柔性直流并网系统的可靠性指标,可靠性指标包括风电场的容量因子Sfactor、发电比可用率GRA指标、海上风电场及柔性直流并网系统每小时缺电量ENS(h)、海上风电场及柔性直流并网系统一年内平均电量削减量EENS、系统能量不可用率EU以及系统能量可用率EA;
ENS(h)=Pinstall-WN×Poutput(W(h))
EOT(h)=1-(停运期间可用容量)÷Pinstall
EU=TEOT÷T
EA=1-EU
式中,Pinstall表示海上风电场风机装机容量;h表示第h个时段,EOT(h)为第h小时等值停运时间;T为时间尺度;WN表示可用风机数量,Poutput(W(h))表示第h小时风速下的风机输出功率。
上述指标的计算方法为现有技术,在此不再赘述。
下表为本发明所用示例中常规直流工程可靠性评估采用的元件可靠性参数:
表1海上风电场组成成分及可靠性参数
表2 VSC-HVDC主要元件及可靠性参数
现对本发明举例说明:
本发明采用图1所示单线图行可靠性评估,图4为该图的可靠性等值模型,由两个海上风电场、一个双极三端VSC-HVDC构成。海上风电场各由12台相同的风机组成,风机切入风速、额定风速以及切出风速分别为3m/s、13.5m/s和25m/s,额定功率为2MW。换流站1和2的额定容量均为30MW,并且单极功率为15MW;换流站3额定容量为50MW,并且单极功率为25MW。换流站1和换流站2中的直流输电线路分别为12.5km和28.2km;T取131400小时。
MCMC模拟风速效果验证如图6和图7:
在得到两个海上风电场风速模拟数据后,分别计算相应的风速历史数据和预测数据的均值与方差评估模拟数据的误差,如表3所示。
表3历史数据和拟合风速样本的统计特征对比
由表可以看出,海上风电场1和海上风电场2的风速实际值和模拟值的均值和方差都比较接近,说明改进MCMC方法拟合的数据较为接近历史数据,表明通过改进的MCMC方法预测风速可以较好的反映风速的自相关性,适用于所有海上风电场风速模拟。
恶劣天气下风机集电系统对海上风电场系统可靠性影响如下:
本发明仅以图1中两海上风电场为例,分析风机集电系统对海上风电场可靠性的影响。在海上风电场中,采用考虑风机集电系统和不考虑风机集电系统进行对比分析,可靠性评估结果如下表所示。
表4考虑风机集电系统影响的可靠性指标对比
由表可得,考虑集电系统后,Sfactor指标减少1.37%;EENS指标增加5780MWh;GRA指标减少0.0299。这表明考虑集电系统后,系统可靠性降低。因此,在对海上风电场进行可靠性评估时,应考虑集电系统对风机可靠性的影响,否则会导致评估结果相对乐观。
恶劣天气下VSC-HVDC对海上风电场系统可靠性影响如下:
在考虑风机集电系统的影响下,采用考虑VSC-HVDC和不考虑VSC-HVDC故障为例进行可靠性评估,结果如下表所示。
表5考虑VSC-HVDC系统影响的可靠性指标对比
从表可见,考虑VSC-HVDC元件故障后,Sfactor指标减少2.12%;EENS指标增加8920MWh;GRA指标0.0633。这表明考虑VSC-HVDC后,系统可靠性降低。这是因为VSC-HVDC内部双极元件的单级、以及VSC-HVDC与海上风电场系统形成串联关系,导致系统总的故障率增加,从而使海上风电场系统可靠性下降。
恶劣天气下风资源约束对海上风电场及柔性直流并网系统可靠性影响如下:
在图1单线图或图4中组合等效模型中,由于风机出力依赖于风速大小,因此,当风速太大或太小时,会出现有些特殊情况:当风电场出力较小时,无论HVDC发生什么故障,只要此时HVDC系统可用容量大于风机出力,则HVDC这部分故障对组合系统可靠性没有影响,在计算指标时不应该考虑这部分故障;当风电场出力为0时,无论HVDC可用容量为多大,对组合系统可靠性均没有影响,故不应该将此类情况HVDC故障计入可靠性指标中,评估结果如表6。
表6考虑风资源约束的系统可靠性指标对比
由表可以看出,考虑海上风电场风机出力间歇性后,VSC-HVDC系统的可靠性得到了较大改善,TEOT降低550.37h;EA降低0.0042;相应地,EU提高0.0042。由此可以得出结论:在海上风电场风机出力较小或者为0的前提下,此时VSC-HVDC可用容量只要大于海上风电场风机出力,就不会对组合系统可靠性造成影响;如果能够对海上风电场风速进行准确的预测,在风机出力为0时或者VSC-HVDC备用容量很大时,还可以安排VSC-HVDC检修。因此,在对海上风电场及VSC-HVDC并网系统进行可靠性评估时,考虑海上风电场风机出力具有一定的工程实用价值。
恶劣天气下风电场相关性对海上风电场及柔性直流并网系统可靠性影响如下:
在恶劣天气下,考虑风机集电系统、VSC-HVDC系统以及风资源约束下等影响因素的前提下,分析考虑海上风电场间风速相关性对可靠性评估的影响,结果如下表所示。
表7系统可靠性指标对比
