CN103986156A - 一种考虑风电接入的动态概率潮流计算方法 - Google Patents

Abstract

本发明公开了一种考虑风电接入的动态概率潮流计算方法，基于马尔科夫链和状态情景树建立风机出力模型，将风机出力历史数据归一化，划分状态，按状态之间的变化关系得到状态转移矩阵；依据当前时刻的风机处理状态和状态转移矩阵，预测下一时刻风机出力几种最大可能的状态及其概率，如此往复分析，生成未来一段时间的状态情景树；由状态情景树得到风机出力的多时段多状态分布；对每一个时间断面进行基于半不变量法和改进的Von-Mises级数展开的概率潮流计算。计算结果能够反映电网不同时间段内概率潮流的联系，能合理预测风机出力状态的概率分布，准确描述风机出力状态的变化规律，用于全面评估含有风电接入的电力系统的安全性和稳定性。

Description

一种考虑风电接入的动态概率潮流计算方法

技术领域

本发明属于电力系统稳态分析技术领域，更具体地，涉及一种考虑风电接入的动态概率潮流计算方法。

背景技术

近年来，电力需求迅速发展，全世界的电网规模以惊人的速度扩张。风力发电因为其来源充足和对环境无污染的特点，在电网电源中所占的比例越来越大。但由于风机提供的电力受到风电场处风力大小和风向等因素的影响，风力发电与传统火力和水力发电相比是不稳定的，其在为电力系统提供清洁能源的同时，也使得整个电力系统变得难以预测，不确定性大大增加，这给电力系统的稳定运行带来极大的挑战。

概率潮流计算可以分析这种不确定性对电力系统的影响。在传统的概率潮流风机出力建模中，大多假设风速符合一定的概率分布，并由风速和风机出力的关系建立风机出力的分布。然而单时间断面的风机出力概率模型很难精确描述不同时间段内风力发电变化的规律性和相关性，由此得到的概率潮流计算结果自然不能准确说明电网的运行状态在不同时间断面间的关联性，风力发电随机性如何影响电力系统的问题仍未很好地解决。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种考虑风电接入的动态概率潮流计算方法，能合理预测风机出力状态的概率分布，准确描述风机出力状态的变化规律，能用于全面评估含有风电接入的电力系统的安全性和稳定性。

为实现上述目的，本发明提供了一种考虑风电接入的动态概率潮流计算方法，其特征在于，包括如下步骤：(1)基于马尔科夫链和状态情景树建立风机出力模型，进一步包括如下步骤：(1-1)基于马尔科夫链随机过程原理求取风机出力状态转移概率矩阵，并利用RBF神经网络预测后续风机出力情况；(1-2)根据状态转移概率矩阵，结合当前时刻的风机出力数据，算得未来一段时间风机出力的几种最大可能状态，形成情景树模型；(2)令t＝0；(3)获取常规潮流计算所需的原始系统参数，用牛顿-拉夫逊算法计算t时刻的基准潮流，得到正常运行状态的潮流分布以及节点电压、支路功率的基准状态X₀、Z₀，进一步计算得到节点电压和支路功率对节点注入功率变化的灵敏度矩阵S₀和T₀；(4)根据步骤(1)得到的风机出力模型和负荷波动变化规律，计算t时刻风电注入功率和负荷注入功率的各阶中心矩，由此计算风电注入功率和负荷注入功率的各阶半不变量；(5)计算得到节点电压和支路功率的各阶半不变量；(6)利用改进的Von Mises级数展开方法，求取节点电压和支路功率的分布函数；(7)判断t是否小于t_end，其中，t_end为时间断面的个数，是则令t＝t+1，返回步骤(3)，否则过程结束，得到各时间断面节点电压和支路功率的分布函数。

优选地，所述步骤(1-1)进一步包括如下步骤：(1-1-1)将历史风机出力数据的统计结果进行归一化处理，使所得数据分布在0～1范围内；(1-1-2)将所得数据在0～1范围内划分为n个状态F₁,F₂,…,F_i,…,F_n，其中，F_i＝[(i-1)/n,i/n]；(1-1-3)计算所有可能情况的状态转移概率，将所得概率统计得到状态转移概率矩阵其中，P[F_ij]表示风机出力此时处于状态F_i，下一时刻将处于状态F_j的概率，1≤i,j≤n，(1-1-4)利用RBF神经网络算法预测后续风机出力的情况。

