一种评价风电场运行情况的新方法申洪，王伟胜（中国电力科学研究院，北京100085）摘要：提出了一种基于实际年发电量和故障停运时间来评价风电场实际运行情况的新方法。
首先根据风电场的历史运行数据来计算风电场的年理想发电量，然后引入衡量风电机组分布、风资源和故障停运对风电场年发电量影响的三个新指标—风电机组分布系数、风资源系数和损失系数，并推导出风电场容量系数与这三个系数之间的表达式。
所提出的三个新指标具有明确的物理意义，可以定量评价风电场风资源、风电机组分布和风电机组故障对风电场运行情况的影响。
最后对两个实际风电场进行了计算和分析，结果表明了所提出方法的正确性和实用性。
关键词：风电场；发电量；风资源；容量系数1 引言近年来风力发电得到了迅速的发展。
与常规发电厂相比，风力发电场有其独有的特点。
常规火电厂的燃料供应（如煤、石油等）和水电厂的水量供应一般认为是安全的，在无故障情况下可以始终工作在满负荷状态下，调度员可以根据系统负荷的实际需求对发电机组的发电功率进行调节，使整个电力系统工作于比较安全与经济的运行方式下。
而风电机组是由风能驱动的，风能是一种间歇性能源，风速大小是随机波动的，因而风电机组的有功出力是随机波动的。
虽然通过优化的方法可以增加风电场安装容量[1]，但由于受风速条件的限制，风电场的发电功率不能够随意调度，所以不能用风电场的容量来考虑它对系统做出的贡献，而只能通过其在一段时间内的发电量来衡量其价值。
风电场的投资较大，但它不需要原料，启停机方便，运行和维护费用低。
然而风电场不能始终工作于满负荷状态，一般情况下发电功率都远低于额定容量，因而只有让风电场尽可能多的发电，才能使发电成本降低到最低水平。
考核风电场运行情况的重要指标是风电场容量系数[2]。
风电场容量系数是风电场一段时间内的实际发电量与这段时间内的额定发电量的比值，它等价于风电场在一段时间内满负荷工作的时间，代表了风电场总的发电情况。
然而风电场的发电量不仅受风速大小的影响，而且受风电机组的分布位置以及风电机组计划或强迫停机情况等因素的影响，只用容量系数不能完全描述上述因素对风电场发电量的影响。
为此，本文根据文献[3]中对风电场发电量的计算方法，提出了风电场理想发电量的概念，并提出了风电机组分布系数、风资源系数和损失系数三种新的指标，应用这三个指标，可以定量描述风电场运行分别受风电机位置分布、风资源以及风电机组停机情况影响的程度。
应用上述模型和指标，本文对两个实际风电场进行了计算分析。
2 风电场理想发电量某一时间段T内一台风电机组的发电量W th可以表示为[3]式中P(u)为风电机组的功率输出特性曲线，由风电机组制造厂商提供；f(u)为风电机组轮毂高度的风速分布特性，通常可以用Weibull函数来表示。
如果风电场没有测风装置，风电场的风速分布特性可以通过附近的气象站的测量数据，应用神经网络方法[4]或根据空间相关性模型[5]等方法求得。
由于受下列因素的影响，风电机组的实际发电量将比由式(1)计算出的发电量要小。
（1）风电机组位置周围的地形地貌、地表粗糙度以及其它风电机组的建立、植树、新建筑物等都会影响风电机组所在位置处的风速分布，降低风电机组的发电量。
（2）因风电机组或接入的电力系统发生故障，以及风电机组计划检修而引起的停机，将降低风电机组的发电量。
如果风电机组在一段时间内一直处于运行状态，没有计划或非计划的停机事件发生，则每台风电机组的发电量将只受上述第(1)种因素的影响。
这种情况下，对风电机组而言，此时的发电量是在它所处的位置及其风速分布特性下所能发出的最大发电量，称之为风电机组理想发电量，记为W id。
风电机组停机情况下损失的发电量，可以通过理想运行状态下的平均发电功率和停机时间求得，如式(2)所示。
式中W loss为停机损失电量；T out为时间段T内计划和强迫停运时间的总和。
风电机组实际测得的发电量可以由理想发电量和停机损失电量得出，如式(3)所示。
3 评价风电场运行情况的新指标在衡量一个风电场的运行情况时，通过风电场一年的累计发电量可以求出该风电场的容量系数，它可以说明该风电场总的发电情况，并可以在不同的风电场之间对发电情况进行定量的比较。
然而，人们在由容量系数了解了某一风电场总的发电情况后，经常要提出如下一些问题：是风电场的风资源对它的发电量影响大，还是风电机组分布位置对它的发电量影响大？风电机组停机损失对发电量的影响如何？等等。
显然，只应用容量系数一个指标并不能说明在风电场总的发电情况中，风资源、风电机组分布位置以及风电机组停机情况对发电量的影响。
为此，本文提出了三个新的衡量风电场运行情况的指标：风电机组分布系数、风资源系数和损失系数。
对一有N台风电机组的风电场，若每台风电机组的容量相同，则每台机组的理想发电量可以由式(5)得出电量，相应的风电机组称为参考机组。
参考机组的理想发电量是所有风电机组中最大的，在该风电机组位置处的风资源是风电场所有风电机组所在位置的风资源中最好的，因而可用它近似描述风电场的风资源情况。
若第k台风电机组为参考机，令式中a i称为第i台机相对于参考机组的位置系数，显然a k=1。
它体现了每台风电机组位置不同对发电量的影响。
则风电场的理想发电量为由式(7)可得式中P r为风电机组的额定容量；T一般取为一年的小时数，即为8760。
