CN105913160A - 一种基于大规模风电并网的可利用传输能力的计算方法 - Google Patents

Abstract

本发明公开了一种基于大规模风电并网的可利用传输能力的计算方法，其包括采集风电场原始数据；根据风电场原始数据进行预测分析，获得风电场的短期预测数据；基于风电场的短期预测数据，在风电并网时，计算各个并网点在不同时刻到负荷区的可利用传输能力；基于各个并网点在不同时刻到负荷区的可利用传输能力，计算所述可利用传输能力对应的故障概率，获得所述可利用传输能力的概率分布。本发明在获得风电场短期预测数据的基础上，考虑评估时间窗，计算各个并网点在不同时刻到负荷区的可利用传输能力，考虑了风电出力波动性和并网点对可利用传输能力的影响，实现了对可利用传输能力的准确计算，对所述可利用传输能力进行比较，找到合适的风电并网点。

Description

一种基于大规模风电并网的可利用传输能力的计算方法

技术领域

本发明涉及一种电力系统运行与控制领域，特别涉及一种基于大规模风电并网的可利用传输能力的计算方法。

背景技术

随着风力发电技术的不断发展，风电场装机容量的不断提高，风电的间歇性、波动性等特点使其在并网时成为一个扰动源对电网的安全运行水平造成很大影响。此外，我国的风电场大都远离负荷中心而且具有很大的容量，而电网建设相对比较薄弱，风电并网点的不同，会给电网运行带来较大影响。因此，准确进行短期风电功率预测，并利用预测结果计算风电接入对电网可利用传输能力的影响，比较不同风电接入点对系统可利用传输能力的影响对风电接入点的选址具有重要的参考意义。

近几年来，对风电功率进行短期预测方面，Volterra自适应滤波器以其训练速度快、所需样本量小等优点得到了广大学者的关注。但Volterra自适应滤波器的预测效果易受与预测点信息不相关或对预测点贡献较小的相点影响。目前研究表明采用邻近点作为训练集，证明合理筛选邻近点，建立局域模型，可提高模型的精度。针对邻近点的选择，目前主要判据有欧式距离、向量夹角、关联度等方法。另一方面，在工程应用中，模型的有效性不仅要求算法精度高，同时也要求模型的计算速度快。使用K均值算法作为可有效提高模型的计算速度。

针对电网可利用传输能力计算已经有较为完善的计算方法如(程超，李华强，罗小春，唐国栋.可利用传输能力的快速计算[A].电网技术.2009(03):49-52)一种利用故障过滤技术的可利用传输能力快速计算方法，该方法考虑电压稳定、电压幅值、热稳定约束，利用迭代线性交流潮流法对热稳定约束和电压幅值约束条件进行N-1故障过滤，利用线性灵敏度法对电压稳定约束条件进行N-1故障过滤，得到最严重故障集；利用原－对偶内点法只针对若干最严重故障计算系统可利用传输能力，提高了可利用传输能力的计算效率更符合电网运行的需求。如何在现有研究基础上，考虑风电出力波动及接入点对电网运行的影响值得进一步的研究。

发明内容

本发明的目的在于解决现有技术中，可利用传输能力计算仅对电网某个时间点下的系统潮流断面进行可利用传输能力计算的问题，提供了一种在获得风电场的短期预测数据的基础上，考虑评估时间窗，计算各个并网点在不同时刻到负荷区的可利用传输能力，对所述可利用传输能力进行比较，找到合适的风电并网点。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于大规模风电并网的可利用传输能力的计算方法，包括以下步骤：

步骤1：采集风电场原始数据，所述风电场原始数据包括各个时刻风电场有功出力；

步骤2：根据风电场原始数据进行预测分析，获得风电场的短期预测数据；

步骤3：基于风电场的短期预测数据，在风电并网时，计算各个并网点在不同时刻到负荷区的可利用传输能力；

步骤4：基于各个并网点在不同时刻到负荷区的可利用传输能力，计算所述可利用传输能力对应的故障概率，获得所述可利用传输能力的概率分布；

步骤5：基于各个并网点在不同时刻的可利用传输能力的概率分布，对不同并网点的所述可利用传输能力的期望、方差、变异系数、以及匮乏量进行比较，找到合适的风电并网点。

优选的，所述步骤1中对风电场原始数据进行预测分析的方法为基于混沌时间序列的Volterra自适应预测法，所述基于混沌时间序列的Volterra自适应预测法的步骤包括：

a、分析风电场原始数据，根据相空间重构原理，对风电功率时间序列进行相空间重构，得到重构的相空间，并对重构的相空间的混沌特性进行识别；

b、采用K均值聚类算法对重构的相空间的相点进行聚类；

c、基于聚类后的相空间建立局域volterra自适应滤波器模型；

d、采用局域预测法在每类相点中筛选预测点的邻近点集合；

e、利用邻近点集合作为局域volterra自适应滤波器模型的训练集，使volterra自适应滤波器模型的预测精度获得提高，并且采用风电场原始数据作为输入，通过volterra自适应滤波器模型进行仿真，获得风电场的短期预测数据。

优选的，所述步骤b中，采用减聚类方法为K均值聚类提供初始聚类中心和聚类个数。

优选的，所述步骤d中对邻近点的选择，采用基于预测点和相点之间的相似度的判据方法，其中，预测点X(p)与相点X(i)间的相似度为：

η(p,i)＝γ₁d(p,i)+γ₂cosθ(p,i)

其中γ₁,γ₂分别为距离指标与演化趋势指标的权重值，且γ₁+γ₂＝1。

优选的，采用Hannan-Quinn准则对邻近点集合进行进一步的筛选，还采用Fisher判别法将预测值点成新的相点分配给对应的分类集合。

优选的，所述步骤3中采用如(程超，李华强，罗小春，唐国栋.可利用传输能力的快速计算[A].电网技术.2009(03):49-52)中记载的一种利用故障过滤技术的可利用传输能力快速计算方法，计算各个并网点在不同时刻到负荷区的可利用传输能力。

优选的，步骤4中所述的故障概率，包括基于潮流的线路停运模型的故障概率和基于电压的发电停运模型的故障概率。

与现有技术相比，本发明的有益效果：本发明在获得风电场短期预测数据的基础上，考虑评估时间窗，计算各个并网点在不同时刻到负荷区的可利用传输能力，考虑了风电出力波动性和并网点对可利用传输能力的影响，实现了对可利用传输能力的准确计算，对所述可利用传输能力的期望、方差、变异系数、以及匮乏量进行比较，找到合适的风电并网点。

附图说明：

图1为本发明的方法流程图；

图2为基于混沌时间序列的Volterra自适应预测法流程图；

图3为基于潮流的线路停运模型；

图4为基于电压的发电机停运模型。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

如图1所示，一种基于大规模风电并网的可利用传输能力的计算方法，包括以下步骤：

步骤1：采集风电场原始数据，所述风电场原始数据包括各个时刻风电场有功出力；

步骤2：根据风电场原始数据进行预测分析，获得风电场的短期预测数据；

步骤3：基于风电场的短期预测数据，在风电并网时，各个并网点在不同时刻到负荷区的可利用传输能力；

步骤4：基于各个并网点在不同时刻到负荷区的可利用传输能力，计算所述可利用传输能力对应的故障概率，获得所述可利用传输能力的概率分布；

步骤5：基于各个并网点在不同时刻的可利用传输能力的概率分布，对不同并网点的所述可利用传输能力的期望、方差、变异系数、以及匮乏量进行比较，找到合适的风电并网点。

在实施中，所述步骤1中对风电场原始数据进行预测分析的方法为基于混沌时间序列的Volterra自适应预测法，如图2所示，所述基于混沌时间序列的Volterra自适应预测法的步骤包括：

a、分析风电场原始数据，根据相空间重构原理，对风电功率时间序列进行相空间重构，得到重构的相空间，并对重构的相空间的混沌特性进行识别；

b、采用K均值聚类算法对重构的相空间的相点进行聚类；

c、基于聚类后的相空间建立局域volterra自适应滤波器模型；

d、采用局域预测法在每类相点中筛选预测点的邻近点集合；

e、利用邻近点集合作为局域volterra自适应滤波器模型的训练集，使volterra自适应滤波器模型的预测精度获得提高，并且采用风电场原始数据作为输入，通过volterra自适应滤波器模型进行仿真，获得风电场的短期预测数据。

具体的，在步骤a中，根据相空间重构原理，对初始风电功率时间序列进行相空间重构，得到重构的相空间，设初始风电功率时间序列为x(t)，t＝1,2,…,k，k为时间序列的长度，确定延迟时间τ和嵌入维数m，重构的相空间为：

X(t)＝[x(t),x(t+τ)，…,x(t+(m-1)τ)]^T (1)式中，t＝1,2,…,M，M＝k-(m-1)τ；并且式中X(t)为t时刻的预测点。

由公式(1)可以看出，对风电功率时间序列进行相空间重构的根本在于求出时间序列的延迟时间τ与嵌入维数m，可使用C-C法求取；并利用Lyapunov指数来判断风电功率时间序列的混沌特性，判断风电功率时间序列是否满足混沌特性。

具体的，所述步骤b中采用K均值聚类算法对重构的相空间的相点进行聚类，K均值聚类的基本思想为将数据集合X分为k类，使得类内的成员存在某种相似性的过程。

即寻找C＝{C₁,C₂,…,C_k}，满足：

$X=\underset{j=1}{\overset{k}{\∪}}{C}_j---\left(2\right)$

并使得总的类间离散度和达到最小，

$J=\underset{j=1}{\overset{k}{\Σ}}\underset{X_i\∈C_j}{\Σ}d\left(X\right(i),M(j\left)\right)---\left(4\right)$

其中，M(j)为第j个聚类的中心，d(X(i),M(j))为样本到对应聚类中心的距离，其表达式为：

d(X(i),M(j))＝||X(i)-M(j)||₂ (5)

具体的，在步骤c中，由于Volterra自适应滤波器的核函数的Volterra级数展开表示式为无穷级数形式，难以用于实际应用，通常采取有限截断和有限次求和形式。以下为p阶截断模型：

$\begin{array}{c}\hat{x}(n+1)=h_0+\underset{m=0}{\overset{N_1-1}{\mathrm{\Σ}}}{h}_1\left(m\right)x(n-m)+\underset{m_1=0}{\overset{N_1-1}{\mathrm{\Σ}}}\underset{m_2=0}{\overset{N_2-1}{\mathrm{\Σ}}}{h}_2(m_1,m_2)\·x(n-m_1)x(n-m_2)+...\\ +\underset{m_1=0}{\overset{N_1-1}{\mathrm{\Σ}}}\underset{m_2=0}{\overset{N_2-1}{\mathrm{\Σ}}}...\underset{m_p=0}{\overset{N_p-1}{\mathrm{\Σ}}}{h}_p(m_1,m_2,...m_p)\·x(n-m_1)x(n-m_2)+...x(n-m_p)\end{array}---\left(6\right)$

由Taken嵌入定理可取N₁＝N₂＝…＝N_p＝m，为预测值，h_p(m₁,m₂,…,m_p)称为p阶Volterra核，m为滤波器的输入维数，对应为风电时间功率的嵌入维数。

在实施中，由于K均值聚类算法存在一个极大的弊端，即算法的收敛性与收敛速度依赖于初始条件。因此，优选的使用减聚类方法独立地为K均值聚类法提供初始聚类中心M_j(j＝1，2，…k)和聚类个数k。

在实施中，所述步骤d中对邻近点的选择，采用基于预测点和相点之间的相似度的判据方法，其中，所述基于预测点和相点之间的相似度的判据方法为：采用改进欧式距离和改进演化趋势来综合评估邻近点的坐标分量对预测点的影响。除此之外，回溯步长越小，其对预测点的影响也应越大，在改进演化趋势判据的同时对多步演化的影响力进行加权处理，得到筛选邻近点的综合判据如下：

定义一种新的运算方式：

$A\⊗B=\[a_1,a_2,...a_m\]\⊗\[b_1,b_2,...b_m\]=\[a_1{b}_1,a_2{b}_2,...,a_m{b}_m\]---\left(7\right)$

判据1：当前预测点X(p)与相点X(i)间的距离：

$d(p,i)=\left|\right|\mathrm{\α}\⊗\left(X\right(p)-X(i\left)\right)|{|}_{\mathrm{\∞}}---\left(8\right)$

式中，α为权重向量，且对于m维的向量α而言，α(1)≤α(2)≤…≤α(m)，考虑到坐标分量间的间隔时间为均为τ，本文取

d(p,i)越小，当前预测点X(p)与相点X(i)的距离越近。

判据2：预测点X(p)与相点X(i)间的演化发展趋势：

定义多步回溯的差值向量为：

E(p,q)＝X(p)-X(p-q)

E(i,q)＝X(i)-X(i-q) (10)

多步回溯的预测点与相点间的方向夹角为：

$cos\mathrm{\θ}(p,i,q)=1-\frac{(\mathrm{\α}\⊗E(p,q\left)\right)(\mathrm{\α}\⊗E(i,q\left)\right)}{(\mathrm{\α}\⊗E(p,q\left)\right)\×(\mathrm{\α}\⊗E(i,q\left)\right)}---\left(11\right)$

对上式进行加权，可得预测点与相点的发展趋势判据为：

$cos\mathrm{\θ}(p,i)=\underset{q}{\Σ}\mathrm{\β}\left(q\right)\⊗cos\mathrm{\θ}(p,i,q)---\left(12\right)$

cosθ(p,i)是由向量间的夹角的余弦演化而来，其中，β为权重向量，且β(0)≤β(1)≤…≤β(q)本文取

cosθ(p,i)越小，当前预测点X(p)与相点X(i)的发展趋势越接近。

综合判据预测点X(p)与相点X(i)间的相似度

η(p,i)＝γ₁d(p,i)+γ₂cosθ(p,i) (13)

其中γ₁,γ₂分别为距离指标与演化趋势指标的权重值，且γ₁+γ₂＝1。

η(p,i)综合考虑预测点与相点的当前距离和相点间的多步演化趋势，既考虑了相点的演化相关性，又考虑了相点各坐标在时间上的不同影响，因此能有效避开“虚伪邻近点”，选出在距离和演化趋势均与预测点相似的邻近点，进一步提高预测精度。

在实施中，为了对邻近点的规模控制，采用Hannan-Quinn准则对邻近点进行进一步的筛选。具体的，

$\mathrm{\Φ}\left(K\right)={\mathrm{ln\δ}}^2\left(K\right)+K\frac{D\ln \ln N}{N}---\left(14\right)$

${\mathrm{\δ}}^2\left(K\right)=\frac{\frac{1}{S}\underset{j=1}{\overset{S}{\Σ}}{(x_j-{\hat{x}}_j)}^2}{\stackrel{\‾}{x}}---\left(15\right)$

式中，x_j为数据的样本点，为预测结果，为样本点均值，S为预测步数，N为拟合数据个数。

当Φ(K)取得最小值时，对应的K为最佳邻近点的个数，此时认为模型的精度和复杂度取得了平衡。

在实施中，为了进一步进行滚动预测，还采用Fisher判别法将预测值组成新的相点分配给对应的分类集合。具体的，Fisher判别法是在分类确定的情况下，判别某个向量属于哪个类别的多元统计法。其基本思想是投影，寻找一个向量a将高维空间中的向量投影到低维空间，克服高维空间的“维数祸根”。

Fisher判别法借助一元方差思想建立判别函数，使类间距离最大化，类内距离最小化。

经投影后的类间平方和与类内平方和分别为：

SSG＝a^TBa，SSE＝a^TCa (16)

其中：

$B=\underset{i=1}{\overset{k}{\Σ}}{n}_i({\stackrel{\‾}{P}}^{\left(i\right)}-\stackrel{\‾}{P}){({\stackrel{\‾}{P}}^{\left(i\right)}-\stackrel{\‾}{P})}^T---\left(17\right)$

