长时间尺度风电出力时间序列建模新方法研究.pdf

第４１卷第１期２０１３年１月１日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶ０１．４１ＮＯ．１Ｊａｎ．１．２０１３长时间尺度风电出力时间序列建模新方法研究刘纯，吕振华，黄越辉，马烁，王伟胜（中国电力科学研究院，北京１００１９２）摘要：通过分析风电出力时间序列内部组成结构，提出了一种构造未来风电出力场景的新方法。该方法首先对风电出力时间序列进行滤波和理想化处理，然后将风电出力时间序列划分为风过程和片段并统计风过程转移概率和片段概率分布，最后序贯抽样风过程和片段得到模拟风电时间序列。通过比对历史风电出力和模拟风电出力的特性，验证了新方法的可靠性。该方法为研究风电规划、风电容量可信度、风电接入后系统可靠性和风电接纳能力评估打下了基础。关键词：风电时间序列构造；片段；风过程；概率统计Ａｎｅｗｍｅｔｈｏｄｔｏｓｉｍｕｌａｔｅｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓｏｆｌａｒｇｅｔｉｍｅｓｃａｌｅ—ＬＩＵＣｈｕｎ，ＬｔｉＺｈｅｎ－ｈｕａ，ＨＵＡＮＧＹｕｅ－ｈｕｉ，ＭＡＳｈｕｏ，ＷＡＮＧＷｅｉｓｈｅｎｇ（ＣｈｉｎａＥｌｅｃ￣ｉｃＰｏｗｅｒＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ１００１９２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｅｗｍｅｔｈｏｄｔｏｓｉｍｕｌａｔｅｔｈｅｐｏｓｓｉｂｌｅｓｃｅｎａｒｉｏｓｏｆｗｉｎｄｐｏｗｅｒａｆｔｅｒａｎａｌｙｚｉｎｇｔｈｅｉｎｔｅｒｎａｌ’ｃｏｍｐｏｓｉｔｉｏｎｏｆｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓ．Ｔｈｉｓｍｅｔｈｏｄａｔｆｉｒｓｔｆｉｌｔｅｒｓａｎｄｉｄｅａｌｉｚｅｓｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｌｉｅｓ，ｔｈｅｎｄｉｖｉｄｅｓｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓｉｎｔｏｗｉｎｄｐｒｏｃｅｓｓａｎｄｆｒａｇｍｅｎｔａｎｄｃｏｕｎｔｓｔｈｅｔｒａｎｓｉｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｏｆｗｉｎｄｐｒｏｃｅｓｓｅｓａｎｄｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｏｆｆｒａｇｍｅｎｔｓ，ａｔｌａｓｔｓａｍｐｌｅｓｓｅｑｕｅｎｔｉａｌｌｙｗｉｎｄｐｒｏｃｅｓｓｅｓａｎｄｆｒａｇｍｅｎｔｓｔｏａｃｑｕｉｒｅｓｉｍｕｌａｔｅｄｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓ．Ｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓｇｅｎｅｒａｔｅｄｂｙｎｅｗｍｅｔｈｏｄｍａｔｃｈｈｉｓｔｏｒｉｃａｌｄａｔａｏｎｆｅａｔｕｒｅｓｃｏｎｃｅｒｎｅｄ．