CN105743093A - 一种考虑风光出力不确定性的配电网潮流计算方法 - Google Patents

Abstract

本发明公开了一种考虑风光出力不确定性的配电网潮流计算方法，其特征是按如下步骤进行：利用矩阵判断法得到盲数各区间的可信度；将风力发电机的出力和光伏电站的出力用盲数进行表示，由小区间和可信度组成，为简化计算，将小区间内的抽样频率代替小区间的可信度；将抽样得到的风光出力加入到配电网并结合重复潮流计算，输出潮流计算结果。本发明能够描述电网规划中不确定因素的多种不确定性，能更加准确具体的反映电网的状态。

Description

一种考虑风光出力不确定性的配电网潮流计算方法

技术领域

本发明涉及电力系统分析技术领域，具体涉及一种考虑风光出力不确定性的配电网潮流计算的方法。

背景技术

潮流计算是对电力系统运行状态进行量化分析的基础。微网的大力发展对传统的电力系统规划提出了挑战。由于风速、光照强度的随机性和波动性，风电场和光伏电站的出力存在着间歇性和随机性等特点。在电力系统规划和运行分析中，传统的确定性潮流计算已经不再适用，需要进行不确定性的潮流计算。

目前对于不确定信息的处理主要有两种方法：利用多场景技术和数学方法建立不确定信息的模型。多场景技术用来处理多种不确定性信息取得很好的效果，但其缺陷是难以准确地量化场景发生的可能性或由于场景过多而造成求解上的困难。利用数学来描述不确定信息主要有四种方法：概率统计、灰色数学、模糊数学和未确知数学。虽然概率统计、区间数和模糊数能够较好的反映不确定信息，但是它们只能反映单一的不确定信息。而在实际工程应用中，信息的不确定性往往不是单一的，而是具有多种不确定性，通常包含灰性、模糊性、随机性等两种或两种以上的不确定性。

发明内容

本发明为克服上述现有技术中存在的不足之处，提供一种考虑风光出力不确定性的配电网潮流计算方法，以期能描述电网中同时具有随机性、灰性、模糊性等多种不确定性的信息，从而能在电网的运行规划中给出更加准确全面的信息，并对电网的薄弱环节做出量化分析。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种考虑风光出力不确定性的配电网潮流计算方法，所述配电网接入有风力发电机和光伏电站；其特点是，所述配电网潮流计算方法是按如下步骤进行：

步骤一、利用矩阵判断法得到盲数各区间的可信度：

步骤1.1、将所述风力发电机的出力分为m个小区间，记为{p₁,p₂,…,p_i,…,p_m}，p_i表示第i个小区间；1≤i≤m；

步骤1.2、对所述风力发电机的出力进行统计，获得第i个小区间p_i对第j个小区间p_j的可能性程度以及第j个小区间p_j对第i个小区间p_i的可能性程度1≤j≤m；

步骤1.3、将可能性程度和进行比较，若则令判断值若则令判断值a∈(1,9]；

步骤1.4、利用式(1)构造判断矩阵S，其中第i行第j列的元素S_ij为：

$S_{ij}=\frac{K_j^{\left(i\right)}}{K_i^{\left(j\right)}}---\left(1\right)$

步骤1.5、求取所述判断矩阵S的特征值，并求出最大特征值所对应的特征向量，对最大特征值所对应的特征向量进行归一化处理，获得的归一化处理结果作为m个小区间的可信度，记为{α₁,α₂,…,α_i,…,α_m}；α_i表示第i个小区间p_i所对应的可信度；

步骤二、将风力发电机的出力用盲数表示；

利用式(2)将所述风力发电机的出力P_WTG用盲数表示为：

$P_{WTG}=\left\{\begin{array}{cc}{p}_1& {\mathrm{\α}}_1\\ p_2& {\mathrm{\α}}_2\\ \mathrm{...}& \mathrm{...}\\ p_i& {\mathrm{\α}}_i\\ \mathrm{...}& \mathrm{...}\\ p_m& \mathrm{\α}m\end{array}\right.---\left(2\right)$

式(2)中，m为盲数阶数，当i≠j时，有α_i≠α_j，且

步骤三、按照步骤一和步骤二获得所述光伏电站的出力P_PVG用盲数表示为：

$P_{PVG}=\left\{\begin{array}{cc}{x}_1& {\mathrm{\β}}_1\\ x_2& {\mathrm{\β}}_2\\ \mathrm{...}& \mathrm{...}\\ x_k& {\mathrm{\β}}_k\\ \mathrm{...}& \mathrm{...}\\ x_n& \mathrm{\β}n\end{array}\right.---\left(3\right)$

式(2)中，n为盲数阶数，{x₁,x₂,…,x_k,…,x_n}表示光伏电站的出力所划分出的n个小区间，x_k表示第k个小区间，β_k表示第k个小区间所对应的可信度；1≤k≤n；

步骤四、求解所述配电网的不确定性潮流：

步骤4.1、设定在所述风力发电机的第i个小区间p_i内的抽样次数为l_i，且l_i＝N×α_i；m个小区间内的总的抽样次数为N；并在每个小区间内进行l_i次随机抽样；定义抽样次数为q，并初始化q＝1；

步骤4.2、设定在所述光伏电站的第k个小区间x_k内的抽样次数为L_k，且L_k＝N×β_k；n个小区间内的总的抽样次数为N；并在每个小区间内进行L_k次随机抽样；

步骤4.3、将第q次抽样得到的风力发电机的出力代入配电网进行潮流计算，获得第q次抽样的风力发电机接入时配电网的电压、电流和功率；

步骤4.4、将第q次抽样得到的光伏电站的出力代入配电网进行潮流计算，获得第q次抽样的光伏电站接入时配电网的电压、电流和功率；

步骤4.5、将第q次抽样得到的风力发电机的出力和光伏电站的出力代入配电网则获得第q次抽样的配电网的电压、电流和功率；

步骤4.6、将q+1赋值给q，并返回步骤4.3执行，直到q＝N为止，从而获得风力发电机接入时配电网的电压、电流和功率、光伏电站接入时配电网的电压、电流和功率以及风力发电机和光伏电站同时接入时配电网的电压、电流和功率，即为潮流计算结果；

步骤五、利用盲数的求均值计算将盲数潮流的小区间用相应的数值代替，从而对潮流计算结果进行简化处理。

本发明所述的配电网潮流计算方法的特点也在于，

所述步骤4.5中，风力发电机和光伏电站同时接入配电网时，风力发电机的出力和光伏电站的出力由两个不同的盲数表示，同时对风力发电机出力和光伏电站出力进行区间进行抽样时，利用多个盲数的运算法则对风力发电机的出力和光伏电站的出力进行运算，得到新盲数{y₁,y₂,…,y_h,…,y_t}用于表示风力发电机和光伏电站总的出力，其中，y_h表示第h个小区间；令{δ₁,δ₂,…,δ_h,…,δ_t}表示t个区间对应的可信度；

设定风力发电机的出力和光伏电站的出力在第h个小区间y_h内的抽样次数为L_h，且L_h＝N×δ_h；t个小区间内的总的抽样次数为N；并在每个小区间内进行相应次随机抽样；

将第q次抽样得到的风力发电机的出力和光伏电站的出力进行盲数计算，获得的结果代入配电网进行潮流计算，从而获得第q次抽样的风力发电机和光伏电站接入时配电网的电压、电流和功率。

与已有技术相比，本发明的有益效果体现在：

1本发明针对电网不确定信息的多样性，利用盲数理论建立了不确定信息的数学模型，由于盲数能够描述信息的多种不确定性，从而使所建立的不确定数学模型能够更加准确的描述不确定信息，能更加准确具体的反映电网的状态，更加符合实际情况。

2本发明利用盲数建立风力发电机出力和光伏电站出力的的不确定性模型，根据实际经验和测量的数据，得到风力发电机出力和光伏电站出力的小区间和可信度，避免了由于分布估计时引入的不确定性，使得结果更加准确的反映实际的情况。

3本发明对盲数表示的风力发电机出力和光伏电站出力的各个小区间进行多次抽样，结合重复潮流计算法，进行盲数潮流计算，简化了计算过程，可以快速地得到潮流结果。

4本发明针对风力发电机和光伏电站同时接入系统的情况，利用多个盲数的计算法则对风力发电机的出力和光伏电站的出力进行计算得到一个表示风力发电机和光伏电站出力的新盲数，并结合重复潮流法进行潮流计算，简化了计算过程。

5本发明的盲数潮流是由小区间和可信度组成，其包含的信息量比较大，能够给出较为丰富和准确的线路潮流信息。

附图说明

图1为本发明方法流程示意图。

具体实施方式

本实施例中，如图1所示，配电网接入有风力发电机和光伏电站；一种考虑风光出力不确定性的配电网潮流计算方法是按如下步骤进行：

步骤一、利用矩阵判断法得到盲数各区间的可信度：

步骤1.1、将风力发电机的出力分为m个小区间，记为{p₁,p₂,…,p_i,…,p_m}，p_i表示第i个小区间；1≤i≤m；

步骤1.2、对风力发电机的出力进行统计，获得第i个小区间p_i对第j个小区间p_j的可能性程度以及第j个小区间p_j对第i个小区间p_i的可能性程度1≤j≤m；

步骤1.3、将可能性程度和进行比较，若则令判断值若则令判断值a∈(1,9]；

步骤1.4、利用式(1)构造判断矩阵S，其中第i行第j列的元素S_ij为：

$S_{ij}=\frac{K_j^{\left(i\right)}}{K_i^{\left(j\right)}}---\left(1\right)$

步骤1.5、求取判断矩阵S的特征值，并求出最大特征值所对应的特征向量，对最大特征值所对应的特征向量进行归一化处理，获得的归一化处理结果作为m个小区间的可信度，记为{α₁,α₂,…,α_i,…,α_m}；α_i表示第i个小区间p_i所对应的可信度；

根据矩阵判断法确定的含分布式电源的配电网不确定因素的盲数模型能够更加准确客观的反映信息的不确定性。

步骤二、将风力发电机的出力用盲数表示；

利用式(2)将风力发电机的出力P_WTG用盲数表示为：

$P_{WTG}=\left\{\begin{array}{cc}{p}_1& {\mathrm{\α}}_1\\ p_2& {\mathrm{\α}}_2\\ \mathrm{...}& \mathrm{...}\\ p_i& {\mathrm{\α}}_i\\ \mathrm{...}& \mathrm{...}\\ p_m& \mathrm{\α}m\end{array}\right.---\left(2\right)$

式(2)中，m为盲数阶数，当i≠j时，有α_i≠α_j，且

在实际工程应用中，信息的不确定性往往不是单一，而是具有多种不确定性，通常包含灰性、模糊性、随机性等两种或两种以上的不确定性。盲数是一种新的不确定性信息的数学表达形式，其优势在于能够描述信息的多种不确定性，可以最大程度地表示电网规划中的不确定因素。m越大，盲数的阶数越大，对不确定信息的描述也越准确，信息的不确定性程度高。

步骤三、按照步骤一和步骤二获得光伏电站的出力P_PVG用盲数表示为：

$P_{PVG}=\left\{\begin{array}{cc}{x}_1& {\mathrm{\β}}_1\\ x_2& {\mathrm{\β}}_2\\ \mathrm{...}& \mathrm{...}\\ x_k& {\mathrm{\β}}_k\\ \mathrm{...}& \mathrm{...}\\ x_n& \mathrm{\β}n\end{array}\right.---\left(3\right)$

式(2)中，n为盲数阶数，{x₁,x₂,…,x_k,…,x_n}表示光伏电站的出力所划分出的n个小区间，x_k表示第k个小区间，β_k表示第k个小区间所对应的可信度；1≤k≤n；

步骤四、求解配电网的不确定性潮流：

步骤4.1、设定在风力发电机的第i个小区间p_i内的抽样次数为l_i，且l_i＝N×α_i；m个小区间内的总的抽样次数为N；并在每个小区间内进行l_i次随机抽样；定义抽样次数为q，并初始化q＝1；

步骤4.2、设定在光伏电站的第k个小区间x_k内的抽样次数为L_k，且L_k＝N×β_k；n个小区间内的总的抽样次数为N；并在每个小区间内进行L_k次随机抽样；

步骤4.3、将第q次抽样得到的风力发电机的出力代入配电网进行潮流计算，获得第q次抽样的风力发电机接入配电网时配电网的电压、电流和功率，；

进行潮流计算时需要给出一定的约束条件保证电网的正常运行。式(4)、(5)、(6)、(7)、(8)给出了潮流约束条件：

${\tilde{P}}_{Gf}-{\tilde{P}}_{Lf}=U_f\underset{g=1}{\overset{g=M}{\Σ}}{U}_g(G_{fg}{\mathrm{cos\δ}}_{fg}+B_{fg}{\mathrm{sin\δ}}_{fg})---\left(4\right)$

${\tilde{Q}}_{Gf}-{\tilde{Q}}_{Lf}=U_f\underset{g=1}{\overset{g=M}{\Σ}}{U}_g(G_{fg}{\mathrm{sin\δ}}_{fg}-B_{fg}{\mathrm{cos\δ}}_{fg})---\left(5\right)$

P_Gfmin＜P_Gf＜P_Gfmax(6)

Q_Gfmin＜Q_Gf＜Q_Gfmax(7)

U_fmin＜U_f＜U_fmax(8)

式(4)、(5)、(6)、(7)、(8)、(9)中，和分别表示接在节点f的分布式电源的有功和无功出力的盲数表达形式；和分别表示f节点有功负荷和无功负荷的盲数表达形式；M表示配电网节点的个数，U_f和Ug表示f和g节点的电压值，G_fg和B_fg分别表示电导和电纳，δ_fg表示节点f和g之间的相角差；P_Gfmin和P_Gfmax分别表示分布式电源允许发出的最小有功功率和最大有功功率；Q_Gfmin和Q_Gfmax分别表示分布式电源允许发出的最小无功功率和最大无功功率；U_fmin和U_fmax分别表示f节点的电压下限和电压上限；

步骤4.4、将第q次抽样得到的光伏电站的出力代入配电网进行潮流计算，，获得第q次抽样的光伏电站接入配电网时配电网的电压、电流和功率；

步骤4.5、将第q次抽样得到的风力发电机的出力和光伏电站的出力代入配电网进行潮流计算，获得第q次抽样的风力发电机和光伏电站同时接入配电网时配电网的电压、电流和功率；

步骤4.6、将q+1赋值给q，并返回步骤4.3执行，直到q＝N为止，从而获得风力发电机接入时配电网的电压、电流和功率、光伏电站接入时配电网的电压、电流和功率以及风力发电机和光伏电站同时接入时配电网的电压、电流和功率，即为潮流计算结果；

步骤五、利用盲数的求均值计算将盲数潮流的小区间用相应的数值代替，从而对潮流计算结果进行简化处理。

由于盲数潮流由大量的小区间和可信度组成，会存在大量的区间重叠，如果对各个区间之间的重叠部分进行合成,其工作量很大，需要对潮流结果进行简化处理。首先求得盲数潮流区间的最大和最小值，在区间上通过等距取点，得到很多小区间。通过统计得到各个小区间的可信度，根据盲数的求均值计算法则，利用点代替小区间，从而可以较容易地得到该线路的潮流可能分布情况。

具体实施中，步骤4.5中的风力发电机和光伏电站同时接入配电网时，风力发电机的出力和光伏电站的出力由两个不同的盲数表示，同时对风力发电机出力和光伏电站出力进行区间进行抽样时，利用多个盲数的运算法则对风力发电机的出力和光伏电站的出力进行运算得到新的盲数{y₁,y₂,…,y_h,…,y_t}，表示风力发电机和光伏电站总的出力，y_h表示第h个小区间，{δ₁,δ₂,…,δ_h,…,δ_t}表示t个区间对应的可信度，设定风力发电机的出力和光伏电站的出力在第h个小区间y_h内的抽样次数为L_h，且L_h＝N×δ_h；t个小区间内的总的抽样次数为N；并在每个小区间内进行L_h次随机抽样；将第q次抽样得到的风力发电机的出力和光伏电站的出力进行盲数计算，从而获得的结果代入配电网进行潮流计算。

当多个盲数进行潮流计算时，假设A和B为两个盲数，盲数的计算法则如下：

当A和B进行加、减、乘、除四则运算中的某一种运算时，其运算结果用A关于B的可能值带“*”矩阵和A关于B的可信度带边积矩阵进行表示，分别表一和表二所示。A关于B的可能值带“*”矩阵中的“*”表示加、减、乘、除四则运算中的一种。A与B的可信度带边积矩阵中的“*”为乘积运算，在可能值带“*”矩阵中，相同的元素需要进行合并，对应的可信度带边积矩阵中的可信度相累加。

表一盲数A关于盲数B的可能值带“*”矩阵表

表二盲数A关于盲数B的可信度带边积矩阵表

当多个盲数进行计算时会使盲数的阶数快速的增加，给计算带来了极大的不便。为了简化计算过程，需要在计算过程中对盲数进行降阶处理，盲数的降阶一般有两种方法：合并相交区间和舍弃小可信度区间。

Claims (2)

1.一种考虑风光出力不确定性的配电网潮流计算方法，所述配电网接入有风力发电机和光伏电站；其特征是，所述配电网潮流计算方法是按如下步骤进行：

步骤一、利用矩阵判断法得到盲数各区间的可信度：

步骤1.1、将所述风力发电机的出力分为m个小区间，记为{p₁,p₂,…,p_i,…,p_m}，p_i表示第i个小区间；1≤i≤m；

步骤1.2、对所述风力发电机的出力进行统计，获得第i个小区间p_i对第j个小区间p_j的可能性程度以及第j个小区间p_j对第i个小区间p_i的可能性程度1≤j≤m；

