风电预测误差风险评估论文

[摘要]风能是一种清洁且可再生的能源之一，凭借其自身优势，已经得到社会各界的广泛关注，风力发电的主要原理则是将风的动能转化为机械动能，最后成为各行各业所需的电力动能。今天小编给大家找来了《风电预测误差风险评估论文(精选3篇)》的相关内容，希望能给你带来帮助!

风电预测误差风险评估论文 篇1：

考虑预测误差的风电有功功率控制策略

【摘要】风力发电在我国经过连续多年的高速发展，目前已进入平台期，风电在电网适应性上的问题逐渐凸显。大规模的风电并网加重了电力系统安全稳定运行的压力，所以提升风力发电对电网的主动支撑性能，减轻其预测偏差对有功功率平衡控制的影响，已成为风力发电系统的核心问题。要实现风力发电系统对电网的主动支撑，需要风力发电站能够像传统电源一样具备良好的测量精度、控制性能和调节能力。首先，需极大地提升风力发电站功率预测水平，满足电网调度运行的精度要求;其次，需能够在满足电网稳定运行支撑的前提下，以新能源发电设备控制性能为约束，自动响应电网调节需求对风力发电站输出功率进行调整;最后，需及时响应电力系统运行状态的变化做出快速调节。

【关键词】预测误差;风电;有功功率;控制策略;

引言

近年来，以风力发电机为主的清洁能源得到大规模开发利用，截至2019年底，全国风电机组累计并网装机容量达到2.1亿kW，由于风力发电具有随机性、间歇性和波动性，且高度集中在“三北地区”，远离负荷中心，高比例的新能源接入给电网调度带来了一系列問题，在风电大发期间，为保证电网的安全稳定运行，会对风电有功功率进行一定程度的限制，因此场站端有功功率的快速响应、精准控制尤为关键。

1风电功率预测误差特性分析

风电功率预测误差标幺值为：式中：Ppredict（t）为风电功率预测值;Pactual（t）为风电功率实际值;Pcap为风电场额定装机容量。图1和图2分别为根据极限学习机（Extreme Learning Machine，ELM）和长短期记忆网络（Long Short Term Memory，LSTM）2种不同预测方法和风电功率采样周期为15min[23]进行点预测从而得到的风电功率预测误差概率密度分布直方图。由图1和图2可以发现，在ELM预测方法下，预测误差呈现总体向右偏的特点，而LSTM的预测误差呈现出在-0.02和0.02附近处各有一个顶峰的特点。2种预测方法的预测误差还呈现出在预测误差一些局部位置“凹陷”和“凸起”的特点。

2功率预测置信评估

给定分位数（τ1，τ2，…，τn）建立风电预测功率的分位回归模型，再结合风电功率误差的概率分布和置信水平即可得到风电功率预测误差的置信区间，进而得到风电预测功率的置信区间。由于功率预测模型及相关影响因素的不同，一段时间内不同风电场的预测误差分布呈现明显的不对称性。其中，部分风电场的预测功率与置信区间下边界十分接近，表明该风电场实际可发功率大于预测功率的概率较大，具有相似置信区间的风电场记为Ω+;部分风电场的预测功率与置信区间的上边界十分接近，表明该风电场实际可发功率小于预测功率的概率较大，具有相似置信区间的风电场记为Ω-。

3风电有功控制策略

3.1有功功率控制系统

风电场有功功率控制系统（AGC）对整个风电场所有风机任一时刻的有功功率进行统一控制，因此需要采集风机的风速、功率、运行状态等实时运行数据，根据电网调度指令，按照功率控制策略计算出每台风机的功率设定值。AGC控制系统配合场站的数据采集与监视系统（SCADA）和理论功率计算系统完成所有风机的有功功率分配和控制。SCADA系统采集每台风机的实时运行数据，理论功率计算服务器负责计算限功率情况下的理论功率，并将风机实时数据及理论功率传输至AGC服务器。AGC服务器负责接收调度AGC指令，并按照调度指令和每台风机的理论功率按照设定好的控制策略计算每台风机的功率指令并分配至每台风机，进而控制风机的有功功率，实现风电场全场的有功功率控制。

3.2基于退役动力电池风储协调控制策略

基于退役动力电池风储常规控制策略为：在风电场中，当理论电量Ell（t）超过需求电量Exq（t）时，即产生弃风，利用储能装置将风能储存;当风电场理论发电量Ell（t）低于电网需求Exq（t）时，利用储能装置储存的弃风电量进行并网使实际电量满足电网需求。本文在常规策略的基础上优化思路，提出退役动力电池风储有功功率协调控制策略，细划分为退役动力电池总层、协调控制层和分化储能层共3层，各层之间通过指令的下达和信息的反馈联系起来，1）退役动力电池总层以经济性为控制目标，实现弃风电量的消纳，减少储能装置充放电次数，延长退役动力电池使用周期，以提高储能装置经济效益;向协调控制层传达电量交换计划等，保障各层协调运行以及电网安全。2）协调控制层依据总层传达的电量交换计划，结合本层数据，并以退役动力电池储能系统实用性与可循环性为控制目标为分化储能层制定控制指令。3）分化储能层分化储能层将处于常规储能模式的装置分化为容量相同的二级储能装置A/B（储能装置单纯按照需求进行充放电操作定义为常规储能模式，常规储能装置分为2个容量相等的二级储能装置运行定义为分化储能模式）。分化储能装置A初始功能设置为存储弃风电量（充电状态），分化储能装置B初始功能设置为利用已储电量进行并网（放电状态），分化储能模式实现了储能装置更长时间保持在充/放电的单一状态，保护电池不受充电状态频繁更改的伤害。

3.3风电有功控制模型

根据风电功率预测误差分布特性可以分析计算得到不同风电场的功率预测误差期望，进而得到功率预测期望PE，i为式中：Pf，i为风电场i的预测功率;Fi（e）为风电场i的功率预测误差概率分布函数。风电场有功功率与预测功率的差值最小作为目标，目标函数为约束条件为式中：Pi为风电场i的输出功率指令。第一个约束要求所有风电场的有功功率需要与发电计划保持一致;第二个约束为风电场运行约束。

3.4功率分配算法

当站端AGC服务器接收到调度下发的功率调节指令后，AGC服务器按照2个阶段进行功率调节，分别是功率调节阶段和功率平衡阶段。功率调节阶段AGC服务器接收到调度指令，结合风机实时数据及每台风机的实时理论功率，剔除标杆风机、故障风机和通信中断风机，并充分考虑各个风机运行功率的上下限，计算每台风机的调节功率，目的是快速响应调度指令，在调度规定时间内将有功功率控制在规定范围内。功率平衡阶段是当风电场全场有功功率达到调度要求的范围并平稳运行时，进行风电机组功率置换，平衡不同类型风机功率分配来优化风机间的出力，保护风机机械特性，并置换出调节速率较快风机的功率调节余量，为下一次调节做准备，提升整场功率控制速率。

3.5其他

1）利用机舱风速法，结合风机运行历史数据，可以准确绘制出现场实际运行过程中单台风机的功率曲线，并有效地计算出风机限功率运行时段内的理论功率。2）在功率控制阶段，分配功率时剔除掉标杆风机、故障风机和通信中断风机，并考虑各个风机运行功率的上下限，可以精准地将功率调节指令分配至可调节的风机控制系统中，进一步提升全场功率控制响应速度和精度。

4风电功率概率分布拟合

不同概率分布模型假定随机变量满足不同条件，而这些条件在实践中往往并不严格满足。气候因素对风力性能的影响反映在输出抽样数据中。当将风能的概率分布与已知概率密度函数的分布模型相匹配时，很难充分考虑气候因素对风力性能的影响。因此，我们应从风力发电性能数据的样本中研究风能的分布特征。非参数估计，当样本数据概率密度函数未知时，采用核函数法估计未知概率密度函数，通过样本数据的固有特性直接获取值信息，从而减少了人工假设满足一定概率分布所造成的误差。为了验证非参数估计在风力发电概率分布调整中的有效性，选择正态分布和β分布模型作為参考分布模型。选择某地区风电场一年的生产数据分析其概率分布特征，抽样间隔为15分钟。根据上述三种分布模型调整风力发电概率分布的结果见图6。如图6所示，该区域的风力输送基本上是按间隔分布的，而且经常出现性能较低的情况，当性能大于某个特定值时，分布相对均匀。同时，非参数估计对风力发电概率分布的影响最合适，明显优于正态分布和β分布。

5风电行业建议和措施

5.1加强政府统筹规划

政府在能源供应和使用方面发挥主导作用。关于新能源经济的开发利用，国家制定了新能源经济发展总体规划，并将新能源和电网及配套基础设施的发展纳入总体规划，以便在工业一体化方面做好工作，顺利完成前后供应链;做好风力发电等相关行业的总体规划和总体控制安排。同样，在建设新能源基地时，建议由一个单位带头建设，以免多个投资单位之间的部署和协调难度加大，导致电网运行不稳定。

5.2大力发展电力传输网络

单个风力发电站，可以认为是一个“点”;区域内多个风力发电站于送出工程送出，可以认为是一条“线”;而接入区域电网，形成一张巨大的“网”，才更具能量，才能将电力输送到与电网相接的无数“末梢”——千家万户电力用户，才能真正将电力转换于社会生产价值。电力传输网络的建设、铺展及密布，有助于提升风电的利用率，保障电力传输，更便于终端消纳。

5.3加大局部电网的技术升级

一方面，要加快风力发电资源丰富地区电网调度技术的升级。中国大陆风能丰富地区基本上是偏远落后薄弱的电网结构。风能大规模集中发展的第一个问题是如何安全地将巨大的风能接入电网。因此，有必要对风力资源丰富地区的电网技术和设备进行现代化改造。另一方面，也有必要更新电网大规模优化资源配置的技术。中国能源资源的分布和经济发展的特点要求中国电网能够优化大面积的资源配置。中国风能资源丰富的地区主要分布在“三北”地区，大量风能需要长途输送。有必要构建具有超高压骨干网的强大智能电网，提高电网资源配置能力。目前电网已经开展了一些相关研究，需要在现有研究成果的基础上进一步深化。

5.4推进储能技术多样化

风电不确定性是大规模风电场并网的一个问题，储能系统是解决可再生能源电力调度问题的一种实用方法。电力储能系统可以分为机械式储存系统、电化学系统、化学储存和蓄热系统等。市场上常见的是铅酸蓄电池和锂电池等蓄电系统，因工艺相对成熟而有所使用，但仍存在部分难以解决的技术难题。更多的储能技术如光储、生物储能等也在不断推进，风电场储能技术呈现出多样化，在储能技术市场化推广应用后，风能资源将得以充分利用，有助于风能的高效转化。

5.5降低电网电压的控制难度

恒速风力发电机必须从电网中吸收一定数量的无功功率。双馈变速风力发电机和直驱永磁风力发电机通常在固定功率因数模式下工作。对小型风电场实行集中无功补偿后，风电场的电压调节并不是大问题，但对大型风电场来说，风电场必须具备一定的无功控制能力，需要技术和管理手段来推动风电场制造商的技术改造。我国大部分运行中的风力发电设备通常缺乏无功控制能力，风电场的无功控制只能通过增设静态或动态无功补偿设备来实现。电网发布的一系列标准确定了无功控制的要求，作为建设中风电场无功建设的指导方针。

5.6促进风电开发精细化

大力支持技术研发，推进核心技术国产化，推动风电与控制技术、信息技术、通信技术等深度融合，实现风电开发、运维、监控、管理等全流程的智能化。

结束语

不同风力发电站功率预测误差分布特性存在差异，需充分考虑其差异优化完善风电场有功功率控制。对风电场历史数据进行统计分析，提取风电场预测误差的分布特征，合理优化风电场的功率控制。该方法可有效降低新能源性能预测误差对功率调节的影响，提高主动风力发电控制的合理性和准确性。

参考文献：

[1]张义，彭佩佩，唐冰婕，陈宁，王湘艳，韩楚晨.考虑预测误差的风电有功功率控制策略[J].西安工程大学学报，2021，35（06）：76-82.

[2]赵征，于悦波.考虑风电功率预测不确定性的火电机组调度策略研究[J].电力科学与工程，2021，37（11）：32-41.

[3]刘宏勇，李明，任巍曦，张文煜，田云峰，王德伟，刘汉民.基于风机理论功率的全场功率优化控制策略研究[J].河北工业大学学报，2021，50（05）：74-78.

[4]谢彦祥.风电功率及其预测误差概率分布研究[J].电工电气，2021（09）：7-13+46.

[5]张浩.风电功率时空不确定性预测方法研究[D].华北电力大学（北京），2021.000098.

[6]唐建平.分布式风电机组并网影响分析及抑制策略[J].风能，2021（07）：90-95.

[7]田佳鑫.考虑风场预测误差的电力系统运行风险评估[D].北京交通大学，2021.

[8]李文栋.风功率预测误差的非参数核密度估计方法研究[D].华北电力大学，2021.

作者：杨玉明

风电预测误差风险评估论文 篇2：

人工智能技术在风力发电领域的应用

[摘    要 ]风能是一种清洁且可再生的能源之一，凭借其自身优势，已经得到社会各界的广泛关注，风力发电的主要原理则是将风的动能转化为机械动能，最后成为各行各业所需的电力动能。随着信息化时代的到来，人工智能作为科技发展的重要产物，将其风力发电相结合，是电力行业发展的必然趋势，大大提升了风力发电效率和质量，某种意义上讲，也是引领电力行业朝向智能化、现代化发展的必要条件。对此，相关人员应该加大人工智能技术在风力发电领域的应用研究，深入研究风力发电领域发展进程中可能存在的问题，如何利用人工智能技术予以解决，实现人工智能技术的广泛运用和的推广，助力于风力发电取得更大的突破。基于此，本文主要围绕人工智能技术在风力发电领域的应用展开讨论，希望给更多专业人士提供帮助。

[关键词]人工智能技术;风力发电领域;应用

近些年，在全球經济迅猛增长的推动下，对能源的需求量显著增加，传统的发电形式表现出了更大的缺陷，环境污染问题日益严重，因此，若想实现可持续发展理念，如何平衡好环境与经济的关系成为关注焦点。此时，风力发电的产生为解决环境污染问题做出了巨大贡献，尤其是信息化时代的大背景下，人工智能技术的应用，对于风力发电而言，迎来了新的发展契机，同时也是亟需解决的新难题。只有将人工智能技术科学合理的运用在风力发电领域，充分发挥信息化技术优势，高效解决风力发电发展过程中的诸多问题和难题，才能最大限度的提升发电效率和质量，为电力行业及其它行业良好发展创造有利条件。

1 人工智能算法在风电机组故障诊断中的应用

风电机组是风力发电的核心组成部分，发电过程中处于连续旋转状态，相对来讲工作强度较大，同时风电机组常常会设置在高地、海上或荒野，工作环境极其复杂，比传统的发电机组所处环境更加恶劣。随着发电需求量的增加，发电机组数量不断增加，为了保证其安全稳定的运行，首先要降低机组故障概率，这也是风力发电的一大挑战。

1.1 风电机组故障诊断现状分析

风电机组是一个综合性较强的系统，容易发生以下故障，即齿轮箱、发电机或电气系统故障，这些故障发生时可能是独立的，也可能在各故障之间出现映射关系，因此，单纯依靠人工对系统运行故障进行检测，其难度非常大。结合风电机组故障诊断的实际情况分析，其诊断方法主要包括以下方面：（1）传统诊断法，以系统状态监测数据为基础进行分析，一般情况下，都是以其它故障诊断方法联合使用。（2）数字诊断法，这种方法的涵盖范围广，包括模式识别、基于判断距离的故障诊断以及模糊诊断法等。（3）智能诊断法，此方法的使用主要体现在神经网络、遗传算法、模糊逻辑等，具有诊断精准、效率高的特点。但是目前来看，机组故障诊断及检测主要依靠人工为主，没有实现全自动化的水平，那么将人工智能技术引入其中，对风力发电领域而言，是一项全新的突破和挑战。

1.2 人工神经网络的具体应用

人工神经网络之所有被称之为智能化，主要是因为人工神经网络运用过程中，可以形象的模拟人类大脑学习知识的状态，不需要提前进行程序设定或输入映射关系的数学方程，而是经过系统自我训练，摸索机器系统的运行规律，以固定输入值作为计算依据，保证输入结果与预期结果更为接近。其中BP神经网络是一种较为成熟的神经网络算法，其应用范围非常广，并且经常用于预测网络模型中，将其与风力发电机组故障诊断相结合，对风电机组的齿轮箱故障、发电机故障具有很显著的应用效果，要特别注意的是，BP神经网络进行故障诊断时，需要满足两个条件，一是进行实时监控，二是具有较高的容错能力，从而减少故障误差概率，最大限度的保证诊断结果的准确性。

据相关研究总结，BP神经网络进行机组故障诊断和检测时，模型系统主要分为输入层、隐含层、输出层。对于输入层而言，在选取机组的风速、风向等自然参数以外，还要参考电机转速、风轮转速等机械参数以及电气参量，针对不同环境和不同设备的敏感度标准，对设备数据进行科学合理的调整。对于输出层，将以往的故障情况的参考数据作为机组运行的预警和报警依据，从而掌握机组运行情况，如果输出值与参考数据接近则意味着系统异常运行的可能性比较大，以此为依据实现机组故障智能化诊断。根据BP神经网络模型的实际运用来看，主要分为两个过程：（1）学习训练过程。人工智能技术通过目标样本训练神经网络、调节网络权值，形成完整的、切合实际的网络模型，如果训练与预期输出值相匹配或相差很小，则说明模型训练已完成，然后对各节点的输出值进行设定，重点设定第一阈值和第二阈值，第一阈值的设定则以每个节点异常状态的最小值作为基础，然后取平均值作为第二阈值。（2）模型应用。进行风机故障诊断过程中，将自然参数及机组相关的实时数据准确输入，利用已训练好的模型系统进行数据计算，得出各节点数据。如果节点输入值保持在两阈值之间，能够判断系统存在一定的故障隐患，相关工作人员要给予正确的干预或处理。如果节点输出值大于第二阈值，可以判断为故障已经发生，必须尽快采取有效对策，避免系统故障延展，同时要求维修人员进行系统检修。

2 人工智能算法在风电发电量预测中的应用

目前，风力发电的运用逐渐趋于成熟化，与传统的发电方式相比，表现出较强的随机性、间歇性、波动性，这样容易造成电网运行稳定性差，因此，要做好风电发电量预测工作，从而科学地调整发电与并网负荷值，进一步提升电网运行稳定性。

2.1 风力发电功率预测方法的概述

风力发电功率预测方法主要包括以下两大类：（1）物理预测法，主要是以天气预报作为依据，获取风向、风速、气候温度等数据，并且根据风力发电场周围的地表条件、海拔高度等实际的地理信息，利用数学模型进行相关数据的计算，再通过气象学理论，获取风机轮毂的风向、风速和高度，从而实现风机电功率预测，通过这样的方式能够保证预测结果的准确性，此方法运用优势在于不需要以历史数据作为参考或依据，但是需要掌握准确的天气预报数据及地理信息，而天气预报的发布不能保证实时性，存在一定的误差，因此，物理预测法在6h以上的短期和中长期预测中更具优势，此外，这种方法在风险评估以及随机优化方面存在很大的局限性。（2）统计预测法，主要以数学统计法作为依托，通过实时数据与历史数据相结合，构建一个抽象的数据模型，从而预测风力发电量。根据统计预测法的实际应用来看，序列预测法、人工智能预测方法的应用更加成熟，应用更为广泛。

2.2 人工神经网络预算法在短期风电功率预测中的应用

人工智能的应用优势充分体现在自动化、智能化方面，可以在大量数据中快速、准确地找到数据映射关系，高效完成统计预测，在此过程中，利用机器学习法，与影响短期风电功率的因素的建立联系，形成训练模型，通过调整训练模型，实现精准预测短期风电功率。目前，常用的预测方法有神经网络发和SVM（即支持向量机法），而前者在处理非线性问题上优势更加突出，依据自身学习能力强、适应力强的优点，在短期电功率预测中得到广泛运用。

RBF神经网络是人工神经网络中的一种，预测精度远远高于BP神经网络，其算法原理则是将径向基函数当作隐含层节点的重要构成，形成隐含层空间，将变换输出变量，由低维模式转化成高维模式，并对线性进行合理划分，与BP神经网络运用相比，没有局部最小问题的局限性，也不需要对隐含层空间的单元个数进行确定，应用更为简单。RBF神经网络在非线性函数方面、分析能力及学习速度方面的优势更加显著，由此可见，利用RBF神经网络于短期风电功率预测中更加适宜。

RBF神经网络的实际运用过程中，同样分为三个方面：输入层、隐含层、输出层。输入层中风机的输出功率主要受到风力发电场的风速、空气密度的影响，其中风速是主要影响因素，但是空气密度由于测量难度大，并且容易受到温度的影响，对电机输出功率具有很大影响。而风机内部结构有偏航系统，能够自动对风，此因无需考虑风向的影响。进行模型训练过程中，首先要选取前一阶段的风机运行的相关数据，比如电功率输出值、温度值等，并且与后一阶段的风速样板作为依据有针对性的进行训练，然后在已完成训练的模型中输入风速、环境温度，从而获取准确的风电输出功率，更好的保证风电功率预测的准确性。

3 人工智能算法在风电系统微电网系统中的应用

除上述人工智能算法的应用以外，还可以将其运用在风电系统微电网系统中，用来预测电网的用电负荷情况，满足电网运行需求。微电网系统是一种小型电网，主要用于连接分布式风电、光伏接入，能够有效改善发电功率不稳定的问题，另一方面来看，由于电网运行负荷小，产生的惯性小、波动性强，导致负荷预测更加复杂、繁琐，将人工智能算法与其相结合，可以更高效的解决负载预测问题。

在正式开始短期负荷预测前，首先要明确划分负荷的类型，一般情况下，结合微电网的用電特点，主要将负荷分为照明、生产、取暖等几类，然后依据负荷数据值进行分析、整理，实际模型训练过程中，可以将微电网单位用电量的历史数据与影响数据建立模型，影响数据重点考虑温度、风速等气象数据，完成模型训练后，将未来天气预报相关数据进行输入，从而得到负荷预测值，这种预测方法具有较强的可行性、精准性，从而依据这些预测数据，对微电网进行科学调节，因此大大提升了电网运行稳定性。

4 结束语

综上所述，人工智能技术作为科技时代发展的重要产物，通过模拟人类思维方式进行工作，很大程度上提升了工作效率和准确性。将其运用在风力发电领域，是行业发展的必然趋势，不仅可以对风力发电设备故障进行预警、诊断和分析，还可以实现负荷预测等，有效提升风力发电效率，同时随着物联网技术不断取得新突破，风电系统智能化是未来产业发展趋势，带领风电产业不断迈向新领域，为实现经济与环境和谐发展提供重要支撑。

参考文献

[1] 于锦春.风力发电自动化控制系统中智能化技术的运用[J].通信电源技术，2020，37（3）：145-146.

[2] 刘潇.刍议风力发电控制系统中现代信息化控制技术的应用方法[J].科技创新导报，2019，16（35）：14，16.

[3] 韩岩.对信息化控制技术在风力发电控制系统中运用的思考[J].科技创新导报，2019，16（34）：1，3.

[4] 张玉林.探究风力发电并网技术及电能质量控制措施[J].工程建设与设计，2019（22）：55-56，62.

[5] 刘东洋.浅谈风力发电现状与发展趋势[J].商讯，2019（28）：126-127.

[6] 彭艳来，杨晓峰.风力发电场的智能化建设纲要探究[J].企业管理，2018（S2）：142-143.

[7] 赵军帅.智能化技术在风力发电自动化控制系统中的运用[J].自动化应用，2018（6）：157-158.

[8] 童飞.人工智能技术在风力发电领域的应用[J].低碳世界，2020，10（9）：46-47.

[9] 李泽田，尤德宽.风力发电——复合材料的一个重要应用领域[J].航天技术与民品，1997（2）：36-37

[10] 白悦杭.计算机在风力发电领域中的应用[J].计算机产品与流通，2019（1）：77.

作者：陆晓晔 叶青

风电预测误差风险评估论文 篇3：

电网规划设计中的风险评估应用分析

摘 要：一旦电网发生了故障，则会对整个社会产生较大的影响，所以，需要进一步增强对电网的规划设计，并做好风险评估工作。本文主要对电网规划设计及其风险评估的重要性进行了阐述，同时分析了电网规划中存在的不确定性因素，就简单的工程案例，探讨了风险评估的具体应用，以供相关人员参考。

关键词：电网规划；设计；风险评估；应用分析

1 前言

社会经济的不断发展，人们的生活水平得到了进一步的提高，且在人们的日常生活中，使用电气产品的频率越来越高，极大的方便了人们的日常生活。但是，电气在被广泛应用的同时会影响到我国电力系统的安全运行，因此，加强对电网规划中风险评估的应用有着一定的意义。

2 电网规划设计中的不确定性因素

2.1 电力负荷影响因素

社会经济的不断发展，企业规模也在不断扩大，耗电量变的越来越多，对于电网负荷的要求也就变得越来越高，而这些因素也影响到了电网运行的稳定性。在传统的电力系统中，企业的用电负荷跟企业所处地区的经济发展状况有着十分密切的关系，且基本处于稳定的状态，电价始终处于一个比较稳定的状况，但现阶段，电力市场发生了一定的变化，电力价格也随之出现了不同程度的变化，地区以及时间段不同，其电费也存在一定的差异，而用户为了能够进一步节省电费则会仔细选择用电的时间以及区域，几种用电问题严重，对电网的负荷受到了严重的影响。

2.2 存在较多不确定的因素

电网以及电厂在传统的管理模式中，是属于性质不同的两个单位，且对电网进行规划时有效的分开了电源跟电网，建设电力很大程度上取决于投资商，而投资商更多的是关注自身的利益，因此电网难以得到较好的规划。而对电源进行规划时，缺乏统一的规划电源的单位，导致不同的单位在确立规划的主动权时存在着严重的问题。在电力市场中，建设电源时要跟电力市场的实际供应需求相结合，并且受到国家政策以及电力价格的变动的影响，因此，准备电源前期时，常会有重复投资的问题出现，增加了电源规划的不确定性，难以保持平衡。而建设电力过程中，由于违反了相关规定，难以对电源进行规划，所以电网所提供的电力能源不够稳定，也就难以跟市场的需求相满足。

3 针对电网规划设计中的风险评估方法

3.1 明确风险评估中常见的方法

3.1.1 风险因素分析

风险因素分析法主要是指能够对那些导致风险发生的因素进行特定的分析，以便对风险最终的发生概率进行评估，其主要分3个步骤，第一，对风险发生的源头进行调查；第二，判断风险转换的条件以及转换的可能性；第三，对风险发生后的情况进行模拟，并评估其可能造成的后果。一般对电网进规划设计主要包含以下几点内容：①技术风险；②外部风险；③内部风险。

3.1.2 基线评估

基线评估的方式耗费的时间较短，且操作便利，对资源的占有率较少，因此，在规划设计电网时，有些特殊的环境对于电网的安全需求不是很高，利用此评估技术更经济合理。改评估方式还能够利用计算机技术创建一套系的风险评估方式，具有较强的自主性，能够有效的评估电网中的风险，科学性较高，有效的促进的电网设计规划工作的开展，利用此种评估方式，并不断发展，能够使得评估变得更为细致和详尽。

3.1.3 层次分析法

此分析方式遵循了定性以及定量的原则，多点多层次的进行分析，对原先对定量问题进行智能处理的分析方式进行了改变，分析理念更新。而进行电网的规划设计时，电网的结构十分的复杂，所使用的建设方式也十分的特殊，因而在实际规划过程中常会有各种新的风险因素出现，而利用此分析法则能够较好的对此问题进行解决，能够分析的更为全面，使得风险评估的效果得以进一步的提升，便于后期电网规划设计工作的展开。

3.2 明确风险评估的模型与有关的指标

而对电网规划设计存在的风险进行评估时，还需要利用到蒙特卡罗模拟法，能够有效的应对电网负荷变化的随机性问题，并且此方法的计算量不会受到系统复杂程度的影响，缺点在于计算时耗费的时间较长。同时还可以利用状态枚举法，此方法的灵活性较高，主要对那些概率低的失效元件或者运行比较简单的工程中比较的适用。进行电网规划设计时，需要做好设计之间的差距对比，而对于模型的精准度以及相关参数的准确度要求不是很高，换言之，电网规划设计的一些方案要能够承受一定的风险，所以，为了在评估风险过程中降低计算的复杂度，则可以利用状态枚举法。

3.3 电网规划设计的风险评估具体应用

第一，遵循确定好的规划设计原则，并对规划设计的最终目的有所明确，而后以其为指导依据，进行电网规划；第二，做好与电网风险评估相结合的工作，并综合各项技术分析，以及电网规划设计的周期，电网的实际负荷能力，电网的发电计划等，提出针对性更强的电网改进的方式，确保最终制定的规划设计方案更具合理性，进一步提高电网运行的稳定性。第三，通过风险评估的工具预测并分析好规划设计方案的可行性以及经济性，确保成本投入最低，可获得的经济效益最高的一种规划设计方案。

3.3.1 工程案例

某工程所处地区的地势南部较高，北部较低，而北部是完达山脉，跟风电场相距40km，所处海拔高度为为200～230m，切割深约200m左右，属低山地貌。工程区分布地层主要为第四系覆盖层和晚印支期的侵入岩。晚印支期侵入岩为酸性的二长花岗岩和碱长花岗岩，大致呈北东向分布，呈岩基岩株状产出，节理裂隙较发育，近地表风化作用较强烈，但风化深度有限，强風化带厚度一般为2.0～3.0m。所以该地区由于地质断裂引起的风险较小。但该地区冻土深约1.8m，建筑物应考虑基础防冻涨风险。

3.3.2 电网规划中应用风险评价的主要内容

（1）气候风险

根据该工程特点，气候风险因素主要是气候对风力资源的影响。包括对风速、风向、风能的影响。该地区属于中温带季风性大陆气候。从历年年平均风速看，年平均风速有下降趋势，但不排除由于测站周围建筑物等障碍物引起的测量误差。春冬季盛行西北风，西北风向频率为43%；夏秋季盛行西南风，西南风向频率为40%，主风向比较稳定，风向风险因素较小。

（2）风电技术风险

本工程拟定选用风机机型主要有3种，分别是：①金风50-750；②威晟62-1200；③金风70-1500，都有国际上成熟的商品化风电机组技术，但不排除安装运输故障和安装故障风险，此风险较小。风机机组布置比较分散，加长输电线路，输电网电缆本身造成更多损耗，由于电网布置过密也会导致的电能损耗。所以输电网损耗对电能生产存在一定风险。此外，输电网如果发生短路或断路故障，会导致电能严重损失，也有可能引起火灾危害，影响电能的生产与输送，存在一定的风险因素。

（3）工程风险

根据该地区气候和天气情况，1、2月零下很多度，不利于施工，5～7月湿热多雨，影响机组的安装工作，这些气候和天气因素将可能导致工期延误的风险。同时，工程区所覆盖的厚度较小，且基岩和晚印支期侵入的花岗岩，还没有发现不利的地质灾害以及地质构造，具备建设风电场的工程地质条件。地下水以碳酸钙型为主，矿化度小于0.2g/L，水对混凝土结构无腐蚀性。

4 结语

有效的结合电网规划设计以及风险评估理念，能够提高电网规划设计中量化处理可靠性，有效的对传统的电网规划设计方法进行了完善，促进了电网规划设计的顺利进行。

参考文献

[1]董琴.关于我国电网规划设计方案中的风险评估研究及其应用[J].科技传播，2013，（24）：23.

[2]陈国柱.浅析我国电网规划设计中的风险评估研究及其应用[J].大科技，2014，（13）：85.

[3]黄海燕.电网规划设计中的风险评估实际应用[J].大科技，2013，（22）：131-132.

（作者单位：国网湖南省电力公司东安县供电分公司）

作者：周子寓