CN113328467B - 一种概率电压稳定性评估方法、系统、终端设备及介质 - Google Patents
一种概率电压稳定性评估方法、系统、终端设备及介质 Download PDFInfo
- Publication number
- CN113328467B CN113328467B CN202110582365.XA CN202110582365A CN113328467B CN 113328467 B CN113328467 B CN 113328467B CN 202110582365 A CN202110582365 A CN 202110582365A CN 113328467 B CN113328467 B CN 113328467B
- Authority
- CN
- China
- Prior art keywords
- voltage stability
- probability
- load
- representing
- probabilistic
- 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.)
- Active
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
- H02J3/38—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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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]
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- 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
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Abstract
本发明提供一种概率电压稳定性评估方法、系统、终端设备及介质，涉及电力系统运维管理技术领域，所述方法包括：确定与电力系统在某一运行状态下出现的所有有效的网络拓扑一一对应的电压稳定性分析模型；并获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集；将所述电压稳定性分析模型和所述初始数据集作为输入，分发至所述计算机系统配置的每个CPU处理器做并行运算并做负载均衡，生成初始概率电压稳定性评估结果。本发明通过对不确定性输入变量如网络拓扑、风电出力及负荷出力做概率特性模拟，并优先处理离散型随机变量，再对连续型随机变量做并行运算并做负载均衡，能够提高概率电压稳定性评估的准确性及运算效率。
Description
技术领域
本发明涉及电力系统运维管理技术领域，具体涉及一种概率电压稳定性评估方法、系统、终端设备及介质。
背景技术
随着风电并网规模逐渐扩大，风电出力的不确定性使电力系统电压稳定性问题变得更加严峻复杂，而概率电压稳定性分析能够考虑风电出力的不确定性对电力系统电压稳定性的影响，是分析高比例风电渗透情境中电力系统电压稳定性的有力工具。
在对现有技术的研究和实践过程中，本发明的发明人发现当前的概率电压稳定性分析是在假定电力系统元件工作状态正常的基础上进行的，但实际上电力系统元件的工作状态也会受到自然环境及其本身使用寿命的影响，同样存在不确定性，因此，当前的概率电压稳定性分析并不能反映实际电力系统电压稳定状况。同时，在高比例风电渗透情境中输入变量的样本点足够庞大时，基于多核处理器或计算机数量有限的计算机集群，利用串行结构或简单的并行结构存在计算资源利用不合理的问题，进行概率电压稳定性分析时在运算效率方面并不理想。
基于上述现有技术中存在的问题和缺点，有必要提供一种高准确性及高运算效率的概率电压稳定性评估方法。
发明内容
本发明的目的在于，提供一种概率电压稳定性评估方法、系统、计算机系统及介质，所述方法能够提高概率电压稳定性评估的准确性及运算效率，用于解决当前的概率电压稳定性分析并不能反映实际电力系统电压稳定状况及计算资源利用不合理导致进行概率电压稳定性分析时在运算效率低下的问题。
为了克服上述现有技术中存在的问题和缺点，本发明提供了一种概率电压稳定性评估方法，所述方法由计算机系统执行，包括：
确定与电力系统在某一运行状态下出现的所有有效的网络拓扑一一对应的电压稳定性分析模型；并
获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集；
将所述电压稳定性分析模型和所述初始数据集作为输入，分发至所述计算机系统配置的每个CPU处理器做并行运算并做负载均衡，生成初始概率电压稳定性评估结果。
优选地，所述的概率电压稳定性评估方法，还包括：
对所有所述初始概率电压稳定性评估结果进行统计分析，得到最终概率电压稳定性评估结果；其中，
所述最终概率电压稳定性评估结果，包括：电压稳定裕度均值、均值的相对误差百分数、电压稳定裕度标准差、标准差的相对误差百分数，及概率电压稳定性评估的运算时间。
优选地，将所述电压稳定性分析模型和所述初始数据集作为输入，分发至所述计算机系统配置的每个CPU处理器做并行运算并做负载均衡，包括：
在概率电压稳定性评估的开始时刻，将与所述计算机系统配置的CPU处理器核数同等数量的所述电压稳定性分析模型和所述初始数据集作为输入，同时分发至所述计算机系统配置的每个CPU处理器做并行运算；
此后，对每个CPU处理器是否处于进行概率电压稳定性分析的工作状态进行实时监测，并即时将下一个待输入的所述电压稳定性分析模型和所述初始数据集分发至当前不处于进行概率电压稳定性分析的工作状态的CPU处理器进行运算；
直至所有电压稳定性分析模型被分发完，且所有CPU处理器运算结束。
优选地，所述电压稳定性分析模型的数量和所述初始数据集的数量均大于所述计算机系统配置的CPU处理器核数。
优选地，所述电压稳定性分析模型，由以下公式确定：
其中，N表示电力系统中节点的总数量，i表示节点编号，PLi0和QLi0分别表示第i个节点的有功和无功基准负荷，PGi0和QGi0表示第i个节点的传统发电机有功和无功出力的基准量，PRi和QRi为第i个节点的新能源出力的有功和无功功率，KGi和KLi分别表示负荷和传统发电机出力的乘子系数，Vi表示第i个节点的电压幅值，δij＝δi-δj，δi表示第i个节点的功角、δj表示第j个节点的功角，Gij表示电网中第i个节点和第j个节点之间的线路电导值，Bij表示电网中第i个节点和第j个节点之间的线路电纳值；
当负荷裕度参数ε逐渐从0增长至εnose，此时电力系统运行于临界状态，表示电力系统处于电压崩溃边缘，其中εnose表示最大负荷裕度处，是电力系统电压稳定裕度的关键指标，εnose即输出响应。
优选地，所述CPU处理器做运算的过程，至少包括：
判断每个CPU处理器被分发的电压稳定性分析模型是否收敛，若收敛记为kt＝0，停止运算；若不收敛记为kt＝1，开始运算；
判断运算结果是否满足以下关系式：
其中，σt表示第t个电压稳定性分析模型收敛判据指标，V(εnose)t表示第t个电压稳定性分析模型最大负荷裕度的方差，E(εnose)t为第t个电压稳定性分析模型最大负荷裕度的均值，num_TUO表示电压稳定性分析模型的个数；Λ表示算法的收敛判据指标，Λ＝0表示算法收敛；
若满足，则生成初始概率电压稳定性评估结果；
若不满足，则分发新的初始数据集，重复执行上述步骤，直至运算结果满足以上关系式。
优选地，在若满足，则生成初始概率电压稳定性评估结果之后，还包括：
根据所有初始概率电压稳定性评估结果，输出最终概率电压稳定性评估结果；
所述最终概率电压稳定性评估结果，由以下关系式确定：
其中，Mean(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的均值；Var(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的方差。
优选地，所述新的初始数据集和前一初始数据集，均为基于拉丁超立方采样算法获取的包含风电出力及负荷出力数据的样本点，且所述新的初始数据集的数量大于前一初始数据集的数量。
优选地，所述计算机系统，为计算机集群。
优选地，获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集，包括：
基于拉丁超立方采样算法，对该运行状态下的风电出力及负荷出力数据进行采样和排序，获取能够反映输入概率分布特性的样本点，并控制样本点的相关性，得到若干个包含风电出力及负荷出力数据的初始数据集。
优选地，所述风电出力的概率模型，由以下关系式确定：
其中，
表示第h个风电场的有功出力，a和b为由风电场的特性决定的两个常数，vin表示切入风速，vout表示切出风速，vr表示额定运行风速，pr表示风电场额定输出功率；
num_wind表示电力系统中风电场的数量。
优选地，所述负荷出力的概率模型，由以下关系式确定：
xl＝[xl1,xl2,…,xlg,…,xlnum_load]，xlg表示第g个节点负荷有功值，
μ＝[μ1,μ2,…,μg,…,μnum_load]，μg表示第g个节点负荷有功值的均值，
σ＝[σ1,σ2,…,σg,…,σnum_load]，σg表示第g个节点负荷有功值的方差；num_load表示电力系统中负荷的数量；
负荷的无功功率和有功功率成比例关系，由以下关系式表示：
其中，
表示负荷的功率因素。
