CN116484743A - 风电并网对电力系统可靠性影响的评估方法及装置 - Google Patents
风电并网对电力系统可靠性影响的评估方法及装置 Download PDFInfo
- Publication number
- CN116484743A CN116484743A CN202310520197.0A CN202310520197A CN116484743A CN 116484743 A CN116484743 A CN 116484743A CN 202310520197 A CN202310520197 A CN 202310520197A CN 116484743 A CN116484743 A CN 116484743A
- Authority
- CN
- China
- Prior art keywords
- model
- reliability
- markov chain
- wind power
- wind
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000010354 integration Effects 0.000 claims abstract description 29
- 241000282461 Canis lupus Species 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000013210 evaluation model Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000010248 power generation Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 230000036541 health Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种风电并网对电力系统可靠性影响的评估方法及装置,该方法包括:基于隐马尔可夫链模型与灰狼优化算法建立风电出力模型;基于所述风电出力模型确定风电机组的出力区间预测上限和出力区间预测下限;基于所述出力区间预测上限、所述出力区间预测下限以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链,基于所述马尔可夫链确定电力系统的运行状态,然后进行统计计算得到可靠性指标。本发明有助于提高风电并网对电力系统可靠性影响的评估的准确性。
Description
技术领域
本发明涉及风力发电技术与电力系统可靠性领域,具体而言,涉及一种风电并网对电力系统可靠性影响的评估方法及装置。
背景技术
随着世界能源需求的増长及化石燃料资源日趋枯竭,可再生能源的开发与利用越来越多的受到重视。由于风力发电技术发展较快而且相对成熟,此外风力发电的成本相也对低廉,综合这些有利因素,风力发电逐渐成为常规能源发电的一种最主要的替代形式。但是由于风能具有随机性和间歇性的特点,风电机组输出功率波动大、难控制,大规模风电并网之后,其对电力系统的稳定安全可靠运行带来了巨大的影响,尤其是在电力系统可靠性方面。
鉴于目前风电并网可靠性的研究均假设机组处于完全健康下出力并且没有考虑极寒等极端天气的影响,实际风电机组在运行情况下随着机组部件老化,风机健康度下降,其故障率升高,机组停运概率就会变大,影响机组出力预测,处在极寒、大风等极端天气情况下,机组不能百分之百出力,对出力预测也会产生不利的影响。
对含风电场的电力系统进行可靠性评估的方法主要为模拟法。模拟法主要采用蒙特卡洛模拟方法,该方法由于原理简单、易于实现,采样次数与系统的规模无关等优点,广泛应用于电力系统可靠性分析中。由于蒙特卡洛方法需要的样本容量与系统的规模呈指数关系增长,而且其抽样次数与计算精度的二次方成正比,这就意味着为了得到较高的精度往往需要大量的抽样样本,但目前往往难以实现大量抽样样本,因此目前蒙特卡洛模拟方法的预测结果往往不够准确,因此现有技术缺少一种更为准确的风电并网对电力系统可靠性影响的评估方法。
发明内容
本发明为了解决上述背景技术中的至少一个技术问题,提出了一种风电并网对电力系统可靠性影响的评估方法及装置。
为了实现上述目的,根据本发明的一个方面,提供了一种风电并网对电力系统可靠性影响的评估方法,该方法包括:
基于隐马尔可夫链模型与灰狼优化算法建立风电出力模型;
基于所述风电出力模型确定风电机组的出力区间预测上限和出力区间预测下限;
基于所述出力区间预测上限、所述出力区间预测下限以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链,基于所述马尔可夫链确定电力系统的运行状态,然后进行统计计算得到可靠性指标。
可选的,所述风电并网对电力系统可靠性影响的评估方法,还包括:
建立风电机组的包含运行、降额和停运三种状态的停运模型,并基于所述停运模型确定风电机组的运行状态;
所述基于所述出力区间预测上限、所述出力区间预测下限以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链,具体包括:
基于所述出力区间预测上限、所述出力区间预测下限、风电机组的运行状态以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链。
可选的,所述基于隐马尔可夫链模型与灰狼优化算法建立风电出力模型,具体包括:
根据历史数据建立隐马尔可夫链模型,其中,所述历史数据包括:风机输出功率、风速、温度、压力以及机组健康度;
使用灰狼优化算法对所述隐马尔可夫链模型输出的预测值进行优化。
可选的,所述可靠性指标包括:风机接入对系统供电不足期望贡献系数;风机接入对系统供电不足期望贡献系数为根据风电场接入前后电力系统年供电不足期望值以及风电场装机容量计算得出。
可选的,所述可靠性指标包括:风机接入对系统切负荷概率贡献系数;风机接入对系统切负荷概率贡献系数为根据风电场接入前后系统切负荷时间、风电场接入前后系统切负荷的状态以及总模拟时间计算得出。
可选的,所述建立风电机组的包含运行、降额和停运三种状态的停运模型,具体包括:
利用马尔可夫理论确定风机的停运状态概率和降额状态概率;
基于所述停运状态概率和所述降额状态概率建立所述停运模型。
为了实现上述目的,根据本发明的另一方面,提供了一种风电并网对电力系统可靠性影响的评估装置,该装置包括:
风电出力模型建立单元,用于基于隐马尔可夫链模型与灰狼优化算法建立风电出力模型;
出力区间预测单元,用于基于所述风电出力模型确定风电机组的出力区间预测上限和出力区间预测下限;
可靠性指标计算单元,用于基于所述出力区间预测上限、所述出力区间预测下限以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链,基于所述马尔可夫链确定电力系统的运行状态,然后进行统计计算得到可靠性指标。
可选的,所述风电并网对电力系统可靠性影响的评估装置,还包括:
停运模型建立单元,用于建立风电机组的包含运行、降额和停运三种状态的停运模型,并基于所述停运模型确定风电机组的运行状态;
所述可靠性指标计算单元,具体用于基于所述出力区间预测上限、所述出力区间预测下限、风电机组的运行状态以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链。
可选的,所述风电出力模型建立单元,具体包括:
隐马尔可夫链模型建立模块,用于根据历史数据建立隐马尔可夫链模型,其中,所述历史数据包括:风机输出功率、风速、温度、压力以及机组健康度;
预测值优化模块,用于使用灰狼优化算法对所述隐马尔可夫链模型输出的预测值进行优化。
可选的,所述停运模型建立单元,具体包括:
停运及降额状态概率确定模块,用于利用马尔可夫理论确定风机的停运状态概率和降额状态概率;
模型建立模块,用于基于所述停运状态概率和所述降额状态概率建立所述停运模型。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述风电并网对电力系统可靠性影响的评估方法的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机可读存储介质,其上存储有计算机程序/指令,该计算机程序/指令被处理器执行时实现上述风电并网对电力系统可靠性影响的评估方法的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述风电并网对电力系统可靠性影响的评估方法的步骤。
本发明的有益效果为:
本发明提出基于马尔可夫链的可靠性评估模型,通过对电力系统进行抽样,搭建马尔可夫链,使平稳分布和系统先验概率分布相同,获得电力系统状态样本,进而对电力系统进行可靠性评估,由此提高了评估的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例风电并网对电力系统可靠性影响的评估方法的流程图;
图2是本发明隐马尔可夫链获得流程示意图;
图3是本发明三状态停运模型示意图;
图4是本发明隐马尔可夫链与灰狼优化算法风电出力预测流程图;
图5是本发明可靠性评估流程图;
图6是本发明实施例风电并网对电力系统可靠性影响的评估装置的结构框图;
图7是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。下面将参考附图并结合实施例来详细说明本发明。
本发明提出一种考虑区域气象特性的风电并网对电力系统可靠性影响的评估方法。由于影响风电出力的多因素特点,提出基于马尔可夫链和灰狼优化算法的风电区间出力模型,综合考虑不同区域气象条件以及不同机组健康程度下风电出力情况。利用马尔可夫链模型对数据进行训练,提高风电出力预测准确度。建立灰狼优化算法,计算获得输出权重并得到处理评价指标。然后建立机组的停运模型,考虑机组在不同运行情况下的停运概率。之后基于马尔可夫链蒙特卡洛方法对含风电并网的电力系统可靠性进行评估,计算电力系统可靠性评估指标。
