CN115828497B - 融合蒙特卡洛与区间数的电网网络阻塞分析方法及系统 - Google Patents
融合蒙特卡洛与区间数的电网网络阻塞分析方法及系统 Download PDFInfo
- Publication number
- CN115828497B CN115828497B CN202211154974.6A CN202211154974A CN115828497B CN 115828497 B CN115828497 B CN 115828497B CN 202211154974 A CN202211154974 A CN 202211154974A CN 115828497 B CN115828497 B CN 115828497B
- Authority
- CN
- China
- Prior art keywords
- limit
- branch
- power flow
- upper limit
- output prediction
- 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
- 230000000903 blocking effect Effects 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000005070 sampling Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 16
- 238000004364 calculation method Methods 0.000 description 38
- 230000005540 biological transmission Effects 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000008030 elimination Effects 0.000 description 6
- 238000003379 elimination reaction Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- VYMDGNCVAMGZFE-UHFFFAOYSA-N phenylbutazonum Chemical compound O=C1C(CCCC)C(=O)N(C=2C=CC=CC=2)N1C1=CC=CC=C1 VYMDGNCVAMGZFE-UHFFFAOYSA-N 0.000 description 1
- 239000012088 reference solution Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力自动化技术领域,公开一种融合蒙特卡洛与区间数的电网网络阻塞分析方法及系统;所述方法包括:首先利用基于区间数理论的潮流分析方法确定一定的风电场预测误差是否能够造成网络阻塞风险,再利用蒙特卡洛方法对设定的风电场预测误差进一步精确缩小,从而确定能够对电网造成网络阻塞风险的风电场预测误差,从而实现最大限度挖掘电网的网络阻塞风险,保证电网的安全。
Description
技术领域
本发明属于电力自动化技术领域,特别公开一种融合蒙特卡洛与区间数的电网网络阻塞分析方法及系统。
背景技术
随着输电网开放以及跨区域电能交易的日益增多,输电阻塞问题日益严重。一方面,由于新能源电力的发电量受季节和天气条件的影响而波动性较大,且与稳定的用电需求不完全匹配,容易导致电网频率波动较大,为满足用户侧负荷的需求,且减少或避免由于电网频率波动,即避免可再生能源在时间波动上引起的电网阻塞,经常会产生弃风、弃水、弃光等现象,导致新能源利用率十分低下。另一方面,现有的新能源电力装机容量,由于地域性限制,一直处于东西部严重不平衡状态,以风光为主的大型新能源地面电站主要集中在西北地区。但由于当地消纳能力有限,且无足够多的电力外送通道,因此在过去几年装机量快速增长的同时,弃光限电情况非常严重,电力工业需要提高竞争来实现资源的优化配置,提高输送效率,降低成本,优质服务,合理规划,促进电力工业长期持续稳定发展。
风电功率的短时大幅波动对电网的安全稳定运行造成冲击,为更准确地评估电力系统在较短时间内的风电消纳情况,需考虑风电功率的预测误差针对风电预测误差引起风电出力不确定的问题,主要有4种评估模型,分别为随机模型、模糊模型、鲁棒模型和区间模型。随机模型将不确定风电出力视为随机变量,采用蒙特卡洛或拉丁超立方采样方法对不同场景下的不确定风电进行重复采样。
随机模型在研究对象上,没有考虑实际风电的预测误差,场景考虑不完整;在计算方法上,采用的概率区间无法计算风电预测带来的网络阻塞风险。
现有考虑风电场相关性的含风电电力系统随机潮流分析方法,依据风速历史数据建立了考虑风电场风速和出力相关性的离散化联合概率模型。并结合半不变量和级数展开方法,提出考虑风速相关性的含风电电力系统的随机潮流评估算法和模型,运用概率统计方法处理系统运行中的随机变化因素,得到节点电压的概率分布和越限指标,并根据计算结果提出风电场的无功补偿方案,为含大规模风电的电力系统规划和运行决策提供更完整的信息。该方法采用了概率对风险进行分析,但是没有给出风险概率的界限;给出的潮流只是一个潮流断面,给出的概率也只是一个潮流断面的越限概率。
发明内容
本发明的目的在于提供一种融合蒙特卡洛与区间数的电网网络阻塞分析方法及系统,以解决现有对含风电电力系统运行网络阻塞风险分析方法中风险分析不完整、不全面,分析结果过于保守的技术问题。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明公开一种融合蒙特卡洛与区间数的电网网络阻塞分析方法,包括:
获取含风电电力系统中各个风场并网节点预设的出力预测的最大误差和最小误差;
按照获取的所述最大误差,采用区间潮流法计算含风电电力系统的网络支路潮流情况,判断含风电电力系统中是否存在支路潮流越限的情况;如果存在越限支路,根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况;
对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,若二者匹配,则越限支路存在敏感风场并网节点;将敏感风场并网节点原始的出力预测误差上下限设置为蒙特卡洛抽样的风场出力预测误差上下限;
