CN107591800A - 基于场景分析的含分布式电源配电网运行状态预测方法 - Google Patents

Abstract

本发明公开了一种基于场景分析的配电网运行状态预测方法，包括如下步骤：步骤10)获取配电系统网络架构、历史运行信息；步骤20)根据分布式电源历史出力序列，提取分布式电源出力代表性场景序列片段；步骤30)通过历史相似场景匹配，得到未来单时间断面T₀多场景预测结果；步骤40)建立未来多时间断面运行场景树；步骤50)深度遍历未来多时间断面运行场景树中的各场景，针对各场景分别进行配电网潮流分析，计算配电网线路电流越限风险、母线电压越限风险，得到含分布式电源配电网未来运行状态变化趋势。按照该方法进行含分布式电源配电网运行状态预测，通过多场景分析，可以实时预测配电网运行状态的发展态势，及时做出风险预判。

Description

基于场景分析的含分布式电源配电网运行状态预测方法

技术领域

本发明属于配电网态势感知领域，涉及一种配电网运行状态预测方法，更具体地，涉及一种基于场景分析的含分布式电源配电网运行状态预测方法。

背景技术

含分布式电源配电网态势感知是配电系统可靠、经济和安全运行的重要基础。对含分布式电源配电网进行运行状态预测是主动配电网态势感知工作中的核心环节。与传统配电网相比，含分布式电源配电网的典型特征之一是分布式电源的加入使电力系统的不确定性提高，因而计及不确定性的分布式电源出力预测技术是其中的关键。现有的分布式电源出力预测技术，无论是点值预测还是概率预测，其结果均未对分布式电源输出功率的时空关联特征进行描述，此外，概率法需要知道概率分布信息，当概率分布未知或难以用确定的概率分布描述时，概率预测结果会产生偏差。

场景分析是解决随机问题的一种有效方法，通过对可能出现的场景进行模拟将模型中的不确定性因素转变成多个确定性场景问题，降低建模及求解难度。与传统的分布式电源出力预测相比，相较时间序列预测得到的单一预测结果，构建场景树能够提供了多种预想场景；此外，采用场景分析法既可体现系统运行中的不确定性，同时可以反映系统运行的时序特性，将场景分析应用到含分布式电源配电网运行状态预测具有可实施性与有效性，能够充分利用分布式电源历史运行信息和实时运行信息，给配电网态势预测提供新的思路。

发明内容

技术问题：本发明提供一种基于场景分析的含分布式电源配电网运行状态预测方法，通过对分布式电源出力信息进行多时间断面的多场景预测，给出配电网未来两小时的运行状态变化趋势。

技术方案：本发明的基于场景分析的含分布式电源配电网运行状态预测方法，包括如下步骤：

步骤10)获取配电系统网络架构、历史运行信息，所述历史运行信息包括分布式电源历史出力序列、各负荷点历史需求信息；

步骤20)根据分布式电源历史出力序列，提取分布式电源出力代表性场景序列片段；

步骤30)通过计算分布式电源实时出力序列片段与代表性场景序列片段的动态弯曲时间距离进行历史相似场景匹配，得到未来单时间断面T₀的多场景预测结果；

步骤40)根据所述未来单时间断面多场景预测结果，建立未来多时间断面运行场景树；

步骤50)深度遍历未来多时间断面运行场景树中的各场景，针对各场景分别进行配电网潮流分析，计算配电网线路电流越限风险、母线电压越限风险，得到连续时间断面下的线路电流和母线电压越限风险的变化趋势，即为含分布式电源配电网未来运行状态变化趋势。

