CN111900716A - 一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法 - Google Patents

一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法 Download PDF

Info

Publication number
CN111900716A
CN111900716A CN202010525323.8A CN202010525323A CN111900716A CN 111900716 A CN111900716 A CN 111900716A CN 202010525323 A CN202010525323 A CN 202010525323A CN 111900716 A CN111900716 A CN 111900716A
Authority
CN
China
Prior art keywords
random
power
sparse
power flow
node
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
CN202010525323.8A
Other languages
English (en)
Other versions
CN111900716B (zh
Inventor
李静
李艳君
肖铎
杜鹏英
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.)
Zhejiang University City College ZUCC
Original Assignee
Zhejiang University City College ZUCC
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 Zhejiang University City College ZUCC filed Critical Zhejiang University City College ZUCC
Priority to CN202010525323.8A priority Critical patent/CN111900716B/zh
Publication of CN111900716A publication Critical patent/CN111900716A/zh
Application granted granted Critical
Publication of CN111900716B publication Critical patent/CN111900716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，为包含高比例间歇性可再生能源以及负荷的节点功率随机波动下电力系统随机潮流计算方法，该算法考虑随机时序性对风、光间歇性可再生能源和负荷这些电网运行中的节点注入功率的随机特性进行建模，基于随机空间谱逼近方法来逼近概率潮流方程的随机解，并基于l1‑l2范数最小的稀疏优化方法，利用少量样本信息获得高维潮流随机空间的稀疏多项式逼近模型。该算法稳定且逼近精度高，可广泛应用于高维随机因素影响下电力系统随机潮流分析。为可再生能源的合理消纳和保证电力系统安全稳定运行提供参考。