Ｔｈｉｓｎｅｗｍｅｔｈｏｄｌａｙｓｆｏｕｎｄａｔｉｏｎｆｏｒｗｉｎｄｐｏｗｅｒｐｌａｎｎｉｎｇ，ｗｉｎｄｐｏｗｅｒｃａｐａｃｉｔｙｃｒｅｄｉｔ，ａｓｓｅｓｓｍｅｎｔｏｆｒｅｌｉａｂｉｌｉｔｙｏｆｐｏｗｅｒｓｙｓｔｅｍｉｎｔｅｇｒａｔｉｎｇｗｉｎｄｐｏｗｅｒａｎｄｔｈｅａｂｉｌｉｔｙｏｆｉｎｔｅｇｒａｔｉｎｇｗｉｎｄｐｏｗｅ￣—ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｓｅｄｂｙＮａｔｉｏｎａｌＨｉｇｈｔｅｃｈＲ＆ＤＰｒｏｇｒａｍｏｆＣｈｉｎａ（８６３Ｐｒｏｇｒａｍ１（Ｎｏ，２０１１ＡＡ０５Ａ１０１）．Ｋｅｙｗｏｒｄｓ：ｗｉｎｄｐｏｗｅｒｔｉｍｅｓｓｅｒｉｅｓｓｉｍｕｌａｔｉｏｎ；ｆｒａｇｍｅｎｔ；ｗｉｎｄｐｒｏｃｅｓｓ；ｐｒｏｂａｂｉｌｉｔｙａｎｄｓｔａｔｉｓｔｉｃｓ中图分类号：ＴＭ６１９文献标识码：Ａ——文章编号：１６７４３４１５（２０１３）０１－０００７０７０引言我国风电近年来持续快速发展，根据全球风能理事会发布的数据２０１１年中国新增装机容量１８ＧＷ，累计装机容量达到６２．７ＧＷ，新增装机容量…和累计装机容量均居世界第一。根据国家发改委能源研究所发布的《中国风电发展路线图２０５０）），中国发展风电的战略目标是到２０２０年中国风电装机容量达到２００ＧＷ，到２０３０年达到４００ＧＷ，到２０５０年达到１０００ＧＷＬ２Ｊ，未来４０年风电在中国将保持快速发展的势头。风电的快速发展给中国经济的发展注入了新的活力，然而也给电力系统的安全稳定运行带来了很大的挑战。风电对电力系统规划、基金项目：国家高技术研究发展计划（８６３计划）资助项目—（２０１１ＡＡ０５Ａ１０１）；国家电网公司科技项目（ＮＹ７卜１２０１０）风电接入后电力系统的可靠性及电力系统运行造成了很大影响４Ｊ，如何评估风电容量可信度及系统的风电接纳能力的问题亟需解决ｐＪ。对于风电这种不确定性电源，现有研究多为采用时序仿真方法研究其对电力系统运行的影响，首先对风电时间序列进行建模，然后应用随机生产模拟系统运行，统计各项运行指标得到结果［６－１１］，风电出力时间序列建模是一个十分基础的环节。近年来，有大量学者对风电时间序列特性及模—型进行了研究。文献［６７１根据风速服从威布尔分布随机抽样风速时间序列并转化成风电出力时间序列，但这种方法得到的风电出力时间序列没有包含实际风电出力的时序性，得到的风电出力极有可能会出现短时的波动非常大，不符合实际出力的情况。文献［８．９］根据时间序列ＡＡ及相关衍生模型对风电出力时间序列进行建模，此方法适用于短时风电力系统保护与控制功率预测，但长时间尺度模拟时风电出力水平的概率分布难以保证。文献［１０】根据风电装机容量的变化对历史出力稍加调整，将调整后的出力直接应用到电力系统分析，此方法可靠性较高，但结果比较片面，由于风电出力的年际变化、月际变化、日际变化都比较大，得到的结果不能有效地推广，不能对未来进行有效的评估。文献【１１］关注于风速本身所具有的性质，提出了基于风速周期性及连续性的风速组合模型，但此方法将一天的风电出力当作一个单元不尽合理。文献［１２］用基于随机差分方程的扩散过程模拟风电时间序列，该方法保证了风电出力的概率分布和自相关特性符合实际情况，但无严格证明风电时间序列服从由随机差分方程确定的扩散过程。文献［１３］对风速时间序列进行频谱分析，利用小波逆变换得到风速时间序列。这种方法可以得到符合波动特性的风速时间序列，但不能完整地模拟风速的随机性和波动性。文献［１４］￣ＪＪ用马尔科夫随机过程模拟风电出力时间序列。这种方法从概率角度看没有问题，各项统计指标均合理，但没有考虑长时问尺度内风的相关性，导致应用价值不大。本文提出了一种构造未来风电出力场景的新方法，首先考虑将风电出力时间序列划分为片段和风过程，根据概率统计的方法模拟风电出力时间序列，并将模拟风电出力时间序列与历史风电出力时间序列在特性上加以比较，得到的模拟风电出力时间序列能够很好地表征风电出力变化特性。