CN109376494A - 一种基于电力系统的概率潮流确定方法及系统 - Google Patents

一种基于电力系统的概率潮流确定方法及系统 Download PDF

Info

Publication number
CN109376494A
CN109376494A CN201811543658.1A CN201811543658A CN109376494A CN 109376494 A CN109376494 A CN 109376494A CN 201811543658 A CN201811543658 A CN 201811543658A CN 109376494 A CN109376494 A CN 109376494A
Authority
CN
China
Prior art keywords
gauss
hybrid models
input variable
equation
individual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811543658.1A
Other languages
English (en)
Other versions
CN109376494B (zh
Inventor
王彤
相禹维
宓登凯
王增平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201811543658.1A priority Critical patent/CN109376494B/zh
Publication of CN109376494A publication Critical patent/CN109376494A/zh
Application granted granted Critical
Publication of CN109376494B publication Critical patent/CN109376494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明公开一种基于电力系统的概率潮流确定方法及系统。该方法包括：获取多个风力发电机的功率数据；根据所有风力发电机的功率数据构建电力系统的输入变量的高斯混合模型；采用遗传算法求解高斯混合模型中的参数；参数包括每个高斯子成分的权重系数、每个高斯子成分的均值和每个高斯子成分的方差；根据参数确定输入变量的高斯混合模型；获取潮流方程的线性方程模型；根据输入变量的高斯混合模型和潮流方程的线性方程模型，获得电力系统的输出变量的联合概率密度函数，以确定电力系统的概率潮流。本发明可以极大地减小拟合误差，对风机出力拟合效果好，从而提高概率潮流的分析精度，对线路的稳定性分析更准确，且整个过程简单，计算速度快。

Description

一种基于电力系统的概率潮流确定方法及系统
技术领域
本发明涉及电力系统领域，特别是涉及一种基于电力系统的概率潮流确定方法及系统。
背景技术
目前已有大规模的以风、光为代表的新能源接入电网，如何描述这些新能源的功率波动特性是近年来的难点。
很多学者将风功率波动特性利用韦布尔(Weibull)分布拟合，将光伏功率波动特性利用贝塔(Beta)分布拟合，由于新能源功率波动大，随机性强，这些单一的分布模型无法很好的拟合这些波动特性，且这些单一模型的拟合精度并不是很高，因此考虑利用多分布模型拟合。
高斯混合模型(GMM)即为一种多分布模型，可以很好的拟合这些波动特性，然而传统的GMM是利用最大期望算法建模的，这种算法收敛性差，使得模型精度低。对风功率波动特性的拟合结果可用于解析概率潮流分析中，进而对电力系统的稳定性进行分析。传统的方法解决概率潮流问题时精度低、适应性差，而引入遗传算法求解GMM的参数可以很好的避免此类问题，提高模型的精度，且计算精度高，速度快，非常适合大型电力系统的概率潮流计算
发明内容
本发明的目的是提供一种基于电力系统的概率潮流确定方法及系统，以提高概率潮流的计算精度和计算效率。
为实现上述目的，本发明提供了如下方案：
一种基于电力系统的概率潮流确定方法，包括：
获取多个风力发电机的功率数据；
根据所有风力发电机的功率数据构建电力系统的输入变量的高斯混合模型；所述输入变量的高斯混合模型为多个高斯子成分的高斯混合模型；
采用遗传算法求解所述输入变量的高斯混合模型中的参数；所述参数包括每个高斯子成分的权重系数、每个高斯子成分的均值和每个高斯子成分的方差；
根据所述参数确定所述输入变量的高斯混合模型；
获取潮流方程的线性方程模型；
根据所述输入变量的高斯混合模型和所述潮流方程的线性方程模型，获得所述电力系统的输出变量的联合概率密度函数，以确定电力系统的概率潮流。
可选的，构建的所述输入变量的高斯混合模型为其中，ai为第i个高斯子成分的权重系数，μi为第i个高斯子成分的均值，Σi为第i个高斯子成分的方差，n为高斯子成分的个数，x为所有风力发电机的功率数据，即所述电力系统的输入变量，M为风力发电机的个数。
可选的，所述采用遗传算法求解所述输入变量的高斯混合模型中的参数，具体包括：
构建所述输入变量的高斯混合模型的似然函数；
获取所述参数的初始种群和最大迭代次数，所述初始种群中的个体为所述参数的赋值；
对于每次迭代，根据所述似然函数确定当前迭代中每个个体的适应度；
对所有个体的适应度排序；
判断当前迭代次数是否到达最大迭代次数，得到第一判断结果；
当第一判断结果表示当前迭代次数到达最大迭代次数时，将数值最大的适应度对应的个体确定为本次迭代的最优解；
将本次迭代的最优解确定为所述输入变量的高斯混合模型中的参数；
当第一判断结果表示当前迭代次数未到达最大迭代次数时，获取当前种群中的多个候选个体；所述候选个体的适应度大于所述当前种群中其他个体的适应度；
对当前种群中的所有个体进行单点交叉，得到交叉后的个体；
对交叉后的个体进行变异操作，得到更新后的个体；
将所有候选个体与所述更新后的个体合并，生成下一代种群；
迭代次数加1，返回“根据所述似然函数确定当前迭代中个体的适应度”步骤，进入下一次迭代。
可选的，所述获取潮流方程的线性方程模型，具体包括：
获取潮流方程，所述潮流方程为非线性方程；
将所述潮流方程在基准运行点处按泰勒级数展开，去掉2次及以上的高次项，得到潮流方程的线性方程模型。
可选的，所述根据所述输入变量的高斯混合模型和所述潮流方程的线性方程模型，获得所述电力系统的输出变量的联合概率密度函数，具体包括：
根据所述输入变量的高斯混合模型，对输入变量的概率密度函数在潮流方程的区间上积分，得到所述输出变量的联合概率分布函数；
对所述输出变量的联合概率分布函数求微分，获得所述输出变量的的联合概率密度函数。
本发明还提供一种基于电力系统的概率潮流确定系统，包括：
功率数据获取模块，用于获取多个风力发电机的功率数据；
输入变量的高斯混合模型获取模块，用于根据所有风力发电机的功率数据构建电力系统的输入变量的高斯混合模型；所述输入变量的高斯混合模型为多个高斯子成分的高斯混合模型；
参数求解模块，用于采用遗传算法求解所述输入变量的高斯混合模型中的参数；所述参数包括每个高斯子成分的权重系数、每个高斯子成分的均值和每个高斯子成分的方差；
输入变量的高斯混合模型确定模块，用于根据所述参数确定所述输入变量的高斯混合模型；
线性方程模型获取模块，用于获取潮流方程的线性方程模型；
概率密度函数获取模块，用于根据所述输入变量的高斯混合模型和所述潮流方程的线性方程模型，获得所述电力系统的输出变量的联合概率密度函数，以确定电力系统的概率潮流。
可选的，所述输入变量的高斯混合模型获取模块构建的高斯混合模型为其中，ai为第i个高斯子成分的权重系数，μi为第i个高斯子成分的均值、Σi为第i个高斯子成分的方差，n为高斯子成分的个数，x为所有风力发电机的功率数据，即所述电力系统的输入变量，M为风力发电机的个数。
可选的，所述参数求解模块，具体包括：
似然函数构建单元，用于构建所述输入变量的高斯混合模型的似然函数；
初始化单元，用于获取所述参数的初始种群和最大迭代次数，所述初始种群中的个体为所述参数的赋值；
适应度确定单元，用于对于每次迭代，根据所述似然函数确定当前迭代中每个个体的适应度；
排序单元，用于对所有个体的适应度排序；
第一判断单元，用于判断当前迭代次数是否到达最大迭代次数，得到第一判断结果；
最优解确定单元，用于当第一判断结果表示当前迭代次数到达最大迭代次数时，将数值最大的适应度对应的个体确定为本次迭代的最优解；
参数确定单元，用于将本次迭代的最优解确定为所述输入变量的高斯混合模型中的参数；
候选个体获取单元，用于当第一判断结果表示当前迭代次数未到达最大迭代次数时，获取当前种群中的多个候选个体；所述候选个体的适应度大于所述当前种群中其他个体的适应度；
交叉单元，用于对当前种群中的所有个体进行单点交叉，得到交叉后的个体；
变异单元，用于对交叉后的个体进行变异操作，得到更新后的个体；
下一代种群生成单元，用于将所有候选个体与所述更新后的个体合并，生成下一代种群；
返回单元，用于将迭代次数加1，返回“根据所述似然函数确定当前迭代中个体的适应度”步骤，进入下一次迭代。
可选的，所述线性方程模型获取模块，具体包括：
潮流方程获取单元，用于获取潮流方程，所述潮流方程为非线性方程；
线性方程模型获取单元，用于将所述潮流方程在基准运行点处按泰勒级数展开，去掉2次及以上的高次项，得到潮流方程的线性方程模型。
可选的，概率密度函数获取模块，具体包括：
积分单元，用于对所述输入变量高斯混合模型的概率密度函数在潮流方程的区间上积分，得到所述输出变量的的联合概率分布函数；
微分单元，用于对所述输出变量的概率联合分布函数求微分，获得所述输出变量的联合概率密度函数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明采用的高斯混合模型可以更精确的拟合风机的出力，极大地减小拟合误差，对风机出力拟合效果好，从而提高概率潮流的分析精度，对线路的稳定性分析更准确。采用遗传算法(GA)对输入变量的高斯混合模型中的参数进行求解，受初始值影响较小，拥有交叉和变异的算子可以很好的平衡全局搜索和局部搜索能力，因此更易收敛于全局最优解，提高了模型的精度。本发明的整个过程简单，计算速度快。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于电力系统的概率潮流确定方法的流程示意图；
图2为本发明基于电力系统的概率潮流确定系统的结构示意图；
图3为本发明实施例1的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于电力系统的概率潮流确定方法的流程示意图。如图1所示，包括以下步骤：
步骤100：获取多个风力发电机的功率数据。利用PMU在发电机端口处以十分钟作为采样间隔量测实际输出功率，以获得多个风力发电机的出力，即功率数据。
步骤200：根据所有风力发电机的功率数据构建电力系统的输入变量的高斯混合模型。输入变量的高斯混合模型(GMM)是将多个具有不同权重、均值和方差的高斯概率密度函数叠加：
其中，x是电力系统的输入变量，在本方法代表新能源发电系统的输出功率，即所有风力发电机的功率数据，也是系统的注入功率；ai是第i个高斯子成分的权重系数，范围是[0,1]，μi为第i个高斯子成分的均值、Σi为第i个高斯子成分的方差，n为高斯子成分的个数，M为风力发电机的个数。GMM的待求参数是ai、μi、σi。
步骤300：采用遗传算法求解输入变量的高斯混合模型中的参数。所述参数包括每个高斯子成分的权重系数、每个高斯子成分的均值和每个高斯子成分的方差。传统求GMM的参数方法是最大期望(EM)算法，EM算法受初始值影响较大，收敛性差，本方法利用遗传算法(GA)更利于得到全局最优解，使确定的高斯混合模型更精确。具体过程如下：
(1)构建所述输入变量的高斯混合模型的似然函数。
将获取的多个风力发电机的功率数据化为标幺值，作为似然函数的观测值X＝{x1,…,xm}，例如，样本容量为2000。
其中，B代表有功率数据的样本容量，对式(2)取对数得：
式(3)就是似然函数，xj是观测值，待求参数是ai和θi，
(2)获取所述参数的初始种群和最大迭代次数。例如，随机生成规模为50的初始种群，最大迭代次数Genmax为1000。
(3)对初始种群中的个体进行二进制编码。使用遗传算法求解式(3)的极大值，首先需对个体进行二进制编码。即把每个个体利用二进制表示。
(4)对于每次迭代，根据所述似然函数确定当前迭代中每个个体的适应度。由于对式(3)求解最优，所以将式(3)所示的似然函数作为遗传算法的适应度函数，根据适应度函数计算当前迭代中每个个体的适应度。
(5)判断当前迭代次数是否到达最大迭代次数，得到第一判断结果；如果是，执行步骤(6)，如果否，执行步骤(8)-(12)。
(6)确定本次迭代的最优解。将本次迭代中数值最高的适应度对应的个体确定为本次迭代的最优解，也是全局最优解。
(7)将本次迭代的最优解确定为所述输入变量的高斯混合模型中的参数，迭代停止。
(8)在每次迭代中根据个体适应度的计算，保留适应度较高的个体作为候选个体遗传值下一代种群中，候选个体的适应度大于当前种群中其他个体的适应度。例如，种群规模为50，则选择25个适应度较高的个体作为候选个体。
(9)对当前种群中的所有个体进行单点交叉，得到交叉后的个体。例如，种群规模为50，此时得到25个交叉后的个体。具体操作过程是：
先对种群中所有个体进行随机配对；
其次随机设置交叉点位置；
最后再相互交换配对染色体之间的部分基因。
(10)对交叉后的个体进行变异操作，得到更新后的个体。将部分个体进行变异操作，变异时随机选取需变异的基因(由于应用二进制编码的方式，只需将染色体上的基因取反)。
(11)将步骤(8)选择的候选个体和步骤(10)得到的更新后的个体合并，则生成下一代种群。
(12)迭代次数加1，返回步骤(4)，进入下一次迭代。
步骤400：根据参数确定输入变量的高斯混合模型。根据求解的参数以及构建的输入变量的高斯混合模型，即可确定输入变量的高斯混合模型的具体函数表达式。
确定了输入变量的高斯混合模型的函数表达式，即可对该地区的风力发电机实际的风功率波动特性进行拟合。
步骤500：获取潮流方程的线性方程模型。具体过程如下：
首先，获取潮流方程，所述潮流方程为非线性方程；
然后，将所述潮流方程在基准运行点处按泰勒级数展开，去掉2次及以上的高次项，得到潮流方程的线性方程模型：y＝C+Ax；
其中C和A是利用泰勒级数展开后得到的参数矩阵，x即为输入变量；y是输出变量，在本方法是线路功率，线性化的潮流方程就是得到支路功率和输入功率之间的线性关系。
步骤600：根据输入变量的高斯混合模型和潮流方程的线性方程模型，获得电力系统的输出变量的联合概率密度函数，以确定电力系统的概率潮流。具体过程如下：
(1)根据所述输入变量的高斯混合模型，对所述输入变量的概率密度函数在潮流方程的区间上积分，积分区间是C+Ax≤Y，得到所述输出变量的联合概率分布函数：
式(8)的积分区间是C+Ax≤Y，是线性化的潮流方程，式中Gi(x)为输入变量的高斯混合模型的第i个高斯子成分的概率密度函数，
此处，可以采用另外一种方式获得输出变量的联合概率分布函数：
首先，根据输入变量的高斯混合模型的第i个高斯子成分和所述潮流方程的线性方程模型，获得输出变量的高斯混合模型中的第i个高斯子成分的概率密度函数：
然后，根据输出变量的所有高斯子成分的概率密度函数和所述潮流方程的线性方程模型，获得输出变量的联合分布概率分布函数：其中K为传输线路的个数。
因此，式(8)可以变形为：
(2)对所述输出变量的联合概率分布函数求微分，获得所述输出变量的联合概率密度函数。
对上式(9)求微分，可以求得输出变量y的联合概率密度函数：
图2为本发明基于电力系统的概率潮流确定系统的结构示意图。如图2所示，包括：
功率数据获取模块201，用于获取多个风力发电机的功率数据；
输入变量的高斯混合模型获取模块202，用于根据所有风力发电机的功率数据构建电力系统的输入变量的高斯混合模型；所述输入变量的高斯混合模型为多个高斯子成分的高斯混合模型；
参数求解模块203，用于采用遗传算法求解所述输入变量的高斯混合模型中的参数；所述参数包括每个高斯子成分的权重系数、每个高斯子成分的均值和每个高斯子成分的方差；
输入变量的高斯混合模型确定模块204，用于根据所述参数确定所述输入变量的高斯混合模型；
线性方程模型获取模块205，用于获取潮流方程的线性方程模型；
概率密度函数获取模块206，用于根据所述输入变量的高斯混合模型和所述潮流方程的线性方程模型，获得所述电力系统的输出变量的联合概率密度函数，以确定电力系统的概率潮流。
其中，所述输入变量的高斯混合模型获取模块202构建的多个高斯子成分的高斯混合模型为其中，ai为第i个高斯子成分的权重系数，μi为第i个高斯子成分的均值、Σi为第i个高斯子成分的方差，n为高斯子成分的个数，x为所有风力发电机的功率数据，即所述输入变量的高斯混合模型的输入变量，M为风力发电机的个数。
所述参数求解模块203，具体包括：
似然函数构建单元，用于构建所述输入变量的高斯混合模型的似然函数；
初始化单元，用于获取所述参数的初始种群和最大迭代次数，所述初始种群中的个体为所述参数的赋值；
适应度确定单元，用于对于每次迭代，根据所述似然函数确定当前迭代中每个个体的适应度；
排序单元，用于对所有个体的适应度排序；
第一判断单元，用于判断当前迭代次数是否到达最大迭代次数，得到第一判断结果；
最优解确定单元，用于当第一判断结果表示当前迭代次数到达最大迭代次数时，将数值最大的适应度对应的个体确定为本次迭代的最优解；
参数确定单元，用于将本次迭代的最优解确定为所述输入变量的高斯混合模型中的参数；
候选个体获取单元，用于当第一判断结果表示当前迭代次数未到达最大迭代次数时，获取当前种群中的多个候选个体；所述候选个体的适应度大于所述当前种群中其他个体的适应度；
交叉单元，用于对当前种群中的所有个体进行单点交叉，得到交叉后的个体；
变异单元，用于对交叉后的个体进行变异操作，得到更新后的个体；
下一代种群生成单元，用于将所有候选个体与所述更新后的个体合并，生成下一代种群；
返回单元，用于将迭代次数加1，返回“根据所述似然函数确定当前迭代中个体的适应度”步骤，进入下一次迭代。
所述线性方程模型获取模块205，具体包括：
潮流方程获取单元，用于获取潮流方程，所述潮流方程为非线性方程；
线性方程模型获取单元，用于将所述潮流方程在基准运行点处按泰勒级数展开，去掉2次及以上的高次项，得到潮流方程的线性方程模型。
所述概率密度函数获取模块206，具体包括：
积分单元，用于对所述输入变量高斯混合模型的概率密度函数在潮流方程的区间上积分，得到所述输出变量的的联合概率分布函数；
微分单元，用于对所述输出变量的概率联合分布函数求微分，获得所述输出变量的联合概率密度函数。
本发明采用实施例1(IEEE3机9节点的系统)，结合我国某地区的风力发电机，验证本方法的效果：
图3为本发明实施例1的系统结构图，其中的2，3节点是风机接入的节点，根据如下概率密度函数公式
就可以计算线路的联合概率密度，计算得到的部分数据如表1所示表1线路的联合概率密度表
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0.1 0.6988 0.6879 0.6437 0.5827 0.4765 0.4582 0.4011 0.3152 0.0071
上表的第一行代表线路1，即节点4，5之间的传输功率共9个值，第一列代表线路2，即4，6节点间的传输功率取0.1，其他的值表示联合概率密度值。
举个例子，线路1的功率为0.1，同时线路2的功率为0.1时的联合概率密度是0.6988，表示有0.6988的概率线路功率达到0.1，然而对于线路1的功率达到0.9的时候概率只有0.0071，这是一个小概率事件，说明线路1的功率达到0.9是极小概率事件。
如果线路的临界值是0.9，即小于0.9稳定，大于0.9不稳定，由于线路落入功率为0.9的概率较小，因此可以认为该电力系统稳定，不会有过载等现象，判断原理结合具体例子以此类推。而且这也为电网规划提供了有效方法，在选用电力线路时，选择能承受最大功率为0.9的线路型号即可，因为线路功率超过0.9的可能性基本是0，如果选的型号过大，则造成经济浪费，选的型号过小，会引起线路过载。因此本方法为电力系统稳定性分析和规划提供了有力的判据。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。

