CN105870913A - 考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法及系统 - Google Patents

Abstract

本公开涉及考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法及系统，所述方法在传统时序蒙特卡洛模拟可靠性评估的框架下，对供暖约束进行了建模，在可靠性评估的框架中考虑了冬季供暖以及风电的交互作用对电力系统可靠性的影响，所述方法主要是通过考虑那些承担供暖约束的热电机组的出力约束条件和对优先接纳风电原则的合理建模来反映冬季供暖对电力系统可靠性的影响。所述系统基于所述方法实现。本公开能够更合理、更准确地对我国北方地区的可靠性水平进行评估。

Description

考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法及系统

技术领域

本公开涉及电力系统规划评估领域，具体涉及一种考虑了我国冬季供暖影响的使用时序蒙特卡洛模拟进行可靠性评估方法及系统。

背景技术

由于我国北方地区冬季需要供暖，而我国一般实行“以热定电”的方式，这样就要求电力供应必须满足一定的要求，才能保证系统满足供暖的需求。目前热力负荷一般是由火电机组承担，这样一般这些机组出力必须保证在一定范围才能保证供暖的影响。另一方面，我国北方地区风电装机容量已初见规模，然而风电出力与热力需求有很强的时空相关性，冬季常常是风电出力较大的时候，而供热的约束，导致系统调峰容量减小，这进一步导致了冬季弃风事件的出现。传统的可靠性评估并未考虑这些影响，并未考虑供暖对系统可靠性的影响。

更加合理的可靠性评估方法，可以发现和识别与系统可靠性关系最为密切的环节，更加准确的识别系统的薄弱环节，为保证系统的稳定运行和提高系统的可靠性提供合理的建议。

现有刻画系统可靠性最为准确的评估框架是时序蒙特卡洛可靠性评估方法，该框架能够考刻画新能源出力的波动性，因此在含新能源区域电网的可靠性评估中得到了广泛的应用。但是还未有可靠性评估框架考虑供暖约束的影响，以及供暖与风电之间的交互影响。

发明内容

针对上述问题，本公开提供了考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法及系统，所述方法及系统能够更合理、更准确地对我国北方地区的可靠性水平进行评估。

一种考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法，所述方法包括下述步骤：

S100、初始化元件状态：输入电力系统数据，进行初始潮流和初始连通性计算，设定所有元件状态正常；

S200、获取电力系统状态的持续时间T_k：对电力系统中每个元件的状态持续时间进行抽样，得到电力系统状态的时间序列进而得到电力系统状态的持续时间T_k，T_k＝min{t_i}_k；

S300、安排机组出力：利用S300中得到的T_k更新当前时间；如果当前属于供暖期，先安排热电机组出力保证供热约束，然后再接纳风电机组和/或光伏机组的出力；否则按照优先接纳风电机组和/或光伏机组的出力，在安排火电机组出力；

S400、进行状态评估：对T_k时间段内的电力系统状态进行可靠性评估。

基于所述方法，实现了一种考虑供暖约束的时序蒙特卡洛模拟可靠性评估系统，所述系统包括下述模块：

M100、元件状态初始化模块：输入电力系统数据，进行初始潮流和初始连通性计算，设定所有元件状态正常；

M200、电力系统状态的持续时间T_k获取模块：对电力系统中每个元件的状态持续时间进行抽样，得到电力系统状态的时间序列进而得到电力系统状态的持续时间T_k，T_k＝min{t_i}_k，输出给M300和M400；

M300、机组出力安排模块：利用M200中得到的T_k更新当前时间；如果当前属于供暖期，先安排热电机组出力保证供热约束，然后再接纳风电机组和/或光伏机组的出力；否则按照优先接纳风电机组和/或光伏机组的出力，在安排火电机组出力；

M400、状态评估模块：对T_k时间段内的电力系统状态进行可靠性评估。

附图说明

图1是本公开一个实施例中的考虑供热约束的时序蒙特卡洛可靠性评估框架示意图；

图2是本公开一个实施例中的机组出力安排示意图；

图3是本公开一个实施例中的时序蒙特卡洛模拟法采样示意图。

具体实施方式

下面结合附图1-3对其进行说明，在一个基础实施例中，提供了一种考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法，所述方法包括下述步骤：