优选地，所述步骤(1-2)进一步包括如下步骤：(1-2-1)根据当前时刻的风机出力数据，确定初始时刻状态，以此作为情景树的“根结点”；(1-2-2)由状态转移矩阵得到后一时刻的n个状态及对应的概率；(1-2-3)根据风机出力预测值P_wind及预测误差的范围P_wind×(1±30％)缩小状态范围，进行情景删减；(1-2-4)从删减后的状态中选取对应的概率大于一定阈值的状态，进一步缩小预测状态范围；(1-2-5)重复步骤(1-2-2)至(1-2-4)，得到后续各个时刻的风机出力状态情景树。

优选地，所述步骤(4)中，t时刻风电注入功率的v阶中心距其中，F_j为t时刻风机出力的状态值，P[F_j]为t时刻处于状态F_j的概率，为t时刻风机出力的期望值，j的取值遍历t时刻的所有可能状态。

优选地，所述步骤(5)中，在节点注入功率的连续随机变量影响下，节点电压和支路功率的v阶半不变量和分别为： $\left\{\begin{array}{c}\mathrm{\Δ}{X}_c^{\left(v\right)}={S_0}^{\left(v\right)}\mathrm{\Δ}{W}_c^{\left(v\right)}\\ \mathrm{\Δ}{Z}_c^{\left(v\right)}={T_0}^{\left(v\right)}\mathrm{\Δ}{W}_c^{\left(v\right)}\end{array}\right.;$ 在节点注入功率的离散随机变量影响下，节点电压和支路功率的v阶半不变量和分别为： $\left\{\begin{array}{c}\mathrm{\Δ}{X}_d^{\left(v\right)}={S_0}^{\left(v\right)}\mathrm{\Δ}{W}_d^{\left(v\right)}\\ \mathrm{\Δ}{Z}_d^{\left(v\right)}={T_0}^{\left(v\right)}\mathrm{\Δ}{W}_d^{\left(v\right)}\end{array}\right.;$ 其中，S₀ ^(v)和T₀ ^(v)分别为灵敏度矩阵S₀和T₀中元素的v次幂所形成的矩阵，为节点注入功率的连续随机变量的v阶半不变量，为节点注入功率的离散随机变量的v阶半不变量，和分别为负荷注入功率和风电注入功率的v阶半不变量。

优选地，所述步骤(6)进一步包括如下步骤：

(6-1)对前2m-1阶矩已知的待求变量离散分布，设离散分布有m个离散点，通过如下方程x^m+c_m-1x^m-1+...+c₁x+c₀＝0求得各离散点的位置x₁,x₂,…,x_m，其中，系数c＝[c_m-1  …  c₁  c₀]^T可通过求解D_m-1c＝Α得到， $D_{m-1}=\left[\begin{array}{cccc}{\mathrm{\α}}_0& {\mathrm{\α}}_1& ...& {\mathrm{\α}}_{m-1}\\ {\mathrm{\α}}_1& {\mathrm{\α}}_2& ...& {\mathrm{\α}}_m\\ .& & & \\ .& & & \\ .& & & \\ {\mathrm{\α}}_{m-1}& {\mathrm{\α}}_m& ...& {\mathrm{\α}}_{2m-2}\end{array}\right],$ A＝[-α_m  -α_m+1  …  -α_2m-1]^T，α₀,α₁,…,α_m,…,α_2m-2为待求变量离散部分的前2m-1阶原点矩；

(6-2)求解 $\left[\begin{array}{cccc}1& 1& ...& 1\\ x_1& x_2& ...& x_m\\ x_1^2& x_2^2& ...& x_m^2\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x_1^{m-1}& x_2^{m-1}& ...& x_m^{m-1}\end{array}\right]\left[\begin{array}{c}{p}_1\\ p_2\\ p_3\\ ...\\ p_m\end{array}\right]=\left[\begin{array}{c}{\mathrm{\α}}_0\\ {\mathrm{\α}}_1\\ {\mathrm{\α}}_2\\ ...\\ {\mathrm{\α}}_{m-1}\end{array}\right],$ 得到各离散点x₁,x₂,…,x_m的概率p₁,p₂,…,p_m；