１风电出力时间序列模型评价标准风电出力时间序列模型的评价标准是历史风电出力时间序列所表现出来的特性，本文从概率分布、短时波动性、相关特性三个方面评价风电出力时间序列模型。（１）概率分布：即风电出力的概率分布特性。（２）短时波动性：即短时（１５ｍｉｎ、１ｈ等）最大波动概率分布特性。（３）相关特性：即风电出力时间序列的白相关系数和偏白相关系数。２构造模拟风电出力时间序列本文搜集了国内某省部分风电场２００９年ｌ０月１６日到２０１１年９月２６日共６８１６０个出力数据，时间分辨率为１５ｒａｉｎ，基于此数据阐述构造模拟风电出力时间序列的方法。２．１滤波原始风电出力时间序列中含有各种各样的噪声，需要对历史风电出力数据进行滤波，得到风电出力时间序列的轮廓和滤波误差。考虑到对风电时间序列进行频谱分析时风电出力时间序列频谱分布不规则并且随时间的变化而变化，因此考虑对风电出力时间序列进行小波滤波。小波分析中蕴含的多分辨率分析理论为人们讨论信号的局部信息提供了直观的框架，尤其对于频率随时间变换的非平稳时问信号，可以分辨出非平稳时间信号的慢变低频信号和快变高频信号，即轮廓部分和细节部分，基于Ｍａｌｌａｔ算法的多分辨率分析可以实现信号的塔式多分辨率分解和重构，如图１所示，设Ｈ，ｆ为能量有∈限信号厂（Ｒ）在分辨率２，下的近似，则Ｈｆ可以进一步分解为厂在分辨率２，。下的近似Ｈ。ｆ（通过低通滤波器得到），以及位于分辨率２，和２ｊ之间的细节Ｄ１ｆ（通过高通滤波器得到）之和【Ｊ。低频分解——＿＋Ｈｆ＼高频分解ＤＩｆ图１Ｍａｌｌａｔ算法Ｆｉｇ．１Ｍａｌｌａｔａｌｇｏｒｉｔｈｍ对风电出力时间序列进行小波滤波，得到风电出力轮廓如图２所示。２０１１．２２６２Ｏｌ１．２２７州问图２风电出力时间序列滤波Ｆｉｇ．２Ｆｉｌｔｅｒｉｎｇｏｆｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓ２．２片段、风过程划分在风电出力时间序列构造过程中，考虑到地面风受太阳辐射、地转偏向力、海洋和地形方面的影响导致风向和风速的时空分布较为复杂。ｌ，因此从风电出力时间序列自身入手，寻找内在的规律性。首先观察风电出力时间序列滤波后的轮廓，发现风电出力在大多数情况下从极大值（极小值）开始缓慢减小（增加），然后加速减小（增加），最后缓慢减小（增加）到极小值（极大值）。因此考虑在风电出力时间序列的轮廓的极值点处将风电出力时间序列划分为首尾相连的片段并对片段的一阶差分进行『／一＼刘纯，等长时间尺度风电出力时间序列建模新方法研究归一化处理，如图３所示，图３中横坐标也进行了归一化处理，即片段的时间点数除以片段的总长度。由图可以看出，大部分片段的一阶差分的归一化值服从类似抛物线分布，用图中灰线所示抛物线代替片段一阶差分函数，可以得到理想片段，称这一过程为将风电出力理想化。根据抛物线的顶点（０．５，１）及与ｘ轴的两个交点（０，０）、（１，０），可以得到灰色曲线的函数表达式为姜。翥。一６矗上０．４鑫１Ｏ．２０．０ｆ（ｘ）＝一４・（ｘ一０．５）２＋１（１）０００．２０．４０．６０．８１０归一化时间图３片段理想化Ｆｉｇ．３Ｉｄｅａｌｉｚａｔｉｏｎｏｆｆｒａｇｍｅｎｔｏｆｗｉｎｄｐｏｗｅｒｓｅｒｉｅｓ通过分析原始滤波后片段的一阶差分与理想片段的一阶差分的相关系数可以定量分析片段是否可以理想化处理。图４为不同滤波形式时片段与理想片段的相关程度，从图中可以看出利用ｄｂ９小波进行４尺度滤波时超过８０％的片段与理想片段的相关系数在０．７５以上。