一种风电场运行风险评估方法
【技术领域】
[0001] 本发明属于新能源电力设备安全评估技术领域，涉及一种风电场运行风险评估方 法。
【背景技术】
[0002] 为了合理调整电源结构，适应可持续化经济的快速发展，作为我国能源发展战略 的重要组成，新能源发电技术将成为发展重点。而风能在可再生能源中，相对是一种清洁且 成熟的能源，所以在世界范围内大力发展。
[0003]但是，风电机组长期运行在复杂恶劣的环境中，风速随机性大，造成风电机组停运 率较高，降低了风电场的经济性和稳定性。为了提高风电机组及整个风电场的运行可靠性， 量化风电场的风险程度，应综合全面考虑由于风速随机性引起的风功率预测误差及风电机 组短期停运概率两个方面对风电场实际运行的影响，实时评估风电场的运行风险。
[0004]目前主要是从风电场对整个电力系统稳定性的影响角度出发，对风电场的风险进 行评估，一般仅仅考虑风电机组的预测风速及控制能力等因素，但是没有考虑风电机组的 实时强迫停运。事实上，风电机组的停运率较传统的输变电设备，普遍偏高，另外停运概率 和风速随机性相关。在高风速运行环境下引起的强迫停运，一方面影响部分组件的寿命，另 一方面造成发电量损失。基于风电机组停运率较高，停运工况复杂，且风电机组维修的固定 成本较高的原因，通过优化维修决策来降低发电量损失存在局限性。当风电场以限功率条 件运行时，现有的研究往往通过风电功率的预测值来评定风电机组的出力情况，并计算此 时的运行风险，但是没有加入风电功率的预测误差和风电机组的强迫停运的情况。风速随 机性对风电功率的预测误差影响较大。同时和风速及预测时长有关。若忽略预测误差和强 迫停运的影响，会导致风电场运行风险评估不准确，从而引起风电场发电量的损失，造成风 电场可靠性的降低。所以，研究计及风功率预测误差和风电机组短期停运概率的风电场运 行风险评估，并以此指导风电场机组的功率分配具有重要的指导意义和应用价值。
【发明内容】
[0005] 有鉴于此，本发明的目的在于提供一种风电场运行风险评估方法，该方法从风电 场运行经济性的角度出发，以功率损失的大小量化风险的严重程度，从而实现风电场运行 风险评估；该方法综合考虑风功率预测误差及风电机组短期停运概率等不确定因素，分别 建立风速预测模型和风电机组停运概率模型，从而进行风电机组运行可靠性评估，通过运 行可靠性评估结果对风电机组功率损失进行计算，然后将风电场低可靠性的机组实现状态 划分，最后依据风电场风险指标获得风电场风险评估结果。
[0006] 为达到上述目的，本发明提供如下技术方案：
[0007] -种风电场运行风险评估方法，包括以下步骤：S1 :建立风速预测模型，对风电机 组风速进行预测；S2 :风电机组运行可靠性评估；S3 :风电机组功率损失与运行风险计算； S4 :风电场状态集合确定及各状态的概率；S5 :风电场各状态的功率损失与风电场运行风 险计算。
[0008] 进一步，在步骤S1中，采用ARMA预测法对风电机组风速进行预测，单机风速通过 计算各台机组在某预测时间间隔内的平均风速得到，可以体现机组所在区域内的风速情 况，风速预测的时间间隔分别设定为5分钟、10分钟、30分钟和60分钟；采用均方根误差 (MSE)、平均绝对误差（MAE)和平均相对误差（MAPE)刻画预测的准确度来全面反映预测效 果，如式（1)-(3)所示：
[0009]
[0010]
[0011]
[0012] 式中，yt'为时刻t的预测值，yt为时刻t的实测值，η为序列的长度。
[0013] 进一步，在步骤S2中，建立风电机组短期可靠性预测模型如下：
[0014] 1)风速相依的风电机组统计停运模型：
[0015] 根据可靠性指标和可靠度的基本定义，运行时间Τ作为随机变量，得到可靠度 R(t)为：
[0016] R(t)=P(T>t) (4)
[0017] 不可靠度F(t)为：
[0018] F(t) =l-R(t) =P(T>t) (5)
[0019] 由故障概率密度函数f(t)是不可靠度的导数，可知：
[0020]
(6)
[0021] 故障率作为风电机组停运模型的停运率，得到设备故障率：
[0022]
(7)
[0023] 在已知设备故障率λ⑴的情况下，对公式（7)两边进行积分得：
[0024]
[0025]
[0026] JQ
[0027] 公式（9)为停运概率和停运率的关系；
[0028] 将风谏以lm/s的间隔进行分区，每个风速区间的风电机组停运率即为：
[0029]
(I?
[0030] 式中，NV1为风速^情况下风电场所有风电机组的总停运次数，TV1为机组累计工作 时间；
[0031] 采用泊松分布进行可靠性分析，则计及风速的短期停运概率为：
[0032] Pt(t,v) =l-eMv)t (11)；
[0033]2)状态参数越限保护动作模型：
[0034] 采用BPNN的方法，建立状态参数广义模糊异常辨识模型；训练样本的选取考虑气 候条件的季节性、设备的个体差异和故障情况，选取各个季节下的正常运行时的数据对每 台机组独立建模，从而进一步得到状态参数预测残差以及残差分布函数；
[0035] 采用状态参数在"正常"情况下的样本训练得到的预测模型对处于非"正常"情况 的状态参数不能进行准确预测，为此，对状态参数预测结果进行了修正，通过将状态参数的 预测值和上一时刻预测残差进行相加，依据预测残差本身存在的分布特征，得到越限概率 即为：
[0036] PD(t+l) =P(Te>Tlin-Tf-￡ (t)) =l-FN(Tlin-Tf-￡ (t)) (12)
[0037] 式中，Pjt+l)为下一时刻状态参数的越限概率，Tlini为状态参数上限值，Tf为状态 参数预测值，ε(t)为t时刻预测残差，FN( ·)为状态参数预测模型的预测残差分布函数；
[0038] 在风电机组工作于正常模式，第1类状态参数的越限概率内容分为三部分：建立 状态参数预测模型、风速概率预测和状态参数概率预测，具体步骤如下：
[0039] (1)获取状态参数的异常情况：越限概率为0表示状态参数处于"正常"情况，结 束计算；当状态参数处于"注意"或"异常"，预测模型的训练样本采用当天之前1个月的数 据；若处于"异常"状态，预测模型的训练样本采用1个小时之前的数据；
[0040] (2)建立预测模型：由于状态参数类型不同，选择不同的输入参数；对于与温度无 关的状态参数，选择风速作为输入参数；对于温度参数，输入参数选择风速、环境温度及上 一时刻温度；
[0041] (3)采用ARMA预测法，对风速概率进行预测；第一步以风速预测模型计算预测风 速值vf(t+l)，第二步依据vf(t+l)所处风速区间和预测时间时间间隔得到风速预测的概率 密度函数，第三步离散化概率密度函数，计算各风速预测值Vj(t+1)及概率Pvj(t+1);
[0042] (4)状态参数预测：根据风速预测值V] (t+1)，通过预测模型进行状态参数预测； 设备温度参数的输入参数选择预测风速V] (t+1)、环境温度Ta(t+1)和本时刻自身温度 L(t);并且设环境温度在短期内不发生剧烈变化，即Ta(t+1)等于Ta(t);输出功率、叶轮转 速的输入参数选择预测风速Vj(t+Ι);
[0043] (5)依据公式（12)计算各预测风速'(t+1)下的参数越限概率Pu(t+1);通过公 式（13)计算参数i越限概率Mt+1);
[0044]
(13)
[0045] 式中，N为离散化风速误差的风速预测值的个数；
[0046] 当机组工作于限功率模式，第1类状态参数的越限概率内容计算分为两部分：建 立状态参数预测模型和状态参数概率预测，具体步骤如下：
[0047] (1)在工作于限功率模式下，叶轮转速及输出功率被直接控制，所以可设越限概率 很小，无需计算；当设备温度参数处于"正常"情况，越限概率计为〇,结束计算；当处于"注 意"状态，预测模型的训练样本采用当天之前1个月的数据；当处于"异常"状态，训练样本 采用1个小时之前的数据；
[0048] (2)建立设备温度的预测模型，输出功率、环境温度及上一时刻温度作为其输入参 数；
[0049] (3)状态参数预测：功率限值Plini(t+1)、环境温度1^+1)和本时刻自身温度Tjt) 作为输入参数；设环境温度在短期内不会发生剧烈变化，即Ta(t+1)等于Ta(t);
[0050] (4)依据公式（12)计算限功率Ρ1ιηι下的越限概率Pjt+1)，即状态参数i越限概率 Pzi (t+1)，完成计算；
[0051] 根据状态参数越限保护动作模型，计算每个状态参数的越限保护动作概率；基于 状态参撒械阻彳里柏油你的知拍短期停运概率Pzi为：
[0052] (14)
[0053] 式中，N表示状态参数个数，Pzi表示监测参数i的越限保护动作概率；
[0054] 结合风速相依的风电机组统计停运模型和参数越限保护动作模型，统计停运模型 的输入为