Claims (10)

1.一种基于电力系统的概率潮流确定方法，其特征在于，包括：
获取多个风力发电机的功率数据；
根据所有风力发电机的功率数据构建电力系统的输入变量的高斯混合模型；所述输入变量的高斯混合模型为多个高斯子成分的高斯混合模型；
采用遗传算法求解所述输入变量的高斯混合模型中的参数；所述参数包括每个高斯子成分的权重系数、每个高斯子成分的均值和每个高斯子成分的方差；
根据所述参数确定所述输入变量的高斯混合模型；
获取潮流方程的线性方程模型；
根据所述输入变量的高斯混合模型和所述潮流方程的线性方程模型，获得所述电力系统的输出变量的联合概率密度函数，以确定电力系统的概率潮流。
2.根据权利要求1所述的基于电力系统的概率潮流确定方法，其特征在于，构建的所述输入变量的高斯混合模型为其中，ai为第i个高斯子成分的权重系数，μi为第i个高斯子成分的均值，Σi为第i个高斯子成分的方差，n为高斯子成分的个数，x为所有风力发电机的功率数据，即所述电力系统的输入变量，M为风力发电机的个数。
3.根据权利要求1所述的基于电力系统的概率潮流确定方法，其特征在于，所述采用遗传算法求解所述输入变量的高斯混合模型中的参数，具体包括：
构建所述输入变量的高斯混合模型的似然函数；
获取所述参数的初始种群和最大迭代次数，所述初始种群中的个体为所述参数的赋值；
对于每次迭代，根据所述似然函数确定当前迭代中每个个体的适应度；
对所有个体的适应度排序；
判断当前迭代次数是否到达最大迭代次数，得到第一判断结果；
当第一判断结果表示当前迭代次数到达最大迭代次数时，将数值最大的适应度对应的个体确定为本次迭代的最优解；
将本次迭代的最优解确定为所述输入变量的高斯混合模型中的参数；
当第一判断结果表示当前迭代次数未到达最大迭代次数时，获取当前种群中的多个候选个体；所述候选个体的适应度大于所述当前种群中其他个体的适应度；
对当前种群中的所有个体进行单点交叉，得到交叉后的个体；
对交叉后的个体进行变异操作，得到更新后的个体；
将所有候选个体与所述更新后的个体合并，生成下一代种群；
迭代次数加1，返回“根据所述似然函数确定当前迭代中个体的适应度”步骤，进入下一次迭代。
4.根据权利要求1所述的基于电力系统的概率潮流确定方法，其特征在于，所述获取潮流方程的线性方程模型，具体包括：
获取潮流方程，所述潮流方程为非线性方程；
将所述潮流方程在基准运行点处按泰勒级数展开，去掉2次及以上的高次项，得到潮流方程的线性方程模型。
5.根据权利要求1所述的基于电力系统的概率潮流确定方法，其特征在于，所述根据所述输入变量的高斯混合模型和所述潮流方程的线性方程模型，获得所述电力系统的输出变量的联合概率密度函数，具体包括：
根据所述输入变量的高斯混合模型，对输入变量的概率密度函数在潮流方程的区间上积分，得到所述输出变量的联合概率分布函数；
对所述输出变量的联合概率分布函数求微分，获得所述输出变量的的联合概率密度函数。
6.一种基于电力系统的概率潮流确定系统，其特征在于，包括：
功率数据获取模块，用于获取多个风力发电机的功率数据；
输入变量的高斯混合模型获取模块，用于根据所有风力发电机的功率数据构建电力系统的输入变量的高斯混合模型；所述输入变量的高斯混合模型为多个高斯子成分的高斯混合模型；
参数求解模块，用于采用遗传算法求解所述输入变量的高斯混合模型中的参数；所述参数包括每个高斯子成分的权重系数、每个高斯子成分的均值和每个高斯子成分的方差；
输入变量的高斯混合模型确定模块，用于根据所述参数确定所述输入变量的高斯混合模型；