S100、初始化元件状态：输入电力系统数据，进行初始潮流和初始连通性计算，设定所有元件状态正常；

S200、获取电力系统状态的持续时间T_k：对电力系统中每个元件的状态持续时间进行抽样，得到电力系统状态的时间序列进而得到电力系统状态的持续时间T_k，T_k＝min{t_i}_k；

S300、安排机组出力：利用S300中得到的T_k更新当前时间；如果当前属于供暖期，先安排热电机组出力保证供热约束，然后再接纳风电机组和/或光伏机组的出力；否则按照优先接纳风电机组和/或光伏机组的出力，在安排火电机组出力；

S400、进行状态评估：对T_k时间段内的电力系统状态进行可靠性评估。

在这个实施例中，所述输入的电力系统数据包括：

(1)该电力系统各节点年度每小时的负荷水平，以及基于该数据建立的时序负荷模型；

(2)该电力系统的线路容量、线路原始强迫停运率；

(3)该电力系统的各种发电机组的发电额定容量、发电机组最小出力等。

在这个实施例中，S100中在进行初始潮流和初始连通性计算时，若计算结果为联通，则执行S200，否则检查输入数据。

所述S300中，所述风电机组和/或光伏机组的出力的数据来源于历史数据，即某一年的风电和/或光伏机组的出力数据，那么在第k个电力系统状态下的风风电机组和光伏发电机组的输出功率，即该年份中(Time,Time+T_k)时段风电机组和光伏机组的出力，其中Time为模拟的电力系统所处的一年中的时间。若电力系统此时工作的时间段(Time,Time+T_k)属于供暖期，如图2安排机组的出力，如果属于供暖期，先安排热电机组出力保证供热约束，然后再保证优先接纳风电；否则按照优先接纳风电原则，安排机组出力。比如，一年有8736小时，供热期的时段属于(T_h1，T_h2),如果时间属于这一区间即T_h1<Time<T_h2，则认为该时段属于供暖期。

在这个实施例中，所述S400中对T_k时间段内的电力系统状态进行可靠性评估，所述可靠性评估内容包括T_k时间段内总停电时间T_loss，T_k时间段内总损失电量E_loss，年度停电时间TY_loss，年度停电损失电量EY_loss。若T_k时间段内总停电时间T_loss越短，T_k时间段内总损失电量E_loss越少，则电力系统在T_k时间段内可靠性越强；若年度停电时间TY_loss越短，年度停电损失电量EY_loss越少，则电力系统可靠性越强，该方法可以通过比较可靠性指标的大小衡量系统考虑供热约束后对于系统可靠性的影响。如果在T时刻，电力系统处于第k个状态，该状态电力系统切负荷ΔP_k，那么电力系统从第1个状态到第k个状态总停电时间T_loss，总损失电量E_loss，年度停电时间TY_loss，年度停电损失电量EY_loss按照下面的式子计算：

$T_{loss}=\underset{i=1}{\overset{k}{\&Sigma;}}{T}_i$

${\mathrm{TY}}_{loss}=\underset{i=1}{\overset{k}{\&Sigma;}}{T}_i$

$E_{loss}=\underset{i=1}{\overset{k}{\&Sigma;}}{T}_i{\mathrm{\&Delta;P}}_i$

${\mathrm{EY}}_{loss}=\underset{i=1}{\overset{k}{\&Sigma;}}{T}_i{\mathrm{\&Delta;P}}_i$

在一个实施例中，给出了在考虑供暖约束情况下的电力系统切负荷ΔP_k的求解方法。如图1所示的状态评估部分，所述状态评估主要是对抽样的系统状态进行可靠性评估，研究其是否会因为元件的停运而导致系统失负荷。具体流程包括：

