基于扩展拉丁超立方采样的电力系统概率潮流计算

概率潮流分析中,拉丁超立方采样(Latin hypercubesampling,LHS)算法比简单蒙特卡罗仿真(Monte Carlosimulation,MCS)的效率要高,但是传统LHS(conventionalLHS,CLHS)算法采样数必须事先确定并且固定。针对现有CLHS技术的不足,提出了扩展拉丁超立方采样算法(Extended LHS,ELHS)并应用于概率潮流计算。扩展方法根据已有的N点LHS采样构造2N点LHS采样并保证扩展前后的相关性相近,在增加采样数的同时保留已有的潮流计算结果。由于采样数无法事先确定,因此提出了以扩展前后估计值变化量的相对值作为ELHS的实用化收敛判据。采用MCS、CLHS和ELHS方法分别对IEEE 30节点和IEEE 118节点系统进行概率潮流分析,所提出的方法能够在保证计算精度的前提下获得ELHS在不同采样数下的收敛趋势。算例结果证明了所提方法的高效性、精确性和易扩展性。     

考虑非正定相关性的改进LHS概率潮流计算方法

由于LHS(拉丁超立方采样)能较大程度覆盖采样区间,因此常作为概率潮流计算中的分层抽样方法。但随着风、光等分布式能源在电力系统中渗透率的提高,以及采样对象维度的增加,使得LHS所得样本的均匀性略显不足。同时,风、光等随机变量之间的相关性也会日趋复杂。相关矩阵作为表现随机变量之间相关性的有效方式,在矩阵维度增加时会出现非正定情况,从而导致基于Cholesky分解排序变换的概率潮流计算方法无法进行。针对上述问题,提出一种考虑风、光相关性为非正定时的改进LHS概率潮流计算方法,并利用改进的IEEE 30与IEEE 118系统验证了所提方法的准确性与有效性。     

考虑输入变量相关性的概率潮流计算方法

风电场的大规模接入使得电力系统在进行规划设计和方式安排时需要计及风电出力的不确定性,概率潮流计算方法是在计及不确定因素的条件下分析电力系统运行状态的重要工具。针对当前所使用的概率潮流计算方法的不足,提出一种可以处理多个输入随机变量相关性的基于拉丁超立方采样（Latin hypercube sampling,LHS）的Monte Carlo模拟概率潮流计算方法,该方法同时还具有精度高和速度快等优点,并且不受输入随机变量的概率分布类型的约束。在同时考虑风电和负荷不确定性的条件下,对IEEE14和IEEE118节点系统进行仿真计算,结果验证了所提出方法的有效性和准确性。     

一种含牵引负荷的概率潮流计算方法

含牵引负荷的概率潮流算法一般是将概率统计方法与确定性潮流计算方法相结合,但常见的确定性潮流算法如快速解耦法和牛顿-拉普逊法,在计算过程中存在不收敛、计算精度偏低的问题。为此提出一种含牵引负荷的概率潮流计算方法,采用Copula函数来描述输入变量的相关性,通过拉丁超立方函数对输入变量进行抽样,将深度神经网络法用于确定性潮流的计算。最后在改进的IEEE 30节点系统中验证了所提算法的适用性。     

基于非参数核密度估计的扩展准蒙特卡洛随机潮流方法

扩展蒙特卡洛方法将随机潮流的误差转化为可控量,并可在样本数增加时保留已知的潮流计算结果。基于扩展拉丁超立方抽样的方法效率比简单随机抽样高,但仍存在两方面的问题:第一,扩展拉丁超立方抽样无法保证序列的差异性,这成为计算效率提高的瓶颈;第二,当输出变量偏离正态分布时,扩展拉丁超立方抽样方法缺乏性能良好的收敛判据。针对以上两个问题,采用基于Sobol序列的扩展准蒙特卡洛方法进行随机潮流计算,并提出基于非参数核密度估计方法的收敛判据。对IEEE 30和IEEE 118节点系统的仿真结果表明,所述方法比扩展拉丁超立方抽样方法更加方便、准确,同时效率更高、收敛更快;而基于非参数核密度估计的收敛判据直观、适应性强,对变量的概率分布没有附加条件,可准确指导扩展随机潮流的收敛。     

基于输入变量秩相关系数的概率潮流计算方法

随着大量新能源接入,电力系统运行必须考虑其随机性带来的影响。概率潮流是有效工具之一。针对考虑输入变量相关性的概率潮流计算,文中采用Spearman秩相关系数表示输入随机变量间的相关性,分析了拉丁超立方抽样方法与秩相关系数的内在关联,提出结合遗传算法的改进拉丁超立方抽样方法进行概率潮流计算。算例结果表明,所提出的方法能较好地刻画风速间的相关性,不受输入随机变量边缘分布的影响,并且能处理秩相关系数矩阵正定和非正定的情况。     

基于改进拉丁超立方抽样的概率潮流计算

针对基于拉丁超立方抽样的蒙特卡洛模拟法应用于概率潮流计算时相关性控制过程存在的问题,提出了一种新的可以精确处理随机变量相关性的方法。为了使采样值更为精确地反映随机变量的数字特征,在正态分布变量的样本生成过程中引入区间均值采样方法。根据离散分布的特点,在离散分布随机变量样本生成过程中引入了离散拉丁超立方抽样方法。本文提出的方法不仅可以提高计算精度,同时可以全面地给出输出变量的数字特征以及分布。IEEE 30节点仿真结果验证了所提出方法的有效性。     

基于Copula理论和切片采样技术结合拉丁超立方抽样的概率潮流计算

为评估大规模新能源并网对电力系统概率潮流的影响,提出一种Copula理论、切片采样及拉丁超立方采样相结合的MCMC概率潮流计算方法。利用Copula理论建立计及输入变量相关性的概率分布模型,采用Kendall秩相关系数作为相关性测度,通过切片采样算法产生初始样本,引入拉丁超立方抽样技术对初始样本进行处理,提高算法的计算效率。以改造后的IEEE-14节点测试系统为算例,验证了文中方法的准确性和有效性,研究了风、光出力相关性对电力系统概率潮流的影响。结果表明风、光互补提高了系统运行的可靠性和经济性,考虑风、光相关性可以更合理地评估风、光并网对电力系统概率潮流的影响。     

LHS-MC方法在漫坝风险分析中的应用

利用拉丁超立方抽样-蒙特卡罗方法（LHS—MC）评估了洪水和风浪作用下大坝的漫坝风险。采用LHS代替MC的随机抽样过程,生成洪峰流量和风速等随机变量样本。以大坝漫坝风险问题为例说明了LHS—MC方法的有效性。结果表明：LHS—MC方法可有效地提高运算效率,较少的抽样样本就能反映参数的概率分布,风险分析收敛快。考虑水库防洪调度规则,用水库调洪演算可得到水库最高调洪水位随机分布和洪水漫坝风险率。     

计及风速与风机故障相关性的概率潮流计算

针对计及风速与风机故障不确定性及相关性的风电并网电力系统概率潮流计算问题,基于Nataf变换建立了能够同时考虑风速、风机故障不确定性和相关性的风电场出力模型,提出一种可灵活处理风速与风机故障相关性的Monte Carlo概率潮流计算方法,并引入"拉丁超立方抽样"技术提高抽样效率,降低计算复杂度。仿真结果表明:该方法能反映风电场出力的实际情况,合理评估风电并网对电力系统概率潮流的影响,有助于风电场的选址及电网规划。     

Probabilistic Load Flow Evaluation With Hybrid Latin Hypercube Sampling and Cholesky Decomposition

Monte Carlo simulation method combined with simple random sampling (SRS) suffers from long computation time and heavy computer storage requirement when used in probabilistic load flow (PLF) evaluation and other power system probabilistic analyses. This paper proposes the use of an efficient sampling method, Latin hypercube sampling (LHS) combined with Cholesky decomposition method (LHS-CD), into Monte Carlo simulation for solving the PLF problems. The LHS-CD sampling method is investigated using IEEE 14-bus and 118-bus systems. The method is compared with SRS and LHS only with random permutation (LHS-RP). LHS-CD is found to be robust and flexible and has the potential to be applied in many power system probabilistic problems.     

采用拉丁超立方采样的电力系统概率潮流计算方法

与简单随机采样相结合的蒙特卡罗(Monte Carlo)模拟法只有在采样规模足够大时才能得到高精度的计算结果,计算量较大.文中提出了用拉丁超立方采样和Gram-Schmidt序列正交化方法改善采样值对输入随机变量的分布空间的覆盖程度、提高采样效率的计算方法,并应用于概率潮流计算中.IEEE 14节点系统和IEEE 118节点系统的算例验证了该方法的有效性.与传统方法相比,文中所述方法可以降低采样规模,更有效地估计输出随机变量的统计参数和概率分布,同时保留蒙特卡罗模拟法的优点,在处理相同随机变量的一系列随机问题时可以显著降低计算量.     

