CN111668845A - 一种计及光伏相关性的概率潮流计算方法 - Google Patents
一种计及光伏相关性的概率潮流计算方法 Download PDFInfo
- Publication number
- CN111668845A CN111668845A CN202010547049.4A CN202010547049A CN111668845A CN 111668845 A CN111668845 A CN 111668845A CN 202010547049 A CN202010547049 A CN 202010547049A CN 111668845 A CN111668845 A CN 111668845A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- clustering
- calculating
- load flow
- photovoltaic output
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计及光伏相关性的概率潮流计算方法,首先使用K‑means聚类算法将由蒙特卡洛模拟法采样产生的光照强度数据样本进行聚类,利用基于最大偏差相似性准则的模糊聚类算法确定K‑means聚类算法的k值从而解决k值难以选取的问题,其次使用改进后的粒子群算法进行优化K‑means聚类算法从而提高聚类算法的精度;获取K‑means聚类算法的聚类中心并将其作为潮流计算的不确定输入,大大减少了概率潮流的计算量;最后针对半不变量潮流计算可能遇到输入变量相关系数矩阵非正定,导致常用的Cholesky分解法不再适用的情况,改用奇异值分解法进行相关系数矩阵的分解。
Description
技术领域
本发明涉及电力系统分析技术领域,尤其涉及一种计及光伏相关性的概率潮流计算方法。
背景技术
随着全球经济的快速发展,人类对能源的需求日益剧增。然而,在开发及利用煤炭、石油、天然气等化石能源的同时,引发了生态环境污染、温室效应等问题。另外,煤炭和石油的资源是有限的,在不久的将来必将面临枯竭。因此大力发展清洁能源与可再生能源,同时加大核能、风能、水能、和太阳能等清洁能源和可再生能源在能源结构的比重,是应对全球气候变化的需要,也是推动世界经济可持续发展的需要。
太阳能光伏发电作为一种清洁能源,具有绿色、环保和无污染等优点,近年来得到了持续快速发展,截至2012年底,全球总装机容量已达100GW。但不容忽视,光伏发电属于典型的间歇式能源,其输出功率严重依赖于辐射、温度等气象条件,具有较强的随机波动性。无疑,光伏的大规模接入将进一步加剧电力系统的不确定性。而概率潮流作为电力系统不确定分析的重要工具,其能够充分考虑系统中的不确定性分析等提供全面、重要的参考信息,因而今年来被广泛用于含光伏等随机因素的系统分析中。可见,有必要对含有光伏电力系统的概率计算方法展开深入研究。
发明内容
本发明为解决光伏发电相关性及波动性会对电力系统的运行产生影响的问题,提供了一种计及光伏相关性的概率潮流计算方法。
为实现以上发明目的,而采用的技术手段是:
一种计及光伏相关性的概率潮流计算方法,包括以下步骤:
S1.采集光伏电站的历史数据,构建光伏输出功率的概率模型并采用蒙特卡洛模拟法采样潮流计算数据集;
S2.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分,计算相应的初始聚类中心;
S3.利用改进粒子群优化算法进行所述初始聚类中心的更新,得到K-means聚类算法的最优聚类中心并优化聚类划分;
S4.对步骤S3获得的最优聚类中心数据进行Nataf变换,得到具有相关性的随机聚类中心;
S5.将所述随机聚类中心输入确定潮流计算方程进行计算;
S6.统计所述确定潮流计算方程输出变量的概率信息,完成概率潮流计算。
优选的,所述步骤S1的具体步骤包括:
S1.1.采集光伏电站的历史数据;
S1.2.构建太阳光照强度的光照模型,所述太阳光照强度的概率模型服从Beta分布,其中太阳光照强度的概率密度函数为:
式中,r为实际太阳光的光照强度;a和b为Beta分布的形状参数;
S1.3.利用历史光伏出力数据集拟合所述光照强度服从Beta分布的概率密度函数得到Beta分布的参数a和b;
S1.4.采用蒙特卡洛模拟法产生服从Beta分布的光照强度数据样本;
S1.5.根据光伏出力与光照强度之间的关系构建光伏出力的概率模型,求出光伏出力数据集作为潮流计算数据集;
光伏出力与光照强度之间满足分段函数的关系,其中,分段函数的表达式如下:
式中,Ppv表示实际的光伏出力;rmax表示最大光照强度;其中Ppv,N=rmax·S·η表示当光照强度为最大时的光伏出力;其中S表示为光伏电池阵列面积,η为光电转换效率。