线性方程模型获取模块，用于获取潮流方程的线性方程模型；
概率密度函数获取模块，用于根据所述输入变量的高斯混合模型和所述潮流方程的线性方程模型，获得所述电力系统的输出变量的联合概率密度函数，以确定电力系统的概率潮流。
7.根据权利要求6所述的基于电力系统的概率潮流确定系统，其特征在于，所述输入变量的高斯混合模型获取模块构建的高斯混合模型为其中，ai为第i个高斯子成分的权重系数，μi为第i个高斯子成分的均值、Σi为第i个高斯子成分的方差，n为高斯子成分的个数，x为所有风力发电机的功率数据，即所述电力系统的输入变量，M为风力发电机的个数。
8.根据权利要求6所述的基于电力系统的概率潮流确定系统，其特征在于，所述参数求解模块，具体包括：
似然函数构建单元，用于构建所述输入变量的高斯混合模型的似然函数；
初始化单元，用于获取所述参数的初始种群和最大迭代次数，所述初始种群中的个体为所述参数的赋值；
适应度确定单元，用于对于每次迭代，根据所述似然函数确定当前迭代中每个个体的适应度；
排序单元，用于对所有个体的适应度排序；
第一判断单元，用于判断当前迭代次数是否到达最大迭代次数，得到第一判断结果；
最优解确定单元，用于当第一判断结果表示当前迭代次数到达最大迭代次数时，将数值最大的适应度对应的个体确定为本次迭代的最优解；
参数确定单元，用于将本次迭代的最优解确定为所述输入变量的高斯混合模型中的参数；
候选个体获取单元，用于当第一判断结果表示当前迭代次数未到达最大迭代次数时，获取当前种群中的多个候选个体；所述候选个体的适应度大于所述当前种群中其他个体的适应度；
交叉单元，用于对当前种群中的所有个体进行单点交叉，得到交叉后的个体；
变异单元，用于对交叉后的个体进行变异操作，得到更新后的个体；
下一代种群生成单元，用于将所有候选个体与所述更新后的个体合并，生成下一代种群；
返回单元，用于将迭代次数加1，返回“根据所述似然函数确定当前迭代中个体的适应度”步骤，进入下一次迭代。
9.根据权利要求6所述的基于电力系统的概率潮流确定系统，其特征在于，所述线性方程模型获取模块，具体包括：
潮流方程获取单元，用于获取潮流方程，所述潮流方程为非线性方程；
线性方程模型获取单元，用于将所述潮流方程在基准运行点处按泰勒级数展开，去掉2次及以上的高次项，得到潮流方程的线性方程模型。
10.根据权利要求6所述的基于电力系统的概率潮流确定系统，其特征在于，概率密度函数获取模块，具体包括：
积分单元，用于对所述输入变量高斯混合模型的概率密度函数在潮流方程的区间上积分，得到所述输出变量的的联合概率分布函数；
微分单元，用于对所述输出变量的概率联合分布函数求微分，获得所述输出变量的联合概率密度函数。
CN201811543658.1A 2018-12-17 2018-12-17 一种基于电力系统的概率潮流确定方法及系统 Active CN109376494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811543658.1A CN109376494B (zh) 2018-12-17 2018-12-17 一种基于电力系统的概率潮流确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811543658.1A CN109376494B (zh) 2018-12-17 2018-12-17 一种基于电力系统的概率潮流确定方法及系统