优选地，所述所有有效的网络拓扑，为按照出现概率降序排列且求和结果大于或等于第一预设概率时对应的最少数量的网络拓扑。
优选地，所述有效的网络拓扑，均为收敛且互不相同的网络拓扑。
优选地，所述网络拓扑的概率模型，由以下关系式确定：
s＝(s1,…,si,…,sN)，
其中，电力系统中每个元件有失效和成功2个状态，并且元件的失效是相互独立的；令si表示第i个元件的状态，s为含N个元件的系统状态由下面的矢量表示，Qi表示元件的失效概率，对每一个元件i产生一个在[0，1]之间均匀分布的随机数Ri，0为元件的成功状态；1为元件的失效状态。
优选地，所述有效的网络拓扑，由以下步骤确定：
从元件运行的历史数据中统计分析得到每个元件的失效概率Qi，若某个元件没有历史数据，则设定该元件的失效概率为0.002；
每个元件用[0，1]之间的均匀分布随机数模拟，生成N行M列的在[0,1]服从均匀分布的随机数，代入所述网络拓扑的概率模型得到网络拓扑状态集合：
对收敛后的网络拓扑状态集合进行分类，确定M_s种网络拓扑状态；
将M个网络拓扑进行判断识别，将相同的网络拓扑归为一类，并求得该类型网络拓扑的出现概率：
其中，num_TUO表示系统M个网络拓扑中不同网络拓扑的种类数，num_t表示系统第t种网络拓扑的个数，Pt第t种网络拓扑的出现概率；
将num_TUO个不同的网络拓扑按照出现概率Pt由大到小进行排序，并将排序后的出现概率从大到小进行累加，识别
时对应的网络拓扑作为有效的网络拓扑。
本发明还提供了一种概率电压稳定性评估系统，包括：
输入模块，用于确定与电力系统在某一运行状态下出现的所有有效的网络拓扑一一对应的电压稳定性分析模型；并
获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集；
运算模块，用于将所述电压稳定性分析模型和所述初始数据集作为输入，分发至所述计算机系统配置的每个CPU处理器做并行运算并做负载均衡，生成初始概率电压稳定性评估结果。
优选地，所述的概率电压稳定性评估系统，还包括：
输出模块，用于对所有所述初始概率电压稳定性评估结果进行统计分析，得到最终概率电压稳定性评估结果；其中，
所述最终概率电压稳定性评估结果，包括：电压稳定裕度均值、均值的相对误差百分数、电压稳定裕度标准差、标准差的相对误差百分数，及概率电压稳定性评估的运算时间。
优选地，所述运算模块，包括：
分发子模块，用于在概率电压稳定性评估的开始时刻，将与所述计算机系统配置的CPU处理器核数同等数量的所述电压稳定性分析模型和所述初始数据集作为输入，同时分发至所述计算机系统配置的每个CPU处理器做并行运算；
监测子模块，用于对每个CPU处理器是否处于进行概率电压稳定性分析的工作状态进行实时监测；
所述分发子模块，还用于即时将下一个待输入的所述电压稳定性分析模型和所述初始数据集分发至当前不处于进行概率电压稳定性分析的工作状态的CPU处理器进行运算。
优选地，所述电压稳定性分析模型的数量和所述初始数据集的数量均大于所述计算机系统配置的CPU处理器核数。
优选地，所述电压稳定性分析模型，由以下公式确定：
其中，N表示电力系统中节点的总数量，i表示节点编号，PLi0和QLi0分别表示第i个节点的有功和无功基准负荷，PGi0和QGi0表示第i个节点的传统发电机有功和无功出力的基准量，PRi和QRi为第i个节点的新能源出力的有功和无功功率，KGi和KLi分别表示负荷和传统发电机出力的乘子系数，Vi表示第i个节点的电压幅值，δij＝δi-δj，δi表示第i个节点的功角、δj表示第j个节点的功角，Gij表示电网中第i个节点和第j个节点之间的线路电导值，Bij表示电网中第i个节点和第j个节点之间的线路电纳值；
当负荷裕度参数ε逐渐从0增长至εnose，此时电力系统运行于临界状态，表示电力系统处于电压崩溃边缘，其中εnose表示最大负荷裕度处，是电力系统电压稳定裕度的关键指标，εnose即输出响应。
优选地，所述CPU处理器做运算的过程，至少包括：
判断每个CPU处理器被分发的电压稳定性分析模型是否收敛，若收敛记为kt＝0，停止运算；若不收敛记为kt＝1，开始运算；
判断运算结果是否满足以下关系式：
其中，σt表示第t个电压稳定性分析模型收敛判据指标，V(εnose)t表示第t个电压稳定性分析模型最大负荷裕度的方差，E(εnose)t为第t个电压稳定性分析模型最大负荷裕度的均值，num_TUO表示电压稳定性分析模型的个数；Λ表示算法的收敛判据指标，Λ＝0表示算法收敛；
若满足，则生成初始概率电压稳定性评估结果；
若不满足，则分发新的初始数据集，重复执行上述步骤，直至运算结果满足以上关系式。
优选地，所述CPU处理器做运算的过程，在若满足，则生成初始概率电压稳定性评估结果之后，还包括：
根据所有初始概率电压稳定性评估结果，输出最终概率电压稳定性评估结果；
所述最终概率电压稳定性评估结果，由以下关系式确定：
其中，Mean(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的均值；Var(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的方差。
优选地，所述新的初始数据集和前一初始数据集，均为基于拉丁超立方采样算法获取的包含风电出力及负荷出力数据的样本点，且所述新的初始数据集的数量大于前一初始数据集的数量。
优选地，所述计算机系统，为计算机集群。
优选地，所述输入模块，用于获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集，具体为：
基于拉丁超立方采样算法，对该运行状态下的风电出力及负荷出力数据进行采样和排序，获取能够反映输入概率分布特性的样本点，并控制样本点的相关性，得到若干个包含风电出力及负荷出力数据的初始数据集。
优选地，所述风电出力的概率模型，由以下关系式确定：
其中，
表示第h个风电场的有功出力，a和b为由风电场的特性决定的两个常数，vin表示切入风速，vout表示切出风速，vr表示额定运行风速，pr表示风电场额定输出功率；
num_wind表示电力系统中风电场的数量。
优选地，所述负荷出力的概率模型，由以下关系式确定：
xl＝[xl1,xl2,…,xlg,…,xlnum_load]，xlg表示第g个节点负荷有功值，
μ＝[μ1,μ2,…,μg,…,μnum_load]，μg表示第g个节点负荷有功值的均值，
σ＝[σ1,σ2,…,σg,…,σnum_load]，σg表示第g个节点负荷有功值的方差；num_load表示电力系统中负荷的数量；
负荷的无功功率和有功功率成比例关系，由以下关系式表示：
其中，
表示负荷的功率因素。
优选地，所述所有有效的网络拓扑，为按照出现概率降序排列且求和结果大于或等于第一预设概率时对应的最少数量的网络拓扑。
优选地，所述有效的网络拓扑，均为收敛且互不相同的网络拓扑。
优选地，所述网络拓扑的概率模型，由以下关系式确定：
s＝(s1,…,si,…,sN)，
其中，电力系统中每个元件有失效和成功2个状态，并且元件的失效是相互独立的；令si表示第i个元件的状态，s为含N个元件的系统状态由下面的矢量表示，Qi表示元件的失效概率，对每一个元件i产生一个在[0，1]之间均匀分布的随机数Ri，0为元件的成功状态；1为元件的失效状态。
优选地，所述有效的网络拓扑，由以下步骤确定：
从元件运行的历史数据中统计分析得到每个元件的失效概率Qi，若某个元件没有历史数据，则设定该元件的失效概率为0.002；
每个元件用[0，1]之间的均匀分布随机数模拟，生成N行M列的在[0,1]服从均匀分布的随机数，代入所述网络拓扑的概率模型得到网络拓扑状态集合：
对收敛后的网络拓扑状态集合进行分类，确定M_s种网络拓扑状态；
将M个网络拓扑进行判断识别，将相同的网络拓扑归为一类，并求得该类型网络拓扑的出现概率：
其中，num_TUO表示系统M个网络拓扑中不同网络拓扑的种类数，num_t表示系统第t种网络拓扑的个数，Pt第t种网络拓扑的出现概率；
将num_TUO个不同的网络拓扑按照出现概率Pt由大到小进行排序，并将排序后的出现概率从大到小进行累加，识别
时对应的网络拓扑作为有效的网络拓扑。
本发明还提供了一种终端设备，包括一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的概率电压稳定性性评估方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述的概率电压稳定性评估方法。
相对于现有技术，本发明具有如下有益效果：
基于当前的概率电压稳定性分析并不能反映实际电力系统电压稳定状况及计算资源利用不合理导致进行概率电压稳定性分析时在运算效率低下的问题，本发明提供的一种概率电压稳定性评估方法、系统、计算机系统及介质，同时考虑了风电出力和电力系统元件状态的不确定性对概率电压稳定性的影响，以及计算资源合理利用：通过对不确定性输入变量如网络拓扑、风电出力及负荷出力做概率特性模拟，提高概率电压稳定性评估的准确性；优先处理离散型随机变量，能够避免同时处理离散型随机变量和连续型随机变量致使计算机系统因计算量过大而卡顿，提高了概率电压稳定性评估的运算效率；基于电压稳定模型的数量和初始数据集的数量一般要远远大于计算机系统中CPU处理器核数的特点，再对连续型随机变量做并行运算并做负载均衡，提高了计算机系统计算资源的利用率，进一步提高概率电压稳定性评估的运算效率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，需要说明的是，下面描述中的附图仅仅是本发明的优选实施方式。