优选的,所述步骤S2的具体步骤包括:
S2.1.基于所述潮流计算数据集,计算任意两组光伏出力数据xi与xj对应点的欧氏距离xijk,其中,欧式距离的计算公式如下::
xijk=||xik-xjk||
式中,i,j=1,2,...,n,k=1,2,...,m;xik为第i个光伏电站的第k个点的光伏出力数据;xjk为第j个光伏电站的第k个点的光伏出力数据;
S2.2.计算所述两组光伏出力数据的最大偏差距离λ:
式中,ximax为第i个光伏电站中光伏出力的最大值,ximin为第i个光伏电站中光伏出力的最小值,为第i个光伏电站中光伏出力的平均出力值,xjmax为第j个光伏电站中光伏出力的最大出力值,xjmin为第j个光伏电站中光伏出力的最小出力值,为第j个光伏电站中的平均出力值;
S2.3.根据步骤S2.2得到的最大偏差距离λ,设定满足Xijk≤λ的个数为nij,满足Xijk>λ的个数为mij,构建相似时点数nij和最大偏离点时点数mij;即:
其中i,j=1,2,...,n,k=1,2,...,m;
S2.4.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分;计算聚类后的光伏出力数据的初始聚类中心。
在本优选方案中,利用基于最大偏差相似准则的模糊聚类算法确定K-means聚类算法的k值,解决了k值难以求取的问题。
优选的,所述步骤S2.4的具体步骤包括:
S2.4.1.将第i个光伏出力数据xi作为对比中心,并将所有满足最大偏差相似性准则的xi分配到S(xi);其中S(xi)为与xi相似的光伏出力曲线集合;
其中最大偏差相似准则的公式为:
其中n0为[α×m],α(0 α 1);m0为[β×m],β(0 β 1-α),α和β为预设值;
S2.4.2.将xi从原始光伏出力数据集U中删除,直至U为空则进行下一步,此时所述潮流计算数据集的光伏出力数据聚类划分为k类;否则返回步骤S2.4.1;
S2.4.3.计算聚类后的光伏出力数据的初始聚类中心:
式中,若xi令D(xi)取得最小光伏出力曲线,则xi为S(xi)类的聚类中心。
优选的,所述步骤S3的具体步骤包括:
S3.1.构建K-means聚类目标函数:
其中ci为第i个簇中样本点的数量;k为聚类数目;xi和aj分别为第i个数据点和第j个聚类中心;
S3.2.初始化聚类数目k、初始聚类中心以及迭代次数t;其中聚类数目k以及初始聚类中心由步骤S2确定;
S3.3.利用改进后的粒子群优化算法对初始聚类中心进行更新,得到K-means聚类算法的最优聚类中心并优化聚类划分。
在本优选方案中,使用改进粒子群优化算法进行聚类中心的更新,将其聚类中心作为概率潮流计算的不确定输入,大大减少了概率潮流的计算量,提高了计算速度。
优选的,所述步骤S3.3的具体步骤包括:
S3.3.1.输入粒子群优化算法的初始参数,包括光伏出力随机数;
S3.3.2.初始化粒子群;
S3.3.3.将初始粒子群进行混沌处理,通过映射公式将混沌处理后的粒子还原到解空间,形成改进粒子群初始化矩阵B:
其中xij表示第i个粒子的第j维度数值,i=1,2,...,n,j=1,2,...,d;
S3.3.4.根据适应度函数计算粒子群适应度值,记录局部最优粒子Pbest和全局最优粒子Gbest;所述适应度函数为改进后的粒子群优化算法的目标函数,将初始化粒子群中的每一个粒子分解为k个参数并进行适应度计算,最优粒子为使得所述适应度函数最小的粒子;
S3.3.5.将改进粒子群初始化矩阵进行趋向操作,其中趋向操作包括粒子移动和粒子游动;
S3.3.6.判断粒子是否达到趋向的最大迭代次数,若达到则进行下一步;否则返回步骤S3.3.4;
S3.3.7.将趋向操作后的粒子种群进行纵横交叉操作;
S3.3.8.更新粒子的速度和位置;
S3.3.9.计算粒子群适应度值,更新局部最优粒子Pbest和全局最优粒子Gbest;
S3.3.10.迭代结束,输出全局最优解即为K-means的最优聚类中心并进行聚类划分完成聚类。
优选的,所述步骤S4具体为:
S4.1.采用均匀采样算法产生相互独立的样本:
Vm×n=[v1,...,vi,...,vm]T(vi=[vi1,vi2,...,vin]),其中vi服从[0,1]上的均匀分布;
S4.2.将Vm×n转换为对应的独立正态分布样本矩阵:
Ym×n=[y1,...,yi,...,ym]T(yi=[yi1,yi2,...,yin]);其中yi=Φ-1(vi)i=1,2,..,m;
S4.3.在相关标准正态空间,获得向量Y的相关系数矩阵ρZ;
S4.4.对ρZ进行奇异值分解ρZ=LLT,根据公式Z=L-1Y,得到相关矩阵Z;
优选的,所述步骤S5的具体步骤包括:
S5.1.将经Nataf变换后的随机聚类中心xi输入确定潮流计算方程进行计算;其中确定潮流计算方程包括节点功率方程和支路潮流方程;