判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的差值都小于第二阈值则输出网络潮流越限信息。
本发明进一步的改进在于:如果存在越限支路,根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况的步骤具体包括:
对含风电电力系统中各个风场并网节点的历史出力预测数据进行N次抽样,并排除超出所述最大误差和最小误差的抽样,根据剩余抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况。
本发明进一步的改进在于:所述对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,若二者匹配,则越限支路存在敏感风场并网节点的步骤中:
越限支路的潮流上限为H1%,抽样计算的对应越限支路的潮流上限为H2%;如果满足|H1-H2|≤3,则二者匹配。
本发明进一步的改进在于:所述判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的差值都小于第二阈值则输出网络潮流越限信息的步骤中,敏感风场并网节点原始的出力预测误差上限为S1%,下限为X1%;敏感风场并网节点的蒙特卡洛抽样的风场出力预测误差上限为S2%,下限为X2%;上限差值为|S1-S2|,下限差值为|X1-X2|;所述第二阈值为3。
本发明进一步的改进在于:输出的网络潮流越限信息包括变压器潮流越限与线路潮流越限。
第二方面,本发明提供一种融合蒙特卡洛与区间数的电网网络阻塞分析系统,包括:
获取模块,用于获取含风电电力系统中各个风场并网节点预设的出力预测的最大误差和最小误差;
越限判断模块,用于按照获取的所述最大误差,采用区间潮流法计算含风电电力系统的网络支路潮流情况,判断含风电电力系统中是否存在支路潮流越限的情况;如果存在越限支路,根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况;
对比模块,用于对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,若二者匹配,则越限支路存在敏感风场并网节点;将敏感风场并网节点原始的出力预测误差上下限设置为蒙特卡洛抽样的风场出力预测误差上下限;
判断输出模块,用于判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的差值都小于第二阈值则输出网络潮流越限信息。
本发明进一步的改进在于:如果存在越限支路,越限判断模块根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况的步骤具体包括:
对含风电电力系统中各个风场并网节点的历史出力预测数据进行N次抽样,并排除超出所述最大误差和最小误差的抽样,根据剩余抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况。
本发明进一步的改进在于:对比模块对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,若二者匹配,则越限支路存在敏感风场并网节点时:
越限支路的潮流上限为H1%,抽样计算的对应越限支路的潮流上限为H2%;如果满足|H1-H2|≤3,则二者匹配。
判断输出模块判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的差值都小于第二阈值则输出网络潮流越限信息时:敏感风场并网节点原始的出力预测误差上限为S1%,下限为X1%;敏感风场并网节点的蒙特卡洛抽样的风场出力预测误差上限为S2%,下限为X2%;上限差值为|S1-S2|,下限差值为|X1-X2|;所述第二阈值为3。
第三方面,本发明提供一种电子设备,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现所述的一种融合蒙特卡洛与区间数的电网网络阻塞分析方法。
第四方面,本发明提供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至少一个指令,所述至少一个指令被处理器执行时实现所述的一种融合蒙特卡洛与区间数的电网网络阻塞分析方法。
相对于现有技术,本发明具有以下有益效果:
本发明提供一种融合蒙特卡洛与区间数的电网网络阻塞分析方法及系统,根据现有风电预测系统存在一定误差实际情况,基于电网实时运行状态、发电计划和负荷预测结果,以分析结果最大限度接近实际情况为目标,首先利用基于区间数理论的潮流分析方法确定一定的风电场预测误差是否能够造成网络阻塞风险,再利用蒙特卡洛方法对设定的风电场预测误差进一步精确缩小,从而确定能够对电网造成网络阻塞风险的风电场预测误差,从而实现最大限度挖掘电网的网络阻塞风险,保证电网的安全。
本发明考虑风电出力一定的预测误差区间,采用蒙特卡洛与区间潮流相结合的方法分析网络阻塞风险,首先采用区间分析方法分析输电网的网络越限风险,对于分析出的网络越限风险采用蒙特卡洛分析法进行大范围仿真分析,给出输电网网络阻塞的风险。本发明可应用于省、地智能电网调度控制系统;可应用于调控云平台的工程实施;可应用于新一代调度控制系统的工程实施;可为新能源资源丰富的电网的安全运行提供基础服务。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为区间潮流法、蒙特卡洛法与实际越限情况对比示意图;
图2为本发明一种融合蒙特卡洛与区间数的电网网络阻塞分析方法的流程示意图;
图3为9节点系统示意图;
图4为不考虑新能源预测误差的线路传输有功功率值示意图;
图5为新能源出力误差为±5%时网络阻塞情况统计示意图;
图6为新能源出力误差为±10%时网络阻塞情况统计示意图;
图7为只计及新能源出力不确为±5%时区间潮流的波动量示意图;
图8为只计及新能源出力不确为±10%时区间潮流的波动量示意图;
图9为本发明一种融合蒙特卡洛与区间数的电网网络阻塞分析系统的结构框图;
图10为本发明一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
相关术语解释:
区间计算(Interval calculation):区间计算与传统的以数为对象的运算(即点计算)不同,它的运算对象是区间。虽然区间计算思想的出现可以追溯到上个世纪30年代,但通常认为R.E.Moore(1966)发表的著作标志了区间计算的正式诞生。经过半个多世纪的发展,人们发现区间计算在控制计算误差和处理不确定性等方而具有许多特殊的优点。作为一种新的计算方法,区间计算在许多领域中得到了成功的应用。2007年1月,美国数学会把2007年度罗宾逊奖(Robbins Prize)授予了美国数学家Thomas C.Hales和SamuelFerguson,表彰他们应用区间计算解决了著名的开普勒猜想。由此可见,区间计算的价值和意义得到了愈来愈多学者的认同。
潮流计算(Power flow calculation):指在给定电力系统网络拓扑、元件参数和发电、负荷参量条件下,计算有功功率、无功功率及电压在电力网中的分布。潮流计算是根据给定的电网结构、参数和发电机、负荷等元件的运行条件,确定电力系统各部分稳态运行状态参数的计算。通常给定的运行条件有系统中各电源和负荷点的功率、枢纽点电压、平衡点的电压和相位角。待求的运行状态参量包括电网各母线节点的电压幅值和相角,以及各支路的功率分布、网络的功率损耗等。
蒙特卡洛法(Monte Carlo method):当所求解问题是某种随机事件出现的概率,或者是某个随机变量的期望值时,通过某种“实验”的方法,以这种事件出现的频率估计这一随机事件的概率,或者得到这个随机变量的某些数字特征,并将其作为问题的解。蒙特卡罗方法的解题过程可以归结为三个主要步骤:构造或描述概率过程;实现从已知概率分布抽样;建立各种估计量。
网络阻塞风险(Network congestion risk):阻塞是指电力输送的要求大于输电网的实际物理输送能力。根据阻塞发生的地点的不同,可以分为区域内部输电阻塞和区域之间输电阻塞。
实施例1
1、基于蒙特卡洛法的网络潮流最大值的计算方法
首先,针对不确定量电源的出力、负荷功率等的不确定区间量,采取抽样法抽取区间内的随机变量获得随机抽取值,再对随机抽取值进行潮流计算,对区间内不确定量抽取N次并进行相应的潮流计算,将潮流结果进行最大最小值的确定,得出抽样法后的区间潮流解。如图1所示为区间潮流法、蒙特卡洛法与实际越限情况对比,以及风险的覆盖情况。
抽样后的潮流结果中最大值最小值的计算方法:统计N次抽样后的潮流结果内大于其平均值的数据和小于平均值的数据,再分别计算其平均值,作为N次抽样后的潮流结果区间值的上界和下界。蒙特卡洛抽样计算方法可以计算出区间潮流的区间解,但是计算次数比较大且计算时间过长,所以,只用蒙特卡洛抽样计算方法来作为区间潮流计算方法的参考求解方法。
2、基于区间计算的含风电电力系统网络阻塞分析方法
2.1、区间潮流计算的数学模型
考虑含风电电力系统的网络参数为常数,对于区间潮流通常研究考虑新能源出力的波动性,可将其与常规发电机及负荷的出力进行叠加,形成网络节点的注入功率,进而将节点的注入功率写为带有波动量的区间表达。因此,区间潮流的数学描述可以用方程表征为:
其中,B为网络的电纳矩阵,为节点注入的区间功率,/>为节点的区间相角,区间直流潮流是根据节点注入的区间功率求得支路潮流的区间功率以及节点电压的区间幅值、相角。
由于含风电电力系统功率实时保持平衡,则有则可以推出电纳矩阵B是奇异的,不能直接求逆。一般在计算潮流时,平衡节点的电压相角为已知量(常常取0),因此可以采用降阶电纳矩阵求解区间潮流:
其中,Ω为PV和PQ节点构成的集合,ref为平衡节点,此时降阶模型中电纳矩阵B为可逆矩阵。若令为非平衡节点功率注入向量,B*=BΩ×Ω和/>表示非平衡节点的电纳矩阵和相角向量,则:
其中,〈θref〉=[0,0],为平衡节点的区间功率。由于电力系统需满足实时的电力平衡,则节点注入功率和为0,因此平衡节点功率可由下式得到:
根据系统传输功率定义,可知第l条线路的功率可以表示为其中i,j分别为支路l的首末两端节点编号,xij为支路l的电抗。如果考虑区间表达,则区间的传输功率可表示为
然而,需要说明的是,采用式(5)来求解区间传输功率时,需要用到区间相角的信息,而区间相角又是由式(1)得到,此时区间相角的运算出现了多次运算,必然导致区间放大,为了克服区间运算的保守性,可以采用网络的转移分布因子进行求解,从而得到:
其中,Hl为与支路l相关的网络转移分布因子矩阵,可以看出,式中仅对不确定变量进行一次线性运算,因此大大降低了保守性。但采用式(6)也有一定挑战,在于矩阵H为一个满秩矩阵,存储该矩阵需要占用很大的内存。
2.2、区间潮流的求解算法
区间线性方程组的解法同普通线性方程组的解法有很大的区别,区间线性方程组的解法可以分为:直接法和迭代法等,以下为这些方法的介绍。
方法1:区间高斯消去法
区间高斯消去法与传统的高斯消去法类似,不同的是使用区间操作。高斯消去法将系数矩阵消去为上三角矩阵并消去每列都需要寻找主元,传统的高斯消去法是选择列对角线元素中最大元素的作为主元。
对于区间高斯消去法,列的量级最大的元素可以作为主元的竞争者,变量x的量级定义为公式(7)。
方法2:Kraw算子迭代法
Kraw算子迭代法的本质是一种迭代算法,初值为<x0>,每次迭代值为:
<xi+1>=(C<b>+(I-C<A>)<xi>)∩<xi> (8)
其中,C为常数矩阵。使用Kraw算子迭代法时,有两点需要注意:第一,初值的选择;第二,常数矩阵的选择。初值的选择要需满足:
<x0>∈IR
其中,由于则||<x>||≤||C<b>||+λ||<x>||、||<x>||≤α,其中/>则初值为:
<x0>=([-α,+α],[-α,+α],…,[-α,+α])T (10)
当常数矩阵C系数矩阵的逆中心矩阵,即C=(AC)-1,则C<A>为一个H矩阵,则可以保证算法的收敛性。
综上,区间潮流以区间方式建模,并且只关心不确定量的边界信息,能够得到直观的信息,是研究输电网网络阻塞风险的有效分析方法。
3、融合蒙特卡洛与区间计算的电网网络阻塞分析方法:
S101、获取含风电电力系统中各个风场并网节点预设的出力预测的最大误差与最小误差;在一具体实施方式中,最大误差可以为±15%,最小误差可以为±5%;
S102、按照步骤S101获取的最大误差,采用区间潮流法(公式(1)-(10))计算含风电电力系统的网络支路潮流情况,判断含风电电力系统中是否存在支路潮流越限的情况;如果不存在越限支路,则退出;存在越限支路,则进入步骤S103;所述越限支路的潮流上下限称为第一潮流上下限;
S103、对含风电电力系统中各个风场并网节点的历史出力预测数据进行N(N大于1000)次抽样,并排除超出S101中预设的最大误差和小于最小误差的抽样,根据剩余抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况,得到步骤S102中所述越限支路的潮流上下限,称为第二潮流上下限;