图1是本发明实施例风电并网对电力系统可靠性影响的评估方法的流程图,如图1所示,在本发明一个实施例中,本发明的风电并网对电力系统可靠性影响的评估方法包括步骤S101至步骤S103。
步骤S101,基于隐马尔可夫链模型与灰狼优化算法建立风电出力模型。
步骤S102,基于所述风电出力模型确定风电机组的出力区间预测上限和出力区间预测下限。
步骤S103,基于所述出力区间预测上限、所述出力区间预测下限以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链,基于所述马尔可夫链确定电力系统的运行状态,然后进行统计计算得到可靠性指标。
在本发明一个实施例中,所述可靠性指标包括:风机接入对系统供电不足期望贡献系数;风机接入对系统供电不足期望贡献系数为根据风电场接入前后电力系统年供电不足期望值以及风电场装机容量计算得出。
在本发明一个实施例中,所述可靠性指标包括:风机接入对系统切负荷概率贡献系数;风机接入对系统切负荷概率贡献系数为根据风电场接入前后系统切负荷时间、风电场接入前后系统切负荷的状态以及总模拟时间计算得出。
在本发明一个实施例中,上述步骤S101中的基于隐马尔可夫链模型与灰狼优化算法建立风电出力模型,具体包括:
根据历史数据建立隐马尔可夫链模型,其中,所述历史数据包括:风机输出功率、风速、温度、压力以及机组健康度;
使用灰狼优化算法对所述隐马尔可夫链模型输出的预测值进行优化。
如图4所示,在本发明一个实施例中,建立隐马尔可夫链模型与灰狼优化算法的风电出力模型具体包括以下步骤:
1、输入历史数据,将历史的风机输出功率、风速、温度、压力、机组健康度作为观测样本。取初始状态风电出力功率概率为π={π1,π2,...,π3}。N为风电功率序列,Ni为状态Si出现的次数,Si的概率为:
2、aij为状态转移概率,其计算公式为:其中nj为状态Si转移到Sj的次数,Nj为状态Si出现的次数。状态转移矩阵A可以表示为:
通过上述步骤可以获得隐马尔可夫链模型,具体过程如图2所示。
3、将得到的历史数据取对数似然值,其预测值就是对应的下一刻的功率变化:
TY+1-TY=Yt+1-Yt
其中,TY是目标趋势,TY+1是下一时刻的观测值,Yt是与目标最接近的趋势。
进行多步预测可以使风功率预测更为准确,采用多个趋势接近的时刻加权预测下一时刻的出力,公式如下:
4、利用灰狼优化算法分段寻找最优预测权重。首先处理数据,规定灰狼优化算法初始种群的初始社会等级层次模型、种群规模、变量取值范围、迭代次数等参量。进行灰狼搜索,记录各个状态和最佳个体的适应度。之后通过灰狼包围、攻击猎物,对猎物所在位置及个体进行更新。判断记录的最佳个体适应度是否大于当前最优值,大于则不断更新记录最优值,否则保持当下的结果。最后终止迭代并获得最优输出权重,否则继续利用灰狼搜索进行重新迭代找到最优输出权重。
本发明搭建的隐马尔可夫链和灰狼优化算法的风电处理预测模型将功率、温度、风速、气压值和机组健康度等历史数据作为模型的输入,输出为风电功率区间预测值,即风电机组的出力区间预测上限和出力区间预测下限。实施流程图如图4所示。
在本发明一个实施例中,本发明的风电并网对电力系统可靠性影响的评估方法,还包括:
建立风电机组的包含运行、降额和停运三种状态的停运模型,并基于所述停运模型确定风电机组的运行状态;
上述步骤S103中的基于所述出力区间预测上限、所述出力区间预测下限以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链,具体包括:
基于所述出力区间预测上限、所述出力区间预测下限、风电机组的运行状态以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链。
在本发明一个实施例中,上述步骤的建立风电机组的包含运行、降额和停运三种状态的停运模型,具体包括:
利用马尔可夫理论确定风机的停运状态概率和降额状态概率;
基于所述停运状态概率和所述降额状态概率建立所述停运模型。
传统两状态停运模型只包含停运和运行两个状态,此方法在传统电力系统元件的可靠性建模中是可行的,但由于风力发电机组一般处于环境和条件比较恶劣的地方,易受外界环境的影响,例如,由于风速随机波动的影响,塔筒的振动幅值或频率达到临界值而报警;由于载荷过大,双馈机组齿轮箱油温达到临界值而报警,但风机并不停机,也不能继续按原运行方式运行,此时风机会进入降额运行状态,即通过顺桨来减少风机吸收的风能,一般情况下是降到当时最大可用风能的60%~70%,从而达到保护风机的作用,当各报警状态解除后,风机继续按最大可用风能的100%运行。
本发明包含运行、降额和停运的三状态停运模型可用图3表示。
