CN105449666B - 适用于微电网的多状态等值分析方法及系统 - Google Patents
适用于微电网的多状态等值分析方法及系统 Download PDFInfo
- Publication number
- CN105449666B CN105449666B CN201510685406.2A CN201510685406A CN105449666B CN 105449666 B CN105449666 B CN 105449666B CN 201510685406 A CN201510685406 A CN 201510685406A CN 105449666 B CN105449666 B CN 105449666B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- ugf
- models
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Control Of Eletrric Generators (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种适用于微电网的多状态等值分析方法及系统,所述方法包括:建立所述光伏发电系统的通用生成函数UGF模型;建立所述风力发电系统的通用生成函数UGF模型;建立所述传统发电机组的通用生成函数UGF模型;建立所述微电网的负荷的通用生成函数UGF模型;根据所述光伏发电系统的通用生成函数UGF模型、所述风力发电系统的通用生成函数UGF模型、所述传统发电机组的通用生成函数UGF模型和所述微电网的负荷的通用生成函数UGF模型,建立微电网等值模型,根据所述微电网等值模型对所述微电网进行等值分析。本发明能够解决含微电网的配电系统规划、运行分析、可靠性评估研究中微电网等值问题。
Description
技术领域
本发明涉及微电网技术领域,具体涉及一种适用于微电网的多状态等值分析方法及系统。
背景技术
近年来,传统能源枯竭、全球气候变暖、环境污染等多重压力,促使各种新能源发电技术(如风力发电、太阳能发电等)在电力系统中大力发展。为充分发挥分布式发电灵活、经济、环保的优势,微电网技术被认为是中低压层面上消纳分布式发电的有效手段,成为一种实现偏远山区供电,具有广阔发展前景的技术方案。然而,由于微电网中存在多种能源输入(光/风/天然气等)、多种能量转换单元(光-电/风-电等);微电网中的分布式发电单元特性各异,有功率可控的微型燃汽轮机、柴油发电机,也有功率不可控的风力发电、光伏发电,这使得含微电网的配电系统在规划、运行分析、可靠性评估等方面变得更加复杂。在实际对含微电网的配电系统进行规划、运行分析、可靠性评估时,需要进行详细研究的区域,或是感兴趣的区域只占整个系统的很少一部分,如果能将不感兴趣的部分用一个有效的模型进行等值,通过该等值模型对所要研究的系统进行分析,这将大大减小系统规模,从而可降低研究复杂程度。
然而,现有的微电网等值技术所建立的等值模型只能应用于含微电网的电力系统的暂态稳定和短期电压稳定仿真分析,而不适用于对含微电网的配电系统进行规划、运行分析、可靠性评估等领域。
发明内容
针对现有技术中的缺陷,本发明提供一种适用于微电网的多状态等值分析方法及系统,能够解决含微电网的配电系统规划、运行分析、可靠性评估研究中微电网等值问题。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供了一种适用于微电网的多状态等值分析方法,所述微电网包括光伏发电系统、风力发电系统和传统发电机组,所述方法包括:
建立所述光伏发电系统的通用生成函数UGF模型;
建立所述风力发电系统的通用生成函数UGF模型;
建立所述传统发电机组的通用生成函数UGF模型;
建立所述微电网的负荷的通用生成函数UGF模型;
根据所述光伏发电系统的通用生成函数UGF模型、所述风力发电系统的通用生成函数UGF模型、所述传统发电机组的通用生成函数UGF模型和所述微电网的负荷的通用生成函数UGF模型,建立微电网等值模型:
其中,uMG(z)表示微电网等值模型,upvs(z)表示光伏发电系统的通用生成函数UGF模型,uwf(z)表示风力发电系统的通用生成函数UGF模型,uac(z)表示传统发电机组的通用生成函数UGF模型,uload(z)表示微电网的负荷的通用生成函数UGF模型;ΩΦP、ΩΦj分别表示通用生成函数UGF的通用并联算子和减法算子;Z的指数项和系数项分别表示状态和概率,其中Z用于区别状态及概率,其本身无实质意义和取值;kMG、分别对应微电网输出功率的状态数目、状态概率及状态值,所述状态值表示输出功率的大小;
根据所述微电网等值模型对所述微电网进行等值分析。
进一步地,建立所述光伏发电系统的通用生成函数UGF模型,包括:
a1.建立光伏发电系统的机械可靠性的通用生成函数UGF模型:
其中,uMA(z)表示光伏发电系统的机械可靠性的通用生成函数UGF模型;ΩΦP表示UGF模型的通用并联算子;umod,1(z)表示第1个光伏阵列逆变器组的UGF模型;umod,nmod(z)表示第nmod个光伏阵列逆变器组的UGF模型;kMA、分别对应光伏发电系统机械状态数目、状态概率及状态值,所述状态值表示正常工作的电池串数目;
其中,所述光伏阵列逆变器组的UGF模型为:
其中,uinv(z)表示光伏逆变器的UGF模型,uinv(z)=UinvZ0+(1-Uinv)Z1;uarr(z)表示光伏阵列的UGF模型,其中,ustr(z)表示光伏电池串的UGF模型,ustr(z)=UstrZ0+(1-Ustr)Z1;其中,Ustr表示电池串的不可用率,其中,Ucell,i为光伏电池块的不可用率;Uinv为逆变器的不可用率;ΩΦP、ΩΦS分别为UGF的通用并联算子和串联算子;karr、分别对应光伏阵列的状态数目、状态概率及状态值;kmod、分别对应光伏逆变器组的状态数目、状态概率及状态值;
b1.建立光伏出力概率预测性的通用生成函数UGF模型:
其中,uIR(z)表示光伏出力概率预测性的通用生成函数UGF模型;nIR、分别表示光伏出力状态数目、状态概率及状态值,所述状态值表示单位光伏电池串面积的输出功率;
其中,利用马尔科夫模型进行光照强度概率预测,根据光照强度历史数据将光照强度等间隔划分为nIR个区间,分别表示nIR个状态,已知初始时刻t0光照强度的状态概率,根据Pr(t1)=Pr(t0)·P求得未来某时刻t1的预测状态概率;其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;根据得到的未来某时刻的预测光照强度状态及概率,结合光能转换特性Ps=ηSI,建立所述光伏出力概率预测性的UGF模型:
将未来某时刻t1的预测光照强度状态代入光能转换特性Ps=ηSI中,得到所述光伏出力概率预测性的UGF模型
其中,η为转换效率,S为阵列面积,I为光照强度;
c1.根据所述光伏发电系统的机械可靠性的通用生成函数UGF模型和所述光伏出力概率预测性的通用生成函数UGF模型,建立所述光伏发电系统的通用生成函数UGF模型:
其中,upvs(z)为光伏发电系统的通用生成函数UGF模型;ΩΦm为UGF的通用乘法算子;kpvs、分别对应光伏发电系统出力状态数目、状态概率及状态值,所述状态值表示输出功率的大小。
进一步地,建立所述风力发电系统的通用生成函数模型,包括:
a2.建立风力发电系统的机械可靠性的通用生成函数UGF模型:
其中,uwf(z)为风力发电系统的机械可靠性的通用生成函数UGF模型;风电场共有nw台风机并联,kwf、分别对应风电场所有风机机械状态数目、状态概率及状态值,所述状态值为正常工作的风机数目;其中,uwt(z)=UwtZ0+(1-Uwt)Z1;Uwt=1-(1-Ugene)(1-Ugear)(1-Ucon);uwt(z)为未来某时刻单台风机的不可用率Uwt的UGF模型;Ugene、Ugear、Ucon分别为发电机、齿轮箱、逆变器的不可用率,Uwt为单台风机的不可用率;
b2.建立风机出力概率预测性的通用生成函数UGF模型:
其中,uve(z)为风机出力概率预测性的通用生成函数UGF模型;nve、分别表示风机出力状态数、状态概率及状态值,所述状态值为单台风机输出功率的大小;
其中,利用马尔科夫模型进行风速状态预测,根据风速状态历史数据将风速状态等间隔划分为nIR个区间,分别表示nIR个状态;已知初始时刻风速状态及概率,根据Pr(t1)=Pr(t0)·P得到未来某时刻的预测风速状态及概率,其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;
将预测风速状态及概率代入风能转换特性模型,得到单台风机的多状态出力概率预测:
其中,wPr为风机的额定功率,vci、vco、vr分别为切入、切出和额定风速;根据所述单台风机的多状态出力概率预测,建立风机出力概率预测性的通用生成函数UGF模型
c2.据所述风力发电系统的机械可靠性的通用生成函数UGF模型和所述风机出力概率预测性的通用生成函数UGF模型,建立所述风力发电系统的通用生成函数模型:
其中,ΩΦm为UGF的通用乘法算子;kwts、分别对应风力发电系统出力状态数目、状态概率及状态值,所述状态值为风力发电系统输出功率的大小。
进一步地,建立所述传统发电机组的通用生成函数UGF模型,包括:
其中,uac(z)为所有投运传统发电机组的通用生成函数UGF模型;uc(z)为单台传统机组的UGF模型;Uc为机组处于停运状态的概率;nc为机组的数量;Pc为机组经过边际时间向上或向下爬坡后的出力;kac、分别对应所有投运传统机组的出力状态数目、状态概率及状态值,所述状态值为机组输出功率的大小。