进一步的，本发明方法中，步骤10)中通过遍历网络进行节点编号，获取各节点类型，分布式电源接入位置，即得到配电系统网络架构。

进一步的，本发明方法中，步骤20)的具体流程如下：

步骤201)根据配电网运行状态预测范围确定需要提取代表性场景序列片段的分布式电源历史出力序列片段，其长度记作L；确定需要的代表性场景序列片段个数M；

步骤202)在分布式电源历史出力序列中截取拟提取代表性场景序列片段的长度为L的时间序列片段，记其数量为N，构成场景集；

步骤203)根据下式计算场景集中每个场景序列片段的出现概率p(c_i)：

式中，c_i表示场景集中的第i个场景序列片段，i为场景序列片段编号；

步骤204)对于每个场景序列片段c_i，根据下式计算其与其他场景序列片段之间的Kantorovich距离，找到距离其最近的场景序列片段并在场景集中标记，形成最小场景距离矩阵KD，KD中对应场景序列片段c_i的矩阵元素KD(i)根据下式计算：

KD(i)＝min{||c_i-c_j||₂，j∈[1，2，3，...N]，j≠i}，i∈[1，2，3，...N]

其中，c_j表示场景集中的第j个场景序列片段，j为场景序列片段编号；

步骤205)对于每个场景序列片段c_i，将其对应的最小场景距离与该场景序列片段的概率相乘，求得场景序列片段c_i对应的最小场景概率距离，并找出场景集中最小概率距离最小的场景序列片段作为被剔除场景序列片段c*，将其从场景集中剔除，被剔除场景序列片段c*为：

c*＝min{KD(i)*p(i)|i∈[1，2，3，...N]}

步骤206)寻找到距离被剔除场景序列片段c*最近的场景序列片段cⁿ，根据下式更新cⁿ的概率p(cⁿ)：

p(cⁿ)＝p(c*)+p(cⁿ)

步骤207)令场景序列片段总数N＝N-1，如果更新后的场景序列片段总数N＝M，则结束步骤20)，否则返回步骤204)。

进一步的，本发明方法中，步骤30)的具体流程如下：

步骤301)基于步骤20)提取的分布式电源出力序列代表性场景序列片段，计算分布式电源实时出力序列与第k个代表性场景序列片段的动态弯曲时间距离DTW_k；

步骤302)取动态弯曲时间距离的倒数并对其进行归一化处理，得到分布式电源实时出力序列与代表性场景序列片段的相似度，将该相似度作为对应预测场景出现的概率，由第k个代表性场景序列及对应的动态弯曲时间距离DTW_k计算分布式电源出力序列的未来预测值F_k，M个未来预测值组成未来单时间断面T₀的多场景预测结果。

进一步的，本发明方法中，步骤40)的具体流程如下：

步骤401)将步骤30)产生的未来单时间断面T₀的多场景预测结果纳入分布式电源实时出力序列，按照与步骤30)相同的方式得到下一时间断面T’＝T₀+Δt的多场景预测结果，共U＝M²个，Δt为预测间隔；

步骤402)针对时间断面T’的多场景预测结果，进行场景削减，设定时间断面T’削减后的场景序列数M’，分别计算U个场景序列之间的Kantorovich距离，形成最小场景距离矩阵KD’，KD’中对应场景序列c_s的矩阵元素KD’(s)根据下式计算：

KD′(s)＝min{||c_s-c_t||₂，t∈[1，2，3，...M²]，t≠s}，s∈[1，2，3，...M²]

其中，c_s和c_t分别表示包含时间断面T预测值F的分布式电源实时出力序列集中的第s和第t个场景序列，s和t为场景序列编号；

步骤403)对于每个场景序列c_s，将其对应的最小场景距离与该场景序列的概率相乘，求得场景序列c_s对应的最小场景概率距离，并找出场景集中最小概率距离最小的场景序列作为被剔除场景序列c^，将其从场景集中剔除，被剔除场景序列c^为：

c^＝min{KD′(s)*p(s)|s∈[1，2，3，...M²]}

寻找到距离被剔除场景序列c^最近的场景序列c^m，根据下式更新c^m的概率p(c^m)：

p(c^m)＝p(c^)+p(c^m)

