CN115940169A - 一种计及源荷不确定性的改进电网电压越限风险评估方法 - Google Patents

Abstract

本发明公开了一种计及源荷不确定性的改进电网电压越限风险评估方法，包括：基于风光荷预测值与实际值之间的偏差建立源‑荷预测误差概率分布模型；基于电动汽车充电负荷，分别建立包含车辆起始充电时刻的正态分布、电动汽车的日行驶里程分布、车辆起始并网时刻的SOC状态以及充电时长和离网时刻的充电概率分布模型；基于所述源‑荷预测误差概率分布模型和所述充电不确定性概率模型，建立配网电压越限风险评估方法。本发明通过评估电压越限风险的大小，为降低电压越限风险提供规划指导，填补了国内外电网运行风险在对于计及DG和EV不确定性方面的研究，从而紧跟社会发展，有利于电网运行的合理规划。

Description

一种计及源荷不确定性的改进电网电压越限风险评估方法

技术领域

本发明涉及电网运行规划的技术领域，尤其涉及一种计及源荷不确定性的改进电网电压越限风险评估方法。

背景技术

随着环境日益恶化和资源日益短缺，高比例分布式电源(DistributedGenerator，DG)和大规模电动汽车(Electric Vehicle，EV)的接入成为配网转型发展趋势，引起配网电压状态发生较大变化。随着配电网中新能源渗透率的不断提高以及规模化电动汽车的接入，配电网中的不确定性因素增加，由此引发的电压越限、电压状态量分布不确定性增大等问题日益凸显，量化电压越限风险成为指导电网运行规划的重要环节。

围绕这一问题，国内外学者展开了相关研究，包括通过随机潮流获取支路潮流以及节点电压的整体分布，由此计算系统的概率安全性，并对电网安全性做出综合评估；引入基于安全域的输电网概率安全分析模型，利用计算安全域的方式评估概率安全；引入基于随机潮流的电力系统N-1分析方式，从支路开断的角度评估系统的安全与否；基于Nataf变换和拉丁超立方抽样，计算电网潮流的分布情况，由此评估配网运行风险；基于Nataf变换以及点估计法，计及新能源出力的相关性，通过概率潮流评估电网运行风险；针对可再生能源发电以及负荷需求预测误差的不确定性，提出了针对性的风险评估方法。

综上所述，国内外对电网的运行风险评估主要侧重于元件故障以及新能源不确定性方面，而对于计及DG和EV不确定性的相关研究较少，而DG和EV的大规模并网改变了配网的潮流分布，增加了电压越限风险，且由于DG和EV的不确定特性，配网电压波动加剧，表现为电压状态量分布的不确定性增大。因此，为了电网运行的合理规划，需要合理评估计及分布式电源与电动汽车不确定性的电网电压越限风险。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术中，高比例分布式电源和大规模电动汽车的接入引起配网电压状态发生较大变化，导致增加了电压越限风险以及增大了电压状态量分布的不确定性，不利于电网运行规划的问题

为解决上述技术问题，本发明提供如下技术方案：一种计及源荷不确定性的改进电网电压越限风险评估方法，包括：

基于风光荷预测值与实际值之间的偏差建立源-荷预测误差概率分布模型；

基于电动汽车充电负荷，分别建立包含车辆起始充电时刻的正态分布、电动汽车的日行驶里程分布、车辆起始并网时刻的SOC状态以及充电时长和离网时刻的充电概率分布模型；

基于所述源-荷预测误差概率分布模型和所述充电不确定性概率模型，建立配网电压越限风险评估方法。

作为本发明所述的计及源荷不确定性的改进电网电压越限风险评估方法的一种优选方案，其中：所述源-荷误差概率分布模型，包括：光伏功率预测误差概率分布模型、风功率预测误差概率分布模型和负荷预测误差概率分布模型。

