計及季度趨勢變時間步長風速仿真模型及應用

帥小涵，繆書唯

（三峽大學電氣與新能源學院，宜昌 443002）

隨著凈零排放成為全球目標，世界各國的風能產業持續擴張，截至2021年，全球累計風電裝機容量達837 GW，中國在其中占據著主導地位[1]。風電功率和負荷需求呈現較強的季度趨勢，使得風電并網系統的充裕度水平呈現季度變化特征，且該特征可能隨著風電的全球裝機容量迅速增長而增強[2]。因此，計及季度趨勢的風速仿真模型對風電并網系統的季度充裕度評估具有一定的理論和工程價值。

現有文獻針對風速的季度趨勢性和隨機波動性建立模型。例如：文獻[3]對一階馬爾可夫鏈進行改進，使其計及風速季節特性、日特性和干濕特性，對意大利某觀測站的風速仿真結果表明，該模型較好地保留了觀測風速序列的自相關特性；文獻[4]計及風速概率分布特征及其分布參數模糊性，提出日風速隨機模糊不確定模型，對美國和中國某風電場風速進行仿真，結果表明該模型能夠適應風速的隨機性、間歇性和季節性的特點；文獻[5]計及風速日變化、24 h風速的聯合概率分布以及風速的季度變化和最佳季度系數，對北達科他州的風電場進行風速仿真，通過評估IEEE-RTS 風電并網系統的季度充裕度，結果表明，忽視風速季度性將導致對季度充裕度指標的錯估；文獻[6]計及風電場特定風況、風機停運和尾流效應，提出風力發電的馬爾可夫模型，對美國某風電場進行風速仿真的結果表明，季度型的風況將導致全年的風資源分布不均勻，風能資源越豐富，則充裕度指標越低；文獻[7]提出計及風速的日變化和季度變化特征的非其次馬爾可夫鏈風速模型，并對美國多處觀測站的風速進行仿真，結果表明，仿真風速與歷史風速的日變化和季度變化特征吻合較好。除此之外，有很多數值預報工具可以實現對風速的高精度預測，例如中國氣象局的氣象衛星，可對多省市進行日前或小時級的風速預測，但其預測時段較短，難以適用于風電并網系統長時段仿真。

現有文獻對風速趨勢性和隨機性進行大量研究，但仿真風速的時間步長的設定仍較為被動，通常仿真風速樣本的時間步長受限于實測風速樣本的時間步長。為此，文獻[8]提出基于互轉換奧恩斯坦-烏倫貝克OU（Ornstein-Uhlenbeck）過程的風速仿真模型，其可產生任意時間步長的仿真風速樣本，并在多個時間步長下評估了IEEE-RTS 風電并網系統年度的充裕度。但文獻[8]未充分計及風速的季度趨勢，其仿真風速樣本與實測風速樣本的季度風速統計指標、概率分布特征和自相關特性上難以保持一致，未能得出風電并網系統的季度充裕度指標。

為此，本文在文獻[8]的基礎上進行改進，提出計及季度趨勢的變時間步長風速仿真模型。該模型認為風速由季度趨勢和隨機波動分量構成，所以本文應用Box-Cox（BC）變換和奇異譜分析從實測風速樣本中提取季度趨勢分量和隨機波動分量，而后分別應用線性插值法和OU 過程對兩分量建模，最后由此產生任意時間步長的仿真過渡樣本，并將其逆BC變換為任意時間步長的仿真風速樣本。為展示本文模型在電力系統上的應用性，將時序蒙特卡羅模擬法嵌入其中，得到在任意時間步長下，評估風電并網系統季度充裕度指標的步驟，為風電場最優規劃提供有價值參考。

1 提取風速季度趨勢和隨機波動分量

記v1,v2,…,vN為N組實測風速樣本，時間步長Δt為1，其具體取值可為1 h、0.5 h、0.125 h等，該時間步長由實測風速樣本的來源數據庫決定。本節將介紹從這些樣本中提取風速季度趨勢和隨機波動分量的過程。

1.1 實測風速樣本與過渡樣本的Box-Cox 變換

本文采用BC 變換和逆BC 變換建立實測風速樣本與過渡樣本之間的變換關系，BC 變換表達式為

式中：zt為t時刻過渡樣本；vt為t時刻實測風速樣本；a為實測風速樣本的偏移量，a＞0；λ為待定變換參數，其取值方法可參見文獻[9]。對式（1）求逆，可得到逆BC變換表達式為

