CN105469216A - 一种结合天气及风速评价风电场运行风险的方法和系统 - Google Patents
一种结合天气及风速评价风电场运行风险的方法和系统 Download PDFInfo
- Publication number
- CN105469216A CN105469216A CN201510931033.2A CN201510931033A CN105469216A CN 105469216 A CN105469216 A CN 105469216A CN 201510931033 A CN201510931033 A CN 201510931033A CN 105469216 A CN105469216 A CN 105469216A
- Authority
- CN
- China
- Prior art keywords
- wind
- weather
- turbine set
- energy turbine
- wind speed
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 66
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 238000012502 risk assessment Methods 0.000 claims abstract description 32
- 241001123248 Arma Species 0.000 claims abstract description 16
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 59
- 230000005684 electric field Effects 0.000 claims description 53
- 238000010248 power generation Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 10
- 230000005611 electricity Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种结合天气及风速评价风电场运行风险的方法,包括:a、确定当前天气下设备元件在评测周期内的停运概率;b、采用ARMA模型构建时间序列并进行矩阵变换,得到各风电场的风速序列;c、根据当前天气的停运概率,得到系统状态,并采用非序贯蒙特卡洛法进行抽样;d、抽样数加1,获取当前时刻下各风电场的风速,并计算各风电场出力;e、根据各风电场出力,筛选出满足预定条件的负荷母线及其相应的切负荷值累加之后作为系统最小失负荷量;f、根据最小失负荷量,计算风险指标;g、每次风险指标方差小于精度时,返回步骤d;否则,将风险指标输出。实施本发明,能够提高风电场运行风险评估的准确性和可靠性,使得评价结果更加科学合理,且具有可扩展性。
Description
技术领域
本发明涉及风电场风险评估技术领域,尤其涉及一种结合天气及风速评价风电场运行风险的方法和系统。
背景技术
随着风电机组单机容量和风电场规模的不断增大,迫切需要研究风电并网对电力系统运行风险评估的影响,然而基于风险理论的安全性评估,需充分计及到电力系统中各种事件发生的可能性及其后果,在保证电力系统安全稳定运行的同时使电力系统运行更加经济高效。
风电场运行风险的评估涉及到以下几个方面:一、在多个风电场接入电力系统时,由于多个风电场之间地理位置接近,基本处于同一风带下,从而使得风速具有一定的相关性;二、由于风速的随机性和间歇性,造成风电出力具有波动性,从而使得风电出力具有一定的相关性;三、由于天气会影响设备运行的稳定性,从而使得天气因素具有一定的相关性。
然而现有技术中,并没有全面考虑上述风险评估的几个方面,从而造成风险评估结果具有片面性,且精确度低。
发明内容
本发明实施例所要解决的技术问题在于,提供一种结合天气及风速评价风电场运行风险的方法和系统,能够综合考虑风速相关性、风电出力相关性和天气因素,提高风电场运行风险评估的准确性和可靠性,使得评价结果更加科学合理,且具有可扩展性。
为了解决上述技术问题,本发明实施例提供了一种结合天气及风速评价风电场运行风险的方法,其在包括多个风电场及常规电场的电力系统中实现,所述方法包括:
a、确定风险评价时的当前天气状态及其对应的评测周期,并根据所述当前天气状态及评测周期,得到当前天气状态下设备元件在所述评测周期内的停运概率;其中,所述天气状态包括正常天气和恶劣天气;
b、对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列,并将所述多个风电场分别构建出的时间序列均进行矩阵变换,且进一步根据风速与变换后时间序列的相关性,得到所述多个风电场分别对应的风速序列;
c、根据所述得到的停运概率,得到所有设备元件以随机数0或1来组合表示的系统状态,并对所述系统状态采用非序贯蒙特卡洛法进行抽样;其中,抽样数初始为0,且抽样数最大为M,M为自然数;
d、将当前抽样数加1,待所述加1后的当前抽样数小于M时,根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数,以及获取到的相应风速,计算出各风电场出力;
e、根据所述计算出的各风电场出力,以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值,筛选出满足预定条件的负荷母线,并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量;
f、根据所述最大抽样数,确定系统状态概率,并根据所述系统状态概率及所述系统最小失负荷量,得到所述电力系统的风险指标;
g、确定当前抽样数对应的风险指标方差,当所述风险指标方差小于预设的精度时,返回步骤d;当所述风险指标方差大于或等于所述预设的精度时,将所述得到的风险指标输出。
其中,所述步骤a具体包括:
基于历史数据统计出设备元件的年平均故障率,以及正常天气和恶劣天气分别对应的稳态概率,并进一步统计出故障发生在恶劣天气下的比例;
根据所述统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例,得到正常天气设备元件的年故障率,并进一步根据所述统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例,得到恶劣天气设备元件的年故障率;
确定风险评价时的当前天气状态及其对应的评测周期;
当所述风险评价时的当前天气状态为正常天气时,根据所述得到的正常天气设备元件的年故障率以及所述评测周期,计算出正常天气时设备元件在所述评测周期内的停运概率;
当所述风险评价时的当前天气状态为恶劣天气时,根据所述得到的恶劣天气设备元件的年故障率以及所述评测周期,计算出恶劣天气时设备元件在所述评测周期内的停运概率。
其中,所述评测周期为15分钟或1小时。