作为本发明所述的计及源荷不确定性的改进电网电压越限风险评估方法的一种优选方案，其中：所述光伏功率预测误差概率分布模型包括：

光照强度与光伏输出的关系表示为：

P_pv＝ηAr

其中，P_pv为光伏机组装机容量，η为光电转化率，A为光伏阵列总面积，r为光照强度；

光伏功率预测误差的概率密度函数表示为：

σ_pv＝α_pvP_pv

其中，σ_pv为光伏预测误差的标准差，α_pv为光伏预测误差。

作为本发明所述的计及源荷不确定性的改进电网电压越限风险评估方法的一种优选方案，其中：所述风功率预测误差概率分布模型表示为

σ_WT＝(a+b×w_f)P_w

其中，σ_WT为风功率预测误差的标准差，a、b为预测参数，w_f表示风电单位预测功率，P_w为风机额定装机容量。

作为本发明所述的计及源荷不确定性的改进电网电压越限风险评估方法的一种优选方案，其中：所述负荷预测误差概率分布模型表示为：

σ_L＝a_LP_L

其中，σ_L为负荷预测误差的标准差，α_L为负荷有功功率的数学期望值。

本发明所述的计及源荷不确定性的改进电网电压越限风险评估方法的一种优选方案，其中：所述充电概率分布模型包括：

车辆起始充电时刻服从的正态分布表示为：

其中，t表示EV起始充电时刻；μ_s、σ_s分别表示起始充电时刻的期望值与标准差，二者的取值与车辆出行规律相关；

电动汽车的日行驶里程分布表示为：

其中，s表示日行驶里程，μ_D、σ_D分别表示lns的期望值与标准差，μ_D和σ_D的取值随EV类型的不同而改变；

根据所述日行驶里程计算车辆起始并网时刻的SOC状态，所述车辆起始并网时刻的SOC状态表示为：

其中，SOC_ini、SOC_end分别表示起始并网时刻的荷电状态以及上一次离网时的充电电量；Hc、L分别表示电动汽车单位公里耗电量以及续航里程。

作为本发明所述的计及源荷不确定性的改进电网电压越限风险评估方法的一种优选方案，其中：所述充电概率分布模型还包括：

根据车辆初始SOC、充电功率以及保证用户出行的所需充电电量计算充电时长，所述充电时长表示为：

其中，T表示电动汽车充电时长；SOC_d表示用户需求充电量；C_e、η_c、P_c分别表示电动汽车电池容量、充电效率以及充电功率；

根据起始充电时刻和充电时长，计算得到EV的离网时刻，所述EV的离网时刻表示为：

t_out＝T+t_in

其中，t_in、t_out为车辆的并离网时刻。

作为本发明所述的计及源荷不确定性的改进电网电压越限风险评估方法的一种优选方案，其中：所述配网电压越限风险评估方法基于放大函数和主客观加权来对风险指标进行改进，包括：放大函数、信息熵与熵权、层次分析法和权重组合；

所述放大函数表示为：

其中，S_v,i,j(t)、W_v,i,j(t)分别表示t时刻节点i在场景j下的电压严重度指标和电压越限程度；

W_v,i,j(t)表示为：

其中，V_i,j(t)表示t时刻节点i在场景j下的电压幅值；V_max和V_min为电压幅值的上下限；

考虑放大系数后，t时刻节点i的风险指标R′_v,i(t)表示为：

其中，P_i,j(t)表示t时刻节点i在场景j下对应的电压状态的概率；

所述信息熵与熵权包括，

计算电压状态数及状态对应概率

在t时段，V_i(t)表示节点i的电压状态矩阵，包含N个场景下的电压值。将V_i(t)按照电压状态分布区间划分为N等份，设落入第j个区间的电压值有k_i,j(t)个，则节点i的电压状态数Z_i(t)为含有电压数据的区间个数，电压状态对应的概率计算公式表示为：

其中，f_v,i,j(t)表示时刻t时，节点i的第j个电压状态所对应的概率；N、n分别场景个数与节点个数；

计算电压分布信息熵

所述电压分布信息熵表示为：

其中，e_i(t)表示时刻t时，节点i的电压信息熵；

熵权计算

其中，

表示时刻t时节点i的电压风险指标的客观权重；

所述权重组合包括，

基于主客观属性值一致化将主观权重与客观权重按比例组合，组合权重表示为：

其中，ω_i(t)表示t时刻节点i的组合权重值；α表示主观权重与客观权重的分配系数；

节点i在t时刻风险评估的主客观加权属性值分别为

则节点i的主客观决策信息的偏离程度表示为：

基于主客观加权属性值一致化建立优化模型，所述优化模型表示为：

通过求解所述优化模型，即可得到主客观加权属性值趋于一致的权重分配系数α、1-α，则基于放大函数和主客观加权的电压越限风险评估指标R_v,i(t)表示为：

R_v,i(t)＝ω_i(t)·R′_v,i(t)

作为本发明所述的计及源荷不确定性的改进电网电压越限风险评估方法的一种优选方案，其中：所述电压越限风险评估，包括以下步骤：

确定配电网拓扑、DG、基础负荷、EV的基本参数及预测误差概率分布模型参数；

获取日前风光荷预测出力；

基于日前预测信息和预测误差概率分布模型，利用时序蒙特卡洛法生成N个风光荷出力场景；

基于EV概率模型，采用蒙特卡洛法模拟N个EV充电负荷样本；

在t时刻对所有场景进行潮流计算，得到此时各节点的电压状态矩阵；

基于放大函数和电压越限程度公式，计算t时刻下节点i在所有场景下的改进严重度指标和越限程度大小，直到遍历所有节点；

基于风险指标计算公式，计算t时刻节点i的风险指标R′_v,i(t)；

基于电压分布信息熵计算节点i的电压分布熵值，遍历所有节点后，通过熵权计算公式计算各节点客观权重；

衡量各节点的相对重要程度，基于层次分析法得到各节点的主观权重；

基于主客观属性值一致化，构建基于主客观加权属性值一致化的优化模型，得到主客观权重的分配系数，进一步计算组合权重；

基于组合权重，计算t时刻各节点的风险指标；

遍历所有时段，得到日前风险评估结果。

作为本发明所述的计及源荷不确定性的改进电网电压越限风险评估方法的一种优选方案，其中：通过灵敏度可分析改进指标与传统指标的性能差距，所述灵敏度公式表示为：

其中，E_max和E_sec分别表示评价结果的最优值和次优值。

本发明的有益效果：本发明针对计及DG和EV不确定性的电网电压越限风险评估问题进行研究，可通过该方法评估电压越限风险的大小，为降低电压越限风险提供规划指导，填补了国内外电网运行风险在对于计及DG和EV不确定性方面的研究，从而紧跟社会发展，有利于电网运行的合理规划。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的整体流程图；

图2为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的建立源-荷预测误差概率分布模型的示意框图；

图3为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的提出配网日前电压越限风险评估方法的示意框图；

图4为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的电压越限风险评估的流程示意图；

图5为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的算例仿真的示意框图；

图6为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的实施例中IEEE-33算例系统的示意图；

图7为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的实施例中光伏日前预测曲线的示意图；

图8为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的实施例中风电日前预测曲线的示意图；

图9为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的实施例中负荷日前预测曲线的示意图；

图10为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的指标有效性分析的示意框图；

图11为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的时刻15节点3在各场景下的电压分布状态图；

图12为本发明一个实施例所述的计及源荷不确定性的改进电网电压越限风险评估方法的时刻16节点3在各场景下的电压分布状态图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1—4，为本发明的第一个实施例，该实施例提供了一种计及源荷不确定性的改进电网电压越限风险评估方法，包括：

S1：基于风光荷预测值与实际值之间的偏差建立源-荷预测误差概率分布模型；

更进一步的，源-荷误差概率分布模型，包括光伏功率预测误差概率分布模型、风功率预测误差概率分布模型和负荷预测误差概率分布模型。

应说明的是，建立源-荷预测误差概率分布模型通过建立日前风光荷预测误差概率分布模型，以及时序蒙特卡洛模拟预测误差，并叠加至日前预测信息上生成大量风光荷出力场景。

光伏功率预测误差概率分布模型包括：

光照强度与光伏输出的关系表示为：

P_pv＝ηAr

其中，P_pv为光伏机组装机容量，η为光电转化率，A为光伏阵列总面积，r为光照强度；

应说明的是，由于预测方法的精度、数据的可靠程度、实际气象条件变化等众多因素的影响，光伏功率预测值与实际值之间必定产生偏差，其中光照强度是影响光伏输出的主要因素。

光伏功率预测误差的概率密度函数表示为：

σ_pv＝α_pvP_pv

其中，σ_pv为光伏预测误差的标准差，α_pv为光伏预测误差。

应说明的是，由公式可知光伏输出功率与光照强度之间为线性关系，而现有研究用均值为0且标准差为σ_k的正态分布模型对光照强度的预测误差进行表示，则光伏功率预测误差也服从正态分布。

风功率预测误差概率分布模型表示为

σ_WT＝(a+b×w_f)P_w

其中，σ_WT为风功率预测误差的标准差，a、b为预测参数，w_f表示风电单位预测功率，P_w为风机额定装机容量。

应说明的是，风功率预测误差概率分布模型是用最接近的连续分布模型去描述风电场实际风功率预测误差的分布。而由于实际风速具有不确定性，风功率预测值与实际值之间同样存在偏差，因此，研究风功率预测误差的概率分布具有实际意义。本实施例中，采用非标准的正态分布模拟风功率预测误差

负荷预测误差概率分布模型表示为：

σ_L＝a_LP_L

其中，σ_L为负荷预测误差的标准差，α_L为负荷有功功率的数学期望值。

应说明的是，受用户用电需求、气象、经济等各方面因素影响，负荷曲线随时间呈现一定的变化特性。通过历史数据在日前对电力负荷做出预先估计，有助于经济合理地安排机组发电，保证电网运行地安全稳定性。但由于预测方法、历史数据的不准确以及实际用电需求改变，负荷预测往往也产生一定误差，通过分析负荷预测误差的概率分布，有助于做出更为合理的决策与分析。本实施例中，采用均值为0的非标准正态分布模拟负荷功率预测误差的概率分布

S2：基于电动汽车充电负荷，分别建立包含车辆起始充电时刻的正态分布、电动汽车的日行驶里程分布、车辆起始并网时刻的SOC状态以及充电时长和离网时刻的充电概率分布模型；

应说明的是，针对电动汽车充电负荷，建立包含多种不确定因素的概率分布模型。具体的，电动汽车作为一种可移动充电负荷，受电池容量、充电设施、日行驶里程、并离网时间等诸多不确定因素的影响，在时间和空间分布上均呈现出较强的随机性。因此，本实施例中，选取影响充电负荷的关键因素，分别建立数学概率统计模型。具体实施时，包括但不限于起始充电时刻、日行驶里程以及充电时长。

更进一步的，充电概率分布模型包括：

车辆起始充电时刻服从的正态分布表示为：

其中，t表示EV起始充电时刻；μ_s、σ_s分别表示起始充电时刻的期望值与标准差，二者的取值与车辆出行规律相关；

应说明的是，起始充电时刻与用户日常出行习惯之间存在明显联系，为保证下一次的出行需求，用户一般选择在当前行程结束时开始充电。根据美国交通部在2009年对家用车辆的调查NHTS(National Household Travel Survey)，对其公布数据经拟合处理可知车辆起始充电时刻服从正态分布。

电动汽车的日行驶里程分布表示为：

其中，s表示日行驶里程，μ_D、σ_D分别表示lns的期望值与标准差，μ_D和σ_D的取值随EV类型的不同而改变；

应说明的是，日行驶里程决定了电动汽车出行所需的耗电量，是描述车辆出行特性的重要指标，并影响车辆的充电时长。结合NHTS数据与文献，电动汽车的日行驶里程满足上式分布。

根据所述日行驶里程计算车辆起始并网时刻的SOC状态，所述车辆起始并网时刻的SOC状态表示为：

其中，SOC_ini、SOC_end分别表示起始并网时刻的荷电状态以及上一次离网时的充电电量；Hc、L分别表示电动汽车单位公里耗电量以及续航里程。

更进一步的，充电概率分布模型还包括：

根据车辆初始SOC、充电功率以及保证用户出行的所需充电电量计算充电时长，所述充电时长表示为：

其中，T表示电动汽车充电时长；SOC_d表示用户需求充电量；C_e、η_c、P_c分别表示电动汽车电池容量、充电效率以及充电功率；

根据起始充电时刻和充电时长，计算得到EV的离网时刻，所述EV的离网时刻表示为：

t_out＝T+t_in

其中，t_in、t_out为车辆的并离网时刻。

S3：基于所述源-荷预测误差概率分布模型和所述充电不确定性概率模型，建立配网电压越限风险评估方法。

应说明的是，所述S3为针对传统电压越限风险指标的不足，提出了一种改进风险指标计算方法，基于放大函数改进严重度指标以灵敏反映节点电压越限程度，并计及电压状态分布不确定性的客观因素和人为决策主观因素，基于主客观属性一致化实现风险指标的主客观动态加权，利用概率潮流获取电压状态并评估越限风险。

更进一步的，配网电压越限风险评估方法基于放大函数和主客观加权来对风险指标进行改进，包括：放大函数、信息熵与熵权、层次分析法和权重组合；

所述放大函数表示为：

其中，S_v,i,j(t)、W_v,i,j(t)分别表示t时刻节点i在场景j下的电压严重度指标和电压越限程度；

W_v,i,j(t)表示为：

其中，V_i,j(t)表示t时刻节点i在场景j下的电压幅值；V_max和V_min为电压幅值的上下限；

考虑放大系数后，t时刻节点i的风险指标R′_v,i(t)表示为：

其中，P_i,j(t)表示t时刻节点i在场景j下对应的电压状态的概率；

所述信息熵与熵权包括，

计算电压状态数及状态对应概率

在t时段，V_i(t)表示节点i的电压状态矩阵，包含N个场景下的电压值。将V_i(t)按照电压状态分布区间划分为N等份，设落入第j个区间的电压值有k_i,j(t)个，则节点i的电压状态数Z_i(t)为含有电压数据的区间个数，电压状态对应的概率计算公式表示为：

其中，f_v,i,j(t)表示时刻t时，节点i的第j个电压状态所对应的概率；N、n分别场景个数与节点个数；

计算电压分布信息熵

所述电压分布信息熵表示为：

其中，e_i(t)表示时刻t时，节点i的电压信息熵；

熵权计算

其中，

表示时刻t时节点i的电压风险指标的客观权重；

应说明的是，由于信息熵可判断某项数据分布的离散程度大小，信息熵越大代表数据离散程度越大，从而意味着该组数据具有较强的不确定性。因此，在电压风险评估过程中，电压状态分布越离散对应的潜在风险越高，则相应的权重值越大。综上所述，通过信息熵计算电压越限风险指标的客观权重。

所述权重组合包括，

基于主客观属性值一致化将主观权重与客观权重按比例组合，组合权重表示为：

其中，ω_i(t)表示t时刻节点i的组合权重值；α表示主观权重与客观权重的分配系数；

应说明的是，主观权重有助于做出符合预期目标的决定，但权重的选取具有很强的随机性；客观权重的获取充分利用了指标数据，可以排除人为因素的干扰，但忽略了人的决策意向，导致评估结果与预期目标不符。为了在评估中体现决策的主客观性，本实施例中，基于主客观属性值一致化将主观权重与客观权重按比例组合，获得组合权重公式。

节点i在t时刻风险评估的主客观加权属性值分别为

则节点i的主客观决策信息的偏离程度表示为：

应说明的是，对于每一个节点，均存在以上偏离程度表达式，当偏离程度总和越小，则表示权重分配系数的取值越有利于主客观决策信息的均衡，使主客观信息得到一致化的体现。

基于主客观加权属性值一致化建立优化模型，所述优化模型表示为：

通过求解所述优化模型，即可得到主客观加权属性值趋于一致的权重分配系数α、1-α，则基于放大函数和主客观加权的电压越限风险评估指标R_v,i(t)表示为：

R_v,i(t)＝ω_i(t)·R′_v,i(t)

应说明的是，层次分析法为现有技术手段，基于层次分析法进行定性定量判断，利用决策者的经验判断衡量各节点的相对重要程度，从而得到用于计算风险评估指标的主观权重

更进一步的，电压越限风险评估，包括以下步骤：

确定配电网拓扑、DG、基础负荷、EV的基本参数及预测误差概率分布模型参数；

获取日前风光荷预测出力；

基于日前预测信息和预测误差概率分布模型，利用时序蒙特卡洛法生成N个风光荷出力场景；

基于EV概率模型，采用蒙特卡洛法模拟N个EV充电负荷样本；

在t时刻对所有场景进行潮流计算，得到此时各节点的电压状态矩阵；

基于放大函数和电压越限程度公式，计算t时刻下节点i在所有场景下的改进严重度指标和越限程度大小，直到遍历所有节点；

基于风险指标计算公式，计算t时刻节点i的风险指标R′_v,i(t)；

基于电压分布信息熵计算节点i的电压分布熵值，遍历所有节点后，通过熵权计算公式计算各节点客观权重；

衡量各节点的相对重要程度，基于层次分析法得到各节点的主观权重；

基于主客观属性值一致化，构建基于主客观加权属性值一致化的优化模型，得到主客观权重的分配系数，进一步计算组合权重；

基于组合权重，计算t时刻各节点的风险指标；

遍历所有时段，得到日前风险评估结果。

更进一步的，通过灵敏度可分析改进指标与传统指标的性能差距，所述灵敏度公式表示为：

其中，E_max和E_sec分别表示评价结果的最优值和次优值。

应说明的是，在综合评价理论中通常用灵敏度衡量评价指标相对于评价对象的分辨能力，灵敏度越高则表示评价指标的分辨能力越强，越有利于区分评价对象之间的差距，且抗干扰能力以及准确性更高。

实施例2

参照图5—12，为本发明的一个实施例，提供了一种计及源荷不确定性的改进电网电压越限风险评估方法，为了验证本发明的有益效果，通过具体试验数据进行科学论证。

本实施例以IEEE-33节点配电网为算例进行仿真，算例拓扑结构如图6所示，节点1为平衡节点，电压值恒为1.05(标幺值)。光伏电池组接入节点3、9，风机接入节点14、28。

其中，风机、光伏的参数如下表所示,

表1风机参数

表2光伏参数

光伏、风电、基础负荷的日前功率预测值如图7-9所示，设置日前预测误差为20％。电动汽车集群接入节点26，各类型电动汽车根据其出行规律所得参数如表3所示，其中私家车、公交车、出租车、商务车的数量分别为148辆、10辆、11辆、27辆。

表3各类型EV出行规律参数表

对于风险指标主观权重的计算，在节点相对重要程度的判断矩阵中，将更容易出现越限现象的节点3、9、14、26、28设置为较其他节点稍重要，基于主客观加权属性值一致性所得到的各时段主客观权重分配系数如表4所示。

表4权重分配系数

如图10所示，分析方面主要包括灵敏度分析、电压状态不确定性分布以及节点重要程度。灵敏度分析：任选某一时段进行分析，本实施以时刻10为例，基于改进风险指标和传统风险指标所得的评估结果如下表。

表5改进风险指标与传统风险指标计算结果

根据灵敏度计算公式，改进风险评估指标和传统风险评估指标的灵敏度分别为0.334和0.068。可见，改进风险评估指标的灵敏度更高，这是由于传统严重度指标随着电压越限程度的增加而线性增加，并且采用标幺值表示方法的电压值较小，传统指标无法灵敏地辨识不同越限程度下的严重度；而改进指标采用指数放大函数，对不同的电压越限程度采取变斜率的形式放大严重度指标，能够更灵敏地反映电压越限程度增大带来的运行风险迅速增大的现象。

电压状态不确定性分布：本实施以时刻15与时刻16节点3在各场景下的电压分布状态为例进行分析，其电压状态分布如图11与图12所示。在时刻15与时刻16，节点3电压状态数分别为259与298，电压分布标准差分别为0.0111与0.0187，即16时节点3的电压状态分布更加离散，存在的潜在风险更大。与这两个时段对应的改进指标为0.0162与0.0221，传统指标为0.0041与0.0039，可知改进指标在考虑电压状态分布不确定性后其评估结果更准确。

节点重要程度：为了反映改进指标对节点重要程度的刻画，选取电压分布状态完全相同的两个节点n1与n2，并假设n1节点的重要程度较n2节点更高，两节点对应的改进指标与传统指标如下表。可知，由于传统指标没有考虑节点的重要程度，两节点的评估结果一致。而改进节点在权重设置时考虑了节点的相对重要程度，评估结果显示n₁节点的风险指标大于n₂，验证了本文改进指标的合理性。