图1是本发明一优选实施例提供的一种概率电压稳定性评估方法的步骤流程图；
图2是图1步骤S1中所述有效的网络拓扑的确定流程图；
图3是图1步骤S3的具体步骤流程图；
图4是本发明一优选实施例提供的CPU处理器做运算的步骤流程图；
图5是本发明一优选实施例提供的CPU处理器做运算的步骤流程图；
图6是本发明一优选实施例提供一种概率电压稳定性评估方法的流程图；
图7是本发明一优选实施例提供的一种概率电压稳定性评估方法的步骤流程图；
图8是本发明一优选实施例提供一种概率电压稳定性评估系统的结构图；
图9是本发明一优选实施例提供一种概率电压稳定性评估系统的结构图；
图10是本发明一优选实施例提供一种概率电压稳定性评估系统的结构图；
图11是本发明一优选实施例提供的终端设备的结构图。
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作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
第一方面：
请参阅图1，本发明一优选实施例提供了一种概率电压稳定性评估方法，所述方法由计算机系统执行，包括：
S1.确定与电力系统在某一运行状态下出现的所有有效的网络拓扑一一对应的电压稳定性分析模型。
虽然电力系统的元件故障概率较低(通常低于0.2％)，但是电力系统元件的状态容易受到自然环境(雷电、强风、高温、雨雪)和其本身使用寿命的影响，其运行状态本质上具备一定的不确定性，，在一个含高比例风电的电力系统中，风电出力的不确定性叠加元件运行状态的不确定性，将对系统电压稳定状态带来更加恶劣的影响。因此，为了深度揭示实际电力系统电压稳定状况，必须同时考虑风电出力和电力系统元件状态的不确定性。
对上述不确定性变量进行概率建模，能够精准模拟上述变量的概率特性。值得注意的是，电力系统中的拓扑参数一般指电力系统中元件的运行状态，属于离散随机变量(元件要么工作，要么失效)；而新能源出力和负荷出力是连续型随机变量。
优选地，所述所有有效的网络拓扑，为按照出现概率降序排列且求和结果大于或等于第一预设概率时对应的最少数量的网络拓扑。
优选地，所述有效的网络拓扑，均为收敛且互不相同的网络拓扑。
优选地，所述网络拓扑的概率模型，由以下关系式确定：
s＝(s1,…,si,…,sN)，
其中，电力系统中每个元件有失效和成功2个状态，并且元件的失效是相互独立的；令si表示第i个元件的状态，s为含N个元件的系统状态由下面的矢量表示，Qi表示元件的失效概率，对每一个元件i产生一个在[0，1]之间均匀分布的随机数Ri，0为元件的成功状态；1为元件的失效状态。
需要说明的是，Qi可以通过元件失效的历史记录数据估计得出。
请参阅图2，图2是图1步骤S1中所述有效的网络拓扑的确定流程。
优选地，所述有效的网络拓扑，由以下步骤确定：
S11.从元件运行的历史数据中统计分析得到每个元件的失效概率Qi，若某个元件没有历史数据，则设定该元件的失效概率为0.002；
S12.每个元件用[0，1]之间的均匀分布随机数模拟，生成N行M列的在[0,1]服从均匀分布的随机数；
S13.代入所述网络拓扑的概率模型得到网络拓扑状态集合：
S14.令f＝0，定义收敛系数：
其中，Vi表示表示s中第i行的方差；Ei表示表示s中第i行的均值，β表示收敛系数；
S15.若β≥0.002或f＝0时，M＝M+M/2，f＝f+1，转步骤S12；若
且f≠0，f＝f+1，则执行步骤S16；
S16.对收敛后的网络拓扑状态集合进行分类，确定M_s种网络拓扑状态；
S17.将M个网络拓扑进行判断识别，将相同的网络拓扑归为一类，并求得该类型网络拓扑的出现概率：
其中，num_TUO表示系统M个网络拓扑中不同网络拓扑的种类数，num_t表示系统第t种网络拓扑的个数，Pt第t种网络拓扑的出现概率；
S18.将num_TUO个不同的网络拓扑按照出现概率Pt由大到小进行排序，并将排序后的出现概率从大到小进行累加，识别
时对应的网络拓扑作为有效的网络拓扑。
优选地，所述电压稳定性分析模型，由以下公式确定：
其中，N表示电力系统中节点的总数量，i表示节点编号，PLi0和QLi0分别表示第i个节点的有功和无功基准负荷，PGi0和QGi0表示第i个节点的传统发电机有功和无功出力的基准量，PRi和QRi为第i个节点的新能源出力的有功和无功功率，KGi和KLi分别表示负荷和传统发电机出力的乘子系数，Vi表示第i个节点的电压幅值，δij＝δi-δj，δi表示第i个节点的功角、δj表示第j个节点的功角，Gij表示电网中第i个节点和第j个节点之间的线路电导值，Bij表示电网中第i个节点和第j个节点之间的线路电纳值(Gij和Bij可以反映出电网拓扑情况)；
当负荷裕度参数ε逐渐从0增长至εnose，此时电力系统运行于临界状态，表示电力系统处于电压崩溃边缘，其中εnose表示最大负荷裕度处，是电力系统电压稳定裕度的关键指标，εnose即输出响应。
需要说明的是，从时间尺度上来看，电力系统电压稳定性评估一般可以分为动态和静态评估。静态电压稳定评估能够快速模拟电网多种运行场景，在实际工程中广泛采用。连续潮流法(continuation power flow,CPF)广泛应用于电力系统的静态电压稳定评估。随着电力系统中负荷需求和发电机出力增加，电力系统运行状态将逐渐逼近P-V曲线的鼻尖点(电压崩溃点)。此时，电力系统通常运行于稳定临界状态。CPF计算的目的就是要确定某个运行状态下电力系统的电压崩溃点，即所能接受的最大负荷裕度。在确定性CPF模型中将引入负荷裕度参数ε。
在实际电力系统中，新能源出力以及负荷出力都是连续变化的随机变量，电网线路以及发电机等网络拓扑参数也有可能因为故障而发生改变，因此为了准确评估电力系统电压稳定状态，有必要考虑上述变量的不确定性。
S2.获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集。
优选地，获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集，包括：
基于拉丁超立方采样算法，对该运行状态下的风电出力及负荷出力数据进行采样和排序，获取能够反映输入概率分布特性的样本点，并控制样本点的相关性，得到若干个包含风电出力及负荷出力数据的初始数据集。
具体的，采样和排序是CLHS算法(拉丁超立方采样算法)的两大核心步骤。采样的目的是获取能够反映输入概率分布特性的样本点，而排序主要用于控制获取样本点的相关性。输入变量Xp,q的第q个累积分布函数为Fq(
表示第q个累积分布函数的逆函数)。累积分布函数的服从均匀分布，且取值区间为[0，1]。将累积分布函数均匀的分成P个非重叠的区间。其中，P(1，2，…，p)代表样本量、Q(1，2，…，q)表示输入随机变量的数量。CLHS算法的执行步骤为：
1.采样
(1)生成一个元素均服从均匀分布的随机矩阵U＝[Up,1,Up,2，…，Up,q]；
(2)利用公式rp,q＝(p-up,q)/P，计算出均匀分布上的样本点R＝[rp,1，rp,2，…，rp,q]；
(3)利用公式
计算出原始概率分布上的样本点。
2.排序
利用Cholesky分解技术对获取样本点进行排序，使得样本点的相关系数逼近理论数值。
需要说明的是，负荷及风速的概率密度函数，概率密度函数和累积分布函数的关系为：
对累积分布函数进行求逆，即可获得其逆函数；
基于风速和负荷的历史数据可以求出风速和负荷的相关矩阵ρ。基于Cholesky分解技术可以使得拉丁超立方采样法生成的风电及负荷样本点携带上相关性。Cholesky分解技术描述如下：ρ＝LLT(其中，L表示上三角矩阵，LT表示下三角矩阵)；使CLHS生成样本点带上相关性的公式为：LX＝Xc(其中，X表示CLHS生成样本点，Xc表示带有相关性的样本点)。
优选地，所述风电出力的概率模型，由以下关系式确定：
其中，
表示第h个风电场的有功出力，a和b为由风电场的特性决定的两个常数，vin表示切入风速，vout表示切出风速，vr表示额定运行风速，pr表示风电场额定输出功率；
电力系统中可以包含多个风电场，风电场出力与风速密切相关，一般用威布尔分布模拟风速的概率特性(也称之为风速的概率密度函数)。
num_wind表示电力系统中风电场的数量。
需要说明的是，电力系统中风速的尺度参数和形状参数可由风速历史数据估计得出。
优选地，所述负荷出力的概率模型，由以下关系式确定：
xl＝[xl1,xl2,…,xlg,…,xlnum_load]，xlg表示第g个节点负荷有功值，
μ＝[μ1,μ2,…,μg,…,μnum_load]，μg表示第g个节点负荷有功值的均值，
σ＝[σ1,σ2,…,σg,…,σnum_load]，σg表示第g个节点负荷有功值的方差；num_load表示电力系统中负荷的数量；
负荷的无功功率和有功功率成比例关系，由以下关系式表示：
其中，
表示负荷的功率因素，可由历史有功及无功数据估计得出。
S3.将所述电压稳定性分析模型和所述初始数据集作为输入，分发至所述计算机系统配置的每个CPU处理器做并行运算并做负载均衡，生成初始概率电压稳定性评估结果。
如果采用串行计算的模式，风速和负荷数据输入第i个电压稳定性分析模型，待该电压稳定性分析模型的电压稳定性分析收敛后，才允许输入第i+1个电压稳定性分析模型。无疑，这样计算效率极低。
采用并行计算技术可以解决上述问题，对于确定次数循环，若循环的计算模块对于单次循环是独立的(计算结果与循环体的执行顺序无关)，则理论上可将用户端(Client)整个循环拆分成若干子循环交由各计算执行端(Worker)并行处理，然后将各子循环的计算结果交由Client端合并，获得最终结果。Client端可由上位机承担，而Worker可由上位机内置多核处理器或计算机集群分担。