S104、对比越限支路的第一潮流上限和对应的第二潮流上限,若二者匹配,则含风电电力系统中若干风场并网节点对越限支路的灵敏度大于第一阈值,将对应风场并网节点称为敏感风场并网节点。则将敏感风场并网节点原始的出力预测误差上下限设置为蒙特卡洛抽样的风场出力预测误差上下限;在一具体实施方式中,二者匹配具体为:第一潮流上限越限H1%,第二潮流上限越限H2%;如果满足|H1-H2|≤3,则认为越限支路的第一潮流上限和第二潮流上限匹配;
S105、判断步骤S104中敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有的风电场的差值都小于第二阈值则转步骤S106,否则返回步骤S103;在一具体实施方式中,敏感风场并网节点原始的出力预测误差上限为S1%,下限为X1%;敏感风场并网节点的蒙特卡洛抽样的风场出力预测误差上限为S2%,下限为X2%;上限差值为|S1-S2|,下限差值为|X1-X2|;所述第二阈值为3;所有敏感风场并网节点的原始的出力预测误差与蒙特卡洛抽样出力预测误差的上限差值和下限差值均小于或等于3,转步骤S106;
S106、输出计算结果,即网络潮流是否越限信息;所述网络潮流越限信息包括变压器潮流越限与线路潮流越限。
实施例2
请参阅图2所示,本发明提供一种融合蒙特卡洛与区间数的电网网络阻塞分析方法,包括:
S1、获取含风电电力系统中各个风场并网节点预设的出力预测的最大误差和最小误差;
S2、按照获取的所述最大误差,采用区间潮流法计算含风电电力系统的网络支路潮流情况,判断含风电电力系统中是否存在支路潮流越限的情况;如果存在越限支路,根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况;
S3、对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,若二者匹配,则越限支路存在敏感风场并网节点;将敏感风场并网节点原始的出力预测误差上下限设置为蒙特卡洛抽样的风场出力预测误差上下限;
S4、判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的差值都小于第二阈值则输出网络潮流越限信息。
在一具体实施方式中,如果存在越限支路,根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况的步骤具体包括:
对含风电电力系统中各个风场并网节点的历史出力预测数据进行N次抽样,并排除超出所述最大误差和最小误差的抽样,根据剩余抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况。
在一具体实施方式中,所述对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,若二者匹配,则越限支路存在敏感风场并网节点的步骤中:
越限支路的潮流上限为H1%,抽样计算的对应越限支路的潮流上限为H2%;如果满足|H1-H2|≤3,则二者匹配。
在一具体实施方式中,所述判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的差值都小于第二阈值则输出网络潮流越限信息的步骤中,敏感风场并网节点原始的出力预测误差上限为S1%,下限为X1%;敏感风场并网节点的蒙特卡洛抽样的风场出力预测误差上限为S2%,下限为X2%;上限差值为|S1-S2|,下限差值为|X1-X2|;所述第二阈值为3。
在一具体实施方式中,输出的网络潮流越限信息包括变压器潮流越限与线路潮流越限。
实施例3
9节点算例:对于区间潮流,本实施例采用9节点系统对所提一种含风电电力系统网络阻塞分析方法进行测试,其中该9节点系统共有3个负荷,3个发电机以及9条线路,其结构如图3所示。通过9节点的算例测试结果分别对以上几种区间潮流的求解方法进行验算,找出研究网络阻塞风险的最佳求解方案,为分析输电网网络阻塞场景的特征打下理论基础。
考虑各个节点的出力在±10%内随机变化,分别采用上述方法对区间潮流进行求解,得到的结果如表1所示。由此计算结果可以看出,三种方法均能准确求解区间潮流的结果,并且对于9节点的小系统,几种方法的计算速度基本一样。除了2、3节点的电压相角上边界有细微差别,其余节点的区间上下边界均差别不大。
表1区间潮流的算法电压相角求解结果比较
下面讨论直流区间潮流的传输功率区间范围,根据表1中得到的区间相角计算结果,可以得到如表2所示结果。对于确定性潮流,无论采用何种方法计算,得到的结果都是完全一样的。
表2区间潮流计算结果
综上,当新能源接入系统时,节点的注入功率存在波动性,区间直流潮流基本可以准确计算出支路潮流,从而判断该支路是否存在越限风险。
实施例4
实际电网算例概况:实际电网算例766节点实际含风电电力系统共包括PV节点44个,PQ节点721个,766号节点为平衡节点。发电机组共179台,传输线路共1036条,280台变压器,其基本概况如表3所示。
表3实际电网算例信息概况
含风电电力系统的母线信息如表4所示,其最高电压等级为1000kV,最低电压等级为10kV,母线总数最多的为220kV节点,母线总数最少的为18kV。
表4母线信息
本实施例以实际电网为例,分析集中并网新能源功率波动导致输电网网络阻塞场景的特征。定义越限率为:|Pij-Plim|/Plim×100%,其中,Pij为支路ij有功传输功率,Plim为支路ij有功传输功率限值。
蒙特卡洛仿真结果:
针对实际电网766节点实际电力系统,使用Matpower潮流计算工具包,对其进行潮流计算,当不考虑新能源的预测误差时,其线路传输的有功功率如图4所示。
此时,所有的线路均在线路传输功率限制的范围之内,即此时没有越限的风险,不发生网络阻塞。实际系统中,新能源的出力预测误差会给系统带来很大的越限风险,以下分别选取不同的预测误差,对求解结果进行分析。
(1)、新能源预测误差为±5%的仿真分析
当新能源出力误差为±5%时,进行5000次直流潮流的蒙特卡洛仿真实验,其中发生越限现象的支路号为780、972,支路的具体信息如表5所示。由此表可以看出,在5000次实验中,780号支路发生越限的风险为6.66%,972号支路发生越限的风险为59.78%。因此,可以将780号线路定为低风险网络阻塞线路,972号支路定为高风险网络阻塞线路。
