考虑空间相关性和天气类型划分的多光伏电站时间序列建模方法

提出了一种考虑多光伏电站在地理位置及天气类型上的相关性、适用于电力系统中长期规划及电网运行方式安排的光伏发电时间序列建模方法。首先分析了光伏发电时间序列相关性的影响因素及表达方式,根据地位位置与天气类型两方面影响因素将光伏出力分为净空出力与相对出力两部分,其中净空出力能够准确表达光伏电站间的空间相关性,相对出力的聚类识别及分解能够有效体现各电站天气类型大概率相同前提下波动出力的随机性。在此基础之上,提出了基于空间相关性及天气类型划分的光伏发电时间序列建模方法,建模生成的光伏发电时间序列不仅继承了原始序列的单电站均值、方差、概率分布及波动等出力特性,而且保留了多个场站在不同时间维度上的出力相关性。最后基于某省光伏电站的实测出力数据进行模拟仿真,分析验证了文中建模方法的有效性。     

考虑大规模光伏电站接入的电力系统旋转备用需求评估

光伏发电系统出力的随机性与间歇性,使得电力系统的运行风险在大规模光伏电站并网后迅速增加,传统的旋转备用需求评估方法已经不能满足含光伏电站的系统运行要求。文中建立了太阳辐照度和光伏发电系统出力的概率分布模型,并采用拉丁超立方采样模拟光伏发电系统的出力场景;利用基于Huffman树的改进K-means聚类算法对光伏发电系统的出力场景进行有效聚类,在保证光伏发电系统出力分布特性的前提下减少了场景数量;在此基础上,提出了考虑大规模光伏电站接入的电力系统旋转备用需求评估模型,以系统综合运行费用最低为目标,兼顾了运行的经济性和可靠性。基于改进的IEEE-RTS 96系统,对所提模型进行了仿真分析,算例结果验证了模型的合理性和有效性。     

考虑光伏出力不确定性的输电网概率潮流计算

为了更精确地计算含光伏的输电网概率潮流,提出了一种基于典型日光伏出力特征的改进蒙特卡洛模拟结果的概率潮流计算方法。根据所提光伏出力模型模拟典型日光照强度和环境温度下的实际出力,得到符合光伏出力曲线的Beta分布函数。再通过蒙特卡洛模拟法得到随机样本,在此基础上修正样本得到合格的节点注入功率,运用牛顿拉夫逊法计算考虑光伏出力不确定性的概率潮流。最后通过IEEE 14节点标准算例验证了文中所提修正方法的有效性。     

基于模糊C-均值聚类的时序概率潮流快速计算方法

为衡量光伏出力与负荷的时序变化特性对电力系统运行状态的影响,基于模糊C-均值聚类算法提出一种时序概率潮流快速计算方法.将一天分为24个时段,采用自适应扩散核密度估计法分别建立光伏出力与负荷的概率密度分布模型,提高概率模型局部适应性,并通过Copula理论描述二者之间的相关关系;利用模糊C-均值聚类法划分光伏出力与负荷场景,利用场景聚类中心与场景发生概率代替蒙特卡洛模拟过程进行概率潮流计算,大幅减少计算次数.基于我国西北某地实际测量数据和IEEE 30节点系统进行仿真分析,结果表明所提方法能在保证准确性的前提下,提高时序概率潮流的计算速度.     

考虑光伏和负荷相关性的概率潮流计算

位于相邻地区的光伏电源输出功率和负荷之间存在较强的相关关系,而现有的概率潮流研究并未准确计及。通过结合参数和非参数概率建模理论,提出了一种光伏功率的综合建模方法,该方法能够准确反映光伏功率的随机特性且无需任何参数分布的假设信息。利用等概率转换原则和Cholesky分解技术处理多个光伏电源的输出功率之间及其与负荷之间的相关关系。在此基础上,进一步提出了一种能够准确计及任意分布的光伏和负荷相关性的Monte Carlo概率潮流计算方法,并引入中值拉丁超立方抽样技术以提高抽样效率,降低计算复杂度。针对美国某光伏电站的实测数据和69节点配电系统进行仿真分析,验证了所提方法的准确性和有效性。     

基于自适应扩散核密度估计的时序相关概率最优潮流计算方法

为准确评估光伏与负荷的时序性和相关性对电力系统运行状态的影响,提出一种基于自适应扩散核密度估计的时序相关概率最优潮流计算方法。首先,利用光伏出力的自适应扩散核密度估计模型将高斯核函数转换为线性扩散过程,采用渐进积分误差法(asymptotic mean integrated squared error,AMISE)为扩散核函数选取自适应最优带宽,提高了光伏出力模型的局部适应性;其次,利用Copula理论构建光伏与负荷的时序联合概率分布模型,并获取具有相关性的时序光伏出力与负荷样本,进而提出能够准确计及光伏与负荷时序性和相关性的概率最优潮流计算方法;最后基于我国某地光伏电站实测数据与IEEE30节点系统进行仿真分析,验证了所提出计及光伏出力与负荷时序相关性的概率最优潮流计算方法的准确性与有效性。     

