發(fā)布時間：2020-05-05 16:45

【摘要】：針對電網(wǎng)運行中風(fēng)電和負(fù)荷的不確定性,提出了一種采用風(fēng)電場輸出功率分段離散化和負(fù)荷高斯混合模型的多場景概率潮流計算方法。在風(fēng)電場有向功率特性曲線的基礎(chǔ)上,分段離散化處理風(fēng)電場輸出功率,構(gòu)造風(fēng)電場輸出功率多場景。同時,建立負(fù)荷的高斯混合模型,構(gòu)造負(fù)荷功率多場景。然后,確定系統(tǒng)注入功率多場景及其對應(yīng)的概率,在系統(tǒng)注入功率的每個場景中,風(fēng)電節(jié)點輸出功率為定值,負(fù)荷節(jié)點功率均服從高斯分布。最后,應(yīng)用全概率公式,將系統(tǒng)注入功率的每個場景中計算所得狀態(tài)變量的概率分布以該場景對應(yīng)的概率作為權(quán)重,整合計算得到最終的概率潮流結(jié)果。以改進的IEEE 57節(jié)點系統(tǒng)進行仿真分析,結(jié)果表明所提方法簡化了概率潮流求解過程,提高了計算效率。
【圖文】：

組合，構(gòu)造系統(tǒng)中負(fù)荷功率的多個場景，且每個負(fù)荷場景中的負(fù)荷功率均服從高斯分布。然后，根據(jù)獨立性事件的性質(zhì)，由風(fēng)電場輸出功率多場景和負(fù)荷功率多場景確定系統(tǒng)注入功率多場景。由條件概率可知，在系統(tǒng)注入功率的每個場景中，各風(fēng)電節(jié)點的輸出功率為定值，系統(tǒng)中的隨機變量只包含服從高斯分布的負(fù)荷。因此，只需計算每個場景對應(yīng)狀態(tài)變量的期望和方差，便可得到對應(yīng)的高斯曲線。最后，根據(jù)全概率公式，將系統(tǒng)注入功率的每個場景對應(yīng)狀態(tài)變量的高斯曲線以及對應(yīng)概率為權(quán)重，加權(quán)整合出系統(tǒng)最終的概率潮流結(jié)果。圖２概率潮流計算思路Ｆｉｇ．２Ｐｒｏｃｅｄｕｒｅｏｆｐｒｏｂａｂｉｌｉｓｔｉｃｐｏｗｅｒｆｌｏｗｃａｌｃｕｌａｔｉｏｎ５算例分析為了便于說明，本文采用加入風(fēng)電后的ＩＥＥＥ５７節(jié)點系統(tǒng)為例進行概率潮流計算。改進ＩＥＥＥ５７節(jié)點系統(tǒng)中，對發(fā)電機輸出功率做了適當(dāng)調(diào)整，以增加風(fēng)電的滲透率，功率的標(biāo)幺基準(zhǔn)值為１００ＭＶＡ。如附錄Ｃ圖Ｃ１所示，在節(jié)點４，３６處分別接入額定功率為３６ＭＷ和５４ＭＷ的風(fēng)電場，風(fēng)電場均為恒功率因數(shù)控制，功率因數(shù)為０．９８。負(fù)荷節(jié)點１４，２６，４２，５２采用ＧＭＭ擬合，其余負(fù)荷節(jié)點期望值取為原來系統(tǒng)負(fù)荷的確定值，標(biāo)準(zhǔn)差為期望值１０％的高斯分布。計算時，暫不考慮線路隨機故障和電網(wǎng)停運，假設(shè)系統(tǒng)各隨機變量相互獨立。５．１風(fēng)電場輸出功率處理以某額定功率為５４ＭＷ的風(fēng)電場２０１４年全年１２個月（時間間隔為１５ｍｉｎ）的風(fēng)速（包含風(fēng)向）、風(fēng)電場輸出功率的歷史數(shù)據(jù)為例，文獻［３０］繪制的風(fēng)電場有向功率特性曲線見附錄Ｃ圖Ｃ２。本文通過該曲線，將

１）得到風(fēng)電場輸出功率的離散點，其對應(yīng)的概率如式（２）所示。然后，通過式（３）得到風(fēng)電場輸出功率場景數(shù)Ｃｗｉｎｄ１＝２８０，Ｃｗｉｎｄ２＝１４０，Ｃｗｉｎｄ３＝８８。最后，根據(jù)式（４）計算每個風(fēng)電場輸出功率場景對應(yīng)的概率。５．２負(fù)荷的ＧＭＭ建立不妨以附錄Ｂ圖Ｂ１（ｄ）的負(fù)荷概率分布為例，選取了Ｎｏｒｍａｌ分布、Ｂｅｔａ分布、Ｗｅｉｂｕｌｌ分布、Ｇａｍｍａ分布和ＧＭＭ擬合負(fù)荷的概率密度分布。各分布模型的擬合效果如圖３所示，各分布模型擬合誤差指標(biāo)計算結(jié)果如附錄Ｃ表Ｃ１所示。圖３負(fù)荷的概率分布擬合Ｆｉｇ．３Ｐｒｏｂａｂｉｌｉｔｙｄｅｎｓｉｔｙｆｉｔｔｉｎｇｏｆｌｏａｄ通過對比分析發(fā)現(xiàn)，，負(fù)荷的概率分布直方圖呈現(xiàn)不對稱的現(xiàn)象。Ｎｏｒｍａｌ分布只能擬合對稱的單峰分布，Ｂｅｔａ分布、Ｗｅｉｂｕｌｌ分布、Ｇａｍｍａ分布雖具有不對稱性，但無法表示多峰情況。ＧＭＭ可以擬合多峰分布且擬合效果更好，具有較廣的應(yīng)用范圍。于是，本文選取了某４個地區(qū)２０１５年全年１２個月的有效數(shù)據(jù)（時間間隔為１５ｍｉｎ），分別建立負(fù)荷節(jié)點１４，２６，４２，５２的概率分布直方圖，采用ＥＭ算法對各負(fù)荷節(jié)點的ＧＭＭ進行參數(shù)估計，對應(yīng)參數(shù)如附錄Ｃ表Ｃ２所示。５．３構(gòu)造系統(tǒng)注入功率多場景負(fù)荷節(jié)點的ＧＭＭ中子成分隨機組合后，由式（１１）構(gòu)造負(fù)荷功率場景數(shù)Ｃｌｏａｄ＝５４。結(jié)合５．１節(jié)所述風(fēng)電場輸出功率場景數(shù)的３種情況，由式（１６）得到對應(yīng)的注入功率場景數(shù)，情況１下Ｃ１＝１５１２０

【相似文獻】

相關(guān)期刊論文 前3條

1 羅綿輝;梁平;;基于高斯混合模型的汽輪機振動故障診斷[J];核動力工程;2009年06期

2 董玉亮;李亞瓊;曹海斌;何成兵;顧煜炯;;基于運行工況辨識的風(fēng)電機組健康狀態(tài)實時評價方法[J];中國電機工程學(xué)報;2013年11期

3 ;[J];;年期

本文編號：2650459