其中,γw-f为每年的停运次数,γw-d为每年的间隔次数,分别代表机组从运行状态到停运状态的转移率和到降额状态的转移率。μw-f为每年的停运修复次数,μw-d为每年的降额修复次数,即代表修复率。
一般认为风机的停运和降额状态是随机发生事件,利用马尔可夫理论可以得到风机的停运和降额状态概率:
其中Pf0为发生停运状态概率,Pd0为发生降额状态概率。
然后在[0,1]区间内随机抽样,获得均匀分布的随机数Ui,基于大数定律,建立以下数学模型(停运模型)确定风电机组的运行状态。
本发明上述步骤S103基于马尔可夫链蒙特卡洛方法对含风电的电力系统可靠性评估分析。本发明将马尔可夫链蒙特卡洛方法应用到风电并网电力系统可靠性分析中,对系统进行抽样,搭建马尔可夫链,使平稳分布和系统先验概率分布相同,获得系统状态样本,进而对系统进行可靠性评估。
在给定电力系统的所有元件的初始状态均为正常运行的情况下,与电力系统概率分布有关的相关概率初始值为Pone,接下来需要获得电力系统中元件的抽样状态,具体方法如下:
首先在满条件分布p{XK+1,iXki}中结合元件此时状态得到此元件在当前系统中下一时刻状态改变的概率,下一时刻处在运行状态的概率表示为Pone,下一时刻处在故障状态的概率表示为Pzero。满足条件分布p{XK+1,i|Xk/i}中Pone或Pzero可以表示为:
通过取对数保证Pone或Pzero的值处在[0,1]的范围内。
然后,通过下式,计算元件处在下一个状态为运行的概率:
η=1/[exp(Pzero-Pone)+1]
在[0,1]区间内随机抽样获得随机数u,通过比较u与η的大小,获得系统中的元件的运行状态。如在第k+1次抽样时,可以根据下式判断电力系统元件运行状态:
假设元件在下一时刻状态发生了改变,则以Pone或Pzero作为元件下一个时刻保持此状态的概率。
最后通过一直循环采样获得电力系统概率平稳分布的马尔可夫链,将收敛后的马尔可夫链作为系统的运行状态,然后进行统计计算获得含风电电力系统的可靠性指标。
传统的可靠性指标如切负荷概率、电量不足期望值、每次切负荷持续时间虽能够反映整个系统的可靠性水平,但不能直接显示风电场对电力系统可靠性的贡献。本发明提出了新的与风电场密切相关的指标,用以评估风电场接入后对发输电系统可靠性的影响。这些指标有:
(1)风机接入对系统供电不足期望贡献系数,反映风电场并网后对电力系统可靠性的贡献。通过计算风电接入后供电不足期望值改变量与接入系统中风电场容量的比值获得该系数,表达式如下:
其中BWGIEB为风机接入对系统供电不足期望贡献系数,EEENS0、EEENS1分别为风电场接入前后电力系统年供电不足期望值,Cwf为风电场装机容量。
(2)风机接入对切负荷概率贡献系数,反映了风电场接入后对系统切负荷概率的影响。通过计算风电场接入前后系统切负荷概率的该变量获得该系数,表达式如下:
其中BWLOLPB为风机接入对系统切负荷概率贡献系数,ti和tj分别为风电场接入前后系统切负荷时间,F0和F1分别为风电场接入前后系统切负荷的状态,T为总模拟时间。
基于马尔可夫链蒙特卡洛可靠性评估流程图如附图4。
图5是本发明可靠性评估流程图,如图5所示,本发明的可靠性评估的大致流程包括:通过隐马尔可夫链、灰狼预测算法预测模型确定出力区间预测上限和下线,然后基于马尔可夫链可靠性评估模型抽样获得平稳分布马尔可夫链,最后计算可靠性指标。
由以上实施例可以看出,与现有技术相比,本发明方法具有如下优点:
1、本发明建立基于马尔可夫链模型与灰狼优化算法的风电出力模型,综合考虑机组健康度以及区域气象特性对风电机组出力的预测,使预测结果更符合实际运行情况。
2、传统两状态停运模型只包含停运和运行两个状态,此方法在传统电力系统元件的可靠性建模中是可行的,但由于风力发电机组一般处于环境和条件比较恶劣的地方,易受外界环境的影响。本发明搭建了考虑运行、降额和停运三种状态的停运模型,考虑了受环境因素影响下风机降额运行的情况。
3、本发明提出基于马尔可夫链的蒙特卡洛电力系统可靠性模型,该考虑了系统各个状态间的相互影响,相比于随机采样的蒙特卡洛方法所得到的独立样本序列,更准确模拟了电力系统运行实际情况。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种风电并网对电力系统可靠性影响的评估装置,可以用于实现上述实施例所描述的风电并网对电力系统可靠性影响的评估方法,如下面的实施例所述。由于风电并网对电力系统可靠性影响的评估装置解决问题的原理与风电并网对电力系统可靠性影响的评估方法相似,因此风电并网对电力系统可靠性影响的评估装置的实施例可以参见风电并网对电力系统可靠性影响的评估方法的实施例,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是本发明实施例风电并网对电力系统可靠性影响的评估装置的结构框图,如图6所示,在本发明一个实施例中,本发明的风电并网对电力系统可靠性影响的评估装置包括:
风电出力模型建立单元1,用于基于隐马尔可夫链模型与灰狼优化算法建立风电出力模型;
出力区间预测单元2,用于基于所述风电出力模型确定风电机组的出力区间预测上限和出力区间预测下限;
可靠性指标计算单元3,用于基于所述出力区间预测上限、所述出力区间预测下限以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链,基于所述马尔可夫链确定电力系统的运行状态,然后进行统计计算得到可靠性指标。
在本发明一个实施例中,所述风电并网对电力系统可靠性影响的评估装置,还包括:
停运模型建立单元,用于建立风电机组的包含运行、降额和停运三种状态的停运模型,并基于所述停运模型确定风电机组的运行状态;
所述可靠性指标计算单元,具体用于基于所述出力区间预测上限、所述出力区间预测下限、风电机组的运行状态以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链。
在本发明一个实施例中,所述风电出力模型建立单元,具体包括:
隐马尔可夫链模型建立模块,用于根据历史数据建立隐马尔可夫链模型,其中,所述历史数据包括:风机输出功率、风速、温度、压力以及机组健康度;
预测值优化模块,用于使用灰狼优化算法对所述隐马尔可夫链模型输出的预测值进行优化。
在本发明一个实施例中,所述停运模型建立单元,具体包括:
停运及降额状态概率确定模块,用于利用马尔可夫理论确定风机的停运状态概率和降额状态概率;
模型建立模块,用于基于所述停运状态概率和所述降额状态概率建立所述停运模型。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图7所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、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、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以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、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,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程序,所述计算机程序在计算机处理器中执行时实现上述风电并网对电力系统可靠性影响的评估方法中的步骤。本领域技术人员可以理解,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,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述风电并网对电力系统可靠性影响的评估方法的步骤。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种风电并网对电力系统可靠性影响的评估方法,其特征在于,包括:
基于隐马尔可夫链模型与灰狼优化算法建立风电出力模型;
基于所述风电出力模型确定风电机组的出力区间预测上限和出力区间预测下限;
基于所述出力区间预测上限、所述出力区间预测下限以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链,基于所述马尔可夫链确定电力系统的运行状态,然后进行统计计算得到可靠性指标。
2.根据权利要求1所述的风电并网对电力系统可靠性影响的评估方法,其特征在于,还包括:
建立风电机组的包含运行、降额和停运三种状态的停运模型,并基于所述停运模型确定风电机组的运行状态;
所述基于所述出力区间预测上限、所述出力区间预测下限以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链,具体包括:
基于所述出力区间预测上限、所述出力区间预测下限、风电机组的运行状态以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链。
3.根据权利要求1所述的风电并网对电力系统可靠性影响的评估方法,其特征在于,所述基于隐马尔可夫链模型与灰狼优化算法建立风电出力模型,具体包括:
根据历史数据建立隐马尔可夫链模型,其中,所述历史数据包括:风机输出功率、风速、温度、压力以及机组健康度;
使用灰狼优化算法对所述隐马尔可夫链模型输出的预测值进行优化。
4.根据权利要求1所述的风电并网对电力系统可靠性影响的评估方法,其特征在于,所述可靠性指标包括:风机接入对系统供电不足期望贡献系数;风机接入对系统供电不足期望贡献系数为根据风电场接入前后电力系统年供电不足期望值以及风电场装机容量计算得出。
5.根据权利要求1所述的风电并网对电力系统可靠性影响的评估方法,其特征在于,所述可靠性指标包括:风机接入对系统切负荷概率贡献系数;风机接入对系统切负荷概率贡献系数为根据风电场接入前后系统切负荷时间、风电场接入前后系统切负荷的状态以及总模拟时间计算得出。
6.根据权利要求2所述的风电并网对电力系统可靠性影响的评估方法,其特征在于,所述建立风电机组的包含运行、降额和停运三种状态的停运模型,具体包括:
利用马尔可夫理论确定风机的停运状态概率和降额状态概率;
基于所述停运状态概率和所述降额状态概率建立所述停运模型。
7.一种风电并网对电力系统可靠性影响的评估装置,其特征在于,包括:
风电出力模型建立单元,用于基于隐马尔可夫链模型与灰狼优化算法建立风电出力模型;
出力区间预测单元,用于基于所述风电出力模型确定风电机组的出力区间预测上限和出力区间预测下限;
可靠性指标计算单元,用于基于所述出力区间预测上限、所述出力区间预测下限以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链,基于所述马尔可夫链确定电力系统的运行状态,然后进行统计计算得到可靠性指标。
8.根据权利要求7所述的风电并网对电力系统可靠性影响的评估装置,其特征在于,还包括:
停运模型建立单元,用于建立风电机组的包含运行、降额和停运三种状态的停运模型,并基于所述停运模型确定风电机组的运行状态;
所述可靠性指标计算单元,具体用于基于所述出力区间预测上限、所述出力区间预测下限、风电机组的运行状态以及马尔可夫链可靠性评估模型,抽样获得电力系统概率平稳分布的马尔可夫链。
9.根据权利要求7所述的风电并网对电力系统可靠性影响的评估装置,其特征在于,所述风电出力模型建立单元,具体包括:
隐马尔可夫链模型建立模块,用于根据历史数据建立隐马尔可夫链模型,其中,所述历史数据包括:风机输出功率、风速、温度、压力以及机组健康度;
预测值优化模块,用于使用灰狼优化算法对所述隐马尔可夫链模型输出的预测值进行优化。
10.根据权利要求8所述的风电并网对电力系统可靠性影响的评估装置,其特征在于,所述停运模型建立单元,具体包括:
停运及降额状态概率确定模块,用于利用马尔可夫理论确定风机的停运状态概率和降额状态概率;
模型建立模块,用于基于所述停运状态概率和所述降额状态概率建立所述停运模型。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任意一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至6任意一项所述方法的步骤。
13.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310520197.0A CN116484743A (zh) | 2023-05-09 | 2023-05-09 | 风电并网对电力系统可靠性影响的评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310520197.0A CN116484743A (zh) | 2023-05-09 | 2023-05-09 | 风电并网对电力系统可靠性影响的评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116484743A true CN116484743A (zh) | 2023-07-25 |
Family
ID=87211859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310520197.0A Pending CN116484743A (zh) | 2023-05-09 | 2023-05-09 | 风电并网对电力系统可靠性影响的评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484743A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150827A (zh) * | 2023-10-30 | 2023-12-01 | 中国核电工程有限公司 | 一种供电系统可靠性分析方法、装置、计算机设备及介质 |
-
2023
- 2023-05-09 CN CN202310520197.0A patent/CN116484743A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150827A (zh) * | 2023-10-30 | 2023-12-01 | 中国核电工程有限公司 | 一种供电系统可靠性分析方法、装置、计算机设备及介质 |
CN117150827B (zh) * | 2023-10-30 | 2024-02-06 | 中国核电工程有限公司 | 一种供电系统可靠性分析方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Very short-term wind speed forecasting with Bayesian structural break model | |
Cai et al. | A novel importance sampling method of power system reliability assessment considering multi-state units and correlation between wind speed and load | |
EP4068172A1 (en) | Planning method and system for cable path of wind power plant, medium, and electronic device | |
CN110570122A (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
JP2017187371A (ja) | 気象予測装置及び風力発電所 | |
Wan et al. | Assessment of wind energy resources in the urat area using optimized weibull distribution | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
Colak et al. | Multi-time series and-time scale modeling for wind speed and wind power forecasting part I: Statistical methods, very short-term and short-term applications | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
CN116484743A (zh) | 风电并网对电力系统可靠性影响的评估方法及装置 | |
Zhou et al. | Ultra-short-term prediction of wind power based on EMD and DLSTM | |
Di Fazio et al. | Wind farm modelling for reliability assessment | |
CN113283492B (zh) | 基于Catboost算法的光伏出力场景生成方法及场景生成装置 | |
Khatib et al. | Assessment of Three Learning Machines for Long‐Term Prediction of Wind Energy in Palestine | |
CN109872248A (zh) | 一种风电场集群出力计算方法及系统 | |
CN115660421A (zh) | 一种新能源电力系统的风险早期预警分类方法 | |
CN115271242A (zh) | 光伏发电功率预测模型的训练方法、预测方法、装置 | |
CN115146828A (zh) | 风功率预测方法及其装置及计算机可读存储介质 | |
Cheng et al. | A hybrid probabilistic estimation method for photovoltaic power generation forecasting | |
Chen et al. | Short-term wind power prediction based on BP neural network improved by t-tent-SSA algorithm | |
Yu et al. | IRFLMDNN: hybrid model for PMU data anomaly detection and re-filling with improved random forest and Levenberg Marquardt algorithm optimized dynamic neural network | |
CN111612289A (zh) | 基于新能源多场景风险特征导向的电力系统风险评估方法 | |
Hu et al. | Intelligent design and optimization of wind turbines | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
Tian et al. | Fusion modeling for wind power forecasting based on redundant method elimination |
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 |