Probabilistic load flow calculation with quasi-Monte Carlo and multiple linear regression

In this paper, quasi-Monte Carlo combined with multiple linear regression (QMC-MLR) is proposed to solve probabilistic load flow (PLF) calculation. A distinguishing feature of the paper is that PLF is approached by a low-dimensional problem with the concept of the effective dimension, and thus QMC based on low-discrepancy sequences is used to improve the sampling efficiency of the Monte Carlo simulation (MCS). Moreover, according to the relationship between linear correlation and linear regression, the MLR-based correlation control technique is developed to arrange the orders of samples in order to introduce prescribed dependences between variables. The proposed method is tested with the IEEE 118-bus system. Simulation results indicate that the MLR-based technique is robust and efficient in handling correlated non-normal variables and the proposed method shows better performances in PLF calculation compared with other MCS techniques, including simple random sampling (SRS), Latin hypercube sampling (LHS) and Latin supercube sampling (LSS).     

基于卷积的风速和负荷相关性分类处理的概率潮流计算

含相关性风电的电力系统概率潮流算法需具备同时处理风速相关性和负荷相关性的能力。现有的概率潮流算法一般采用蒙特卡罗方法统一处理两类相关性,但该算法计算量较大,且忽视了风速和负荷在概率分布特性上的差异。为此,本文提出风速相关性和负荷相关性分类处理的概率潮流算法。该算法延用蒙特卡罗法计算相关风电场总出力的概率密度曲线,并利用负荷一般呈正态分布的特性,采用解析法快速求取总负荷的正态分布函数,最后将两类结果进行卷积计算获得支路潮流的概率密度函数。由于在处理具有相关性负荷时避免了负荷样本的生成与采样,该算法可以提高概率潮流的计算效率。以含多风电场的IEEE RTS-96系统和IEEE 118系统为算例,与蒙特卡罗法、点估计法及累积量法进行比较,验证了本文方法的有效性和优越性。     

基于Nataf变换含相关性的扩展准蒙特卡洛随机潮流方法

随机潮流分析中,准蒙特卡洛方法在同样规模下不仅计算效率高于基于拉丁超立方的方法,且具有更好的扩展性质。因此提出一种基于Nataf变换的扩展准蒙特卡洛方法(NEQMC)并应用于概率潮流计算中。该方法利用Nataf变换重构输入变量的概率分布,而扩展技术可在随机潮流未收敛时保留已知的潮流计算结果,基于奇异值分解的相关系数控制技术不仅可保持扩展前后样本的相关性,且使得该方法也适用于相关系数矩阵非正定的情况。与基于Nataf变换的简单随机抽样、扩展拉丁超立方方法在IEEE 30和IEEE 118节点系统的比较分析证明了所提方法的高效性和准确性,仿真结果表明:相比于拉丁超立方和简单随机抽样,NEQMC的输出变量准确度更高,特别是标准差的准确度得到大幅改进,获得相同准确度的计算复杂度大大减小。     

基于拟蒙特卡罗和半不变量法的概率潮流计算

为实现含风电出力电网概率潮流计算精度的提高,提出一种结合拟蒙特卡罗和半不变量的方法。建立风电出力模型,采用拟蒙特卡罗模拟法(QMCS)抽取Sobol确定性低偏差点列,结合半不变量法,算出节点状态变量以及各支路潮流的半不变量,引入Gram-Charlier级数,以概率潮流计算为工具,对相关节点电压进行模拟,并与传统蒙特卡罗模拟(MCS)方法和MCS结合半不变量法对比。算例表明,相同抽样次数下QMCS结合半不变量法的计算结果更接近真解,并且计算速度相对更快。     

基于LHS的坝基岩体三维裂隙网络模拟

坝基岩体裂隙发育直接影响水电工程的结构安全与渗流稳定,建立准确的坝基岩体三维裂隙网络模型是分析坝体安全的基础。岩体裂隙数量巨大,分布复杂,以往的研究多采用Monte Carlo简单随机抽样方法获取裂隙参数的样本数据,进而建立二维或三维裂隙网络模型,忽略了揭露面以下裂隙数据对模拟结果的影响,计算结果稳定性差、精度低,且容易产生样本坍塌的问题。本文提出了水电工程坝基岩体三维裂隙网络的模拟方法,即在坝基揭露面裂隙数据的基础上,融合钻孔摄像技术获取的钻孔全孔壁资料,对裂隙面位置、大小、数量和产状等参数进行统计;然后采用拉丁超立方抽样(Latin Hypercube Sampling)方法对裂隙参数进行随机模拟;最终利用Visual Geo软件建立三维裂隙网络模型。该方法应用于某水电站坝基裂隙三维网络模拟中,并与传统的Monte Carlo方法进行对比,结果表明:该方法在融合揭露面裂隙资料和钻孔摄像数据的前提下,空间填充性好,模拟结果更加接近实测值,为水电工程坝基稳定分析提供了可靠的技术手段和准确的模型基础。