由表可得,考虑海上风电场风机间相关性后,Sfactor指标下降1.82%;EENS增加7650MWh;GRA指标下降0.0962;TEOT减小235.872h;EA下降0.0018;相应地,EU增加0.0018。这表明考虑海上风电场间风速的相关性会延长海上风电场及VSC-HVDC并网系统修复时间,可靠性指标明显下降,对系统可靠性造成负面影响。而在考虑风速相关性后,VSC-HVDC的可用率有所提高。这是因为考虑风速相关性后,风速相对平稳,使得VSC-HVDC的修复时间变短。
本发明以两海上风电场、双极三端VSC-HVDC组合系统为例进行算例分析。分析表明,恶劣天气下海上风电场风机集电系统、VSC-HVDC系统、风速间的相关性对组合系统的可靠性产生负面影响,考虑风资源约束对组合系统可靠性有积极影响。因此,本发明中,考虑以上因素可以提高评估结果对组合系统运行和规划的参考价值。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (7)
1.天气影响下的海上风电场及柔直并网系统可靠性评估方法,其特征在于,包括如下步骤:
S1、将海上风电场及柔性直流并网系统分解为多个子系统;
S2、基于各子系统中的元件的可靠性参数建立各子系统的等效故障率模型、等效修复时间模型及可靠性评估模型,元件的可靠性参数包括风机的故障率,风机的故障率与风速和雷击评率正相关,元件的可靠性参数还包括各元件的修复时间,元件的修复时间与风速正相关;
S3、建立风速的自相关MCMC模型和互相关Copula模型,采用时序蒙特卡罗法对海上风电场及柔性直流并网系统进行可靠性评估,得到可靠性指标。
2.如权利要求1所述的天气影响下的海上风电场及柔直并网系统可靠性评估方法,其特征在于,步骤S1包括:
S101、将海上风电场及柔性直流并网系统分解为海上风电场子系统及柔性直流输电子系统;
S102、将海上风电场子系统分解为风机模块子系统和电缆模块子系统;
S103、将柔性直流输电子系统分解为VSC换流站子系统和直流输电系统子系统。
3.如权利要求2所述的天气影响下的海上风电场及柔直并网系统可靠性评估方法,其特征在于,各子系统的可靠性评估模型为各子系统的两状态马尔科夫模型,步骤S2包括:
S201、获取各子系统中的元件的可靠性参数;
S202、基于各子系统中的元件的可靠性参数建立各子系统的等效故障率模型和等效修复时间模型;
S203、基于各子系统中的等效故障率模型和等效修复时间模型建立各子系统的两状态马尔科夫模型。
7.如权利要求1所述的天气影响下的海上风电场及柔直并网系统可靠性评估方法,其特征在于,步骤S3包括:
S301、获取海上风电场风速历史数据集;
S302、在所述海上风电场风速历史数据集中随机选取k个历史数据作为聚类中心c1至ck,基于剩余历史数据与初始聚类中心的欧氏距离进行聚类得到多个群;
S303、基于下式计算绝对误差Aa;
式中,b为Bi1中的对象,Bi1表示第i1个群中的历史数据;
S304、在所述海上风电场风速历史数据集中随机选取k个历史数据作为候选聚类中心c11至c1k,并计算对应的绝对误差A1a;
S305、若A1a小于Aa,以候选聚类中心作为新的聚类中心,并返回执行步骤S304,若A1a大于或等于Aa,直接返回执行步骤S304,直到返回执行步骤S304的次数达到预设迭代次数或者某次迭代过程中候选聚类中心与聚类中心相同,得到k个历史风速状态,历史风速状态为对应的群;
S306、计算各个历史风速状态的概率和风速概率,第i1个历史风速状态的概率Pi1及累计概率Fi1按下式计算:
式中,Ni1为第i1个历史风速状态的发生频率;
S307、计算不同历史风速状态之间的转移率,第i1个历史风速状态转移到第j个历史风速状态的转移率Pi1j按下式计算:
式中,Ni1j表示第i1个历史风速状态转移到第j1个历史风速状态的频率;
S308、根据风速状态概率,随机选取初始时刻风速,设定对应的时刻t=1;
S309、若Pi1(j1-1)<U<Pi1j1,则将第j1个历史风速状态作为t+1时刻的历史风速状态,U为[0,1]范围内的随机数;
S310、基于下式计算t+1时刻的风速值:
式中,a1和a2分别为形状和尺度参数,vjm为第j1个历史风速状态下的最小风速;
S311、将t的值加1,重复执行步骤S309至S310,直至t=T,则输出拟合风速wind,T为设定的模拟时间;
S312、基于海上风电场风速历史数据集确定任意两相邻海上风电场风速的边缘分布函数和累计概率密度函数;
S313、根据欧氏距离选取合适的Copula函数;
S314、确定选取的Copula函数参数;
S315、用皮尔森相关系数计算风速间的相关性,并运用Copula函数得到两海上风电场风速的相关性随机数;
S316、将得到的随机数反变换得到相关性风速;
S317、建立风机出力模型