因此，由Client端生成num_TUO组电力系统网络拓扑、电压稳定评估模型和num_sample组风电及负荷出力数据集合，将电压稳定评估模型分配给不同的Worker，并将风电和负荷数据输入Worker进行计算。假定Worker为计算机群中核的数量，同时假设计算机核的数量大于电压稳定评估模型数量，那么计算机可以直接进行大规模并行计算。但是，一般情况下电压稳定分析模型数量要远远大于计算机核的数量，那么合理利用计算机集群中的Worker是大幅提升计算效率的关键。
请参阅图3，图3是图1步骤S3的具体步骤流程图。
优选地，将所述电压稳定性分析模型和所述初始数据集作为输入，分发至所述计算机系统配置的每个CPU处理器做并行运算并做负载均衡，包括：
S31.在概率电压稳定性评估的开始时刻，将与所述计算机系统配置的CPU处理器核数同等数量的所述电压稳定性分析模型和所述初始数据集作为输入，同时分发至所述计算机系统配置的每个CPU处理器做并行运算；
S32.此后，对每个CPU处理器是否处于进行概率电压稳定性分析的工作状态进行实时监测，并即时将下一个待输入的所述电压稳定性分析模型和所述初始数据集分发至当前不处于进行概率电压稳定性分析的工作状态的CPU处理器进行运算；
S33.直至所有电压稳定性分析模型被分发完，且所有CPU处理器运算结束。
在上述实施例中，可以理解的是，利用监视器监视计算机集群各个CPU处理器在执行概率电压稳定性分析的工作状态，若发现计算机集群中的某一个或多个CPU处理器完成运算(此时其他CPU处理器正在运算)，立刻将下一个电压稳定分析模型输入这个处理器，进行概率电压稳定性分析的工作状态，避免计算资源闲置或计算任务拥挤，实现计算资源利用率最大化，从而最大程度提高运算效率。
请参阅图4，图4是本发明一优选实施例提供的CPU处理器做运算的步骤流程图。
优选地，所述CPU处理器做运算的过程，至少包括：
S41.判断每个CPU处理器被分发的电压稳定性分析模型是否收敛，若收敛记为kt＝0，停止运算；若不收敛记为kt＝1，开始运算；
S42.判断运算结果是否满足以下关系式：
其中，σt表示第t个电压稳定性分析模型收敛判据指标，V(εnose)t表示第t个电压稳定性分析模型最大负荷裕度的方差，E(εnose)t为第t个电压稳定性分析模型最大负荷裕度的均值，num_TUO表示电压稳定性分析模型的个数；Λ表示算法的收敛判据指标，Λ＝0表示算法收敛；
S46.若满足，则生成初始概率电压稳定性评估结果；
S47.若不满足，则分发新的初始数据集，重复执行上述步骤，直至运算结果满足以上关系式。
其中，所述新的初始数据集和前一初始数据集，均为基于拉丁超立方采样算法获取的包含风电出力及负荷出力数据的样本点，且所述新的初始数据集的数量大于前一初始数据集的数量。
请参阅图5-6，图5是本发明一优选实施例提供的CPU处理器做运算的步骤流程图，图6是本发明一优选实施例提供一种概率电压稳定性评估方法的流程图。
优选地，在若满足，则生成初始概率电压稳定性评估结果之后，还包括：
S48.根据所有初始概率电压稳定性评估结果，输出最终概率电压稳定性评估结果；
所述最终概率电压稳定性评估结果，由以下关系式确定：
其中，Mean(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的均值；Var(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的方差。
优选地，所述计算机系统，为计算机集群。
优选地，所述电压稳定性分析模型的数量和所述初始数据集的数量均大于所述计算机系统配置的CPU处理器核数。
可以理解的是，上述优选实施例将离散型随机变量和连续型随机变量进行分层处理，利用蒙特卡洛法优先确定网络拓扑的状态进而确定不同网络拓扑所对应的电压稳定性分析模型，然后基于拉丁超立方采样技术模拟风速及负荷等连续型随机变量，并对不同的电压稳定模型同时进行并行计算(并做负载均衡)，以确定该电力网络电压稳定水平。具体的：
基于当前的概率电压稳定性分析并不能反映实际电力系统电压稳定状况及计算资源利用不合理导致进行概率电压稳定性分析时在运算效率低下的问题，同时考虑了风电出力和电力系统元件状态的不确定性对概率电压稳定性的影响，以及计算资源合理利用：通过对不确定性输入变量如网络拓扑、风电出力及负荷出力做概率特性模拟，提高概率电压稳定性评估的准确性；优先处理离散型随机变量，能够避免同时处理离散型随机变量和连续型随机变量致使计算机系统因计算量过大而卡顿，提高了概率电压稳定性评估的运算效率；基于电压稳定模型的数量和初始数据集的数量一般要远远大于计算机系统中CPU处理器核数的特点，再对连续型随机变量做并行运算并做负载均衡，提高了计算机系统计算资源的利用率，进一步提高概率电压稳定性评估的运算效率。
请参阅图7，图7是本发明一优选实施例提供的一种概率电压稳定性评估方法的步骤流程图。
所述的概率电压稳定性评估方法，还包括：
S4.对所有所述初始概率电压稳定性评估结果进行统计分析，得到最终概率电压稳定性评估结果；其中，
所述最终概率电压稳定性评估结果，包括：电压稳定裕度均值、均值的相对误差百分数、电压稳定裕度标准差、标准差的相对误差百分数，及概率电压稳定性评估的运算时间。
在上述实施例中，采用IEEE 118节点系统测试上述算法的有效性。
仿真硬件平台为3台计算机搭建而成的计算集群，计算机的配置均为Inter Corei5 3.0-GHz处理器8GB内存，3台计算机一共有12个核(Worker)。为了验证算法的有效性和优越性，将有如下算法参与对比：
表1参与对比的算法
表1中MCS表示蒙特卡洛仿真法，LHS表示拉丁超立方采样法；Reference是作为本文的参考算法，参考算法的计算结果作为“正确结果”；LHS-P-S算法是本文所提算法，该算法在处理离散随机变量采用了MCS算法，处理连续随机变量采用LHS算法，同时采用并行架构和并行搜索算法。
表2计算结果
从表2的计算结果可以看出，本文所提算法LHS-P-S是有效的，其标准差的相对误差仅为0.361％，标准差的相对误差仅为0.921％。
表3计算时间
| 算法简称 | 计算时间(s) |
| Reference | 34200 |
| MCS-F | 1720 |
| MCS-P | 194 |
| MCS-P-S | 171 |
| LHS | 188 |
| LHS-P | 21 |
| LHS-P-S | 17 |
从表3可以看出，本文所提算法LHS-P-S仅需17.765s就可以高精度地完成概率电压稳定分析计算。然而，Reference、MCS-F、MCS-P、MCS-P-S、LHS、LHS-P分别需要耗时34200s、1720s、194s、171s、188s、21s，可以发现本文所提算法能够大幅提升概率电压稳定计算的效率。对比MCS-F与参考算法Reference的计算时间可以发现，在保持极高计算精度的前提下(标准差相对误差仅为0.81％)利用分层结构处理离散-连续随机变量能够大幅提升概率分析效率。对比MCS-P、MCS-F以及LHS、LHS-P算法可以发现，采用并行计算能够进一步加快概率分析的速度。在并行计算的基础上，利用本文提出的并行搜索算法能够将计算机群的资源利用效率进一步提升，从而进一步提高概率电压稳定分析的效率。
综上，考虑风电出力和元件状态不确定性的概率电压稳定性评估方法，本质上是需要同时考虑离散型随机变量和连续型随机变量的概率电压稳定性评估方法。为了提升运算效率，上述实施例：
(1)针对常规概率电压稳定性分析方法在同时处理离散型随机变量和连续型随机变量计算效率极低的问题，提出利用分层结构处理离散-连续随机变量。第一层基于蒙特卡洛仿真法先处理离散型随机变量获取电力系统可能出现的网络拓扑并形成电压稳定性分析模型，第二层再利用拉丁超立方技术在连续型随机变量上选取样本点输入电压稳定性分析模型进行概率电压稳定性分析。利用分层结构处理离散-连续随机变量避免了同时处理离散和连续随机变量，能提升概率电压稳定性分析效率；
(2)在第二层结构中，针对利用串行结构进行概率电压稳定分析时，多核处理器或计算机集群利用率低导致概率电压稳定性分析速度慢、时间长的问题，提出基于并行架构的概率电压稳定性分析。同时，结合电压稳定性分析中需要分析的电压稳定性分析模型数量一般远远大于计算机集群中CPU处理器数量的特点，提出了利用并行搜索算法提升多核处理器或计算机集群的计算资源利用率的方法，进一步提升概率电压稳定性分析的速度。
第二方面：
请参阅图8，图8是本发明一优选实施例提供一种概率电压稳定性评估系统的结构图。
本发明还提供了一种概率电压稳定性评估系统，包括：
输入模块1，用于确定与电力系统在某一运行状态下出现的所有有效的网络拓扑一一对应的电压稳定性分析模型。
虽然电力系统的元件故障概率较低(通常低于0.2％)，但是电力系统元件的状态容易受到自然环境(雷电、强风、高温、雨雪)和其本身使用寿命的影响，其运行状态本质上具备一定的不确定性，，在一个含高比例风电的电力系统中，风电出力的不确定性叠加元件运行状态的不确定性，将对系统电压稳定状态带来更加恶劣的影响。因此，为了深度揭示实际电力系统电压稳定状况，必须同时考虑风电出力和电力系统元件状态的不确定性。
对上述不确定性变量进行概率建模，能够精准模拟上述变量的概率特性。值得注意的是，电力系统中的拓扑参数一般指电力系统中元件的运行状态，属于离散随机变量(元件要么工作，要么失效)；而新能源出力和负荷出力是连续型随机变量。