对在T时刻，处于第k状态的电力系统的网络拓扑分析，判断电力系统是否解列；

S100、若电力系统存在解列，则对电力系统各个解列块进行功率平衡分析，统计各解列块内的失负荷量；

S200、若没有解列，则判断电力系统功率是否平衡；

S201、若电力系统功率平衡，则进入潮流计算；否则，执行步骤S203；

所述潮流计算首先判断系统是否有孤立节点，有孤立节点去除孤立节点再形成导纳矩阵，然后进行线路潮流计算；

S202、通过潮流计算结果判断电力系统是否存在线路过载；若无过负荷，则结束评估；否则，执行步骤S203；

S203、进入基于直流潮流的线性规划模型进行最小切负荷ΔP_k计算：

$\begin{array}{cc}& \min \underset{i=1}{\overset{N_D}{\&Sigma;}}{r}_i\\ s.t.& B\mathrm{\&theta;}=P_g-P_d+r\\ & P_g^{\min }\&le;P_g\&le;P_g^{\max }\\ & 0\&le;r\&le;P_d\\ & \left|P_1\right|\&le;P_1^{\max }\end{array}$

式中：

N_D——负荷节点数目；

r——节点削减负荷量；

——发电机最小有功出力；

P_g——发电机有功出力向量；

——发电机最大有功出力向量；

P_l——支路潮流向量；

——直流潮流极限有功功率向量；

P_d——节点负荷向量；

B——节点导纳矩阵；

θ——节点相角向量。

其中，新能源机组约束如下：

$\left\{\begin{array}{c}{P}_{wind}^{\min }\&le;P_{wind}\&le;P_{wind}^{\max }\\ P_{solar}^{\min }\&le;P_{solar}\&le;P_{solar}^{\max }\\ P_{solar}^{\min }=P_{solar}^{\max }=P_{solar}\\ P_{wind}^{\min }=P_{wind}=P_{wind}^{\max }\\ P_{wind}\&Subset;P_g\\ P_{solar}\&Subset;P_g\end{array}\right.$

式中：

P_wind——风电机组此时的实际出力；

P_solar——光伏机组此时的实际出力；

上面的约束表明新能源机组的出力在发电再调度和负荷调整模型中保持不变，不发生调整，即新能源机组的出力不可调。

相较于传统的可靠性评估，这里的可靠性评估过程更多地考虑了供热机组的约束，其中最重要的是下式中不等式约束的下限，该约束考虑了若要保证当地居民的供暖需求，必须要提供的最小火电出力。

其中，供热机组约束如下：

$\left\{\begin{array}{c}{P}_{heat}^{\min }\&le;P_{heat}\&le;P_{heat}^{\max }\\ P_{heat}\&Subset;P_g\end{array}\right.$

式中：

P_heat——承担供热的机组此时的实际出力；

——承担供热的机组出力的下限，其受到供热约束的影响，必须保证基本的供热需求得到满足；

——承担供热的机组出力的上限。

优选的，所述S200中所述状态持续时间服从指数分布。

优选的，按照时序蒙特卡洛进行抽样，其采样全过程如图3所示，因此所述S200中所述电力系统状态的时间序列满足：

式中：

t_i,k-1,t_i,k分别表示序列{t_i}_k-1和{t_i}_k中的元素；

d_k-1表示第k-1时段的持续时间T_k-1。

对于初始状态以及某个电力系统状态中需要抽样产生新的状态持续时间的情况，在一个实施例中给出了通过蒙特卡洛生成电力系统的状态时间的方法，即按照下式生成：

式中：

MTTF,MTTR——分别表示平均无故障时间，平均修复时间。

rand(·)——表示0-1之间的随机数。

优选的，在S400之后，所述方法还包括下述步骤：

S500、重复S200～S400以通过对该电力系统状态的进行多年的可靠性评估来判断该电力系统的可靠性。

通过模拟N年的电力系统状态，获取电力系统状态总的持续时间T，总停电时间T_loss，总损失电量E_loss，年度停电时间TY_loss，年度停电损失电量EY_loss，进而获得一个该电力系统的年度可靠性指标，所述年度可靠性指标包括年电力不足概率LOLP_N与年电力电量不足期望值EENS_N，进而可以获得该电力系统一个趋于常数的电力不足概率LOLP与电力电量不足期望值EENS，这两个值可以很好的反映该电力系统在考虑供暖情况下的运行可靠性。其中：

${\mathrm{LOLP}}_N=\frac{{\mathrm{TY}}_{loss}}{8736}$

EENS_N＝EY_loss

$LOLP=\frac{T_{loss}}{T}$

$EENS=\frac{E_{loss}}{N}$

其中：

进一步地，所述S500中所述电力不足概率的获得包括下述步骤：

S501、按照下式计算连续若干年的电力电量不足期望构成的数列的收敛方差系数：

${\mathrm{\&beta;}}_{EENS}=\frac{\frac{\sqrt{\mathrm{var}\left(EENS\right(1:N)})}{N}}{mean\left(EENS\right(1:N))}$

式中：

var(EENS(1:N))代表求第1年到第N年的电力电量不足期望值EENS的方差，mean代表求第1年到第N年的电力电量不足期望值EENS的均值；

S502、若β_EENS<β_MAX，则判定已获取该电力系统的电力不足概率；其中，β_MAX为设定值。

在这里，β_MAX设置得越小，获取的电力不足概率越能反映于该电力系统运行时的状态。

更进一步地，若所模拟的电力系统在设定的收敛条件下不收敛，还可以设定最大模拟的年数为N_max。

基于所述方法，在一个实施例中给出了一种考虑供暖约束的时序蒙特卡洛模拟可靠性评估系统，所述系统包括下述模块：

M100、元件状态初始化模块：输入电力系统数据，进行初始潮流和初始连通性计算，设定所有元件状态正常；

M200、电力系统状态的持续时间T_k获取模块：对电力系统中每个元件的状态持续时间进行抽样，得到电力系统状态的时间序列进而得到电力系统状态的持续时间T_k，T_k＝min{t_i}_k，输出给M300和M400；

M300、机组出力安排模块：利用M200中得到的T_k更新当前时间；如果当前属于供暖期，先安排热电机组出力保证供热约束，然后再接纳风电机组和/或光伏机组的出力；否则按照优先接纳风电机组和/或光伏机组的出力，在安排火电机组出力；

M400、状态评估模块：对T_k时间段内的电力系统状态进行可靠性评估。

在这个实施例中，所述输入的电力系统数据包括：

(1)该电力系统各节点年度每小时的负荷水平，以及基于该数据建立的时序负荷模型；

(2)该电力系统的线路容量、线路原始强迫停运率；

(3)该电力系统的各种发电机组的发电额定容量、发电机组最小出力等。

在这个实施例中，在进行初始潮流和初始连通性计算时，若计算结果为联通，则继续计算；否则，检查输入数据。所述风电机组和/或光伏机组的出力的数据来源于历史数据，即某一年的风电和/或光伏机组的出力数据，那么在第k个电力系统状态下的风风电机组和光伏发电机组的输出功率，即该年份中(Time,Time+T_k)时段风电机组和光伏机组的出力，其中Time为模拟的电力系统所处的一年中的时间。若电力系统此时工作的时间段(Time,Time+T_k)属于供暖期，如图2安排机组的出力，如果属于供暖期，先安排热电机组出力保证供热约束，然后再保证优先接纳风电；否则按照优先接纳风电原则，安排机组出力。比如，一年有8736小时，供热期的时段属于(T_r1，T_r2),如果时间属于这一区间即T_r1<Time<T_r2，则认为该时段属于供暖期。M400中所述对T_k时间段内的电力系统状态进行可靠性评估，所述可靠性评估内容包括T_k时间段内总停电时间T_loss，T_k时间段内总损失电量E_loss，年度停电时间TY_loss，年度停电损失电量EY_loss。若T_k时间段内总停电时间T_loss越短，T_k时间段内总损失电量E_loss越少，则电力系统在T_k时间段内可靠性越强；若年度停电时间TY_loss越短，年度停电损失电量EY_loss越少，则电力系统可靠性越强。如果在T时刻，系统处于第k个状态，该状态电力系统切负荷ΔP，则所述总停电时间T_loss，总损失电量E_loss，年度停电时间TY_loss，年度停电损失电量EY_loss按照下面的式子计算：

$T_{loss}=\underset{i=1}{\overset{k}{\&Sigma;}}{T}_i$

${\mathrm{TY}}_{loss}=\underset{i=1}{\overset{k}{\&Sigma;}}{T}_i$

$E_{loss}=\underset{i=1}{\overset{k}{\&Sigma;}}{T}_i{\mathrm{\&Delta;P}}_i$

${\mathrm{EY}}_{loss}=\underset{i=1}{\overset{k}{\&Sigma;}}{T}_i{\mathrm{\&Delta;P}}_i$

优选的，所述M200中所述状态持续时间服从指数分布。

优选的，M200中所述电力系统状态的时间序列满足：

式中：

t_i,k-1,t_i,k分别表示序列{t_i}_k-1和{t_i}_k中的元素；

d_k-1表示第k-1时段的持续时间T_k-1。

可选的，对于t_i,k-1＝d_k-1或者k＝1的情形，在一个实施例中给出了通过蒙特卡洛生成电力系统的状态时间的方法，即按照下式生成：

式中：

MTTF,MTTR——分别表示平均无故障时间，平均修复时间。

rand(·)——表示0-1之间的随机数。

优选的，所述系统还包括下述模块：

M500、电力不足概率获取模块：循环调用M200～M400以通过对该电力系统状态的进行多年的可靠性评估来判断该电力系统的可靠性。

通过模拟N年的电力系统状态，获取电力系统状态总的持续时间T，总停电时间T_loss，总损失电量E_loss，年度停电时间TY_loss，年度停电损失电量EY_loss，进而获得一个该电力系统的年度可靠性指标，所述年度可靠性指标包括年电力不足概率LOLP_N与年电力电量不足期望值EENS_N，进而可以获得该电力系统一个趋于常数的电力不足概率LOLP与电力电量不足期望值EENS，这两个值可以很好的反映该电力系统在考虑供暖情况下的运行可靠性。其中：

${\mathrm{LOLP}}_N=\frac{{\mathrm{TY}}_{loss}}{8736}$

EENS_N＝EY_loss

$LOLP=\frac{T_{loss}}{T}$

$EENS=\frac{E_{loss}}{N}$

其中：

更进一步地，若所模拟的电力系统在设定的收敛条件下不收敛，还可以在可靠性评估系统中设定最大模拟的年数为N_max。

进一步地，所述M500中所述电力不足概率通过下述单元获得：

U501、计算单元：按照下式计算连续若干年的电力电量不足期望构成的数列的收敛方差系数，并输出给判断单元U502：

${\mathrm{\&beta;}}_{EENS}=\frac{\frac{\sqrt{\mathrm{var}\left(EENS\right(1:N)})}{N}}{mean\left(EENS\right(1:N))}$

式中：

var(EENS(1:N))代表求第1年到第N年的电力电量不足期望值EENS的方差，mean代表求第1年到第N年的电力电量不足期望值EENS的均值；

U502、判断单元：若β_EENS<β_MAX，则判定已获取该电力系统的电力不足概率；其中，β_MAX为设定值。

综上，本公开的方法及系统能够更合理、更准确地对我国北方地区的可靠性水平进行评估。

以上对本公开进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本公开的方法及其核心思想；同时，对于本领域技术人员，依据本公开的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本公开的限制。

Claims (10)

1.一种考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法，其特征在于，所述方法包括下述步骤：

S100、初始化元件状态：输入电力系统数据，进行初始潮流和初始连通性计算，设定所有元件状态正常；

S200、获取电力系统状态的持续时间T_k：对电力系统中每个元件的状态持续时间进行抽样，得到该电力系统状态的时间序列进而得到该电力系统状态的持续时间T_k，T_k＝min{t_i}_k；

S300、安排机组出力：利用S300中得到的T_k更新当前时间；如果当前属于供暖期，先安排热电机组出力保证供热约束，然后再接纳风电机组和/或光伏机组的出力；否则按照优先接纳风电机组和/或光伏机组的出力，在安排火电机组出力；

S400、进行状态评估：对T_k时间段内的电力系统状态进行可靠性评估。

2.根据权利要求1所述的方法，其特征在于：

优选的，所述S200中所述状态持续时间服从指数分布。

3.根据权利要求1所述的方法，其特征在于，所述S200中所述电力系统状态的时间序列满足：

式中：

t_i,k-1,t_i,k分别表示序列{t_i}_k-1和{t_i}_k中的元素；

d_k-1表示第k-1时段的持续时间T_k-1。

4.根据权利要求1所述的方法，其特征在于，在S400之后，所述方法还包括下述步骤：

S500、重复S200～S400以通过对该电力系统状态进行多年的可靠性评估来判断该电力系统的可靠性。

5.根据权利要求4所述的方法，其特征在于，所述S500中所述电力不足概率的获得包括下述步骤：

S501、按照下式计算连续若干年的电力电量不足期望构成的数列的收敛方差系数：

${\mathrm{\&beta;}}_{EENS}=\frac{\frac{\sqrt{\mathrm{var}\left(EENS\right(1:N\left)\right)}}{N}}{mean\left(EENS\right(1:N\left)\right)}$

式中：

var(EENS(1:N))代表求第1年到第N年的电力电量不足期望值EENS的方差，mean代表求第1年到第N年的电力电量不足期望值EENS的均值；

S502、若β_EENS＜β_MAX，则判定已获取该电力系统的电力不足概率；其中，β_MAX为设定值。

6.一种考虑供暖约束的时序蒙特卡洛模拟可靠性评估系统，其特征在于，所述系统包括下述模块：

M100、元件状态初始化模块：输入电力系统数据，进行初始潮流和初始连通性计算，设定所有元件状态正常；

M200、电力系统状态的持续时间T_k获取模块：对电力系统中每个元件的状态持续时间进行抽样，得到电力系统状态的时间序列进而得到电力系统状态的持续时间T_k，T_k＝min{t_i}_k，输出给M300和M400；

M300、机组出力安排模块：利用M200中得到的T_k更新当前时间；如果当前属于供暖期，先安排热电机组出力保证供热约束，然后再接纳风电机组和/或光伏机组的出力；否则按照优先接纳风电机组和/或光伏机组的出力，在安排火电机组出力；

M400、状态评估模块：对T_k时间段内的电力系统状态进行可靠性评估。

7.根据权利要求6所述的系统，其特征在于：

所述M200中所述状态持续时间服从指数分布。

8.根据权利要求6所述的系统，其特征在于，M200中所述电力系统状态的时间序列满足：

式中：

t_i,k-1,t_i,k分别表示序列{t_i}_k-1和{t_i}k中的元素；

d_k-1表示第k-1时段的持续时间T_k-1。

9.根据权利要求6所述的系统，其特征在于，所述系统还包括下述模块：

M500、电力不足概率获取模块：循环调用M200～M400以通过对该电力系统状态进行多年的可靠性评估来判断该电力系统的可靠性。

10.根据权利要求9所述的系统，其特征在于，所述M500中所述电力不足概率通过下述单元获得：

U501、计算单元：按照下式计算连续若干年的电力电量不足期望构成的数列的收敛方差系数，并输出给判断单元U502：

${\mathrm{\&beta;}}_{EENS}=\frac{\frac{\sqrt{\mathrm{var}\left(EENS\right(1:N\left)\right)}}{N}}{mean\left(EENS\right(1:N\left)\right)}$

式中：

var(EENS(1:N))代表求第1年到第N年的电力电量不足期望值EENS的方差，mean代表求第1年到第N年的电力电量不足期望值EENS的均值；

U502、判断单元：若β_EENS＜β_MAX，则判定已获取该电力系统的电力不足概率；其中，β_MAX为设定值。