(6-3)算得待求变量的分布函数 $F\left(Y\right)=\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{p}_l\mathrm{\φ}\left(\frac{Y-((x_l-\mathrm{\Δ}{Y}_d^{\left(1\right)})+\mathrm{\μ})}{\mathrm{\σ}}\right),$ 其中，φ(x)表示正态分布函数，是在节点注入功率的离散随机变量影响下，待求变量Y的1阶半不变量，μ为待求变量Y的期望值，为待求变量Y的标准差，是在节点注入功率的连续随机变量影响下，待求变量Y的2阶半不变量；

其中，所述待求变量为节点电压(幅值、相位)和支路功率(有功功率、无功功率)。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，考虑了不同时间间隔内风机出力状态的相互影响，能够有效反映潮流的时序波动性，合理预测风机出力状态的概率分布，准确描述风机出力状态的变化规律。潮流预测结果能够帮助系统运行人员通过定量计算节点电压和支路功率从而评估系统风险。

附图说明

图1是本发明实施例的考虑风电接入的动态概率潮流计算方法流程图；

图2是状态情景树ST-1的示意图；

图3是ST-1对应风力机组历史统计数据和状态情景树分析得到的风机出力随机变量的分布图；

图4是分析所得IEEE300节点系统部分支路功率的累积分布函数，其中，(a)217-220支路；(b)220-218支路。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提出了一种考虑风电接入的动态概率潮流计算方法。首先基于马尔科夫链和状态情景树建立风机出力模型。这一方法采用马尔科夫链处理风机出力的随机过程，将风机出力历史数据归一化，划分状态，按状态之间的变化关系得到状态转移矩阵。依据当前时刻的风机处理状态和状态转移矩阵，预测下一时刻风机出力几种最大可能的状态及其概率，如此往复分析，生成未来一段时间的状态情景树。由状态情景树得到风机出力的多时段多状态分布。对每一个时间断面进行基于半不变量法和改进的Von-Mises级数展开的概率潮流计算。计算所得结果能够反映电网不同时间段内概率潮流的联系，用于全面评估含有风电接入的电力系统的安全性和稳定性。

如图1所示，本发明实施例的考虑风电接入的动态概率潮流计算方法包括如下步骤：

(1)基于马尔科夫链和状态情景树建立风机出力模型。进一步包括如下步骤：

(1-1)基于马尔科夫链随机过程原理求取风机出力状态转移概率矩阵，并利用径向基函数(Radical Basis Function,RBF)神经网络预测后续风机出力情况。

为提高风机数据的精确度和有效性，首先将历史风机出力数据的统计结果进行归一化处理，使所得数据分布在0～1范围内；然后将所得数据在0～1范围内划分为n个状态F₁,F₂,…,F_i,…,F_n，其中，F_i＝[(i-1)/n,i/n]；计算所有可能情况的状态转移概率，将所得概率统计得到状态转移概率矩阵其中，P[F_ij]表示风机出力此时处于状态F_i，下一时刻将处于状态F_j的概率，1≤i,j≤n，由于任一过程在下一时刻都必须转移到某个状态，因而满足利用RBF神经网络算法预测后续风机出力的情况。

(1-2)根据状态转移概率矩阵，结合当前时刻的风机出力数据，算得未来一段时间风机出力的几种最大可能状态，形成情景树模型。

进一步包括如下步骤：(1-2-1)根据当前时刻的风机出力数据，确定初始时刻状态，以此作为情景树的“根结点”；(1-2-2)由状态转移矩阵得到后一时刻的n个状态及对应的概率，t时刻处于状态F_j的概率为：其中，P[F_i]表示t-1时刻处于状态F_i的概率，P[F_ij]表示t时刻由状态F_i转移到状态F_j的转移概率，i的取值遍历t-1时刻的所有可能状态；(1-2-3)根据风机出力预测值P_wind及预测误差的范围P_wind×(1±30％)缩小状态范围，进行情景删减；(1-2-4)从删减后的状态中选取对应的概率大于一定阈值的状态，进一步缩小预测状态范围，以提高预测准确性；(1-2-5)重复步骤(1-2-2)至(1-2-4)，得到后续各个时刻的风机出力状态情景树。