Publications (2)

Publication Number Publication Date
CN109376494A true CN109376494A (zh) 2019-02-22
CN109376494B CN109376494B (zh) 2020-11-17

Family

ID=65374060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811543658.1A Active CN109376494B (zh) 2018-12-17 2018-12-17 一种基于电力系统的概率潮流确定方法及系统

Country Status (1)

Country Link
CN (1) CN109376494B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112834448A (zh) * 2020-12-31 2021-05-25 杭州罗盘星科技有限公司 一种用于水污染物分析的光谱分解方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299201A (zh) * 2014-10-23 2015-01-21 西安电子科技大学 基于遗传稀疏优化和贝叶斯估计模型的图像重构方法
CN105529714A (zh) * 2016-02-17 2016-04-27 中国农业大学 基于正态分布组合特征的快速概率潮流计算方法
CN106355511A (zh) * 2015-07-22 2017-01-25 国网浙江省电力公司台州供电公司 考虑新能源与电动汽车接入的主动配电网重构方法
WO2017016063A1 (en) * 2015-07-28 2017-02-02 Huawei Technologies Co., Ltd. Anomaly detection apparatus, method, and computer program using a probabilistic latent semantic analysis
CN106407160A (zh) * 2016-09-30 2017-02-15 国网宁夏电力公司电力科学研究院 含多个风电场的电力系统概率潮流联合分布的计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299201A (zh) * 2014-10-23 2015-01-21 西安电子科技大学 基于遗传稀疏优化和贝叶斯估计模型的图像重构方法
CN106355511A (zh) * 2015-07-22 2017-01-25 国网浙江省电力公司台州供电公司 考虑新能源与电动汽车接入的主动配电网重构方法
WO2017016063A1 (en) * 2015-07-28 2017-02-02 Huawei Technologies Co., Ltd. Anomaly detection apparatus, method, and computer program using a probabilistic latent semantic analysis
CN105529714A (zh) * 2016-02-17 2016-04-27 中国农业大学 基于正态分布组合特征的快速概率潮流计算方法
CN106407160A (zh) * 2016-09-30 2017-02-15 国网宁夏电力公司电力科学研究院 含多个风电场的电力系统概率潮流联合分布的计算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ARTHIT SRIKAEW 等: "SERVICE RESTORATION USING GENETIC ALGORITHM AND EXPERT SYSTEM", 《UACEE INTERNATIONAL JOURNAL OF ADVANCEMENTS IN ELECTRONICS AND ELECTRICAL ENGINEERING》 *
于建均等: "基于高斯混合模型的轨迹模仿学习表征参数优化", 《北京工业大学学报》 *
田蓓等: "考虑多风电场功率相关性的概率潮流联合分布计算", 《中国电力》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112834448A (zh) * 2020-12-31 2021-05-25 杭州罗盘星科技有限公司 一种用于水污染物分析的光谱分解方法
CN112834448B (zh) * 2020-12-31 2023-11-21 杭州罗盘星科技有限公司 一种用于水污染物分析的光谱分解方法

Also Published As

Publication number Publication date
CN109376494B (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
Zhuo et al. Incorporating massive scenarios in transmission expansion planning with high renewable energy penetration
Xu et al. Robust dispatch of high wind power-penetrated power systems against transient instability
CN104485665B (zh) 计及风速预测误差时空相关性的动态概率潮流计算方法
CN106532778B (zh) 一种计算分布式光伏并网最大准入容量的方法
CN107292502B (zh) 一种配电网可靠性评估方法
CN103246806A (zh) 一种含风电场电力系统的运行风险评估方法
CN105373969B (zh) 配电线路抗风能力评估方法和系统
CN107968409A (zh) 一种考虑不平衡功率分配的概率潮流计算方法及系统
CN106972504A (zh) 基于遗传算法的区间无功优化方法
CN112491096B (zh) 一种用于生成电网仿真分析算例的方法及系统
CN106127304A (zh) 一种适用于配电网网络拓扑设计方法
CN109102146A (zh) 基于多参数线性规划的电力系统风险评估加速方法
CN109599896A (zh) 一种10kV电网分布式光伏最大可开放容量的计算方法
CN111900713A (zh) 网源协调下考虑负荷和风电随机性多场景输电网规划方法
CN107834547B (zh) 一种考虑风电场输出功率关联特性的输电网规划方法
CN106786602B (zh) 一种配电网潮流计算方法
Wang et al. Applying probabilistic collocation method to power flow analysis in networks with wind farms
CN112103950B (zh) 一种基于改进gn分裂算法的电网分区方法
CN109376494A (zh) 一种基于电力系统的概率潮流确定方法及系统
CN110675276B (zh) 一种用于直流输电系统反演下垂控制的方法及系统
CN107276093A (zh) 基于场景削减的电力系统概率潮流计算方法
Rudion et al. MaWind-tool for the aggregation of wind farm models
CN106451551A (zh) 风电极限穿透功率优化方法和装置
CN111293687A (zh) 一种基于三维粒子群算法的分布式电源选址定容的方法
Wei et al. Online distribution system topology monitoring with limited smart meter communication

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant