基于实测功率数据的风光输出特性分析

杨海威,谢宜宏,熊 毅,周 健,朱斌泉

(1.东北电力大学 电气工程学院,吉林 132012;2.国网浙江德清县供电公司,湖州 313200)

●新技术与应用●

基于实测功率数据的风光输出特性分析

杨海威1,谢宜宏1,熊 毅1,周 健2,朱斌泉2

(1.东北电力大学 电气工程学院,吉林 132012;2.国网浙江德清县供电公司,湖州 313200)

中国已进入能源发展的调整阶段,利用新能源发电是调整能源发展的重要趋势,其中风光互补发电是新能源发电的新兴方向,而分析风光输出功率的特性是评估风光互补发电系统对电网影响的重要内容。因此，笔者通过计算风光输出功率概率密度分布、输出功率波动量概率密度分布,以及分布函数的特性，分析了风光输出特性,并基于实测功率数据的算例，验证了风光互补发电能够提高新能源入网的利用率,削弱风电对电网的影响,风光互补发电可行。

风光互补;输出特性;波动特性;概率密度分布

当前,如何控制污染及发展新能源成为热点话题,能源发展从高碳走向低碳，从低效走向高效,从不清洁走向清洁,从不可持续走向可持续是大势所趋,也是发展的必然。在新能源发展过程中,必须逐步控制并摒弃传统污染能源,大力开发利用水能、风能、太阳能、生物质能等可再生清洁能源。截止到2014年,黑龙江省新能源和可再生能源发电装机规模突破600万kW,比上年增长13.8%,新能源和可再生能源发电装机占全省电力总装机的比例达24.3%,比上年提高2个百分点。其中,风电装机规模453.7万kW,增长15.7%;光伏发电装机规模1.1万kW,实现了从无到有的历史性突破。然而,风电机组的输出功率和风速有关,风作为风力发电的能量来源,并不像传统的火力发电等常规发电机组的能量来源那样根据需要来对发电进行控制,而且,风的随机性、间歇性使得风力发电对电网产生了影响;同样,光伏和风力发电一样,面临着相同的问题:光伏发电和气温、有无云遮挡太阳等基础因素有关,这些因素同风相似,都不能进行人为的灵活控制。因此,研究风电机组、光伏阵列的有功功率输出特性及风光互补发电系统输出特性具有重要意义。文献[1]根据风电功率数据提取波动分量,并采用带有位移因子和伸缩系数的t分布来描述风电功率波动特性的概率密度分布,随后分析了多种情况下t分布仍具有很好的实用性。文献[2-3]从风速的角度进行了研究,从风速的概率分布模型分析了风速对风电功率波动的影响,并提出用威布尔分布(weibull分布)等来计算风速的概率分布模型的相关参数。文献[4]构建了基于输出功率最大相关性原则的等效风速选取方法,提出了表征风电机组整体风能捕获特性的等效风能利用概念及其他重要结论。文献[5]通过分析光伏特性模型参数对输出特性的影响规律,提出一种求解最大功率点的计算方法,进而获得任意光照强度和环境温度下的光伏特性曲线。文献[6]总结出集中式光伏阵列处于复杂光照环境下的输出特性,建立了1种复杂光照环境下集中式光伏阵列输出特性的仿真模型。文献[7]建立了大规模并网风光互补发电系统动态分析模型,提出了基于功率变化率改进扰动观察最大功率跟踪算法。文献[8]通过对风光互补发电系统能量流动和运行特性的分析,提出了一种包括最大功率跟踪控制、负载功率跟踪控制、蓄电池充放电控制和系统保护运行等控制策略的协调控制方案。但这些研究都是对其发电系统的自身特性的研究,或者是对风光发电系统控制策略的研究,并没对风力发电和光伏发电捆绑发电的可行性提供基础的理论支持。因此,本文基于实测的风力发电数据和光伏发电数据,通过分析二者自身特性以及捆绑在一起的输出功率分布特性,进而提供风光捆绑发电可行性的理论基础,希望对处于起步阶段的光伏发电。风光互补发电甚至对新能源发电的分析和研究起到促进作用。

1 风电和光伏的输出特性

当前,基于实测的输出功率数据来分析风电功率和光伏发电功率的输出特性是使用较常规的方法,本文所使用的数据是间隔为15 min的风电功率数据和光伏发电数据,时间长度为一天,共有96个数据采样点,因此,能够反映在一个完整的负荷周期内的风电和光伏的输出特性。通常情况下,认为风电机组的输出功率和风速具有下列关系:

(1)

式中:P(v)为即时的功率数据;ρ为空气密度;Cp为风能捕获系数;A为风力发电机叶片扫过的面积;v为风速;vin为切入风速;vr为额定风速;vout为切出风速。

光伏发电的输出功率大小取决于光伏面板的能量转换效率ηct和入射太阳辐照度,它们的关系为

pmt=ηctSCAIβt

(2)

式中,SCA为电池面积,Pmt为t时刻太阳输出功率;Iβt为t时刻斜面上的太阳幅照度。风电机组、光伏太阳板和二者捆绑在一起的实时功率分布如图1所示。

图1 实时功率分布图

从图1可以发现,风光捆绑后向电网输送时,达到了风光互补。假设以0.2倍的额定容量为入网的下限,当只有风电向电网输送功率时,约有50个数据采样点的持续时间可参加电网的调度;当只有光伏发电向电网输送功率时,约有30个数据采样点的持续时间可参加电网的调度,而风光二者捆绑向电网输送功率时,约有70～80个数据采样点的持续时间可参加电网的调度,补偿了没有风和没有光照对单独发电系统的影响,大大的增加了新能源发电占发电总量的可利用率。相对波动剧烈的风力发电,光伏发电对电网的影响相对较小,风光的输出特性在没有太阳光照射时(对应约10～35数据采样点持续的时间段)就是风电自身的输出特性,在没有超过切入风速的风速推动风电机组发电时(对应约50～75数据采样点持续的时间段)就是光伏发电的输出特性。同时,在每天的中午,风光互补发电系统的输出功率会达到一个或几个极大值,需要进行人为调度或增加储能系统,以保证电网的安全。

2 风电和光伏的输出功率波动特性分析

2.1 风光输出功率波动量的选取

根据输出功率的实测值形成波动特性的统计量并不是唯一的,本文使用一阶差分量Y(t+Δt)-Y(t)作为衡量风光输出功率波动特性的量化指标,Δt在本文中的取值为15 min,风电功率、光伏和风光互补发电系统的波动情况如图2～4所示。

从图2～4可以发现,风电的波动最为剧烈,偏离横轴的程度最大,无法判断较长时间段内输出功率的增减性。光伏发电的输出功率相对平缓,一阶差分量的值远比风电功率波动的差分量的值小得多,并且可以清晰的得到从第30至第50个数据采样点所对应的时间段内,光伏发电的输出功率逐渐增加,从第50至第70个数据采样点所对应的时间段内,光伏发电的输出功率逐渐下降。当进行风光捆绑外送功率时,其输出功率波动较风电功率的输出功率波动平缓,较光伏输出功率波动剧烈,并且,也无法简单的判断一段时间内输出功率的增减性。

图2 风力发电输出功率波动量的散点图

Fig.2 Scatterplot of wind power output power fluctuation quantity

图3 光伏发电输出功率波动量的散点图

Fig.3 Scatterplot of photovoltaic power generation output fluctuation quantity

图4 风光互补发电发电输出功率波动量的散点图

Fig.4 Scatterplot of output power fluctuation amount for wind and light complementary power generating system

2.2 风光输出功率波动量的概率密度分布

以风电功率、光伏输出功率和风光互补发电系统外送功率的一阶差分量为统计量,统计其概率密度分布,即可得到输出功率波动量的概率密度分布函数,其结果如图5所示。

图5 输出功率波动量的概率密度分布图

Fig.5 Probability density distribution map of output power fluctuation quantity

从效果图5可以得知,风力发电和风光互补发电在15 min的间隔内,在±0.2倍的额定容量内波动的概率最大,而光伏发电只在±0.1倍的额定容量内波动,风光互补发电的波动特性主要为风力发电的波动特性。风力发电波动量的右偏性明显,这说明风力发电的加速过程时间长度大于加速时间,从侧面说明了风电场选址的正确性。风光互补发电的波动量分布趋于对称分布,范围在±0.4倍的额定容量,这个结果表明,加入了光伏发电后,风光互补发电的波动程度减弱,风光互补发电的输出功率数据中,极端的数据分布减小,可以推想,当几个光伏发电基地和一个风力发电共同向电网输送功率时,风电功率的波动特性对电网的影响将会更大程度地被减小。

3 风光互补发电系统输出特性分析

对于波动剧烈的风力发电,通常用2种方法来刻画其功率的输出特性,一种是基于随机序列的方法,包括马尔可夫链、蒙特卡洛理论以及其他随机过程模型;另一种是基于概率密度函数的方法。本文将风光互补发电系统的输出功率从0到最大值分成N个区间,每个区间可以称作一个小功率区间,那么每个小功率区间的频数不尽相同,因而形成不同高度的矩形。当所有的矩形的面积为1时,每一个功率区间的频率就是此功率区间在功率总体分布中出现的概率,将每个区间中点对应的概率值连接起来就形成了总体功率的概率密度曲线,风光互补系统的输出功率的概率密度分布情况如图6所示。

统计风力发电、光伏发电和风光互补发电输出功率的概率密度分布,得到的概率密度分布函数曲线如图7所示。

从图6、图7可以得出,风光互补发电对电网是有益的,首先降低了风力发电或光伏发电出现不出力或很少出力的情况的概率,风力发电从约60%、光伏发电从约45%下降到了30%左右;其次,持续出力的情况大大增强,风光互补发电在0～0.4和0.6～0.9倍的额定容量内都能以10%的概率运行;最后,风光互补发电的输出功率概率密度分布函数曲线平缓,在一定的时间段内呈现相同的增减性,即风光互补发电后,极端的功率数据减少,对应的物理过程可以解释为风力发电的快速变化分量并没有全部流向电网,其中一部分被光伏发电系统吸收。值得注意的是风光互补发电会出现超容量运行,且对应的概率值并不可以忽略,但这种结果也从侧面说明了风光互补发电有必要增加储能系统。

图6 风光互补发电系统输出功率的概率密度分布

图Fig.6 Probability density distribution map of output power for coind and light complementary power generating system

图7 三种发电方式输出功率的概率密度分布图

Fig.7 Probability density distribution maps of three kinds of power generation output power

4 结 论

本文通过实测的功率数据,通过对数据的分析,得到了以下结论。

1) 风光互补发电增加了单一形式发电的入网时间,提高了新能源发电的利用率。

2) 风光互补发电的波动特性主要是风力发电的波动特性,且波动程度减弱;部分风力发电的快速变化量被光伏系统吸收。

3) 风光互补发电具有很高的可行性,且是新能源发电中主要的发展方向。

[1] 林卫星, 文劲宇, 艾小猛, 等. 风电功率波动特性的概率分布研究[J]. 中国电机工程学报, 2012, 32(1): 38-46. LIN Weixing, WEN Jinyu, AI Xiaomeng, et al. Probability density function of wind power variations [J]. Proceedings of the CSEE, 2012, 32(1): 38-46.

[2] 丁明, 吴义纯, 张立军. 风电场风速概率分布参数计算方法的研究[J]. 中国电机工程学报, 2005, 25(10): 107-110. DING Ming, WU Yichun, ZHANG Lijun. Study on the algorithm to the probabilistic distribution parameters of wind speed in wind farms [J]. Proceedings of the CSEE, 2005, 25(10): 107-110.

[3] 牟聿强, 吴秀丽, 别朝红, 等. 风电场风速随机性及容量系数分析[J]. 电力系统保护与控制, 2009, 37(1): 65-70. MU Yuqiang, WU Xiuli, BIE Zhaohong, et al. Analysis of wind speed probability distribution and wind turbine generator capacity factor [J]. Power System Protection and Control, 2009, 37(1): 65-70.

[4] 严干贵, 李宏博, 穆钢, 等. 基于等效风速的风电场等值建模[J]. 东北电力大学学报, 2011, 31(3): 13-19. YAN Gangui, LI Hongbo, MU Gang, et al. Equivalent model of wind farm by using the equivalent wind speed [J]. Journal of Northeast Dianli University, 2011, 31(3): 13-19.

[5] 卫东, 楼洪,肖昌允. 太阳能光伏输出特性最大功率点计算与模型参数求解[J]. 中国电机工程学报, 2013, 33(10): 121-127. WEI Dong, LOU Hong, XIAO Changyun. Calculation of maximum power point and solution of model parameters for solar photovoltaic output characteristics [J]. Proceedings of the CSEE, 2013, 33(10): 121-127.

[6] 吴小进,魏学业,于蓉蓉.复杂光照环境下光伏阵列输出特性研究[J]. 中国电机工程学报, 2011, 31(S1): 162-167. WU Xiaojin, WEI Xueye, YU Rongrong. Study of output characteristics of PV array under complicated illumination environment [J]. Proceedings of the CSEE, 2011, 31(S1): 162-167.

[7] 蔡国伟,孔令国,杨德友.大规模风光互补发电系统建模与运行特性研究[J]. 电网技术, 2012, 36(1): 65-71. CAI Guowei, KONG Lingguo, YANG Deyou. Research on modeling and operation characteristics analysis of large-scale wind & light complementary electricity-generating system [J]. Power System Engineering, 2012, 36(1): 65-71.

[8] 齐志远,王生铁,田桂珍.风光互补发电系统的协调控制[J]. 太阳能学报, 2010, 31(5): 654-660. QI Zhiyuan, WANG Shengtie, TIAN Guizhen. Coordination control of wind/PV hybrid system [J]. Acta Energiae Solaris Sinica, 2010, 31(5): 654-660.

(责任编辑 郭金光)

Output characteristic analysis of wind and solar hybrid generation system based on real measured power data

YANG Haiwei1, XIE Yihong1, XIONG Yi1, ZHOU Jian2, ZHU Binquan2

(1.School of Electrical Engineering, Northeast Dianli University, Jilin 132012, China;2. State Grid Zhejiang Deqing Electric Power Supply Company, Huzhou 313200, China)

China has entered an adjustment period of energy development, providing a new direction for new energy, the significant part of energy adjustment, which is wind and solar hybrid power generation. To evaluate the influence of wind and solar hybrid system on power grid, the key point is the analysis of the characteristics of wind and solar output power. This paper explains the output characteristics of wind and solar hybrid system on the basis of the calculation of the probability density distribution of wind and solar output power, wind and solar output power variations and the characteristics of the distribution function. The analysis of the example based on the real measured power data shows that wind and solar power generation, which is proved to be feasible, can improve the utilization of grid-connected new energy, weaken the influence of wind power on the grid.

wind and solar hybrid; output power characteristics; variations; probability density distribution

2015-03-10。

杨海威(1990—),男，在读硕士研究生,主要从事新能源发电联网运行关键技术的研究。

TM615

A

2095-6843(2015)04-0343-04