其中,所述步骤b具体包括:
对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列;
通过预设的下三角矩阵及预设的列向量,将所述多个风电场分别构建出的时间序列均进行矩阵变换;
根据预设的平均风速及预设的标准差,将所述矩阵变换后的多个时间序列生成为所述多个风电场分别对应的风速序列。
其中,所述步骤d具体包括:
获取当前抽样数,并将所述获取到的当前抽样数加1;
待所述加1后的当前抽样数小于M时,确定各风电场的风速序列取值的当前时刻,并根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数;
当所述获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时,得到各风电场出力均为0;
当所述获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时,根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速,得到各风电场出力;
当所述获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时,得到各风电场出力为其对应的额定功率。
本发明实施例还提供了一种结合天气及风速评价风电场运行风险的系统,所述系统包括:
抽样概率获取单元,用于确定风险评价时的当前天气状态及其对应的评测周期,并根据所述当前天气状态及评测周期,得到当前天气状态下设备元件在所述评测周期内的停运概率;其中,所述天气状态包括正常天气和恶劣天气;
风速序列获取单元,用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列,并将所述多个风电场分别构建出的时间序列均进行矩阵变换,且进一步根据风速与变换后时间序列的相关性,得到所述多个风电场分别对应的风速序列;
抽样单元,用于根据所述得到的停运概率,得到所有设备元件以随机数0或1来组合表示的系统状态,并对所述系统状态采用非序贯蒙特卡洛法进行抽样;其中,抽样数初始为0,且抽样数最大为M,M为自然数;
风电场出力获取单元,用于将当前抽样数加1,待所述加1后的当前抽样数小于M时,根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数,以及获取到的相应风速,计算出各风电场出力;
最小失负荷量获取单元,用于根据所述计算出的各风电场出力,以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值,筛选出满足预定条件的负荷母线,并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量;
风险指标获取单元,用于根据所述最大抽样数,确定系统状态概率,并根据所述系统状态概率及所述系统最小失负荷量,得到所述电力系统的风险指标;
风险指标确定及输出单元,用于确定当前抽样数对应的风险指标方差,当所述风险指标方差大于或等于所述预设的精度时,将所述得到的风险指标输出。
其中,所述抽样概率获取单元包括:
统计模块,用于基于历史数据统计出设备元件的年平均故障率,以及正常天气和恶劣天气分别对应的稳态概率,并进一步统计出故障发生在恶劣天气下的比例;
设备元件年故障率获取模块,用于根据所述统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例,得到正常天气设备元件的年故障率,并进一步根据所述统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例,得到恶劣天气设备元件的年故障率;
评测天气及周期确定模块,用于确定风险评价时的当前天气状态及其对应的评测周期;
正常天气下设备元件停运概率获取模块,用于当所述风险评价时的当前天气状态为正常天气时,根据所述得到的正常天气设备元件的年故障率以及所述评测周期,计算出正常天气时设备元件在所述评测周期内的停运概率;
恶劣天气下设备元件停运概率获取模块,用于当所述风险评价时的当前天气状态为恶劣天气时,根据所述得到的恶劣天气设备元件的年故障率以及所述评测周期,计算出恶劣天气时设备元件在所述评测周期内的停运概率。
其中,所述评测周期为15分钟或1小时。
其中,所述风速序列获取单元包括:
时间序列构建模块,用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列;
矩阵变换模块,用于通过预设的下三角矩阵及预设的列向量,将所述多个风电场分别构建出的时间序列均进行矩阵变换;
风速序列获取模块,用于根据预设的平均风速及预设的标准差,将所述矩阵变换后的多个时间序列生成为所述多个风电场分别对应的风速序列。
其中,所述风电场出力获取单元包括:
抽样数计算模块。用于获取当前抽样数,并将所述获取到的当前抽样数加1;
风速获取模块。用于待所述加1后的当前抽样数小于M时,确定各风电场的风速序列取值的当前时刻,并根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数;
风电场出力第一计算模块。用于当所述获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时,得到各风电场出力均为0;
风电场出力第二计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时,根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速,得到各风电场出力;
风电场出力第三计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时,得到各风电场出力为其对应的额定功率。
实施本发明实施例,具有如下有益效果:
在本发明实施例中,由于采用双状态天气模拟天气因素的影响,形成非序贯蒙特卡洛法抽样的系统状态,引入矩阵变换可更为真实地模拟同一风带下多个风电场的风速变化情况,以及通过预设的条件模型模拟风电场出力不确定性,即考虑了天气因素,又考虑了风电场风速相关性、出力不确定,因此提高了风电场运行风险评估的准确性和可靠性,使得评价结果更加科学合理,且具有可扩展性。
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,下面描述中的附图仅仅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性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种结合天气及风速评价风电场运行风险的方法的流程图;
图2为本发明实施例提供的一种结合天气及风速评价风电场运行风险的方法的应用场景图;