步骤404)令场景总数U＝U-1，如果更新后的场景总数U＝M’，则进入步骤405)，否则返回步骤402)；

步骤405)如果T’＝T₀+n*Δt，则将各时间断面预测结果依时间先后排列，生成未来多时间断面运行场景树，并结束步骤40)，否则令T＝T’，T’＝T+Δt，M＝M’，返回步骤401)，其中n为需要预测的时间断面个数。

进一步的，本发明方法中，步骤50)中的具体流程如下：

步骤501)深度遍历未来多时间断面运行场景树中的各场景，即在各场景下，将分布式电源预测出力值视为负值负荷，利用前推回代计算配电网潮流，得到各线路电流和母线电压情况；

步骤502)基于潮流计算结果，分别根据以下公式计算各场景下的线路过载值L_OL、线路过载严重度S_OL(C/E)、电压越限值L_OV、母线过压严重度S_OV(C/E)，得到配电网线路电流越限风险OLR、母线电压越限风险OVR：

线路过载值L_OL为：

L_OL＝L-0.8

其中，L表示流过线路的电流占其额定电流的比例；

线路过载严重度为：

线路电流越限风险OLR：

其中，NL为全网线路数。

电压越限值L_OV为：

L_OV＝|1.05-V|

其中，V为节点电压标幺值。

母线过压严重度为：

母线电压越限风险OVR：

其中，NP为全网节点数；

步骤503)将步骤502)计算结果自时间断面T₀至第nn个时间断面依次排列，得到连续时间断面下的线路电流和母线电压越限风险的变化趋势，即为含分布式电源配电网未来运行状态变化趋势。

有益效果：本发明与现有技术相比，具有以下优点：

本发明提出的场景分析方法，充分利用了分布式电源历史出力信息和实时出力信息，给出了未来两小时内的分布式电源出力超短期多场景预测结果，通过构建未来多时间断面运行场景树并对各单一场景进行潮流分析，提供了配电网运行状态的多种发展趋势。与时间序列单场景预测结果相比，本方面提出的方法关注了小概率场景发生的可能性以发生后的配电网运行状态变化趋势，有利于更全面地开展配电网态势感知与风险预警。

附图说明

图1是本发明实施例的方法流程示意图；

图2是接有分布式电源的IEEE-33节点配电系统结构图。

具体实施方式

如图1所示，本发明的一种基于场景分析的含分布式电源配电网运行状态预测方法，图2是接有分布式电源的IEEE-33节点配电系统，给定了网络中平衡节点的电压幅值及相角大小、PQ节点负荷大小、PV节点的电压幅值大小，接入该系统的分布式电源的历史出力信息已知(出力数据五分钟记录一次)。为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行深入地详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定发明。

步骤10)获取配电系统网架结构，遍历网络将节点编号，获取各节点类型，分布式电源接入位置，如图2所示；获取分布式电源历史出力序列、各负荷点历史需求信息。

步骤20)根据分布式电源历史出力序列，提取分布式电源出力代表性场景序列，具体步骤如下：

步骤201)现需预测未来两个小时的配电网运行状态，预测间隔为十五分钟。假设当前时刻为2017年6月1日上午12:00，需要提取代表性场景片段的分布式电源出力序列片段包括历史三年5月15日至6月18日上午10:05-下午14:00的出力信息，每个时间序列片段长度为48；确定需要的代表性场景片段为M＝5个；

步骤202)在分布式电源历史出力序列中截取拟提取代表性场景片段的长度为48的时间序列片段，记其数量N＝105，构成场景集；

步骤203)根据下式计算场景集中每个场景序列片段的出现概率p(c_i)：

式中，c_i表示场景集中的第i个场景序列，i为场景序列编号。

步骤204)对于每个场景序列片段c_i，根据下式计算其与其他场景序列片段之间的Kantorovich距离，找到距离其最近的场景序列片段并在场景集中标记，形成最小场景距离矩阵KD，KD中对应场景序列片段c_i的矩阵元素KD(i)：

KD(i)＝min{||c_i-c_j||₂，j∈[1，2，3，...N]，j≠i}，i∈[1，2，3，...N]

其中，c_j表示场景集中的第j个场景序列片段，j为场景序列片段编号。

步骤205)对于每个场景序列片段c_i，将其对应的最小场景距离与该场景序列片段的概率相乘，求得场景序列片段c_i对应的最小场景概率距离，并找出场景集中最小概率距离最小的场景序列片段作为被剔除场景序列片段c*，将其从场景集中剔除，被剔除场景序列片段c*为：

c*＝min{KD(i)*p(i)|i∈[1，2，3，...N]}

步骤206)寻找到距离被剔除场景序列片段c*最近的场景序列片段cⁿ，根据下式更新cⁿ的概率p(cⁿ)：

p(cⁿ)＝p(c*)+p(cⁿ)

步骤207)令场景序列片段总数N＝N-1，如果更新后的场景序列片段总数N＝M，则结束步骤20)，否则返回步骤204)。

步骤30)，通过计算分布式电源实时出力序列与代表性场景的动态弯曲时间距离进行历史相似场景匹配，得到未来单时间断面多场景预测结果，具体步骤如下：

步骤301)基于步骤20)提取的5个分布式电源出力序列代表性场景序列片段，计算分布式电源实时出力序列R与第k个代表性场景序列片段Q的动态弯曲时间距离DTW_k，具体计算方法如下：

第k个代表性场景序列片段Q长度l＝24(只计算前10:05-12:00的时间序列片段)，分布式电源实时出力序列R长度p＝24，即T＝{t₁，t₂，…，t_l}，R＝{r₁，r₂，…，r_p}。

构造24行24列的距离矩阵A，即

其中，f＝2，3，…，24；g＝2，3，…，24；D(24，24)为距离矩阵A的最小累加值，即为分布式电源实时出力序列R和第k个代表性场景序列片段Q的最短距离DTW_k。

步骤302)取动态弯曲时间距离的倒数并对其进行归一化处理，得到分布式电源实时出力序列与代表性场景序列片段的相似度，将该相似度作为对应预测场景出现的概率，由第k个代表性场景序列及对应的动态弯曲时间距离DTW_k计算分布式电源出力序列中12:15时刻的出力预测值F_k，M个未来预测值组成未来单时间断面(2017年6月1日12:15)多场景预测结果。

步骤40)中，根据多场景预测结果，建立未来多时间断面运行场景树，具体步骤如下：

步骤401)将步骤30)产生的未来单时间断面T＝T₀＝2017年6月1日12:15的多场景预测结果(共5个场景)纳入分布式电源出力序列，重复步骤30)进行下一时间断面T’＝2017年6月1日12:30的多场景预测工作，预测间隔Δt＝15min；

步骤402)针对时间断面2017年6月1日12:30的多场景预测结果，进行场景削减，削减前共有U＝M²＝25个场景，设定削减后场景数为M’＝5。分别计算25个场景序列之间的Kantorovich距离，形成最小场景距离矩阵KD’，KD’中对应场景序列c_s的矩阵元素KD’(s)根据下式计算：

KD′(s)＝min{||c_s-c_t||₂，t∈[1，2，3，...25]，t≠s}，s∈[1，2，3，...25]

其中，c_s和c_t分别表示包含时间断面2017年6月1日12:30的多场景预测结果的分布式电源实时出力序列集中的第s和第t个场景序列，s和t为场景序列编号；。

步骤403)对于每个场景序列c_s，将其对应的最小场景距离与该场景序列的概率相乘，求得场景序列c_s对应的最小场景概率距离，并找出场景集中最小概率距离最小的场景序列作为被剔除场景序列c^，将其从场景集中剔除，被剔除场景序列c^为：

c^＝min{KD′(s)*p(s)|s∈[1，2，3，...M²]}

寻找到距离被剔除场景序列c^最近的场景序列c^m，根据下式更新c^m的概率p(c^m)：

p(c^m)＝p(c^)+p(c^m)

步骤404)令场景总数U＝U-1，如果更新后的场景总数U＝M’，则进入步骤405)，否则返回步骤402)；

步骤405)如果T’＝T₀+8*Δt，则将各时间断面预测结果依时间先后排列，生成未来多时间断面运行场景树，并结束步骤40)，否则令T＝T’，T’＝T+Δt，M＝M’，返回步骤401)。

步骤50)中，深度遍历未来多时间断面运行场景树中的各场景，针对各场景依次进行配电网潮流分析，计算配电网线路电流越限风险、母线电压越限风险，得到连续时间断面下的线路电流和母线电压越限风险的变化趋势，即为含分布式电源配电网未来运行状态变化趋势，具体步骤如下：

步骤501)深度遍历未来多时间断面运行场景树中的各场景，由未来多时间断面运行场景树最后一次预测生成的单时间断面多场景预测值为起点，依次寻找其父节点，即上一时刻的预测值，直至根节点，以此路径反向生成连续时间断面。

在各场景下，将分布式电源预测出力值视为负值负荷，利用前推回代计算配电网潮流，得到各线路电流和母线电压情况；

初始化：给定平衡节点电压，并为全网其他PQ节点赋电压初始值)PV节点赋无功注入初始功率Q_i ⁽⁰⁾。

计算各节点运算功率：

从网络末端开始逐步前推，由节点电压求全网各支路功率分布，前推过程：

从始端出发，逐段回推，由支路功率求各节点电压

利用求得的各节点电压修正PV节点电压和无功功率：

根据收敛判据检查是否收敛，若不满足收敛条件，将各节点电压计算值作为新的初始值代入式(2)开始进入下一次迭代。

步骤502)基于潮流计算结果，计算各场景下的线路过载值L_OL、线路过载严重度S_OL(C/E)、电压越限值L_OV、母线过压严重度S_OV(C/E)，得到配电网线路电流越限风险OLR、母线电压越限风险OVR：

线路过载值L_OL为：

L_OL＝L-0.8

其中，L表示流过线路的电流占其额定电流的比例。

上式反应了单一线路的过载值，在此基础上定义线路过载风险。定义设备过载风险严重度函数S_OL(C/E)。设定流经线路的电流决定线路过载风险严重度。当线路电流小于或者等于额定电流的80％时，S_OL(C/E)取为0；随着流过线路电流的增加，S_OL(C/E)增大，且增加速率变快。

线路过载严重度为：

线路电流越限风险OLR：

其中，NL为全网线路数。

电压越限值L_OV为：

L_OV＝|1.05-V|

其中，V为节点电压标幺值。

上式反应了单一母线的电压越限值，在此基础上定义电压过载风险，评估区域整体的母线过压风险水平。定义母线的电压越限风险严重度函数为S_OV(C/E)。设定当母线电压为1.05p.u.时，严重度函数取值为0；随着电压越限值的增加，节点电压越限风险严重度也增加。

母线过压严重度为：

母线电压越限风险OVR：

其中，NP为全网节点数。

步骤503)将步骤502)计算结果自时间断面T₀至第nn个时间断面依次排列，得到连续时间断面下的线路电流和母线电压越限风险的变化趋势，即为含分布式电源配电网未来运行状态变化趋势。

上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。

Claims (6)

1.一种基于场景分析的含分布式电源配电网运行状态预测方法，其特征在于，该方法包括如下步骤：

步骤10)获取配电系统网络架构、历史运行信息，所述历史运行信息包括分布式电源历史出力序列、各负荷点历史需求信息；

步骤20)根据分布式电源历史出力序列，提取分布式电源出力代表性场景序列片段；

步骤30)通过计算分布式电源实时出力序列片段与代表性场景序列片段的动态弯曲时间距离进行历史相似场景匹配，得到未来单时间断面T₀的多场景预测结果；

步骤40)根据所述未来单时间断面多场景预测结果，建立未来多时间断面运行场景树；

步骤50)深度遍历未来多时间断面运行场景树中的各场景，针对各场景分别进行配电网潮流分析，计算配电网线路电流越限风险、母线电压越限风险，得到连续时间断面下的线路电流和母线电压越限风险的变化趋势，即为含分布式电源配电网未来运行状态变化趋势。

2.根据权利要求1所述的基于场景分析的含分布式电源配电网运行状态预测方法，其特征在于，所述步骤10)中通过遍历网络进行节点编号，获取各节点类型，分布式电源接入位置，即得到配电系统网络架构。

3.根据权利要求1所述的基于场景分析的含分布式电源配电网运行状态预测方法，其特征在于，所述步骤20)的具体流程如下：

步骤201)根据配电网运行状态预测范围确定需要提取代表性场景序列片段的分布式电源历史出力序列片段，其长度记作L；确定需要的代表性场景序列片段个数M；

步骤202)在分布式电源历史出力序列中截取拟提取代表性场景序列片段的长度为L的时间序列片段，记其数量为N，构成场景集；

步骤203)根据下式计算场景集中每个场景序列片段的出现概率p(c_i)：

<mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>c</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>,</mo> <mn>...</mn> <mi>N</mi> </mrow>

式中，c_i表示场景集中的第i个场景序列片段，i为场景序列片段编号；

步骤204)对于每个场景序列片段c_i，根据下式计算其与其他场景序列片段之间的Kantorovich距离，找到距离其最近的场景序列片段并在场景集中标记，形成最小场景距离矩阵KD，KD中对应场景序列片段c_i的矩阵元素KD(i)根据下式计算：

KD(i)＝min{||c_i-c_j||₂，j∈[1，2，3，...N]，j≠i}，i∈[1，2，3，...N]

其中，c_j表示场景集中的第j个场景序列片段，j为场景序列片段编号；

步骤205)对于每个场景序列片段c_i，将其对应的最小场景距离与该场景序列片段的概率相乘，求得场景序列片段c_i对应的最小场景概率距离，并找出场景集中最小概率距离最小的场景序列片段作为被剔除场景序列片段c*，将其从场景集中剔除，被剔除场景序列片段c*为：

c*＝min{KD(i)*p(i)|i∈[1，2，3，...N]}

步骤206)寻找到距离被剔除场景序列片段c*最近的场景序列片段cⁿ，根据下式更新cⁿ的概率p(cⁿ)：

p(cⁿ)＝p(c*)+p(cⁿ)

步骤207)令场景序列片段总数N＝N-1，如果更新后的场景序列片段总数N＝M，则结束步骤20)，否则返回步骤204)。

4.根据权利要求1、2或3所述的基于场景分析的含分布式电源配电网运行状态预测方法，其特征在于，所述步骤30)的具体流程如下：

步骤301)基于步骤20)提取的分布式电源出力序列代表性场景序列片段，计算分布式电源实时出力序列与第k个代表性场景序列片段的动态弯曲时间距离DTW_k；

步骤302)取动态弯曲时间距离的倒数并对其进行归一化处理，得到分布式电源实时出力序列与代表性场景序列片段的相似度，将该相似度作为对应预测场景出现的概率，由第k个代表性场景序列及对应的动态弯曲时间距离DTW_k计算分布式电源出力序列的未来预测值F_k，M个未来预测值组成未来单时间断面T₀的多场景预测结果。

5.根据权利要求1、2或3所述的基于场景分析的含分布式电源配电网运行状态预测方法，其特征在于，所述步骤40)的具体流程如下：

步骤401)将步骤30)产生的未来单时间断面T₀的多场景预测结果纳入分布式电源实时出力序列，按照与步骤30)相同的方式得到下一时间断面T’＝T₀+Δt的多场景预测结果，共U＝M²个，Δt为预测间隔；

步骤402)针对时间断面T’的多场景预测结果，进行场景削减，设定时间断面T’削减后的场景序列数M’，分别计算U个场景序列之间的Kantorovich距离，形成最小场景距离矩阵KD’，KD’中对应场景序列c_s的矩阵元素KD’(s)根据下式计算：