表5 新能源出力误差为±5%时支路越限情况
在5000次蒙特卡洛仿真中统计其中两条传输线路均越限,只有一条线路越限和没有线路越限的总次数,其结果如图5所示。由图可以看出,5000次仿真实验中,不发生网络阻塞的风险为66.4%,只有一条线路越限的风险为31.34%,两条线路均发生越限的风险为2.26%。总之,当新能源出力误差为±5%时,该766节点实际电力系统发生网络阻塞的风险为33.6%,即新能源出力预测误差将在很大程度上导致网路阻塞的发生。
(2)、新能源预测误差为±10%的仿真分析
当新能源出力误差为±10%,5000次直流潮流的蒙特卡洛仿真实验,其中236号支路、972号支路、1024号支路和1025号支路有发生传输功率越限的可能,具体情况如表6所示。其中,发生越限风险最高的是972号支路,其越限风险为53.9%,为高风险越限线路;发生越限风险最低的是1024号,其越限风险为2.98%。与新能源出力误差为±5%时的结果相比,当新能源的出力预测误差增大时,其发生越限的线路总数也有所增加。
表6新能源出力误差为±10%时支路越限情况
统计在5000次蒙特卡洛仿真结果中4条线路发生网络阻塞,3条线路发生网络阻塞,2条线路发生网络阻塞,1条线路发生网络阻塞和无线路发生网络阻塞的情况如所示。5000次蒙特卡洛仿真结果中,单条线路发生网络阻塞的风险最高为50.16%,4条线路发生网络阻塞的风险最低为0.54%。而在新能源预测误差为±10%的情况下,不发生网络阻塞的风险为36.08%,其风险远远大于预测误差为±5%时的情况,如图6所示。
综上,足够多次数的蒙特卡洛仿真统计结果基本上可以与实际情况保持一致,且新能源预测误差的逐步增大将导致系统发生网络阻塞的风险更大。
区间潮流分析:
根据区间潮流分析算法进行区间求解,求解只计及新能源出力不确定性的区间支路功率在确定性模型支路功率基础上的波动量,以及考虑新能源出力波动与传统机组调峰波动的区间潮流计算结果。
(1)、新能源出力预测误差为±5%的仿真分析
在区间潮流计算中,当只计及新能源出力不确定性时,区间潮流同样可以捕捉支路功率的越限情况,不过相较于蒙特卡洛方法,区间潮流可能会捕捉较多的越限情况,当系统节点数较多时,这种情况尤为严重。当新能源出力预测误差为±5%时,只计及新能源出力不确定时区间潮流的波动量如图7所示,波动量为区间潮流在确定潮流基础上的差值,区间潮流的波动量呈现出对称特性,最大波动量为100MW。
根据此波动量,进一步分析其中支路的具体越限信息如表7所示。表中,定义支路的越限百分比为支路功率的计算值与支路功率允许的最大值的百分比值,此结果与上述蒙特卡洛的仿真结果表5相比,多出了748和771这两条越限支路,这与之前图1介绍的区间潮流法、蒙特卡洛法越限情况对比结果相符。其中,越限百分比最高的为236号支路,最低的为771号支路。
表7只计及新能源出力不确为±5%时支路越限信息
表8计及新能源出力不确为±5%和传统机组调节能力时支路越限信息
(3)、新能源出力预测误差为±10%的仿真分析
当新能源出力预测误差为±10%时,只计及新能源出力不确定时区间潮流的波动量如图8所示。由此图可以看出,新能源出力的波动性导致不同的支路出现不同程度的区间潮流波动量,即新能源机组出力的预测误差对不同的支路来说影响并不相同,波动量较大的支路将更有可能发生越限,出现网络阻塞,即区间潮流可以准确捕捉支路的越限情况。
根据此波动量,进一步分析其中支路的具体越限信息如表9所示。表中,同样定义支路的越限百分比为支路功率的计算值与支路功率允许的最大值的百分比值,此结果与上述蒙特卡洛的仿真结果表5相比,多出了748、771、855号和1026号这四条越限支路。其中,越限率最高的为972号支路,越限百分比的为771号支路。
表9只计及新能源出力不确为±10%时支路越限信息
实施例5
请参阅图9所示,本发明提供一种融合蒙特卡洛与区间数的电网网络阻塞分析系统,包括:
获取模块,用于获取含风电电力系统中各个风场并网节点预设的出力预测的最大误差和最小误差;
越限判断模块,用于按照获取的所述最大误差,采用区间潮流法计算含风电电力系统的网络支路潮流情况,判断含风电电力系统中是否存在支路潮流越限的情况;如果存在越限支路,根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况;
对比模块,用于对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,若二者匹配,则越限支路存在敏感风场并网节点;将敏感风场并网节点原始的出力预测误差上下限设置为蒙特卡洛抽样的风场出力预测误差上下限;
判断输出模块,用于判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的差值都小于第二阈值则输出网络潮流越限信息。
在一具体实施方式中,如果存在越限支路,越限判断模块根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况的步骤具体包括:
对含风电电力系统中各个风场并网节点的历史出力预测数据进行N次抽样,并排除超出所述最大误差和最小误差的抽样,根据剩余抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况。
在一具体实施方式中,对比模块对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,若二者匹配,则越限支路存在敏感风场并网节点时:
越限支路的潮流上限为H1%,抽样计算的对应越限支路的潮流上限为H2%;如果满足|H1-H2|≤3,则二者匹配。
判断输出模块判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的差值都小于第二阈值则输出网络潮流越限信息时:敏感风场并网节点原始的出力预测误差上限为S1%,下限为X1%;敏感风场并网节点的蒙特卡洛抽样的风场出力预测误差上限为S2%,下限为X2%;上限差值为|S1-S2|,下限差值为|X1-X2|;所述第二阈值为3。
实施例6
请参阅图10所示,本发明还提供一种融合蒙特卡洛与区间数的电网网络阻塞分析方法的电子设备100;所述电子设备100包括存储器101、至少一个处理器102、存储在所述存储器101中并可在所述至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。