图3为本发明实施例提供的一种结合天气及风速评价风电场运行风险的系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提供的一种结合天气及风速评价风电场运行风险的方法,其在包括多个风电场及常规电场的电力系统中实现,所述方法包括:
步骤S1、确定风险评价时的当前天气状态及其对应的评测周期,并根据所述当前天气状态及评测周期,得到当前天气状态下设备元件在所述评测周期内的停运概率;其中,所述天气状态包括正常天气和恶劣天气;
具体过程为,基于历史数据统计出设备元件的年平均故障率,以及正常天气和恶劣天气分别对应的稳态概率,并进一步统计出故障发生在恶劣天气下的比例;
根据统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例,得到正常天气设备元件的年故障率,并进一步根据统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例,得到恶劣天气设备元件的年故障率;
确定风险评价时的当前天气状态及其对应的评测周期;其中,评测周期为15分钟或1小时;
当风险评价时的当前天气状态为正常天气时,根据得到的正常天气设备元件的年故障率以及所述评测周期,计算出正常天气时设备元件在评测周期内的停运概率;
当风险评价时的当前天气状态为恶劣天气时,根据得到的恶劣天气设备元件的年故障率以及所述评测周期,计算出恶劣天气时设备元件在评测周期内的停运概率。
在一个实施例中,基于历史数据统计的元件年平均故障率λavg;基于历史统计数据的正常天气的稳态概率Pn和恶劣天气的稳态概率Pa;进一步统计故障发生在恶劣天气情况下的比例Fb;
根据公式(1),得到正常天气下设备元件的年故障率λn(次/a):
λn=λavg(1-Fb)/Pn(1)
根据公式(2),得到恶劣天气下设备元件的年故障率λa(次/a):
λa=λavgFb/Pa(2)
因此,在某一时刻t0处于正常运行的元件,在t0+Δt时刻的停运概率Pi可通过公式(3)近似表达:
式(3)中,λi为元件的年故障率,若为正常天气取为λn,若为恶劣天气取λa;Δt为评测周期,可以取为15min或1h。
步骤S2、对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列,并将所述多个风电场分别构建出的时间序列均进行矩阵变换,且进一步根据风速与变换后时间序列的相关性,得到所述多个风电场分别对应的风速序列;
具体过程为,对多个风电场分别采用自回归滑动平均ARMA模型构建时间序列;通过预设的下三角矩阵及预设的列向量,将多个风电场分别构建出的时间序列均进行矩阵变换;根据预设的平均风速及预设的标准差,将矩阵变换后的多个时间序列生成为多个风电场分别对应的风速序列。
在一个实施例中,各风电场采用ARMA模型来模拟,得到各风电场不考虑相关性的时间序列yt。其中,时间序列yt可通过公式(4)表示:
式(4)中,yt为t时刻的时间序列值;n、m分别为AR部分和MA部分的阶次;i为自回归系数;j为滑动平均系数;t为正态白噪声过程。
对于列向量为各风电场得到的时间序列yt,均可通过矩阵变换得到一个新的列向量yt/,如公式(5)所示:
yt'=Lyt+k(5)
式(5)中,L为任意给定的下三角矩阵;k为任意给定的列向量;
因此,利用公式(5),就可得到具有指定相关性的多个风速序列,模拟多个风电场间风速相关性。
在得到考虑风速相关性的风速序列后,就可通过公式(6)计算各风电场考虑相关性的风速vt:
vt=μ+σyt(6)
式(6)中,μ为平均风速;σ为标准差。
步骤S3、根据所述得到的停运概率,得到所有设备元件以随机数0或1来组合表示的系统状态,并对所述系统状态采用非序贯蒙特卡洛法进行抽样;其中,抽样数初始为0,且抽样数最大为M,M为自然数;
具体过程为,非序贯蒙特卡洛法的依据是,一个系统状态是所有元件状态的组合,且每一设备元件状态可由对元件出现在该状态的概率进行抽样来确定。
每一设备元件可用一个在[0,1]区间的均匀分别来模拟,假设每一设备元件有故障和工作两个状态,且设备元件故障是相互独立的。此时,设备元件i产生一个在[0,1]均匀分别的随机数Ri,若随机数Ri小于停运概率Pi,则认为设备元件i的状态Si处于故障状态,否则,认为设备元件i的状态Si处于工作状态,具体可通过公式(7)表达:
式(7)中,Pi可根据当前天气状态通过公式(3)得到;
待所有设备元件选取完毕即可确认该系统状态,且每一次抽样的系统状态不一定相同,因此具有N个设备元件的系统状态由矢量S表示:S={S1,...,Si,...,SN};
当抽样次数足够大时,系统状态S出现的总次数可通过公式(8)表示,并作为其概率的无偏估计:
式(8)中:M为最大抽样次数;m(s)为抽样中系统状态S出现的次数。
步骤S4、将当前抽样数加1,待所述加1后的当前抽样数小于M时,根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数,以及获取到的相应风速,计算出各风电场出力;
具体过程为,获取当前抽样数,并将获取到的当前抽样数加1;
待加1后的当前抽样数小于M时,确定各风电场的风速序列取值的当前时刻,并根据得到的各风电场的风速序列,获取当前时刻下各风电场的风速,且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数;
当获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时,得到各风电场出力均为0;
当获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时,根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速,得到各风电场出力;
当获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时,得到各风电场出力为其对应的额定功率。
在一个实施例中,将获取到的当前抽样数加1,此时抽样数没有达到最大抽样数M,则读取步骤S2中当前时刻下各风电场的风速数据,然后通过公式(9)计算出各风电场处理Wk:
式(9)中,Pr为风电场的额定功率;vci为切入风速、vr为额定风速、vco为切出风速;A、B、C为风电场的功率特性曲线参数。
步骤S5、根据所述计算出的各风电场出力,以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值,筛选出满足预定条件的负荷母线,并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量;
具体过程为,进行直流潮流分析,如出现支路过负荷或系统功率不平衡,则采用最优切负荷模型计算系统的失负荷量。
将最小失负荷模型的目标函数为系统失负荷量最小,即
约束条件依次为满足潮流守恒(如公式11)、风电场出力满足限制(如公式12)、机组出力满足限制(如公式13)、切负荷量满足线路最大输送容量限制(如公式14),通过该约束条件筛选出满足条件的负荷母线及其对应的切负荷值。
s.t.
0≤Ci≤Li,(i∈ND)(14)
式(11)至(14)中,NG、WF、ND分别为系统常规发电母线、风电厂接入母线和负荷母线的集合;Li、Ci分别为第i个负荷母线上的初始负荷和切负荷值;Pj为第j台常规发电场出力;Wk为第k个风电场出力;为风电场出力最大值;分别为第j台常规发电场出力的最小值和最大值。
步骤S6、根据所述最大抽样数,确定系统状态概率,并根据所述系统状态概率及所述系统最小失负荷量,得到所述电力系统的风险指标;
具体过程为,系统风险指标通过系统失负荷量期望EENS表示,风险值为概率与严重度的乘积,故EENS可以通过系统状态概率P(s)和系统最小失负荷Ci相乘得到:
EENS=∑P(s)×Ci(15)
步骤S7、确定当前抽样数对应的风险指标方差,并判断所述风险指标方差是否小于预设的精度;如果是,则返回步骤S4;如果否,则执行下一步骤S8;
具体过程为,计算出风险指标后,通过风险指标方差系数Variance,判断是否满足精度要求;如不满足精度要求,且未达到最大抽样数M,则返回步骤S4继续抽样;满足精度要求或达到最大抽样数M时,则执行下一步骤S8。
步骤S8、将所述得到的风险指标输出。
对本发明实施例提供的一种结合天气及风速评价风电场运行风险的方法的应用场景做进一步说明:
系统负荷峰值是2850MW,单线图如图2所示。根据230kV和138kV这两个电压等级将系统划分为区域1和区域2。
其中,原始数据及模型参数取值如下:λavg=0.5,Fb=0.6,Pn=0.9,Pa=0.1;最大抽样数M=40000,精度eps=0.0001;运行风险评测周期选取为1h;
在系统节点1、16接入2个大型风电场,并假设每个风电场额定功率均为150MW,其切入风速、额定风速、切出风速分别为3m/s、12m/s、25m/s。假设系统负荷波动服从σ=0.02的正态分布,采用非序贯蒙特卡洛模拟。
采用加拿大Saskatchewan省SwiftCurrent和Regina两个地区的风速数据[21]作为样本,时序风速模型分别为
SwiftCurrent:ARMA(4,3)
yt=1.1772yt-1+0.1001yt-2-0.3572yt-3
+0.0379yt-4+αt-0.503αt-1-0.2924αt-2+
0.1317αt-3
α∈N(0,0.5247602)
Regina:ARMA(4,3)
yt=0.9336yt-1+0.4506yt-2-0.5545yt-3
+0.1110yt-4+αt-0.2033αt-1-0.4684αt-2+
0.2301αt-3
α∈N(0,0.4094232)
取风电场风速相关系数为0.2,即L=[0.20;00.2],k=[00]。
取风电场风速相关系数为0.8,即L=[0.80;00.8],k=[00]。
其平均风速μ、标准差σ分别为:5.41m/s,2.69;5.42m/s,3.05。
设置了两个场景。
Case1:未来某日天气均为正常天气;
Case2:未来某日0:00-12:00区域1内天气恶劣,区域2内天气正常;随后恶劣天气转移,13:00-24:00区域1内天气正常,区域2内天气恶劣;风险评估结果如表1所示。
表1:
从表1中可知,接入风电后,风险指标有所下降,但随着风电相关系数的增大,风险指标下降的比例减小,说明风速相关性对系统风险有不利影响。这是因为,当系统中有多台常规发电机组发生故障,系统发电容量不足时,可能多个并网风电场同时处于小发状态,无法提供功率支撑,不利于系统可靠性的提升。而独立风速的互补性使得风电总出力的波动减小,可以为系统提供相对可靠的能量。
因此,在含多个风电场系统的运行风险评估中不能简单认为风速相互独立,必须考虑风电场问风速的相关性,否则评估结果将偏乐观。与此同时,计及天气影响之后,系统各风险值均有所增大,这是因为计及天气影响之后,系统元件在恶劣、特别恶劣天气情况下的故障概率增加,系统元件更易故障,系统更易发生多重故障,增加了系统的整体风险。
如图3所示,为本发明实施例中,提供的一种结合天气及风速评价风电场运行风险的系统,所述系统包括:
抽样概率获取单元310,用于确定风险评价时的当前天气状态及其对应的评测周期,并根据所述当前天气状态及评测周期,得到当前天气状态下设备元件在所述评测周期内的停运概率;其中,所述天气状态包括正常天气和恶劣天气;
风速序列获取单元320,用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列,并将所述多个风电场分别构建出的时间序列均进行矩阵变换,且进一步根据风速与变换后时间序列的相关性,得到所述多个风电场分别对应的风速序列;
抽样单元330,用于根据所述得到的停运概率,得到所有设备元件以随机数0或1来组合表示的系统状态,并对所述系统状态采用非序贯蒙特卡洛法进行抽样;其中,抽样数初始为0,且抽样数最大为M,M为自然数;
风电场出力获取单元340,用于将当前抽样数加1,待所述加1后的当前抽样数小于M时,根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数,以及获取到的相应风速,计算出各风电场出力;
最小失负荷量获取单元350,用于根据所述计算出的各风电场出力,以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值,筛选出满足预定条件的负荷母线,并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量;
风险指标获取单元360,用于根据所述最大抽样数,确定系统状态概率,并根据所述系统状态概率及所述系统最小失负荷量,得到所述电力系统的风险指标;
风险指标确定及输出单元370,用于确定当前抽样数对应的风险指标方差,当所述风险指标方差大于或等于所述预设的精度时,将所述得到的风险指标输出。
其中,所述抽样概率获取单元310包括:
统计模块,用于基于历史数据统计出设备元件的年平均故障率,以及正常天气和恶劣天气分别对应的稳态概率,并进一步统计出故障发生在恶劣天气下的比例;
设备元件年故障率获取模块,用于根据所述统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例,得到正常天气设备元件的年故障率,并进一步根据所述统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例,得到恶劣天气设备元件的年故障率;
评测天气及周期确定模块,用于确定风险评价时的当前天气状态及其对应的评测周期;
正常天气下设备元件停运概率获取模块,用于当所述风险评价时的当前天气状态为正常天气时,根据所述得到的正常天气设备元件的年故障率以及所述评测周期,计算出正常天气时设备元件在所述评测周期内的停运概率;
恶劣天气下设备元件停运概率获取模块,用于当所述风险评价时的当前天气状态为恶劣天气时,根据所述得到的恶劣天气设备元件的年故障率以及所述评测周期,计算出恶劣天气时设备元件在所述评测周期内的停运概率。
其中,所述评测周期为15分钟或1小时。
其中,所述风速序列获取单元320包括:
时间序列构建模块,用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列;
矩阵变换模块,用于通过预设的下三角矩阵及预设的列向量,将所述多个风电场分别构建出的时间序列均进行矩阵变换;
风速序列获取模块,用于根据预设的平均风速及预设的标准差,将所述矩阵变换后的多个时间序列生成为所述多个风电场分别对应的风速序列。
其中,所述风电场出力获取单元340包括:
抽样数计算模块。用于获取当前抽样数,并将所述获取到的当前抽样数加1;
风速获取模块。用于待所述加1后的当前抽样数小于M时,确定各风电场的风速序列取值的当前时刻,并根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数;
风电场出力第一计算模块。用于当所述获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时,得到各风电场出力均为0;
风电场出力第二计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时,根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速,得到各风电场出力;
风电场出力第三计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时,得到各风电场出力为其对应的额定功率。
实施本发明实施例,具有如下有益效果:
在本发明实施例中,由于采用双状态天气模拟天气因素的影响,形成非序贯蒙特卡洛法抽样的系统状态,引入矩阵变换可更为真实地模拟同一风带下多个风电场的风速变化情况,以及通过预设的条件模型模拟风电场出力不确定性,即考虑了天气因素,又考虑了风电场风速相关性、出力不确定,因此提高了风电场运行风险评估的准确性和可靠性,使得评价结果更加科学合理,且具有可扩展性。
值得注意的是,上述系统实施例中,所包括的各个系统单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种结合天气及风速评价风电场运行风险的方法,其特征在于,其在包括多个风电场及常规电场的电力系统中实现,所述方法包括:
a、确定风险评价时的当前天气状态及其对应的评测周期,并根据所述当前天气状态及评测周期,得到当前天气状态下设备元件在所述评测周期内的停运概率;其中,所述天气状态包括正常天气和恶劣天气;
b、对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列,并将所述多个风电场分别构建出的时间序列均进行矩阵变换,且进一步根据风速与变换后时间序列的相关性,得到所述多个风电场分别对应的风速序列;
c、根据所述得到的停运概率,得到所有设备元件以随机数0或1来组合表示的系统状态,并对所述系统状态采用非序贯蒙特卡洛法进行抽样;其中,抽样数初始为0,且抽样数最大为M,M为自然数;
d、将当前抽样数加1,待所述加1后的当前抽样数小于M时,根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数,以及获取到的相应风速,计算出各风电场出力;
e、根据所述计算出的各风电场出力,以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值,筛选出满足预定条件的负荷母线,并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量;
f、根据所述最大抽样数,确定系统状态概率,并根据所述系统状态概率及所述系统最小失负荷量,得到所述电力系统的风险指标;
g、确定当前抽样数对应的风险指标方差,并当所述风险指标方差是否小于预设的精度时,返回步骤d;当所述风险指标方差大于或等于所述预设的精度时,将所述得到的风险指标输出。
2.如权利要求1所述的方法,其特征在于,所述步骤a具体包括:
基于历史数据统计出设备元件的年平均故障率,以及正常天气和恶劣天气分别对应的稳态概率,并进一步统计出故障发生在恶劣天气下的比例;
根据所述统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例,得到正常天气设备元件的年故障率,并进一步根据所述统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例,得到恶劣天气设备元件的年故障率;
确定风险评价时的当前天气状态及其对应的评测周期;
当所述风险评价时的当前天气状态为正常天气时,根据所述得到的正常天气设备元件的年故障率以及所述评测周期,计算出正常天气时设备元件在所述评测周期内的停运概率;
当所述风险评价时的当前天气状态为恶劣天气时,根据所述得到的恶劣天气设备元件的年故障率以及所述评测周期,计算出恶劣天气时设备元件在所述评测周期内的停运概率。
3.如权利要求2所述的方法,其特征在于,所述评测周期为15分钟或1小时。
4.如权利要求1所述的方法,其特征在于,所述步骤b具体包括:
对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列;
通过预设的下三角矩阵及预设的列向量,将所述多个风电场分别构建出的时间序列均进行矩阵变换;
根据预设的平均风速及预设的标准差,将所述矩阵变换后的多个时间序列生成为所述多个风电场分别对应的风速序列。
5.如权利要求1所述的方法,其特征在于,所述步骤d具体包括:
获取当前抽样数,并将所述获取到的当前抽样数加1;
待所述加1后的当前抽样数小于M时,确定各风电场的风速序列取值的当前时刻,并根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数;
当所述获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时,得到各风电场出力均为0;
当所述获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时,根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速,得到各风电场出力;
当所述获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时,得到各风电场出力为其对应的额定功率。
6.一种结合天气及风速评价风电场运行风险的系统,其特征在于,所述系统包括:
抽样概率获取单元,用于确定风险评价时的当前天气状态及其对应的评测周期,并根据所述当前天气状态及评测周期,得到当前天气状态下设备元件在所述评测周期内的停运概率;其中,所述天气状态包括正常天气和恶劣天气;
风速序列获取单元,用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列,并将所述多个风电场分别构建出的时间序列均进行矩阵变换,且进一步根据风速与变换后时间序列的相关性,得到所述多个风电场分别对应的风速序列;
抽样单元,用于根据所述得到的停运概率,得到所有设备元件以随机数0或1来组合表示的系统状态,并对所述系统状态采用非序贯蒙特卡洛法进行抽样;其中,抽样数初始为0,且抽样数最大为M,M为自然数;
风电场出力获取单元,用于将当前抽样数加1,待所述加1后的当前抽样数小于M时,根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,并进一步根据各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数,以及获取到的相应风速,计算出各风电场出力;
最小失负荷量获取单元,用于根据所述计算出的各风电场出力,以及所述电力系统中各常规发电场出力、各负荷母线的初始负荷值和切负荷值,筛选出满足预定条件的负荷母线,并将所述筛选出的负荷母线的切负荷值进行累加之后作为系统最小失负荷量;
风险指标获取单元,用于根据所述最大抽样数,确定系统状态概率,并根据所述系统状态概率及所述系统最小失负荷量,得到所述电力系统的风险指标;
风险指标确定及输出单元,用于确定当前抽样数对应的风险指标方差,当所述风险指标方差大于或等于所述预设的精度时,将所述得到的风险指标输出。
7.如权利要求6所述的系统,其特征在于,所述抽样概率获取单元包括:
统计模块,用于基于历史数据统计出设备元件的年平均故障率,以及正常天气和恶劣天气分别对应的稳态概率,并进一步统计出故障发生在恶劣天气下的比例;
设备元件年故障率获取模块,用于根据所述统计出的设备元件的年平均故障率、正常天气的稳态概率以及故障发生在恶劣天气下的比例,得到正常天气设备元件的年故障率,并进一步根据所述统计出的设备元件的年平均故障率、恶劣天气的稳态概率以及故障发生在恶劣天气下的比例,得到恶劣天气设备元件的年故障率;
评测天气及周期确定模块,用于确定风险评价时的当前天气状态及其对应的评测周期;
正常天气下设备元件停运概率获取模块,用于当所述风险评价时的当前天气状态为正常天气时,根据所述得到的正常天气设备元件的年故障率以及所述评测周期,计算出正常天气时设备元件在所述评测周期内的停运概率;
恶劣天气下设备元件停运概率获取模块,用于当所述风险评价时的当前天气状态为恶劣天气时,根据所述得到的恶劣天气设备元件的年故障率以及所述评测周期,计算出恶劣天气时设备元件在所述评测周期内的停运概率。
8.如权利要求7所述的系统,其特征在于,所述评测周期为15分钟或1小时。
9.如权利要求6所述的系统,其特征在于,所述风速序列获取单元包括:
时间序列构建模块,用于对所述多个风电场分别采用自回归滑动平均ARMA模型构建时间序列;
矩阵变换模块,用于通过预设的下三角矩阵及预设的列向量,将所述多个风电场分别构建出的时间序列均进行矩阵变换;
风速序列获取模块,用于根据预设的平均风速及预设的标准差,将所述矩阵变换后的多个时间序列生成为所述多个风电场分别对应的风速序列。
10.如权利要求6所述的系统,其特征在于,所述风电场出力获取单元包括:
抽样数计算模块。用于获取当前抽样数,并将所述获取到的当前抽样数加1;
风速获取模块。用于待所述加1后的当前抽样数小于M时,确定各风电场的风速序列取值的当前时刻,并根据所述得到的各风电场的风速序列,获取当前时刻下各风电场的风速,且进一步确定各风电场的额定功率、切入风速、额定风速、切出风速、功率特性曲线参数;
风电场出力第一计算模块。用于当所述获取到的各风电场的风速均小于其对应的切入风速或均大于其对应的切出风速时,得到各风电场出力均为0;
风电场出力第二计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的切入风速且均小于其对应的额定风速时,根据各风电场的功率特性曲线参数、额定功率和当前时刻的风速,得到各风电场出力;
风电场出力第三计算模块。用于当所述获取到的各风电场的风速均大于等于其对应的额定风速且均小于其对应的切出风速时,得到各风电场出力为其对应的额定功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510931033.2A CN105469216B (zh) | 2015-12-15 | 2015-12-15 | 一种结合天气及风速评价风电场运行风险的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510931033.2A CN105469216B (zh) | 2015-12-15 | 2015-12-15 | 一种结合天气及风速评价风电场运行风险的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105469216A true CN105469216A (zh) | 2016-04-06 |
CN105469216B CN105469216B (zh) | 2020-04-24 |
Family
ID=55606884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510931033.2A Active CN105469216B (zh) | 2015-12-15 | 2015-12-15 | 一种结合天气及风速评价风电场运行风险的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469216B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894135A (zh) * | 2016-05-24 | 2016-08-24 | 哈尔滨工程大学 | 船舶综合电力推进系统风险预测评估方法及装置 |
CN106532775A (zh) * | 2016-12-09 | 2017-03-22 | 上海电力设计院有限公司 | 海上风电场并网点优化选择方法 |
CN107732970A (zh) * | 2017-11-10 | 2018-02-23 | 国网甘肃省电力公司经济技术研究院 | 一种新能源并网电力系统的静态安全概率评估方法 |
CN108053149A (zh) * | 2018-01-05 | 2018-05-18 | 东南大学 | 一种考虑气象因素的光伏电站并网风险评估方法 |
CN108205612A (zh) * | 2016-12-20 | 2018-06-26 | 北京天源科创风电技术有限责任公司 | 根据风场环境计算风机部件的故障率的方法和装置 |
CN112380695A (zh) * | 2020-11-13 | 2021-02-19 | 国网上海市电力公司 | 一种考虑实时风速的海上风电场集电系统可靠性获取方法 |
CN113988648A (zh) * | 2021-10-29 | 2022-01-28 | 广东电网有限责任公司 | 一种风电柔直系统风险值的计算方法及装置 |
CN115358639A (zh) * | 2022-10-20 | 2022-11-18 | 国网山东省电力公司烟台供电公司 | 一种基于数据分析的海上风电运行风险分析系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
CN103700039A (zh) * | 2014-01-10 | 2014-04-02 | 国家电网公司 | 电网实时风险评估及预控方法 |
CN103746370A (zh) * | 2013-12-20 | 2014-04-23 | 河海大学 | 一种风电场可靠性建模方法 |
CN103971293A (zh) * | 2014-04-25 | 2014-08-06 | 河海大学 | 一种考虑天气的风电场可靠性建模方法 |
CN104331572A (zh) * | 2014-11-17 | 2015-02-04 | 南京工程学院 | 考虑风速和风电机组故障相关性的风电场可靠性建模方法 |
-
2015
- 2015-12-15 CN CN201510931033.2A patent/CN105469216B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
CN103746370A (zh) * | 2013-12-20 | 2014-04-23 | 河海大学 | 一种风电场可靠性建模方法 |
CN103700039A (zh) * | 2014-01-10 | 2014-04-02 | 国家电网公司 | 电网实时风险评估及预控方法 |
CN103971293A (zh) * | 2014-04-25 | 2014-08-06 | 河海大学 | 一种考虑天气的风电场可靠性建模方法 |
CN104331572A (zh) * | 2014-11-17 | 2015-02-04 | 南京工程学院 | 考虑风速和风电机组故障相关性的风电场可靠性建模方法 |
Non-Patent Citations (3)
Title |
---|
王昕伟 等: "基于序贯蒙特卡罗方法的风电场有功出力可靠性评估", 《太阳能学报》 * |
王昕伟: "含风电区域电网的可靠性评估模型与方法", 《CNKI博士数据库》 * |
王磊 等: "考虑天气变化的输电系统可靠性评估", 《电网技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894135A (zh) * | 2016-05-24 | 2016-08-24 | 哈尔滨工程大学 | 船舶综合电力推进系统风险预测评估方法及装置 |
CN106532775A (zh) * | 2016-12-09 | 2017-03-22 | 上海电力设计院有限公司 | 海上风电场并网点优化选择方法 |
CN106532775B (zh) * | 2016-12-09 | 2019-03-29 | 上海电力设计院有限公司 | 海上风电场并网点优化选择方法 |
CN108205612A (zh) * | 2016-12-20 | 2018-06-26 | 北京天源科创风电技术有限责任公司 | 根据风场环境计算风机部件的故障率的方法和装置 |
CN107732970A (zh) * | 2017-11-10 | 2018-02-23 | 国网甘肃省电力公司经济技术研究院 | 一种新能源并网电力系统的静态安全概率评估方法 |
CN108053149A (zh) * | 2018-01-05 | 2018-05-18 | 东南大学 | 一种考虑气象因素的光伏电站并网风险评估方法 |
CN112380695A (zh) * | 2020-11-13 | 2021-02-19 | 国网上海市电力公司 | 一种考虑实时风速的海上风电场集电系统可靠性获取方法 |
CN113988648A (zh) * | 2021-10-29 | 2022-01-28 | 广东电网有限责任公司 | 一种风电柔直系统风险值的计算方法及装置 |