但是从图５可以看出滤波尺度越大，理想化出力后产生的误差越大，若滤波尺度过大，理想化后出力可能会严重偏离实际出力，因此应恰当选择滤波尺度及滤波基小波。相关系数图４不同滤波尺度下片段与理想片段相关系数概率统计Ｆｉｇ．４Ｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｏｆｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｏｆａｃｔｕａｌｆｒａｇｍｅｎｔａｎｄｉｄｅａｌｆｒａｇｍｅｎｔｕｎｄｅｒｄｉｆｆｅｒｅｎｔｆｉｌｔｅｒｉｎｇｓｃａｌｅ‘归化误差图５不同滤波尺度下理想化产生的误差概率统计Ｆｉｇ．５Ｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅｒｒｏｒａｆｔｅｒｉｄｅａｌｉｚａｔｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｆｉｌｔｅｒｉｎｇｓｃａｌｅ把风电出力时间序列轮廓所有片段处理成理想片段，处理结果如图６所示。图６风电出力时间序列理想化处理Ｆｉｇ．６Ｉｄｅａｌｉｚａｔｉｏｎｏｆｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓ利用原风电出力时间序列减去理想风电出力时间序列可得理想化处理误差。一个地域在短时段内总是在一定的天气系统控制之下，这些天气系统包括高压、低压、高压脊、低压槽、雷暴、龙卷风等等＿】，借鉴文献［１８］中风过程的想法，将风电出力时间序列划分为不同的风过程，用以表示不同的天气过程。文献［１８］在极值点处划分不同种类风过程，将风速时间序列划分为五种风过程，本文将风过程简化为三类：低出力风过程、小波动风过程、大波动风过程。低出力风过程指起始值和结束值（起始值和结束值均为极值点）均小于判别阈值７１ｌ且风过程中最大值小于等于判别阈值１的风电出力时间序列片段；小波动风过程指风过程内部首尾两个极值点之间的值大于判别阈值１且小于等于判别阈值的风电出力时间序列片段；大波动风过程指风过程内部首尾两个极值点之间的值大于判别阈值丌且风过程中最大值大于判别阈值的风电出力时间序列片段。基于本刘纯，等长时间尺度风电出力时间序列建模新方法研究…率分布即为（，ｘ２），同理可得三维随机抽样。抽样的流程为先随机序贯抽样风过程序列，然后根据不同的风过程采用不同的处理方法将风过程序列转化为风电出力时间序列。转化过程中若风过程是低出力风过程，则根据低出力风过程持续时间概率分布，随机抽样低出力风过程持续时间，然后将风电出力时问序列中相应位置相应长度的序列置零得到低出力风过程；若风过程是小波动风过程，则首先根据小波动风过程的起始片段三维概率分布，随机抽样小波动风过程的起始片段，根据小波风过程内部片段（包括上升片段和下降片段）的个数的概率分布随机抽样内部片段个数，根据起始片段的结束值和小波动风过程下降片段三维概率分布随机抽样小波动风过程下降片段，根据下降片段的结束值和上升片段三维概率分布随机抽样上升片……段，直至片段个数达到抽样得到的片段个数，最后利用最后一个上升片段的结束值和截止片段的三维概率分布随机抽样小波动风过程的截止片段，将各个片段首尾连接起来即得到模拟的小波动风过程出力时间序列，片段内部服从之前设定的理想片段的抛物线模式；若风过程是大波动风过程，基本流程与小波动风过程是相同的。抽样得到风电出力轮廓结果如图８所示。图８序贯抽样风电出力轮廓Ｆｉｇ．８Ｓｅｑｕｅｎｔｉａｌｓａｍｐｌｉｎｇｔｏａｃｑｕｉｒｅｔｈｅｏｕｔｌｉｎｅｏｆｓｉｍｕｌａｔｅｄｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓ２．５添加误差由于滤波和理想化得到的误差有特定的概率分布和相关特性，暂时没有找到合适的模拟方式模拟误差，因此略过了误差的模拟而直接用滤波和理想化得到的误差，添加的误差方式为在某一风过程中抽取结束后顺次从历史误差中抽取相应长度的误差加到相应的风电出力轮廓中即得到模拟风电出力时问序列，如图９所示。图９模拟风电时间序列Ｆｉｇ．９Ｓｉｍｕｌａｔｅｄｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓ２．６模拟风电出力时间序列可靠性检验得到模拟风电时间序列后需要检验其可靠性，根据之前统计得到的指标需要检验其概率分布、短时波动性、白相关特性，历史风电出力时间序列和模拟风电时间序列对比如图ｌ０～图１４所示。图１０历史数据与模拟数据概率分布对比Ｆｉｇ．１０Ｃｏｍｐａｒｉｓｏｎｏｆｈｉｓｔｏｒｉｃａｌａｎｄｓｉｍｕｌａｔｅｄｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓｉｎｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎ图１１历史数据与模拟数据１５ｍｉｎ最大波动概率分布对比Ｆｉｇ．１１Ｃｏｍｐａｒｉｓｏｎｏｆｈｉｓｔｏｒｉｃａｌａｎｄｓｉｍｕｌａｔｅｄｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓｉｎｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅｌａｒｇｅｓｔｆｌｕｃｔｕａｔｉｏｎｉｎ１５ｍｉｎｕｔｅｓ一１２．电力系统保护与控制婚董，辟疑最大波动／范围占比图１２历史数据与模拟数据６Ｏｍｉｎ最大波动概率分布对比Ｆｉｇ．１２Ｃｏｍｐａｒｉｓｏｎｏｆｈｉｓｔｏｒｉｃａｌａｎｄｓｉｍｕｌａｔｅｄｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓｉｎｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅｌａｒｇｅｓｔｆｌｕｃｔｕａｔｉｏｎｉｎ６０ｍｉｎｕｔｅｓ２ｆ最ｋ图１３历史数据与模拟数据自相关系数对比Ｆｉｇ．１３ＣｏｍｐａｒｉｓｏｎｏｆｈｉｓｔｏｒｉｃａｌａｎｄｓｉｍｕｌａｔｅｄｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓｉｎａｕｔｏｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓＺＬ堡图１４历史数据与模拟数据偏自相关系数对比Ｆｉｇ．１４Ｃｏｍｐａｒｉｓｏｎｏｆｈｉｓｔｏｒｉｃａｌａｎｄｓｉｍｕｌａｔｅｄｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓｉｎｐａｒｔｉａｌａｕｔｏｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓ由图可以看出模拟风电出力时间序列有较高的可靠性。３结论本文提出了一种风电出力时间序列构造新方法，该方法首先对历史风电时问序列进行小波滤波和理想化处理，然后把滤波后风电出力时间序列划分为风过程和片段，将风过程转移看作马尔科夫随机过程，片段在风过程内部随机分布，统计风过程转移概率和片段概率分布，最后通过序贯抽样技术随机抽取风过程及风过程内部的片段并添加误差得到模拟风电出力时间序列。经过检验，该方法构造的模拟风电出力时间序列与历史风电出力时问序列的各项指标相符合，并且采用随机抽样技术保证了风电出力的随机性，可以依概率模拟风电出力的各种可能场景。通过该方法得到的模拟风电时间序列可以用于电力系统规划、风电容量可信度评估、含风电的电力系统可靠性评估及系统的风电接纳能力评估等方面的研究。参考文献［１］ＧＷＥＣ．全球风电装机数据２０１１［Ｒ］．Ｂｒｕｓｓｅｌｓ：ＧＷＥＣ，２０１２．ＧＷＥＣ．Ｇｌｏｂａｌｗｉｎｄｐｏｗｅｒｃａｐａｃｉｔｙｓｔａｔｉｓｔｉｃ２０１１［ＲＪ．Ｂｒｕｓｓｅｌｓ：ＧＷＥＣ，２０１２．［２］国家发展和改革委员会能源研究所，国际能源署．中国风电发展路线图２０５０［Ｒ１．北京：国家发展和改革委员会能源研究所，２０１１．ＥｎｅｒｇｙＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅＮａｔｉｏｎａｌＤｅｖｅｌｏｐｍｅｎｔａｎｄＲｅｆｏｒｍＣｏｍｍｉｓｓｉｏｎ，ＩｎｔｅｒｎａｔｉｏｎａｌＥｎｅｒｇｙＡｇｅｎｃｙ．Ｃｈｉｎａｗｉｎｄｒｏａｄｍａｐ２０５０［Ｒ］．Ｂｅｉｊｉｎｇ：ＥｎｅｒｇｙＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅＮａｔｉｏｎａｌＤｅｖｅｌｏｐｍｅｎｔａｎｄＲｅｆｏｒｍＣｏｍｍｉｓｓｉｏｎ，２０ｌ１．［３］袁建党，袁铁江，晁勤，等．电力市场环境下大规模电并网系统电源规划研究【Ｊ］．电力系统保护与控制，—２０１１，３９（５）：２２２６．ＹＵＡＮＪｉａｎ－ｄａｎｇ，ＹＵＡＮＴｉｅ－ｊｉａｎｇ，ＣＨＡＯＱｉｎ，ｅｔａ１．Ｓｔｕｄｙｏｆｇｅｎｅｒａｔｉｏｎｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇｏｆｔｈｅｐｏｗｅｒ—ｓｙｓｔｅｍｉｎｃｏｒｐｏｒａｔｉｎｇｌａｒｇｅｓｃａｌｅｗｉｎｄｐｏｗｅｒｉｎｔｈｅｅｎｖｉｒｏｎｍｅｎｔｏｆｅｌｅｃｔｒｉｃｉｔｙｍａｒｋｅｔ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍ—ＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１１，３９（５）：２２２６．［４］余民，杨曼宸，蒋传文，等．风电并网后电力系统町靠性评估和备用优化研究【Ｊ】．电力系统保护与控制，—２０１２，４０（１２）：１００１０４．—ＹＵＭｉｎ，ＹＡＮＧＭｉｎ－ｃｈｅｎ，ＪＩＡＮＧＣｈｕａｎｗｅｎ，ｅｔａ１．Ｓｔｕｄｙｏｎｐｏｗｅｒｓｙｓｔｅｍｒｅｌｉａｂｉｌｉｔｙａｎｄｒｅｓｅｒｖｅｏｐｔｉｍｉｚａｔｉｏｎｗｉｔｈｗｉｎｄｐｏｗｅｒｉｎｔｅｇｒａｔｉｏｎ［Ｊ］．Ｐｏｗｅｒ—ＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２，４０（１２）：１００１０４．［５］刘新东，方科，陈焕远，等．利用合理弃风提高大规模风电消纳能力的理论研究［Ｊ］．电力系统保护与控制，２０１２，４Ｏ（６）：３５－３９．——ＬＩＵＸｉｎｄｏｎｇ，ＦＡＮＧＫｅ，ＣＨＥＮＨｕａｎｙｕａｎ，ｅｔａ１．刘纯，等长时间尺度风电出力时间序列建模新方法研究．１３．Ｒｅｓｅａｒｃｈｏｎｒａｔｉｏｎａｌｗｉｎｄｐｏｗｅｒｃａｓｔｉｎｇｔｈｅｏｒｙｆｏｒ—ｌａｒｇｅｓｃａｌｅｗｉｎｄｐｏｗｅｒｉｎｔｅｇｒａｔｉｏｎｉｍｐｒｏｖｅｍｅｎｔ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２，４Ｏ（６）：３５．