进一步地,建立所述微电网的负荷的通用生成函数UGF模型,包括:
利用马尔科夫模型进行负荷概率预测,已知初始时刻负荷状态及概率,根据式Pr(t1)=Pr(t0)·P得到未来某时刻的预测负荷状态及概率,根据未来某时刻的预测负荷状态及概率建立所述微电网的负荷的通用生成函数模型:
其中,uload(z)为微电网的负荷的通用生成函数UFG模型;kload、分别对应负荷的状态数目、状态概率及状态值,所述状态值为负荷的大小;其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵。
第二方面,本发明还提供了一种适用于微电网的多状态等值分析系统,所述微电网包括光伏发电系统、风力发电系统和传统发电机组,所述系统包括:
第一建立单元,用于建立所述光伏发电系统的通用生成函数UGF模型;
第二建立单元,用于建立所述风力发电系统的通用生成函数UGF模型;
第三建立单元,用于建立所述传统发电机组的通用生成函数UGF模型;
第四建立单元,用于建立所述微电网的负荷的通用生成函数UGF模型;
第五建立单元,用于根据所述第一建立单元建立的光伏发电系统的通用生成函数UGF模型、所述第二建立单元建立的风力发电系统的通用生成函数UGF模型、所述第三建立单元建立的传统发电机组的通用生成函数UGF模型和所述第四建立单元建立的微电网的负荷的通用生成函数UGF模型,建立微电网等值模型:
其中,uMG(z)表示微电网等值模型,upvs(z)表示光伏发电系统的通用生成函数UGF模型,uwf(z)表示风力发电系统的通用生成函数UGF模型,uac(z)表示传统发电机组的通用生成函数UGF模型,uload(z)表示微电网的负荷的通用生成函数UGF模型;ΩΦP、ΩΦj分别表示通用生成函数UGF的通用并联算子和减法算子;Z的指数项和系数项分别表示状态和概率,其中Z用于区别状态及概率,其本身无实质意义和取值;kMG、分别对应微电网输出功率的状态数目、状态概率及状态值,所述状态值表示输出功率的大小;
分析单元,用于根据所述第五建立单元建立的微电网等值模型对所述微电网进行等值分析。
进一步地,所述第一建立单元包括第一建立模块、第二建立模块和第三建立模块;
所述第一建立模块,用于建立光伏发电系统的机械可靠性的通用生成函数UGF模型:
其中,uMA(z)表示光伏发电系统的机械可靠性的通用生成函数UGF模型;ΩΦP表示UGF模型的通用并联算子;umod,1(z)表示第1个光伏阵列逆变器组的UGF模型;umod,nmod(z)表示第nmod个光伏阵列逆变器组的UGF模型;kMA、分别对应光伏发电系统机械状态数目、状态概率及状态值,所述状态值表示正常工作的电池串数目;
其中,所述光伏阵列逆变器组的UGF模型为:
其中,uinv(z)表示光伏逆变器的UGF模型,uinv(z)=UinvZ0+(1-Uinv)Z1;uarr(z)表示光伏阵列的UGF模型,其中,ustr(z)表示光伏电池串的UGF模型,ustr(z)=UstrZ0+(1-Ustr)Z1;其中,Ustr表示电池串的不可用率,其中,Ucell,i为光伏电池块的不可用率;Uinv为逆变器的不可用率;ΩΦP、ΩΦS分别为UGF的通用并联算子和串联算子;karr、分别对应光伏阵列的状态数目、状态概率及状态值;kmod、分别对应光伏逆变器组的状态数目、状态概率及状态值;
所述第二建立模块,用于建立光伏出力概率预测性的通用生成函数UGF模型:
其中,uIR(z)表示光伏出力概率预测性的通用生成函数UGF模型;nIR、分别表示光伏出力状态数目、状态概率及状态值,所述状态值表示单位光伏电池串面积的输出功率;
其中,利用马尔科夫模型进行光照强度概率预测,根据光照强度历史数据将光照强度等间隔划分为nIR个区间,分别表示nIR个状态,已知初始时刻t0光照强度的状态概率,根据Pr(t1)=Pr(t0)·P求得未来某时刻t1的预测状态概率;其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;根据得到的未来某时刻的预测光照强度状态及概率,结合光能转换特性Ps=ηSI,建立所述光伏出力概率预测性的UGF模型:
将未来某时刻t1的预测光照强度状态代入光能转换特性Ps=ηSI中,得到所述光伏出力概率预测性的UGF模型
其中,η为转换效率,S为阵列面积,I为光照强度;
所述第三建立模块,用于根据所述光伏发电系统的机械可靠性的通用生成函数UGF模型和所述光伏出力概率预测性的通用生成函数UGF模型,建立所述光伏发电系统的通用生成函数UGF模型:
其中,upvs(z)为光伏发电系统的通用生成函数UGF模型;ΩΦm为UGF的通用乘法算子;kpvs、分别对应光伏发电系统出力状态数目、状态概率及状态值,所述状态值表示输出功率的大小。
进一步地,所述第二建立单元包括第四建立模块、第五建立模块和第六建立模块;
所述第四建立模块,用于建立风力发电系统的机械可靠性的通用生成函数UGF模型:
其中,uwf(z)为风力发电系统的机械可靠性的通用生成函数UGF模型;风电场共有nw台风机并联,kwf、分别对应风电场所有风机机械状态数目、状态概率及状态值,所述状态值为正常工作的风机数目;其中,uwt(z)=UwtZ0+(1-Uwt)Z1;Uwt=1-(1-Ugene)(1-Ugear)(1-Ucon);uwt(z)为未来某时刻单台风机的不可用率Uwt的UGF模型;Ugene、Ugear、Ucon分别为发电机、齿轮箱、逆变器的不可用率,Uwt为单台风机的不可用率;
所述第五建立模块,用于建立风机出力概率预测性的通用生成函数UGF模型:
其中,uve(z)为风机出力概率预测性的通用生成函数UGF模型;nve、分别表示风机出力状态数、状态概率及状态值,所述状态值为单台风机输出功率的大小;
其中,利用马尔科夫模型进行风速状态预测,根据风速状态历史数据将风速状态等间隔划分为nIR个区间,分别表示nIR个状态;已知初始时刻风速状态及概率,根据Pr(t1)=Pr(t0)·P得到未来某时刻的预测风速状态及概率,其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;
将预测风速状态及概率代入风能转换特性模型,得到单台风机的多状态出力概率预测:
其中,wPr为风机的额定功率,vci、vco、vr分别为切入、切出和额定风速;根据所述单台风机的多状态出力概率预测,建立风机出力概率预测性的通用生成函数UGF模型
所述第六建立模块,用于根据所述风力发电系统的机械可靠性的通用生成函数UGF模型和所述风机出力概率预测性的通用生成函数UGF模型,建立所述风力发电系统的通用生成函数模型:
其中,ΩΦm为UGF的通用乘法算子;kwts、分别对应风力发电系统出力状态数目、状态概率及状态值,所述状态值为风力发电系统输出功率的大小。
进一步地,所述第三建立单元,具体用于:
建立所述传统发电机组的通用生成函数UGF模型uac(z);
其中,uac(z)为所有投运传统发电机组的通用生成函数UGF模型;uc(z)为单台传统机组的UGF模型;Uc为机组处于停运状态的概率;nc为机组的数量;Pc为机组经过边际时间向上或向下爬坡后的出力;kac、分别对应所有投运传统机组的出力状态数目、状态概率及状态值,所述状态值为机组输出功率的大小。
进一步地,所述第四建立单元,具体用于:
利用马尔科夫模型进行负荷概率预测,已知初始时刻负荷状态及概率,根据式Pr(t1)=Pr(t0)·P得到未来某时刻的预测负荷状态及概率,根据未来某时刻的预测负荷状态及概率建立所述微电网的负荷的通用生成函数模型:
其中,uload(z)为微电网的负荷的通用生成函数UFG模型;kload、分别对应负荷的状态数目、状态概率及状态值,所述状态值为负荷的大小;其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵。
由上述技术方案可知,本发明所述的适用于微电网的多状态等值分析方法,根据风速、太阳光照、负荷随机变量的时间序列,考虑分布式能源的转换关系、分布式能源的拓扑结构特性、分布式能源的设备故障参数,以及考虑传统机组(微型燃气轮机、柴油机等)的机械可靠性,建立了微电网的UGF模型,根据该模型对微电网进行等值分析,能够解决含微电网的配电系统规划、运行分析、可靠性评估等研究中微电网等值问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一个实施例提供的适用于微电网的多状态等值分析方法的流程图;
图2是光伏发电系统的典型结构示意图;
图3是风力发电机内部主要元件示意图;
图4是本发明第一个实施例提供的适用于微电网的多状态等值分析的框架流程示意图;
图5是本发明第二个实施例提供的适用于微电网的多状态等值分析系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于现有微电网等值方法所建立的等值模型并不适用于对含微电网的配电系统进行规划、运行分析、可靠性评估等领域的研究,因此,本发明针对该研究领域,提出了一种适用于微电网的多状态等值分析方法及系统。
本发明根据风速、太阳光照、负荷随机变量的时间序列,考虑分布式能源转换关系、分布式能源拓扑结构特性、分布式能源设备故障参数,以及考虑传统机组(微型燃气轮机、柴油机等)的机械可靠性,提出了一种适用于微电网的多状态等值方法,该方法能够解决含微电网的配电系统规划、运行分析、可靠性评估等领域中微电网等值问题。
