CN108471133A - 基于两阶段随机模糊模拟的配电网随机模糊潮流算法 - Google Patents

Abstract

本发明公开了基于两阶段随机模糊模拟的配电网随机模糊潮流算法，属于电力系统不确定潮流计算领域，本方法考虑了风电出力、光伏出力及负荷需求的随机和模糊两种不确定性对网络状态变量的影响。首先建立风电出力、光伏出力和负荷需求的随机模糊不确定性模型，然后通过两阶段随机模糊模拟技术得到系统电压和功率的分布特征模型。其中，随机模拟阶段利用了多点估计技术，模糊阶段利用了模糊模拟技术，提高了算法的计算效率。本发明能够同时考虑系统中随机和模糊两种不确定性的影响，能够适应更多的系统环境并与系统稳定控制等算法兼容。

Description

基于两阶段随机模糊模拟的配电网随机模糊潮流算法

技术领域

本发明属于配电网接入风电和光伏等新能源潮流计算领域，提出了基于两阶段随机模糊模拟的配电网随机模糊潮流算法。

背景技术

潮流计算是电力系统稳定计算、安全运行、可靠性规划的基础计算和基础。潮流计算的结果好坏将直接影响电力系统规划设计和安全运行。随着风电光伏等不确定性新能源的接入配电网日益增多，将给配电网的运行带来不确定性，特别是对节点电压质量的影响。这些不确定性通常包含有随机和模糊两种特性。

计及电源出力的随机性，国内外通常采用随机潮流，常见的做法有蒙特卡洛法、半不变量法和点估计法，这些算法中蒙特卡诺法需要大量采样，导致计算效率极低；半不变量法需要对潮流方程线性化出力，结果不够准确；点估计法利用少数点代替多数点，只需要计算少量的潮流计算即可得到所需的结果，是一种高效的算法。当计及电源出力的模糊性，采用的是模糊数学的处理方式。这两种潮流计算通常是分开讨论计算的，并不能应对电源出力同时存在随机性和模糊性的潮流计算。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种基于两阶段随机模糊模拟的配电网随机模糊潮流算法，利用两阶段随机模糊得到含有随机性和模糊性影响因素的配电网的潮流以及各种网络变量的分布情况，以利于电力系统规划设计和安全运行。

为了实现上述目的，本发明的技术方案是：

基于两阶段随机模糊模拟的配电网随机模糊潮流算法，包括如下步骤：

S1、根据风速、光照强度以及负荷的历史数据建立其随机模糊模型；

S2、根据步骤S1建立的随机模糊模型来建立风电、光伏出力和负荷需求的随机模糊不确定模型；

S3、对步骤S2建立的随机模糊不确定模型进行随机模糊模拟，该随机模糊模拟包括两个阶段，分别为随机模糊阶段和模糊模拟阶段；

S4、建立输出变量的随机模糊模型，输出变量包括节点电压幅值、节点电压相角、线路有功功率、线路无功功率的随机模糊期望值和随机模糊标准差。

具体地，在步骤S1中，风速和光照强度分别采用威布尔分布函数和beta分布函数来拟合其分布规律，具体为：

根据在一段时间内风速的历史数据拟合得到两参数威布尔函数，其参数的范围作为风速随机模糊模型的模糊数的起始点参考值；

根据一段时间内的光照历史数据用beta函数拟合，其函数参数的范围作为光照随机模糊模型的模糊数的起始点参考值。

在步骤S2中，风电出力的随机模糊不确定模型由风速的随机模糊模型与风机出力-风速函数结合得到；光伏出力的随机模糊不确定模型由光照的随机模糊模型和光伏出力-光照函数结合得到；风电出力的随机模糊不确定模型如下：

风速的随机模糊模型和风机出力-风速函数分别为：

式中，P_w和P_rw分别是风机出力和风机额定出力；v为风速；v_i,v_r和v_o分别为切入，额定和切出风速；ξ_k和ξ_c是形状和尺度参数，皆为三角模糊数；k₁和k₂分别计算如下：

光伏出力的随机模糊不确定模型：

光照的随机模糊模型和光伏出力-风速函数分别为：

P_M＝rAη

式中，r和r_max分别是实际和最大的太阳辐照度；A表示光伏组件的面积；η是光伏的转换效率；R_M是光伏最大有功出力；P_M是光伏出力；ξ_a和ξ_b是伽马分布函数的参数，为三角模糊数；Γ表示伽马函数。

在步骤S4中，随机模糊阶段具体包括如下步骤：

通过下面的公式得到每个输入变量的三个估计点：

x_l,k＝μ_l+ξ_l,kσ_l

其中，μ_l和σ_l分别是随机输入变量x_l的均值和标准差；m为输入变量的个数，l为第l个变量；k为每个随机输入变量取的第k个点；ξ_l,k和w_l,k是标准位置系数和权重系数，计算公式如下：

λ_l,3和λ_l,4分别为随机变量x_l的偏度和峰度系数，计算公式如下：

当所有估计点取好之后，对2m+1个组合进行计算，计算公式如下：

Z(l,k)＝f(μ₁,μ₂,...,x_k,…μ_m)k＝1,2

Z(l,3)＝f(μ₁,μ₂,…,μ_k,…μ_m)

其中，f()为目标函数计算式；

最后利用权重系数计算得到输出变量的各阶矩，计算公式如下：

得到输出变量的随机期望值；

模糊模拟阶段包括如下步骤：

(1)设置e＝1，样本数i＝1；

(2)随机抽取风电出力、光伏出力和负荷需求的随机模糊不确定模型的模糊数的样本作为威布尔、beta和正态随机分布函数的参数，得到输入变量的随机分布函数；(3)进行N次随机潮流计算；

(4)取a＝min_1≤i≤NE_pro(Z_l)，b＝max_1≤i≤NE_pro(Z_l)；

(5)设置w＝1；

(6)随机产生r_w∈(a,b)；

(7)若r_w≥0,e＝e+Cr{θ∈Θ|(E_pro(Z_l))≥r_w}，若r_w＜0,e＝e-Cr{θ∈Θ|(E_pro(Z_l))≤r_w}

(8)w＝w+1；重复N次；

(9)

本发明与现有技术相比，其有益效果在于：

本发明首先建立风电出力、光伏出力和负荷需求的随机模糊不确定性模型，然后通过两阶段随机模糊模拟技术得到系统电压和功率的分布特征模型。其中，随机模拟阶段利用了多点估计技术，模糊阶段利用了模糊模拟技术，提高了算法的计算效率。本发明能够同时考虑系统中随机和模糊两种不确定性的影响，能够适应更多的系统环境并与系统稳定控制等算法兼容，从而利于电力系统规划设计和安全运行。

附图说明

图1是风电出力、光伏出力和负荷需求的随机模糊不确定模型的示意图；

图2是随机潮流计算流程图；

图3是随机模糊潮流计算流程图。

具体实施方式

下面结合附图和具体实施方式对本发明的内容做进一步详细说明。

实施例：

本发明实施例提供的基于两阶段随机模糊模拟的配电网随机模糊潮流算法具体包括如下步骤：

S1、根据风速、光照强度以及负荷的历史数据建立其随机模糊模型；

其中，风速和光照强度分别采用威布尔分布函数和beta分布函数来拟合其分布规律，具体为：

根据在一段时间内风速的历史数据拟合得到两参数威布尔函数，其参数的范围作为风速随机模糊模型的模糊数的起始点参考值；

根据一段时间内的光照历史数据用beta函数拟合，其函数参数的范围作为光照随机模糊模型的模糊数的起始点参考值。

S2、根据步骤S1建立的随机模糊模型来建立风电、光伏出力和负荷需求的随机模糊不确定模型，具体如图1所示；

由于天气、测量仪器的精度等因素的影响，在一段时间内，难以用单一的随机分布函数来描述风速和光照强度的分布规律，因此，本步骤在步骤S1的基础上在进行模糊数学描述，具体为：风电出力的随机模糊不确定模型由风速的随机模糊模型与风机出力-风速函数结合得到；光伏出力的随机模糊不确定模型由光照的随机模糊模型和光伏出力-光照函数结合得到；风电出力的随机模糊不确定模型如下：

风速的随机模糊模型和风机出力-风速函数分别为：

式中，P_w和P_rw分别是风机出力和风机额定出力；v为风速；v_i,v_r和v_o分别为切入，额定和切出风速；ξ_k和ξ_c是形状和尺度参数，皆为三角模糊数；k₁和k₂分别计算如下：

光伏出力的随机模糊不确定模型：

光照的随机模糊模型和光伏出力-风速函数分别为：

P_M＝rAη

式中，r和r_max分别是实际和最大的太阳辐照度；A表示光伏组件的面积；η是光伏的转换效率；R_M是光伏最大有功出力；P_M是光伏出力；ξ_a和ξ_b是伽马分布函数的参数，为三角模糊数；Γ表示伽马函数。

S3、对步骤S2建立的随机模糊不确定模型进行随机模糊模拟，包括两个阶段，分别为随机模糊阶段和模糊模拟阶段；该随机模糊模拟就是将随机模拟嵌入到模糊模拟当中。

如图2所示，该随机模糊阶段进行进行随机潮流计算，并采用2m+1点估计法；2m+1点估计法是一种概率统计方法，它能够通过已知变量的概率分布，求得输出随机变量的各阶矩。对于一个有m各输入随机变量的函数，在每个随机变量上取三个估计点，对于取到的每一个估计点，其他随机变量保持期望值，这样就组成3m个组合中，有m个组合是重复的，因此只需要对2m+1个组合进行计算。因此，在本实施例中，随机模糊阶段具体包括如下步骤：

通过下面的公式得到每个输入变量的三个估计点；

x_l,k＝μ_l+ξ_l,kσ_l

其中，μ_l和σ_l分别是随机输入变量x_l的均值和标准差；m为输入变量的个数，l为第l个变量；k为每个随机输入变量取的第k个点；ξ_l,k和w_l,k是标准位置系数和权重系数，计算公式如下：

λ_l,3和λ_l,4分别为随机变量x_l的偏度和峰度系数，计算公式如下：

当所有估计点取好之后，对2m+1个组合进行计算，计算公式如下：

Z(l,k)＝f(μ₁,μ₂,…,x_k,…μ_m)k＝1,2

Z(l,3)＝f(μ₁,μ₂,…,μ_k,…μ_m)

其中，f()为目标函数计算式；

最后利用权重系数计算得到输出变量的各阶矩，计算公式如下：

得到输出变量的随机期望值；

而该模糊模拟阶段则如图3所示，具体包括如下步骤：

(1)设置e＝1，样本数i＝1；

(2)随机抽取模糊数的样本作为随机分布函数的参数，得到输入变量的随机分布函数；

(3)进行N次随机潮流计算；

(4)取a＝min_1≤i≤NE_pro(Z_l)，b＝max_1≤i≤NE_pro(Z_l)；

(5)设置w＝1；

(6)随机产生r_w∈(a,b)；

(7)若r_w≥0,e＝e+Cr{θ∈Θ|(E_pro(Z_l))≥r_w}，若r_w＜0,e＝e-Cr{θ∈Θ|(E_pro(Z_l))≤r_w}

(8)w＝w+1；重复N次；

(9)

S4、经过步骤S3的随机模糊处理之后，则可以得到节点电压幅值、节点电压相角、线路有功功率、线路无功功率的各阶矩，然后计算可以得到这些状态变量的随机模糊期望值和随机模糊标准差，以此作为正态分布函数的参数，用该正态分布函数表征网络状态变量受随机模糊不确定影响下的分布情况。

由此可知，本实施例提供的方法首先建立风电出力、光伏出力和负荷需求的随机模糊不确定性模型，然后通过两阶段随机模糊模拟技术得到系统电压和功率的分布特征模型。其中，随机模拟阶段利用了多点估计技术，模糊阶段利用了模糊模拟技术，提高了算法的计算效率。本发明能够同时考虑系统中随机和模糊两种不确定性的影响，能够适应更多的系统环境并与系统稳定控制等算法兼容，从而利于电力系统规划设计和安全运行。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (4)