KD′(s)＝min{||c_s-c_t||₂，t∈[1，2，3，...M²]，t≠s}，s∈[1，2，3，...M²]

其中，c_s和c_t分别表示包含时间断面T预测值F的分布式电源实时出力序列集中的第s和第t个场景序列，s和t为场景序列编号；

步骤403)对于每个场景序列c_s，将其对应的最小场景距离与该场景序列的概率相乘，求得场景序列c_s对应的最小场景概率距离，并找出场景集中最小概率距离最小的场景序列作为被剔除场景序列c^，将其从场景集中剔除，被剔除场景序列c^为：

c^＝min{KD′(s)*p(s)|s∈[1，2，3，...M²]}

寻找到距离被剔除场景序列c^最近的场景序列c^m，根据下式更新c^m的概率p(c^m)：

p(c^m)＝p(c^)+p(c^m)

步骤404)令场景总数U＝U-1，如果更新后的场景总数U＝M’，则进入步骤405)，否则返回步骤402)；

步骤405)如果T’＝T₀+n*Δt，则将各时间断面预测结果依时间先后排列，生成未来多时间断面运行场景树，并结束步骤40)，否则令T＝T’，T’＝T+Δt，M＝M’，返回步骤401)，其中n为需要预测的时间断面个数。

6.根据权利要求1、2或3所述的基于场景分析的含分布式电源配电网运行状态预测方法，其特征在于，所述步骤50)中的具体流程如下：

步骤501)深度遍历未来多时间断面运行场景树中的各场景，即在各场景下，将分布式电源预测出力值视为负值负荷，利用前推回代计算配电网潮流，得到各线路电流和母线电压情况；

步骤502)基于潮流计算结果，分别根据以下公式计算各场景下的线路过载值L_OL、线路过载严重度S_OL(C/E)、电压越限值L_OV、母线过压严重度S_OV(C/E)，得到配电网线路电流越限风险OLR、母线电压越限风险OVR：

线路过载值L_OL为：

L_OL＝L-0.8

其中，L表示流过线路的电流占其额定电流的比例；

线路过载严重度为：

<mrow> <msub> <mi>S</mi> <mrow> <mi>O</mi> <mi>L</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>C</mi> <mo>/</mo> <mi>E</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>e</mi> <msub> <mi>L</mi> <mrow> <mi>O</mi> <mi>L</mi> </mrow> </msub> </msup> <mo>-</mo> <mn>1</mn> </mrow>

线路电流越限风险OLR：

<mrow> <mi>O</mi> <mi>L</mi> <mi>R</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mi>L</mi> </mrow> </munderover> <msub> <mi>S</mi> <mrow> <mi>O</mi> <mi>L</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>C</mi> <mo>/</mo> <mi>E</mi> <mo>)</mo> </mrow> </mrow>

其中，NL为全网线路数。

电压越限值L_OV为：

L_OV＝|1.05-V|

其中，V为节点电压标幺值。

母线过压严重度为：

<mrow> <msub> <mi>S</mi> <mrow> <mi>O</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>C</mi> <mo>/</mo> <mi>E</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>e</mi> <msub> <mi>L</mi> <mrow> <mi>O</mi> <mi>V</mi> </mrow> </msub> </msup> <mo>-</mo> <mn>1</mn> </mrow>

母线电压越限风险OVR：

<mrow> <mi>O</mi> <mi>V</mi> <mi>R</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mi>P</mi> </mrow> </munderover> <msub> <mi>S</mi> <mrow> <mi>O</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>C</mi> <mo>/</mo> <mi>E</mi> <mo>)</mo> </mrow> </mrow>

其中，NP为全网节点数；

步骤503)将步骤502)计算结果自时间断面T₀至第nn个时间断面依次排列，得到连续时间断面下的线路电流和母线电压越限风险的变化趋势，即为含分布式电源配电网未来运行状态变化趋势。