本发明首先根据风速、光照强度、负荷随机变量的时间序列,利用马尔科夫模型预测得出状态转移概率矩阵,并结合初始状态得到考察时刻的风速、光照强度、负荷的状态及概率,然后利用能量转换模型得出单台风机、单块光伏电池阵列的输出功率,并利用通用生成函数法(universal generating function,UGF)建立对应的UGF模型;其次考虑风机、光伏电池阵列的内部拓扑结构,以及风电场所含风机台数、光伏电池阵列个数,根据元件串并联关系,从单个元件的机械可靠性推导出风力发电系统和光伏发电系统的机械可靠性UGF模型;最后结合上述建立的模型,利用UGF进行组合运算,得到与微电网整体出力等值的多状态出力及概率,即完成了微电网的等值。
图1示出了本发明第一个实施例提供的适用于微电网的多状态等值分析方法的流程图,其中,所述微电网包括光伏发电系统、风力发电系统和传统发电机组。参见图1,本实施例提供的适用于微电网的多状态等值分析方法,包括如下步骤:
步骤101:建立所述光伏发电系统的通用生成函数UGF模型。
在本步骤中,光伏发电系统功率输出的随机性主要来源于两个方面:外部太阳辐照度的随机变化和内部硬件(如光伏电池块等)的机械故障特性变化。而光伏发电系统的机械可靠性与内部硬件的拓扑结构直接相关。为清晰展现建模过程,分为以下步骤:
1)机械可靠性建模:已知系统内单个元件的故障率和初始时刻状态及概率,根据马尔科夫过程公式求取元件在未来某时刻的预测状态及概率,结合元件连接的拓扑结构,建立系统的机械可靠性UGF模型;
2)光伏出力概率预测性建模:已知初始时刻光照强度状态及概率,根据马尔科夫状态转移技术求取未来某时刻的预测光照强度状态及概率,结合光能转换特性,建立光伏出力的UGF模型;
最后,综合上述建立的模型,结合UGF运算法则,建立光伏发电系统在未来某时刻的UGF模型。下面通过步骤a1、b1和c1详细进行介绍。
步骤a1.建立光伏发电系统的机械可靠性的通用生成函数UGF模型。
假设元件的故障率λ和修复率μ为常数,则元件的连续工作时间和停运时间服从指数分布,元件状态转移过程为齐次马尔可夫过程,可由下式(1)表示如下:
其中,P(t)=[p0(t),p1(t)],p0(t)和p1(t)分别表示元件在t时刻处于运行状态和停运状态的瞬时概率;表示转移概率矩阵,在齐次马尔可夫过程中,转移密度是常数;t为预测时间,旋转备用研究中也称为前导时间。给定元件在t=0的初始时刻处于运行状态,那么应用拉氏变换可求解得t时刻的状态概率为:
由于前导时间内不考虑元件的修复过程,即μ=0。因此,式(2)可改写为:
[p0(t),p1(t)]=[e-λt,1-e-λt] (3)
以上即建立了单个元件(如光伏电池块、逆变器)的机械可靠性模型,接下来结合元件间的拓扑结构建立光伏发电系统机械可靠性模型。
光伏发电系统的主要部件为电池阵列和并网逆变器,而光伏电池阵列不同的拓扑结构对整个系统的成本、效益及可靠性有不同影响。本发明考虑典型结构如图2所示。假设该光伏发电系统由nmod个光伏逆变器组并联入网,每个光伏逆变器组由一个逆变器和一个光伏阵列串联而成,每个光伏阵列由nstr串光伏电池板并联而成,每串光伏电池板由ncell个光伏电池块组成一串。
已知光伏电池块及并网逆变器的故障率,由式(3)可计算出未来某时刻二者的不可用率分别为Ucell,i和Uinv。根据串联和并联网络法,可得电池串的不可用率如式(4)所示。根据UGF运算法则,可得光伏电池串、阵列、逆变器、光伏阵列逆变器组的UGF分别如等式(5)、(6)、(7)、(8)所示:
ustr(z)=UstrZ0+(1-Ustr)Z1 (5)
uinv(z)=UinvZ0+(1-Uinv)Z1 (7)
式中,Z的指数项和系数项分别表示状态和概率,状态用工作的电池串数表示,Z用于区别状态及概率,其本身并无实质意义和取值;ΩΦP、ΩΦS分别为UGF的通用并联算子和串联算子;karr、分别对应光伏阵列的状态数目、状态概率及状态值;kmod、分别对应光伏逆变器组的状态数目、状态概率及状态值。
由于光伏电池串的不可用率一般较小,所以当光伏逆变器组中光伏电池串数量很大时,光伏电池串同时故障的数量超过一定值的概率近似为零。有文献表明,光伏电池阵列中工作的电池串数占阵列总电池串数比例低于60%的概率全部近似为零。因此,为减少毫无必要的计算负担,在得到光伏逆变器组的状态及概率后,利用比例均摊进行状态聚类,将状态数进行一定程度的削减。再利用并联算子对削减后的光伏逆变器组的状态进行组合运算,即可得到光伏发电系统机械可靠性UGF模型,如式(9)所示:
其中,uMA(z)表示光伏发电系统的机械可靠性的通用生成函数UGF模型;ΩΦP表示UGF模型的通用并联算子;umod,1(z)表示第1个光伏阵列逆变器组的UGF模型;umod,nmod(z)表示第nmod个光伏阵列逆变器组的UGF模型;kMA、分别对应光伏发电系统机械状态数目、状态概率及状态值,所述状态值表示正常工作的电池串数目。
步骤b1.建立光伏出力概率预测性的通用生成函数UGF模型。
一般情况下,光照强度、风速的随机变化遵循马尔科夫过程,则利用马尔可夫模型进行风速、光照强度的预测是可行的,目前该方法已被用于短期预测中。因此,本发明根据马尔科夫模型预测各状态之间的转移概率,以转移概率的大小反应各种随机因素的影响程度及各状态之间的内在规律性。
根据光照强度历史数据将其等间隔划分为nIR个区间,分别表示nIR个状态。已知初始时刻t0光照强度的状态概率,则根据式(10)即可求得未来某时刻t1的预测状态概率。
Pr(t1)=Pr(t0)·P (10)
式中,Pr(t0)为初始时刻t0的状态概率,1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,1×nIR行向量;P为状态转移概率矩阵,nIR×nIR矩阵,其具体求解方法及步骤不是本发明的重点,可参见其他相关文献的介绍。
以上即根据马尔科夫模型得到未来某时刻的预测光照强度状态及概率,接下来结合光能转换特性建立光伏出力的UGF模型。
假设在光伏系统中使用了最大功率跟踪技术,忽略环境温度的影响,则光能转换特性为:
Ps=ηSI (11)
式中,η为转换效率,S为阵列面积,I为光照强度。
将未来某时刻t1的光照强度预测状态代入式(11),即可得光伏的多状态出力,状态概率对应为光照强度的概率,其UGF表示如式(12)所示:
式中,nIR、分别表示光伏出力状态数目、状态概率及状态值,此处状态值用单位光伏电池串面积的输出功率表示。
以上即完成光伏发电系统机械可靠性建模和光伏出力概率预测性建模。
步骤c1.根据所述光伏发电系统的机械可靠性的通用生成函数UGF模型和所述光伏出力概率预测性的通用生成函数UGF模型,建立所述光伏发电系统的通用生成函数UGF模型。
在本步骤中,根据式(9)和式(12),结合UGF组合运算,即可得出光伏发电系统UGF模型如式(13)所示:
式中,upvs(z)为光伏发电系统的通用生成函数UGF模型;ΩΦm为UGF的通用乘法算子;kpvs、分别对应光伏发电系统出力状态数目、状态概率及状态值,所述状态值表示输出功率的大小。
步骤102:建立所述风力发电系统的通用生成函数UGF模型。
在本步骤中,与光伏发电系统类似,风力发电系统的模型同时考虑了风机内部拓扑结构以及风电场风机数量和风速的随机性,分别建立机械可靠性模型和风机出力概率预测性模型,最后综合二者建立风力发电系统模型。下面通过步骤a2、b2和c2详细介绍建立所述风力发电系统的通用生成函数UGF模型的具体过程。
步骤a2.建立风力发电系统的机械可靠性的通用生成函数UGF模型。
如图3所示,通常考虑风机内部结构主要由三个元件串联而成:发电机、齿轮箱、逆变器。已知上述元件的故障率和初始时刻状态及概率,根据式(3)即可得未来某时刻元件的预测状态及概率。再根据串联特性,由式(14)可求取未来某时刻单台风机的不可用率Uwt,其UGF如式(15)所示:
Uwt=1-(1-Ugene)(1-Ugear)(1-Ucon) (14)
uwt(z)=UwtZ0+(1-Uwt)Z1 (15)
式中,Ugene、Ugear、Ucon分别为发电机、齿轮箱、逆变器的不可用率,Uwt为单台风机的不可用率。
假设风电场共有nw台风机并联,根据UGF组合运算,可得所有风机机械状态UGF如式(16)所示:
式中,uwf(z)为风力发电系统的机械可靠性的通用生成函数UGF模型;kwf、分别对应风电场所有风机机械状态数目、状态概率及状态值,状态值即正常工作的风机数目。
步骤b2.建立风机出力概率预测性的通用生成函数UGF模型。
在本步骤中,与光照强度类似,利用马尔科夫模型进行风速概率预测。已知初始时刻风速状态及概率,根据式(10)可得未来某时刻的预测风速状态及概率,将其代入风能转换特性模型(其中,风能转换特性模型不是本发明保护的重点,可参见相关文献的介绍),如式(17)所示,即得单台风机的多状态出力,其UGF表示如式(18)所示:
式中,wPr为风机的额定功率,vci、vco、vr分别为切入、切出和额定风速;nve、分别表示风机出力状态数、状态概率及状态值,所述状态值为单台风机输出功率的大小。
步骤c2.据所述风力发电系统的机械可靠性的通用生成函数UGF模型和所述风机出力概率预测性的通用生成函数UGF模型,建立所述风力发电系统的通用生成函数模型。
在本步骤中,根据式(16)和式(18),结合UGF组合运算,即得出风力发电系统UGF模型如式(19)所示:
式中,ΩΦm为UGF的通用乘法算子;kwts、分别对应风力发电系统出力状态数目、状态概率及状态值,所述状态值为风力发电系统输出功率的大小。
步骤103:建立所述传统发电机组的通用生成函数UGF模型。
在本步骤中,独立微电网内的传统发电机组如柴油机、微型燃气轮机等都属于出力可控机组,因此可提供旋转备用。已知各机组的故障率,根据式(3)即可得到未来某时刻机组处于运行和停运状态的概率,单台机组的UGF如式(20)所示。结合UGF组合运算,可得所有投运机组的UGF如式(21)所示:
式中,Uc为机组处于停运状态的概率;Pc为机组经过边际时间向上或向下爬坡后的出力;kac、分别对应所有投运传统机组的出力状态数目、状态概率及状态值,状态值即机组的输出功率。
步骤104:建立所述微电网的负荷的通用生成函数UGF模型。
在本步骤中,与光照强度类似,利用马尔科夫技术进行负荷概率预测,已知初始时刻负荷状态及概率,根据式(10)可得未来某时刻的预测负荷状态及概率,其UGF表示如式(22)所示:
式中,kload、分别对应负荷的状态数目、状态概率及状态值,状态值即负荷的大小。
步骤105:根据所述光伏发电系统的通用生成函数UGF模型、所述风力发电系统的通用生成函数UGF模型、所述传统发电机组的通用生成函数UGF模型和所述微电网的负荷的通用生成函数UGF模型,建立微电网等值模型。
在本步骤中,结合上述建立的风力发电系统、光伏发电系统、传统机组以及负荷的UGF模型,利用通用生成算子进行组合运算,即可得到微电网输出功率的等值多状态可靠性模型,如式(23)所示:
式中,ΩΦP、ΩΦj分别为UGF的通用并联算子和减法算子;kMG、分别对应微电网输出功率的状态数目、状态概率及状态值,状态值即输出功率的大小,正值表示微电网可以向所联配电系统输送功率,负值表示微电网内部发生功率缺额,需要外部提供功率支持。
综上,参见图4,通过上述步骤101-105得到建立好的微电网等值模型。
步骤106:根据所述微电网等值模型对所述微电网进行等值分析。
本发明实施例提供的适用于微电网的多状态等值分析方法,根据风速、太阳光照、负荷随机变量的时间序列,考虑分布式能源的转换关系、分布式能源的拓扑结构特性、分布式能源的设备故障参数,以及考虑传统机组(微型燃气轮机、柴油机等)的机械可靠性,建立了微电网的UGF模型,根据该模型对微电网进行等值分析,能够解决含微电网的配电系统规划、运行分析、可靠性评估等研究中微电网等值问题。
本发明第二个实施例提供了一种适用于微电网的多状态等值分析系统,其中,所述微电网包括光伏发电系统、风力发电系统和传统发电机组。参见图5,本实施例提供的适用于微电网的多状态等值分析系统包括:
第一建立单元51,用于建立所述光伏发电系统的通用生成函数UGF模型;
第二建立单元52,用于建立所述风力发电系统的通用生成函数UGF模型;
第三建立单元53,用于建立所述传统发电机组的通用生成函数UGF模型;
第四建立单元54,用于建立所述微电网的负荷的通用生成函数UGF模型;
第五建立单元55,用于根据所述第一建立单元建立的光伏发电系统的通用生成函数UGF模型、所述第二建立单元建立的风力发电系统的通用生成函数UGF模型、所述第三建立单元建立的传统发电机组的通用生成函数UGF模型和所述第四建立单元建立的微电网的负荷的通用生成函数UGF模型,建立微电网等值模型:
其中,uMG(z)表示微电网等值模型,upvs(z)表示光伏发电系统的通用生成函数UGF模型,uwf(z)表示风力发电系统的通用生成函数UGF模型,uac(z)表示传统发电机组的通用生成函数UGF模型,uload(z)表示微电网的负荷的通用生成函数UGF模型;ΩΦP、ΩΦj分别表示通用生成函数UGF的通用并联算子和减法算子;Z的指数项和系数项分别表示状态和概率,其中Z用于区别状态及概率,其本身无实质意义和取值;kMG、分别对应微电网输出功率的状态数目、状态概率及状态值,所述状态值表示输出功率的大小;
分析单元,用于根据所述第五建立单元建立的微电网等值模型对所述微电网进行等值分析。
进一步地,所述第一建立单元51包括第一建立模块、第二建立模块和第三建立模块;
所述第一建立模块,用于建立光伏发电系统的机械可靠性的通用生成函数UGF模型:
其中,uMA(z)表示光伏发电系统的机械可靠性的通用生成函数UGF模型;ΩΦP表示UGF模型的通用并联算子;umod,1(z)表示第1个光伏阵列逆变器组的UGF模型;表示第nmod个光伏阵列逆变器组的UGF模型;kMA、分别对应光伏发电系统机械状态数目、状态概率及状态值,所述状态值表示正常工作的电池串数目;
其中,所述光伏阵列逆变器组的UGF模型为:
其中,uinv(z)表示光伏逆变器的UGF模型,uinv(z)=UinvZ0+(1-Uinv)Z1;uarr(z)表示光伏阵列的UGF模型,其中,ustr(z)表示光伏电池串的UGF模型,ustr(z)=UstrZ0+(1-Ustr)Z1;其中,Ustr表示电池串的不可用率,其中,Ucell,i为光伏电池块的不可用率;Uinv为逆变器的不可用率;ΩΦP、ΩΦS分别为UGF的通用并联算子和串联算子;karr、分别对应光伏阵列的状态数目、状态概率及状态值;kmod、分别对应光伏逆变器组的状态数目、状态概率及状态值;
所述第二建立模块,用于建立光伏出力概率预测性的通用生成函数UGF模型:
其中,uIR(z)表示光伏出力概率预测性的通用生成函数UGF模型;nIR、分别表示光伏出力状态数目、状态概率及状态值,所述状态值表示单位光伏电池串面积的输出功率;
其中,利用马尔科夫模型进行光照强度概率预测,根据光照强度历史数据将光照强度等间隔划分为nIR个区间,分别表示nIR个状态,已知初始时刻t0光照强度的状态概率,根据Pr(t1)=Pr(t0)·P求得未来某时刻t1的预测状态概率;其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;根据得到的未来某时刻的预测光照强度状态及概率,结合光能转换特性Ps=ηSI,建立所述光伏出力概率预测性的UGF模型:
将未来某时刻t1的预测光照强度状态代入光能转换特性Ps=ηSI中,得到所述光伏出力概率预测性的UGF模型
其中,η为转换效率,S为阵列面积,I为光照强度;
所述第三建立模块,用于根据所述光伏发电系统的机械可靠性的通用生成函数UGF模型和所述光伏出力概率预测性的通用生成函数UGF模型,建立所述光伏发电系统的通用生成函数UGF模型:
其中,upvs(z)为光伏发电系统的通用生成函数UGF模型;ΩΦm为UGF的通用乘法算子;kpvs、分别对应光伏发电系统出力状态数目、状态概率及状态值,所述状态值表示输出功率的大小。
进一步地,所述第二建立单元52包括第四建立模块、第五建立模块和第六建立模块;
所述第四建立模块,用于建立风力发电系统的机械可靠性的通用生成函数UGF模型:
其中,uwf(z)为风力发电系统的机械可靠性的通用生成函数UGF模型;风电场共有nw台风机并联,kwf、分别对应风电场所有风机机械状态数目、状态概率及状态值,所述状态值为正常工作的风机数目;其中,uwt(z)=UwtZ0+(1-Uwt)Z1;Uwt=1-(1-Ugene)(1-Ugear)(1-Ucon);uwt(z)为未来某时刻单台风机的不可用率Uwt的UGF模型;Ugene、Ugear、Ucon分别为发电机、齿轮箱、逆变器的不可用率,Uwt为单台风机的不可用率;
所述第五建立模块,用于建立风机出力概率预测性的通用生成函数UGF模型:
其中,uve(z)为风机出力概率预测性的通用生成函数UGF模型;nve、分别表示风机出力状态数、状态概率及状态值,所述状态值为单台风机输出功率的大小;
其中,利用马尔科夫模型进行风速状态预测,根据风速状态历史数据将风速状态等间隔划分为nIR个区间,分别表示nIR个状态;已知初始时刻风速状态及概率,根据Pr(t1)=Pr(t0)·P得到未来某时刻的预测风速状态及概率,其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;
将预测风速状态及概率代入风能转换特性模型,得到单台风机的多状态出力概率预测:
其中,wPr为风机的额定功率,vci、vco、vr分别为切入、切出和额定风速;根据所述单台风机的多状态出力概率预测,建立风机出力概率预测性的通用生成函数UGF模型
所述第六建立模块,用于根据所述风力发电系统的机械可靠性的通用生成函数UGF模型和所述风机出力概率预测性的通用生成函数UGF模型,建立所述风力发电系统的通用生成函数模型:
其中,ΩΦm为UGF的通用乘法算子;kwts、分别对应风力发电系统出力状态数目、状态概率及状态值,所述状态值为风力发电系统输出功率的大小。
进一步地,所述第三建立单元53,具体用于:建立所述传统发电机组的通用生成函数UGF模型uac(z);
其中,uac(z)为所有投运传统发电机组的通用生成函数UGF模型;uc(z)为单台传统机组的UGF模型;Uc为机组处于停运状态的概率;nc为机组的数量;Pc为机组经过边际时间向上或向下爬坡后的出力;kac、分别对应所有投运传统机组的出力状态数目、状态概率及状态值,所述状态值为机组输出功率的大小。
进一步地,所述第四建立单元54,具体用于:
利用马尔科夫模型进行负荷概率预测,已知初始时刻负荷状态及概率,根据式Pr(t1)=Pr(t0)·P得到未来某时刻的预测负荷状态及概率,根据未来某时刻的预测负荷状态及概率建立所述微电网的负荷的通用生成函数模型:
其中,uload(z)为微电网的负荷的通用生成函数UFG模型;kload、分别对应负荷的状态数目、状态概率及状态值,所述状态值为负荷的大小;其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵。
本实施例所述的系统可以用于执行上述实施例所述的方法,其原理和技术效果类似,此处不再详述。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (2)
1.一种适用于微电网的多状态等值分析方法,其特征在于,所述微电网包括光伏发电系统、风力发电系统和传统发电机组,所述方法包括:
建立所述光伏发电系统的通用生成函数UGF模型,具体包括:
a1.建立光伏发电系统的机械可靠性的通用生成函数UGF模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>M</mi>
<mn>4</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>mod</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>mod</mi>
<mo>,</mo>
<msub>
<mi>n</mi>
<mi>mod</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>M</mi>
<mi>A</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>M</mi>
<mi>A</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>M</mi>
<mi>A</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uMA(z)表示光伏发电系统的机械可靠性的通用生成函数UGF模型;表示UGF模型的通用并联算子;umod,1(z)表示第1个光伏阵列逆变器组的UGF模型;表示第nmod个光伏阵列逆变器组的UGF模型;kMA、pri MA、gi MA分别对应光伏发电系统机械状态数目、状态概率及状态值,所述状态值表示正常工作的电池串数目;
其中,所述光伏阵列逆变器组的UGF模型为:
<mrow>
<msub>
<mi>u</mi>
<mi>mod</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>a</mi>
<mi>r</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>v</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mi>mod</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mi>mod</mi>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uinv(z)表示光伏逆变器的UGF模型,uinv(z)=UinvZ0+(1-Uinv)Z1;uarr(z)表示光伏阵列的UGF模型,其中,ustr(z)表示光伏电池串的UGF模型,ustr(z)=UstrZ0+(1-Ustr)Z1;其中,Ustr表示电池串的不可用率,其中,Ucell,i为光伏电池块的不可用率;Uinv为逆变器的不可用率; 分别为UGF的通用并联算子和串联算子;karr、pri arr、gi arr分别对应光伏阵列的状态数目、状态概率及状态值;kmod、pri mod、gi mod分别对应光伏逆变器组的状态数目、状态概率及状态值;
b1.建立光伏出力概率预测性的通用生成函数UGF模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mrow>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uIR(z)表示光伏出力概率预测性的通用生成函数UGF模型;nIR、pri IR、gi IR分别表示光伏出力状态数目、状态概率及状态值,所述状态值表示单位光伏电池串面积的输出功率;
其中,利用马尔科夫模型进行光照强度概率预测,根据光照强度历史数据将光照强度等间隔划分为nIR个区间,分别表示nIR个状态,已知初始时刻t0光照强度的状态概率,根据Pr(t1)=Pr(t0)·P求得未来某时刻t1的预测状态概率;其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;根据得到的未来某时刻的预测光照强度状态及概率,结合光能转换特性Ps=ηSI,建立所述光伏出力概率预测性的UGF模型:
将未来某时刻t1的预测光照强度状态代入光能转换特性Ps=ηSI中,得到所述光伏出力概率预测性的UGF模型
其中,η为转换效率,S为阵列面积,I为光照强度;
c1.根据所述光伏发电系统的机械可靠性的通用生成函数UGF模型和所述光伏出力概率预测性的通用生成函数UGF模型,建立所述光伏发电系统的通用生成函数UGF模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>M</mi>
<mi>A</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mi>s</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,upvs(z)为光伏发电系统的通用生成函数UGF模型;为UGF的通用乘法算子;kpvs、pri pvs、gi pvs分别对应光伏发电系统出力状态数目、状态概率及状态值,所述状态值表示输出功率的大小;
建立所述风力发电系统的通用生成函数UGF模型,具体包括:
a2.建立风力发电系统的机械可靠性的通用生成函数UGF模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mo>,</mo>
<msub>
<mi>n</mi>
<mi>w</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uwf(z)为风力发电系统的机械可靠性的通用生成函数UGF模型;风电场共有nw台风机并联,uwt,1(z)表示未来某时刻第1台风机的不可用率Uwt的UGF模型,表示未来某时刻第nw台风机的不可用率Uwt的UGF模型,kwf、pri wf、gi wf分别对应风电场所有风机机械状态数目、状态概率及状态值,所述状态值为正常工作的风机数目;其中,uwt(z)=UwtZ0+(1-Uwt)Z1;Uwt=1-(1-Ugene)(1-Ugear)(1-Ucon);uwt(z)为未来某时刻单台风机的不可用率Uwt的UGF模型;Ugene、Ugear、Ucon分别为发电机、齿轮箱、逆变器的不可用率,Uwt为单台风机的不可用率;
b2.建立风机出力概率预测性的通用生成函数UGF模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uve(z)为风机出力概率预测性的通用生成函数UGF模型;nve、pri ve、gi ve分别表示风机出力状态数、状态概率及状态值,所述状态值为单台风机输出功率的大小;
其中,利用马尔科夫模型进行风速状态预测,根据风速状态历史数据将风速状态等间隔划分为nIR个区间,分别表示nIR个状态;已知初始时刻风速状态及概率,根据Pr(t1)=Pr(t0)·P得到未来某时刻的预测风速状态及概率,其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;
将预测风速状态及概率代入风能转换特性模型,得到单台风机的多状态出力概率预测:
<mrow>
<msub>
<mi>P</mi>
<mi>w</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>v</mi>
<mo><</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>v</mi>
<mo>&GreaterEqual;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msup>
<mi>v</mi>
<mn>3</mn>
</msup>
<mo>-</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
<mn>3</mn>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>v</mi>
<mi>r</mi>
<mn>3</mn>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
<mn>3</mn>
</msubsup>
</mrow>
</mfrac>
<msub>
<mi>wp</mi>
<mi>r</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>v</mi>
<mo><</mo>
<msub>
<mi>v</mi>
<mi>r</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>wp</mi>
<mi>r</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mi>r</mi>
</msub>
<mo>&le;</mo>
<mi>v</mi>
<mo><</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,wPr为风机的额定功率,vci、vco、vr分别为切入、切出和额定风速;根据所述单台风机的多状态出力概率预测,建立风机出力概率预测性的通用生成函数UGF模型