(2)令t＝0。

(3)获取常规潮流计算所需的原始系统参数，用牛顿-拉夫逊算法计算t时刻的基准潮流，得到正常运行状态的潮流分布以及节点电压、支路功率的基准状态X₀、Z₀，进一步计算得到节点电压和支路功率对节点注入功率变化的灵敏度矩阵S₀和T₀。

(4)根据步骤(1)得到的风机出力模型和负荷波动变化规律，计算t时刻风电注入功率和负荷注入功率的各阶中心矩，由此计算风电注入功率和负荷注入功率的各阶半不变量。

假设风机出力的各个状态相互独立，由步骤(1)得到的风机出力状态的概率分布，求得t时刻风电注入功率的v阶中心距其中，F_j为t时刻风机出力的状态值，P[F_j]为t时刻处于状态F_j的概率，为t时刻风机出力的期望值，j的取值遍历t时刻的所有可能状态；由各阶中心矩和各阶半不变量的性质和关系，求得风电注入功率的各阶半不变量。

(5)计算得到节点电压和支路功率的各阶半不变量。

在节点注入功率的连续随机变量影响下，节点电压和支路功率的v阶半不变量和分别为： $\left\{\begin{array}{c}\mathrm{\Δ}{X}_c^{\left(v\right)}={S_0}^{\left(v\right)}\mathrm{\Δ}{W}_c^{\left(v\right)}\\ \mathrm{\Δ}{Z}_c^{\left(v\right)}={T_0}^{\left(v\right)}\mathrm{\Δ}{W}_c^{\left(v\right)}\end{array}\right.;$ 在节点注入功率的离散随机变量影响下，节点电压和支路功率的v阶半不变量和分别为： $\left\{\begin{array}{c}\mathrm{\Δ}{X}_d^{\left(v\right)}={S_0}^{\left(v\right)}\mathrm{\Δ}{W}_d^{\left(v\right)}\\ \mathrm{\Δ}{Z}_d^{\left(v\right)}={T_0}^{\left(v\right)}\mathrm{\Δ}{W}_d^{\left(v\right)}\end{array}\right.;$ 其中，S₀ ^(v)和T₀ ^(v)分别为灵敏度矩阵S₀和T₀中元素的v次幂所形成的矩阵，为节点注入功率的连续随机变量的v阶半不变量，为节点注入功率的离散随机变量的v阶半不变量，和分别为负荷注入功率和风电注入功率的v阶半不变量。

(6)利用改进的Von Mises级数展开方法，求取节点电压和支路功率的分布函数。

进一步包括如下步骤：

(6-1)采用Von Mises提出的由随机变量的矩求离散分布的方法，对前2m-1阶矩已知的待求变量离散分布，设离散分布有m个离散点，则可通过如下方程x^m+c_m-1x^m-1+...+c₁x+c₀＝0求得各离散点的位置x₁,x₂,…,x_m，其中，系数c＝[c_m-1  …  c₁  c₀]^T可通过求解D_m-1c＝Α得到， $D_{m-1}=\left[\begin{array}{cccc}{\mathrm{\α}}_0& {\mathrm{\α}}_1& ...& {\mathrm{\α}}_{m-1}\\ {\mathrm{\α}}_1& {\mathrm{\α}}_2& ...& {\mathrm{\α}}_m\\ .& & & \\ .& & & \\ .& & & \\ {\mathrm{\α}}_{m-1}& {\mathrm{\α}}_m& ...& {\mathrm{\α}}_{2m-2}\end{array}\right],$ A＝[-α_m  -α_m+1  …  -α_2m-1]^T，α₀,α₁,…,α_m,…,α_2m-2为待求变量离散部分的前2m-1阶原点矩。

(6-2)求解 $\left[\begin{array}{cccc}1& 1& ...& 1\\ x_1& x_2& ...& x_m\\ x_1^2& x_2^2& ...& x_m^2\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x_1^{m-1}& x_2^{m-1}& ...& x_m^{m-1}\end{array}\right]\left[\begin{array}{c}{p}_1\\ p_2\\ p_3\\ ...\\ p_m\end{array}\right]=\left[\begin{array}{c}{\mathrm{\α}}_0\\ {\mathrm{\α}}_1\\ {\mathrm{\α}}_2\\ ...\\ {\mathrm{\α}}_{m-1}\end{array}\right],$ 得到各离散点x₁,x₂,…,x_m的概率p₁,p₂,…,p_m。

