4. 风电功率特性分析

风电功率预测与调度协同的精度上限，很大程度上取决于对风电功率自身特性的刻画是否准确。如果只把风电功率当作一条普通时间序列来处理，忽略它特有的波动、间歇、爬坡和统计分布规律，那么再复杂的预测模型也难以稳定发挥作用。本节围绕四个核心特性展开：波动性、间歇性、爬坡事件与统计特征提取，并给出可落地的计算方法。

一、波动性：功率在时间尺度上的变化强度

波动性描述的是风电功率随时间变化的剧烈程度，通常用相邻时段功率变化量或标准差来衡量。设某风电场额定容量为 P_r，在时间间隔 Δt 内功率从 P(t) 变化到 P(t+Δt)，则波动量定义为：

ΔP = P(t+Δt) − P(t)
波动率 = |ΔP| / P_r × 100%

实际分析中，常按 1 min、5 min、15 min、1 h 等不同时间尺度分别统计波动率分布。例如某 100 MW 风电场，15 min 尺度下 90% 的波动率小于 8%，但极端情况下可达 35% 以上。这说明波动性具有明显的“长尾”特征：多数时段平稳，少数时段剧烈。调度协同中，长尾部分才是真正需要备用容量和储能响应的对象。

波动性分析的关键不是只看平均值，而是看分位数。建议至少输出 P50、P90、P95、P99 四个分位点的波动率，用于判断不同置信水平下的功率变化范围。

二、间歇性：零功率与低出力时段的统计规律

间歇性指风电功率在部分时段接近零或长时间处于低出力状态。它与波动性不同：波动性强调“变化快”，间歇性强调“出力低且持续”。常用指标包括：

• 零功率概率：功率小于额定容量 1% 的时段占比；
• 低出力概率：功率小于额定容量 10% 的时段占比；
• 持续时长分布：连续低出力超过 1 h、3 h、6 h 的次数与平均持续时间；
• 间歇性指数：低出力时段数与总时段数之比。

以某 50 MW 风电场全年 15 min 数据为例，零功率概率约 6.2%，低出力概率约 14.8%，连续低出力超过 3 h 的事件全年出现 37 次，平均持续 4.6 h。这些数字直接决定了调度中“长时间缺额”场景的备用配置策略。间歇性强的风电场，不能仅靠短时储能覆盖，还需要与火电、水电或可中断负荷形成协同。

三、爬坡事件：功率快速上升或下降的识别

爬坡事件是风电功率在短时间内发生大幅变化的现象，分为上爬坡和下爬坡。识别爬坡事件需要同时设定三个参数：时间窗口 Δt、功率变化阈值 ΔP_th、持续时间下限。常用定义如下：

上爬坡：P(t+Δt) − P(t) ≥ ΔP_th
下爬坡：P(t) − P(t+Δt) ≥ ΔP_th
其中 Δt 可取 15 min、30 min 或 1 h，
ΔP_th 常取额定容量的 10%～20%。

例如对 100 MW 风电场，取 Δt=30 min、ΔP_th=15 MW，全年识别出上爬坡 214 次、下爬坡 236 次。进一步统计爬坡速率分布，可得到平均上爬坡速率 0.8 MW/min、最大上爬坡速率 2.4 MW/min。这些参数是调度系统中爬坡备用需求计算的直接输入。

爬坡事件分析还要关注“爬坡方向”与“持续时间”的联合分布。短时大幅下爬坡对系统频率影响最大，而长时上爬坡则考验调峰能力。建议将爬坡事件按“速率—持续时长”二维分箱统计，形成爬坡事件图谱。

四、统计特征提取方法

从原始功率序列中提取统计特征，是连接数据与预测模型的关键环节。常用方法可分为时域、频域和分布拟合三类。

时域特征包括均值、标准差、偏度、峰度、自相关系数、差分标准差等。其中自相关系数用于判断功率序列的时序依赖强度，差分标准差反映短期波动水平。计算时建议先按季节和天气类型分组，避免全年混合统计掩盖规律。

频域特征通过功率谱密度或小波变换提取不同时间尺度的能量分布。例如对 1 s 采样功率做 FFT，可观察日周期、天气过程周期和高频湍流分量。频域特征对预测模型选择时间窗口长度有直接指导意义。

分布拟合常用 Weibull、Beta 或混合高斯分布描述功率概率密度。以 Beta 分布拟合归一化功率 p∈[0,1] 为例，其概率密度为：

f(p; α, β) = p^(α−1) (1−p)^(β−1) / B(α, β)

通过最大似然估计得到 α、β，可进一步计算期望出力、出力不足概率等指标。若拟合效果不佳，说明功率分布存在多峰或强间歇特征，应考虑混合分布或分场景建模。

五、四类特性的关联与协同应用

波动性、间歇性、爬坡事件和统计特征并非孤立指标。波动性强的时段往往伴随爬坡事件；间歇性强的风电场，其功率分布通常呈现明显的零值堆积；统计特征则是前三者的量化表达。调度协同中，应把四类分析结果统一到同一时间粒度和同一置信水平下使用。

例如，某省级调度中心要求风电场每 15 min 上报未来 4 h 功率预测，同时提供 P90 上爬坡备用需求和 P95 下爬坡风险区间。风电场侧则基于历史爬坡事件统计和 Beta 分布拟合，给出不同置信水平下的功率区间。这样，预测不再是一个单点值，而是一组带有概率含义的区间和风险指标，调度端可据此安排备用和储能充放电策略。

把上述四类特性分析结果落到实际调度流程中，通常形成一条完整链路：原始功率序列 → 波动率分位数 → 间歇性持续时长 → 爬坡事件识别 → 统计分布拟合 → 功率区间预测 → 备用与储能策略。每一步的输出都应保留可追溯的统计口径，例如时间粒度、样本区间、置信水平和阈值参数。只有这样，风电功率预测才能真正从“给出一个数”升级为“给出一个可决策的风险区间”。