优选地，所述所有有效的网络拓扑，为按照出现概率降序排列且求和结果大于或等于第一预设概率时对应的最少数量的网络拓扑。
优选地，所述有效的网络拓扑，均为收敛且互不相同的网络拓扑。
优选地，所述网络拓扑的概率模型，由以下关系式确定：
s＝(s1,…,si,…,sN)，
其中，电力系统中每个元件有失效和成功2个状态，并且元件的失效是相互独立的；令si表示第i个元件的状态，s为含N个元件的系统状态由下面的矢量表示，Qi表示元件的失效概率，对每一个元件i产生一个在[0，1]之间均匀分布的随机数Ri，0为元件的成功状态；1为元件的失效状态。
需要说明的是，Qi可以通过元件失效的历史记录数据估计得出。
请参阅图2，图2是所述有效的网络拓扑的确定流程。
优选地，所述有效的网络拓扑，由以下步骤确定：
S11.从元件运行的历史数据中统计分析得到每个元件的失效概率Qi，若某个元件没有历史数据，则设定该元件的失效概率为0.002；
S12.每个元件用[0，1]之间的均匀分布随机数模拟，生成N行M列的在[0,1]服从均匀分布的随机数；
S13.代入所述网络拓扑的概率模型得到网络拓扑状态集合：
S14.令f＝0，定义收敛系数：
其中，Vi表示表示s中第i行的方差；Ei表示表示s中第i行的均值，β表示收敛系数；
S15.若β≥0.002或f＝0时，M＝M+M/2，f＝f+1，转步骤S12；若
且f≠0，f＝f+1，则执行步骤S16；
S16.对收敛后的网络拓扑状态集合进行分类，确定M_s种网络拓扑状态；
S17.将M个网络拓扑进行判断识别，将相同的网络拓扑归为一类，并求得该类型网络拓扑的出现概率：
其中，num_TUO表示系统M个网络拓扑中不同网络拓扑的种类数，num_t表示系统第t种网络拓扑的个数，Pt第t种网络拓扑的出现概率；
S18.将num_TUO个不同的网络拓扑按照出现概率Pt由大到小进行排序，并将排序后的出现概率从大到小进行累加，识别
时对应的网络拓扑作为有效的网络拓扑。
优选地，所述电压稳定性分析模型，由以下公式确定：
其中，N表示电力系统中节点的总数量，i表示节点编号，PLi0和QLi0分别表示第i个节点的有功和无功基准负荷，PGi0和QGi0表示第i个节点的传统发电机有功和无功出力的基准量，PRi和QRi为第i个节点的新能源出力的有功和无功功率，KGi和KLi分别表示负荷和传统发电机出力的乘子系数，Vi表示第i个节点的电压幅值，δij＝δi-δj，δi表示第i个节点的功角、δj表示第j个节点的功角，Gij表示电网中第i个节点和第j个节点之间的线路电导值，Bij表示电网中第i个节点和第j个节点之间的线路电纳值(Gij和Bij可以反映出电网拓扑情况)；
当负荷裕度参数ε逐渐从0增长至εnose，此时电力系统运行于临界状态，表示电力系统处于电压崩溃边缘，其中εnose表示最大负荷裕度处，是电力系统电压稳定裕度的关键指标，εnose即输出响应。
需要说明的是，从时间尺度上来看，电力系统电压稳定性评估一般可以分为动态和静态评估。静态电压稳定评估能够快速模拟电网多种运行场景，在实际工程中广泛采用。连续潮流法(continuation power flow,CPF)广泛应用于电力系统的静态电压稳定评估。随着电力系统中负荷需求和发电机出力增加，电力系统运行状态将逐渐逼近P-V曲线的鼻尖点(电压崩溃点)。此时，电力系统通常运行于稳定临界状态。CPF计算的目的就是要确定某个运行状态下电力系统的电压崩溃点，即所能接受的最大负荷裕度。在确定性CPF模型中将引入负荷裕度参数ε。
在实际电力系统中，新能源出力以及负荷出力都是连续变化的随机变量，电网线路以及发电机等网络拓扑参数也有可能因为故障而发生改变，因此为了准确评估电力系统电压稳定状态，有必要考虑上述变量的不确定性。
所述输入模块1，还用于获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集。
优选地，所述输入模块1，用于获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集，具体为：
基于拉丁超立方采样算法，对该运行状态下的风电出力及负荷出力数据进行采样和排序，获取能够反映输入概率分布特性的样本点，并控制样本点的相关性，得到若干个包含风电出力及负荷出力数据的初始数据集。
具体的，采样和排序是CLHS算法(拉丁超立方采样算法)的两大核心步骤。采样的目的是获取能够反映输入概率分布特性的样本点，而排序主要用于控制获取样本点的相关性。输入变量Xp,q的第q个累积分布函数为Fq(
表示第q个累积分布函数的逆函数)。累积分布函数的服从均匀分布，且取值区间为[0，1]。将累积分布函数均匀的分成P个非重叠的区间。其中，P(1，2，…，p)代表样本量、Q(1，2，…，q)表示输入随机变量的数量。CLHS算法的执行步骤为：
1.采样
(1)生成一个元素均服从均匀分布的随机矩阵U＝[Up,1,Up,2，…，Up,q]；
(2)利用公式rp,q＝(p-up,q)/P，计算出均匀分布上的样本点R＝[rp,1，rp,2，…，rp,q]；
(3)利用公式
计算出原始概率分布上的样本点。
2.排序
利用Cholesky分解技术对获取样本点进行排序，使得样本点的相关系数逼近理论数值。
需要说明的是，负荷及风速的概率密度函数，概率密度函数和累积分布函数的关系为：
对累积分布函数进行求逆，即可获得其逆函数；
基于风速和负荷的历史数据可以求出风速和负荷的相关矩阵ρ。基于Cholesky分解技术可以使得拉丁超立方采样法生成的风电及负荷样本点携带上相关性。Cholesky分解技术描述如下：ρ＝LLT(其中，L表示上三角矩阵，LT表示下三角矩阵)；使CLHS生成样本点带上相关性的公式为：LX＝Xc(其中，X表示CLHS生成样本点，Xc表示带有相关性的样本点)。
优选地，所述风电出力的概率模型，由以下关系式确定：
其中，
表示第h个风电场的有功出力，a和b为由风电场的特性决定的两个常数，vin表示切入风速，vout表示切出风速，vr表示额定运行风速，pr表示风电场额定输出功率；
电力系统中可以包含多个风电场，风电场出力与风速密切相关，一般用威布尔分布模拟风速的概率特性(也称之为风速的概率密度函数)。
num_wind表示电力系统中风电场的数量。
需要说明的是，电力系统中风速的尺度参数和形状参数可由风速历史数据估计得出。
优选地，所述负荷出力的概率模型，由以下关系式确定：
xl＝[xl1,xl2,…,xlg,…,xlnum_load]，xlg表示第g个节点负荷有功值，
μ＝[μ1,μ2,…,μg,…,μnum_load]，μg表示第g个节点负荷有功值的均值，
σ＝[σ1,σ2,…,σg,…,σnum_load]，σg表示第g个节点负荷有功值的方差；num_load表示电力系统中负荷的数量；
负荷的无功功率和有功功率成比例关系，由以下关系式表示：
其中，
表示负荷的功率因素，可由历史有功及无功数据估计得出。
运算模块2，用于将所述电压稳定性分析模型和所述初始数据集作为输入，分发至所述计算机系统配置的每个CPU处理器做并行运算并做负载均衡，生成初始概率电压稳定性评估结果。
如果采用串行计算的模式，风速和负荷数据输入第i个电压稳定性分析模型，待该电压稳定性分析模型的电压稳定性分析收敛后，才允许输入第i+1个电压稳定性分析模型。无疑，这样计算效率极低。
采用并行计算技术可以解决上述问题，对于确定次数循环，若循环的计算模块对于单次循环是独立的(计算结果与循环体的执行顺序无关)，则理论上可将用户端(Client)整个循环拆分成若干子循环交由各计算执行端(Worker)并行处理，然后将各子循环的计算结果交由Client端合并，获得最终结果。Client端可由上位机承担，而Worker可由上位机内置多核处理器或计算机集群分担。
因此，由Client端生成num_TUO组电力系统网络拓扑、电压稳定评估模型和num_sample组风电及负荷出力数据集合，将电压稳定评估模型分配给不同的Worker，并将风电和负荷数据输入Worker进行计算。假定Worker为计算机群中核的数量，同时假设计算机核的数量大于电压稳定评估模型数量，那么计算机可以直接进行大规模并行计算。但是，一般情况下电压稳定分析模型数量要远远大于计算机核的数量，那么合理利用计算机集群中的Worker是大幅提升计算效率的关键。
请参阅图9，图9是本发明一优选实施例提供一种概率电压稳定性评估系统的结构图；
优选地，所述运算模块2，包括：
分发子模块21，用于在概率电压稳定性评估的开始时刻，将与所述计算机系统配置的CPU处理器核数同等数量的所述电压稳定性分析模型和所述初始数据集作为输入，同时分发至所述计算机系统配置的每个CPU处理器做并行运算；
监测子模块22，用于对每个CPU处理器是否处于进行概率电压稳定性分析的工作状态进行实时监测；
所述分发子模块21，还用于即时将下一个待输入的所述电压稳定性分析模型和所述初始数据集分发至当前不处于进行概率电压稳定性分析的工作状态的CPU处理器进行运算。
在上述实施例中，可以理解的是，利用监视器监视计算机集群各个CPU处理器在执行概率电压稳定性分析的工作状态，若发现计算机集群中的某一个或多个CPU处理器完成运算(此时其他CPU处理器正在运算)，立刻将下一个电压稳定分析模型输入这个处理器，进行概率电压稳定性分析的工作状态，避免计算资源闲置或计算任务拥挤，实现计算资源利用率最大化，从而最大程度提高运算效率。
请参阅图4，图4是本发明一优选实施例提供的CPU处理器做运算的步骤流程图。
优选地，所述CPU处理器做运算的过程，至少包括：
S41.判断每个CPU处理器被分发的电压稳定性分析模型是否收敛，若收敛记为kt＝0，停止运算；若不收敛记为kt＝1，开始运算；
S42.判断运算结果是否满足以下关系式：
其中，σt表示第t个电压稳定性分析模型收敛判据指标，V(εnose)t表示第t个电压稳定性分析模型最大负荷裕度的方差，E(εnose)t为第t个电压稳定性分析模型最大负荷裕度的均值，num_TUO表示电压稳定性分析模型的个数；Λ表示算法的收敛判据指标，Λ＝0表示算法收敛；
S46.若满足，则生成初始概率电压稳定性评估结果；
S47.若不满足，则分发新的初始数据集，重复执行上述步骤，直至运算结果满足以上关系式。
其中，所述新的初始数据集和前一初始数据集，均为基于拉丁超立方采样算法获取的包含风电出力及负荷出力数据的样本点，且所述新的初始数据集的数量大于前一初始数据集的数量。
请参阅图5-6，图5是本发明一优选实施例提供的CPU处理器做运算的步骤流程图，图6是本发明一优选实施例提供一种概率电压稳定性评估方法的流程图。
优选地，在若满足，则生成初始概率电压稳定性评估结果之后，还包括：
S48.根据所有初始概率电压稳定性评估结果，输出最终概率电压稳定性评估结果；
所述最终概率电压稳定性评估结果，由以下关系式确定：
其中，Mean(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的均值；Var(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的方差。
优选地，所述计算机系统，为计算机集群。
优选地，所述电压稳定性分析模型的数量和所述初始数据集的数量均大于所述计算机系统配置的CPU处理器核数。
可以理解的是，上述优选实施例将离散型随机变量和连续型随机变量进行分层处理，利用蒙特卡洛法优先确定网络拓扑的状态进而确定不同网络拓扑所对应的电压稳定性分析模型，然后基于拉丁超立方采样技术模拟风速及负荷等连续型随机变量，并对不同的电压稳定模型同时进行并行计算(并做负载均衡)，以确定该电力网络电压稳定水平。具体的：
基于当前的概率电压稳定性分析并不能反映实际电力系统电压稳定状况及计算资源利用不合理导致进行概率电压稳定性分析时在运算效率低下的问题，同时考虑了风电出力和电力系统元件状态的不确定性对概率电压稳定性的影响，以及计算资源合理利用：通过对不确定性输入变量如网络拓扑、风电出力及负荷出力做概率特性模拟，提高概率电压稳定性评估的准确性；优先处理离散型随机变量，能够避免同时处理离散型随机变量和连续型随机变量致使计算机系统因计算量过大而卡顿，提高了概率电压稳定性评估的运算效率；基于电压稳定模型的数量和初始数据集的数量一般要远远大于计算机系统中CPU处理器核数的特点，再对连续型随机变量做并行运算并做负载均衡，提高了计算机系统计算资源的利用率，进一步提高概率电压稳定性评估的运算效率。
请参阅图10，图10是本发明一优选实施例提供一种概率电压稳定性评估系统的结构图。
优选地，所述的概率电压稳定性评估系统，还包括：
输出模块3，用于对所有所述初始概率电压稳定性评估结果进行统计分析，得到最终概率电压稳定性评估结果；其中，
所述最终概率电压稳定性评估结果，包括：电压稳定裕度均值、均值的相对误差百分数、电压稳定裕度标准差、标准差的相对误差百分数，及概率电压稳定性评估的运算时间。
在上述实施例中，采用IEEE 118节点系统测试上述算法的有效性。
仿真硬件平台为3台计算机搭建而成的计算集群，计算机的配置均为Inter Corei5 3.0-GHz处理器8GB内存，3台计算机一共有12个核(Worker)。为了验证算法的有效性和优越性，将有如下算法参与对比：
表1参与对比的算法
表1中MCS表示蒙特卡洛仿真法，LHS表示拉丁超立方采样法；Reference是作为本文的参考算法，参考算法的计算结果作为“正确结果”；LHS-P-S算法是本文所提算法，该算法在处理离散随机变量采用了MCS算法，处理连续随机变量采用LHS算法，同时采用并行架构和并行搜索算法。
表2计算结果
从表2的计算结果可以看出，本文所提算法LHS-P-S是有效的，其标准差的相对误差仅为0.361％，标准差的相对误差仅为0.921％。
表3计算时间
| 算法简称 | 计算时间(s) |
| Reference | 34200 |
| MCS-F | 1720 |
| MCS-P | 194 |
| MCS-P-S | 171 |
| LHS | 188 |
| LHS-P | 21 |
| LHS-P-S | 17 |
从表3可以看出，本文所提算法LHS-P-S仅需17.765s就可以高精度地完成概率电压稳定分析计算。然而，Reference、MCS-F、MCS-P、MCS-P-S、LHS、LHS-P分别需要耗时34200s、1720s、194s、171s、188s、21s，可以发现本文所提算法能够大幅提升概率电压稳定计算的效率。对比MCS-F与参考算法Reference的计算时间可以发现，在保持极高计算精度的前提下(标准差相对误差仅为0.81％)利用分层结构处理离散-连续随机变量能够大幅提升概率分析效率。对比MCS-P、MCS-F以及LHS、LHS-P算法可以发现，采用并行计算能够进一步加快概率分析的速度。在并行计算的基础上，利用本文提出的并行搜索算法能够将计算机群的资源利用效率进一步提升，从而进一步提高概率电压稳定分析的效率。
综上，考虑风电出力和元件状态不确定性的概率电压稳定性评估方法，本质上是需要同时考虑离散型随机变量和连续型随机变量的概率电压稳定性评估方法。为了提升运算效率，上述实施例：
(1)针对常规概率电压稳定性分析方法在同时处理离散型随机变量和连续型随机变量计算效率极低的问题，提出利用分层结构处理离散-连续随机变量。第一层基于蒙特卡洛仿真法先处理离散型随机变量获取电力系统可能出现的网络拓扑并形成电压稳定性分析模型，第二层再利用拉丁超立方技术在连续型随机变量上选取样本点输入电压稳定性分析模型进行概率电压稳定性分析。利用分层结构处理离散-连续随机变量避免了同时处理离散和连续随机变量，能提升概率电压稳定性分析效率；
(2)在第二层结构中，针对利用串行结构进行概率电压稳定分析时，多核处理器或计算机集群利用率低导致概率电压稳定性分析速度慢、时间长的问题，提出基于并行架构的概率电压稳定性分析。同时，结合电压稳定性分析中需要分析的电压稳定性分析模型数量一般远远大于计算机集群中CPU处理器数量的特点，提出了利用并行搜索算法提升多核处理器或计算机集群的计算资源利用率的方法，进一步提升概率电压稳定性分析的速度。
第三方面：
请参阅图11，图11是本发明一优选实施例提供的终端设备的结构图。
本发明还提供了一种终端设备，所述终端设备50包括一个或多个处理器51；
存储器52，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的概率电压稳定性性评估方法。
处理器用于控制该计算机终端设备的整体操作，以完成上述的概率电压稳定计算方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
计算机终端设备可以被一个或多个应用专用集成电路(Application Specific1ntegrated Circuit，简称AS1C)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field ProgrammableGate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上所述的概率电压稳定性性评估方法，并达到如上述方法一致的技术效果。
第四方面：
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述的概率电压稳定性评估方法，并达到如上述方法一致的技术效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (22)
1.一种概率电压稳定性评估方法，其特征在于，所述方法由计算机系统执行，包括：
确定与电力系统在某一运行状态下出现的所有有效的网络拓扑一一对应的电压稳定性分析模型；所述所有有效的网络拓扑，为按照出现概率降序排列且求和结果大于或等于第一预设概率时对应的最少数量的网络拓扑，所述有效的网络拓扑均为收敛且互不相同；
并获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集；
将所述电压稳定性分析模型和所述初始数据集作为输入，分发至所述计算机系统配置的每个CPU处理器做并行运算并做负载均衡，生成初始概率电压稳定性评估结果，包括：
在概率电压稳定性评估的开始时刻，将与所述计算机系统配置的CPU处理器核数同等数量的所述电压稳定性分析模型和所述初始数据集作为输入，同时分发至所述计算机系统配置的每个CPU处理器做并行运算；
此后，对每个CPU处理器是否处于进行概率电压稳定性分析的工作状态进行实时监测，并即时将下一个待输入的所述电压稳定性分析模型和所述初始数据集分发至当前不处于进行概率电压稳定性分析的工作状态的CPU处理器进行运算；
直至所有电压稳定性分析模型被分发完，且所有CPU处理器运算结束；
其中，所述CPU处理器做运算的过程，至少包括：
判断每个CPU处理器被分发的电压稳定性分析模型是否收敛，若收敛记为kt＝0，停止运算；若不收敛记为kt＝1，开始运算；
判断运算结果是否满足以下关系式：
其中，σt表示第t个电压稳定性分析模型收敛判据指标，V(εnose)t表示第t个电压稳定性分析模型最大负荷裕度的方差，E(εnose)t为第t个电压稳定性分析模型最大负荷裕度的均值，num_TUO表示所有网络拓扑中不同网络拓扑的种类数；Λ表示算法的收敛判据指标，Λ＝0表示算法收敛；
若满足，则生成初始概率电压稳定性评估结果；
若不满足，则分发新的初始数据集，重复执行上述步骤，直至运算结果满足以上关系式。
2.根据权利要求1所述的概率电压稳定性评估方法，其特征在于，还包括：
对所有所述初始概率电压稳定性评估结果进行统计分析，得到最终概率电压稳定性评估结果；其中，
所述最终概率电压稳定性评估结果，包括：电压稳定裕度均值、均值的相对误差百分数、电压稳定裕度标准差、标准差的相对误差百分数，及概率电压稳定性评估的运算时间。
3.根据权利要求1所述的概率电压稳定性评估方法，其特征在于，所述电压稳定性分析模型的数量和所述初始数据集的数量均大于所述计算机系统配置的CPU处理器核数。
4.根据权利要求1-3任一项所述的概率电压稳定性评估方法，其特征在于，所述电压稳定性分析模型，由以下公式确定：
其中，N表示电力系统中节点的总数量，i表示节点编号，PLi0和QLi0分别表示第i个节点的有功和无功基准负荷，PGi0和QGi0表示第i个节点的传统发电机有功和无功出力的基准量，PRi和QRi为第i个节点的新能源出力的有功和无功功率，KGi和KLi分别表示负荷和传统发电机出力的乘子系数，Vi表示第i个节点的电压幅值，Vj表示第j个节点的电压幅值，δij＝δi-δj，δi表示第i个节点的功角、δj表示第j个节点的功角，Gij表示电网中第i个节点和第j个节点之间的线路电导值，Bij表示电网中第i个节点和第j个节点之间的线路电纳值；
当负荷裕度参数ε逐渐从0增长至εnose，此时电力系统运行于临界状态，表示电力系统处于电压崩溃边缘，其中εnose表示最大负荷裕度处，是电力系统电压稳定裕度的关键指标，εnose即输出响应。
5.根据权利要求1所述的概率电压稳定性评估方法，其特征在于，在若满足，则生成初始概率电压稳定性评估结果之后，还包括：
根据所有初始概率电压稳定性评估结果，输出最终概率电压稳定性评估结果；
所述最终概率电压稳定性评估结果，由以下关系式确定：
其中，Mean(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的均值；Var(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的方差，Pt表示第t种网络拓扑的出现概率。
6.根据权利要求1所述的概率电压稳定性评估方法，其特征在于，所述新的初始数据集和前一初始数据集，均为基于拉丁超立方采样算法获取的包含风电出力及负荷出力数据的样本点，且所述新的初始数据集的数量大于前一初始数据集的数量。
7.根据权利要求1所述的概率电压稳定性评估方法，其特征在于，所述计算机系统，为计算机集群。
8.根据权利要求1所述的概率电压稳定性评估方法，其特征在于，获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集，包括：
基于拉丁超立方采样算法，对该运行状态下的风电出力及负荷出力数据进行采样和排序，获取能够反映输入概率分布特性的样本点，并控制样本点的相关性，得到若干个包含风电出力及负荷出力数据的初始数据集。
9.根据权利要求8所述的概率电压稳定性评估方法，其特征在于，所述风电出力的概率模型，由以下关系式确定：
其中，
表示第h个风电场的有功出力，a和b为由风电场的特性决定的两个常数，vin表示切入风速，vout表示切出风速，vr表示额定运行风速，pr表示风电场额定输出功率；
xw＝[xw1,xw2,…,xwh,…,xwnum_wind]，xwh表示第h个风电场的风速，
λ＝[λ1,λ2,…,λh,…,λnum_wind]，λh表示第h个风电场风速的尺度参数，
k＝[k1,k2,…,kh,…,knum_wind]，kh表示第h个风电场风速的形状参数，
num_wind表示电力系统中风电场的数量。
10.根据权利要求8所述的概率电压稳定性评估方法，其特征在于，所述负荷出力的概率模型，由以下关系式确定：
xl＝[xl1,xl2,…,xlg,…,xlnum_load]，xlg表示第g个节点负荷有功值，
μ＝[μ1,μ2,…,μg,…,μnum_load]，μg表示第g个节点负荷有功值的均值，
σ＝[σ1,σ2,…,σg,…,σnum_load]，σg表示第g个节点负荷有功值的方差；num_load表示电力系统中负荷的数量；
负荷的无功功率和有功功率成比例关系，由以下关系式表示：
其中，
表示负荷的功率因素，qlg表示第g个节点负荷无功值。
11.根据权利要求1所述的概率电压稳定性评估方法，其特征在于，所述网络拓扑的概率模型，由以下关系式确定：
s＝(s1,…,si,…,sN)，
其中，电力系统中每个元件有失效和成功2个状态，并且元件的失效是相互独立的；令si表示第i个元件的状态，s为含N个元件的系统状态由下面的矢量表示，Qi表示元件的失效概率，对每一个元件i产生一个在[0，1]之间均匀分布的随机数Ri，0为元件的成功状态；1为元件的失效状态。
12.根据权利要求11所述的概率电压稳定性评估方法，其特征在于，所述有效的网络拓扑，由以下步骤确定：
从元件运行的历史数据中统计分析得到每个元件的失效概率Qi，若某个元件没有历史数据，则设定该元件的失效概率为0.002；
每个元件用[0，1]之间的均匀分布随机数模拟，生成N行M列的在[0,1]服从均匀分布的随机数，代入所述网络拓扑的概率模型得到网络拓扑状态集合：
对收敛后的网络拓扑状态集合进行分类，确定M_s种网络拓扑状态；
将M个网络拓扑进行判断识别，将相同的网络拓扑归为一类，并求得该类型网络拓扑的出现概率：
其中，num_TUO表示系统M个网络拓扑中不同网络拓扑的种类数，num_t表示系统第t种网络拓扑的个数，Pt表示第t种网络拓扑的出现概率；
将num_TUO个不同的网络拓扑按照出现概率Pt由大到小进行排序，并将排序后的出现概率从大到小进行累加，识别
时对应的网络拓扑作为有效的网络拓扑。
13.一种概率电压稳定性评估系统，其特征在于，包括：
输入模块，用于确定与电力系统在某一运行状态下出现的所有有效的网络拓扑一一对应的电压稳定性分析模型；所述所有有效的网络拓扑，为按照出现概率降序排列且求和结果大于或等于第一预设概率时对应的最少数量的网络拓扑，所述有效的网络拓扑均为收敛且互不相同；并
获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集；
运算模块，用于将所述电压稳定性分析模型和所述初始数据集作为输入，分发至计算机系统配置的每个CPU处理器做并行运算并做负载均衡，生成初始概率电压稳定性评估结果，所述运算模块，包括：
分发子模块，用于在概率电压稳定性评估的开始时刻，将与所述计算机系统配置的CPU处理器核数同等数量的所述电压稳定性分析模型和所述初始数据集作为输入，同时分发至所述计算机系统配置的每个CPU处理器做并行运算；
监测子模块，用于对每个CPU处理器是否处于进行概率电压稳定性分析的工作状态进行实时监测；
所述分发子模块，还用于即时将下一个待输入的所述电压稳定性分析模型和所述初始数据集分发至当前不处于进行概率电压稳定性分析的工作状态的CPU处理器进行运算；
其中，所述CPU处理器做运算的过程，至少包括：
判断每个CPU处理器被分发的电压稳定性分析模型是否收敛，若收敛记为kt＝0，停止运算；若不收敛记为kt＝1，开始运算；
判断运算结果是否满足以下关系式：
其中，σt表示第t个电压稳定性分析模型收敛判据指标，V(εnose)t表示第t个电压稳定性分析模型最大负荷裕度的方差，E(εnose)t为第t个电压稳定性分析模型最大负荷裕度的均值，num_TUO表示所有网络拓扑中不同网络拓扑的种类数；Λ表示算法的收敛判据指标，Λ＝0表示算法收敛；
若满足，则生成初始概率电压稳定性评估结果；
若不满足，则分发新的初始数据集，重复执行上述步骤，直至运算结果满足以上关系式。
14.根据权利要求13所述的概率电压稳定性评估系统，其特征在于，还包括：
输出模块，用于对所有所述初始概率电压稳定性评估结果进行统计分析，得到最终概率电压稳定性评估结果；其中，
所述最终概率电压稳定性评估结果，包括：电压稳定裕度均值、均值的相对误差百分数、电压稳定裕度标准差、标准差的相对误差百分数，及概率电压稳定性评估的运算时间。
15.根据权利要求13所述的概率电压稳定性评估系统，其特征在于，所述电压稳定性分析模型的数量和所述初始数据集的数量均大于所述计算机系统配置的CPU处理器核数。
16.根据权利要求13-15任一项所述的概率电压稳定性评估系统，其特征在于，所述电压稳定性分析模型，由以下公式确定：
其中，N表示电力系统中节点的总数量，i表示节点编号，PLi0和QLi0分别表示第i个节点的有功和无功基准负荷，PGi0和QGi0表示第i个节点的传统发电机有功和无功出力的基准量，PRi和QRi为第i个节点的新能源出力的有功和无功功率，KGi和KLi分别表示负荷和传统发电机出力的乘子系数，Vi表示第i个节点的电压幅值，Vj表示第j个节点的电压幅值，δij＝δi-δj，δi表示第i个节点的功角、δj表示第j个节点的功角，Gij表示电网中第i个节点和第j个节点之间的线路电导值，Bij表示电网中第i个节点和第j个节点之间的线路电纳值；
当负荷裕度参数ε逐渐从0增长至εnose，此时电力系统运行于临界状态，表示电力系统处于电压崩溃边缘，其中εnose表示最大负荷裕度处，是电力系统电压稳定裕度的关键指标，εnose即输出响应。
17.根据权利要求13所述的概率电压稳定性评估系统，其特征在于，所述CPU处理器做运算的过程，在若满足，则生成初始概率电压稳定性评估结果之后，还包括：
根据所有初始概率电压稳定性评估结果，输出最终概率电压稳定性评估结果；
所述最终概率电压稳定性评估结果，由以下关系式确定：
其中，Mean(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的均值；Var(εnose)表示该状态下电力系统的电压稳定最大负荷裕度的方差，Pt表示第t种网络拓扑的出现概率。
18.根据权利要求13所述的概率电压稳定性评估系统，其特征在于，所述新的初始数据集和前一初始数据集，均为基于拉丁超立方采样算法获取的包含风电出力及负荷出力数据的样本点，且所述新的初始数据集的数量大于前一初始数据集的数量。
19.根据权利要求13所述的概率电压稳定性评估系统，其特征在于，所述计算机系统，为计算机集群。
20.根据权利要求13所述的概率电压稳定性评估系统，其特征在于，所述输入模块，用于获取该运行状态下的若干个包含风电出力及负荷出力数据的初始数据集，具体为：
基于拉丁超立方采样算法，对该运行状态下的风电出力及负荷出力数据进行采样和排序，获取能够反映输入概率分布特性的样本点，并控制样本点的相关性，得到若干个包含风电出力及负荷出力数据的初始数据集。
21.一种终端设备，其特征在于，包括一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-12任一项所述的概率电压稳定性评估方法。
22.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-12任一项所述的概率电压稳定性评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110582365.XA CN113328467B (zh) | 2021-05-26 | 2021-05-26 | 一种概率电压稳定性评估方法、系统、终端设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110582365.XA CN113328467B (zh) | 2021-05-26 | 2021-05-26 | 一种概率电压稳定性评估方法、系统、终端设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113328467A CN113328467A (zh) | 2021-08-31 |
| CN113328467B true CN113328467B (zh) | 2023-01-20 |
Family
ID=77421548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110582365.XA Active CN113328467B (zh) | 2021-05-26 | 2021-05-26 | 一种概率电压稳定性评估方法、系统、终端设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113328467B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115146744B (zh) * | 2022-09-01 | 2022-12-06 | 安徽南瑞中天电力电子有限公司 | 一种融合时间特征的电能表负荷实时辨识方法、识别系统 |
| CN116031890B (zh) * | 2023-02-14 | 2023-08-22 | 重庆大学 | 电力系统概率电压稳定性影响因素溯源方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110350535A (zh) * | 2018-09-07 | 2019-10-18 | 国网甘肃省电力公司电力科学研究院 | 一种计及大规模风电和电动汽车并网的配电网电压稳定概率评估方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108306303B (zh) * | 2018-01-17 | 2021-06-15 | 南方电网科学研究院有限责任公司 | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 |
| CN110429637B (zh) * | 2019-06-25 | 2020-11-13 | 广西电网有限责任公司南宁供电局 | 一种概率静态电压稳定域的可视化方法 |
| CN111463796B (zh) * | 2020-02-28 | 2021-10-08 | 广东电网有限责任公司 | 一种考虑风电出力的电压稳定性评估方法及装置 |
-
2021
- 2021-05-26 CN CN202110582365.XA patent/CN113328467B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110350535A (zh) * | 2018-09-07 | 2019-10-18 | 国网甘肃省电力公司电力科学研究院 | 一种计及大规模风电和电动汽车并网的配电网电压稳定概率评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113328467A (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| Burke et al. | Maximizing firm wind connection to security constrained transmission networks | |
| CN113328467B (zh) | 一种概率电压稳定性评估方法、系统、终端设备及介质 | |
| CN106980906B (zh) | 一种基于spark的Ftrl电压预测方法 | |
| 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 | |
| Xu et al. | Probabilistic load flow evaluation with hybrid Latin Hypercube Sampling and multiple linear regression | |
| CN115329669A (zh) | 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 | |
| CN108805419B (zh) | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 | |
| Dinavahi et al. | ANN based voltage stability margin prediction | |
| CN111600309A (zh) | 电压控制方法、装置、设备、计算机设备和存储介质 | |
| CN112016239A (zh) | 一种基于动态贝叶斯网络快速求解系统可靠度的方法 | |
| CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
| CN111507591A (zh) | 电力系统状态确定方法、装置、计算机介质及存储介质 | |
| CN114548828A (zh) | 一种分布式光伏电源的选址和定容方法、装置及设备 | |
| Duan et al. | High performance computing (hpc) for advanced power system studies | |
| CN113949079A (zh) | 基于深度学习的配电台区用户三相不平衡预测优化方法 | |
| CN112488224A (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
| CN112800674A (zh) | 一种基于极限学习机的电力系统元件可靠性参数计算方法 | |
| CN113054653A (zh) | 基于VGGNet-SVM的电力系统暂态稳定评估方法 | |
| Anh et al. | Load shedding apply neural network and voltage electrical distance | |
| Le et al. | Probabilistic assessment of power systems with renewable energy sources based on an improved analytical approach | |
| Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
| Lin et al. | Fast probabilistic optimal power flow based on modified multi-parametric programming | |
| Li | Prediction of Short-term Load of Microgrid Based on Multivariable and Multistep Long Short-term Memory. | |
| Abdillah et al. | JURNAL RESTI |
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 |