(6-3)采用合成分布函数方法计算得到待求变量的分布函数 $F\left(Y\right)=\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{p}_l\mathrm{\φ}\left(\frac{Y-((x_l-\mathrm{\Δ}{Y}_d^{\left(1\right)})+\mathrm{\μ})}{\mathrm{\σ}}\right),$ 其中，p_l是各离散点位置x_l对应的概率，φ(x)表示正态分布函数，是在节点注入功率的离散随机变量影响下，待求变量Y的1阶半不变量，μ为待求变量Y的期望值，为待求变量Y的标准差，是在节点注入功率的连续随机变量影响下，待求变量Y的2阶半不变量。

其中，待求变量为节点电压和支路功率。

(7)判断t是否小于t_end，其中，t_end为时间断面的个数，是则令t＝t+1，返回步骤(3)，否则过程结束，得到各时间断面节点电压和支路功率的分布函数。

为使本领域技术人员更好地理解本发明，下面结合具体实施例对本发明的考虑风电接入的动态概率潮流计算方法进行详细说明。

(1)基于马尔科夫链和状态情景树建立风机出力模型

本实施例中分析的数据集中，包含了在两年内测得的40台风力发电机每5分钟内风速和风机出力平均值的时间序列，风电场位于内蒙古。风机容量为500WM。

对数据集进行归一化处理，划分的状态总数为10。为所有机组建立了三个状态情景树ST-1、ST-2和ST-3，每个状态情景树均为三阶，包含未来一小时内每20分钟时间间隔的风机出力情况。其中，ST-1状态情景树如图2所示。

图3给出了ST-1对应风力机组历史统计数据和状态情景树分析得到的风机出力随机变量的分布数据，其中，条形图对应历史统计数据，折线图对应分析所得结果，两者的差别较小。通过对比可以看出这一风机出力模型的有效性。

(2)基于马尔科夫链和状态情景树风机出力模型的动态概率潮流计算

将所得的三个状态情景树的风机出力分布结果运用到IEEE300节点系统中，本实施例对20min的概率潮流计算结果进行分析。ST-1、ST-2和ST-3所对应的风机模型施加到电网系统中的2、3和4节点。结果如下，第一部分分别给出了基础潮流中系统节点电压幅值和支路有功功率的值，第二部分给出了连续型注入功率扰动(负荷节点)以及离散型注入功率扰动(风力发电机节点)的各阶半不变量。其中，对于正态分布的注入功率扰动，其一阶半不变量为其期望，二阶半不变量为其方差，三至七阶半不变量为零。第三部分分别给出了连续型扰动(节点负荷)引起节点电压与支路有功功率变化的二阶半不变量，以及离散型扰动(风力发电机出力)引起节点电压与支路有功功率变化的前八阶半不变量。最后，通过Von-Mises级数拟合方法便可得出系统中部分支路功率的累积分布函数。

(一)基础潮流中系统部分节点电压幅值和部分支路有功功率值分别如表1和表2所示。

表1节点电压幅值

表2支路有功功率

(二)连续型注入功率扰动(负荷节点)以及离散型注入功率扰动(风力发电机节点)的各阶半不变量分别如表3和表4所示。

表3连续型注入功率扰动(负荷节点)的各阶半不变量

表4离散型注入功率扰动(风力发电机节点)的各阶半不变量

(三)输出变量变化的半不变量

(a)连续型扰动(节点负荷)引起节点电压与支路有功功率变化的二阶半不变量如表5所示。

表5连续型扰动引起节点电压与支路有功功率变化的二阶半不变量

节点	节点电压变化的二阶半不变量	支路	支路有功功率变化的二阶半不变量
				2	0.000643	217-220	144.404
3	0.014691	220-218	54.74985
				4	0.075985	220-221	374.798
/	/	220-238	252.9379