存储器101可用于存储所述计算机程序103,所述处理器102通过运行或执行存储在所述存储器101内的计算机程序,以及调用存储在存储器101内的数据,实现实施例1至2中任一个所述的一种融合蒙特卡洛与区间数的电网网络阻塞分析方法的方法步骤。所述存储器101可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外,存储器101可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述至少一个处理器102可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等,所述处理器102是所述电子设备100的控制中心,利用各种接口和线路连接整个电子设备100的各个部分。
所述电子设备100中的所述存储器101存储多个指令以实现一种融合蒙特卡洛与区间数的电网网络阻塞分析方法,所述处理器102可执行所述多个指令从而实现:
获取含风电电力系统中各个风场并网节点预设的出力预测的最大误差和最小误差;
按照获取的所述最大误差,采用区间潮流法计算含风电电力系统的网络支路潮流情况,判断含风电电力系统中是否存在支路潮流越限的情况;如果存在越限支路,根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况;
对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,若二者匹配,则越限支路存在敏感风场并网节点;将敏感风场并网节点原始的出力预测误差上下限设置为蒙特卡洛抽样的风场出力预测误差上下限;
判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的差值都小于第二阈值则输出网络潮流越限信息。
实施例7
所述电子设备100集成的模块/单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM,Read-Only Memory)。
本发明根据电网实时运行状态和风电出力的预测结果,考虑风电一定的预测误差,得到了与实际接近的电网网络阻塞风险;本发明融合蒙特卡洛与区间分析方法,综合利用了两种算法的优点,具有较好的实用性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.融合蒙特卡洛与区间数的电网网络阻塞分析方法,其特征在于,包括:
获取含风电电力系统中各个风场并网节点预设的出力预测的最大误差和最小误差;
按照获取的所述最大误差,采用区间潮流法计算含风电电力系统的网络支路潮流情况,判断含风电电力系统中是否存在支路潮流越限的情况;如果存在越限支路,根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况;
对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,越限支路的潮流上限为H1%,抽样计算的对应越限支路的潮流上限为H2%;如果满足|H1-H2|≤3,则二者匹配;
若二者匹配,则含风电电力系统中若干风场并网节点对越限支路的灵敏度大于第一阈值,将对应风场并网节点称为敏感风场并网节点;将敏感风场并网节点原始的出力预测误差上下限设置为蒙特卡洛抽样的风场出力预测误差上下限;
判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的原始的出力预测误差与蒙特卡洛抽样出力预测误差的上限差值和下限差值都小于第二阈值则输出网络潮流越限信息;
所述判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的原始的出力预测误差与蒙特卡洛抽样出力预测误差的上限差值和下限差值都小于第二阈值则输出网络潮流越限信息的步骤中,敏感风场并网节点原始的出力预测误差上限为S1%,下限为X1%;敏感风场并网节点的蒙特卡洛抽样的风场出力预测误差上限为S2%,下限为X2%;上限差值为|S1-S2|,下限差值为|X1-X2|;所述第二阈值为3。
2.根据权利要求1所述的融合蒙特卡洛与区间数的电网网络阻塞分析方法,其特征在于,如果存在越限支路,根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况的步骤具体包括:
对含风电电力系统中各个风场并网节点的历史出力预测数据进行N次抽样,并排除超出所述最大误差和最小误差的抽样,根据剩余抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况。
3.根据权利要求1所述的融合蒙特卡洛与区间数的电网网络阻塞分析方法,其特征在于,输出的网络潮流越限信息包括变压器潮流越限与线路潮流越限。
4.融合蒙特卡洛与区间数的电网网络阻塞分析系统,其特征在于,包括:
获取模块,用于获取含风电电力系统中各个风场并网节点预设的出力预测的最大误差和最小误差;
越限判断模块,用于按照获取的所述最大误差,采用区间潮流法计算含风电电力系统的网络支路潮流情况,判断含风电电力系统中是否存在支路潮流越限的情况;如果存在越限支路,根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况;
对比模块,用于对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,越限支路的潮流上限为H1%,抽样计算的对应越限支路的潮流上限为H2%;如果满足|H1-H2|≤3,则二者匹配;若二者匹配,则含风电电力系统中若干风场并网节点对越限支路的灵敏度大于第一阈值,将对应风场并网节点称为敏感风场并网节点;将敏感风场并网节点原始的出力预测误差上下限设置为蒙特卡洛抽样的风场出力预测误差上下限;
判断输出模块,用于判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的原始的出力预测误差与蒙特卡洛抽样出力预测误差的上限差值和下限差值都小于第二阈值则输出网络潮流越限信息;
对比模块对比越限支路的潮流上限和抽样计算的对应越限支路的潮流上限,若二者匹配,则越限支路存在敏感风场并网节点时:判断输出模块判断敏感风场并网节点原始的出力预测误差上下限与蒙特卡洛抽样的风场出力预测误差上下限的差值,若所有敏感风场并网节点的原始的出力预测误差与蒙特卡洛抽样出力预测误差的上限差值和下限差值都小于第二阈值则输出网络潮流越限信息时:敏感风场并网节点原始的出力预测误差上限为S1%,下限为X1%;敏感风场并网节点的蒙特卡洛抽样的风场出力预测误差上限为S2%,下限为X2%;上限差值为|S1-S2|,下限差值为|X1-X2|;所述第二阈值为3。
5.根据权利要求4所述的融合蒙特卡洛与区间数的电网网络阻塞分析系统,其特征在于,如果存在越限支路,越限判断模块根据抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况的步骤具体包括:
对含风电电力系统中各个风场并网节点的历史出力预测数据进行N次抽样,并排除超出所述最大误差和最小误差的抽样,根据剩余抽样的历史出力预测数据计算含风电电力系统的网络支路潮流情况。
6.一种电子设备,其特征在于,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至3中任意一项所述的融合蒙特卡洛与区间数的电网网络阻塞分析方法。
7.一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至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至3中任意一项所述的融合蒙特卡洛与区间数的电网网络阻塞分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154974.6A CN115828497B (zh) | 2022-09-21 | 2022-09-21 | 融合蒙特卡洛与区间数的电网网络阻塞分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154974.6A CN115828497B (zh) | 2022-09-21 | 2022-09-21 | 融合蒙特卡洛与区间数的电网网络阻塞分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828497A CN115828497A (zh) | 2023-03-21 |
CN115828497B true CN115828497B (zh) | 2023-11-28 |
Family
ID=85523816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211154974.6A Active CN115828497B (zh) | 2022-09-21 | 2022-09-21 | 融合蒙特卡洛与区间数的电网网络阻塞分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828497B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118381033B (zh) * | 2024-06-25 | 2024-08-23 | 国网江西省电力有限公司信息通信分公司 | 一种基于开普勒优化算法的电网潮流计算方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104810863A (zh) * | 2015-05-11 | 2015-07-29 | 东南大学 | 一种考虑风电预测误差的机组有功实时调度方法 |
CN106228459A (zh) * | 2016-04-21 | 2016-12-14 | 重庆大学 | 基于蒙特卡洛的等值可靠性评估方法 |
CN107069721A (zh) * | 2017-06-21 | 2017-08-18 | 华北电力大学 | 一种基于随机集理论的电力系统运行风险评估方法 |
CN107732970A (zh) * | 2017-11-10 | 2018-02-23 | 国网甘肃省电力公司经济技术研究院 | 一种新能源并网电力系统的静态安全概率评估方法 |
CN110212538A (zh) * | 2019-05-10 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种求解主动配电网区间潮流的二阶锥规划方法 |
CN112736926A (zh) * | 2020-12-25 | 2021-04-30 | 华北电力大学 | 一种分布式新能源接入配电网区间仿射潮流动态优化方法 |
CN113177652A (zh) * | 2020-10-16 | 2021-07-27 | 上海交通大学 | 一种光伏出力预测方法 |
CN113193547A (zh) * | 2021-03-19 | 2021-07-30 | 国网江苏省电力有限公司 | 计及新能源及负荷区间不确定性的电力系统日前-日内协同调度方法与系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012203714A (ja) * | 2011-03-25 | 2012-10-22 | Toshiba Corp | モンテカルロ解析実行制御方法、およびモンテカルロ解析実行制御装置 |
JP6715740B2 (ja) * | 2016-10-13 | 2020-07-01 | 株式会社日立製作所 | 電力系統の潮流監視装置、電力系統安定化装置および電力系統の潮流監視方法 |
-
2022
- 2022-09-21 CN CN202211154974.6A patent/CN115828497B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104810863A (zh) * | 2015-05-11 | 2015-07-29 | 东南大学 | 一种考虑风电预测误差的机组有功实时调度方法 |
CN106228459A (zh) * | 2016-04-21 | 2016-12-14 | 重庆大学 | 基于蒙特卡洛的等值可靠性评估方法 |
CN107069721A (zh) * | 2017-06-21 | 2017-08-18 | 华北电力大学 | 一种基于随机集理论的电力系统运行风险评估方法 |
CN107732970A (zh) * | 2017-11-10 | 2018-02-23 | 国网甘肃省电力公司经济技术研究院 | 一种新能源并网电力系统的静态安全概率评估方法 |
CN110212538A (zh) * | 2019-05-10 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种求解主动配电网区间潮流的二阶锥规划方法 |
CN113177652A (zh) * | 2020-10-16 | 2021-07-27 | 上海交通大学 | 一种光伏出力预测方法 |
CN112736926A (zh) * | 2020-12-25 | 2021-04-30 | 华北电力大学 | 一种分布式新能源接入配电网区间仿射潮流动态优化方法 |
CN113193547A (zh) * | 2021-03-19 | 2021-07-30 | 国网江苏省电力有限公司 | 计及新能源及负荷区间不确定性的电力系统日前-日内协同调度方法与系统 |
Non-Patent Citations (5)
Title |
---|
Latin Hypercube Sampling Techniques for Power Systems Reliability Analysis With Renewable Energy Sources;Zhen Shu等;《IEEE Transactions on Power Systems》;第26卷(第04期);全文 * |
Multi-linear Monte Carlo simulation method for probabilistic load flow of distribution systems with wind and photovoltaic generation systems;Guido Carpinelli等;《Renewable Energy》;第76卷;全文 * |
Time Series Regulation Model of Aggregate Load of Distribution Network Based on Characteristic Analysis;Shaofang Wang;《2021 China International Conference on Electricity Distribution(CICED)》;全文 * |
含DG 的主动配电网供电路径优化的研究;李扬等;《中国电机工程学报》;第38卷(第07期);全文 * |
基于分层区间数可能度排序的不确定静态安全分析;鲁广明等;《电网技术》;第42卷(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115828497A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832905B (zh) | 一种适应分布式发电和储能站发展的配电网规划方法 | |
CN107688879B (zh) | 一种考虑源荷匹配度的主动配电网分布式电源规划方法 | |
Boehme et al. | Applying time series to power flow analysis in networks with high wind penetration | |
Liang et al. | Probability-driven transmission expansion planning with high-penetration renewable power generation: A case study in northwestern China | |
CN106451556A (zh) | 一种确定配电网馈线接纳分布式电源能力的方法和装置 | |
CN106972504A (zh) | 基于遗传算法的区间无功优化方法 | |
CN103077480B (zh) | 一种电力系统的安全校核方法 | |
CN103236691B (zh) | 基于复仿射数学理论的三相不平衡潮流计算方法 | |
CN105633948A (zh) | 一种分布式风电、光伏发电等不确定能源接入电力系统随机模糊潮流算法 | |
CN113541166B (zh) | 一种分布式储能优化配置方法、系统、终端和存储介质 | |
CN105305488B (zh) | 一种考虑新能源并网对输电网利用率影响的评价方法 | |
CN107145707A (zh) | 一种计及光伏出力不确定性和全寿命周期成本的配电网变压器规划方法 | |
CN109523303A (zh) | 一种基于节点边际电价的低压有源配电网阻塞管理方法 | |
CN106532710A (zh) | 计及电压稳定约束的微电网潮流优化方法 | |
CN103366062A (zh) | 基于bbo算法和电网生存性的核心骨干网架构建方法 | |
CN115828497B (zh) | 融合蒙特卡洛与区间数的电网网络阻塞分析方法及系统 | |
CN107834547A (zh) | 一种考虑风电场输出功率关联特性的输电网规划方法 | |
CN104868468B (zh) | 基于全寿命周期成本的upfc优化配置方法 | |
Wang et al. | Applying probabilistic collocation method to power flow analysis in networks with wind farms | |
CN108334696B (zh) | 一种考虑功率随机性的配电网日前网络重构方法 | |
CN107465195B (zh) | 一种基于微电网结合潮流计算的最优潮流双层迭代方法 | |
Domínguez et al. | Analysis of electric power consumption using Self-Organizing Maps. | |
Simonovska et al. | An electrical model-free optimal power flow for pv-rich low voltage distribution networks | |
CN112365134A (zh) | 一种基于点估计法概率多能流的能源网络随机规划方法 | |
Zhang et al. | Probabilistic transmission network expansion planning considering integration of wind power |
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 |