應用BC 變換可將N組實測風速樣本變換為N組過渡樣本z1,z2,…,zN，其所在區間為[zmin,zmax]，通過式（1）和式（2）建立z和v之間的對應關系。過渡樣本可保留實測風速樣本中的季度變化趨勢和隨機波動趨勢，因此只需用奇異譜分析提取過渡樣本的季度趨勢分量和隨機波動分量。同時，由于BC變換為冪次變換，因此實測風速樣本與過渡樣本單位相同。

1.2 過渡樣本的奇異譜分析

奇異譜分析可以將一組時間序列分解為具有季度趨勢性或者隨機波動性的分量，其中季度趨勢分量是指分量中的低頻部分[10]，其在風速樣本的構成中起主導作用[11]，相對而言，隨機波動分量則指分量中的高頻部分，其在風速樣本的構成中起次要作用。與小波分解[12]類似，奇異譜分析可對時間序列進行分解。為此，本文采用奇異譜分析對過渡樣本進行分解[13]。文獻[14]指出，奇異譜分析得出的多組分量按其對應的特征值大小降序排列，一般頻率較低的排在前列，頻率較高的排在后列。設窗口長度即分量數為L，第i個分量貢獻率ci可由L個分量的特征值計算，即

式中，ei為第i個分量的特征值。

在過渡樣本中，貢獻率較大分量的變化特征更接近過渡樣本的變化特征，可采用曼-肯德爾檢驗法[15]對該分量進行趨勢性檢驗。當顯著性水平為θ時，通過比較檢驗值 |E| 與閾值E1-θ/2的大小來判斷該分量是否具有趨勢性，當前者大于等于后者時，則認為該分量存在趨勢。計算各分量的檢驗值，檢驗值大于等于閾值的分量之和作為季度趨勢分量，檢驗值小于閾值的分量之和作為隨機波動分量，該過程可表示為

式中：|Ei|為第i個分量的檢驗值，計算方式可參見文獻[15]；Zi=(zi,1,zi,2,…,zi,t)，其中zi,t為t時刻過渡樣本zt的第i個分量；Ls為季度趨勢分量的個數；Lr為隨機波動分量的個數；S=(s1,s2,…,st)，其中st為t時刻季度趨勢分量；R=(r1,r2,…,rt)，其中rt為t時刻隨機波動分量。

2 計及季度趨勢的變時間步長風速仿真模型

本節將通過線性插值及OU 模型對第2節提取的兩分量建模，并根據指定步驟生成給定數量和時間步長的仿真風速樣本。

2.1 季度趨勢分量的線性插值

記實測風速樣本數為N，時間步長為Δt，季度趨勢分量為與實測風速樣本具有相同時間步長的一系列散點，表示為sΔt,s2Δt,…,sNΔt。本文采用線性插值[16]方法由時間步長為Δt的季度趨勢分量計算M組更短時間步長Δm的仿真季度趨勢分量，即

式中：skΔm為kΔm(k=1,2,…,M)時刻仿真季度趨勢分量；st和st+Δt分別為kΔm時刻相鄰的左右時刻t和t+Δt對應的兩個已知季度趨勢分量。

本文認為季度趨勢具有周期性，因此當仿真時間長度超過實測風速樣本的時間長度，即MΔm＞NΔt時，將循環使用N組季度趨勢分量來進行計算。

2.2 隨機波動分量的OU 模型

BC變換可將實測風速樣本變換為服從高斯分布的過渡樣本，因此對于從過渡樣本中提取出的隨機波動分量，可直接使用OU 過程建模，基于OU 過程的kΔm時刻仿真隨機波動分量可表示為隨機微分方程[17]，即

式中：rkΔm為kΔm(k=1,2,…,M)時刻仿真隨機波動分量；WkΔm為維納過程[18]；μr為rkΔm的長期回復均值；τr為rkΔm的均值回復率；σr為rkΔm的擴散參數?？墒褂米畲笏迫还烙嫹ü烙嫤蘲、τr和σr參數，詳細計算過程可參見文獻[17]。

2.3 變時間步長的風速仿真步驟

依據以上分析，本文提出變時間步長的風速仿真算法，具體步驟如下。

步驟1確定要生成的仿真風速樣本數量M和時間步長Δm。

步驟2應用式（1）實現N組時間步長為Δt的實測風速樣本vΔt,v2Δt,…,vNΔt與過渡樣本zΔt,z2Δt,…,zNΔt的變換，并通過奇異譜分析從過渡樣本中提取季度趨 勢分量sΔt,s2Δt,…,sNΔt和隨機 波動分量rΔt,r2Δt,…,rNΔt。

