CN111463796A - 一种考虑风电出力的电压稳定性评估方法及装置 - Google Patents

Abstract

本申请实施例公开了一种考虑风电出力的电压稳定性评估方法及装置，方法包括：获取电力系统中的历史数据，计算历史数据中的输入随机变量的均值和协方差；采用超球体无迹变换算法将随机变量输入到确定性电压稳定评估模型中得到输入变量和输出响应的协方差矩阵；将协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量；采用对称无迹变换算法将影响到电压稳定性的重要输入变量输入到确定性电压稳定性分析模型中，输出概率静态电压稳定分析结果。本申请利用无迹变换算法和全局灵敏度分析相结合，提高了概率静态稳定分析的速度和精度。

Description

一种考虑风电出力的电压稳定性评估方法及装置

技术领域

本申请涉及电力质量评估技术领域，尤其涉及一种考虑风电出力的电压稳定性评估方法及装置。

背景技术

电压稳定是电网安全稳定运行的基础。电力系统电压稳定分析主要分为暂态电压稳定计算和静态电压稳定计算。静态电压稳定计算模型扩展性强，能够适用于多种运行场景，其广泛用于实际电力系统的稳定分析校核。随着越来越多具有强烈随机性的新能源接入电网，电力系统中的不确定性因素越来越多。然而，确定性静态电压稳定分析无法考虑新能源出力的不确定性，其计算结果难以反映电网的真实运行状况。概率静态电压稳定分析不但可以计及新能源的不确定性，而且能够考虑新能源出力之间的相关性，能够真实全面地反映电力系统的稳定状况，给电网运行规划人员提供精准全面的参考决策信息。

电力系统概率分析方法一般可以分为三类，即蒙特卡洛模拟法、解析法和近似法。其中，无迹变换算法(UnscentedTransformation,UT)是近似法中的优秀代表，其具有处理多维不确定性源的随机波动性和相关性的能力；同时，UT有多种选点策略，例如对称无迹变换(Symmetric Unscented Transformation,SUT)算法和超球体无迹变换(SphericalSimplex Unscented Transformation,SSUT)算法，这些UT算法适用于电力系统概率静态电压稳定分析的多种运行场景，包括高精度分析场景、低精度分析场景等。

然而，基于UT算法分析电力系统概率静态电压稳定也逐渐显现出一些缺点，主要是随着电力系统中不确定性源维数不断增加，UT算法的计算量也成倍数增加。UT算法的根本问题是，其将电力系统中所有随机变量都作为概率静态电压稳定分析的输入变量。其实，电力系统是一个典型的异构系统，即部分输入随机变量对输出响应的影响巨大，而部分输入随机变量对输出响应的影响微乎其微。实际电力系统含有大规模的随机源(包括大量新能源、负荷等)，将所有随机源都当成对电力系统电压稳定具有重要影响的输入变量既没有必要，又将带来沉重的计算负担。因此，在对电力系统进行概率静态电压稳定分析时，精准识别出对输出结果影响大的输入变量，并精确考虑这些输入变量的影响，不但能够提高概率静态电压稳定分析的精度，而且能够提高计算效率。

发明内容

本申请实施例提供了一种考虑风电出力的电压稳定性评估方法及装置，使得整体性的提高计算分析的效率和精度。

有鉴于此，本申请第一方面提供了一种考虑风电出力的电压稳定性评估方法，所述方法包括：

获取电力系统中的历史数据，计算所述历史数据中的输入随机变量的均值和协方差；

将所述输入随机变量的均值和协方差输入到超球体无迹变换算法中得到第一样本点，将第一样本点输入到确定性电压稳定评估模型中得到输出响应，计算所述输入随机变量和输出响应的协方差矩阵；

将所述协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量；

计算所述重要输入变量的均值及协方差，并将所述重要输入变量的均值及协方差输入到对称无迹变换算法中，得到第二样本点，将所述第二样本点输入到所述确定性电压稳定性分析模型中，得到概率电压稳定分析结果。