$C=\underset{i=1}{\overset{k}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}(P_j^{\left(i\right)}-{\stackrel{\‾}{P}}^{\left(i\right)}){(P_j^{\left(i\right)}-{\stackrel{\‾}{P}}^{\left(i\right)})}^T---\left(18\right)$

为第i类的平均值，为所有数据的总平均值。

则应充分大。

由矩阵知识可知，当a取值为I₁时，取得极大值λ₁，其中，λ₁为|B-λE|＝0的最大特征根，I₁为对应的特征向量。

则可得到判别函数为

$d(X,G_i)=a^{T}P-a^T{\stackrel{\‾}{P}}^{\left(i\right)}---\left(19\right)$

当d(X,G_i)取得最小值时，X∈G_i。

在实施中，所述步骤(3)中采用如(程超，李华强，罗小春，唐国栋.可利用传输能力的快速计算[A].电网技术.2009(03):49-52)中记载的一种利用故障过滤技术的可利用传输能力快速计算方法，计算各个并网点在不同时刻到负荷区的可利用传输能力。

具体的，在电网的可利用传输能力的计算过程中，要考虑许多因素的影响，如系统的运行状态、负荷的需求预测、电网的整体结构等。除此以外，它的计算还要受到许多约束的制约，如线路热稳定约束、电压幅值约束、静态稳定约束等等。因此，电网的可利用传输能力的计算通常需要包括以下几个基本要素：基态潮流、传输方向、安全约束集和N-1准则。

因此，计算电网的可以用传输能力可归结为一个非线性规划问题，即：

$\begin{array}{c}Min(-\mathrm{\λ})\\ s.t.\left\{\begin{array}{c}f(x,\mathrm{\λ})={\mathrm{\λy}}_d+h\left(x\right)=0\\ G_{\min }\≤G\left(x\right)\≤G_{max}\end{array}\right.\end{array}---\left(20\right)$

式中：

f(x,λ)＝[f₁(x),...f_m(x)]^T：扩展潮流方程组；

x∈Rⁿ：状态控制变量；

h(x)＝[h₁(x),...h_m(x)]^T：常规潮流方程；

G(x)＝[G₁(x),...G_r(x)]^T：安全约束条件；

G_min,G_max：安全约束条件上下限；

y_d∈R^m：负荷变化方向；

λ∈R¹：反映电网的可以用传输能力的参数，当λ＝0时是指基态情况。

用以上式子作为计算可利用传输能力的公式，需要对传输方向进行一定的处理，假设发电机的出力及负荷的大小分别设定为1个单位的话，则：

$\underset{i\∈source}{\Σ}{y}_{dPi}=\underset{j\∈\sin k}{\Σ}{y}_{dPj}=1---\left(21\right)$

其中，source为电源区域，sink为负载区域；y_dPi表示发电机集合的有功变化方向，y_dPj表示负荷集合的有功负荷变化方向。为了使负荷母线上的功率因数保持一致，设各负荷的无功变化方向为：y_dQi＝Q_Di0/P_Di0(i∈sink)。经过这样的处理，λ的值就可以直接代表电网的可以用传输能力了。

基于迭代线性交流潮流法的故障过滤与排序：线性迭代交流潮流法的计算精度跟其他的线性方法相比，有显著地提高，计算效率也显著高于牛顿—拉夫逊法，因此常用于电力系统规划和运行等方面的研究。线性迭代交流潮流法结合了解耦法和非线性法的优点，减少了方程维数，将非线性近似值带入方程当中，在提高计算速度、减少内存占用的同时，还保持了一定的计算精度；当线性迭代交流潮流法用于故障过滤时还运用了稀疏矩阵技术以及矩阵求逆定理，简化了支路故障和发电机故障情况下的潮流求解，避免了对每次N-1故障作重复的计算。线性迭代交流潮流法尤其适用于系统静态N-1支路或发电机故障分析，能够处理规模较大的故障集，确定哪些故障应该作为严重故障详细求解。

ILPF将节点功角θ和节点有功注入P_k、节点电压V和节点无功注入Q_k的关系归结为下式：

[A][θ]＝[P] (22)

[C][V]＝[Q] (23)

其中A∈Rⁿ，C∈Rⁿ，

$a_{kk}=V_k\underset{m\∈{\mathrm{\α}}_k}{\Σ}{V}_m{B}_{km},a_{km}=-V_k{V}_m{B}_{km}---\left(24\right)$

$c_{kk}=\underset{m\∈{\mathrm{\α}}_k}{\Σ}{t}_{km}{B}_{km},c_{km}=-B_{km}(m\∈{\mathrm{\α}}_k)---\left(25\right)$

当连接km节点的线路发生故障开断时，矩阵A和C中四个元素发生改变：

Δa_mm＝Δa_kk＝-Δa_km＝-Δa_mkΔc_mm＝Δc_kk＝-Δc_km＝-Δc_mk (26)

用矩阵表示为：

A′＝A+Δa_km[M_A][M_A]^T (27)

C′＝C+Δc_km[M_A][M_A]^T (28)

上式中：M_A为N×1矩阵，且第k元素为1，第m元素为－1，其余为零。由此，避免了对每次支路故障都重新计算矩阵A和C，节省了计算时间。

因此对于km线路故障，可表示为：

[[A]+Δa_km[M_A][M_A]^T][[θ]+[Δθ]]＝[P] (29)

[[C]+Δc_km[M_A][M_A]^T][[V]+[ΔV]]＝[Q] (30)

由公式(29)、(30)式整理得：

$\[\mathrm{\Δ}\mathrm{\θ}\]=-{(\frac{1}{{\mathrm{\Δa}}_{km}}+{\[M_A\]}^T{\[A\]}^{-1}\[M_A\])}^{-1}{\[A\]}^{-1}\[M_A\]({\mathrm{\θ}}_k-{\mathrm{\θ}}_m)---\left(31\right)$

$\[\mathrm{\Δ}V\]=-{(\frac{1}{{\mathrm{\Δc}}_{km}}+{\[M_A\]}^T{\[C\]}^{-1}\[M_A\])}^{-1}{\[C\]}^{-1}\[M_A\](V_k-V_m)---\left(32\right)$

式(31)(32)即为发生支路故障时的θ和V修正量。当k节点发电机发生故障时，k节点由PV节点转变为PQ节点。公式(22)、(23)中，P和Q可写作：

[P]＝[P′]+[P″] (33)

[Q]＝[Q′]+[Q″] (34)

其中

${P_k}^{\′}=P_k-V_k^2{G}_{kk}-V_k\underset{m\∈{\mathrm{\α}}_k}{\Σ}{V}_m{G}_{km}---\left(35\right)$

${P_k}^{\′\′}=V_k\underset{m\∈{\mathrm{\α}}_k}{\Σ}{V}_m(G_{km}\frac{{\mathrm{\θ}}_{km}^2}{2}+B_{km}\frac{{\mathrm{\θ}}_{km}^3}{6})---\left(36\right)$

${Q_k}^{\′}=\frac{Q_k}{V_k}+V_k(\underset{m\∈{\mathrm{\α}}_k}{\Σ}{t}_{km}{\mathrm{By}}_{km}+{\mathrm{Bc}}_k)+\underset{m\∈{\mathrm{\α}}_k}{\Σ}{V}_m{B}_{km}---\left(37\right)$

如此用θ、V、P、Q反复迭代，直到收敛为止，得出的即是发生支路故障时的近似潮流解。发电机故障情况不同于支路故障。当节点k发生故障时，节点k由PV节点转变为PQ节点，向量P和Q中的第k个元素变为零，但公式(22)、(23)中A和C矩阵的元素不随故障发生变化，故对所有的发电机故障只需对A、C矩阵做一次三角分解即可，从而减少所用计算时间。为了判断事故的严重程度，本文构造了热稳定指标式和电压幅值指标式来为故障排序：

$\underset{(m,k)\∈S_{\mathrm{li}ne}}{\Σ}{\left(\frac{|P_{km}^{\left(i\right)}-P_{km}^{\left(0\right)}|}{{\left(\right|P_{km\max }^{\left(i\right)}-P_{km}^{\left(0\right)}\left|\right)}^m}\right)}^n---\left(38\right)$