步骤1.3、将可能性程度和进行比较，若则令判断值若则令判断值a∈(1,9]；

步骤1.4、利用式(1)构造判断矩阵S，其中第i行第j列的元素S_ij为：

$S_{ij}=\frac{K_j^{\left(i\right)}}{K_i^{\left(j\right)}}---\left(1\right)$

步骤1.5、求取所述判断矩阵S的特征值，并求出最大特征值所对应的特征向量，对最大特征值所对应的特征向量进行归一化处理，获得的归一化处理结果作为m个小区间的可信度，记为{α₁,α₂,…,α_i,…,α_m}；α_i表示第i个小区间p_i所对应的可信度；

步骤二、将风力发电机的出力用盲数表示；

利用式(2)将所述风力发电机的出力P_WTG用盲数表示为：

$P_{WTG}=\left\{\begin{array}{cc}{p}_1& {\mathrm{\α}}_1\\ p_2& {\mathrm{\α}}_2\\ ...& ...\\ p_i& {\mathrm{\α}}_i\\ ...& ...\\ p_m& \mathrm{\α}m\end{array}\right.---\left(2\right)$

式(2)中，m为盲数阶数，当i≠j时，有α_i≠α_j，且

步骤三、按照步骤一和步骤二获得所述光伏电站的出力P_PVG用盲数表示为：

$P_{PVG}=\left\{\begin{array}{cc}{x}_1& {\mathrm{\β}}_1\\ x_2& {\mathrm{\β}}_2\\ ...& ...\\ x_k& {\mathrm{\β}}_k\\ ...& ...\\ x_n& \mathrm{\β}n\end{array}\right.---\left(3\right)$

式(2)中，n为盲数阶数，{x₁,x₂,…,x_k,…,x_n}表示光伏电站的出力所划分出的n个小区间，x_k表示第k个小区间，β_k表示第k个小区间所对应的可信度；1≤k≤n；

步骤四、求解所述配电网的不确定性潮流：

步骤4.1、设定在所述风力发电机的第i个小区间p_i内的抽样次数为l_i，且l_i＝N×α_i；m个小区间内的总的抽样次数为N；并在每个小区间内进行l_i次随机抽样；定义抽样次数为q，并初始化q＝1；

步骤4.2、设定在所述光伏电站的第k个小区间x_k内的抽样次数为L_k，且L_k＝N×β_k；n个小区间内的总的抽样次数为N；并在每个小区间内进行L_k次随机抽样；

步骤4.3、将第q次抽样得到的风力发电机的出力代入配电网进行潮流计算，获得第q次抽样的风力发电机接入时配电网的电压、电流和功率；

步骤4.4、将第q次抽样得到的光伏电站的出力代入配电网进行潮流计算，获得第q次抽样的光伏电站接入时配电网的电压、电流和功率；

步骤4.5、将第q次抽样得到的风力发电机的出力和光伏电站的出力代入配电网则获得第q次抽样的配电网的电压、电流和功率；

步骤4.6、将q+1赋值给q，并返回步骤4.3执行，直到q＝N为止，从而获得风力发电机接入时配电网的电压、电流和功率、光伏电站接入时配电网的电压、电流和功率以及风力发电机和光伏电站同时接入时配电网的电压、电流和功率，即为潮流计算结果；

步骤五、利用盲数的求均值计算将盲数潮流的小区间用相应的数值代替，从而对潮流计算结果进行简化处理。

2.根据权利要求1所述的配电网潮流计算方法，其特征是，所述步骤4.5中，风力发电机和光伏电站同时接入配电网时，风力发电机的出力和光伏电站的出力由两个不同的盲数表示，同时对风力发电机出力和光伏电站出力进行区间进行抽样时，利用多个盲数的运算法则对风力发电机的出力和光伏电站的出力进行运算，得到新盲数{y₁,y₂,…,y_h,…,y_t}用于表示风力发电机和光伏电站总的出力，其中，y_h表示第h个小区间；令{δ₁,δ₂,…,δ_h,…,δ_t}表示t个区间对应的可信度；

设定风力发电机的出力和光伏电站的出力在第h个小区间y_h内的抽样次数为L_h，且L_h＝N×δ_h；t个小区间内的总的抽样次数为N；并在每个小区间内进行相应次随机抽样；

将第q次抽样得到的风力发电机的出力和光伏电站的出力进行盲数计算，获得的结果代入配电网进行潮流计算，从而获得第q次抽样的风力发电机和光伏电站接入时配电网的电压、电流和功率。