可选的，所述随机变量包括新能源出力以及负荷。

可选的，所述获取电力系统中的历史数据，计算所述历史数据中的随机变量的均值和协方差具体为：

式中，所述W_i表示权重系数，μ_x和P_xx分别表示输入随机变量X_i的均值和协方差。

可选的，所述确定性电压稳定评估模型具体为：

其中，P_Li0和Q_Li0分别表示有功和无功基准负荷，P_Gi0和Q_Gi0表示传统发电机有功和无功出力的基准量，P_Ri和Q_Ri为新能源出力的有功和无功功率，K_Gi和 K_Li分别表示负荷和传统发电机出力的乘子系数；V表示节点电压，i,j分别表示电力系统中的节点；N表示电力系统中节点数量之和；δ_ij表示节点i,j之间的功角，当负荷裕度参数ε逐渐从0增长至ε_nose，ε_nose表示最大负荷裕度处，此时系统运行于临界状态，所述ε_nose即为输出响应Y_i。

可选的，所述将所述输入随机变量的均值和协方差输入到超球体无迹变换算法中得到第一样本点具体为：

确定初始权重系数W₀，其中0≤W₀≤1；

计算权重系数值W_i＝(1-W₀)/2n,i＝1,2,...,n+1；

计算中间过渡初始值：

其中，Z表示从标准高斯分布上选取的初始样本点过渡值；

确定多维样本点的过渡值：

计算选取的样本点的值：

式中i＝1,2,3，...，n+2；j＝2,3,...,n；n表示输入变量维数。

可选的，所述计算所述输入随机变量和输出响应的协方差矩阵具体为：

式中，所述W_i表示权重系数，Y_i表示输出响应，μ_x和P_xx分别表示输入随机变量的均值和协方差，X_i表示第一样本点；μ_y和P_yy表示输出响应的均值和协方差，P_yx表示输出响应和输入随机变量之间的协方差。

可选的，所述将所述协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量具体包括：

将所述协方差矩阵中的元素带入到灵敏度分析公式中，得到所有输入随机变量的灵敏度系数；

将所有输入随机变量对应的所述灵敏度系数进行从大到小排序；

并将所述灵敏度系数从大到小进行累加，直到所述灵敏度系数之和大于预设的精度阈值，则对已经累加的所述灵敏度系数进行标记；

识别出被标记灵敏度系数对应的随机变量，则所述变量即为重要输入变量。

可选的，所述将所述重要输入变量的均值及协方差输入到对称无迹变换算法中，得到第二样本点具体为：

确定初始权重系数W₀其中0≤W₀≤1；

计算权重系数值W_i＝(1-W₀)/2n,i＝1,2,...,2n；

样本点确定公式如下：

其中，

表示对协方差矩阵进行乔布利斯分解，

表示

的第i列；式中X₀，X_i...X_n+i为第二样本点。

本申请第二方面提供一种考虑风电出力的电压稳定性评估装置，所述装置包括：

历史数据获取模块，所述历史数据获取模块用于获取电力系统中的历史数据，计算所述历史数据中的输入随机变量的均值和协方差；

协方差矩阵获取模块，所述协方差矩阵获取模块用于将所述输入随机变量的均值和协方差输入到超球体无迹变换算法中得到第一样本点，将第一样本点输入到确定性电压稳定评估模型中得到输出响应，计算所述输入随机变量和输出响应的协方差矩阵；

重要输入变量获取模块，所述重要输入变量获取模块用于将所述协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量；

结果输出模块，所述结果输出模块用于计算所述重要输入变量的均值及协方差，并将所述重要输入变量的均值及协方差输入到对称无迹变换算法中，得到第二样本点，将所述第二样本点输入到所述确定性电压稳定性分析模型中，得到概率电压稳定分析结果。