(b)离散型扰动(风力发电机出力)引起节点电压幅值、相位与支路有功、无功功率变化的前八阶半不变量分别如表6～9所示。

表6节点电压幅值变化的半不变量

表7节点电压相位变化的半不变量

表8支路有功功率变化的半不变量

表9支路无功功率变化的半不变量

(四)217-220支路和220-218支路有功功率的累积分布函数分别如图4(a)和(b)所示。其中，实线是采用Von-Mises级数拟合的半不变量法随机潮流计算结果，虚线是蒙特卡洛模拟10万次的计算结果。

(五)采用方差的根均值(Arms)来度量随机潮流方法与蒙特卡洛法的差值如其中，与分别表示用蒙特卡洛法和随机潮流方法计算得到的点i的累积概率值，统计点在蒙特卡洛法所得分布函数的取值范围内均匀选取，N表示选取的总点数。支路有功功率的Arms如表10所示，可以看出结果令人满意。

表10支路有功功率的Arms

支路	Arms
		217-220	0.096％
220-218	0.590％
		220-221	0.180％
220-238	0.190％

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种考虑风电接入的动态概率潮流计算方法，其特征在于，包括如下步骤：

(1)基于马尔科夫链和状态情景树建立风机出力模型，进一步包括如下步骤：

(1-1)基于马尔科夫链随机过程原理求取风机出力状态转移概率矩阵，并利用RBF神经网络预测后续风机出力情况；

(1-2)根据状态转移概率矩阵，结合当前时刻的风机出力数据，算得未来一段时间风机出力的几种最大可能状态，形成情景树模型；

(2)令t＝0；

(3)获取常规潮流计算所需的原始系统参数，用牛顿-拉夫逊算法计算t时刻的基准潮流，得到正常运行状态的潮流分布以及节点电压、支路功率的基准状态X₀、Z₀，进一步计算得到节点电压和支路功率对节点注入功率变化的灵敏度矩阵S₀和T₀；

(4)根据步骤(1)得到的风机出力模型和负荷波动变化规律，计算t时刻风电注入功率和负荷注入功率的各阶中心矩，由此计算风电注入功率和负荷注入功率的各阶半不变量；

(5)计算得到节点电压和支路功率的各阶半不变量；

(6)利用改进的Von Mises级数展开方法，求取节点电压和支路功率的分布函数；

(7)判断t是否小于t_end，其中，t_end为时间断面的个数，是则令t＝t+1，返回步骤(3)，否则过程结束，得到各时间断面节点电压和支路功率的分布函数。

2.如权利要求1所述的考虑风电接入的动态概率潮流计算方法，其特征在于，所述步骤(1-1)进一步包括如下步骤：

(1-1-1)将历史风机出力数据的统计结果进行归一化处理，使所得数据分布在0～1范围内；

(1-1-2)将所得数据在0～1范围内划分为n个状态F₁,F₂,…,F_i,…,F_n，其中，F_i＝[(i-1)/n,i/n]；

(1-1-3)计算所有可能情况的状态转移概率，将所得概率统计得到状态转移概率矩阵其中，P[F_ij]表示风机出力此时处于状态F_i，下一时刻将处于状态F_j的概率，1≤i,j≤n， $\underset{j=1}{\overset{n}{\mathrm{\Σ}}}P\left[F_{\mathrm{ij}}\right]=1;$

(1-1-4)利用RBF神经网络算法预测后续风机出力的情况。

3.如权利要求2所述的考虑风电接入的动态概率潮流计算方法，其特征在于，所述步骤(1-2)进一步包括如下步骤：

(1-2-1)根据当前时刻的风机出力数据，确定初始时刻状态，以此作为情景树的根结点；

(1-2-2)由状态转移矩阵得到后一时刻的n个状态及对应的概率；

(1-2-3)根据风机出力预测值P_wind及预测误差的范围P_wind×(1±30％)缩小状态范围，进行情景删减；

(1-2-4)从删减后的状态中选取对应的概率大于一定阈值的状态，进一步缩小预测状态范围；

(1-2-5)重复步骤(1-2-2)至(1-2-4)，得到后续各个时刻的风机出力状态情景树。

4.如权利要求1至3中任一项所述的考虑风电接入的动态概率潮流计算方法，其特征在于，所述步骤(4)中，t时刻风电注入功率的v阶中心距其中，F_j为t时刻风机出力的状态值，P[F_j]为t时刻处于状态F_j的概率，为t时刻风机出力的期望值，j的取值遍历t时刻的所有可能状态。