$\underset{k=1}{\overset{N}{\Σ}}{\left(\frac{|V_k^{\left(i\right)}-V_k^{\left(0\right)}|}{{\left(\right|V_{kmin}^{\left(i\right)}-V_k^{\left(0\right)}\left|\right)}^m}\right)}^n---\left(39\right)$

对于以上两个指标，数值越大，意味着该事故越严重。

基于线性灵敏度的故障过滤与排序原理：在电压崩溃点处，有下式关系：

$\left\{\begin{array}{c}f(x,\mathrm{\λ},p)=0\\ \begin{array}{cc}{w}^T{f}_x=0& \left|\right|w\left|\right|\≠0\end{array}\end{array}\right.---\left(40\right)$

式中x是状态控制变量；λ为负荷裕度；p为故障参数，p^(k)＝0表示故障前，p^(k)＝1表示故障后；w是雅克比矩阵f_x对应于零特征值的左特征向量。在故障前电压崩溃点的和已经由式(20)得出，由此来估计事故后在电压稳定约束下的λ_stab-post。

将公式(40)在事故前的电压崩溃点处线性化，得到：

f_xΔx+f_λΔλ+f_pΔp＝0 (41)

其中将公式(41)左乘w^T，并代入(40)式和Δp＝1(表示故障后)，即可得到：

$\mathrm{\Δ}\mathrm{\λ}=-\frac{w^T{f}_p}{w^T{f}_{\mathrm{\λ}}}---\left(42\right)$

用Δλ修正事故前的λ，得到事故后的可传输能力：

$\mathrm{\λ}=\underset{-}{\mathrm{\λ}}+\mathrm{\Δ\λ}---\left(43\right)$

所有N-1故障以λ作为电压稳定约束下事故严重性排序的指标，λ越小，说明事故越为严重，取排在前10％的严重故障形成发电机和支路严重故障集。

在实施中，步骤4中所述的故障概率，包括基于潮流的线路停运模型的故障概率和基于电压的发电停运模型的故障概率。具体的，潮流是线路最为重要的运行参数。线路如果长期工作在负载率较高的水平下，线路会随着温度的升高，渐渐失去机械强度；过负荷，过流等二次保护装置，其动作时限与潮流大小有关，潮流越大，线路退出运行的可能性越大。因此，本文建立基于潮流的线路停运模型，如图3所示，当线路潮流在范围内时，潮流对线路停运概率的影响不大，此时线路停运概率可以用历史统计数据表示，也可用与线路自身健康状况对应的潜在故障率表示：

$P_L=\stackrel{\‾}{P}---\left(44\right)$

当线路潮流在范围内时，线路停运概率随潮流对极限值逼近而增长，可表示为：

$P_L=\frac{1-\stackrel{\‾}{P}}{L_{max}-L_{max}^{normal}}\×L+\frac{\stackrel{\‾}{P}\×L_{max}-L_{\max }^{normal}}{L_{\max }-L_{\max }^{normal}}(L_{max}^{normal}\≤L\≤L_{max})---\left(45\right)$

当线路潮流大于L_max时，线路停运概率为1。

基于电压的发电机停运模型，如图4所示：当发电机机端电压在发电机停运概率为历史统计值：

$P\left(U_G\right)=\stackrel{\‾}{P_g}(U_{G,min}^{normal}\≤U_G\≤U_{G,max}^{normal})---\left(46\right)$

当发电机端电压在正常值和极限值之间时，发电机停运概率随电压值对极限值的逼近而增大：

$P\left(U_G\right)=\frac{1-\stackrel{\‾}{P_g}}{U_{G,\max }-U_{G,max}^{normal}}\×U_G+\frac{\stackrel{\‾}{P_g}\×U_{G,max}-U_{G,\max }^{normal}}{U_{G,max}-U_{G,\max }^{normal}}(U_{G,\max }^{normal}\≤U_G\≤U_{G,max})---\left(47\right)$

$P\left(U_G\right)=\frac{\stackrel{\‾}{P_g}-1}{U_{G,\min }^{normal}-U_{G,\min }}\×U_G+\frac{U_{G,\min }^{normal}-\stackrel{\‾}{P_g}\×U_{G,\min }}{U_{G,\min }^{normal}-U_{G,\min }}(U_{G,\min }\≤U_G\≤U_{G,max}^{normal})---\left(48\right)$