表6不同重要程度节点风险指标对比

本申请针对计及DG和EV不确定性的电网电压越限风险评估问题进行研究。首先，建立日前风光荷预测误差概率分布模型，在日前预测出力基础上通过时序蒙特卡洛模拟预测误差，并叠加至预测信息上生成大量风光荷出力场景；其次，针对电动汽车充电负荷，建立包括日行驶里程、充电需求、并离网时间等影响充电行为的重要因素的概率分布模型，并基于私家车、公交车、出租车、商务车四种类型EV出行规律设置模型参数；接着，针对传统电压越限风险指标的不足，提出了一种改进风险指标计算方法，基于放大函数改进严重度指标以灵敏反映节点电压越限程度，并考虑电压状态分布客观因素和人为决策主观因素，基于主客观属性一致化实现时序权重动态组合，利用蒙特卡洛概率潮流获取电压状态并评估越限风险。最后，通过算例仿真，验证了所提改进指标的有效性，可通过该方法分析电压越限风险出现的成因，并为降低电压越限风险提供规划指导。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种计及源荷不确定性的改进电网电压越限风险评估方法，其特征在于，包括：

基于风光荷预测值与实际值之间的偏差建立源-荷预测误差概率分布模型；

基于电动汽车充电负荷，分别建立包含车辆起始充电时刻的正态分布、电动汽车的日行驶里程分布、车辆起始并网时刻的SOC状态以及充电时长和离网时刻的充电概率分布模型；

基于所述源-荷预测误差概率分布模型和所述充电概率分布模型，建立配网电压越限风险评估方法。

2.如权利要求1所述的计及源荷不确定性的改进电网电压越限风险评估方法，其特征在于：所述源-荷误差概率分布模型，包括：光伏功率预测误差概率分布模型、风功率预测误差概率分布模型和负荷预测误差概率分布模型。

3.如权利要求2所述的计及源荷不确定性的改进电网电压越限风险评估方法，其特征在于：所述光伏功率预测误差概率分布模型包括：

光照强度与光伏输出的关系表示为：

P_pv＝ηAr

其中，P_pv为光伏机组装机容量，η为光电转化率，A为光伏阵列总面积，r为光照强度；

光伏功率预测误差的概率密度函数表示为：

σ_pv＝α_pvP_pv

其中，σ_pv为光伏预测误差的标准差，α_pv为光伏预测误差。

4.如权利要求2所述的计及源荷不确定性的改进电网电压越限风险评估方法，其特征在于：所述风功率预测误差概率分布模型表示为

σ_WT＝(a+b×w_f)P_w

其中，σ_WT为风功率预测误差的标准差，a、b为预测参数，w_f表示风电单位预测功率，P_w为风机额定装机容量。

5.如权利要求2所述的计及源荷不确定性的改进电网电压越限风险评估方法，其特征在于：所述负荷预测误差概率分布模型表示为：

σ_L＝a_LP_L

其中，σ_L为负荷预测误差的标准差，α_L为负荷有功功率的数学期望值。

6.如权利要求1所述的计及源荷不确定性的改进电网电压越限风险评估方法，其特征在于：所述充电概率分布模型包括：

车辆起始充电时刻服从的正态分布表示为：

其中，t表示大规模电动汽车的起始充电时刻；μ_s、σ_s分别表示起始充电时刻的期望值与标准差，二者的取值与车辆出行规律相关；

电动汽车的日行驶里程分布表示为：

其中，s表示日行驶里程，μ_D、σ_D分别表示lns的期望值与标准差，μ_D和σ_D的取值随大规模电动汽车类型的不同而改变；

根据所述日行驶里程计算车辆起始并网时刻的SOC状态，所述车辆起始并网时刻的SOC状态表示为：

其中，SOC_ini、SOC_end分别表示起始并网时刻的荷电状态以及上一次离网时的充电电量；Hc、L分别表示电动汽车单位公里耗电量以及续航里程。

7.如权利要求6所述的计及源荷不确定性的改进电网电压越限风险评估方法，其特征在于：所述充电概率分布模型还包括：

根据车辆初始SOC、充电功率以及保证用户出行的所需充电电量计算充电时长，所述充电时长表示为：

其中，T表示电动汽车充电时长；SOC_d表示用户需求充电量；C_e、η_c、P_c分别表示电动汽车电池容量、充电效率以及充电功率；

根据起始充电时刻和充电时长，计算得到大规模电动汽车的离网时刻，所述大规模电动汽车的离网时刻表示为：

t_out＝T+t_in

其中，t_in、t_out为车辆的并离网时刻。

8.如权利要求1所述的计及源荷不确定性的改进电网电压越限风险评估方法，其特征在于：所述配网电压越限风险评估方法基于放大函数和主客观加权来对风险指标进行改进，包括：放大函数、信息熵与熵权、层次分析法和权重组合；

所述放大函数表示为：

其中，S_v,i,j(t)、W_v,i,j(t)分别表示t时刻节点i在场景j下的电压严重度指标和电压越限程度；

W_v,i,j(t)表示为：

其中，V_i,j(t)表示t时刻节点i在场景j下的电压幅值；V_max和V_min为电压幅值的上下限；

考虑放大系数后，t时刻节点i的风险指标R′_v,i(t)表示为：

其中，P_i,j(t)表示t时刻节点i在场景j下对应的电压状态的概率；

所述信息熵与熵权包括，

计算电压状态数及状态对应概率：

在t时段，V_i(t)表示节点i的电压状态矩阵，包含N个场景下的电压值。将V_i(t)按照电压状态分布区间划分为N等份，设落入第j个区间的电压值有k_i,j(t)个，则节点i的电压状态数Z_i(t)为含有电压数据的区间个数，电压状态对应的概率计算公式表示为：

其中，f_v,i,j(t)表示时刻t时，节点i的第j个电压状态所对应的概率；N、n分别场景个数与节点个数；

计算电压分布信息熵：

所述电压分布信息熵表示为：

其中，e_i(t)表示时刻t时，节点i的电压信息熵；

熵权计算：

其中，

表示时刻t时节点i的电压风险指标的客观权重；

所述权重组合包括，

基于主客观属性值一致化将主观权重与客观权重按比例组合，组合权重表示为：

其中，ω_i(t)表示t时刻节点i的组合权重值；α表示主观权重与客观权重的分配系数；

节点i在t时刻风险评估的主客观加权属性值分别为

则节点i的主客观决策信息的偏离程度表示为：

基于主客观加权属性值一致化建立优化模型，所述优化模型表示为：

通过求解所述优化模型，即可得到主客观加权属性值趋于一致的权重分配系数α、1-α，则基于放大函数和主客观加权的电压越限风险评估指标R_v,i(t)表示为：

R_v,i(t)＝ω_i(t)·R′_v,i(t)。

9.如权利要求8所述的计及源荷不确定性的改进电网电压越限风险评估方法，其特征在于：所述电压越限风险评估，包括以下步骤：

确定配电网拓扑、高比例分布式电源、基础负荷、大规模电动汽车的基本参数及预测误差概率分布模型参数；

获取日前风光荷预测出力；

基于日前预测信息和预测误差概率分布模型，利用时序蒙特卡洛法生成N个风光荷出力场景；

基于EV概率模型，采用蒙特卡洛法模拟N个EV充电负荷样本；

在t时刻对所有场景进行潮流计算，得到此时各节点的电压状态矩阵；

基于放大函数和电压越限程度公式，计算t时刻下节点i在所有场景下的改进严重度指标和越限程度大小，直到遍历所有节点；

基于风险指标计算公式，计算t时刻节点i的风险指标R′_v,i(t)；

基于电压分布信息熵计算节点i的电压分布熵值，遍历所有节点后，通过熵权计算公式计算各节点客观权重；

衡量各节点的相对重要程度，基于层次分析法得到各节点的主观权重；

基于主客观属性值一致化，构建基于主客观加权属性值一致化的优化模型，得到主客观权重的分配系数，进一步计算组合权重；

基于组合权重，计算t时刻各节点的风险指标；

遍历所有时段，得到日前风险评估结果。

10.如权利要求9所述的计及源荷不确定性的改进电网电压越限风险评估方法，其特征在于：通过灵敏度可分析改进指标与传统指标的性能差距，所述灵敏度公式表示为：

其中，E_max和E_sec分别表示评价结果的最优值和次优值。

Images