c2.据所述风力发电系统的机械可靠性的通用生成函数UGF模型和所述风机出力概率预测性的通用生成函数UGF模型,建立所述风力发电系统的通用生成函数模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mi>s</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mi>s</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,为UGF的通用乘法算子;kwts、pri wts、gi wts分别对应风力发电系统出力状态数目、状态概率及状态值,所述状态值为风力发电系统输出功率的大小;
建立所述传统发电机组的通用生成函数UGF模型,具体包括:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<msub>
<mi>n</mi>
<mi>c</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uac(z)为所有投运传统发电机组的通用生成函数UGF模型;uc(z)为单台传统机组的UGF模型;Uc为机组处于停运状态的概率;nc为机组的数量;uc,1(z)表示第1个传统发电机组的UGF模型,表示第nc个传统发电机组的UGF模型,Pc为机组经过边际时间向上或向下爬坡后的出力;kac、pri ac、gi ac分别对应所有投运传统机组的出力状态数目、状态概率及状态值,所述状态值为机组输出功率的大小;
建立所述微电网的负荷的通用生成函数UGF模型,具体方法为,利用马尔科夫模型进行负荷概率预测,已知初始时刻负荷状态及概率,根据式Pr(t1)=Pr(t0)·P得到未来某时刻的预测负荷状态及概率,根据未来某时刻的预测负荷状态及概率建立所述微电网的负荷的通用生成函数模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uload(z)为微电网的负荷的通用生成函数UFG模型;kload、pri load、gi load分别对应负荷的状态数目、状态概率及状态值,所述状态值为负荷的大小;其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;
根据所述光伏发电系统的通用生成函数UGF模型、所述风力发电系统的通用生成函数UGF模型、所述传统发电机组的通用生成函数UGF模型和所述微电网的负荷的通用生成函数UGF模型,建立微电网等值模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>M</mi>
<mi>G</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>M</mi>
<mi>G</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>M</mi>
<mi>G</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>M</mi>
<mi>G</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uMG(z)表示微电网等值模型,upvs(z)表示光伏发电系统的通用生成函数UGF模型,uwf(z)表示风力发电系统的通用生成函数UGF模型,uac(z)表示传统发电机组的通用生成函数UGF模型,uload(z)表示微电网的负荷的通用生成函数UGF模型; 分别表示通用生成函数UGF的通用并联算子和减法算子;Z的指数项和系数项分别表示状态和概率,其中Z用于区别状态及概率,其本身无实质意义和取值;kMG、pri MG、gi MG分别对应微电网输出功率的状态数目、状态概率及状态值,所述状态值表示输出功率的大小;
根据所述微电网等值模型对所述微电网进行等值分析。
2.一种适用于微电网的多状态等值分析系统,其特征在于,所述微电网包括光伏发电系统、风力发电系统和传统发电机组,所述系统包括:
第一建立单元,用于建立所述光伏发电系统的通用生成函数UGF模型,所述第一建立单元包括第一建立模块、第二建立模块和第三建立模块,所述第一建立模块,用于建立光伏发电系统的机械可靠性的通用生成函数UGF模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>M</mi>
<mi>A</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>mod</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>mod</mi>
<mo>,</mo>
<msub>
<mi>n</mi>
<mi>mod</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>M</mi>
<mi>A</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>M</mi>
<mi>A</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>M</mi>
<mi>A</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uMA(z)表示光伏发电系统的机械可靠性的通用生成函数UGF模型;表示UGF模型的通用并联算子;umod,1(z)表示第1个光伏阵列逆变器组的UGF模型;表示第nmod个光伏阵列逆变器组的UGF模型;kMA、pri MA、gi MA分别对应光伏发电系统机械状态数目、状态概率及状态值,所述状态值表示正常工作的电池串数目;
其中,所述光伏阵列逆变器组的UGF模型为:
<mrow>
<msub>
<mi>u</mi>
<mi>mod</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>a</mi>
<mi>r</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>v</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mi>mod</mi>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mi>mod</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mi>mod</mi>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uinv(z)表示光伏逆变器的UGF模型,uinv(z)=UinvZ0+(1-Uinv)Z1;uarr(z)表示光伏阵列的UGF模型,其中,ustr(z)表示光伏电池串的UGF模型,ustr(z)=UstrZ0+(1-Ustr)Z1;其中,Ustr表示电池串的不可用率,其中,Ucell,i为光伏电池块的不可用率;Uinv为逆变器的不可用率; 分别为UGF的通用并联算子和串联算子;karr、pri arr、gi arr分别对应光伏阵列的状态数目、状态概率及状态值;kmod、pri mod、gi mod分别对应光伏逆变器组的状态数目、状态概率及状态值;
所述第二建立模块,用于建立光伏出力概率预测性的通用生成函数UGF模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mrow>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uIR(z)表示光伏出力概率预测性的通用生成函数UGF模型;nIR、pri IR、gi IR分别表示光伏出力状态数目、状态概率及状态值,所述状态值表示单位光伏电池串面积的输出功率;
其中,利用马尔科夫模型进行光照强度概率预测,根据光照强度历史数据将光照强度等间隔划分为nIR个区间,分别表示nIR个状态,已知初始时刻t0光照强度的状态概率,根据Pr(t1)=Pr(t0)·P求得未来某时刻t1的预测状态概率;其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;根据得到的未来某时刻的预测光照强度状态及概率,结合光能转换特性Ps=ηSI,建立所述光伏出力概率预测性的UGF模型:
将未来某时刻t1的预测光照强度状态代入光能转换特性Ps=ηSI中,得到所述光伏出力概率预测性的UGF模型
其中,η为转换效率,S为阵列面积,I为光照强度;
所述第三建立模块,用于根据所述光伏发电系统的机械可靠性的通用生成函数UGF模型和所述光伏出力概率预测性的通用生成函数UGF模型,建立所述光伏发电系统的通用生成函数UGF模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>M</mi>
<mi>A</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mi>s</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mi>s</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,upvs(z)为光伏发电系统的通用生成函数UGF模型;为UGF的通用乘法算子;kpvs、pri pvs、gi pvs分别对应光伏发电系统出力状态数目、状态概率及状态值,所述状态值表示输出功率的大小;
第二建立单元,用于建立所述风力发电系统的通用生成函数UGF模型,所述第二建立单元包括第四建立模块、第五建立模块和第六建立模块;
所述第四建立模块,用于建立风力发电系统的机械可靠性的通用生成函数UGF模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mo>,</mo>
<msub>
<mi>n</mi>
<mi>w</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uwf(z)为风力发电系统的机械可靠性的通用生成函数UGF模型;风电场共有nw台风机并联,uwt,1(z)表示未来某时刻第1台风机的不可用率Uwt的UGF模型,表示未来某时刻第nw台风机的不可用率Uwt的UGF模型,kwf、pri wf、gi wf分别对应风电场所有风机机械状态数目、状态概率及状态值,所述状态值为正常工作的风机数目;其中,uwt(z)=UwtZ0+(1-Uwt)Z1;Uwt=1-(1-Ugene)(1-Ugear)(1-Ucon);uwt(z)为未来某时刻单台风机的不可用率Uwt的UGF模型;Ugene、Ugear、Ucon分别为发电机、齿轮箱、逆变器的不可用率,Uwt为单台风机的不可用率;
所述第五建立模块,用于建立风机出力概率预测性的通用生成函数UGF模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mrow>
<mi>v</mi>
<mi>w</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uve(z)为风机出力概率预测性的通用生成函数UGF模型;nve、pri ve、gi ve分别表示风机出力状态数、状态概率及状态值,所述状态值为单台风机输出功率的大小;
其中,利用马尔科夫模型进行风速状态预测,根据风速状态历史数据将风速状态等间隔划分为nIR个区间,分别表示nIR个状态;已知初始时刻风速状态及概率,根据Pr(t1)=Pr(t0)·P得到未来某时刻的预测风速状态及概率,其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;
将预测风速状态及概率代入风能转换特性模型,得到单台风机的多状态出力概率预测:
<mrow>
<msub>
<mi>P</mi>
<mi>w</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>v</mi>
<mo><</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>v</mi>
<mo>&GreaterEqual;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msup>
<mi>v</mi>
<mn>3</mn>
</msup>
<mo>-</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
<mn>3</mn>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>v</mi>
<mi>r</mi>
<mn>3</mn>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
<mn>3</mn>
</msubsup>
</mrow>
</mfrac>
<msub>
<mi>wp</mi>
<mi>r</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>v</mi>
<mo><</mo>
<msub>
<mi>v</mi>
<mi>r</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>wp</mi>
<mi>r</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mi>r</mi>
</msub>
<mo>&le;</mo>
<mi>v</mi>
<mo><</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,wPr为风机的额定功率,vci、vco、vr分别为切入、切出和额定风速;根据所述单台风机的多状态出力概率预测,建立风机出力概率预测性的通用生成函数UGF模型
所述第六建立模块,用于根据所述风力发电系统的机械可靠性的通用生成函数UGF模型和所述风机出力概率预测性的通用生成函数UGF模型,建立所述风力发电系统的通用生成函数模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mi>s</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>w</mi>
<mi>t</mi>
<mi>s</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,为UGF的通用乘法算子;kwts、pri wts、gi wts分别对应风力发电系统出力状态数目、状态概率及状态值,所述状态值为风力发电系统输出功率的大小;
第三建立单元,用于建立所述传统发电机组的通用生成函数UGF模型,所述第三建立单元,具体用于:建立所述传统发电机组的通用生成函数UGF模型uac(z);
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<msub>
<mi>n</mi>
<mi>c</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uac(z)为所有投运传统发电机组的通用生成函数UGF模型;uc(z)为单台传统机组的UGF模型;Uc为机组处于停运状态的概率;nc为机组的数量;uc,1(z)表示第1个传统发电机组的UGF模型,表示第nc个传统发电机组的UGF模型,Pc为机组经过边际时间向上或向下爬坡后的出力;kac、pri ac、gi ac分别对应所有投运传统机组的出力状态数目、状态概率及状态值,所述状态值为机组输出功率的大小;
第四建立单元,用于建立所述微电网的负荷的通用生成函数UGF模型,具体方法为,利用马尔科夫模型进行负荷概率预测,已知初始时刻负荷状态及概率,根据式Pr(t1)=Pr(t0)·P得到未来某时刻的预测负荷状态及概率,根据未来某时刻的预测负荷状态及概率建立所述微电网的负荷的通用生成函数模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uload(z)为微电网的负荷的通用生成函数UFG模型;kload、pri load、gi load分别对应负荷的状态数目、状态概率及状态值,所述状态值为负荷的大小;其中,Pr(t0)为初始时刻t0的状态概率,为1×nIR行向量;Pr(t1)为未来某时刻t1的预测状态概率,为1×nIR行向量;P为状态转移概率矩阵,为nIR×nIR矩阵;
第五建立单元,用于根据所述第一建立单元建立的光伏发电系统的通用生成函数UGF模型、所述第二建立单元建立的风力发电系统的通用生成函数UGF模型、所述第三建立单元建立的传统发电机组的通用生成函数UGF模型和所述第四建立单元建立的微电网的负荷的通用生成函数UGF模型,建立微电网等值模型:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>M</mi>
<mi>G</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>&phi;</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>w</mi>
<mi>f</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>M</mi>
<mi>G</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>pr</mi>
<mi>i</mi>
<mrow>
<mi>M</mi>
<mi>G</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msup>
<mi>Z</mi>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mi>M</mi>
<mi>G</mi>
</mrow>
</msubsup>
</msup>
<mo>;</mo>
</mrow>
其中,uMG(z)表示微电网等值模型,upvs(z)表示光伏发电系统的通用生成函数UGF模型,uwf(z)表示风力发电系统的通用生成函数UGF模型,uac(z)表示传统发电机组的通用生成函数UGF模型,uload(z)表示微电网的负荷的通用生成函数UGF模型; 分别表示通用生成函数UGF的通用并联算子和减法算子;Z的指数项和系数项分别表示状态和概率,其中Z用于区别状态及概率,其本身无实质意义和取值;kMG、pri MG、gi MG分别对应微电网输出功率的状态数目、状态概率及状态值,所述状态值表示输出功率的大小;
分析单元,用于根据所述第五建立单元建立的微电网等值模型对所述微电网进行等值分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510685406.2A CN105449666B (zh) | 2015-10-20 | 2015-10-20 | 适用于微电网的多状态等值分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510685406.2A CN105449666B (zh) | 2015-10-20 | 2015-10-20 | 适用于微电网的多状态等值分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105449666A CN105449666A (zh) | 2016-03-30 |
CN105449666B true CN105449666B (zh) | 2018-04-24 |
Family
ID=55559584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510685406.2A Active CN105449666B (zh) | 2015-10-20 | 2015-10-20 | 适用于微电网的多状态等值分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105449666B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105932708B (zh) * | 2016-07-14 | 2018-04-03 | 国网山东省电力公司电力科学研究院 | 基于通用生成函数的高压直流输电系统可靠性计算方法 |
CN106446357A (zh) * | 2016-09-06 | 2017-02-22 | 中国农业大学 | 光伏发电系统多状态建模方法及装置 |
CN106786763B (zh) * | 2017-01-13 | 2019-02-01 | 东北电力大学 | 一种风电场增建光伏电站的集电系统网络优化方法 |
CN106960112A (zh) * | 2017-04-14 | 2017-07-18 | 中国人民解放军海军航空工程学院 | 一种基于任务要求的飞机系统可靠性评估方法 |
CN107807325B (zh) * | 2017-10-23 | 2023-11-03 | 柳州铁道职业技术学院 | 基于多状态理论的铁路轨道电路可靠性分析系统及其方法 |
CN108460177B (zh) * | 2018-01-04 | 2020-06-23 | 浙江大学 | 一种大规模多状态串并联系统的可靠性近似计算方法 |
CN110518583B (zh) * | 2019-08-23 | 2022-11-11 | 贵州电网有限责任公司 | 一种考虑动态特性的综合能源系统可靠性评估方法 |
CN111030094B (zh) * | 2019-12-05 | 2022-01-21 | 广东电网有限责任公司 | 一种多能互补园区供能可靠性评估方法 |
CN111313473B (zh) * | 2020-04-01 | 2021-07-06 | 浙江大学 | 一种考虑可靠性和切风率约束的多状态电力系统调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102055187A (zh) * | 2010-12-10 | 2011-05-11 | 中国电力科学研究院 | 基于状态空间分割法的大型互联电网旋转备用风险评估 |
CN103218757A (zh) * | 2013-04-28 | 2013-07-24 | 重庆大学 | 一种确定光伏发电容量可信度的方法 |
CN103761574A (zh) * | 2014-01-02 | 2014-04-30 | 上海电力学院 | 分布式电源与地区负荷相适应的特征匹配方法 |
-
2015
- 2015-10-20 CN CN201510685406.2A patent/CN105449666B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102055187A (zh) * | 2010-12-10 | 2011-05-11 | 中国电力科学研究院 | 基于状态空间分割法的大型互联电网旋转备用风险评估 |
CN103218757A (zh) * | 2013-04-28 | 2013-07-24 | 重庆大学 | 一种确定光伏发电容量可信度的方法 |
CN103761574A (zh) * | 2014-01-02 | 2014-04-30 | 上海电力学院 | 分布式电源与地区负荷相适应的特征匹配方法 |
Non-Patent Citations (1)
Title |
---|
基于时变通用生成函数的孤岛运行模式下微电网可靠性评估;彭寒梅 等;《电力系统自动化》;20150525;第39卷(第10期);第28-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105449666A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105449666B (zh) | 适用于微电网的多状态等值分析方法及系统 | |
CN108258695A (zh) | 一种交直流混联微网的随机鲁棒耦合型优化调度方法 | |
CN110659830A (zh) | 面向综合能源系统的多能源微网规划方法 | |
CN105071389B (zh) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 | |
Zheng et al. | Bio‐inspired optimization of sustainable energy systems: A review | |
CN103544372B (zh) | 一种微型燃气轮机热电联供系统的机组选型方法 | |
CN102184475A (zh) | 基于多时间尺度协调的微网经济运行优化调度方法 | |
CN105515005B (zh) | 基于开放市场环境下的多微电网系统优化方法 | |
CN106130079A (zh) | 一种风水火短期联合优化调度方法 | |
CN106684915A (zh) | 一种风氢耦合发电系统的优化方法及装置 | |
CN108108846A (zh) | 一种交直流混合微网鲁棒优化协调调度方法 | |
Nasiri et al. | Interval optimization‐based scheduling of interlinked power, gas, heat, and hydrogen systems | |
Semero et al. | Optimal energy management strategy in microgrids with mixed energy resources and energy storage system | |
Samrat et al. | Technical study of a standalone photovoltaic–wind energy based hybrid power supply systems for island electrification in Malaysia | |
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
CN115204562B (zh) | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 | |
CN105678415A (zh) | 一种分布式电源配电网的净负荷预测方法 | |
Liu et al. | Design and evaluation of micro energy network considering P2G‐based storage system using two‐stage stochastic programming | |
Basu | Multi-county combined heat and power dynamic economic emission dispatch incorporating electric vehicle parking lot | |
Yiasoumas et al. | A review of energy communities: Definitions, technologies, data management | |
CN106100002A (zh) | 一种交直流混合微网的优化运行方法 | |
Tan et al. | Hierarchical two‐stage robust optimisation dispatch based on co‐evolutionary theory for multiple CCHP microgrids | |
CN108629445A (zh) | 计及储能动态损耗的交直流混合微网鲁棒调度方法 | |
Yang | Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm | |
Sun et al. | Interval mixed-integer programming for daily unit commitment and dispatch incorporating wind power |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |