1、國際電氣工程教育46/4 虛擬發電廠 英國曼徹斯特大學電氣與電子工程學院：蓋.紐曼和馬泰爾.約瑟夫電子郵件：g.newman-3 student.manchester.ac.uk摘要：依靠各種新能源和可再生技術的小型發電機正在得到越來越普遍的應用，這是由于這種發電機能夠減少溫室氣體的排放量，而這些溫室氣體正是導致氣候變化的首要原因。 隨著分布式要素的增加， 中央式結構逐漸被取代，也就需要我們越來越多的了解分布式發電設備的復合運行方式，這種設備也被稱為虛擬電廠。本文介紹了一種在數學建模基礎上進行虛擬電廠開發的一種用戶友好型工具，它可以用來作為一個電力系統工程教具，來輔助演示虛擬電廠的特點。關鍵詞

2、:分布式發電；微型熱電聯產；太陽能；虛擬電廠；風力發電社會環保意識的增強促使電力行業需要去發展新的業務，以減少二氧化碳的排放，而二氧化碳的釋放正是氣候變化的首要因素。這就導致需要通過新的途徑來發電，其中一些方法就是確立現有的綠色技術并且推廣它們，例如新型海上風力場，還有一些方法就需要更新的技術，例如燃料電池。這種轉變由一系列因素引起，從由于化石燃料發電所引起的氣候變化而增強的環保意識，到對長期石油供應安全的擔憂。 當然，小規模的傳統化石燃料發電，也可以安裝備份。如光伏、風能和微熱電聯產這樣的環保的綠色科技，就正在像高標準看齊，它們減少了來自電網的壓力，這樣就減少了傳統發電導致的二氧化碳的釋放。

3、如果設備量夠大，那么通過這些技術，年度生產的電能就可以達到甚至超過每年建設所用的電量。如果一項建筑安裝了足夠數量的分布式發電廠，又能夠長期的運用這些技術，那么這一地區的電網就可以被完全移除而自給自足。但是，光伏陣列在晚上處于休眠狀態，而風渦輪機的運行性能取決于風速，微熱電聯產受現場供暖的要求的局限。要真正成為離網時需安裝的儲能設備，費用是昂貴的，所以很多地方只有在產大于出的時候才將能量饋入電網，當入不敷出時就只能從電網中取電。因此，依靠化石燃料燃燒發電還將持續一段時間。用這種分布式發電廠建模電網就假設了這些分布式發電廠可以作為負載的抵消，這種假設可以成為一個接受點，然而，如果小規模的發電不敷負

4、載，或者減少了網路的可控性，這種假設就不能成立。在這一點上，通過電網的分配，電流就發生明顯的改變，電網內母線的電壓也受到影響。最重要的是，安裝的網絡物理硬件能夠在一定的條件范圍內控制功率，但是這些條件通常都是單向的，也就是從偏遠的電站輸送到消費者。那么電流的逆轉就超出了這些硬件的控制，所以必須改變或者修飾這些硬件，產生雙向的電流。在一個較小的范圍，功率的逆轉調整了低壓網下的功率流，從配電網到低壓網的功率零傳輸不能保證低壓網就不承載功率，虛擬電廠是置放于系統運營商和電氣設備用戶之間的人工操作層，它由各個電氣設備單元構成，并統籌為一體單元來進行操作，而不是讓每個單元獨立操作。在這種方式下，它成為了

5、一個調節者。隨著網絡運營商可以指示虛擬電廠的操作來控制工廠的輸出，就或多或少的需要功率的輸出。它也可以通過設備發生器合并功率的輸出。對于間歇性分布式發電廠主來說，這是有益的，因為分布式發電廠的合并行為減少了輸出功率的復雜性，這也意味著在本質上是可以隨機預測的。 預測輸出的虛擬電廠所面臨的挑戰，從光伏、風能和微熱電聯產預測功率的輸出的首要問題就是，這些設備是由不可預知源驅動。準確的預知風速、太陽輻射和溫度是一種高級主題的氣象研究，但是它們都是復雜的問題。另外，精準的預測還存在一些問題，就是一些局部的差異已經超出的預測的范圍。總體而言，這個問題的難度還是很大的。在這項工作中，我們關注了三種分布式發