Description

一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法
技术领域
本发明属于电力系统优化技术领域，尤其涉及一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法。
背景技术
随着可再生能源发电技术的发展，基于风电、光伏等具有波动特性的分布式电源高比例多点并网运行后，电力系统运行受到大量随机因素影响，使得概率潮流分析计算成为电力系统不确定性分析的重要工具。求解概率潮流的传统技术是利用Monte-Carlo模拟法、矩近似法和以卷积法为核心代表的解析法，但面对大规模间接性能源带来的不确定因素，需要克服高维随机变量带来的维数灾难和计算精度低的缺点。
发明内容
本发明旨在克服现有技术的不足，提供一种基于谱方法的电力系统概率潮流分析计算方法，该方法利用稀疏混沌多项式逼近高维随机参考空间的电力系统随机潮流解。
为达到上述目的，本发明提供一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，该方法包括以下几个步骤：
S1：建立电力系统高维随机输入的低阶模拟模型，具体包括以下的步骤：
S1.1：由于负荷及风力、太阳能光伏电源出力的随机波动性，在任一时刻t电力系统的节点注入功率视作是随机变量，该随机变量在时间维度上的扩充构成了随机过程。则在t时刻电网节点i处的注入功率为：
Figure BDA0002533537670000011
Figure BDA0002533537670000012
式中，pi(t)和qi(t)表示t时刻安装在电网节点i注入有功和无功功率的预测值，
Figure BDA0002533537670000013
和
Figure BDA0002533537670000014
表示t时刻电网节点i处的有功和无功随机参数，该反映在节点功率的预测误差上，预测误差在任意时刻t的随机特性均满足正态分布，则预测误差属于高斯随机过程。
S1.2：取如下指数形式的核函数Cpp(t1,t2)和Cqq(t1,t2)描述高斯随机过程：
Figure BDA0002533537670000015
式中，lp和lq分别表示有功和无功预测误差随机过程的关联长度。将系统周期分为T个时间点{t1,…,tT}，可得高斯随机过程的T×T相关矩阵Cpp或Cqq，并对矩阵进行主成分分析，将矩阵特征值从大到小排序，取前M(M<T)项的特征值
Figure BDA0002533537670000021
或
Figure BDA0002533537670000022
和特征函数
Figure BDA0002533537670000023
或
Figure BDA0002533537670000024
Figure BDA0002533537670000025
Figure BDA0002533537670000026
建立随机过程的Karhunen-Loeve展开并取前M项截断，如下所示：
Figure BDA0002533537670000027
Figure BDA0002533537670000028
式中，M为截断的阶数；
Figure BDA0002533537670000029
为互不相关的随机变量；
S2：利用混沌多项式(gPC)展开技术，基于样本随机配置点逼近概率潮流方程的随机解，得到节点电压的谱逼近近似模型；具体如下：
S2.1计及随机参数影响，t时刻H个节点电力系统的潮流方程如下所示：
Figure BDA00025335376700000210
Figure BDA00025335376700000211
式中，
Figure BDA00025335376700000212
分别为该时刻节点i处的节点电压和相角。
Figure BDA00025335376700000213
表示节点i与j之间的电压相角差。Gij和Bij分别为节点导纳矩阵第i行j列元素的实部和虚部。
S2.2：在给定节点注入功率影响下，随机潮流方程(8)～(9)的精确解
Figure BDA00025335376700000214
的多项式逼近为：
Figure BDA00025335376700000215
Figure BDA00025335376700000216
式中，N为多项式展开的项数，
Figure BDA00025335376700000217
为正交多项式的第n项基函数，
Figure BDA00025335376700000218
和
Figure BDA00025335376700000219
为第n项基函数对应的逼近系数。
S2.3：对于高斯随机过程，选择基函数为Hermite正交基：
Figure BDA00025335376700000220
前三项Hermit多项式为：
Figure BDA00025335376700000221
正交性关系为：
Figure BDA0002533537670000031
其中，
Figure BDA0002533537670000032
为高斯分布的概率密度函数，δnk为Kronecker算子。对于M维随机变量
Figure BDA0002533537670000033
则多项式展开式(10)～(11)中的基函数
Figure BDA0002533537670000034
是M个单变量基函数的张量积：
Figure BDA0002533537670000035
S2.4：在随机空间选取样本集
Figure BDA0002533537670000036
将这些样本值代入到潮流方程求解：