式中,P为风机输出功率;Prp为风机额定功率;A、B、C均为模型参数;v1、v2、v3分别为风机切入风速、风机额定风速和风机切除风速,v为风速;
S318、设所有元件状态持续时间服从指数分布,且所有元件初始时刻无故障运行;
S319、基于下式计算海上风电场及柔性直流并网系统当前状态持续时间Tk
式中,m为当前状态向外转移情况总数,λ′i为第i个元件的状态转移率;
S320、基于下式计算第j个元件的状态转移概率P′j以及累计转移概率P″j;
S321、基于公式Ch=find(P′i>rand(1))进行元件状态转移定位,当Ch=1,则元件发生状态转移,否则,元件状态保持不变;
S322、采用时序蒙特卡罗法得到预设数量的系统状态后,计算系统状态SState;
S323、基于公式R=(A1+I)k+1得到可达矩阵R,A1为邻接矩阵,I为Ma*Ma的单位矩阵,Ma为风机、内部电缆和连接电缆的数量和;
S324、基于公式n1=sqrt(var(1-SState)/T)÷mean(1-SState)计算方差系数n1,返回执行S312,直到方差系数小于预设方差阈值;
S325、输出海上风电场及柔性直流并网系统的可靠性指标,可靠性指标包括风电场的容量因子Sfactor、发电比可用率GRA指标、海上风电场及柔性直流并网系统每小时缺电量ENS(h)、海上风电场及柔性直流并网系统一年内平均电量削减量EENS、系统能量不可用率EU以及系统能量可用率EA;
ENS(h)=Pinstall-WN×Poutput(W(h))
EOT(h)=1-(停运期间可用容量)÷Pinstall
EU=TEOT÷T
EA=1-EU
式中,Pinstall表示海上风电场风机装机容量;h表示第h个时段,EOT(h)为第h小时等值停运时间;T为时间尺度;WN表示可用风机数量,Poutput(W(h))表示第h小时风速下的风机输出功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750672.XA CN111859812B (zh) | 2020-07-30 | 2020-07-30 | 天气影响下的海上风电场及柔直并网系统可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750672.XA CN111859812B (zh) | 2020-07-30 | 2020-07-30 | 天气影响下的海上风电场及柔直并网系统可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859812A true CN111859812A (zh) | 2020-10-30 |
CN111859812B CN111859812B (zh) | 2024-03-12 |
Family
ID=72946659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010750672.XA Active CN111859812B (zh) | 2020-07-30 | 2020-07-30 | 天气影响下的海上风电场及柔直并网系统可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859812B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749453A (zh) * | 2020-12-16 | 2021-05-04 | 安徽三禾一信息科技有限公司 | 基于改进svr复杂设备剩余使用寿命预测 |
CN113541194A (zh) * | 2021-07-29 | 2021-10-22 | 南方电网科学研究院有限责任公司 | 一种海上风电场及vsc-hvdc并网系统可靠性评估方法 |
CN113807019A (zh) * | 2021-09-24 | 2021-12-17 | 清华大学 | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 |
CN114738212A (zh) * | 2022-03-18 | 2022-07-12 | 华南理工大学 | 一种考虑多属性气象特性的风电机组检修方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104682381A (zh) * | 2015-01-26 | 2015-06-03 | 南方电网科学研究院有限责任公司 | 大型风电场柔性直流输电系统可靠性计算方法 |
CN105224760A (zh) * | 2015-10-19 | 2016-01-06 | 重庆大学 | 一种基于风电场的vsc-hvdc并网系统可靠性计算方法 |
CN105356494A (zh) * | 2015-11-12 | 2016-02-24 | 南方电网科学研究院有限责任公司 | 多端vsc-hvdc并网系统的可靠性计算方法 |
CN106253343A (zh) * | 2016-09-08 | 2016-12-21 | 国家电网公司 | 一种新能源柔性直流并网可靠性估计方法 |
CN109217294A (zh) * | 2018-09-14 | 2019-01-15 | 大唐新疆清洁能源有限公司 | 风电场大型电网安全性评估方法 |
CN110570122A (zh) * | 2019-09-10 | 2019-12-13 | 重庆大学 | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 |
-
2020
- 2020-07-30 CN CN202010750672.XA patent/CN111859812B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104682381A (zh) * | 2015-01-26 | 2015-06-03 | 南方电网科学研究院有限责任公司 | 大型风电场柔性直流输电系统可靠性计算方法 |
CN105224760A (zh) * | 2015-10-19 | 2016-01-06 | 重庆大学 | 一种基于风电场的vsc-hvdc并网系统可靠性计算方法 |
CN105356494A (zh) * | 2015-11-12 | 2016-02-24 | 南方电网科学研究院有限责任公司 | 多端vsc-hvdc并网系统的可靠性计算方法 |
CN106253343A (zh) * | 2016-09-08 | 2016-12-21 | 国家电网公司 | 一种新能源柔性直流并网可靠性估计方法 |
CN109217294A (zh) * | 2018-09-14 | 2019-01-15 | 大唐新疆清洁能源有限公司 | 风电场大型电网安全性评估方法 |
CN110570122A (zh) * | 2019-09-10 | 2019-12-13 | 重庆大学 | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749453A (zh) * | 2020-12-16 | 2021-05-04 | 安徽三禾一信息科技有限公司 | 基于改进svr复杂设备剩余使用寿命预测 |
CN112749453B (zh) * | 2020-12-16 | 2023-10-13 | 安徽三禾一信息科技有限公司 | 基于改进svr的复杂设备剩余使用寿命预测方法 |
CN113541194A (zh) * | 2021-07-29 | 2021-10-22 | 南方电网科学研究院有限责任公司 | 一种海上风电场及vsc-hvdc并网系统可靠性评估方法 |
CN113541194B (zh) * | 2021-07-29 | 2024-01-19 | 南方电网科学研究院有限责任公司 | 一种海上风电场及vsc-hvdc并网系统可靠性评估方法 |
CN113807019A (zh) * | 2021-09-24 | 2021-12-17 | 清华大学 | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 |
CN114738212A (zh) * | 2022-03-18 | 2022-07-12 | 华南理工大学 | 一种考虑多属性气象特性的风电机组检修方法及装置 |
CN114738212B (zh) * | 2022-03-18 | 2024-05-10 | 华南理工大学 | 一种考虑多属性气象特性的风电机组检修方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111859812B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ehsan et al. | State-of-the-art techniques for modelling of uncertainties in active distribution network planning: A review | |
CN111859812B (zh) | 天气影响下的海上风电场及柔直并网系统可靠性评估方法 | |
CN108183512B (zh) | 一种接入新能源的电力系统的可靠性评估方法 | |
CN105224760A (zh) | 一种基于风电场的vsc-hvdc并网系统可靠性计算方法 | |
CN113541194B (zh) | 一种海上风电场及vsc-hvdc并网系统可靠性评估方法 | |
CN103825272A (zh) | 一种基于解析法的含分散风电的配电网可靠性确定方法 | |
CN104463697A (zh) | 含大规模风电电力系统的风险评估方法 | |
CN115456304A (zh) | 考虑台风影响的海上风电场可靠性指标计算方法及装置 | |
Kurbanov et al. | An Appropriate Wind Model for The Reliability Assessment of Incorporated Wind Power in Power Generation System | |
Han et al. | Optimal sizing considering power uncertainty and power supply reliability based on LSTM and MOPSO for SWPBMs | |
CN109726416B (zh) | 一种基于新能源集群预测及潮流计算的调度决策方法 | |
Saric et al. | Optimal DG allocation for power loss reduction considering load and generation uncertainties | |
CN105552880A (zh) | 基于状态枚举法的电力系统典型故障集确定方法 | |
Shoferpour et al. | Improving the flexibility of power systems using transportable battery, transmission switching, demand response, and flexible ramping product market in the presence of high wind power | |
Sun et al. | Interval mixed-integer programming for daily unit commitment and dispatch incorporating wind power | |
CN115719967A (zh) | 一种用于提高供电可靠性的有源配电网储能装置优化配置方法 | |
CN109787217A (zh) | 基于风电多状态模型及机会成本修正的备用出清方法 | |
Li et al. | Reliability evaluation of distribution network considering distributed intermittent renewable energy access | |
Du et al. | Hosting capacity assessment in distribution networks considering wind–photovoltaic–load temporal characteristics | |
Qi | Operation ControlMethod of Relay Protection in Flexible DC Distribution Network Compatible with Distributed Power Supply. | |
Wang et al. | A novel reliability evaluation method of AC/DC hybrid power system with the injection of wind power | |
Zheng et al. | Data-Adaptive Robust Transmission Network Planning Incorporating Post-Contingency Demand Response | |
Wang et al. | Reliability evaluation method for distribution network with distributed generations considering feeder fault recovery and network reconfiguration | |
Ding et al. | Reliability evaluation of direct current distribution system for intelligent buildings based on big data analysis | |
Qi et al. | Research on optimization of wind power system based on reliability evaluation and modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |