一种基于蒙特卡洛方法的风电场风险评估方法

摘要

本发明公开了一种基于蒙特卡洛方法的风电场风险估计方法。本发明包括如下步骤，步骤(1).基于时间序列法的风速序列预测模型建立；首先，原始数据标准化：其次，模型识别：然后，参数确定：步骤(2).典基于序贯蒙特卡洛方法的计及风电场的大电网系统可靠性评估；首先，随机抽样：其次，可靠性评估：本发明基于大量风电数据库，充分考虑风速的随机性；且采用蒙特卡洛快速算法，速度快。

说明书

技术领域

本发明属于电力系统风险评估领域，具体涉及一种基于蒙特卡洛方法的风电场风险估计方法。

背景技术

风能是一种干净的、储量极为丰富的可再生能源。随着世界各国对能源短缺、环境保护及气候变化等问题的日益关注，风力发电作为减少空气污染和有害气体排放的有效措施之一，越来越受到人们的重视。大力发展并网型风力发电是我国缓解能源供需矛盾，减轻环境污染，调整能源结构，转变经济增长方式的重要战略举措。

但是与其他常规的火电厂、水电厂不同,风电场的输出功率不断波动,大规模风电并网后会对电力系统的安全稳定运行带来一定的影响。

为研究风电场并网对电力系统可靠性的影响,本文建立了基于蒙特卡洛仿真的计及风电场的大电网系统可靠性快速分析模型,充分考虑了风速的随机性及风电机组强迫停运率,对计及风电场的大电网系统进行可靠性评估，具有广泛的应用前景以及潜在的经济价值。

发明内容

本发明的目的在于提拱一种基于蒙特卡洛方法的风电场风险评估方法。该方法首先通过风速时间序列预测模型，结合常规机组、线路的状态模型，考虑了风能随机性和风电机强迫停运率等不确定因素，建立了给予序贯蒙特卡洛仿真的发电厂可靠性模型，按照在满足系统安全约束条件的前提下充分利用风电的原则，对计及风电场的大电网系统进行可靠性评估。

本发明为达到上述发明目的，所采取的具体技术方案如下：

步骤(1). 建立基于时间序列法的风速序列预测模型；

1-1.原始数据标准化：

；

式中为标准化后的数据，为原始数据的标准差估计值，为原始数据； ， 分别为的均值和方差估计值：

；

；

所述的步骤(1)中的N为风速序列个数；

1-2. 模型识别：

根据给定风速序列的样本均值、自相关函数、偏相关函数判别该风速序列的类型属于 AR(p)、MA(q)和 ARMA(p,q)中的哪一种；若序列 的偏相关函数在 p 步以后截尾，则可判定该序列为 AR(p)序列；若序列 的自相关函数在 q 步以后截尾，则可判定该序列为序列 MA(q)；若序列 的自相关函数、偏相关函数都是拖尾的，则可判定该序列为 ARMA 序列；

1-3. 参数确定：

对步骤1-2识别的模型进行AIC判别，改变模型的阶数，使其成为最佳模型， 即AIC值达到最小时的模型，则此时对应的模型的阶数就是确定的参数；

步骤(2). 基于序贯蒙特卡洛方法的计及风电场的大电网系统可靠性评估；

2-1. 随机抽样：

把一年分为 8736 个小时区间，设每个小时区间计及风电场的大电网系统条件不变，用步骤(1)得到的模型模拟每个小时区间的风速值。并对计及风电场的大电网系统元件进行随机抽样，得到各元件的运行状态，元件的默认初始状态为正常状态，即运行状态，然后建立系统状态矩阵；

所述的计及风电场的大电网系统元件包括发电机、架空线路、电缆、馈线、变压器、断路器、隔离开关、电抗器和电容器等元件，编号为j（j=1，2，…，n）。

所述的系统状态矩阵由公式：

得到，其中Uj对应于第j个元件在[0,1]间均匀分布的随机数。如果当前状态是正常状态，表示第j个元件的故障率，Tj即为该元件正常工作持续时间；如果当前状态是故障状态状态，表示第j个元件的修复率，Tj即为该元件故障持续时间，通过多次抽样，得到各元件的“运行-修复-运行-修复”状态序列，最终得到系统状态矩阵。

2-2.可靠性评估：

根据步骤2-1，对计及风电场的大电网系统进行随机故障抽样，经过多次不同程度的抽样，得到计及风电场的大电网系统的状态矩阵，在给定的精度要求下确定抽样循环的次数，计算每个状态计及风电场的大电网系统的最小切除负荷，对该系统进行可靠性评估。

其中，可靠性评估的系统可靠性指标由公式：

I是可靠性指标， j是元件数，k是状态序号，是系统状态，是状态持续时间。

本发明有益效果如下：

1）基于大量风电数据库，充分考虑风速的随机性；

2）采用蒙特卡洛快速算法，速度快。

附图说明

图1 为本发明的整体流程图。

具体实施方式

步骤(1). 基于时间序列法的风速序列预测模型建立；

1-1. 原始数据标准化：

；

式中为标准化后的数据，为原始数据的标准差估计值，为原始数据； ， 分别为的均值和方差估计值：

；

；

所述的步骤(1)中的N为风速序列个数；

1-2. 模型识别：

模型的识别是根据给定序列的样本均值、自相关函数、偏相关函数判别序列应属于 AR(p)、MA(q)和 ARMA(p,q)中的那一种。若序列 {xt}的偏相关函数在 p 步以后截尾，则可判定该序列为 AR(p)序列；若序列 {xt}的自相关函数在 q 步以后截尾，则可判定该序列为序列 MA(q)；若序列 {xt}的自相关函数、偏相关函数都是拖尾的，则可判定该序列为 ARMA 序列；

1-3. 参数确定：

对步骤建立的模型进行AIC判别，改变模型的阶数，使AIC值达到绩效的模型，即是最佳模型，对应的阶数就是确定的参数；

步骤(2). 基于序贯蒙特卡洛方法的计及风电场的大电网系统可靠性评估；

2-1. 随机抽样：

把一年分为 8736 个小时区间，设每个小时区间计及风电场的大电网系统条件不变，用步骤(1)得到的模型模拟每个小时区间的风速值。并对计及风电场的大电网系统元件进行随机抽样，得到各元件的运行状态，元件的默认初始状态为正常状态，即运行状态，然后建立系统状态矩阵；

所述的计及风电场的大电网系统元件包括发电机、架空线路、电缆、馈线、变压器、断路器、隔离开关、电抗器和电容器等元件，编号为j（j=1，2，…，n）。

所述的系统状态矩阵由公式：

得到，其中Uj对应于第j个元件在[0,1]间均匀分布的随机数。如果当前状态是正常状态，表示第j个元件的故障率，Tj即为该元件正常工作持续时间；如果当前状态是故障状态状态，表示第j个元件的修复率，Tj即为该元件故障持续时间。

      如图2所示，通过多次抽样，得到各元件的“运行-修复-运行-修复”状态序列，组合各元件的运行和修复过程，得到具有时间先后顺序的状态序列，最终得到系统状态矩阵。

如图3所示，为各元件的状态序列组合起来即得到状态矩阵：

其中，n是状态总数，m是元件总数。

2-2.可靠性评估：

根据步骤2-1，对计及风电场的大电网系统进行随机故障抽样，经过多次不同程度的抽样，得到计及风电场的大电网系统的状态矩阵，在给定的精度要求下确定抽样循环的次数，计算每个状态计及风电场的大电网系统的最小切除负荷，对该系统进行可靠性评估。

其中，可靠性评估的系统可靠性指标由公式：

I是可靠性指标， j是元件数，k是状态序号，是系统状态，是状态持续时间。