令式中c s是由风电场风电机组分布位置决定的，称为风电机组分布系数；c w是由参考风电机组的发电量决定的，它近似表明了该风电场的风资源情况，称为风资源系数；c loss描述的是风电场由于计划或非计划停机所造成的相对于理想发电量的损失，因而称为损失系数。
则风电场容量系数可以表示为这样，根据风电场的历史运行数据从容量系数中分离出三个系数，通过这三个系数，可以定量描述该风电场中风电机组选址是否合理，风资源是否充足以及各种原因导致的风电机组停机造成的损失情况。
c s、c w、c loss都为小于1的数，c s越大，说明该风电场的风电机组分布越合理；c w越大，说明该风电场的风资源越好；c loss越小，说明风电机组的运行情况越好。
实际计算中，可以先取年发电量最大的风电机组作为参考机组，如果计算所得其他风电机组的位置系数a i都小于等于1，则所选的机组就是参考机组；如果计算所得的位置系数a i中有大于1的，则选择位置系数最大的风电机组为参考机组，同时调整参考电量和各台风电机组的位置系数，方法如下：4 算例分析应用本文提出的计算风电场理想发电量的数学模型，对两个实际风电场进行了计算分析。
1号风电场中安装有33台600kW的风电机组，分布于山区，其每台机组某年的发电量和故障时间如图1、2所示；2号风电场中安装有11台660kW的风电机组，分布于平原地区，其每台机组某年的发电量和故障时间如图3、4所示。
应用本文所述方法，对该风电场的运行情况进行了分析。
通过计算得出的两个风电场中各风电机组的位置系数a i如图5，图6所示。
两个风电场的风电机组分布系数和风资源系数以及相关的计算结果如表1所示。
从计算结果中可以看出，1号风电场的4号机组和2号风电场的7号机组是各自风电场的参考机组。
1号风电场的风电机组分布位置对其发电量的影响较大，其位置系数中最小的为0.49，而2号风电场受风电机组分布的影响则相对较小，其位置系数中最小的为0.87。
从表1中可知，1号风电场的风电机组总体分布对风电场发电量的影响很大，其风电机组分布系数为0.74，而2号风电场的情况则较好，风电机组分布系数为0.94；两个风电场的风资源情况大致差不多，风资源系数分别为0.224和0.237，但1号风电场的停机情况比2号风电场严重，损失系数分别为0.007和0.0003。
5 结论本文提出了用于描述风电场运行情况的三个新的指标¾¾风电机组分布系数、风资源系数和损失系数。
风电机组分布系数说明了风电场中风电机组分布位置对发电量的影响，风资源系数近似说明了风电场的风资源情况，损失系数说明了风电机组各种停机情况导致的发电量损失情况。
这种分析风电场运行情况的方法可以通过上述三个新指标的计算在不同风电场之间进行定量比较，为决策部门评价风电场运行情况提供量化依据，具有一定的实用价值。
本文分别计算了两个实际风电场的风电机组分布系数和风资源系数，并对计算结果进行了比较分析。
从算例中可知，尽管两个风电场的风资源情况相差不大，但不同的地形地貌对风电场实际运行情况的影响很大。
一般风电场在进行可行性研究时，测风点比较少，其测量数据并不能描述整个风电场区域内的风速分布，尤其是在地形复杂的山区，若以相同的风速分布特性来推算风电场的发电量将和实际情况产生较大的差别。
所以，在进行风资源评估时必须采用更科学有效的方法，准确计算风电场所有风电机组位置的风速分布情况。
参考文献[1] 雷亚洲，王伟胜，印永华，等（Lei Yazhou，Wang Weisheng，Yin Yonghua，et al）．一种静态安全约束下确定电力系统风电准入功率极限的优化方法（An optimization method for determining wind power penetration limit in power system under static security constraints）[J]．中国电机工程学报（Proceedings of the CSEE），2001，21(6)：25-28．[2] 李俊峰．中国可再生能源技术评价[M]．北京：中国环境科学出版社，1999．[3] Tande J O，Hunter R．Expert group study on recommended practices for wind turbine testing and evaluation—estimation of cost of energy from wind energy conversion systems[R]．1994．[4] Alexiadis M C，Dokopoulos P S，Sahsamanoglou H S．Wind speed and power forecasting based on spatial correlation models[J]．IEEE Transactions on Energy Conversion，1999，14(3)：836-842．[5] Li Shuhui，Wunsch D C，O' Hair E A，et al．Using neural networks to estimate wind turbine power generation[J]. IEEE Transactions on Energy Conversion，2001，16(3)：276-282．中国电机工程学报。