S5.2.对所述节点功率方程和支路潮流方程进行泰勒展开,忽略其中的二次及以上高次项;
S5.3.计算输出变量的各阶半不变量
S5.4.利用Cornish-Fisher级数展开逼近输出变量zi的概率密度函数PDF和累积分布函数CDF:其中,设输出变量zi的分位数为α(0<α<1),则z(α)表示为:
式中,ζ(α)为标准正态分布的累积分布函数CDF的反函数;gy为zi的v阶半不变量。
优选的,步骤S6具体为:
根据zi(α)=F-1(α),得到输出变量zi的累积分布函数F(zi),对F(zi)求导则得到输出变量zi的概率密度函数f(zi),完成概率潮流计算。
与现有技术相比,本发明技术方案的有益效果是:
本发明的计及光伏相关性的概率潮流计算方法首先使用K-means聚类算法将由蒙特卡洛模拟法采样产生的光照强度数据样本进行聚类,利用基于最大偏差相似性准则的模糊聚类算法确定K-means聚类算法的k值从而解决k值难以选取的问题,其次使用改进后的粒子群算法进行优化K-means聚类算法从而提高聚类算法的精度;获取K-means聚类算法的聚类中心并将其作为潮流计算的不确定输入,大大的减少了概率潮流的计算量;最后针对半不变量潮流计算可能遇到输入变量相关系数矩阵非正定,导致常用的Cholesky分解法不再适用的情况,改用奇异值分解法进行相关系数矩阵的分解。本发明将节点功率方程和支路潮流方程进行泰勒展开,计算输出变量的半不变量,最后利用Cornish-Fisher级数展开逼近输出变量的累积分布函数CDF和概率密度函数PDF,统计潮流计算方程输出变量的概率信息,完成概率潮流计算。
附图说明
图1为本发明方法的总流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
一种计及光伏相关性的概率潮流计算方法,如图1所示,包括以下步骤:
S1.采集光伏电站的历史数据,构建光伏输出功率的概率模型并采用蒙特卡洛模拟法采样潮流计算数据集;
S2.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分,计算相应的初始聚类中心;
S3.利用改进粒子群优化算法进行所述初始聚类中心的更新,得到K-means聚类算法的最优聚类中心并优化聚类划分;
S4.对步骤S3获得的最优聚类中心数据进行Nataf变换,得到具有相关性的随机聚类中心;
S5.将所述随机聚类中心输入确定潮流计算方程进行计算;
S6.统计所述确定潮流计算方程输出变量的概率信息,完成概率潮流计算。
以下为对各个步骤的详细说明。
S1.采集光伏电站的历史数据,构建光伏输出功率的概率模型并采用蒙特卡洛模拟法采样潮流计算数据集。
S1.1.采集光伏电站的历史数据;包括各光伏电站的历史光伏出力数据集、源荷数据、对应电力系统的拓扑结构数据、随机变量间的相关系数矩阵;
S1.2.构建太阳光照光照强度的概率模型,所述太阳光照光照强度的概率模型服从Beta分布,其中,太阳光照强度的概率密度函数为:
式中,r为实际太阳光的光照强度;a和b为Beta分布的形状参数;
S1.3.利用历史光伏出力数据集拟合所述光照强度服从Beta分布的概率密度函数得到Beta分布的参数a和b;
S1.4.采用蒙特卡洛模拟法产生服从Beta分布的光照强度数据样本;在本实施例中设定随机模拟次数为50000次;
S1.5.根据光伏出力与光照强度之间的关系构建光伏出力的概率模型,求出光伏出力数据集作为潮流计算数据集;
光伏出力与光照强度之间满足分段函数的关系,其中,分段函数的表达式如下:
式中,Ppv表示实际的光伏出力;rmax表示最大光照强度;其中Ppv,N=rmax·S·η表示当光照强度为最大时的光伏出力;其中S表示为光伏电池阵列面积,η为光电转换效率。
S2.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分,计算相应的初始聚类中心。
S2.1.基于所述潮流计算数据集,计算任意两组光伏出力数据xi与xj对应点的欧氏距离xijk,其中,欧式距离的计算公式如下:
xijk=||xik-xjk||
式中,i,j=1,2,...,n,k=1,2,...,m;xik为第i个光伏电站的第k个点的光伏出力数据;xjk为第j个光伏电站的第k个点的光伏出力数据;
S2.2.计算所述两组光伏出力数据的最大偏差距离λ:
式中,ximax为第i个光伏电站中光伏出力的最大值,ximin为第i个光伏电站中光伏出力的最小值,为第i个光伏电站中光伏出力的平均出力值,xjmax为第j个光伏电站中光伏出力的最大出力值,xjmin为第j个光伏电站中光伏出力的最小出力值,为第j个光伏电站中的平均出力值;
S2.3.根据步骤S2.2得到的最大偏差距离λ,设定满足Xijk≤λ的个数为nij,满足Xijk>λ的个数为mij,构建相似时点数nij和最大偏离点时点数mij;即:
其中i,j=1,2,...,n,k=1,2,...,m;
S2.4.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分;计算聚类后的光伏出力数据的初始聚类中心;
S2.4.1.将第i个光伏出力数据xi作为对比中心,并将所有满足最大偏差相似性准则的xi分配到S(xi);其中S(xi)为与xi相似的光伏出力曲线集合;
其中最大偏差相似准则的公式为:
其中n0为[α×m],α(0 α 1);m0为[β×m],β(0 β 1-α),在本实施例中,α设为0.9,β设为0.1;
S2.4.2.将xi从原始光伏出力数据集U中删除,直至U为空则进行下一步,此时所述潮流计算数据集的光伏出力数据聚类划分为k类;否则返回步骤S2.4.1;
S2.4.3.计算聚类后的光伏出力数据的初始聚类中心:
式中,若xi令D(xi)取得最小光伏出力曲线,则xi为S(xi)类的聚类中心。
S3.利用改进粒子群优化算法进行所述初始聚类中心的更新,得到K-means聚类算法的最优聚类中心并优化聚类划分。
S3.1.构建K-means聚类目标函数:
其中ci为第i个簇中样本点的数量;k为聚类数目;xi和aj分别为第i个数据点和第j个聚类中心;
S3.2.初始化聚类数目k、初始聚类中心以及迭代次数t;其中聚类数目k以及初始聚类中心由步骤S2确定;
S3.3.利用改进后的粒子群优化算法对初始聚类中心进行更新,得到K-means聚类算法的最优聚类中心并优化聚类划分;
S3.3.1.输入粒子群优化算法的模型参数,包括光伏出力随机数;
S3.3.2.初始化粒子群;粒子种群初始化包括种群的初始化、种群最大迭代次数的设置、种群规模及种群变异概率的设置、学习因子的设置、最大惯性权重和最小惯性权重的设置、趋化次数的设置、复制参数t的设置、最大误差的设置、惯性权重的设置、空矩阵的、粒子的速度的设置;在本实施例中,最大迭代次数为1000,粒子群规模为20,变异概率为0.09,最大误差为0.001,移动学习因子c1取0.1,移动学习因子c2取0.1,移动因子c3取0.18,趋化最大惯性权重为0.9,趋化最小惯性权重为0.3,趋化次数取15,复制参数t取0.85,粒子群学习因子c1取0.3,粒子群学习因子c2取0.3,粒子群最大惯性权重为0.85,粒子群最小惯性权重为0.3;惯性权重的计算公式为:
其中Iter为当前迭代次数,MIter为最大迭代次数。
初始化时,k个聚类中心共同作为一个个体,粒子长度为k,个体总数置为为100,设置100*k的空矩阵B,矩阵B为:
S3.3.3.将初始化的粒子群进行混沌处理:将矩阵B采用Logistic方程对进行混沌处理,其中Logistic方程为:
xn+1=μxn(1-xn)
式中μ为控制变量,xn在(0,1)内且不能为混沌变量的不动点0.25,0.5,0.75;
将混沌处理后的矩阵B通过以下公式将其还原到解空间:
xi=zi(ximax-ximin)+ximin
最后,该矩阵B则为改进粒子群的初始化矩阵。
S3.3.4.根据适应度函数计算粒子群适应度值,记录局部最优粒子Pbest和全局最优粒子Gbest;所述适应度函数为改进后的粒子群优化算法的目标函数,将初始化粒子群中的每一个粒子分解为k个参数并进行适应度计算,最优粒子为使得所述适应度函数最小的粒子;
S3.3.5.将改进粒子群初始化矩阵进行趋向操作,其中趋向操作包括粒子移动和粒子游动;
其中,粒子移动的公式:
P(i,j+1,k,l)=P(i,j,k,l)+ωc(i+1)v(i+1)
其中,P(i,j,k,l))表示个体i在第j代趋向第k代繁殖第i代驱散时的位置;P(i,j+1,k,l)表示个体i在第j+1代趋向第k代繁殖第i代驱散时的位置;c(i+1)表示为步长;v(i)表示为粒子的移动速度;Δ(i)表示为随机方向上的一个单位向量;Pi表示为粒子当前位置;c1、c2、c3表示为学习因子;ω为惯性权重。
S3.3.6.判断粒子是否达到趋向的最大迭代次数,若达到则进行下一步;否则返回步骤S3.3.4;
S3.3.7.将趋向操作后的粒子种群进行纵横交叉操作;其中:
1)横向交叉采用公式:
Mhc(i,d)=r1X(i,d)+(1-r1)X(j,d)+c1(X(i,d)-X(j,d))
Mhc(j,d)=r2X(j,d)+(1-r2)X(i,d)+c2(X(j,d)-X(i,d))
式中,c1,c2为[-1,1]上的随机数;r1,r2为[-1,1]上的随机数;X(i),X(j)分别是父代粒子X(i),X(j)的第d维;Mhc(i,d),Mhc(j,d)分别为X(i,d),X(j,d)经横向交叉产生的第d维子代。
2)纵向交叉采用公式:
Mvc(i,d1)=rX(i,d1)+(1-r)X(i,d2)
r为[0,1]上的随机数;Mvc(i,d1)为粒子i的d1和d2维通过纵向交叉产生的子代粒子;
S3.3.8.更新粒子的速度和位置;
S3.3.9.计算粒子群适应度值,更新局部最优粒子Pbest和全局最优粒子Gbest;
S3.3.10.迭代结束,输出全局最优解即为K-means的最优聚类中心并进行聚类划分完成聚类。
S4.对步骤S3获得的最优聚类中心数据进行Nataf变换,得到具有相关性的随机聚类中心;
S4.1.采用均匀采样算法产生相互独立的样本:
Vm×n=[v1,...,vi,...,vm]T(vi=[vi1,vi2,...,vin]),其中vi服从[0,1]上的均匀分布;
S4.2.将Vm×n转换为对应的独立正态分布样本矩阵:
Ym×n=[y1,...,yi,...,ym]T(yi=[yi1,yi2,...,yin]);其中yi=Φ-1(vi)i=1,2,..,m;
S4.3.在相关标准正态空间,获得向量Y的相关系数矩阵ρZ;
S4.4.对ρZ进行奇异值分解ρZ=LLT,根据公式Z=L-1Y,得到相关矩阵Z;
S5.将相关性处理后的随机聚类中心输入潮流计算方程进行计算。
S5.1.将经Nataf变换后的随机聚类中心xi输入确定潮流计算方程进行计算;其中确定潮流计算方程包括节点功率方程和支路潮流方程;
节点功率方程为:
支路潮流功率方程为:
其中,j∈i表示所有和节点i相连的节点j,包括j=i;Pis、Qis分别为节点i的有功和无功注入功率,PSi、QSi分别为节点i的光伏出力的有功功率和无功功率,PLi、QLi分别为节点i负荷的有功功率和无功功率,Pis=PGi+PSi-PLi,Qis=QGi+QSi-QLi;Ui、Uj分别为节点i和j的电压幅值;θij为节点i和j间的相角差;Gij、Bij分别为导纳矩阵Yij的实部和虚部;Pij、Qij分别为支路i-j上的有功和无功潮流;bij0为支路i-j容纳的1/2;tij为支路变比标幺值。
S5.2.对节点功率方程和支路潮流方程进行泰勒展开,忽略二次及以上高次项,得到:
S5.4.利用Cornish-Fisher级数展开逼近输出变量zi的概率密度函数PDF和累积分布函数CDF;其中,设输出变量zi的分位数为α(0<α<1),则z(α)可表示为:
式中,ζ(α)为标准正态分布累积分布函数CDF的反函数;gy为zi的v阶半不变量。
S6.统计所述确定潮流计算方程输出变量的概率信息,完成概率潮流计算。
根据zi(α)=F-1(α),可得到输出变量zi的累积分布函数F(zi),对F(zi)求导则得zi的概率密度函数f(zi),完成概率潮流计算。
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种计及光伏相关性的概率潮流计算方法,其特征在于,包括以下步骤:
S1.采集光伏电站的历史数据,构建光伏输出功率的概率模型并采用蒙特卡洛模拟法采样潮流计算数据集;
S2.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分,计算相应的初始聚类中心;
S3.利用改进粒子群优化算法进行所述初始聚类中心的更新,得到K-means聚类算法的最优聚类中心并优化聚类划分;
S4.对步骤S3获得的最优聚类中心数据进行Nataf变换,得到具有相关性的随机聚类中心;
S5.将所述随机聚类中心输入确定潮流计算方程进行计算;
S6.统计所述确定潮流计算方程输出变量的概率信息,完成概率潮流计算。
2.根据权利要求1所述的计及光伏相关性的概率潮流计算方法,其特征在于,所述步骤S1具体包括:
S1.1.采集光伏电站的历史数据;
S1.2.构建太阳光照强度的概率模型,所述太阳光照强度的概率模型服从Beta分布,其中,太阳光照强度的概率密度函数为:
式中,r为实际太阳光的光照强度;a和b为Beta分布的形状参数;
S1.3.利用历史光伏出力数据集拟合所述光照强度服从Beta分布的概率密度函数得到Beta分布的参数a和b;
S1.4.采用蒙特卡洛模拟法产生服从Beta分布的光照强度数据样本;
S1.5.根据光伏出力与光照强度之间的关系构建光伏出力的概率模型,求出光伏出力数据集作为潮流计算数据集;
光伏出力与光照强度之间满足分段函数的关系,其中,分段函数的表达式如下:
3.根据权利要求2所述的计及光伏相关性的概率潮流计算方法,其特征在于,所述步骤S2具体包括:
S2.1.基于所述潮流计算数据集,计算任意两组光伏出力数据xi与xj对应点的欧氏距离xijk,其中,欧式距离的计算公式如下:
xijk=||xik-xjk||
式中,i,j=1,2,...,n,k=1,2,...,m;xik为第i个光伏电站的第k个点的光伏出力数据;xjk为第j个光伏电站的第k个点的光伏出力数据;
S2.2.计算所述两组光伏出力数据的最大偏差距离λ:
式中,ximax为第i个光伏电站中光伏出力的最大值,ximin为第i个光伏电站中光伏出力的最小值,为第i个光伏电站中光伏出力的平均出力值,xjmax为第j个光伏电站中光伏出力的最大出力值,xjmin为第j个光伏电站中光伏出力的最小出力值,为第j个光伏电站中的平均出力值;
S2.3.根据步骤S2.2得到的最大偏差距离λ,设定满足Xijk≤λ的个数为nij,满足Xijk>λ的个数为mij,构建相似时点数nij和最大偏离点时点数mij;即:
其中i,j=1,2,...,n,k=1,2,...,m;
S2.4.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分;计算聚类后的光伏出力数据的初始聚类中心。
4.根据权利要求3所述的计及光伏相关性的概率潮流计算方法,其特征在于,所述步骤S2.4具体包括:
S2.4.1.将第i个光伏出力数据xi作为对比中心,并将所有满足最大偏差相似性准则的xi分配到S(xi);其中S(xi)为与xi相似的光伏出力曲线集合;
其中最大偏差相似准则的公式为:
其中n0为[α×m],α(0≤α≤1);m0为[β×m],β(0≤β≤1),α和β为预设值;
S2.4.2.将xi从原始光伏出力数据集U中删除,直至U为空则进行下一步,此时所述潮流计算数据集的光伏出力数据聚类划分为k类;否则返回步骤S2.4.1;
S2.4.3.计算聚类后的光伏出力数据的初始聚类中心:
式中,若xi令D(xi)取得最小光伏出力曲线,则xi为S(xi)类的聚类中心。
6.根据权利要求5所述的计及光伏相关性的概率潮流计算方法,其特征在于,所述步骤S3.3具体包括:
S3.3.1.输入粒子群优化算法的初始参数,包括光伏出力随机数;
S3.3.2.初始化粒子群;
S3.3.3.将初始粒子群进行混沌处理,通过映射公式将混沌处理后的粒子还原到解空间,形成改进粒子群初始化矩阵B:
其中xij表示第i个粒子的第j维度数值,i=1,2,...,n,j=1,2,...,d;
S3.3.4.根据适应度函数计算粒子群适应度值,记录局部最优粒子Pbest和全局最优粒子Gbest;所述适应度函数为改进后的粒子群优化算法的目标函数,将初始化粒子群中的每一个粒子分解为k个参数并进行适应度计算,最优粒子为使得所述适应度函数最小的粒子;
S3.3.5.将改进粒子群初始化矩阵进行趋向操作,其中趋向操作包括粒子移动和粒子游动;
S3.3.6.判断粒子是否达到趋向的最大迭代次数,若达到则进行下一步;否则返回步骤S3.3.4;
S3.3.7.将趋向操作后的粒子种群进行纵横交叉操作;
S3.3.8.更新粒子的速度和位置;
S3.3.9.计算粒子群适应度值,更新局部最优粒子Pbest和全局最优粒子Gbest;
S3.3.10.迭代结束,输出全局最优解即为K-means的最优聚类中心并进行聚类划分完成聚类。
7.根据权利要求6所述的计及光伏相关性的概率潮流计算方法,其特征在于,所述步骤S4具体为:
S4.1.采用均匀采样算法产生相互独立的样本:
Vm×n=[v1,...,vi,...,vm]T(vi=[vi1,vi2,...,vin]),其中vi服从[0,1]上的均匀分布;
S4.2.将Vm×n转换为对应的独立正态分布样本矩阵:
Ym×n=[y1,...,yi,...,ym]T(yi=[yi1,yi2,...,yin]);其中yi=Φ-1(vi)i=1,2,..,m;
S4.3.在相关标准正态空间,获得向量Y的相关系数矩阵ρZ;
S4.4.对ρZ进行奇异值分解ρZ=LLT,根据公式Z=L-1Y,得到相关矩阵Z;
8.根据权利要求7所述的计及光伏相关性的概率潮流计算方法,其特征在于,所述步骤S5具体包括:
S5.1.将经Nataf变换后的随机聚类中心xi输入确定潮流计算方程进行计算;其中确定潮流计算方程包括节点功率方程和支路潮流方程;
S5.2.对所述节点功率方程和支路潮流方程进行泰勒展开,忽略其中的二次及以上高次项;
S5.3.计算输出变量的各阶半不变量
S5.4.利用Cornish-Fisher级数展开逼近输出变量zi的概率密度函数PDF和累积分布函数CDF:其中,设输出变量zi的分位数为α(0<α<1),则z(α)表示为:
式中,ζ(α)为标准正态分布的累积分布函数CDF的反函数;gy为zi的v阶半不变量。
9.根据权利要求8所述的计及光伏相关性的概率潮流计算方法,其特征在于,所述步骤S6具体为:
根据zi(α)=F-1(α),得到输出变量zi的累积分布函数F(zi),对F(zi)求导则得到输出变量zi的概率密度函数f(zi),完成概率潮流计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010547049.4A CN111668845B (zh) | 2020-06-16 | 2020-06-16 | 一种计及光伏相关性的概率潮流计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010547049.4A CN111668845B (zh) | 2020-06-16 | 2020-06-16 | 一种计及光伏相关性的概率潮流计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111668845A true CN111668845A (zh) | 2020-09-15 |
CN111668845B CN111668845B (zh) | 2023-04-18 |
Family
ID=72387930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010547049.4A Active CN111668845B (zh) | 2020-06-16 | 2020-06-16 | 一种计及光伏相关性的概率潮流计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111668845B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112670997A (zh) * | 2020-12-24 | 2021-04-16 | 天津大学合肥创新发展研究院 | 考虑光伏不确定性的电热能源系统时序概率潮流计算方法 |
CN112783884A (zh) * | 2021-01-29 | 2021-05-11 | 浪潮软件股份有限公司 | 一种基于正态分布的数据选优方法 |
CN113312833A (zh) * | 2021-04-16 | 2021-08-27 | 北京交通大学 | 一种分布式能源接入配电网风险评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594216A (zh) * | 2012-03-21 | 2012-07-18 | 江西省电力科学研究院 | 一种分布式光伏电源接入影响的概率评估方法 |
CN103678889A (zh) * | 2013-12-02 | 2014-03-26 | 国家电网公司 | 一种计及静态电压稳定性的光伏发电接纳能力计算方法 |
CN104268435A (zh) * | 2014-10-17 | 2015-01-07 | 国家电网公司 | 一种计算多机平衡的概率潮流的方法 |
CN109802394A (zh) * | 2019-04-01 | 2019-05-24 | 东北大学 | 一种计及分布式电源与电动汽车接入的概率潮流计算方法 |
-
2020
- 2020-06-16 CN CN202010547049.4A patent/CN111668845B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594216A (zh) * | 2012-03-21 | 2012-07-18 | 江西省电力科学研究院 | 一种分布式光伏电源接入影响的概率评估方法 |
CN103678889A (zh) * | 2013-12-02 | 2014-03-26 | 国家电网公司 | 一种计及静态电压稳定性的光伏发电接纳能力计算方法 |
CN104268435A (zh) * | 2014-10-17 | 2015-01-07 | 国家电网公司 | 一种计算多机平衡的概率潮流的方法 |
CN109802394A (zh) * | 2019-04-01 | 2019-05-24 | 东北大学 | 一种计及分布式电源与电动汽车接入的概率潮流计算方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112670997A (zh) * | 2020-12-24 | 2021-04-16 | 天津大学合肥创新发展研究院 | 考虑光伏不确定性的电热能源系统时序概率潮流计算方法 |
CN112670997B (zh) * | 2020-12-24 | 2023-12-05 | 天津大学合肥创新发展研究院 | 考虑光伏不确定性的电热能源系统时序概率潮流计算方法 |
CN112783884A (zh) * | 2021-01-29 | 2021-05-11 | 浪潮软件股份有限公司 | 一种基于正态分布的数据选优方法 |
CN113312833A (zh) * | 2021-04-16 | 2021-08-27 | 北京交通大学 | 一种分布式能源接入配电网风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111668845B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | A novel wind speed forecasting system based on hybrid data preprocessing and multi-objective optimization | |
Wang et al. | A novel hybrid system based on a new proposed algorithm—Multi-Objective Whale Optimization Algorithm for wind speed forecasting | |
CN111668845B (zh) | 一种计及光伏相关性的概率潮流计算方法 | |
Tan et al. | Multi-objective energy management of multiple microgrids under random electric vehicle charging | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
Zhang et al. | Wavelet-based neural network with genetic algorithm optimization for generation prediction of PV plants | |
CN110598915B (zh) | 一种热电联供的微电网经济优化方法 | |
CN112381262B (zh) | 考虑负荷电压特性及新能源强不确定性的微电网规划方法 | |
CN111797132B (zh) | 考虑时空相关性的多可再生能源电站功率场景生成方法 | |
CN115169543A (zh) | 一种基于迁移学习的短期光伏功率预测方法及系统 | |
CN112213945A (zh) | 电动汽车参与微网群调频的改进鲁棒预测控制方法和系统 | |
CN114330100A (zh) | 一种短期光伏功率概率区间预测方法 | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
CN113363976B (zh) | 一种基于场景图的风光水互补发电系统中期优化调度方法 | |
Chen et al. | Improved progressive optimality algorithm and its application to determination of optimal release trajectory of long-term power generation operation of cascade reservoirs | |
CN116191511A (zh) | 一种光储联合系统日运行规划的优化方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN113902492A (zh) | 一种分时电价预测方法及系统 | |
Yin et al. | Quantum-inspired distributed policy-value optimization learning with advanced environmental forecasting for real-time generation control in novel power systems | |
Guo et al. | Robust Optimal Dispatch of Power Grid Considering Wind/PV Power Uncertainties | |
Amine et al. | Maximum power point tracking using IT2FL Tuned with GA | |
Chen et al. | Short-Term Photovoltaic Power Prediction Algorithm Based on Improved BP Neural Network | |
Zeng et al. | Photovoltaic Power Generation Prediction Based on Correlation Analysis and GA-BP Neural Network | |
Kaddoura | Simulation and Optimization of Energy Systems |
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 |