5.如权利要求1至4中任一项所述的考虑风电接入的动态概率潮流计算方法，其特征在于，所述步骤(5)中，在节点注入功率的连续随机变量影响下，节点电压和支路功率的v阶半不变量和分别为： $\left\{\begin{array}{c}\mathrm{\Δ}{X}_c^{\left(v\right)}={S_0}^{\left(v\right)}\mathrm{\Δ}{W}_c^{\left(v\right)}\\ \mathrm{\Δ}{Z}_c^{\left(v\right)}={T_0}^{\left(v\right)}\mathrm{\Δ}{W}_c^{\left(v\right)}\end{array}\right.;$ 在节点注入功率的离散随机变量影响下，节点电压和支路功率的v阶半不变量和分别为： $\left\{\begin{array}{c}\mathrm{\Δ}{X}_d^{\left(v\right)}={S_0}^{\left(v\right)}\mathrm{\Δ}{W}_d^{\left(v\right)}\\ \mathrm{\Δ}{Z}_d^{\left(v\right)}={T_0}^{\left(v\right)}\mathrm{\Δ}{W}_d^{\left(v\right)}\end{array}\right.;$ 其中，S₀ ^(v)和T₀ ^(v)分别为灵敏度矩阵S₀和T₀中元素的v次幂所形成的矩阵，为节点注入功率的连续随机变量的v阶半不变量，为节点注入功率的离散随机变量的v阶半不变量，和分别为负荷注入功率和风电注入功率的v阶半不变量。

6.如权利要求1至5中任一项所述的考虑风电接入的动态概率潮流计算方法，其特征在于，所述步骤(6)进一步包括如下步骤：

(6-1)对前2m-1阶矩已知的待求变量离散分布，设离散分布有m个离散点，通过如下方程x^m+c_m-1x^m-1+...+c₁x+c₀＝0求得各离散点的位置x₁,x₂,…,x_m，其中，系数c＝[c_m-1  …  c₁  c₀]^T可通过求解D_m-1c＝Α得到， $D_{m-1}=\left[\begin{array}{cccc}{\mathrm{\α}}_0& {\mathrm{\α}}_1& ...& {\mathrm{\α}}_{m-1}\\ {\mathrm{\α}}_1& {\mathrm{\α}}_2& ...& {\mathrm{\α}}_m\\ .& & & \\ .& & & \\ .& & & \\ {\mathrm{\α}}_{m-1}& {\mathrm{\α}}_m& ...& {\mathrm{\α}}_{2m-2}\end{array}\right],$ A＝[-α_m  -α_m+1  …  -α_2m-1]^T，α₀,α₁,…,α_m,…,α_2m-2为待求变量离散部分的前2m-1阶原点矩；

(6-2)求解 $\left[\begin{array}{cccc}1& 1& ...& 1\\ x_1& x_2& ...& x_m\\ x_1^2& x_2^2& ...& x_m^2\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x_1^{m-1}& x_2^{m-1}& ...& x_m^{m-1}\end{array}\right]\left[\begin{array}{c}{p}_1\\ p_2\\ p_3\\ ...\\ p_m\end{array}\right]=\left[\begin{array}{c}{\mathrm{\α}}_0\\ {\mathrm{\α}}_1\\ {\mathrm{\α}}_2\\ ...\\ {\mathrm{\α}}_{m-1}\end{array}\right],$ 得到各离散点x₁,x₂,…,x_m的概率p₁,p₂,…,p_m；

(6-3)算得待求变量的分布函数 $F\left(Y\right)=\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{p}_l\mathrm{\φ}\left(\frac{Y-((x_l-\mathrm{\Δ}{Y}_d^{\left(1\right)})+\mathrm{\μ})}{\mathrm{\σ}}\right),$ 其中，φ(x)表示正态分布函数，是在节点注入功率的离散随机变量影响下，待求变量Y的1阶半不变量，μ为待求变量Y的期望值，为待求变量Y的标准差，是在节点注入功率的连续随机变量影响下，待求变量Y的2阶半不变量；

其中，所述待求变量为节点电压和支路功率。