6、電，分別稱為光伏發電、風能和微熱電聯產，為了獲得這些技術中的一個虛擬電廠的形式模型，首要任務就是要了解每個技術的特征。風力發電的基礎如上所述，地面水平風速在一定程度上的大規模預測具有不確定性，并且由于局部動蕩也會導致預測不準確。接下來的工作是在假定沒有預測誤差的情況下進行的，盡管實際情況并非如此，這種假設是為了簡化計算。測量風速中，其余的不確定性就是由局部差異引起的，而這可以進行模擬。在參考文獻2中，平均風速為一個給定的海拔高度作為式1，由于地形帶來的標準偏差由式2所決定，從廣義上講，測量點越高，風速將會越大約平滑，方程1和2分別提供了平均風速，和風速的標準偏差。在短期測量時間內，分配功能不能

7、精確的呈現，由于假定分配沒有差異，有了這些數據，標準的分配就被選出。有了統一分配，標準偏差和平均風速，就可以估計風俗的可能性分布。為了產生有用的輸出，這種分布必須同渦輪機動力曲線聯系起來。fig1展示了理想的動力曲線。用統計學理論，就有可能將兩種曲線聯系起來從而產生一種可能性功率輸出。盡管這可能作為獨立的單元，但以這種方式處理發電機輸出是不切實際的，因為它們必須合并成單一的虛擬電廠輸出。雖然使用連續型數據時可能的，但是在過程中使用離散型數據是更方便的。因此，風力渦輪機的輸出以離散形式的幾率更大。太陽能發電基礎知識地面的太陽能輻射也具有一定程度的不確定性，對于福照度，盡管可能涉及一些結構性陰影取

8、決于光伏陣列的安置，但最大的不確定性還是來自于云變的性質，雖然較大的云層可以從太空中看見也能被預測。但一些較小的云層則不容易被注意到，并且在預測輻照度上引入到一個誤區。參考文獻3給出了衛星8在1平方公里在15分鐘內的氣象分辨率，與r.m.s.在1分鐘內存在20%的誤差。雖然在他們的工作中并沒有提到特別擬合的概率分布，但他們使用均勻分布同風模型保持一致。均與分布的選擇呈現出了這些誤差。有了這個信息，光伏陣列的輸出功率就可以由研究中使用的模型確定。另外，這種輸出在本質上是離散的，易于操作和組合。微型熱電聯產的基礎 微型熱電聯產更難預測，因為它需要更普遍的數據，以便產生輸出。微型熱電聯產是以鍋爐裝置

9、為單元，通過它們加熱，把廢熱轉換成一些電能效率。這些設置然后就一直加熱直到溫控器超過上限閥值，就關閉鍋爐加熱用途。一旦設置失去足夠的能量而降到下面較低的閥值時，溫控器的鍋爐就再次打開。鑒于預測數據包含周圍環境溫度，就有可能決定提供鍋爐可能的占空比，也可預測設備的熱工參數。例如從內部到外觀的的整體熱阻和熱容量。通過對設備的熱容量和熱電阻選擇適當的值，并且知道其它如熱額定功率和轉換效率的鍋爐參數，就可能確定出鍋爐的占空比，從而確定微熱電聯產的瞬時輸出功率。瞬時功率和平均功率 如上面所述，確定瞬時功率是非常重要的，但也不能忽略另一個重要的數據也就是平均功率的消耗。在預測的時間范圍內，瞬時功率描述了在

10、任何一點時的虛擬電廠發電，這在整個預測的時間范圍內是不同于平均功率的，平均功率是長期時間的功率。雖然瞬時功率是用于在一定時間范圍內確立網絡流量的，而靜態的平均功率則對長期時間內可用功率更為有益，并且會顯示出整體預測流量。風力發電機組長期的功率輸出可以用一種簡單的途徑被聚集起來。雖然這是一種簡化的途徑，但在確定這種方法的準確度時，時間長短的選擇還是起著關鍵的作用。通過選擇下降到10到60分之間的長度，就可以得出風速方差的最小化。雖然這并沒有保證速度會完全的適合分布，但是它已經最大限度的提高了它所能提高的機遇。光伏的平均輸出功率也可以用一個簡單的函數算出，因為云的形成，造成了初始誤差。雖然構成基準

11、預測輻射度的較大的云層比較容易預測，但是那些規模較小的浮云會引起誤差也可以被平均掉。由于其規模和速度，它們產生的波動類似占空比。雖然這在瞬時功率是會產生誤差，但這種行為較為平滑，因此在較長時間內能夠得到一個相對準確的平均結果。微型熱電聯產更加難以描述，由于發電機偏振和關閉行為，輸出就作為一個脈沖周期出現。由此獲得的輸出功率完全依賴于鍋爐循環頻率和觀察期。雖然方程冗長派生，但并不復雜，可以分為四種不同情況分析。結合總設備如上所述，隨機輸出功率圖的組合形成了一個整體的功率輸出圖，大大加快利用離散數據的機會。要添加兩個分布式發電廠單元的功率輸出就要使用一系列連續的數據，包括使用大量的集成，而這一過程

12、中也要使用離散型數據，因為這些離散型數據能能夠為每個據點解決簡單的乘除。這樣做是為了每個數據點的輸出數據，知道每個分布式發電廠單元都包含兩種功率即輸出功率和平均功率。考慮到隨機過程，在哪里要求分布式發電廠被認為是不重要的。虛擬電廠的實施為了生成具有自動計算和組合的能力的程序，就需要精心的組織程序結構，還要知道怎樣交互程序以及同用戶的的數據交流。該程序的用戶終端是分布式發電廠的管理者，他們應該能夠盡可能的聚集輸出功率，這也是最頻繁重復的工作。此外，管理者應該能夠毫不費力的從系統中添加或移走發電機。并且，管理者應該能夠一次處理多種情況，無論是手動的重復聚集工作，還是一起進行的裝載預測程序列表的任務

13、。從系統運營商進來定的數據分為兩個階段：分布式發電機的單位參數輸入，和預測參數項的輸入。在使用預測參數前需要給定單位參數，預測參數需要執行程序模式。然而，無論程序模式運行到何時都需要進行第二次輸入， 除非虛擬電場的配置被修改，否則只是在虛擬電廠設置期間才需要輸入單位數據。這一代的單位安裝是費時的，并且需要由系統內部的發電機支配。因此，虛擬電廠發電機安裝應該能夠被保存和加載，以確保能夠迅速的轉換到程序的主要部分。程序的輸出數據以數據集的形式來針對輸出功率。每個預測數據集會產生兩套數據，瞬時輸出功率和長期的平均輸出功率。這是程序內信息流動的終端，而不是也不嘗試成為一個圖形顯示屏或電子表格類型的應用

14、程序。在創造這些程序方面，另外一些人已經做得很好了，所以數據應該以這樣一種方式傳達給用戶，即它可以很容易的從程序轉移成圖形顯示包。圖形用戶界面根據程序用戶流量保持到最低限度的規定，最基本的界面要建立整合上述的特定的因素。產生和預測的輸入數據，都能夠由端口完成，同時上述的下載及虛擬電廠設備的保存也可以完成。此外，它還可以使用窗口上最左面的兩個大框編輯和加載發電機參數，最左面的框能夠選擇虛擬電廠的發電機，而右面的這個可以顯示出所選發電機的參數。通過簡單的編輯相關值就可以改變任何發生器的參數，當然，這些新值不會自動保存到文件內，但是對于虛擬電廠來說，這些參數可以或大或小的修改，而不必移除發電機來重新

15、輸入不同的參數。除了上述的框，程序內的流動是從左到右。最左邊的六個按鈕允許投入新的發電機，移除發電機，并且保存和下載發電機配置。中間的四個按鈕允許輸入預測數據來完成方案的主要目的。它們被分成兩組然后再分成兩組。首先，他們根據用戶是需要運行單一預測還是需要運行一系列預測將用戶分成兩組。這種分組是垂直的，最左邊的按鈕只處理單一的預測。第二次分組是根據用戶希望運行優化版本還是非優化版本，這可以作為一個有用的示范工具，來顯示運行優化過程節省了時間。兩種輸出是明顯不同的，這種分組是橫向的，非優化處理時使用最頂端的按鈕。稍后在討論優化本身。窗口的最后部分是輸出文本框，完成主程序后，下一個文本框就填充數據集

16、，使用標簽劃界，從而能夠直接的復制粘貼到電子表格應用程序。就其本身而言，它不能編輯，它沒有用戶輸入只有輸出，一旦用戶選擇將數據輸入添加到虛擬電廠的發電機，它們將以非常易于彈出的的方式呈現。這就提出了一系列能夠改變的發電機參數。此外，為了通過多次投入一致的發電機組來提高效率，用戶可以選擇投入任何用給定參數的發電機。一旦用戶對參數滿意，通過點擊“完成”按鈕可以投入發電機。 按下“關閉”按鈕，退出的窗口彈出窗口也沒有作用。如果用戶決定處理一個單一預測數據，他們就面臨著另一個彈出式窗口。使用顯示的參數，他們可以輸入預測數據。當用戶對輸入數據滿意時，按下“生成”按鈕，通過聚合過程中的進展程序，將結果顯示

17、給用戶。如果用戶選擇運行一系列預測，他們都將帶有彈出窗口。圖4中同樣的建立參數也可編輯，用戶可以添加或移除表中的行。應該將數據存儲到一個文本文件列表，用戶可以選擇將數據加載或存儲到文件。一旦用戶對數據列表滿意，按“生成”按鈕，在每一個預測系列中讀取來自表和流程的數據。最終的結果表將顯示給用戶。如果用戶選擇運行一系列預測，那么他們會提供一種表對話窗口。 后端雖然前端是非常簡單直接的，但它和它的進程完全建立在后端正確的架構上。包括圖形用戶界面接口、后端是一個單層。圖5 可以看出后端的布局，該功能可以分為兩大類，即數據管理和數據處理。雖然數據處理涉及動態的數據管理，但還是有必要區分兩者，這樣才可以實

18、現代碼重用。雖然數據處理比較復雜，但它是建立在正確的數據管理上。數據管理功能作為后端部分運行的第一個例程，在這里數據結構需要初始化。管理者也需要處理發電機的添加、移除、選擇以及虛擬電廠配置的下載和保存。對于預測數據，數據管理職能包括讀取這些數據序列表，而這些序列表本身就包括讀取和存儲預測數據。最后一點，數據管理功能能將輸出的數據呈現在屏幕上。但是，管理職能除了組織數據不做其他任何事。管理和處理之間的銜接數據處理功能的切入點，通過數據收集處理功能收集輸出數據。數據處理功能處理入口處給它的數據，但是這個數據是沒有形式的，處理功能旁邊是一個收集處理器，能夠進行數據管理。每一個發電機型號都有一級，一旦

19、初始化，這一級能夠掌握有關發電機的參數。此外，每一級都可以建立自己的輸出功率圖，即瞬時功率和平均功率。更復雜的是建立這些圖的數學方面，也就是這些圖是由位于他們旁邊的一類所完成，這一類可以提供要求一點的累積分布的輸出。由于這些有用的類，用于進行數據處理的最簡單的路線就是讓每個發生器構建其輸出功率圖，然后再結合發電機圖，使它們成為兩個完整的輸出圖。雖然這是最簡單的路線，但是很顯然，處理數據所需時間的長度與發電機數量密切相關，事實上也就只是二次方程。由于發電機的數量可能會很大，優化有利于減少所需時間。這個過程可以有效降低系統中發電機的數量，許多發電機共享同一參數，而正可以減少此類發電機的數量。可以減

20、少發電機所運用的理論就是：聚集的順序并不重要，除非每個發電機匯集成總，而這在工作中并不常見。以這一基準進行工作，相同的發電機就能產生相同的輸出圖形。因此，通過結合兩個發電機，再結合輸出本身，只要四臺發電機所提供的是相同的，它們就可以有效地聚合。持續這一趨勢，發電機的二進制數字序列就可以取得相對較少的計算。要 找出所有相同的發電機并統計它們的數量，優化就能實現這一功能。作為計算機中的存儲號碼，自然以二進制格式儲存，所以在數據的輸出過程中，確定它們中每一位將在倍增過程中同哪一位組合是必不可少的檢查。只選擇所需的位，就能用盡量少的計算建立輸出。模型輸出模型和程序有更易于觀察的特點，它們中的一些比其它

21、的更直觀。然而，一般情況下，可以說， 虛擬電廠單位數量增加有利于相對的減少平均功率的變化。因為它提高了電源的可靠性，這對于系統運營商來說是有益的。每種技術也有相關的輸出模式。例如，光伏組件只在白天進行預期輸出，而chp對光伏發電顯示相反的操作，僅在較涼爽的時候進行操作。這些技術的預期性發電具有季節性，光伏發電在夏天較有優勢，chp則在冬季的幾個月內優勢更明顯。風力渦輪機根據前一天的研究可以預測顯示整天的輸出。但是，程序使用的模型有其局限性。這種模型假設預測數據是完全正確的，該方法只有在預測時間內推出了自己的問題，并沒有完全準確的預測數據。由于模型沒有考慮到這種不確定性，所以系統操作對未來的預測

22、不能獲得有益的啟示。該模型仍然會為預測產生一個近似的數據，但是由于不確定性就不能提供變化度。案例研究 案例研究給出了三臺發電機設置，機風電、光伏和熱電聯產。額定功率為1.5千瓦的風力發電機組在10米的高度，切入速度為4ms-1，額定轉速為12ms-1，切除速度為25ms-1，站點粗糙度為0.7；最大額定管道儲運為1.5千瓦的光伏陣列，表面方位角為180°，溫度系數為0.005，傾斜角為10°。微熱電聯產，鍋爐熱電力轉化率為0.3，額定功率為10千瓦，恒熱點為19°-20°，安裝在建筑物的熱容量為800jk-1，熱阻為0.005千瓦-1.首先,機組孤立。瞬

23、時風力，光伏發電和熱電聯產對天氣預報測試，風速為15ms-1，輻照為800wm-2,太陽方位角為160°，太陽高度角為60°，溫度為8°，經過900s的時間。蒙特卡羅模擬，使用相同發電機參數和氣象參數，測試同時進行以驗證其有效性。使用一百萬的隨機樣本，風，光伏和熱電的誤差分別為0.010%,0.008%,0.002%，然后在上述相同條件下經營發電機組，蒙特卡洛模擬運行，對一萬個隨機點進行比較預測，對組合模型給出的平均誤差是0.005%。這似乎比起上面說的有輕微的下降，然而，熱電聯產機組比光伏和風作為單獨數據點的數量多兩倍，平均錯誤也最低。 結論本文概述了虛擬電廠模

24、型，展示了這樣一種視角，即如何應用這個模型使用用戶友好型工具。在概率模型建設中，有三大技術已經取了進展性的討論：風能，太陽能，微熱電聯產，還有伴隨這些模型所開發的工具，并把重點放在模型快速、易于掌握和易于使用上。而當前模型的局限處就是無法結合不準確性來預測數據。今后的工作主題將包括整合未來1個小時內不精準預測，和對復合虛擬電廠輸出的不精確預測的影響。international journal of electrical engineering education 46/4characterising virtual power plantsguy newman and joseph mutal

25、eschool of electrical and electronic engineering, university of manchester, manchester, uke-mail: g.newman-3student.manchester.ac.ukabstract the use of small-scale generation based on disparate new and renewable technologies isbecoming more prevalent due to the imperative to reduce greenhouse gas em

26、issions that are thoughtto be the chief cause of climate change. as penetration of these distributed elements increases,displacing central generation, there is a growing need to understand the composite behaviour ofgroups of distributed generation (dg) devices, also known as virtual power plants (vp

27、ps). this paperpresents an overview of the mathematical modelling of the vpp leading to the development of auser-friendly tool that can be used as a power system engineering teaching aid to demonstrate thecharacteristics of vpps.keywords distributed generation; micro chp; solar pv; virtual power pla

28、nt; wind generationthe growth of environmental awareness in society is putting pressure on the electricpower generation business to reduce co2 emissions, thought to be the chief causeof climate change. this is leading to new methods to generate power. some of thesemethods build upon existing green t

29、echnologies and expand their size, such as newlarge-scale offshore wind farms, while other methods employ newer technologies such as fuel cells. the shift is driven by a combination of factors ranging fromincreased awareness of climate change due to power generation from fossil fuelsthrough to conce

30、rns about long-term security of oil supplies. aside from energytrading companies, small-scale distributed generation (dg) technologies are availablefor commercial and residential buildings, which can offer similar green credentialsfor a smaller scale of power generation. of course, small-scale conve

31、ntionalfossil fuel based generation can also be installed for back-up purposes.environmentally, the installation of green technologies such as photovoltaic (pv),wind and micro combined heat and power (chp, or microchp) is benefi cial inthat it reduces the electric power drawn from the grid, thus red

32、ucing the carbondioxide released from conventional electricity generation. if installed in large enoughquantities, the annual electrical power produced by these technologies can equal orbecome greater than the annual power usage of the building, or site. for a buildingwith this quantity of dg instal

33、led it would be logical to suggest that the site couldbe removed from the grid entirely and become self-sustaining, if it were not for theintermittency of the technologies involved. pv arrays are dormant at night, windturbines are a slave to the wind speed, and microchp is a slave to the site heatin

34、grequirements. to become truly off-grid requires the installation of energy storagedevices, which is costly, so many sites simply feed power back into the grid whenthey produce more than they consume, and take power out of the grid when theyconsume more than they produce. the reliance on fossil fuel

35、s (for conventionalgeneration) is, therefore, maintained.the approach to modelling power networks with dg has been to assume the dgas a load offset.1 this assumption is acceptable to a point; however, the assumptionfails if the small-scale generation outstrips the load, and leads to a reduction ofco

36、ntrollability of the network. at this point the fl ow of power through the distributionnetwork can alter signifi cantly, affecting bus voltages within the power network.most importantly, the physical hardware of the network is installed to control powerfl ow for a range of conditions, but these cond

37、itions are usually entirely unidirectional,from the remote power station to the consumer. the reversal of power fl owis beyond the scope of the hardware to control, so the hardware must be changed ormodifi ed to enable bidirectional power fl ow. on a smaller scale, the fl ow of powerwithin the low v

38、oltage (lv) network is adjusted by the reversal of power, affectingthe line voltage profi le. zero transfer of power from the distribution network to thelv network does not guarantee that the lv lines are not carrying power,anymore.the virtual power plant (vpp) is an artifi cial layer placed between

39、 the systemoperator and the dg user. it is formed out of individual dg units, and co-ordinatesthe actions of the units as a whole (where this is technologically possible), ratherthan leaving units to govern themselves individually. in this way it acts as a facilitator,as the network operator can ins

40、truct the vpp operator to control the output ofthe plant, requiring more or less power output. it also acts to amalgamate the poweroutput from the component generators. this is useful for owners of intermittent dg,as the amalgamation of devices acts to reduce the complexity of their output power,whi

41、ch is stochastic in nature to predict.challenge of predicting the output of a vppthe primary problem with predicting the output power from microchp, solar pvand wind is that these devices are driven by unpredictable sources. accurate predictionschemes for wind speed, solar irradiance and temperature

42、 are all advanced topicsin meteorological studies, but they are complex problems. in addition to the problemsof accurate forecasting, there are local variations which are beneath the scaleof the forecast. overall, the problem is of sizeable magnitude. in this work we focuson three dg technologies, n