Figure BDA0002533537670000037
式中，fPF()表示如式(8)、(9)所示的非线性潮流方程，解出样本下的电网状态值：
Figure BDA0002533537670000038
Figure BDA0002533537670000039
式中，H表示电网的节点总个数。
将样本
Figure BDA00025335376700000310
和相应的样本解
Figure BDA00025335376700000311
代入到式(10)、(11)中，得到一组线性方程组，解方程组获得多项式逼近的系数，即可获得节点电压的谱逼近近似模型。
S3：建立高维潮流随机空间的稀疏多项式逼近模型。具体如下：
选取小样本集
Figure BDA00025335376700000312
K′＜N，通过稀疏优化算法重构稀疏的多项式逼近。
Figure BDA00025335376700000313
式中，
Figure BDA00025335376700000314
和
Figure BDA00025335376700000315
为列向量，矩阵Φ为K′行N+1列矩阵，它的第k行n列元素为
Figure BDA00025335376700000316
Figure BDA00025335376700000317
表示向量
Figure BDA00025335376700000318
非零元素的个数。
将优化问题(17)进行凸化，通过求解以下优化问题，寻求l1范数下的稀疏解：
Figure BDA00025335376700000319
Figure BDA00025335376700000320
式中，
Figure BDA00025335376700000321
∈表示多项式逼近空间稀疏展开的截断误差。将稀疏优化问题(20)～(21)的最优解代入到(10)～(11)中获得节点电压和潮流的多项式逼近。
节点电压的均值μV,i和方差
Figure BDA00025335376700000322
可以由多项式系数来计算，如下所示：
Figure BDA0002533537670000041
Figure BDA0002533537670000042
式中，E[]表示数学期望。
同理可得
Figure BDA0002533537670000043
的均值和方差；完成电力系统概率潮流的计算，能够快速获得高维不确定性因素影响下系统输出响应的概率分布。
进一步地，步骤S1中，利用Karhunen-Loeve展开技术建立电力系统高维随机输入的低阶模拟模型。
进一步地，步骤S1.1中，所述有功和无功功率的预测值包含风力、光伏电源出力和负荷预测。
进一步地，步骤S3中，基于l1-l2范数最小的稀疏优化方法，利用少量样本信息获得高维潮流随机空间的稀疏多项式逼近模型。
进一步地，步骤S3中，由于不确定因素对电网运行的影响，电网节点电压
Figure BDA0002533537670000044
和
Figure BDA0002533537670000045
波动的概率分布和数字特征可以由
Figure BDA0002533537670000046
和
Figure BDA0002533537670000047
的概率分布和数字特征近似描述；
Figure BDA0002533537670000048
和
Figure BDA0002533537670000049
的概率分布可根据式(10)和(11)所示对随机变量ξ采样求出。
本发明与现有技术相比，具有以下显著优势：1)本发明基于随机场的理论描述风、光出力和负荷功率随机波动的时序变化特性，并结合随机场的Karhunen-Loeve展开逼近，获得电力系统随机潮流中高维随机空间的低阶近似模型，该方法更具工程指导意义。2)本发明建立了随机潮流解空间的稀疏多项式谱逼近模型，结合l1-l2范数最小的稀疏优化算法，能够在少量的样本信息下完成随机潮流的不确定性量化，计算效率高同时数值精度满足工程要求，更适用于高密度新能源接入下的电网随机潮流分析。
附图说明
图1为潮流不确定量化算法流程图；
图2为含新能源电源的33节点配电网。
具体实施方法
为了更清晰直观的表达本发明的思路，下面结合具体实施方式对本发明的技术方案作进一步的介绍。以如图2所示33节点配电网为例，其中4、6、7、14、16、20、24、25、30和32节点分别接入了风、光可再生能源电源，对该网络的随机潮流分析，所提基于稀疏混沌多项式逼近对电网的随机潮流不确定性量化，算法流程如附图1所示，具体步骤如下：
S1：利用Karhunen-Loeve展开技术建立电网高维随机输入的低阶模拟模型。
S2：利用混沌多项式(gPC)展开技术，基于样本随机配置点逼近概率潮流方程的随机解。
S3：基于l1-l2范数最小的稀疏优化方法，利用少量样本信息获得高维潮流随机空间的稀疏多项式逼近模型。
进一步，所述步骤S1中，随机场的低阶模拟模型构建方法包括以下的步骤：
S1.1：由于负荷及风力、太阳能光伏电源出力的随机波动性，在每一时刻t可以看作是随机变量，该随机变量在时间维度上的扩充构成了随机过程。电网在节点4、6、7、14、16、20、24、25、30和32这10个节点处接入了可再生能源电源，则在t时刻节点的注入功率为：
Figure BDA0002533537670000051
Figure BDA0002533537670000052
式中，pi(t)和qi(t)表示t时刻安装在节点i注入有功和无功功率的预测值(包含电源出力和负荷预测)，
Figure BDA0002533537670000053
和
Figure BDA0002533537670000054