可选的，所述重要输入变量获取模块还包括：

所述重要输入变量获取模块还包括：

灵敏度系数获取模块，所述灵敏度系数获取模块用于将所述协方差矩阵中的元素带入到灵敏度分析公式中，得到所有输入随机变量的灵敏度系数；

排序模块，所述排序模块用于将所有输入随机变量对应的所述灵敏度系数进行从大到小排序；

标记模块，所述标记模块用于将所述灵敏度系数从大到小进行累加，直到所述灵敏度系数之和大于预设的精度阈值，则对已经累加的所述灵敏度系数进行标记；

重要输入变量识别模块，所述重要输入变量确定模块用于识别出被标记灵敏度系数对应的随机变量，则所述变量即为重要输入变量。

从以上技术方案可以看出，本申请具有以下优点：

本申请实施例中，提供了一种考虑风电出力的电压稳定性评估方法，包括：获取电力系统中的历史数据，计算所述历史数据中的输入随机变量的均值和协方差；将所述输入随机变量的均值和协方差输入到超球体无迹变换算法中得到第一样本点，将第一样本点输入到确定性电压稳定评估模型中得到输出响应，计算所述输入随机变量和输出响应的协方差矩阵；将所述协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量；计算所述重要输入变量的均值及协方差，并将所述重要输入变量的均值及协方差输入到对称无迹变换算法中，得到第二样本点，将所述第二样本点输入到所述确定性电压稳定性分析模型中，得到概率电压稳定分析结果。

本申请将无迹变换算法和全局灵敏度分析相结合，利用低精度、高效率的超球体无迹变换算法对系统进行粗略概率电压稳定分析，并基于全局灵敏度分析法识别出对电压稳定计算结果具有重要影响的随机变量，将具有重要影响的随机变量输入高精度的对称无迹变换算法以得出概率静态电压稳定的分析结果。本申请算法将电力系统中随机源差异化对待，并自适应地发现电力系统各种运行场景中具有重要影响的随机源，并当成是概率静态电压稳定分析的输入变量，以提高概率静态稳定分析的速度和精度。

附图说明

图1为本申请一种考虑风电出力的电压稳定性评估方法的一个实施例的方法流程图；

图2为本申请一种考虑风电出力的电压稳定性评估装置的一个实施例的装置结构示意图。

具体实施方式

本申请将无迹变换算法和全局灵敏度分析相结合，利用低精度、高效率的超球体无迹变换算法对系统进行粗略概率电压稳定分析，并基于全局灵敏度分析法识别出对电压稳定计算结果具有重要影响的随机变量，将具有重要影响的随机变量输入高精度的对称无迹变换算法以得出概率静态电压稳定的分析结果。本申请算法将电力系统中随机源差异化对待，并自适应地发现电力系统各种运行场景中具有重要影响的随机源，并当成是概率静态电压稳定分析的输入变量，以提高概率静态稳定分析的速度和精度。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

请参阅图1，图1为本申请一种考虑风电出力的电压稳定性评估方法的一个实施例的方法流程图，图1中包括：

101、获取电力系统中的历史数据，计算历史数据中的输入随机变量的均值和协方差。

需要说明的是，电力系统的历史数据包括常规发电出力、新能源出力、负荷以及电力系统拓扑参数等；其中随机变量包括新能源出力以及负荷等；在一种具体的实施例中，随机变量的均值、协方差以及随机变量之间的协方差可以通过一下公式得到：

式中，所述W_i表示权重系数，μ_x和P_xx分别表示输入随机变量X_i的均值和协方差。

102、将输入随机变量的均值和协方差输入到超球体无迹变换算法中得到第一样本点，将第一样本点输入到确定性电压稳定评估模型中得到输出响应，计算输入随机变量和输出响应的协方差矩阵。

需要说明的是，其中将输入随机变量的均值和协方差输入到超球体无迹变换算法中得到第一样本点具体为：

对于n维随机变量，选取N＝n+2组对称分布的样本点，选取步骤如下：

确定初始权重系数W₀(0≤W₀≤1)；

计算权重系数值W_i＝(1-W₀)/2n,i＝1,2,...,n+1；

计算中间过渡初始值：

其中，Z表示从标准高斯分布上选取的初始样本点过渡值。

确定多维样本点的过渡值：

计算选取的样本点的值：

当电力系统中存在n维随机变量时，式中i＝1,2,3，...，n+2；j＝2,3,...,n；n 表示输入变量维数；

表示第一样本点，超球体无迹变换算法需要进行n+2 次确定性的静态电压稳定计算，才能确定运行场景中电网的电压稳定裕度ε_nose，其中ε_nose即为输出响应Y_i；该算法计算速度快，但是精度低。