采用分段离散化和高斯混合模型的多场景概率潮流计算

针对电网运行中风电和负荷的不确定性,提出了一种采用风电场输出功率分段离散化和负荷高斯混合模型的多场景概率潮流计算方法。在风电场有向功率特性曲线的基础上,分段离散化处理风电场输出功率,构造风电场输出功率多场景。同时,建立负荷的高斯混合模型,构造负荷功率多场景。然后,确定系统注入功率多场景及其对应的概率,在系统注入功率的每个场景中,风电节点输出功率为定值,负荷节点功率均服从高斯分布。最后,应用全概率公式,将系统注入功率的每个场景中计算所得状态变量的概率分布以该场景对应的概率作为权重,整合计算得到最终的概率潮流结果。以改进的IEEE 57节点系统进行仿真分析,结果表明所提方法简化了概率潮流求解过程,提高了计算效率。     

考虑光伏功率相关性的随机潮流方法

光伏发电属于典型的间歇性能源,且同一地区的光伏出力相关性显著。在含光伏电站的系统随机潮流中,综合考虑多维光伏功率的相关性对于分析光伏电站接入对电力系统的影响具有重要意义。文中提出了计及多个光伏电站出力相关性的随机潮流方法,该方法采用了Pair Copula函数对多个光伏电站的出力进行相关性建模,综合考虑了电站出力两两之间不同的相依结构。同时,将数字交错技术融入拟蒙特卡洛法中,对现有的随机潮流方法进行了改进,有效提高了算法的收敛速度。以美国德克萨斯州光伏电站基地的出力历史数据为例,分别在IEEE 30节点系统和IEEE118节点系统中进行仿真计算,验证了所提方法的有效性。     

考虑光伏电站昼夜功率输出差异的Monte Carlo概率潮流分析

针对现有含光伏概率潮流分析中未考虑光伏电站夜间无功输出的不足,基于Monte Carlo模拟提出一种计及光伏电站昼夜功率输出差异的概率潮流计算方法。首先,根据光伏电站昼夜有功/无功功率的输出特征,建立其潮流计算模型;接着,利用非参数核密度估计理论建立光伏白天有功输出的概率模型,采用正态分布模拟负荷的随机波动,基于Monte Carlo模拟建立考虑光伏电站昼夜功率输出差异的概率潮流分析方法;最后,用甘肃敦煌某光伏电站的实测数据、IEEE14节点测试系统进行仿真分析,验证该方法的有效性及正确性。仿真发现,忽略光伏电站夜间的无功输出,将无法准确估计潮流结果的概率分布信息。     

基于高斯混合随机性模型的多风电场配电网概率潮流计算

风速的随机性及风电场之间的相关性对电力系统潮流分析具有重要影响。计及风速的随机性及多风电场之间的相关性,提出一种改进的概率潮流计算方法。基于多风电场实际出力样本数据,利用k-means算法确定高斯混合模型的参数数量,并利用数据筛选过程改进高斯混合模型以提高联合分布模型的精确度;引入基于Nataf估算变换的三点估计法对所建概率分布模型进行采样,并将采样数据与电力系统潮流平衡方程结合以实现概率潮流计算。IEEE 18节点系统的算例结果表明,所提方法具有较高的计算精度和计算效率。     

考虑电动汽车充电负荷的配电系统场景概率潮流分析

提出了一种同时考虑分布式光伏出力和电动汽车充电负荷随机特性的配电系统场景概率潮流分析方法。首先,在考虑车主交通行为与充电模式随机特性的基础上,采用蒙特卡洛模法对充电站典型日内的充电负荷进行模拟,给出充电负荷曲线集。接着,采用K-means聚类分别对充电负荷曲线集和光伏历史出力曲线集进行聚类,给出充电负荷和光伏出力的概率场景集,并以此为基础构建潮流分析场景集。最后,采用前推回代法进行所有场景下的配电系统潮流分析。按场景概率对潮流结果进行汇总,给出概率潮流分析结果。基于IEEE 33节点配电系统的仿真计算验证了所提模型及方法的有效性。     

基于深度信念网络的光伏电站短期发电量预测

为了解决现有光伏电站短期发电量预测方法存在的预测模型复杂、预测误差较大、泛化能力较低的问题,提出一种基于深度信念网络的短期发电量预测方法。首先综合考虑影响光伏出力的环境因素和光伏板的运行参数以及光伏电站历史发电量数据,对深度信念网络进行训练和学习。在此基础上,采用重构误差的方法确定深度信念网络隐含层层数。最后针对某光伏电站短期发电量进行预测算例分析,验证了该预测模型能主动选择样本抽象特征、自动确定隐含层层数,对短期发电量预测精度较高。对比前馈反向传播(Back Propagation, BP)神经网络预测模型与长短期记忆网络(Long/Short Term Memory, LSTM)预测模型,结果表明所提方法运算量低、预测精度高,且增加神经网络的深度比改进神经网络神经元对预测效果更有效。     

基于正交级数的光伏电源输出功率概率模型

目前光伏输出功率概率建模中,参数分析方法需预先假设参数分布,非参数分析方法中常用的核密度估计的带宽值选取方法不统一,在此情况下提出一种非参数方法——正交级数密度估计,对数据分布不附加任何假设,基于正交级数理论直接建立光伏电源输出功率的概率模型。利用江西南昌及浙江嘉兴两地的光伏电源输出功率历史实测数据进行仿真,结合拟合优度检验和误差分析,验证了所提模型的准确性和有效性。对于不同时段、不同地区光伏电源输出功率的随机特性,所提方法具有良好的适用性,在样本容量变化时模型保持稳定性。     

倒送功率约束下的分布式电源最大接入容量分析

分布式电源(DG)接入配电网后,低电压等级电网可能倒送功率至高电压等级电网,对电网造成不利影响。在各种影响因素中,倒送功率限制是影响DG接入电网的主要因素。从倒送功率约束的角度出发,结合节点电压及潮流约束,建立了以DG接入容量最大为目标的数学模型,给出了最大接入容量的计算方法,并分析了DG的接入对配电网有功网损的影响。考虑节假日对负荷的影响,给出了调整倒送功率约束以增大DG接入容量的建议。以一个33节点的10 kV配电网接入分布式光伏电源为例,验证了所提方法的可行性。     

含高比例分布式光伏的配电网多目标概率规划方法

针对分布式光伏出力不确定性造成的配电网规划成本增加、运行稳定性降低问题,文章提出了一种含高比例分布式光伏的配电网多目标概率规划方法。通过K-means聚类对光伏出力数据进行场景削减,得到典型场景集及其概率模型,基于蒙特卡洛概率潮流生成不确定性场景,模拟分布式光伏实际运行情况。基于所得不确定性场景,建立双层概率规划模型：上层以投资建设成本最小和光伏渗透率最大为目标,对分布式光伏及储能进行选址定容,下层考虑分布式光伏出力的不确定性,以概率潮流下的运维成本、网损成本、购电成本和电压偏差指数最小为目标,对分布式光伏出力以及储能各时段充放电功率进行优化。采用改进的粒子群(particle swarm optimization, PSO)算法对概率规划模型进行求解。采用安徽某地光伏出力作为典型数据,以IEEE 33节点系统为算例开展多场景算例分析,结果表明：与传统规划方法对比,所提方法能够提升光伏渗透率和配电网运行稳定性,并降低综合成本。     

计及光伏电站功率预测的电力系统优化分析

光伏功率预测多采用间接预测法,由预测太阳辐照度数值结合光转电模型来预测光伏出力。为了解决传统BP算法在短期太阳辐照度预测中易陷入局部最优和收敛速度慢的问题,引入了自适应调节学习率和陡度因子建立太阳辐照度预测模型。在双极性Sigmoid函数中加入陡度因子以提高BP算法的收敛速度,为了便于数据处理将输入数据归一在[-1, 1],同时引入自适应调节学习率以调整网络权值,提高收敛性能。为了研究含光伏电站的电力系统优化问题,建立了系统日综合成本最小和日废气排放量最少的双目标优化模型,并采用双目标细菌群体趋药性算法进行优化。算例证明:改进BP神经网络算法能有效地提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性;预测光伏出力能够统筹安排机组出力,合理消纳光伏资源。     

Harmonic modelling of PV systems for probabilistic harmonic load flow studies

Probabilistic harmonic load flow (HLF) is currently enjoying renewed popularity. This is not surprising since in the near future, thousands of photovoltaic (PV) systems will be integrated into distribution systems. However, as yet, there is no model capable of explaining PV harmonic current behaviour in probabilistic HLF studies. To fill this gap, the harmonic modelling of PV systems proposed in this paper has three key points. First, it provides an effective model of the relationship between PV harmonic current emission and background harmonic voltages. Second, it statistically characterises PV harmonic currents (relative magnitude and phase angle) at different fundamental‐frequency current output intervals using historical time‐series data. In this statistical characterisation, the first fifth moments of each PV harmonic current are used to accurately approximate the raw probability density function (PDF) by means of the Legendre series. Finally, the third key point of this harmonic modelling is a method capable of determining the distribution functions of PV harmonic currents (absolute magnitude and phase angle), based on the statistical characterisation and a fundamental‐frequency probabilistic PV model. The numerical results obtained confirm the effectiveness of this PV model. Copyright © 2014 John Wiley & Sons, Ltd.