CN110601204B - 基于随机变量状态时序模拟的光伏并网系统概率潮流分析方法 - Google Patents

Abstract

本发明涉及一种基于随机变量状态时序模拟的光伏并网系统概率潮流分析方法，在基于实际光伏电站数据分析的的基础，建立用于光伏发电功率短期预测的BP神经网络模型，利用序贯蒙特卡罗法时序模拟电网中线路的运行状态，综合考虑光伏发电功率和线路运行状态的不确定性对系统进行概率潮流研究。基于IEEE30节点系统进行算例研究，算例分析结果表明，建立的四输入一输出的光伏发电功率预测方法可用于实际预测。另外，基于对节点电压、线路功率等概率潮流的分析，验证了针对光伏并网系统进行概率潮流研究的必要性。

Description

基于随机变量状态时序模拟的光伏并网系统概率潮流分析 方法

技术领域

本方法属于电力系统技术领域，涉及一种光伏并网系统概率潮流的分析方法，尤其涉及一种基于随机变量状态时序模拟的光伏并网系统概率潮流分析方法。

背景技术

截止至2018年末，我国光伏累计装机容量达到1.7亿千万，稳居世界第一位。在缓解能源紧张、改善环境等方面，光伏发电起到了重要作用，但伴随着越来越密集的分布式光伏电站并网发电，也为电网的安全稳定运行带来了新的问题。

越来越高的光伏并网渗透率，使得传统配电网的单向辐射状供电模式被改变，光伏发电的随机性、波动性等各种不确定因素，可严重影响电网的电能质量、传送效率及供电可靠性等。由于负荷突变、机组停运和线路故障等各种随机变量的出现，使得电力网运行充满各种不确定性，随时可能造成严重后果。考虑各种不确定性因素的电力系统概率潮流分析是近年来学术界的热点问题。

现有考虑系统不确定性的概率潮流研究中，均单独考虑可再生能源发电不确定性或电网状态不确定性，势必不能准确反映系统状态。

另外，光伏发电功率具有时序的不确定性、波动性，所以针对电力系统的整体研究，也需

对应考虑电网状态的时序不确定性，但在现有文献中鲜有讨论。

发明内容

本发明针对上述现有技术中的不足，提供了一种基于随机变量状态时序模拟的光伏并网

系统概率潮流分析方法，解决了现有技术中不能准确反映系统状态的问题。

本发明采用的技术方案包括如下步骤：

步骤1，在基于实际光伏电站数据分析的基础上，分析影响光伏发电功率影响因素，建立用于光伏发电功率短期预测的BP神经网络模型；

步骤2，利用序贯蒙特卡罗法时序模拟电网中线路的运行状态，得到线路甚至电网的时序转换图；

步骤3，利用IEEE30标准算例验证可行性和有效性，综合考虑光伏发电功率和线路运行状态的不确定性对系统进行概率潮流分析。

所述步骤1中建立用于短期预测光伏发电功率的BP神经网络模型方法，包括如下步骤：

步骤1.1，从太阳能中心获取数据对光伏发电功率影响因素进行分析，得到与光伏发电输出功率存在明显相关的四种影响因素；

步骤1.2，以四种环境因素作为预测模型的输入变量，建立四输入、一输出的BP神经网络。

所述步骤2中确定基于序贯蒙特卡洛法的电网状态的方法，包括如下步骤：

步骤2.1，首先需要设定系统中每个元件的最初状态，假设初始均为正常运行状态；

步骤2.2，研究每个元件在正常运行状态下持续运行时间及每次转换过程持续的时间；

步骤2.3，在所要计算的时间段内重复上一步骤，并对所有的时间值进行记录分析，既能得到这段时间内的元件的状态变化过程；

步骤2.4，将单个元件的状态转换过程，按照实际的需求，将其进行排列组合，得到线路，甚至是电网的时序转换图。

所述步骤3中分析算例，包括如下步骤：

步骤3.1，验证光伏发电功率预测方法有效性；

步骤3.2，单独考虑光伏接入的电力系统概率潮流分析；

步骤3.3，单独考虑电网状态时序变化的电力系统概率潮流分析；

步骤3.4，综合考虑光伏接入和电网状态不确定性的电力系统概率潮流分析。

本发明分析了考虑光伏发电输出功率和电网状态等随机变量不确定性的电网概率潮流问题，具体得出的有益效果是：

通过学习逼近，建立了四输入、一输出的BP神经网络光伏预测模型，对预测值与实际值相比较，计算均方差达到0.000256，可用于实际预测。建立了考虑随机变量时序状态变化的光伏并网系统概率潮流计算方法。验证了在电力系统潮流计算中综合考虑光伏接入和电网状态时序变化的必要性。以为电力系统调度、安全稳定运行提供理论指导。