CN115358639A (zh) * | 2022-10-20 | 2022-11-18 | 国网山东省电力公司烟台供电公司 | 一种基于数据分析的海上风电运行风险分析系统 |
CN115358639B (zh) * | 2022-10-20 | 2023-01-24 | 国网山东省电力公司烟台供电公司 | 一种基于数据分析的海上风电运行风险分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105469216B (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105469216A (zh) | 一种结合天气及风速评价风电场运行风险的方法和系统 | |
Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
Firouzi et al. | Reliability evaluation of a composite power system in the presence of renewable generations | |
CN107730111A (zh) | 一种考虑用户负荷和新能源接入的配网电压风险评估模型 | |
CN112054554B (zh) | 基于非参数统计的自适应分布鲁棒机组组合方法及系统 | |
Qiu et al. | A probabilistic transmission planning framework for reducing network vulnerability to extreme events | |
Almutairi et al. | Use of MCMC to incorporate a wind power model for the evaluation of generating capacity adequacy | |
McHugh et al. | Forecasting day-ahead electricity prices with a SARIMAX model | |
CN103825272A (zh) | 一种基于解析法的含分散风电的配电网可靠性确定方法 | |
Wu et al. | Markov chain Monte Carlo method for the modeling of wind power time series | |
Fu et al. | Statistical machine learning model for uncertainty planning of distributed renewable energy sources in distribution networks | |
Padhee et al. | Analyzing effects of seasonal variations in wind generation and load on voltage profiles | |
Rajeevan et al. | ARIMA modeling of wind speed for wind farm reliability analysis | |
Han et al. | An assessment approach of the power system vulnerability considering the uncertainties of wind power integration | |
Billinton et al. | Wind power modelling and the determination of capacity credit in an electric power system | |
CN114548762A (zh) | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 | |
Liu et al. | A dynamic economic dispatch method considering with the uncertainty and correlation of wind power | |
JP6818658B2 (ja) | 電力系統監視システム、電力系統監視方法、及びプログラム | |
Wang et al. | [Retracted] A Stochastic Rolling Horizon‐Based Approach for Power Generation Expansion Planning | |
Billinton et al. | Incorporating wind power in generating system reliability evaluation | |
de Matos et al. | Assessment of the long-term hydrothermal scheduling operation polices with alternative inflow modeling | |
Li et al. | A novel approach to estimate load factor of variable-speed wind turbines | |
Morales et al. | The Impact of Aging-Preventive Algorithms on BESS Sizing under AGC Performance Standards. Energies 2021, 14, 7231 | |
Senesoulin et al. | ConvLSTM based Real-time Power Flow Estimation of Smart Grid with High Penetration of Uncertain PV | |
Volkanovski et al. | Renewable sources impact on power system reliability and nuclear safety |
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 |