风电场群输出功率特性研究
风电出力特性研究及其应用

风电出力特性研究及其应用风电是一种清洁能源,具有广阔的发展前景和重要的应用价值。
风电出力特性是指风力发电机组在不同风速下的发电功率变化特性。
了解和研究风电出力特性对于风力发电行业的发展和风电资源的合理利用具有重要的意义。
本文将针对风电出力特性的研究及其应用进行探讨。
一、风电出力特性研究1. 风电机组的工作原理风电机组是通过风力带动叶片旋转,通过传动系统带动发电机发电。
其出力特性受到多种因素的影响,包括风速、叶片设计、发电机性能、控制系统等。
在不同的风速下,风电机组的出力特性有着明显的变化。
2. 风速对风电出力的影响风速是风力发电的关键因素,不同的风速将导致不同的出力特性。
一般而言,当风速较小时,风电机组的出力较低;当风速达到额定风速时,风电机组的出力将达到最大值;当风速过大时,发电机组需要通过控制系统来调整叶片的转速,以避免因风速过大而导致损坏。
3. 风电出力特性的建模与分析为了更好地了解风电机组的出力特性,研究人员通常会对其进行建模与分析。
通过建立数学模型,模拟不同风速下的发电功率输出,并对其进行分析,可以帮助我们更好地了解风电机组在不同工况下的性能表现,为风电场的规划和设计提供参考依据。
1. 风电场的选址和规划了解风电机组的出力特性对于风电场的选址和规划具有重要意义。
在选址时需要考虑当地的风资源情况,并结合风电机组的出力特性来确定最佳的风电场布局。
通过对风速和出力特性的分析,可以帮助规划者选择最佳的风电机组型号和布置方案,最大限度地发挥风电资源的利用效率。
2. 风电场的运行优化在风电场运行阶段,理解风电机组的出力特性有助于优化风电场的运行策略。
通过实时监测风速和出力特性,可以调整风电机组的工作状态,以提高风电场的发电效率和经济性。
也可以通过对出力特性的分析来制定风电机组的维护计划,延长设备的使用寿命,降低运行成本。
3. 新能源智能电网的建设随着新能源的不断发展和普及,风电出力特性的研究也对智能电网的建设具有重要意义。
《2024年风电场风电功率预测方法研究》范文

《风电场风电功率预测方法研究》篇一一、引言随着全球对可再生能源的日益重视和清洁能源需求的增加,风电作为一种绿色、可再生的能源,正逐渐成为能源结构中的重要组成部分。
然而,由于风能的间歇性和不确定性,风电场的风电功率预测成为了提高风电利用率和并网安全的关键问题。
本文旨在探讨风电场风电功率预测的方法及其应用。
二、风电功率预测的意义与重要性1. 优化电网调度:通过准确的预测风电功率,电力公司可以更有效地调度其他电源,减少备用容量的浪费,实现电力系统的优化运行。
2. 提高风电利用率:准确的预测有助于提高风电场的运行效率,减少因风力波动导致的弃风现象,从而最大化利用风能资源。
3. 降低运维成本:预测有助于提前发现并处理潜在的设备问题,降低因设备故障带来的损失。
三、风电功率预测的主要方法1. 物理模型法:基于风速、风向、大气压力等物理因素构建数学模型进行预测。
该方法考虑了风能的物理特性,但受限于气象数据的准确性和实时性。
2. 统计学习法:利用历史数据和统计方法进行预测。
包括时间序列分析、机器学习算法等。
该方法对历史数据要求较高,但在数据处理和模式识别方面有显著优势。
3. 混合预测法:结合物理模型法和统计学习法的优点,同时考虑风能的物理特性和历史数据信息,以提高预测的准确度。
四、具体应用方法及实例分析1. 时间序列分析法:该方法利用历史风电功率数据建立时间序列模型,通过分析时间序列的规律性来预测未来的风电功率。
例如,基于ARIMA模型的短期风电功率预测。
2. 机器学习算法:利用神经网络、支持向量机等机器学习算法进行预测。
如深度学习模型在风电功率预测中的应用,通过对大量历史数据进行训练,建立复杂的非线性关系模型,提高预测精度。
3. 混合模型应用:结合物理模型法和统计学习法的混合模型在风电功率预测中的应用。
例如,结合风速物理模型和神经网络算法的混合模型,既能考虑风能的物理特性,又能充分利用历史数据的规律性。
五、挑战与未来展望尽管现有的风电功率预测方法取得了一定的成果,但仍面临一些挑战:1. 数据质量问题:气象数据的准确性和实时性对预测结果有重要影响。
简析风电功率的波动特性

简析风电功率的波动特性1 问题描述本题研究的是风电功率的波动性问题,当前世界各国资源环境约束的日趋严苛,以化石能源为主的能源发展模式必须向绿色可再生能源转变。
风电机组发出的功率主要与风速有关。
由于风的不确定性、间歇性以及风电场内各机组间尾流的影响,使得风力发电在满足用电需求方面的确定性不如常规发电。
大规模风电基地通常需接入电网来实现风电功率的传输与消纳。
风电功率的随机波动是对电网不利的主要因素。
研究风电功率的波动特性,对改善风电预测精度、克服风电接入对电网的不利影响有重要意义。
风电场通常有几十台甚至上百台风电机组。
大型风电基地由数十甚至上百个风电场组成。
因此,风电功率的波动有很强的时空差异性。
在此我们需要研究风电功率的概率分布等一系列信息并以此对未来风电的功率进行预测,希望得到风力发电机发电功率的一般性结论。
2 模型建立与求解首先我们要研究风电机发电功率的概率分布。
对于概率分布拟合,可以在matlab软件中用dfittool来解决。
我们随机选择了五台电机作为观测对象。
将y输入dfittool里面,分别用t分布、指数分布、正态分布去拟合,然后根据拟合出来的各个分布的参数,求出三个分布的表达式,并选取一定的样本,比较三种分布的残差平方和,如表1所示:表1 时间间隔为5秒风电功率数据用t分布、指数分布、正态分布去拟合的残差平方和从分析结果可以发现指数分布的残差平方和是最小的,因此指数分布为我们推荐的最优的概率分布函数。
我们已经确定风电功率是服从指数分布的,则可以通过各个样本的总体的均值和方差对指数分布的参数进行估计。
根据经验,用Pim(tk)代替Pi5s(tk)时会损失很多信息,为了方便我们衡量损失的信息,需要通过一些数字化的特征来分析,前面已经确定用指数分布作为风电功率的最优估计分布,那么我们可以通过指数分布的一些特征值进行分析。
如果我们直接比较不同的特征参数是很难看出差异的,所以我们比较不同参数特征下指数函数的密度函数,这样更容易观察出其中的差异。
风电场功率输出的波动性分析

风电场功率输出的波动性分析风电场是一种依靠自然风力转化为电能的可再生能源发电设施。
与传统的化石燃料发电方式相比,风电具有环保、可持续、资源丰富等优势,因此在全球范围内得到了广泛的发展和应用。
然而,由于风力的不稳定性,风电场的功率输出存在一定程度的波动性,这是限制风电发展的一个重要问题。
本文将从多个角度探讨风电场功率输出的波动性,并提出相应的应对措施。
首先,风速是影响风电场功率输出波动性的主要因素之一。
风速的不稳定性导致了风力机发电量的波动。
在逆变器电压和频率固定的情况下,发电功率与风速的关系符合三次方定律,即风速呈三次方增长,发电功率则呈功率增长。
这种非线性关系导致风速小幅度变化时,风电场功率输出会有较大的波动。
解决这一问题的方法之一是通过风速预测,利用先进的气象学模型和监测设备来提前预测风速的变化,从而调整风力机的运行状态,减少功率输出的波动。
其次,风电场的电网连接也会对功率输出的波动性产生影响。
由于电力系统的负载变化和其他发电设施的运行状况,电网的负荷变化不可避免地会对风电场的功率输出产生影响。
当电网负荷较轻时,风电场的功率输出可能超过负荷需求,此时需要通过电网来消纳多余的功率。
相反,在电网负荷较重时,风电场的功率输出可能无法满足负荷需求,此时需要从电网购买电力。
为了解决这种功率输出波动性带来的问题,需要建立灵活的电力市场机制和电网调度系统,通过供需平衡和电力交易来调节风电场的功率输出。
此外,风电场的设备健康状况也会对功率输出的波动性产生一定的影响。
风力发电机等设备的老化和故障都会导致功率输出的不稳定。
为了降低设备故障率和提高设备的可靠性,风电场需要建立定期的设备巡检和维护制度,及时发现和修复设备的问题,避免设备故障对功率输出造成的波动。
最后,风电场的空间布局也会对功率输出的波动性产生一定的影响。
通常情况下,风电场的风力机是均匀分布在一定的区域内,但由于地理环境和资源限制,有时会出现部分风力机集中分布的情况。
风电场有功功率控制综述

风电场有功功率控制综述由于风电具有随机性、波动性和反调峰特性,高比例的风电并入电网会对电力系统的稳定性和安全性造成很大的冲击,因此有必要对风电场有功功率输出进行控制,减少风电功率的波动性,提高输出功率的平滑性。
1.风电场有功功率控制原理风电场有功功率控制系统一般主要由风电场功率控制层、机组群控制层、机组控制层组成图。
风电场有功控制系统的目的是为了使风电场能够根据调度指令调整其有功功率的输出,在一定程度上表现出与常规电源相似的特性,从而参与系统的有功控制。
然而,风电场有功控制能力不等同于风力发电机组控制能力的简单叠加。
为此,利用风力发电机群的统计特性,可以采用两种方式实现此目的:一是将风电场有功控制系统分为风电场控制层、各类机群控制层和机组控制层,依次下达调度指令,完成风电场有功功率控制的任务;二是电网调度中心将指令直接下达给风电机组,各机组调节有功出力,实现有功功率的控制。
2.风电场有功功率的控制2.1最大出力模式最大出力模式是指当风电场的预测功率小于电网对风电场的调度功率时,风电场处于最大出力状态向电网注入有功功率。
最大出力控制模式就是在保证电网安全稳定的前提下,根据电网风电接纳能力计算各风场最大出力上限值,风电场输出功率变化率在满足电网要求的情况下处于自由发电状态。
若超出本风电场的上限值时,可根据其他风场空闲程度占用其他风电场的系统资源,以达到出力最大化和风电场之间风资源优化利用的目的。
在最大出力模式投入运行时,风电场内的各台达到切入风速但在额定风速以下的风机处于最大功率跟踪状态;风电场内处于额定风速以上的各台风电机组运行在满功率发电状态,从而保证风电场的输出功率达到最大值,尽可能提高风能资源的利用效率。
2.2基于目标函数优化的功率控制基于目标函数优化的有功功率控制策略,通常先确定目标函数以及约束条件,在此基础上建立多目标优化的风电场模型。
在基于目标函数优化的场站级有功功率控制策略中,基于小扰动分析方法分析了限功率运行下风电机组非线性模型的稳定特性,并综合了3个目标,分别是限功率运行状态均衡度、风电场功率目标偏差、总机组启停次数最少,建立了多目标优化模型。
风电场输出功率预测分析

94科技资讯 SC I EN C E & TE C HN O LO G Y I NF O R MA T IO N动力与电气工程1 风电短期功率预测对短期功率预测可分为两种,一种是预测风速,然后依据风电机组或者风电场功率曲线获得风电场的功率输出;另一种是直接预测风电场的输出功率。
短期风电功率预测算法分析:短期预测中考虑到粗糙度、地形等因素,进行预测时采用物理方程的方法称为物理方法,依据历史数据统计,进行预测时,分析找出其内在规律的方法称为统计方法。
若同时采用两种方法称为综合方法。
(1)物理方法。
它以天气预报系统的预测数值结果为根据,获得风向、风速、气温、气压等数据。
采用计算流体力学法或者微观气象学理论,计算出风电机组轮毂高度的风向、风速、气温、气压等数据,然后以风电场的功率曲线为依据计算风电场的输出功率。
(2)统计方法。
不将风速变化的物理过程考虑在内,统计方法以历史统计数据为依据找出天气状况和风电场出力的关系,进而以实测数据和天气预报数值数据为依据预测风电场输出功率。
(3)综合方法。
组合模型基本原理采用以计算流体力学方法或者微观气象学理论为基础建立风电场的物理模型,预测风电场的输出功率。
建立风电功率预测系统的统计模型,以天气预报数值数据以及物理模型的输出作为输入,预测风电场输出功率。
组合模型的应用可使预测精度和模型的适用性得到有效提高。
2 风电场输出功率统计模型影响因素分析2.1输出功率和风速的关系风影响风电场的输出功率,即随风波动。
而风力机得出风功率计算式如下式:312pP C A V (2-1)式中:P-风轮输出功率(kW); p C -风轮的功率系数;A-风轮扫掠面积(m 2);ρ-空气密度(kg/m 3);V-风速(m/s)。
某变速型风电机组的功率曲线在标准空气密度下如图1所示。
见图1,处于功率曲线较陡的区域间,风速变化虽然很小,但却能引起很大的功率变化,另外,风速变化为2.5m/s,功率变化约为200kW。
山东地区风电场功率特性及其负荷相关性分析

.
成 为 制 约 山 东 省 电源 发 展 的 重 要 因 素 。
p w era d si ultn f c f id p we a al l q i r i i e e t a a i n o n m a iq e f to n o e w rp l i q i w t d f r n p ct o r en n d h f c y
随 着 山 东省 风 电装 机 容 量 的 快 速 增
生 能 源 的 开 发 利 用 , 且 对 国 民经 济 的 发 加 和 风 电场 规 模 的不 断 扩 大 , 风 电对 电 而 展 有着 重 要 的 意 义 。 山 东 省 是 一 个 水 资
段忠峰 沙志成 董 霜 山东 电力工程 咨询 院有 限 公司
摘 要 :随 着 山 东省 风 电装 机容 量 的快 速 增 加 和风 电场 规模 的不 断扩 大 ,风 电对 电 网安 全运 行 的影 响 日益 显现 。 风 力 发 电是 一种 特 殊 的 电 力 ,它 以 自然 风 为 原动 力 ,风 资 源 的 随机 性 和 间歇 性决 定 了风 电机 组 的 输 出特 性 也是 波 动和 间歇 的 。 本 文 通过 对 风
v u orde er ia i fc p ci fw id po erp al i i ale f t m n tono a a t o n w ar l nq i qr y el n d.
E w 儿 l T J
关键 词 : 电 网 , 负荷 ,风 电功 率 特 性 ,调 峰
《2024年风电场风电功率预测方法研究》范文

《风电场风电功率预测方法研究》篇一一、引言随着全球对可再生能源的关注日益增长,风电作为清洁、可持续的能源来源,其在能源结构中的地位逐渐提升。
然而,风能的间歇性和不稳定性给电力系统的稳定运行带来了挑战。
因此,对风电场的风电功率进行准确预测,对于电力系统的调度和优化运行至关重要。
本文将探讨风电场风电功率预测的方法,并对其有效性进行分析。
二、风电功率预测的重要性风电功率预测不仅对于电力系统的稳定运行具有重要意义,也对风力发电的经济效益有着重要影响。
通过准确预测风电功率,可以合理安排风电场维护计划、制定电力市场策略、优化电力系统调度等。
此外,准确的预测还可以为电力系统提供更多的灵活性,以应对风能的间歇性和不稳定性。
三、风电功率预测方法目前,风电功率预测方法主要分为两大类:物理方法和统计方法。
(一)物理方法物理方法基于大气动力学和气象学原理,通过分析风速、风向、温度、气压等气象因素的变化规律,来预测风电场的功率输出。
这种方法通常需要大量的气象数据和复杂的计算模型。
物理方法的优点是考虑了风能的物理特性,能够较为准确地预测风电场的功率输出。
然而,由于气象因素的复杂性和不确定性,物理方法的预测精度往往受到限制。
(二)统计方法统计方法则是通过分析历史数据,建立风电功率与气象因素之间的统计关系模型,以实现风电功率的预测。
常用的统计方法包括时间序列分析、机器学习等。
统计方法的优点是简单易行,对数据的依赖性较小。
然而,由于风能的复杂性和不确定性,统计方法的预测精度也受到一定影响。
四、本文研究内容本文将重点研究基于机器学习的风电功率预测方法。
首先,收集历史风电功率数据和气象数据,对数据进行预处理和特征提取。
然后,利用机器学习算法建立风电功率预测模型,如支持向量机、神经网络等。
最后,通过对比实验验证模型的预测性能,并分析模型的优缺点及适用范围。
五、实验与分析通过实验对比发现,基于机器学习的风电功率预测方法在一定的条件下能够取得较好的预测效果。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
赵冰 李鸿博 蒋大伟 苑天芬 张真卿
(东北电力大学 吉林 132012)
摘 要:风电具有不确定性和间歇性,从风电接入对电网 影响角度,分析大规模风电群的输出功率特性具有实际意 义。本文利用某省实测功率数据研究不同时间尺度下风电 场群输出功率和波动特性。引入风电场群持续出力和最大 出力同时率概念,揭示了随装机容量增加的输出功率的时 间概率分布特性,为大规模风电接入电网影响分析提供理 论支持。
即 5min 风电场群的整体波动不会超过相当 于其总装机容量 10%范围。随着时间尺度的增加, 波动的概率范围随之增大。
100%
80%
60%
40%
20%
-20%
-10%
0
10%
多风电场功率波动百分数
(5min波 动 量 /1080MWx100%)
20%
图 4 装机容量 1080MW 多风场功率波动统计柱状图
1)通过对风电场群输出功率不同时间尺度的 分析,5min 和 1h 输出功率波动超出其装机容量 的 5%的概率接近为零。风电场群输出功率小时 内最大波动量超过其装机容量的 20%几乎为零。
2) 随风场数目增多,各风电场最大出力的同 时率降低,相关性减弱。总的风场装机容量
(500MW)时,风场综合最大出力仅为总装机容量 的 80%。
关键词:风电场群; 波动特性; 同时率
0 引言
当电网中所接入的风电容量达到一定份额 时,这种间歇性电源接入将给电网带来严重的影 响。随着风电场规模的增大,这种影响越来越严 重。由于风电场之间地理位置和自然风资源的差 异性,风电场群的输出功率特性不同于单个风电 场输出功率特性。客观的认识风电场群的输出功 率特性对整个电网的合理调度,减少备用容量有 重要意义。文献[1]单个风电场的输出功率的概率 分布;文献[2-3]研究风能大规模利用对电网的可 靠性的影响及对风电场不同容量下的最大调度出 力等有关问题,主要集中在单个风电场并网运行 对电网可靠性影响的分析;文献[4-5] 主要针对风 电接入对电网影响研究;传统文献对大规模风电 场群输出功率的特性相关研究较少。本文针对某 省风电的实际情况,通过多个风电场出力实测数 据分析,得出多风电场的整体出力和波动特性。
30%
20%
10%
累计时间概率(%)
0 10% 20% 30% 40% 50% 60% 70% 80% 多风电场有功出力百分数 (有 功 出 力 /1080MWx100%)
图 6 装机容量 1080MW 多风电场出力概率统计柱状图 (采样频率:1 点/1h)
随着采样频率时间尺度的增加,风电场群的 输出功率的时间概率略有提高。这与实际风电场 输出功率实际情况相符合。
多风电场出力 (单位:MW 采样频率:5min)
1 风电场群出力及波动特性
1.1 5min为采样频率的风电场群输出功率和波 动特性分析 分析以装机容量为 1080MW 的风电场群的
输出功率为例,通过对采样频率 1 点/5min 的输 出功率和波动功率分析获得风电场群的整体有功 出力特性。
1000 500
力在 100~200MW(装机容量的 10%)范围的概率
累计时间概率(%)
多风电场功率波动 (单位:MW 采样频率:5min)
为 15%。输出功率 300~800MW 以每 100MW 输 出功率的范围内的概率统计约为 6%~10%左右, 多风场完全满发的概率为零。
图 3 为多风场(装机容量 1080MW)以 5min 为采样频率下的功率波动曲线图,5min 多风电场 功率波动范围基本在-100~100MW 之间。
1000
一 天 时 间 (h)
500
00
1
2
3
4
5
6
7
一 周 时 间 (天 )
1000
500
00 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 一 月 时 间 (天 )
图 5 装机容量 1080MW 多风场不同时间范围内出力曲线 (采样频率:1 点/1h)
图 6 的输出功率的概率统计结果我们可以看 出 10%~20%的装机容量的出力的时间概率最高。 相对 5min 的风电场群的概率统计有所不同。
针对小时级别的风功率波动分析结果如图 7 所示,1h 采样频率下的不同时间范围的风电场群 功率波动曲线。采样频率为 1h 的风电场群输出功
率的波动与 5min 中的功率波动比较,波动范围 和幅度相对增大较为明显。增大到相当与整个装 机容量的 20%(约 200MW)。通过图 8 风电场功率 波动统计可知,功率波动在-30MW~10MW 概率 约为 50%,10MW~60MW 多风场功率概率为 22%。-80MW~ -30MW 的功率波动约为 11%。相 对 5min 的波动概率统计 1h 的波动范围增大(波 动范围在相当于自身装机容量的 10%左右)。
0.4
0.2
00 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 风 场 出 力 百 分 数 (风 场 出 力 时 间/8760x100%)
图 11 总装机容量不同时的风电年持续出力曲线
该曲线反映了不同数量的风电场全年出力波
动特性与持续时间的关系,如图 11 所示。可以看 出单个风场装机容量为 100MW 的零出力概率
400
500
随 风 场 数 目 递 增 的 装 机 容 量 (MW)
图 10 风电实际出力水平与装机容量的关系
风电场群最大出力水平随风电总装机容量增
大而变降低,结果表明风电场群输出功率随着风
场数目和装机容量的增加会减小,且风电装机规
模越大,实际最大出力占总装机容量的百分数越
小。该结论对于研究电网风电接纳能力而言具有
取同一地区内 20 个风电场的数据对多个风 电场的最大输出功率同时率特性分析。随风场数 目递增下的风电场群最大输出功率同时率的求 取,得到多个风电场相同时段内的最大输出功率 之和与装机容量的关系如图 10。
1 0.98
0.94
出力最大值(p.u.)
0.9
0.86
0.82
0.7820
100
200
300
1.2 1h为采样频率的风电场群输出功率和波动
特性分析
图 5 为采样频率为 1h 的风电场群的不同时间
范围的输出功率曲线,相对 5min 风电场群输出
功率,出力范围变化不大。
多风电场出力 (单位:MW 采样频率:1h)
1000
500
0 0 2 4 6 8 10 12 14 16 18 20 22 24
风电场群的最大波动量即某一时间段的的风 电场群的最大输出功率-最小输出功率的值。被认 为在这一时间尺度下的风功率最大变化值。本文 对以 1h 范围内风电场群总输出功率的最大波动 量的求取分析。
多风电场最大波动量 (单位:MW 尺度:1h)
400
200
0 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
3)风电总装机容量越大,年持续出力曲线呈 趋缓,风电场群输出功率接近满发和零出力概率
越来越低。
参考文献
[1] 张义斌,王伟胜.风电场输出功率及概率分布.电力设备,2004 [2] 迟永宁,戴慧珠,刘燕华,等.风电接入对电力系统的影响.电网
100
0
-1000 2 4 6 8 10 12 14 16 18 20 22 24 一 天 时 间 (h)
100
0
-100
0
1
2
3
4
5
6
7
100
一 周 时 间 (天 )
0
-1000 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 一 月 时 间 (天 )
图 3 装机容量 1080MW 多风场功率波动曲线 (采样频率:1 点/5min)
0 0 2 4 6 8 10 12 14 16 18 20 22 24
一 天 时 间 (h) 1000
500
00
1
2
3
4
5
67一 周 时 间 ( Nhomakorabea )1000
500
0 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
一 月 时 间 (天 )
图 1 装机容量 1080MW 多风场不同时间范围内出力曲线 (采样频率:1 点/5min)
全体时间的 90%。1h 内最大波动量在 0~25MW 的概率约为在 42%,1h 最大波动量超过 100MW 的时间概率仅占 10%左右,并且最大波动量超过 相当于装机容量 20%的概率几乎为零。随着最大 波动量的不断增加,所占概率百分比呈阶梯性下 降趋势。
2 风电场群输出功率同时率和最大持续出 力
多风电场功率波动 (单位:MW 采样频率:1h)
100 0
-100
5
200
10一
天
时
间
15 (h)
20
0
-2000
1
2
3
4
5
6
7
200
一 周 时 间 (天 )
0
-2000 2 4 6 8 10 12 14 16 18 20 22 24 26 28 一 月 时 间 (天 )
图 7 装机容量 1080MW 多风场不同时间范围波动曲线 (采样频率:1 点/1h)
重要意义。
整个电网中所有风电场输出功率的波动相关
性(或同时性),这里提出采用类似负荷年持续出
力曲线的分析方法,将不同装机容量下的风电场
群,按输出功率变化按各个不同在一年中的累计
持续时间重新排列,形成风电年持续出力曲线。
1 100MW