华中电网风电出力波动性与典型时序场景

2019-12-26 02:16彭利鸿余姚果肖小刚梅亚东
水电与新能源 2019年11期
关键词:波动性装机容量装机

彭利鸿,余姚果,肖小刚,张 祥,梅亚东

(1.国家电网公司华中分部,湖北 武汉 430077;2. 武汉大学水资源与水电工程科学国家重点实验室,湖北 武汉 430072)

随着风电、光伏电等新能源发电技术的进步,中国的新能源发电已经走在了世界前列,从装机容量来看,风电、太阳能发电装机规模均居世界第一[1]。华中电网是全国电网中承接南北、连接东西的枢纽电网,供电覆盖湖北、河南、湖南、江西四省,在“全国联网,西电东送、南北互供”的大格局中具有重要的枢纽地位。到2017年年底,华中电网6 000 kW及以上装机容量21 364万kW,其中水电装机5 606万kW、火电装机13 606万kW、风电和太阳能发电装机2 151万kW。火电装机比重最大,达到63.7%,水电装机比重其次,为26.2%,二者合计占比达到90%,风电和太阳能发电装机仅占10%。尽管风电和太阳能发电装机比例低于全国平均水平,但是近年华中电网的风电、光伏电装机规模发展很快。风电装机容量由2017年1月685.9万kW,增加到2019年8月1 609.5万kW,增加1.35倍,其中河南省网增长最快,增加3.55倍。光伏电装机由2017年1月683.5万kW,增加到2019年8月2 428.4万kW,增加2.55倍,其中湖南省网增长最快,增加6.87倍。此外,通过特高压输电线路,华中电网还接受了大量西北、华北和西南的风电、光伏电及水电电力。

由于风电、光伏电具有波动性、随机性和间歇性特点,且不可调节。随着风电、光伏电等新能源电力的大规模接入,对电网的安全稳定经济运行造成较大影响,尤其是在局部地区特定时期出现了弃风、弃光、弃水现象,清洁能源消纳压力逐渐显现。为此,国家制定了一系列政策和措施,促进清洁能源消纳利用。发挥电网平台作用,开展全网多电源优化调度,是重要措施之一。而深入地探讨电网风电、光伏电等新能源发电出力波动性,可为制订科学的调度运行计划奠定基础。

风电出力波动源于大尺度大气环流模式变动、局部地形和地表糙率等局部环境差异及风电机组的风能与电能转换特性的共同作用。研究不同情况下的出力波动性可为电力系统调峰、机组控制、调度计划制订提供科学依据。风电出力波动研究的时间尺度一般为5~15 min,对于大电网而言,小时级风电波动较分钟级波动更为重要。目前,风电出力过程(时间序列)多采用一阶差分、标准差、方差、离差系数、频率分布、斜率、转角、拐点个数、过程线长度等参数及其变形或组合作为波动性指标,定量刻画波动程度。这些参数或从数量的角度度量波动程度,例如一阶差分、标准差等;或从形状的角度度量波动程度,诸如斜率、转角等[2-5]。本文采用出力变率、出力概率分布、出力不均衡率分析华中电网风电出力波动性,然后应用同步回代缩减法进行华中电网风电出力场景缩减,提取典型时序场景,对2017年华中电网风电出力时间序列进行分析。

1 风电出力波动性分析指标

波动性是风电、光伏电等新能源出力最典型的自然特性,它包括日内、日间、月度、季度波动。以24:00为一日起始时刻,15 min为时间间隔,1 h有4个时刻分别为0、15、30 min及45 min。假设已获得某年以15 min为时间间隔的风电出力序列,据此可计算出时均出力、日均出力及月均出力,计算出日内最大(最小)出力、月内最大(最小)日均出力及不同时刻出力变化值。

1)出力占比。第t时刻风电出力占比等于实测风电有功功率占额定容量的百分比,记为η(t),其表达式为:

式中:PG为风电的装机容量;P(t)为第t时刻风电出力值。

2)出力变率。当前时刻风电出力与前一时刻风电出力的差值(一阶差分)占风电装机容量的比例。它反映了风电出力的波动大小和出现的频率。表达式如下:

式中:ΔPv(t)为第t时刻出力变率;ΔP(t)为第t时刻的出力变动值,ΔP(t)=P(t+1)-P(t)。

3)出力不均衡率。按时间尺度分为日不均衡率、月不均衡率、年不均衡率。其中,日不均衡率反映日内出力波动变化情况,其为日内各小时时均出力与日内最大时均出力的比值,其值越接近于1,日内出力波动变化越小。表达式如下:

式中:Rd(j)为日内第j小时不均衡率;Ph(j)为第j小时平均出力;Phm为日内最大时均出力。

类似地,可计算月不均衡率和年不均衡率。月不均衡率为月内各日平均出力与月内最大日均出力的比值。年不均衡率则反映年内各月平均出力波动情况。

4)出力概率分布。出力概率分布是指风电出力在不同出力水平的概率,主要用来衡量风电场的供电能力。设以ΔP为功率间隔,将风电出力范围[0,PG]划分为K个功率段,其中第i功率段的出力范围为[Pil,Piu](i=1,2,…,K)。设分析期内风电出力序列由Ntotal个出力值组成,可以统计落在每个功率间隔范围内的有功出力次数N(i)(i=1,2,…,K),则第i个功率段的概率为

2 风电出力时序场景缩减方法

电网中出力随时间的变化过程,可视为随机过程,其每日实际出现的出力过程为其中一个样本,也称为一个场景。场景缩减指从冗多的场景中,剔除相似程度较高的场景,余留少量具有代表性的场景集合。场景缩减的方法有聚类分析法(如K-mean法)、同步回代缩减法( synchronous backward reduction method)等[6-7]。本文采用同步回代缩减算法(SBRM)。

假设初始场景集为S,从S中剔除场景Q,余留场景集S-Q作为代表场景。集S中某个场景记为δi=(δ1i,δ2i,…,δti,…,δNi),其中δti表示第i个场景里第t时刻数值;N是1 d总时刻数。同步回代缩减算法(SBRM)计算步骤如下: 首先假定保留场景集S-Q中场景数J,令m=1,Qm-1=φ。

1)在场景集合S-Qm-1中,按下式计算两两场景间距离dij

2)计算场景δi与其它场景间的最小距离dik和概率距离zik

式中,k表示与δi具有最小距离的场景编号。

3)将最小概率距离zkm对应的场景δkm从场景集S-Qm-1中删除。令Q(m)=Q(m-1)∪{km},并将场景δkm的概率添加到与之距离最近的场景δk的概率上,即:

pk=pk+pkm

4)令m=m+1,返回至第①步,直到缩减至所需的保留场景数J。

3 计算结果及分析

采用2017年华中电网以15 min为时间粒度的风电出力序列,进行风电出力波动性和时序典型场景分析。

3.1 华中电网风电出力波动性分析

1)风电出力占比与概率分布。将各时刻风电出力除以对应月份装机容量,得到风电出力占比序列。以0.05为间隔,将[0,1]划分为20个区间,统计落在各个区间的出力占比的频率(概率),获得2017年风电出力占比频率直方图如图1所示。由图1可见,随着风电出力的增大,相应区间频率呈先增大后减小偏态分布趋势,且风电出力占比主要集中于0.05~0.3范围内,概率超过60%。风电出力小于30%风电总装机容量的概率超过0.70。说明2017年华中电网风电装机利用率较低。

图1 2017年风电出力占比频率直方图

2)出力变率。2017年风电出力变率最大值为0.06,最小值为-0.06。由于电网风电装机容量逐月在增加,分别以2017年底风电装机容量计,2017年15 min间隔的最大出力变幅为55.4万kW(增加)、-55.4万kW(减少)。另外,从出力变率的区间分布看,2017年15 min间隔出力变化在0~5.54万kW(增加)和-5.54万kW~0(减少)区间的概率均超过0.3,频率直方图呈对称分布。与2018年出力变率频率直方图比较,2017年更为尖瘦。

3)出力不均衡率。图2为2017年、2018年风电出力年不均衡率。从图2可见,2017年、2018年各月不均衡率有较明显差异。大体上1~6月月不均衡率相对较高,最大值1.0均出现在4月,最小值分别是0.54(2017年9月)和0.45(2018年10月)。说明2017年9月和2018年10月风电月均出力处于低水平。

图2 2017年、2018年风电出力年不均衡率图

分别计算2年1~12月的月不均衡率,各月每日不均衡率形态各异。各月最低日不均衡率大多在0.2附近,最大值与最小值之间相差约0.8。说明风电日均出力变化范围较月均出力变化范围大。图3分别是4月和10月的月不均衡率变化曲线。

图3 4月和10月风电出力不均衡率图

3.2 风电出力时序场景缩减

为消除各月装机容量不同的影响,采用风电相对出力(风电占比)时间序列进行分析。按年、季节和月,应用SBRM算法对风电日出力过程进行缩减。最佳场景数根据场景平均缩减QC指标与场景间平均QC指标比值确定。对2017年风电日出力过程的时序场景缩减结果进行分析,有如下认识。

1)分别按年、季节和月进行场景缩减,最佳场景数不同。按年缩减,最佳场景数为7(参见图4);按春夏秋冬四个季节缩减,最佳场景数为5或6(参见图5);按月缩减,最佳场景数为3、4和2(参见图6,仅列出4个月典型场景)。

2)分别按年、季和月提取的典型场景,日出力过程具有明显的规律性。全年出力典型场景(图4)自上而下可分为缓慢上升型、(缓慢)下降型、凹型波动和低水平波动型,其中最下面两个场景,因出力占比均小于0.2,归为低水平波动型。春季出力场景(图5(a))自上而下可分为上升型、下降型和凹型波动三种类型;夏季出力场景可分为凹型波动、低水平波动型二种类型;秋季可分为高水平波动型(出力占比大于0.4)、凹型波动、低水平波动型三种类型;冬季可分为上升型、下降型和低水平波动三种类型。对图6各月的典型场景可进行类似划分。

图4 2017年全年风电出力场景缩减结果图

图5 2017年各季节风电出力场景缩减结果图

图6 3、4、9和10月风电出力场景缩减结果图

3)根据缩减后各种场景类型的概率值,可以判断出力时序场景发生的可能性大小。以图6(d)10月为例,日出力过程出现凹型波动的机率达到2/3,而出现高水平波动型的机率仅1/3。从全年6个典型场景看,出现凹型波动的几率达到50%;从季节看,春季、夏季出现凹型波动的几率高于50%,秋季出现凹型波动的几率低于50%,冬季出现低水平波动的几率最大,超过60%。

4 结 语

作为大电网,华中电网2017年风电出力波动性具有如下特点:风电出力小于30%风电装机容量的概率超过0.70,15 min时间粒度的出力变化值在0~5.54万kW(增加)和-5.54万kW~0(减少)区间的概率均超过0.3,最大出力变化值为55.4万kW(增加)和-55.4万kW(减少),各月不均衡率和各日不均衡率变化剧烈,日均出力变化幅度大。按年、季和月提取的典型场景,日出力过程具有明显的规律性,可作为制定电力系统调度计划参考依据。

猜你喜欢
波动性装机容量装机
国家能源局:前三季度我国可再生能源新增装机9 036 万千瓦
2020年并网太阳能发电装机容量25343万千瓦,增长24.1%
我国核电装机容量突破5000万千瓦
2020 年上半年欧洲风电新增装机统计
2019年一季度我国光伏发电建设运行情况
光伏:分布式新增装机规模首次超越集中式
静电帽自动装配压装机的研发和应用
基于人民币兑欧元的马尔科夫机制转换的外汇汇率波动性研究
基于沪深300指数的价格发现及波动性研究
基于SV模型的人民币理财产品收益率波动性研究