３９．［６］陈树勇，戴慧珠，白晓民，等．风电场的发电可靠性模型及其应用［Ｊ］．中国电机工程学报，２０００，２０（３）：２６－２９．—ＣＨＥＮＳｈｕｙｏｎｇ，ＤＡＩＨｕｉ－ｚｈｕ，ＢＡＩＸｉａｏ－ｍｉｎ，ｅｔａ１．Ｒｅｌｉａｂｉｌｉｔｙｍｏｄｅｌｏｆｗｉｎｄｐｏｗｅｒｐｌａｎｔｓａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０００，２０（３）：—２６２９．［７］ＫａｒａｋｉＳＨ，ＳａｌｉｍＢＡ，ＣｈｅｄｉｄＲＢ．Ｐｒｏｂａｂｉｌｉｓｔｉｃｍｏｄｅｌ—ｏｆａｔｗｏｓｉｔｅｗｉｎｄｅｎｅｒｇｙｃｏｎｖｅｒｓｉｏｎｓｙｓｔｅｍ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＥｎｅｒｇｙＣｏｎｖｅｒｓｉｏｎ，２００２，１７（４）：５３０－５３６．［８］ＢｉｌｌｉｎｔｏｎＲ，ＣｈｅｎＨｕａ，ＧｈａｊａｒＲ．Ａｓｅｑｕｅｎｔｉａｌｓｉｍｕｌａｔｉｏｎｔｅｃｈｎｉｑｕｅｆｏｒａｄｅｑｕａｃｙｅｖａｌｕａｔｉｏｎｏｆｇｅｎｅｒａｔｉｎｇｓｙｓｔｅｍｓｉｎｃｌｕｄｉｎｇｗｉｎｄｅｎｅｒｇｙ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＥｎｅｒｇｙＣｏｎｖｅｒｓｉｏｎ，１９９６，１１（４）：７２８－７３４．［９］ＣｈｅｎＰｅｉｙｕａｎ．Ｓｔｏｃｈａｓｔｉｃｍｏｄｅｌｉｎｇａｎｄａｎａｌｙｓｉｓｏｆｐｏｗｅｒｓｙｓｔｅｍｗｉｔｈｒｅｎｅｗａｂｌｅｇｅｎｅｒａｔｉｏｎ［Ｄ］．Ｄｅｎｍａｒｋ：ＡａｌｂｏｒｇＵｎｉｖｅｒｓｉｔｙ，２０１０．［１０］刘德伟，黄越辉，王伟胜，等．考虑调峰和电网输送约束的省级系统风电消纳能力分析［ＪＪ．电力系统自动化，—２０１１，３５（２２）：７７８１．———ＬＩＵＤｅｗｅｉ，ＨＵＡＮＧＹｕｅｈｕｉ，ＷＡＮＧＷｅｉｓｈｅｎｇ，ｅｔａ１．Ａｎａｌｙｓｉｓｏｎｐｒｏｖｉｎｃｉａｌｓｙｓｔｅｍａｖａｉｌａｂｌｅｃａｐａｂｉｌｉｔｙｏｆａｃｃｏｍｍｏｄａｔｉｎｇｗｉｎｄｐｏｗｅｒｃｏｎｓｉｄｅｒｉｎｇｐｅａｋｌｏａｄｄｉｓｐａｔｃｈａｎｄｔｒａｎｓｍｉｓｓｉｏｎｃｏｎｓｔｒａｉｎｔｓ［Ｊ］．Ａｕｔｏｍａｔｉｏｎｏｆ—ＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１１，３５（２２）：７７８１．［１１］蒋小亮．风电并网对电力系统可靠性和备用影响研究［Ｄ】．上海：上海交通大学，２０１１．ＪＩＡＮＧＸｉａｏ－ｌｉａｎｇ．Ｓｔｕｄｉｅｓｏｎｔｈｅｅｆｆｅｃｔｓｏｆｗｉｎｄｐｏｗｅｒｉｎｔｅｇｒａｔｉｏｎｏｎｔｈｅｒｅｌｉａｂｉｌｉｔｙａｎｄｒｅｓｅｒｖｅｃａｐａｃｉｔｙｏｆｅｌｅｃｔｒｉｃｐｏｗｅｒｓｙｓｔｅｍ［Ｄ］．Ｓｈａｎｇｈａｉ：ＳｈａｎｇｈａｉＪｉａｏＴｏｎｇＵｎｉｖｅｒｓｉｔｙ，２０１１．［１２］ＺｈａｎｇＮｉｎｇ，ＫａｎｇＣｈｏｎｇｑｉｎｇ，ＤｕａｎＣｈａｎｇｇａｎｇ，ｅｔａ１．Ｓｉｍｕｌａｔｉｏｎｍｅｔｈｏｄｏｌｏｇｙｏｆｍｕｌｔｉｐｌｅｗｉｎｄｆａｒｍｓｏｐｅｒａｔｉｏｎｃｏｎｓｉｄｅｒｉｎｇｗｉｎｄｓｐｅｅｄｃｏｒｒｅｌａｔｉｏｎ［Ｃ］／／ＴｈｅＴｈｉｒｄｌＡＳＴＥＤＡｓｉａｎＣｏｎｆｅｒｅｎｃｅｏｎＰｏｗｅｒａｎｄＥｎｅｒｇｙＳｙｓｔｅｍｓ，Ｂｅｉｊｉｎｇ，２００９．—［１３］ＫｉｔａｇａｗａａＮｏｍｕｒａｂＡｗａｖｅｌｅｔｂａｓｅｄｍｅｔｈｏｄｔｏｇｅｎｅｒａｔｅａｒｔｉｆｉｃｉａｌｗｉｎｄｆｌｕｃｔｕａｔｉｏｎｄａｔａ［Ｊ］．ＪｏｕｒｎａｌｏｆＷｉｎｄＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｄｕｓｔｒｉａｌＡｅｒｏｄｙｎａｍｉｃｓ，２００３，—９１（７）：９４３９６４．［１４］ＧｅｏｒｇｅＰａｐａｅｆｔｈｙｍｉｏｕ，ＢｅｒｎｄＫｌｏｃｋ１．ＭＣＭＣｆｏｒｗｉｎｄｐｏｗｅｒｓｉｍｕｌａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＥｎｅｒｇｙＣｏｎｖｅｒｓｉｏｎ，２００８，２３（１）：２３４・２４０．［１５］成礼智，王红霞，罗永．小波的理论与应用［Ｍ】．北京：科学出版社，２００４．—ＣＨＥＮＧＬｉ・ｚｈｉ，ＷＡＮＧＨｏｎｇｘｉａ，ＬＵＯＹｏｎｇ．Ｔｈｅｏｒｙａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｗａｖｅｌｅｔ［Ｍ］．Ｂｅｉｊｉｎｇ：ＳｃｉｅｎｃｅＰｒｅｓｓ，２００４．［１６］中国数字科技馆．风能的形成［ＥＢ／ＯＬ］．ＣｈｉｎａＤｉｇｉｔａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＭｕｓｅｕｍ．Ｔｈｅｆｏｒｍａｔｉｏｎｏｆｗｉｎｄｅｎｅｒｇｙ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ａｍｕｓｅｕｍ．ｃｄｓｔｍ．ｃｎ／ＡＭｕｓｅｕｒｒｄｄｉｑｉｕｚｉｙｔｍｎ／ｅｒ２＿１—０．ｈｔｍｌ［１７］周淑贞，张如一，张超．气象学与气候学［Ｍ］．北京：高等教育出版社，１９９７．——ＺＨＯＵＳｈｕｚｈｅｎ，ＺＨＡＮＧＲｕｙｉ，ＺＨＡＮＧＣｈａｏ．Ｍｅｔｅｏｒｏｌｏｇｙａｎｄｃｌｉｍａｔｏｌｏｇｙ［Ｍ］．ＢｅＯｉｎｇ：ＨｉｇｈｅｒＥｄｕｃａｔｉｏｎＰｒｅｓｓ，１９９７．［１８］王铮．基于风过程及非参数回归的风电功率预测结果不确定性估计［Ｄ】．北京：中国电力科学研究院，２０１１．ＷＡＮＧＺｈｅｎｇ．Ｕｎｃｅｒｔａｉｎｔｙｅｓｔｉｍａｔｉｏｎｏｆｗｉｎｄｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｒｅｓｕｌｔｂａｓｅｄｏｎｗｉｎｄｐｒｏｃｅｓｓａｎｄ—ｎｏｎｐａｒａｍｅｔｒｉｃｒｅｇｒｅｓｓｉｏｎ［Ｄ］．Ｂｅｉｊｉｎｇ：ＣｈｉｎａＥｌｅｃ￣ｉｃＰｏｗｅｒＲｅｓｅａｒｃｈＩｎｓｉｔｉｔｕｔｅ，２０１１．［１９］刘次华．随机过程［Ｍ］．２版．武汉：华中科技大学出版社，２００１．ＬＩＵＣｉ－ｈｕａ．Ｓｔｏｃｈａｓｔｉｃｐｒｏｃｅｓｓ［Ｍ］．Ｓｅｃｏｎｄｅｄｉｔｉｏｎ．Ｗｕｈａｎ：ＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＰｒｅｓｓ，２００１．［２Ｏ］方再根．计算机模拟和蒙特卡洛方法【Ｍ］．北京：北京工业大学出版社，１９８７．—ＦＡＮＧＺａｉｇｅｎ．ＣｏｍｐｕｔｅｒｓｉｍｕｌａｔｉｏｎａｎｄＭｏｎｔｅＣａｒｌｏｍｅｔｈｏｄ［Ｍ］．Ｂｅｉｊｉｎｇ：ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＰｒｅｓｓ．１９８７．收稿１５ｔ期：２０１２－０８－０８；修回日期：２０１２－１１－０８作者简介：刘纯（１９６８－），男，高级工程师，研究方向为电力系统分析及风力发电；吕振华（１９８８一），男，硕士研究生，研究方向为新能源—发电并网及调度运行技术；Ｅｍａｉｌ：ｌｖｚｈｅｎｈｕａ＠ｅｐｒｉ．ｓｇｃｃ．ｃｏｍ．ｃｎ黄越辉（１９７９一），女，高级工程师，研究方向为新能源发电并网及调度运行技术。