步驟3將步驟2分解出的季度趨勢分量代入式（5），得到M組時間步長為Δm的仿真季度趨勢分量sΔm,s2Δm,…,sMΔm。

步驟4將步驟2分解出的隨機波動分量代入式（6），使用文獻[17]的方法計算出kΔm(k=1,2,…,M)時刻仿真隨機波動分量rkΔm。

步驟5將步驟4中rkΔm與步驟3中skΔm相加，得到kΔm時刻仿真過渡樣本，即

驗證zkΔm是否位于區間[zmin,zmax]。若是，則接受；若不是，則拒絕并重復步驟4，直至接受該樣本。

步驟6重復步驟4和5，直至產生M組仿真過渡樣本，代入式（2），應用逆BC 變換即可得到M組時間步長為Δm的仿真風速樣本vΔm,v2Δm,…,vMΔm。

3 風電并網系統的變時間步長季度充裕度評估方法

本節將時序蒙特卡羅模擬法嵌入上述模型，提出風電并網系統的變時間步長季度充裕度評估方法。

3.1 季度和年度充裕度指標

LOEE（loss of energy expectation）和SLOEE（seasonal loss of energy expectation）分別表示年度期望缺電量和季度期望缺電量，兩者分別可從年度和季度的角度刻畫風電并網系統的期望缺電量，其關系為

式中：ENSq為第q年的缺電量；ENSq,Spr、ENSq,Sum、ENSq,Fal和ENSq,Win分別為第q年春、夏、秋、冬的缺電量；LOEEQ為總年數為Q時的年度期望缺電量，MW·h/a；SLOEEQ,Spr、SLOEEQ,Sum、SLOEEQ,Fal和SLOEEQ,Win分別為總年數為Q時春、夏、秋、冬的季度期望缺電量，單位分別為MW·h/春、MW·h/夏、MW·h/秋、MW·h/冬。

由于每年中只有一個春、夏、秋、冬季，因此春季在數值上單位MW·h/春與MW·h/a 代表的含義是相同的，其他季度也有同樣的對照關系，因此后文指標LOEE與SLOEE的單位均以MW·h/季節代替。

類似地，LOLE（loss of load expectation）和SLOLE（seasonal loss of load expectation）分別為年度和季度的期望缺電時間，LOLF（loss of load frequency）和SLOLF（seasonal loss of load frequency）分別為年度和季度的期望缺電頻率，均有上述的對照關系。這些指標分別可從年度和季度的角度刻畫風電并網系統的充裕度水平，其關系為

式中：LOEE 和SLOEESpr、SLOEESum、SLOEEFal、SLOEEWin分別為年度和春、夏、秋、冬仿真風速的期望缺電 量；LOLE 和 SLOLESpr、SLOLESum、SLOLEFal、SLOLEWin分別為年度和春、夏、秋、冬仿真風速的期望缺電時間；LOLF 和SLOLFSpr、SLOLFSum、SLOLFFal、SLOLFWin分別為年度和春、夏、秋、冬仿真風速的期望缺電頻率。

3.2 季度充裕度評估步驟

本節將計及季度趨勢的變時間步長風速仿真算法與時序蒙特卡羅模擬法結合，提出風電并網系統季度充裕度評估的具體步驟如下。

步驟1假定在起始時刻，全部的發電機組（常規機組和風電機組）都正常運行，并設定Δm為仿真風速樣本的時間步長。

步驟2當機組處于運行狀態時，使用式（10）計算運行狀態持續步長數TTRn,Δm；當機組處于停運狀態時，使用式（10）計算停運狀態持續步長數[8]TTFn,Δm。

式中：λn為第n臺發電機組的故障率；φn為第n臺發電機組的修復率；r為[0，1]區間均勻分布的隨機數；表示對數據進行向上取整的運算，也可采用在文獻[8]中向下取整的方式進行運算。

步驟3根據第2.3 節步驟1～6，生成給定時間步長的仿真風速樣本。

步驟4計算全部常規機組的可用容量PG為

式中：NG為位于運行狀態的常規發電機組的數量；Gn為第n臺位于運行狀態常規發電機組的額定容量。

步驟5將步驟3所得仿真風速樣本結合對應風電機組的運行狀態，代入風電轉換函數計算風電場的可用容量PWF，即

式中：NWF為處于運行狀態風電機組的數量；vkΔm為kΔm時刻仿真風速樣本，k=1，2，…，M；Ps(·)為第s臺處于運行狀態風電機組的風電轉換函數，詳細計算公式可參見文獻[19]。