1.基于两阶段随机模糊模拟的配电网随机模糊潮流算法，其特征在于，包括如下步骤：

S1、根据风速、光照强度以及负荷的历史数据建立其随机模糊模型；

S2、根据步骤S1建立的随机模糊模型来建立风电、光伏出力和负荷需求的随机模糊不确定模型；

S3、对步骤S2建立的随机模糊不确定模型进行随机模糊模拟，该随机模糊模拟包括两个阶段，分别为随机模糊阶段和模糊模拟阶段；

S4、建立输出变量的随机模糊模型，输出变量包括节点电压幅值、节点电压相角、线路有功功率、线路无功功率的随机模糊期望值和随机模糊标准差。

2.如权利要求1所述的基于两阶段随机模糊模拟的配电网随机模糊潮流算法，其特征在于，在步骤S1中，风速和光照强度分别采用威布尔分布函数和beta分布函数来拟合其分布规律，具体为：

根据在一段时间内风速的历史数据拟合得到两参数威布尔函数，其参数的范围作为风速随机模糊模型的模糊数的起始点参考值；

根据一段时间内的光照历史数据用beta函数拟合，其函数参数的范围作为光照随机模糊模型的模糊数的起始点参考值。

3.如权利要求1或2所述的基于两阶段随机模糊模拟的配电网随机模糊潮流算法，其特征在于，在步骤S2中，风电出力的随机模糊不确定模型由风速的随机模糊模型与风机出力-风速函数结合得到；光伏出力的随机模糊不确定模型由光照的随机模糊模型和光伏出力-光照函数结合得到；风电出力的随机模糊不确定模型如下：

风速的随机模糊模型和风机出力-风速函数分别为：

式中，P_w和P_rw分别是风机出力和风机额定出力；v为风速；v_i,v_r和v_o分别为切入，额定和切出风速；ξ_k和ξ_c是形状和尺度参数，皆为三角模糊数；k₁和k₂分别计算如下：

光伏出力的随机模糊不确定模型：

光照的随机模糊模型和光伏出力-风速函数分别为：

P_M＝rAη

式中，r和r_max分别是实际和最大的太阳辐照度；A表示光伏组件的面积；η是光伏的转换效率；R_M是光伏最大有功出力；P_M是光伏出力；ξ_a和ξ_b是伽马分布函数的参数，为三角模糊数；Γ表示伽马函数。

4.如权利要求1或2所述的基于两阶段随机模糊模拟的配电网随机模糊潮流算法，其特征在于，在步骤S4中，随机模糊阶段具体包括如下步骤：

通过下面的公式得到每个输入变量的三个估计点：

x_l,k＝μ_l+ξ_l,kσ_l

其中，μ_l和σ_l分别是随机输入变量x_l的均值和标准差；m为输入变量的个数，l为第l个变量；k为每个随机输入变量取的第k个点；ξ_l,k和w_l,k是标准位置系数和权重系数，计算公式如下：

λ_l,3和λ_l,4分别为随机变量x_l的偏度和峰度系数，计算公式如下：

当所有估计点取好之后，对2m+1个组合进行计算，计算公式如下：

Z(l,k)＝f(μ₁,μ₂,...,x_k,...μ_m)k＝1,2

Z(l,3)＝f(μ₁,μ₂,...,μ_k,...μ_m)

其中，f()为目标函数计算式；

最后利用权重系数计算得到输出变量的各阶矩，计算公式如下：

得到输出变量的随机期望值；

模糊模拟阶段包括如下步骤：

(1)设置e＝1，样本数i＝1；

(2)随机抽取风电出力、光伏出力和负荷需求的随机模糊不确定模型的模糊数的样本作为威布尔、beta和正态随机分布函数的参数，得到输入变量的随机分布函数；(3)进行N次随机潮流计算；

(4)取a＝min_1≤i≤NE_pro(Z_l)，b＝max_1≤i≤NE_pro(Z_l)；

(5)设置w＝1；

(6)随机产生r_w∈(a,b)；

(7)若r_w≥0,e＝e+Cr{θ∈Θ|(E_pro(Z_l))≥r_w}，若r_w＜0,e＝e-Cr{θ∈Θ|(E_pro(Z_l))≤r_w}

(8)w＝w+1；重复N次；

(9)