表示t时刻节点i处的有功和无功随机参数。通常，该随机参数来源于分布式电源随机特性，反映在节点功率的预测误差上，根据功率预测和实测数据的统计信息，可以用高斯分布拟合预测误差的随机波动，在任意时刻t的随机特性均满足高斯分布，则预测误差属于高斯随机过程。
S1.2：取如下指数形式的核函数Cpp(t1,t2)和Cqq(t1,t2)描述高斯随机过程：
Figure BDA0002533537670000055
式中，lp和lq分别表示有功和无功预测误差随机过程的关联长度。将系统周期T分为24个时间点{t1,…,t24}，可得该随机过程的24×24相关矩阵Cpp(Cqq)，并对矩阵进行主成分分析，将矩阵特征值从大到小排列，取前M＝5项特征值
Figure BDA0002533537670000056
和特征函数
Figure BDA0002533537670000057
Figure BDA0002533537670000058
Figure BDA0002533537670000059
建立随机过程的Karhunen-Loeve展开并取前5项截断，如下所示：
Figure BDA00025335376700000510
Figure BDA00025335376700000511
式中，截断的阶数为5；
Figure BDA00025335376700000512
为互不相关的随机变量，因此用5维随机变量来模拟随机过程。
所述步骤S2中，基于样本随机配置点逼近概率潮流方程的随机解包含以下几个步骤；
S2.1计及随机参数影响，t时刻H个节点电力系统的潮流方程如下所示：
Figure BDA0002533537670000061
Figure BDA0002533537670000062
式中，
Figure BDA0002533537670000063
分别为该时刻节点i处的节点电压和相角。
Figure BDA0002533537670000064
表示节点i与j之间的电压相角差。Gij和Bij分别为节点导纳矩阵第i行j列元素的实部和虚部。
Figure BDA0002533537670000065
为描述节点功率随机特性的5维随机输入参数。本案例中，计及节点注入的可再生能源随机波动特性，节点注入有功和无功功率的随机量
Figure BDA0002533537670000066
由步骤S1所建立的K-L模型来描述，如式(6)和(7)所示。
S2.2：在给定节点注入功率影响下，随机潮流方程(8)～(9)的精确解
Figure BDA0002533537670000067
的多项式逼近为：
Figure BDA0002533537670000068
Figure BDA0002533537670000069
式中，N为多项式展开的项数，
Figure BDA00025335376700000610
为正交多项式的基函数，
Figure BDA00025335376700000611
和
Figure BDA00025335376700000612
为第n项基函数对应的逼近系数。
S2.3：根据随机变量的分布特性可以选择不同的基函数，对于本发明中的高斯随机过程，对应最佳基函数为Hermite正交基：
Figure BDA00025335376700000613
前三项Hermit多项式为：
Figure BDA00025335376700000614
正交性关系为：
Figure BDA00025335376700000615
其中，
Figure BDA00025335376700000616
为高斯分布的概率密度函数，δnk为Kronecker算子。多项式展开式(10)～(11)中的基函数
Figure BDA00025335376700000617
是5个单变量基函数的张量积，
Figure BDA00025335376700000618
S2.4：在随机空间选取样本集
Figure BDA00025335376700000619
将这些样本值代入到潮流方程求解：
Figure BDA00025335376700000620
式中，fPF()表示如式(8)、(9)所示的非线性潮流方程，解出样本下的电网状态值:
Figure BDA0002533537670000071
Figure BDA0002533537670000072
式中，H表示电网的节点总个数。将相应的样本解
Figure BDA0002533537670000073
代入到式(10)、(11)中，求解出多项式逼近的系数，便可以获得随机变量的谱逼近近似模型。
所述步骤S3中，基于l1-l2范数最小的稀疏优化方法求取逼近多项式展开系数，选取小样本集
Figure BDA0002533537670000074
本案例选取样本个数K′＝200，通过稀疏优化算法重构稀疏的多项式逼近。
Figure BDA0002533537670000075
式中，
Figure BDA0002533537670000076
和
Figure BDA0002533537670000077
表示列向量，矩阵Φ为K′行N+1列矩阵，它的第k行n列元素为
Figure BDA0002533537670000078
Figure BDA0002533537670000079
表示向量
Figure BDA00025335376700000710
非零元素的个数。
将优化问题(17)进行凸化，寻求l1范数下的稀疏解，且考虑实际应用中截断的误差或数据噪声误差，可以通过求解以下优化问题：
Figure BDA00025335376700000711