43、amely wind, microchp and solar power. in order toderive aggregate models for these technologies in the form of a vpp, it is fi rst necessaryto understand the characteristics of each technology.wind power basicsthe wind speed at ground level is, as mentioned above, characterised by a degreeof uncerta

44、inty in the large-scale forecasting and also by localised turbulence belowthe scale of the forecasted data. it is assumed in the following work that there is noforecasting error, although this is not the case. this assumption is made to simplifythe computations. the remaining uncertainty in the wind

45、 speed is dependent onlocalised variations, and this can be modelled. in ref. 2, the average wind speed fora given altitude in given as eqn (1). the standard deviation due to the geometry ofthe landscape is determined from eqn (2), also from ref. 2. broadly speaking, thehigher the measurement point,

46、 the greater and smoother the wind speed will be.equations 1 and 2 provide the mean speed, and the standard deviation of the windspeed, respectively. where z is the height of interest, z0 is the roughness length, h is the measurementheight, and u is the wind speed. where is the standard deviation.no

47、 distribution function is noted for accurately representing small time periodmeasurements, so the uniform distribution was chosen for use with the data, as thisassumes no bias of distribution. with the uniform distribution, the mean wind speedand the standard deviation, the wind speed probability di

48、stribution can be evaluated.this distribution must be combined with the turbine power curve in order to producea useful output. an ideal power curve is shown in fig. 1. using statistical theory, itis possible to combine the two curves to produce a single probabilistic power output.although this can

49、be done for a single unit, it is impractical to manage the generatoroutputs this way, as they must be combined into a single output for the vpp. usingcontinuous data is possible, but it is more convenient for the process to use discretedata. therefore the probabilistic output is stored in a discrete

50、 form for the wind turbines,pv arrays, chp generators and the vpp.fig. 1 wind speed power curve.solar power basicsthe solar irradiance at ground level is also characterised by a degree of uncertainty.for irradiance, the largest uncertainty is due to the variable nature of clouds, althoughsome struct

51、ural shadowing may be involved, depending on the placement of the pvarray. whilst the larger cloud formations are visible from space and can be predicted,smaller cloud formations are less easily noticed and introduce a degree of error intoforecasted irradiance. reference 3 gives the meteosat 8 satel

52、lite a resolution of 1 km2and 15 min, with an r.m.s. error of 20% at 15 min. although no probability distributionis mentioned in their work as being particularly well fi tted, they usethe uniform distribution in their work and for consistency with the wind model, theuniform distribution is chosen to

53、 represent this error. with this information, thepower output for a pv array can be determined using models from the studydescribed in ref. 4. once again, this output is discrete in nature for ease of manipulationand combination.microchp basicsmicrochp is more diffi cult to predict, as it requires m

54、ore general data in order toproduce its output. the boiler in a microchp unit is fi red to heat a building, and thewaste heat is converted at some effi ciency into electrical energy. the building thenheats up until the thermostat is above the upper threshold, turning off the boiler forheating purpos

55、es. once the building has lost enough energy to fall beneath the lowerthreshold of the thermostat, the boiler is turned on again.given that forecasted data contains ambient temperature it is possible to determinethe likely duty cycle of the boiler provided that an educated prediction can be madeof t

56、he buildings thermal parameters, such as its overall thermal resistance fromexterior to interior and heat capacity. by choosing appropriate values for the buildingsheat capacity and thermal resistance, and knowing other boiler parameters suchas thermal power rating and conversion effi ciency, it is

57、possible to determine theduty cycle and consequently determine the instantaneous stochastic output power ofmicrochp.instantaneous and long-term powerwhile it is important to determine the instantaneous power, as above, it must not beforgotten that another important quantity is the average power over

58、 the predictionperiod. the instantaneous power provides the likely power generation for the vppat any point during the prediction time frame, which is different to the averagepower throughout the prediction time frame, described as being the long-termpower. whilst the instantaneous power is useful for determining fl ows in the networkduring the time frame, the more static long-term power is a more useful guide to theavailable power for the time frame, and will show the overall predicted fl ow ofpower.the wind turbine long-term power output can