附图说明

图1为基于随机变量状态时序模拟的光伏并网系统概率潮流研究的流程图；

图2为光伏发电功率预测BP网络模型示意图；

图3为算例分析流程图。

具体实施方式

下面将结合附图对本发明进行进一步地详细描述。

根据图1，本发明包括如下步骤1至步骤3。

步骤1，在基于实际光伏电站数据分析的基础上，分析影响光伏发电功率影响因素，建立用于光伏发电功率短期预测的BP神经网络模型。其中，用于光伏发电功率短期预测的BP神经网络模型示意图如图2所示。

光伏发电功率预测方法有多种：时间序列法、回归模型法、灰色预测技术、组合预测法、BP神经网络法等。其中，BP神经网络法可对复杂的非线性关系进行较好拟合，本文采用该方法进行光伏发电功率预测。神经网络顾名思义它是模拟动物大脑神经处理以及记忆信息的方式，由大量相互交叉的单元组成的非线性、自适应的信息处理系统。而BP(BackPropagation)反向传播网络，则是目前被应用最为广泛的一种神经网络。它的名字源于其处理内部信息网络权值的调整规则，即BP神经网络算法。

本发明以四种环境因素作为预测模型的输入变量，建立四输入、一输出的BP神经网络。

步骤2，利用序贯蒙特卡罗法时序模拟电网中线路的运行状态，得到线路甚至电网的时序转换图。

具体地，电网中含有诸多元件，任意元件均可能发生故障，元件的个体故障概率、故障时间、修复时间等将影响整个电网运行状态。利用序贯蒙特卡洛法能够模拟电网的时序状态，该方法是基于元件状态持续时间概率分布进行的抽样，得到线路甚至电网的时序转换图。

步骤3，利用IEEE30标准算例验证了本文提出方法的可行性和有效性。综合考虑光伏发电功率和线路运行状态的不确定性对系统进行概率潮流研究。

具体地，通过对分别单独考虑光伏接入以及电网状态时序变化的情况电力系统概率潮流研究和，综合考虑光伏接入和电网状态不确定性的电力系统概率潮流研究。验证在电力系统潮流计算中综合考虑光伏接入和电网状态时序变化的必要性。

在所述步骤1中，建立用于短期预测光伏发电功率的BP神经网络模型方法，包括如下步骤：

步骤1.1，从太阳能中心获取数据对光伏发电功率影响因素进行分析，得到与光伏发电输出功率存在明显相关的四种影响因素；

具体地，影响光伏发电多少的环境因素主要有辐射强度、温度、风速等。从DKA(Desert Knowledge Australia)太阳能中心获取某光伏电站历史发电、环境等数据用于相关研究。该电站有光伏面板22块，每块额定输出功率250W，总容量为5.5kW，面积共计36.30m2。基于电站数据分析了环境数据与输出功率的关系，其中，太阳辐射强度、环境温度、湿度以及风速与光伏发电输出功率间的相关系数分别为0.9939、0.5032、-0.3861、0.5383，表明存在极显著的相关，具有较强的统计意义。故本发明以上述四种环境因素作为预测模型的输入变量，忽略其它因素。

步骤1.2，以四种环境因素作为预测模型的输入变量，建立四输入、一输出的BP神经网络。

如图2所示，其中，x1，x2，x3，x4分别为风速、温度、湿度、辐射强度，y为输出功率。

在三层神经网络当中，中间前层有两个神经元，其输入函数分别为：

与输入函数相对应的两个输出函数分别为：

中间后层设置有三个神经元，其对应输入函数分别为：

式中，g表示权数；c为阈值；h为输入；

3个相应的输出为：

式中，z表示中间后层输出；

输出层的输入函数,表示为：

y^(k)＝v₁z₁+v₂z₂+v₃z₃+-δ (11)

所述步骤2中确定基于序贯蒙特卡洛法的电网状态的方法，包括如下步骤：

步骤2.1，首先需要设定系统中每个元件的最初状态，假设初始均为正常运行状态；

步骤2.2，需要研究每个元件在正常运行状态下持续运行时间及每次转换过程持续的时间；

步骤2.3，在所要计算的时间段内重复上一步骤，并对所有的时间值进行记录分析，既能得到这段时间内的元件的状态变化过程。

步骤2.4，将单个元件的状态转换过程，按照实际的需求，将其进行排列组合，就可以得到线路，甚至是电网的时序转换图。

参考图3，所述步骤3中分析算例，包括如下步骤：

步骤3.1，验证光伏发电功率预测方法有效性；

利用DKA太阳能中心某电站实际数据开展光伏发电功率短期预测研究，对比实际功率和

预测功率。另外，计算得知通过3000次的模型训练后，模型的输出值与目标值均方根误差最小值达到约0.000256。故验证得出本文提出的四输入、一输出的BP神经网络适用于光伏发电功率的实际预测。

步骤3.2，单独考虑光伏接入的电力系统概率潮流研究；

假设IEEE 30节点系统中节点3、7、14、21、29接入分布式光伏电源并网，容量均为

5kW，利用前述光伏发电功率预测方法预测出未来72小时实际光伏出力，在此基础上进行潮流计算。得到光伏接入下未来72小时的系统中各节点电压幅值情况。

将预测的光伏输出功率放大100倍并进行潮流计算，得到各节点电压幅值情况。与上述伏接入下未来72小时的系统中各节点电压幅值情况进行对比，可发现光伏出力越大对节点电压影响越大。另外，若电压波动允许上限为10％，则节点26已经超出限值，达到115％，该数值会对电网安全稳定运行带来较大风险，在系统中接入光伏时需要格外注意，如有必要，应采取有效手段调整该节点电压。