步驟6根據式（11）和式（12）的計算結果以及系統年負荷，計算第q年各季度的缺電量、缺電時間和缺電頻率。

步驟7當仿真至Q年度后，根據式（9）計算系統季度充裕度指標。

步驟8重復步驟2至步驟7，當季度充裕度指標SLOEE 方差系數的最大值小于0.02 時，停止仿真，并輸出SLOEE、SLOLE和SLOLF。

在此基礎上，為了評估在同一仿真時間步長下，采用實測與仿真風速樣本進行充裕度評估時，季度充裕度指標之間的偏差情況，本文使用相對誤差的絕對值R來作為評估標準，其值越小，則表示評估結果越準確。表達式為

式中：SLOEEact為實測風速樣本的季度充裕度指標SLOEE；SLOEEsim為仿真風速樣本的季度充裕度指標SLOEE。同理可以求得RSLOLE和RSLOLF。

4 算例分析

本章將對比實測與仿真風速樣本，以驗證本文模型準確性，并評估在不同時間步長下IEEE-RTS風電并網系統的季度充裕度，分析不同時間步長對充裕度評估結果和精度的影響，并與使用互OU 過程仿真風速以及充裕度評估的結果進行對比。

4.1 本文風速仿真模型的驗證

地球以赤道為界劃分為南北半球，其四季劃分標準如表1 所示[20]，根據該標準將風電場風速劃分為春、夏、秋、冬4 個季度的風速，從而可計算風電并網系統的季度充裕度指標。

表1 南北半球四季劃分標準Tab.1 Standard for division of four seasons in northern and southern hemispheres

本文由開放氣象數據庫北達科他州農業氣象網絡NDAWN（North Dakota agricultural weather network）[21]獲取Linton 觀測站78 840個時間步長為1 h的實測風速樣本，該樣本范圍從2011年3月至2020年2 月。Linton 觀測站位于南半球，在該時段內的實測風速樣本均值、標準差分別為10.98 mph 和6.15 mph（1 mph=0.447 m/s）。

應用第1.1 節方法對風速實測樣本進行BC 變換，其參數λ取值為0.17，參數a取值為1.5，然后應用第1.2 節方法對風速過渡樣本進行奇異譜分析，窗口長度L取值為730，顯著性水平θ為0.01，其對應的臨界值E1-θ/2為2.576。提取出的隨機波動分量OU 過程參數μ、σ、τ和σt2/(2πt)取值分別為2.16×10-4、0.28、0.09 和0.46。設定仿真風速樣本時間步長Δm分別為1.000、0.500、0.250和0.125 h，最后應用第2.3節步驟仿真生成78 840 h的風速樣本。

表2 為過渡樣本進行奇異譜分析后，按特征值大小降序排列的各分量對應的貢獻率以及曼-肯德爾檢驗所計算出的指標，其中分量1 滿足 |E|≥E1-θ/2。由表2 可得，分量1 具有趨勢性，且該分量的貢獻率為93.59%，對過渡樣本的變化有著主要影響，因此本文將分量1 作為季度趨勢分量，其余分量之和作為隨機波動分量。

表2 各分量的貢獻率及曼-肯德爾檢驗Tab.2 Contribution rate of each component,and Mann-Kendall test

圖1為部分風速過渡樣本及提取出的季度趨勢分量和隨機波動分量。由圖中可以看出，季度趨勢分量與實測風速樣本長期變化的趨勢較為接近，所面向的時間尺度大致是以月或年為周期，隨機波動分量也較準確地保留了實測風速樣本的波動情況，所面向的時間尺度大致是以小時或天為周期。

圖1 過渡樣本、季節趨勢分量和隨機波動分量示意Fig.1 Schematic of transition sample,seasonal trend component and stochastic fluctuation component

作為對比，本文應用互OU過程的風速仿真模型產生時間步長Δm分別為1.000、0.500、0.250和0.125 h的78 840 h仿真風速樣本，其詳細步驟參見文獻[8]。

表3 和表4 所示為不同時間步長下，本文仿真風速樣本、互OU 過程風速樣本與實測風速樣本的年度、季度均值和標準差。通過對比可以看到，在不同時間步長下，本文仿真風速樣本的年度和季度均值、標準差均與實測風速樣本較為接近，而互OU過程仿真風速樣本季度均值和標準差均與實測風速樣本有較大的偏差。由此可見，本文仿真風速樣本能較好地保留與實測風速樣本接近的年度、季度的統計指標和季度趨勢。