Figure BDA00025335376700000712
式中，
Figure BDA00025335376700000713
∈表示误差。
将稀疏优化问题(20)～(21)的最优解代入到(10)～(11)中便获得节点电压和潮流的多项式逼近。考虑到不确定因素对电网运行的影响，电网节点电压
Figure BDA00025335376700000714
和
Figure BDA00025335376700000715
波动的概率分布和数字特征可以由
Figure BDA00025335376700000716
和
Figure BDA00025335376700000717
的概率分布和数字特征近似描述。
Figure BDA00025335376700000718
和
Figure BDA00025335376700000719
的概率分布可根据式(10)和(11)所示对随机变量ξ采样来求出。
Figure BDA00025335376700000720
的均值μV,i和方差
Figure BDA00025335376700000721
可以由多项式系数来计算，如下所示：
Figure BDA00025335376700000722
Figure BDA00025335376700000723
式中，E[]表示数学期望。同理可得θi N(t,ξ)的均值和方差。
综上所述完成电力系统概率潮流的计算，能够快速获得高维不确定性因素影响下系统输出响应的概率分布，可以进一步分析可再生能源不确定性对电力系统节点电压、频率以及线路损耗的影响，为可再生能源的合理消纳和保证电力系统安全稳定运行提供参考。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，其特征在于，该方法包括以下几个步骤：
S1：建立电力系统高维随机输入的低阶模拟模型，具体包括以下的步骤：
S1.1：由于负荷及风力、太阳能光伏电源出力的随机波动性，在任一时刻t电力系统的节点注入功率视作是随机变量，该随机变量在时间维度上的扩充构成了随机过程。则在t时刻电网节点i处的注入功率为：
Figure FDA0002533537660000011
Figure FDA0002533537660000012
式中，pi(t)和qi(t)表示t时刻安装在电网节点i注入有功和无功功率的预测值，
Figure FDA0002533537660000013
表示随机变量，
Figure FDA0002533537660000014
和
Figure FDA0002533537660000015
表示t时刻电网节点i处的有功和无功随机参数，反映在节点功率的预测误差上，预测误差在任意时刻t的随机特性均满足正态分布，则预测误差属于高斯随机过程。
S1.2：取如下指数形式的核函数Cpp(t1,t2)和Cqq(t1,t2)描述高斯随机过程：
Figure FDA0002533537660000016
式中，lp和lq分别表示有功和无功预测误差随机过程的关联长度。将系统周期分为T个时间点{t1,…,tT}，可得高斯随机过程的T×T相关矩阵Cpp或Cqq，并对矩阵进行主成分分析，将矩阵特征值从大到小排序，取前M(M<T)项的特征值
Figure FDA0002533537660000017
或
Figure FDA0002533537660000018
和特征函数
Figure FDA0002533537660000019
或
Figure FDA00025335376600000110
Figure FDA00025335376600000111
Figure FDA00025335376600000112
建立随机过程的Karhunen-Loeve展开并取前M项截断，如下所示：
Figure FDA00025335376600000113
Figure FDA00025335376600000114
式中，M为截断的阶数；
Figure FDA00025335376600000115
为互不相关的随机变量；
S2：利用混沌多项式(gPC)展开技术，基于样本随机配置点逼近概率潮流方程的随机解，得到节点电压的谱逼近近似模型；具体如下：
S2.1计及随机参数影响，t时刻H个节点电力系统的潮流方程如下所示：
Figure FDA0002533537660000021
Figure FDA0002533537660000022
式中，
Figure FDA0002533537660000023
分别为该时刻节点i处的节点电压和相角。
Figure FDA0002533537660000024
表示节点i与j之间的电压相角差。Gij和Bij分别为节点导纳矩阵第i行j列元素的实部和虚部。
S2.2：在给定节点注入功率影响下，随机潮流方程(8)～(9)的精确解
Figure FDA0002533537660000025
的多项式逼近为：
Figure FDA0002533537660000026
Figure FDA0002533537660000027
式中，N为多项式展开的项数，
Figure FDA0002533537660000028
为正交多项式的第n项基函数，
Figure FDA0002533537660000029
和
Figure FDA00025335376600000210
为第n项基函数对应的逼近系数。
S2.3：对于高斯随机过程，选择基函数为Hermite正交基：
Figure FDA00025335376600000211
前三项Hermit多项式为：
Figure FDA00025335376600000212
正交性关系为：
Figure FDA00025335376600000213
其中，
Figure FDA00025335376600000214
为高斯分布的概率密度函数，δnk为Kronecker算子。对于M维随机变量
Figure FDA00025335376600000215
则多项式展开式(10)～(11)中的基函数
Figure FDA00025335376600000216
是M个单变量基函数的张量积：
Figure FDA00025335376600000217
S2.4：在随机空间选取样本集
Figure FDA00025335376600000218
将这些样本值代入到潮流方程求解：
Figure FDA00025335376600000219
式中，fPF()表示如式(8)、(9)所示的非线性潮流方程，解出样本下的电网状态值：
Figure FDA00025335376600000220
Figure FDA00025335376600000221
式中，H表示电网的节点总个数。
将样本
Figure FDA0002533537660000031
和相应的样本解
Figure FDA0002533537660000032
代入到式(10)、(11)中，得到一组线性方程组，解方程组获得多项式逼近的系数，即可获得节点电压的谱逼近近似模型。
S3：建立高维潮流随机空间的稀疏多项式逼近模型。具体如下：
选取小样本集
Figure FDA0002533537660000033
通过稀疏优化算法重构稀疏的多项式逼近。
Figure FDA0002533537660000034
式中，
Figure FDA0002533537660000035
和
Figure FDA0002533537660000036
为列向量，矩阵Φ为K′行N+1列矩阵，它的第k行n列元素为
Figure FDA0002533537660000037
Figure FDA0002533537660000038
表示向量
Figure FDA0002533537660000039
非零元素的个数。
将优化问题(17)进行凸化，通过求解以下优化问题，寻求l1范数下的稀疏解：
Figure FDA00025335376600000310
Figure FDA00025335376600000311
式中，
Figure FDA00025335376600000312
表示多项式逼近空间稀疏展开的截断误差。将稀疏优化问题(20)～(21)的最优解代入到(10)～(11)中获得节点电压和潮流的多项式逼近。
节点电压的均值μV,i和方差
Figure FDA00025335376600000313
可以由多项式系数来计算，如下所示：
Figure FDA00025335376600000314
Figure FDA00025335376600000315
式中，E[]表示数学期望。
同理可得
Figure FDA00025335376600000316
的均值和方差；完成电力系统概率潮流的计算，能够快速获得高维不确定性因素影响下系统输出响应的概率分布。
2.根据权利要求1所述的一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，其特征在于，步骤S1中，利用Karhunen-Loeve展开技术建立电力系统高维随机输入的低阶模拟模型。
3.根据权利要求1所述的一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，其特征在于，步骤S1.1中，所述有功和无功功率的预测值包含风力、光伏电源出力和负荷预测。
4.根据权利要求1所述的一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，其特征在于，步骤S3中，基于l1-l2范数最小的稀疏优化方法，利用少量样本信息获得高维潮流随机空间的稀疏多项式逼近模型。
5.根据权利要求1所述的一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，其特征在于，步骤S3中，由于不确定因素对电网运行的影响，电网节点电压
Figure FDA0002533537660000041
和
Figure FDA0002533537660000042
波动的概率分布和数字特征可以由
Figure FDA0002533537660000043
和
Figure FDA0002533537660000044
的概率分布和数字特征近似描述；
Figure FDA0002533537660000045
和
Figure FDA0002533537660000046
的概率分布可根据式(10)和(11)所示对随机变量ξ采样求出。
CN202010525323.8A 2020-06-10 2020-06-10 基于稀疏混沌多项式逼近的随机潮流不确定性量化方法 Active CN111900716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010525323.8A CN111900716B (zh) 2020-06-10 2020-06-10 基于稀疏混沌多项式逼近的随机潮流不确定性量化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010525323.8A CN111900716B (zh) 2020-06-10 2020-06-10 基于稀疏混沌多项式逼近的随机潮流不确定性量化方法

Publications (2)

Publication Number Publication Date
CN111900716A true CN111900716A (zh) 2020-11-06
CN111900716B CN111900716B (zh) 2022-08-09

Family

ID=73207535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010525323.8A Active CN111900716B (zh) 2020-06-10 2020-06-10 基于稀疏混沌多项式逼近的随机潮流不确定性量化方法

Country Status (1)

Country Link
CN (1) CN111900716B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112886596A (zh) * 2021-01-22 2021-06-01 河海大学 一种基于不确定性最优潮流的配电网可再生能源消纳能力计算方法
CN113158315A (zh) * 2021-04-28 2021-07-23 中南大学 一种基于静力触探数据的岩土体参数三维非平稳条件随机场建模方法
CN113221311A (zh) * 2021-02-02 2021-08-06 中国人民解放军国防科技大学 一种大气边界层风速的不确定性量化方法
CN116702334A (zh) * 2023-08-04 2023-09-05 中国人民解放军国防科技大学 一种用于固体发动机总体设计案例的稀疏化存储方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107204618A (zh) * 2017-05-05 2017-09-26 郓城金河热电有限责任公司 基于数字交错技术的拟蒙特卡洛随机潮流计算方法
CN110456188A (zh) * 2019-07-23 2019-11-15 上海交通大学 稀疏多项式混沌展开的电力系统稳定性检测系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107204618A (zh) * 2017-05-05 2017-09-26 郓城金河热电有限责任公司 基于数字交错技术的拟蒙特卡洛随机潮流计算方法
CN110456188A (zh) * 2019-07-23 2019-11-15 上海交通大学 稀疏多项式混沌展开的电力系统稳定性检测系统及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘瑜等: "基于盲源分离技术的电力用户负荷曲线估计", 《电工技术学报》 *
孙鑫等: "基于稀疏多项式混沌展开的可用输电能力不确定性量化分析", 《中国电机工程学报》 *
於阳等: "风力发电系统短期功率在线预测仿真研究", 《计算机仿真》 *
李怡宁等: "基于广义多项式混沌法的电力系统随机潮流", 《电力系统自动化》 *
林济铿等: "基于自适应稀疏伪谱逼近新方法的随机潮流计算", 《中国电机工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112886596A (zh) * 2021-01-22 2021-06-01 河海大学 一种基于不确定性最优潮流的配电网可再生能源消纳能力计算方法
CN112886596B (zh) * 2021-01-22 2022-08-30 河海大学 一种基于不确定性最优潮流的配电网可再生能源消纳能力计算方法
CN113221311A (zh) * 2021-02-02 2021-08-06 中国人民解放军国防科技大学 一种大气边界层风速的不确定性量化方法
CN113158315A (zh) * 2021-04-28 2021-07-23 中南大学 一种基于静力触探数据的岩土体参数三维非平稳条件随机场建模方法
CN116702334A (zh) * 2023-08-04 2023-09-05 中国人民解放军国防科技大学 一种用于固体发动机总体设计案例的稀疏化存储方法
CN116702334B (zh) * 2023-08-04 2023-10-20 中国人民解放军国防科技大学 一种用于固体发动机总体设计案例的稀疏化存储方法

Also Published As

Publication number Publication date
CN111900716B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN111900716B (zh) 基于稀疏混沌多项式逼近的随机潮流不确定性量化方法
Tian et al. A prediction approach using ensemble empirical mode decomposition‐permutation entropy and regularized extreme learning machine for short‐term wind speed
Huang et al. A hybrid maximum power point tracking approach for photovoltaic systems under partial shading conditions using a modified genetic algorithm and the firefly algorithm
Wang et al. A scenario-based analytical method for probabilistic load flow analysis
CN108063456B (zh) 分布式光伏发电并网规划方法及终端设备
CN113746087B (zh) 基于ctgan的电网暂稳样本可控生成以及评估方法和系统
CN109038592B (zh) 一种采样方法及应用该采样方法的概率潮流计算方法
CN110795691B (zh) 基于改进拟蒙特卡洛法的配电网风险评估方法
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
Wang et al. A two-stage method for assessment of voltage stability in power system with renewable energy
CN111525569A (zh) 一种区域综合能源系统优化调度方法、系统及设备
CN105024645B (zh) 一种基于矩阵进化的光伏阵列故障定位方法
CN112865089A (zh) 一种改进的主动配电网大规模场景分析方法
CN115619025A (zh) 基于meemd与最优组合集成的电力负荷三角模糊预测方法
CN111900715B (zh) 计及高密度分布式电源随机出力的配电网优化调度方法
Wu et al. Uncertain flow calculations of a distribution network containing DG based on blind number theory
CN109861293B (zh) 光伏不确定性对电力系统小信号稳定性影响的评估方法
CN110707703A (zh) 基于改进Nataf变换的含高维相关不确定源的概率潮流高效计算方法
CN111274542A (zh) 基于藤copula和混合偏移正态分布的置信容量评估方法及装置
CN116565863A (zh) 一种基于时空相关性的短期光伏出力预测方法
CN108879691B (zh) 一种大规模连续潮流计算的方法及装置
Cao et al. Probabilistic load flow using latin hypercube sampling with dependence for distribution networks
Zhang et al. Wind farm wind power prediction method based on CEEMDAN and DE optimized DNN neural network
CN109494747B (zh) 一种基于交替梯度算法的电网概率潮流计算方法
CN111797564A (zh) 一种高维分布式光伏出力的相关性样本获取方法及系统

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