其中样本点的权重之和为1，即：

将符合上述输入变量X_i的均值和协方差的样本点代入确定性电压稳定性评估模型中，则：

Y_i＝f(X_i),i＝0,1,2,...,N

式中，Y_i表示输出响应。

另外，确定性电压稳定评估模型具体为：

其中，P_Li0和Q_Li0分别表示有功和无功基准负荷，P_Gi0和Q_Gi0表示传统发电机有功和无功出力的基准量，P_Ri和Q_Ri为新能源出力的有功和无功功率，K_Gi和 K_Li分别表示负荷和传统发电机出力的乘子系数；V表示节点电压，i,j分别表示电力系统中的节点；N表示电力系统中节点数量之和；δ_ij表示节点i,j之间的功角，当负荷裕度参数ε逐渐从0增长至ε_nose，ε_nose表示最大负荷裕度处，此时系统运行于临界状态，所述ε_nose即为输出响应Y_i。

将第一样本点输入到确定性电压稳定评估模型中得到输出响应，计算所述输入随机变量和输出响应的协方差矩阵具体为：

式中，所述W_i表示权重系数，Y_i表示输出响应，μ_x和P_xx分别表示输入随机变量的均值和协方差，X_i表示第一样本点；μ_y和P_yy表示输出响应的均值和协方差，P_yx表示输出响应和输入随机变量之间的协方差。

103、将协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量。

需要说明的是，在一种具体的实施例中，全局灵敏度算法具体为：

定义一个k维的单元体Ωk作为输入因素的空间域，表示为Ω^k＝{x|0≤x_i≤1；i＝1，2，...，κ}

Sobol’方法的中心思想是将函数f(x)分解为子项之和

上式右端共有2k个子项，分解方法如下：

f₀为常数项，各子项对其所包含的任一因素的积分为0

各子项之间正交为0

各阶子项可由多重积分求得：

根据统计学的知识，模型输出f(x)的总方差为

简化上式可得：

其中，D表示总方差，D_i表示一阶方差，D_ij表示二阶方差，D_1，2...，k表示k 阶方差。

将各阶灵敏度系数定义为各阶方差与总方差的比值，S阶灵敏度

可以定义为

其中，S_i表示输入变量X_i对输出结果的影响，表示一阶灵敏度系数；同理， S_ij表示输入变量X_i和X_j对输出结果共同的影响，表示二阶灵敏度系数；以此类推，S_ij，...，k表示k灵敏度。

在概率静态电压稳定分析中，主要关注一阶灵敏度，即各输入随机变量对输出响应的影响，根据上式公式可以推导出适用于一阶灵敏度分析的公式：

其中，

表示电力系统中输入随机变量X_i和概率静态电压稳定分析结果 (负荷裕度Y_i)的协方差，

表示一阶灵敏度系数。在上式中所有一阶灵敏度系数的和为1。

根据上式，可以精准识别出对电力系统静态电压稳定影响大的输入随机变量。

在一种具体的实施方式中，将协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量具体包括：

S1：将协方差矩阵中的元素带入到灵敏度分析公式中，得到所有输入变量的灵敏度系数。

需要说明的是，将得到的协方差矩阵P_yx输入到一阶灵敏度分析的公式

中，得到一阶灵敏度系数

S2：将所有输入变量对应的灵敏度系数进行从大到小排序。

需要说明的是，所有输入变量输入到一阶灵敏度分析的公式得到对应的一阶灵敏度系数

再将每个输入变量对应的一阶灵敏度系数从大到小进行排列，以便于后续的计算。

S3：并将灵敏度系数从大到小进行累加，直到灵敏度系数之和大于预设的精度阈值，则对已经累加的灵敏度系数进行标记。

需要说明的是，可以将一阶灵敏度系数从大到小进行累加，直到灵敏度系数之和大于预设的精度阈值，对已经进行累加的一阶灵敏度系数对应的输入变量进行标记，以便于识别出对电压稳定影响大的输入变量。其中，阈值可以根据经验进行定义，取值范围为[0,1]。

S4：识别出被标记灵敏度系数对应的随机变量，则变量即为重要输入变量。

需要说明的是，对于做好标记的输入变量即为本申请所需的对电压稳定性影响较大的变量。

104、计算重要输入变量的均值及协方差，并将重要输入变量的均值及协方差输入到对称无迹变换算法中，得到第二样本点，将第二样本点输入到确定性电压稳定性分析模型中，得到概率电压稳定分析结果。

需要说明的是，在一种实施方式中，计算重要输入变量的均值及协方差，并将重要输入变量的均值及协方差输入到对称无迹变换算法中，得到第二样本点具体为：

对于n维随机变量，SUT算法选取N＝2n+1组对称分布的样本点，选取步骤如下：

确定初始权重系数W₀(0≤W₀≤1)；

计算权重系数值W_i＝(1-W₀)/2n,i＝1,2,...,2n；

样本点确定公式如下：

其中，

表示对协方差矩阵进行乔布利斯分解，

表示

的第i列；式中X₀，X_i...X_n+i为第二样本点。

当电力系统中存在n维随机变量时，对称无迹变换算法算法需要进行 2n+1次确定性的静态电压稳定计算，才能确定运行场景中电网的电压稳定裕度Y_i(输出响应)，该算法计算精度较高，但是耗时长。

将第二样本点输入到确定性电压稳定性分析模型中，得到概率电压稳定分析结果具体为：

确定性电压稳定评估模型具体为：

其中，P_Li0和Q_Li0分别表示有功和无功基准负荷，P_Gi0和Q_Gi0表示传统发电机有功和无功出力的基准量，P_Ri和Q_Ri为新能源出力的有功和无功功率，K_Gi和 K_Li分别表示负荷和传统发电机出力的乘子系数；V表示节点电压，i,j分别表示电力系统中的节点；N表示电力系统中节点数量之和；δ_ij表示节点i,j之间的功角，当负荷裕度参数ε逐渐从0增长至ε_nose，ε_nose表示最大负荷裕度处，此时系统运行于临界状态，ε_nose即为输出响应Y_i，其中Y_i即为概率电压稳定分析结果。

本申请将无迹变换算法和全局灵敏度分析相结合，利用低精度、高效率的超球体无迹变换算法对系统进行粗略概率电压稳定分析，并基于全局灵敏度分析法识别出对电压稳定计算结果具有重要影响的随机变量，将具有重要影响的随机变量输入高精度的对称无迹变换算法以得出概率静态电压稳定的分析结果。本申请算法将电力系统中随机源差异化对待，并自适应地发现电力系统各种运行场景中具有重要影响的随机源，并当成是概率静态电压稳定分析的输入变量，以提高概率静态稳定分析的速度和精度。

另外，在一种具体的实施方式中，本申请以IEEE-118节点系统为算例来验证所提算法的有效性。IEEE-118节点系统的数据来自于Matpower6.0软件包。本申请在IEEE-118节点系统的母线24、38、45、56、78、89处分别新增一台风电场。假定风电场的额定出力均为80MW。假定测试系统中负荷均为正态分布，其均值等于数据包负荷原始值，标准差等于均值的5％。

为了验证本申请所提算法的有效性，蒙特卡洛仿真法(Monte Carlo Simulation，MCS)在全部输入变量中抽取20000个样本点，其计算结果作为所提算法的参考。为了证明所提算法的优越性，本文所提算法分别与超球体无迹变换算法(Spherical SimplexUnscented Transformation，SSUT)、对称无迹变换算法(Symmetric UnscentedTransformation，SUT)的计算结果进行对比。本文所提算法成为自适应无迹变换(Adaptative Unscented Transformation)算法，简称为AUT。

表1计算误差

	AUT	SSUT	SUT
				负荷裕度	3.30％	9.90％	8.90％

表2计算时间

	AUT	SSUT	SUT
				计算时间(s)	6.93	4.043	7.96

AUT、SSUT和SUT算法的计算时间以及计算精度见表1和表2。从表中可以看出，所提算法AUT负荷裕度的计算误差仅为3.3％，低于SUT算法和 SSUT算法，具有最高的计算精度。所提算法的计算时间为6.93s，介于SSUT 算法和SUT算法之间。这说明，相对SUT算法，本申请所提算法不但能够提高计算精度而且可以提高计算效率；相对SSUT算法，本申请所提算法能够极大提高概率静态电压稳定分析的计算精度。

为了便于理解，请参阅图2，图2为本申请一种考虑风电出力的电压稳定性评估装置的一个实施例的装置结构示意图，如图2所示，具体包括：

历史数据获取模块201，用于获取电力系统中的历史数据，计算历史数据中的输入随机变量的均值和协方差。

协方差矩阵获取模块202，用于将输入随机变量的均值和协方差输入到超球体无迹变换算法中得到第一样本点，将第一样本点输入到确定性电压稳定评估模型中得到输出响应，计算输入随机变量和输出响应的协方差矩阵。

重要输入变量获取模块203，用于将协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量。

结果输出模块204，结果输出模块用于计算重要输入变量的均值及协方差，并将重要输入变量的均值及协方差输入到对称无迹变换算法中，得到第二样本点，将第二样本点输入到所述确定性电压稳定性分析模型中，得到概率电压稳定分析结果。

在一种具体的实施方式中，重要输入变量获取模块203还包括：

灵敏度系数获取模块，用于将协方差矩阵中的元素带入到灵敏度分析公式中，得到所有输入随机变量的灵敏度系数。

排序模块，用于将所有输入随机变量对应的灵敏度系数进行从大到小排序；

标记模块，用于并将灵敏度系数从大到小进行累加，直到灵敏度系数之和大于预设的精度阈值，则对已经累加的灵敏度系数进行标记。

重要输入变量识别模块，用于识别出被标记灵敏度系数对应的随机变量，则变量即为重要输入变量。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请中，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或 c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：RandomAccess Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种考虑风电出力的电压稳定性评估方法，其特征在于，包括：

获取电力系统中的历史数据，计算所述历史数据中的输入随机变量的均值和协方差；

将所述输入随机变量的均值和协方差输入到超球体无迹变换算法中得到第一样本点，将第一样本点输入到确定性电压稳定评估模型中得到输出响应，计算所述输入随机变量和输出响应的协方差矩阵；

将所述协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量；

计算所述重要输入变量的均值及协方差，并将所述重要输入变量的均值及协方差输入到对称无迹变换算法中，得到第二样本点，将所述第二样本点输入到所述确定性电压稳定性分析模型中，得到概率电压稳定分析结果。

2.根据权利要求1所述的考虑风电出力的电压稳定性评估方法，其特征在于，所述随机变量包括新能源出力以及负荷。

3.根据权利要求1所述的考虑风电出力的电压稳定性评估方法，其特征在于，所述获取电力系统中的历史数据，计算所述历史数据中的随机变量的均值和协方差具体为：

式中，所述W_i表示权重系数，μ_x和P_xx分别表示输入随机变量X_i的均值和协方差。

4.根据权利要求1所述的考虑风电出力的电压稳定性评估方法，其特征在于，所述确定性电压稳定评估模型具体为：

其中，P_Li0和Q_Li0分别表示有功和无功基准负荷，P_Gi0和Q_Gi0表示传统发电机有功和无功出力的基准量，P_Ri和Q_Ri为新能源出力的有功和无功功率，K_Gi和K_Li分别表示负荷和传统发电机出力的乘子系数；V表示节点电压，i,j分别表示电力系统中的节点；N表示电力系统中节点数量之和；δ_ij表示节点i,j之间的功角，当负荷裕度参数ε逐渐从0增长至ε_nose，ε_nose表示最大负荷裕度处，此时系统运行于临界状态，所述ε_nose即为输出响应Y_i。

5.根据权利要求4所述的考虑风电出力的电压稳定性评估方法，其特征在于，所述将所述输入随机变量的均值和协方差输入到超球体无迹变换算法中得到第一样本点具体为：

确定初始权重系数W₀，其中0≤W₀≤1；

计算权重系数值W_i＝(1-W₀)/2n,i＝1,2,...,n+1；

计算中间过渡初始值：

其中，Z表示从标准高斯分布上选取的初始样本点过渡值；

确定多维样本点的过渡值：

计算选取的样本点的值：

式中i＝1,2,3，…，n+2；j＝2,3,…,n；n表示输入变量维数。

6.根据权利要求1所述的考虑风电出力的电压稳定性评估方法，其特征在于，所述计算所述输入随机变量和输出响应的协方差矩阵具体为：

式中，所述W_i表示权重系数，Y_i表示输出响应，μ_x和P_xx分别表示输入随机变量的均值和协方差，X_i表示第一样本点；μ_y和P_yy表示输出响应的均值和协方差，P_yx表示输出响应和输入随机变量之间的协方差。

7.根据权利要求1所述的考虑风电出力的电压稳定性评估方法，其特征在于，所述将所述协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量具体包括：

将所述协方差矩阵中的元素带入到灵敏度分析公式中，得到所有输入随机变量的灵敏度系数；

将所有输入随机变量对应的所述灵敏度系数进行从大到小排序；

并将所述灵敏度系数从大到小进行累加，直到所述灵敏度系数之和大于预设的精度阈值，则对已经累加的所述灵敏度系数进行标记；

识别出被标记灵敏度系数对应的随机变量，则所述变量即为重要输入变量。

8.根据权利要求1所述的考虑风电出力的电压稳定性评估方法，其特征在于，所述将所述重要输入变量的均值及协方差输入到对称无迹变换算法中，得到第二样本点具体为：

确定初始权重系数W₀其中0≤W₀≤1；

计算权重系数值W_i＝(1-W₀)/2n,i＝1,2,...,2n；

样本点确定公式如下：

其中，

表示对协方差矩阵进行乔布利斯分解，

表示

的第i列；式中X₀，X_i…X_n+i为第二样本点。

9.一种考虑风电出力的电压稳定性评估装置，其特征在于，包括：

历史数据获取模块，所述历史数据获取模块用于获取电力系统中的历史数据，计算所述历史数据中的输入随机变量的均值和协方差；

协方差矩阵获取模块，所述协方差矩阵获取模块用于将所述输入随机变量的均值和协方差输入到超球体无迹变换算法中得到第一样本点，将第一样本点输入到确定性电压稳定评估模型中得到输出响应，计算所述输入随机变量和输出响应的协方差矩阵；

重要输入变量获取模块，所述重要输入变量获取模块用于将所述协方差矩阵输入到全局灵敏度算法模型中，获取到影响到电压稳定性的重要输入变量；

结果输出模块，所述结果输出模块用于计算所述重要输入变量的均值及协方差，并将所述重要输入变量的均值及协方差输入到对称无迹变换算法中，得到第二样本点，将所述第二样本点输入到所述确定性电压稳定性分析模型中，得到概率电压稳定分析结果。

10.根据权利要求9所述的考虑风电出力的电压稳定性评估装置，其特征在于，所述重要输入变量获取模块还包括：

灵敏度系数获取模块，所述灵敏度系数获取模块用于将所述协方差矩阵中的元素带入到灵敏度分析公式中，得到所有输入随机变量的灵敏度系数；

排序模块，所述排序模块用于将所有输入随机变量对应的所述灵敏度系数进行从大到小排序；

标记模块，所述标记模块用于将所述灵敏度系数从大到小进行累加，直到所述灵敏度系数之和大于预设的精度阈值，则对已经累加的所述灵敏度系数进行标记；

重要输入变量识别模块，所述重要输入变量确定模块用于识别出被标记灵敏度系数对应的随机变量，则所述变量即为重要输入变量。

Images