4、风电出力特性：风速概率分布（Weibull）、功率曲线、预测误差分析、爬坡事件
各位同事，今天我们来聊聊风电出力特性。这部分内容，说白了就是搞明白「风到底能发多少电」。我在做辅助服务市场报价模型时，发现很多同行把报价模型做得很复杂，但基础的风电特性却没吃透。结果模型跑出来，跟实际偏差很大。
嗯，咱们一个一个来看。
4.1 风速概率分布——Weibull分布
风速不是一成不变的。它是个随机变量。我个人习惯用Weibull分布来描述它。为什么？因为它在工程上足够简单，而且拟合效果不错。
Weibull分布的概率密度函数长这样：
f(v) = (k/c) * (v/c)^(k-1) * exp(-(v/c)^k)其中：
- v：风速（m/s）
- k：形状参数，决定了分布的形状。k值越大，风速越集中
- c：尺度参数，与平均风速有关
我在项目中遇到过，有些同事直接用平均风速来估算发电量，结果误差很大。你想想看，平均风速是5m/s，但实际风速可能大部分时间在3m/s以下，或者8m/s以上。用平均风速算，完全失真。
下面这张图，是我自己画的风速概率分布示意图。你可以看到，不同k值下，风速的分布形态差异很大。
4.2 功率曲线——风机的「性格」
功率曲线，就是风速和风机出力之间的关系。每台风机都有自己的功率曲线。说白了，就是告诉你「风吹多大，发多少电」。
典型的功率曲线有三个关键点：
- 切入风速：一般3-4 m/s。低于这个值，风机不干活。
- 额定风速：一般10-12 m/s。达到这个风速，风机满发。
- 切出风速：一般25 m/s。风速太高，风机停机保护。
我曾经吃过这个亏。有一次做报价，直接用了厂家给的功率曲线。结果实际出力比模型预测低了8%。那一次报价策略完全失效。后来我学乖了，每次都用SCADA数据重新拟合功率曲线。
4.3 预测误差分析——别太相信预测
风电预测，永远有误差。这是物理规律决定的。我们做辅助服务市场报价，必须把预测误差考虑进去。
预测误差通常用均方根误差（RMSE）或平均绝对误差（MAE）来衡量。我个人习惯看RMSE，因为它对大误差更敏感。
RMSE = sqrt( (1/N) * Σ (P_actual - P_forecast)^2 )预测误差的来源主要有：
- 数值天气预报误差：这是大头。天气预报本身就不准。
- 模型误差：预测模型本身的局限性。
- 随机波动：风速的瞬时变化，谁也预测不了。
你想想看，如果预测误差分布假设错了，报价模型的风险评估就会完全失真。该留的裕度没留，不该留的留多了。最后要么亏钱，要么拿不到订单。
4.4 爬坡事件——最头疼的问题
爬坡事件，指的是风电出力在短时间内大幅变化。比如，风速从5m/s突然升到15m/s，出力可能从20%额定功率飙升到100%。反过来，也可能断崖式下跌。
爬坡事件对辅助服务市场的影响非常大。为什么？因为爬坡意味着系统需要快速调频、调峰。如果你在报价时没考虑爬坡风险，很可能被考核罚款。
我一般用以下指标来量化爬坡事件：
| 指标 | 定义 | 典型阈值 |
|---|---|---|
| 爬坡幅度 | ΔP = |P(t+Δt) - P(t)| | ≥ 20% 额定功率 |
| 爬坡速率 | ΔP / Δt | ≥ 10% 额定功率/15min |
| 爬坡持续时间 | 从开始到结束的时间 | ≥ 30分钟 |
嗯，这里要注意。爬坡事件不是孤立发生的。它往往跟天气系统有关。比如，冷锋过境时，风速会剧烈变化。我建议在做报价模型时，把爬坡事件和天气预报结合起来。比如，如果天气预报说有冷锋过境，那就要在报价中预留更多的爬坡备用容量。
最后，我把这四部分内容串起来，画了一张知识结构图。你可以看到，风速分布是基础，功率曲线是转换，预测误差和爬坡事件是风险。做报价模型时，这四个要素缺一不可。
好了，这部分内容就到这里。记住，风电出力特性是报价模型的「地基」。地基不稳，楼盖得再高也没用。