对比未来72小时节点电压幅值的均值与初始值(无光伏接入)。可看出，光伏接入可显著提高电网电压水平，改善电能质量。

观察光伏接入后节点6、16、26电压幅值在未来72小时的变化情况。可明显看出，光伏的接入对不同节点有不同程度的影响。若能合理的选择光伏的接入点及容量，必将能够有效改善电网电能质量。

步骤3.3，单独考虑电网状态时序变化的电力系统概率潮流研究；

本方法中考虑线路故障退出对电网状态的影响。设定每条线路的故障概率均为0.01，

当线路故障时，故障线路修复平均时间为5个小时，故修复概率为0.2，假设初始均为正常运行状态，采用时序蒙特卡罗法，可以时序模拟出一段时间内每条线路的存在状态。

将系统中所有线路状态进行时序组合，即可得到整个电网的时序状态。

步骤3.4，综合考虑光伏接入和电网状态不确定性的电力系统概率潮流研究。

分析综合考虑了光伏输出功率、电网状态的不确定性情况下未来72小时系统中各节点电压变化情况。可知，相比只考虑光伏接入和只考虑电网状态变化，线路各节点的电压波动得更加严重，节点23的峰谷差甚至超过15％。所以，在电力系统潮流计算中综合考虑光伏输出功率、电网状态等随机变量的不确定性非常必要。

除了节点电压以为，还可通过节点注入的有功、无功功率等对系统潮流进行分析，得到更为详实的潮流信息。以此为基础，分析系统的可能出现的风险和薄弱环节，为相关规划、调度等部门的决策提供全面的信息，提升电网的安全水平。

以上为研究考虑光伏发电输出功率和电网状态等随机变量不确定性的电网概率潮流问题的具体内容。通过学习逼近，建立了四输入、一输出的BP神经网络光伏预测模型，对预测值与实际值相比较，计算均方差达到0.000256，可用于实际预测。建立了考虑随机变量时序状态变化的光伏并网系统概率潮流计算方法。验证了在电力系统潮流计算中综合考虑光伏接入和电网状态时序变化的必要性。

Claims (1)

1.一种基于随机变量状态时序模拟的光伏并网系统概率潮流分析方法，其特征在于包括如下步骤：

步骤1，在基于实际光伏电站数据分析的基础上，分析影响光伏发电功率影响因素，建立用于光伏发电功率短期预测的BP神经网络模型；

步骤2，利用序贯蒙特卡罗法时序模拟电网中线路的运行状态，得到线路甚至电网的时序转换图；

步骤3，利用IEEE30标准算例验证可行性和有效性，综合考虑光伏发电功率和线路运行状态的不确定性对系统进行概率潮流分析；

所述步骤1中建立用于短期预测光伏发电功率的BP神经网络模型方法，包括如下步骤：

步骤1.1，从太阳能中心获取数据对光伏发电功率影响因素进行分析，得到与光伏发电输出功率存在明显相关的四种影响因素；

步骤1.2，以四种环境因素作为预测模型的输入变量，建立四输入、一输出的BP神经网络；

所述的四种影响因素为太阳辐射强度、环境温度、湿度以及风速；

用x1，x2，x3，x4分别代表风速、环境温度、湿度、太阳辐射强度，y为输出功率；

在三层神经网络当中，中间前层有两个神经元，其输入函数分别为：

与输入函数相对应的两个输出函数分别为：

中间后层设置有三个神经元，其对应输入函数分别为：

式中，g表示权数；c为阈值；h为输入；

3个相应的输出为：

式中，z表示中间后层输出；

输出层的输入函数,表示为：

y^(k)＝v₁z₁+v₂z₂+v₃z₃±δ (11)；

所述步骤2中确定基于序贯蒙特卡洛法的电网状态的方法，包括如下步骤：

步骤2.1，首先需要设定系统中每个元件的最初状态，假设初始均为正常运行状态；

步骤2.2，研究每个元件在正常运行状态下持续运行时间及每次转换过程持续的时间；

步骤2.3，在所要计算的时间段内重复上一步骤，并对所有的时间值进行记录分析，既能得到这段时间内的元件的状态变化过程；

步骤2.4，将单个元件的状态转换过程，按照实际的需求，将其进行排列组合，能得到单个线路的存在状态；

所述步骤3中分析算例，包括如下步骤：

步骤3.1，验证光伏发电功率预测方法有效性；

步骤3.2，单独考虑光伏接入的电力系统概率潮流分析；

步骤3.3，单独考虑电网状态时序变化的电力系统概率潮流分析；

步骤3.4，综合考虑光伏接入和电网状态不确定性的电力系统概率潮流分析。