当发电机机端电压超过极限值时，保护装置动作，发电机故障概率为1。

因此发电机基于频率和机端电压两者因素影响下的综合故障率为：

P_G＝P(F_G)+P(U_G)-P(F_G)P(U_G) (49)

在实施中，在所述步骤5中，基于各个并网点在不同时刻的可利用传输能力的概率分布，对不同并网点的所述可利用传输能力的期望、方差、变异系数、以及匮乏量进行比较，可利用传输能力的期望越大越好，方差越小越好，变异系数和匮乏量是越小越好，基于上述条件找到合适的风电并网点。

Claims (8)

1.一种基于大规模风电并网的可利用传输能力的计算方法，其特征在于，包括以下步骤：

步骤1：采集风电场原始数据；

步骤2：对所述风电场原始数据进行预测分析，获得风电场的短期预测数据；

步骤3：基于风电场的短期预测数据，在风电并网时，计算各个并网点在不同时刻到负荷区的可利用传输能力；

步骤4：基于各个并网点在不同时刻到负荷区的可利用传输能力，计算所述可利用传输能力对应的故障概率，获得所述可利用传输能力的概率分布；

步骤5：基于各个并网点在不同时刻的可利用传输能力的概率分布，对所述可利用传输能力的期望、方差、变异系数、以及匮乏量进行比较，找到合适的风电并网点。

2.根据权利要求1所述的基于大规模风电并网的可利用传输能力的计算方法，其特征在于，所述步骤1中对风电场原始数据进行预测分析的方法为基于混沌时间序列的Volterra自适应预测法，所述基于混沌时间序列的Volterra自适应预测法的步骤包括：

a、分析风电场原始数据，根据相空间重构原理，对风电功率时间序列据进行相空间重构，得到重构的相空间；

b、采用K均值聚类算法对重构的相空间的相点进行聚类；

c、基于聚类后的相空间建立局域volterra自适应滤波器模型；

d、采用局域预测法在每类相点中筛选预测点的邻近点；

e、采用邻近点作为局域volterra自适应滤波器模型的训练集，使volterra自适应滤波器模型的预测精度获得提高，并且采用风电场原始数据作为输入，通过volterra自适应滤波器模型进行仿真，获得风电场的短期预测数据。

3.根据权利要求2所述的基于大规模风电并网的可利用传输能力的计算方法，其特征在于，所述步骤b中，采用减聚类方法为K均值聚类提供初始聚类中心和聚类个数。

4.根据权利要求2所述的基于大规模风电并网的可利用传输能力的计算方法，其特征在于，所述步骤d中，对邻近点的选择，采用基于预测点和相点之间的相似度的判据方法，其中，预测点X(p)与相点X(i)间的相似度为：

η(p,i)＝γ₁d(p,i)+γ₂cosθ(p,i)

其中γ₁,γ₂分别为距离指标与演化趋势指标的权重值，且γ₁+γ₂＝1。

5.根据权利要求2所述的基于大规模风电并网的可利用传输能力的计算方法，其特征在于，采用Hannan-Quinn准则对邻近点进行进一步的筛选。

6.根据权利要求2所述的基于大规模风电并网的可利用传输能力的计算方法，其特征在于，还采用Fisher判别法将预测点组成新的相点分配给对应的分类集合。

7.根据权利要求1所述的基于大规模风电并网的可利用传输能力的计算方法，其特征在于，所述步骤3中采用如(程超，李华强，罗小春，唐国栋.可利用传输能力的快速计算[A].电网技术.2009(03):49-52)中记载的一种利用故障过滤技术的可利用传输能力快速计算方法，计算各个并网点在不同时刻到负荷区的可利用传输能力。

8.根据权利要求1所述的基于大规模风电并网的可利用传输能力的计算方法，其特征在于，步骤4中所述的故障概率，包括基于潮流的线路停运模型的故障概率和基于电压的发电停运模型的故障概率。