基于控制变量抽样的大规模风电场可靠性评估方法
【技术领域】
[0001] 本发明设及一种含大规模风电场可靠性评估技术，属于风力发电的可靠性领域， 特别设及一种基于控制变量抽样的大规模风电场可靠性评估方法，该大规模风电场可靠性 评估方法是一种发电系统可靠性指标的评测方法。
【背景技术】
[0002] 近年来，由于风力发电技术的日益完善，发电成本的进一步降低，风电成为最具竞 争力、发展最快的一种新能源，并逐步向大容量、大规模方向迈进。然而，由于风力发电具有 随机性和间歇性的特点，大规模风电并网会增加电力系统可靠性的不确定性，此背景下有 效评估含大规模风电场电力系统可靠性是亟待解决的问题。
[0003] 含大规模风电的电力系统的可靠性评估方法可分为解析法和模拟法。其中，解析 法在系统规模较大时，可能会出现"维数灾"的计算难题。一种可行的方法是，将风电场建 模成一个类似于多降额状态的常规机组，形成系统停运容量概率表来分析系统可靠性。该 方法在系统规模较大时仍能有效评估。W蒙特卡洛法为代表的模拟法在风电场的可靠性 评估中的应用较为广泛。然而由于蒙特卡洛（Monte Carlo, MC)方法计算精度和计算时 间的矛盾，要取得令人满意的计算精度，往往耗费大量的计算时间。通过方差减小技术可 W加快蒙特卡洛模拟的收敛速度，提高计算效率。目前常用的方差减小方法有控制变量法 (Control Vari油le，CV)、等分散抽样法（Average and Scattered Sampling, SS)、重要抽 样法（Importance Sampling, I巧和对偶变数法（Antithetic Vari油le，AV)等。文献（了 明，李生虎.可靠性计算中加快蒙特卡罗仿真收敛速度的方法[J].电力系统自动化，2000， 24(12) ;16-19.)采用控制变量法评估组合系统可靠性，节省计算时间减少蒙特卡洛法的 40%W上，并从系统和节点两个方面验证了算法抽样的高效性。文献（何国锋，谭震宇.采 用等分散抽样法的电力系统概率仿真[J].电力自动化设备，2004,24(7) ;57-59,64.)用等 分散抽样法进行电力系统概率仿真，结果表明该方法可W在保证结果可信度的同时，能大 幅度减少抽样次数，使可靠性指标快速收敛且不存在实用的制约条件。目前，关于风电场可 靠性的控制变量抽样，尚未见到相关报道。
【发明内容】
[0004] 本发明的目的在于克服现有技术中的含大规模风电场发电系统的可靠性建模难、 评估效率低，W及蒙特卡洛方法抽样容量大、效率低的问题，提供一种基于控制变量抽样的 大规模风电场可靠性评估方法，该大规模风电场可靠性评估方法是一种基于控制变量抽样 的快速收敛方法。
[0005] 本发明的目的通过下述技术方案实现；一种基于控制变量抽样的大规模风电场可 靠性评估方法，包括；采用控制变量法对含大规模风电场的发电系统进行抽样，采集发电系 统的原始数据，用K-means方法建立新负荷模型，W常规机组抽样的可靠性指标作为控制 变量构造的新状态函数，用解析法计算常规机组的可靠性指标。依次对常规机组和风电机 组循环抽样并分别计算可靠性指标，可根据新状态函数计算此次抽样的系统可靠性指标。 多次循环抽样，可统计计算系统最终可靠性指标。
[0006] 基于控制变量抽样的大规模风电场可靠性评估方法，集发电系统的原始数据；用 K-means方法建立新负荷模型；W常规机组抽样的可靠性指标作为控制变量构造的新状态 函数；用解析法计算常规机组的可靠性指标。依次对常规机组和风电机组循环抽样并分 别计算常规机组和所有机组的可靠性指标，根据新状态函数计算此次抽样的系统可靠性指 标；多次循环抽样，统计计算系统最终可靠性指标。系统评估流程如图1所示。具体包括W 下步骤：
[0007] 步骤1 ;采集系统的原始数据：系统常规机组的机组数目、机组出力和故障率，系 统负荷数据；风电机组数目、额定出力和故障率W及风电机组的切入、切出和额定功率风 速。威布尔分布的尺度参数C和形状参数k ;系统计算的收敛判据。
[000引步骤2 ;用K-means方法建立新的负荷模型，如图2所示，
[0009] (1)设定IE邸-RTS79标准系统的8760个负荷点转换为化=20个负荷等级；
[0010] 0)预置聚类均值的初值Mi，i代表第i个聚类（i = 1，2,…，化）；
[0011]做计算负荷点Lk化=1，2,…，NL)到聚类均值Mi的距离Dki;
[00。] Dki= |Mi-Lkl， (1)
[0013] (4)将负荷点分配到最近的聚类中，计算新的聚类均值Mi;
[0014]
价
[0015] 式中，Lk表示负荷点的值，NI i表示第i个聚类包含的负荷点数，1C代表第i个聚 类的负荷点集合；
[0016] (5)重复C)和d)，直到两次迭代之间所有的聚类均值都保持不变；
[0017] 做统计第i个聚类的负荷点的个数化，该聚类即为第i级负荷水平，其概率为：
[001 引 Pi=NIi/8760， (3)
[0019] 步骤3 ;小样本抽样权利要求1的步骤4)，确定控制变量法的标量系数a;
[0020] a = Cov 化幻 /V 狂），（4)
[0021] 式中，F表示所有机组的可靠性指标，Z表示常规机组的可靠性指标，Cov (F，幻表 示所有机组的可靠性指标F00和常规机组的可靠性指标ZOO的协方差，V狂）是ZOO的 方差系数；
[0022] 步骤3 ;用解析法计算常规机组的可靠性指标E狂）；
[0023] (1)枚举出常规机组的全部发电容量等级及其相应的概率：
[0024] (Pi+Qi) (P2+Q2) ? ? ? (Pn+Qn)， (5)
[00巧]式中，Pi和Q1分别是第1个常规机组工作和故障的概率；N是常规机组的总数。
[0026](2)系统的状态概率为：
[0027]
(6)
[002引式中，Nf和N-Nf分别是状态S中故障和未故障的常规机组的数量，每一状态S对 应一个机组发电容量等级，Qi和P i分别是故障机组的故障概率和未故障机组的运行概率；
[0029] (3)计算常规机组的可靠性指标，缺电时间期望（Loss Of Load Expectation, LOLE)和电量不足期望（Loss Of Elnergy Expectation, LOEE；);
[0032] 式中，Li是第i级负荷水平；Pi是第i级负荷水平的概率；化是负荷水平概率表中 的负荷水平分级数；Gj.是第j级发电容量；P j.是第j级发电容量的概率；N。是发电容量分级 表中的发电容量分级数；T是负荷点所所占时间，该里是8760小时；I是指示变量：
[0033]
(9)
[0034] 步骤4 ;风力发电系统模型如图3所示，依次对常规机组和风电机组循环抽样，分 别计算常规机组可靠性指标Z狂）和全部机组的可靠性指标F狂)，根据新状态函数计算此 次抽样的系统可靠性指标；
[003引（1)对每个常规机组抽取服从均匀分布[0, 1]的随机数Xi，设其故障率为即1，判 定其运行状态Si;
[0036]
[0037] (2)本次抽样的电力不足量：
[0038]
[0039] 式中，Li为第i级负荷水平，Gi为第i个机组的发电出力，m为所有处于运行状态 的机组数。
[0040] (3)将发电系统容量状态抽样结果和多级负荷模型中的每一级负荷水平结合，统 计计算即可得出电力不足时间期望L0LE和电量不足期望L0EE :
[0043] 式中，Pi是第i级负荷水平的概率；化是负荷水平概率表中的负荷水平分级数；T 是8760小时；I是指示变量；
[0044]
(14)
[0045] (4)风速和输出功率抽样；x是在区间[0, 1]上服从均匀分布的随机数，则风速和 机组输出功率为：
[0046] V=C[-In(1-X) ] (巧）
[0047]
[0048] 式中，c和k分别是威布尔分布的尺度参数和形状参数；Vti为切入风速；V。。为切 出风速；Vw为风机的额定风速；Pw为风机的额定输出功率。
[0049] (5)对所有风电机组由（4)可计算输出功率，同常规机组进行（1)-(3)，即可计算 所有机组抽样的可靠性指标。值得注意的是，此时（2)中的电力不足量为
[0050]
(17)
[0051] 式中，m为常规机组中处于运行状态的总数，n为风电机组中处于运行状态的总 数。
[005引 做构造新的状态函数F*佩=F佩-a狂佩+E狂)）。
[0053] 步骤5 ;多次循环抽样，直到可靠性指标的方差系数0满足收敛判据。统计计算 系统最终可靠性指标和方差系数：
[005引式中，町表示第i次循环中得到的可靠性指标，共循环Ns次，为：
[0057]
[0058] 其中，F*表示可靠性指标。
[0059] 本发明的原理：本发明利用了传统的控制变量抽样用解析模型获取信息思想，达 到了减小方差和计算时间的目的，弥补了大型风电场解析建模复杂的难题，也克服了常规 蒙特卡洛抽样效率低、精度不足的问题，能方便的用于含大规模风电场的电力系统可靠性 中，具有很强的实用价值。
[0060] 相对于现有技术，本发明具有W下的优点与效果：
[0061] 1、由于结合了蒙特卡洛法，相比于风电场可靠性评估的解析法建模简单。
[0062] 2、由于结合了解析法，相比于常规蒙特卡洛法计算精确。
[0063] 3、采用控制变量抽样，抽样效率大大增加，计算时间大幅降低。
[0064] 4、该方法W实际的风电场为例进行模拟，因此能方便地应用于实际电场中。
【附图说明】
[006引 图1为K-means方法建立新负荷模型示意图。
[0066] 图2为风力发电系统模型。
[00