表3 不同時間步長下實測與仿真風速的年、季度均值Tab.3 Annual and seasonal mean values of measured and simulated wind speeds with different time steps

表4 不同時間步長下實測與仿真風速年、季度標準差Tab.4 Annual and seasonal standard deviation of measured and simulated wind speeds with different time steps

Linton觀測站實測風速樣本與仿真風速樣本頻率直方圖如圖2所示。圖2（a）所示為Linton觀測站的實測風速樣本和不同時間步長下本文仿真風速樣本的年度頻率直方圖，圖中T1,T2,…,T10分別表示[0，5），[5，10），…，[45，50）的10 個區間，D1、D0.5、D0.25和D0.125分別表示在時間步長為1.000、0.500、0.250 和0.125 h 時，實測風速樣本與本文仿真風速樣本間的巴氏距離[22]。從圖中可以看出，在不同時間步長下，實測風速樣本與本文仿真風速樣本年度頻率直方圖均有較高的契合度，且巴氏距離均維持在較低水平，表明本文仿真風速樣本能保持與實測風速樣本一致的年度概率分布特征，且精度較高。此外，本文仿真風速樣本變化范圍也與實測風速樣本保持一致。

圖2 Linton 觀測站實測風速樣本與仿真風速樣本頻率直方圖Fig.2 Histograms of measured wind speed samples at Linton observatory and simulated wind speed samples

圖2（b）所示為Linton 觀測站夏季實測風速頻率直方圖，以及時間步長為0.500 h 時本文與互OU過程夏季仿真風速頻率直方圖，圖中DSum,1和DSum,2分別表示本文和互OU過程風速模型的夏季仿真風速樣本與實測風速樣本間的巴氏距離，該距離越小，表明仿真風速樣本與實測風速樣本間的概率分布特征越相似。由圖中可以看出，DSum,1小于DSum,2，因此在時間步長為0.500 h時，本文夏季仿真風速樣本與實測風速樣本的概率分布特征較為貼近。在不同時間步長下，各季度的頻率直方圖也可得出相似的結論，限于篇幅，故不在文中展示。

類似地，在不同時間步長下，可以計算出各季度本文和互OU過程仿真風速樣本與實測風速樣本的巴氏距離，如表5所示，表中DSpr、DSum、DFal、DWin分別為春、夏、秋、冬實測與仿真風速的巴氏距離，加粗數據為兩模型之間較小的數據，可以看出，當時間步長為0.125 h時的春、秋和冬季互OU過程仿真風速樣本的巴氏距離小于本文仿真風速樣本的巴氏距離，除此之外，均是本文仿真風速樣本的巴氏距離較小。因此本文仿真風速樣本能夠更好地保留各季度的概率分布特征。

表5 不同時間步長下實測與仿真風速各季度的巴氏距離Tab.5 Seasonal Bhattacharyya distance between measured and simulated wind speeds at different time steps

不同時間步長下，Linton 觀測站實測風速樣本和本文仿真風速樣本自相關系數曲線如圖3所示。圖3（a）所示為不同時間步長下，Linton 觀測站實測風速樣本與本文仿真風速樣本在滯后5 h內的年度自相關系數曲線。圖3（b）為圖3（a）虛線框中的放大圖。由圖可得，在該滯后時段內，任意時間步長下本文仿真風速樣本與實測風速樣本的年度自相關系數曲線均較為貼近，表明本文仿真風速樣本能較好地保持與實測風速樣本一致的自相關特性。

圖3 不同時間步長下Linton 觀測站實測風速樣本和本文仿真風速樣本自相關系數曲線Fig.3 Curves of autocorrelation coefficients between measured wind speed samples at Linton observatory and simulated wind speed samples based on the proposed model at different time steps

圖3（c）所示為在不同時間步長下，Linton 觀測站冬季實測風速樣本與本文仿真風速樣本在滯后時間為5 h內的自相關系數曲線。圖3（d）為圖3（c）虛線框中的放大圖。由圖中可以看出，在任意時間步長下，本文冬季仿真風速樣本與實測風速樣本的自相關系數曲線均較為貼近，表明本文模型的冬季仿真風速樣本能較好地保持與實測冬季風速樣本一致自相關特性。類似地，在各時間步長下，其他季度的自相關系數曲線也可得出相似的結論，限于篇幅，故不在文中展示。

4.2 IEEE-RTS 風電并網系統季度充裕度評估

原始IEEE-RTS發電系統有32臺常規發電機，總裝機容量為3 405 MW，系統峰值負荷為2 850 MW，文獻[23]給出了具體的機組和負荷數據，在時間步長為1 h 的情況下評估該系統的季度充裕度指標，結果如表6所示。

表6 時間步長為1 h 時IEEE-RTS 發電系統季度充裕度Tab.6 Seasonal adequacy indices of IEEE-RTS generation system when time step is 1 h

假設在Linton 觀測站建設風電場，該風電場中包含200臺型號完全相同的風電機，風電機組的切入風速、額定風速、切出風速分別為3.0 m/s、10.5 m/s、25.0 m/s，其額定功率和輪轂高度分別為1.5 MW 和90 m，Linton 觀測站的風速測量高度為3 m，可根據文獻[24]中的轉換公式將仿真風速轉換至90 m 風電機組輪轂高度處的仿真風速，風電機組故障率和修復時間分別為2.5次/年和450 h/次。

假定在Linton 風電場接入原始IEEE-RTS 發電系統，使用本文與互OU 過程風速模型生成的時間步長為1.000、0.500、0.250 和0.125 h 的仿真風速樣本對比，并評估在各時間步長下IEEE-RTS 風電并網系統的季度充裕度，結果如表7 所示，表中括號內為該時間步長相對于前一較長時間步長充裕度指標的變化百分比，從中可以得出以下結論。

表7 不同時間步長下Linton 風電場IEEE-RTS 風電并網系統季度充裕度指標Tab.7 Seasonal adequacy indices of IEEE-RTS generation system integrated with Linton wind farm at different time steps

（1）接入風電場后，季度充裕度指標均會減小，因此風電并網具有一定的充裕度效益。

（2）隨著時間步長的減小，基于本文風速仿真模型和互OU過程風速仿真模型的季度充裕度指標SLOEE 和SLOLE 在-23.36%～14.66%范圍內小幅度波動，而兩個模型的季度指標SLOLF 均以14.50%～119.25%的范圍大幅度增加。

（3）將表中Δm等于1 h 時兩模型的季度充裕度指標與實測風速樣本的季度充裕度指標分別代入式（13），計算出兩模型的RSLOEE、RSLOLE和RSLOLF，如表8所示，表中加粗數據為兩模型中較小值，通過比較可以看出，本文模型的RSLOEE和RSLOLE均小于互OU 過程風速模型，整體上本文風速模型的季度充裕度評估精度較高于互OU過程風速模型。

表8 時間步長為1 h 時模型充裕度指標相對誤差的絕對值Tab.8 Absolute value of relative error of adequacy indices of models when time step is 1 h

以上現象表明，季度指標SLOEE 和SLOLE 對步長的敏感程度較低，而SLOLF對步長的敏感程度較高，在充裕度評估中需考慮該特點來選擇恰當的時間步長。

5 結論

本文提出計及季度趨勢的變時間步長風速仿真模型，可產生任意時間步長的仿真風速樣本，對于春、夏、秋、冬4 個季度，均有與實測風速樣本相接近的統計指標，且各季度的概率分布特征與自相關特征均接近于實測風速樣本。此外，本文提出能評估任意時間步長風電并網系統的季度充裕度評估方法。

使用本文和互OU過程的風速仿真模型對Linton觀測站的風速進行仿真，并評估季度充裕度，得出以下結論：

（1）在任意時間步長下，本文風速仿真模型所生成的仿真風速樣本在年度和季度統計指標、概率分布特征、自相關特征上，均與實測風速樣本保持一致，對互OU 過程風速仿真模型無法對季度特征進行仿真這一缺點進行改進；

（2）將風電場并入發電系統后，季度充裕指標均會減小，表明風電并網具有充裕度效益。當時間步長為1 h 時，本文仿真風速樣本與實測風速樣本的季度充裕度指標較為接近，能夠較為準確地評估風電并網系統各季度的充裕度；

（3）時間步長對季度充裕度指標SLOEE、SLOLE的影響程度低于對SLOLF的影響程度，在季度充裕評估中設定較小的時間步長，將使SLOLF產生嚴重偏離，而SLOEE和SLOLE的偏離程度較小。

本文下一步研究工作將聚焦于風速特性的精細化仿真，如計及風速的日反調節特性，此外，還擬擴充風電并網系統研究范圍，從爬坡充裕度方向，針對風電爬坡事件造成風電并網系統中發用電不平衡的問題，對風電并網系統充裕度進行更加全面的評估。