电力系统随机分析方法研究综述

在"碳中和"及"碳达峰"的背景下,高比例可再生能源电力系统将成为未来电力系统发展的一个重要趋势,同时外界极端环境日趋多变多发,电力系统随机因素日益增加,将对系统的经济、安全、稳定运行产生重大影响,需要根据随机因素的不同特征研究分析其对系统的影响以及应对的措施。从随机变量以及描述方程的角度,将电力系统随机问题分为随机稳态问题、随机动态问题、随机事件问题3类。面向这3类随机问题,分别介绍其问题描述,归纳其分析方法。针对电力系统随机稳态问题,从随机特征分析及随机决策问题2个角度综述和探讨了含随机性的电力系统稳态分析方法;针对电力系统随机动态问题,从振荡、安全和稳定3个方面综述和探讨了随机性对系统动态的影响;针对电力系统随机事件问题,从概率分析和马尔可夫分析2个方面综述其分析方法。最后,对新能源的概率预测、强随机性下的系统规划运行、低惯性下的抗干扰能力、随机动力学、极端气候对新能源的影响进行了研究展望。     

新能源发电的伊藤随机过程模型

随着新能源发电渗透率的不断增加,其出力随机性对电力系统的动态运行与控制产生的影响日益显现。伊藤过程是分析随机动态系统演化特性的重要基础理论,其将新能源出力的随机性建模为随机微分方程,可与电力系统动态过程的常微分方程模型统一处理,从而可较好地分析随机性对电力系统动态过程的影响。虽然该理论已在电力系统的稳定分析、动态安全、最优控制等领域取得了研究成果,然而,现有研究工作均尚未系统回答伊藤过程能否被用于准确刻画新能源的出力随机性这一基础性问题。因此,该文从模型和数据的角度分别论证了伊藤过程用于新能源出力随机性建模的可行性与完备性:一方面,证明伊藤过程模型可以用于描述新能源随机性的概率分布、空间相关性、时序相关性等;另一方面,给出了基于极大似然估计的伊藤过程模型参数估计方法,可基于历史数据实现伊藤模型的参数辨识。最后,通过算例说明伊藤过程既可与现有的随机性模型相兼容,又可以数据驱动的方式进行参数在线辨识,从而为伊藤过程在电力系统中的进一步应用提供建模基础。     

电力系统随机稳定性分析与控制问题综述

本文阐述了影响电力系统运行稳定性和电能质量的随机扰动问题,介绍了基于概率论与随机动态系统理论方法来分析电力系统在随机扰动下的稳定性和镇定控制方法,包括随机扰动模型、概率稳定性分析、基于随机动态微分方程的稳定性指标与控制策略、随机电力系统的仿真实验等,说明了这些研究成果是对电力系统传统的稳定性分析与控制理论方法的重要补充,最后指出了目前存在的问题和今后的研究方向.     

基于经验Copula函数的多风电场出力动态场景生成方法及其在机组组合中的应用

随着大规模风电接入电网,风电功率的随机性与波动性以及多风电场出力的相关性使得电力系统的运行与调度面临着新的挑战。引入经验Copula函数表征多风电场联合出力分布;对风电的波动性进行建模,利用ksdensity函数拟合风电功率波动量,通过逆变换抽样的方法生成符合风电随机性和波动性的场景集合;生成基于经验Copula函数的多风电场出力动态场景,并将其应用于含多风电场的电力系统随机机组组合问题的求解。算例结果验证了所提风电波动性建模方法的有效性与动态场景生成方法的可行性,同时提高了含多风电场电力系统运行的经济性。     

随机动态经济调度问题的存储器建模及近似动态规划算法

将含有风电场和抽水蓄能电站的电力系统随机动态经济调度问题描述为随机型存储器问题,以考虑风电场出力所具有的随机性。该模型含数学期望的计算,且实际问题状态空间、决策空间都是高维的,难以对其准确求解。因此,采用近似动态规划算法将值函数近似表示成分段线性函数的逼近形式,从而将随机存储器问题转化为一系列多阶段线性规划问题。通过扫描误差场景并相应求解所对应的线性规划问题,可实现对值函数进行训练,逐次修正各分段斜率值,直至值函数收敛后,再用来对预测场景下的线性规划问题进行求解,即得动态经济调度结果。该算法避免了求解准确解时面临的“维数灾”问题,具有较快的计算速度。以含风电场和抽水蓄能电站的小型测试系统和某省级实际电力系统为例,验证了所提模型与算法的可行性与有效性。     

含可再生能源并网的电力系统稳定裕度研究

可再生能源并网带来的电源随机波动是影响电力系统稳定运行的一个重要问题。为了研究这个问题,该文首先建立了含有随机扰动的电力系统模型,然后基于拟哈密顿系统理论,利用随机平均法和随机动态规划方法,对可再生能源并网的电力系统随机稳定性进行理论分析以平均首次穿越时间最长为目标进行最优控制设计,并研究受控系统的稳定裕度;最后,基于模型建立单机无穷大算例,得到不同干扰强度下的随机稳定裕度和最优控制律。经数字仿真,验证了该文所提方法的可行性和有效性。     

结合M-Copula理论与半不变量的随机潮流方法EI北大核心CSCD

随着光伏等可再生能源越来越多地并入电力系统,电力系统运行的随机性问题越来越突出。传统的确定性潮流将无法准确描述电力系统的实际运行状态,而随机潮流能充分考虑电力系统的各种随机波动,从而为电力系统的规划和运行提供指导。然而,新能源出力由于自然条件的时空关联性存在复杂的非线性相关性;为处理该非线性相关性,提出了一种基于M-Copula理论的半不变量随机潮流计算方法,将Copula理论与半不变量法结合起来,同时选择多个Copula函数模型来充分描述变量之间的复杂相关性。该方法既考虑了电力系统输入变量之间广泛存在的非线性相关性,又充分利用了半不变量法计算速度较快的优点,从而实现随机潮流的快速准确计算。以修改的IEEE 14系统为例,与蒙特卡洛方法进行的对比,仿真验证了所提方法的快速性与准确性。     

基于风速预测和随机规划的含风电场电力系统动态经济调度

随着风力发电在电力系统中比重的持续增加,在电力系统经济调度中需要考虑风电场的影响;而并网风电场具有动态、随机、容量大等特点,传统的经济调度方法已不再适用。针对风电场出力的随机性,在风速预测的基础上,应用随机规划理论建立了考虑机组组合的含风电场电力系统动元网络和遗传算法的混合智能算法,提高了算法的收敛速度和搜索性能。以含风电场的IEEE30节点系统为算例验证了所提方法的可行性和有效性。     

随机输入与电动机工作方式

本文讨论电动机实际工作方式的随机性，给一随机输入 ，观测电动机的温升，以研究其动态特性。     

随机最优潮流及其应用的研究综述

随着电网运行环境的改变尤其是大规模新能源的直接并网,节点注入功率的随机性日益明显,这给电力系统调度与运行工作提出了新的挑战。随机最优潮流计及各种随机因素对电力系统的影响,是解决该问题的有力工具。对随机最优潮流的模型进行系统梳理,剖析各类模型的建立方式及应用范围;分类阐述随机最优潮流问题的5种主要解法,并分析各种解法的优劣;总结随机最优潮流在大规模新能源并网中的应用,并探讨后续亟待解决的问题,以期为新环境下电力系统的随机分析实用化技术提供科学依据。     

含风电场电力系统的动态经济调度分散随机优化方法

针对含风电场电力动态经济调度的信息私密性和不确定性问题,提出一种分散随机优化求解方法。根据目标级联分析的原理,将含风电场的动态经济调度集中优化模型转化为随机分散优化模型。利用近似动态规划对各个区域的随机动态经济调度问题进行分散优化,并根据区域间边界节点相角信息对它们的优化方案进行协调。通过6节点2区域系统、IEEE多区域系统和某实际系统的算例分析,从多个角度验证了所提方法的有效性。     

考虑环保成本和风电接入影响的动态经济调度模型

风电具有动态随机性,传统的经济调度模型已不再适用。考虑机组的环境效益,引用了环境惩罚成本;基于风电的随机性及其给系统安全造成的影响,引入利润备用容量惩罚成本,应用随机规划理论构建了含风电机组的动态经济调度模型。在求解模型时,采用蒙特卡罗模拟和遗传算法的混合智能算法,以蒙特卡罗模拟的随机变量模拟结果作为遗传算法的输入参数。以IEEE30系统为例,对传统的经济调度模型和建立的调度模型进行了比较分析,验证了该模型的合理性与有效性。     

基于通用分布的含风电电力系统随机动态经济调度

随着风电大规模并网,其不确定性给电力系统经济调度带来了新的挑战。文中利用通用分布模型拟合不同风电功率预测水平下的实际风电功率分布,并以此建立了考虑风电低估、高估成本的日前动态经济调度的随机优化模型。通过对目标函数和约束条件的转化与分析,将随机优化模型转化为一个非线性凸优化问题。结合二次规划算法和内点法,提出了一种两阶段优化算法用以求解对应的经济调度问题。最后,在含风电场的IEEE 30节点系统上,验证了所提基于通用分布的随机动态经济调度方法的有效性。     

随机载荷激励下的风力发电机组首次穿越模型

大型化和轻量化发展后的风力发电系统时变复杂度逐渐增大。同时,风电机组所受载荷具有随机性,导致各组件的长时间振动加剧,进而出现严重损坏,破坏系统的稳定性。通过综合风电机组机械传动模型、确定性载荷模型和随机载荷影响,建立了随机载荷下的首次穿越模型。并结合风电机组的电气动态模型,构建了统一的机电动态模型。采用拟不可积Hamilton随机平均法,建立了相应的Hamilton函数和一维?Ito扩散过程的随机模型,为后续的风力发电机组稳定性和可靠性研究打下基础。以国产某750?k W机组为例建立了相应的统一的机电动态模型,并通过Matlab仿真验证了随机载荷下风力发电机组的首次穿越现象。算例结果表明,该模型具有较好的适用性和可操作性。     

Adaptive dynamic surface control of stochastic nonstrict-feedback constrained nonlinear systems with input and state unmodeled dynamics

In this paper, the issue of adaptive neural control is discussed for a class of stochastic nonstrict-feedback constrained nonlinear systems with input and state unmodeled dynamics. A dynamic signal produced by the first-order auxiliary system is employed to deal with the dynamical uncertain terms. Radial basis function neural networks are used to reconstruct unknown nonlinear continuous functions. With the help of the mean value theorem and Young's inequality, only one learning parameter is adjusted online at recursive each step. Using the hyperbolic tangent function as nonlinear mapping, the output constrained stochastic nonstrict-feedback system in the presence of unmodeled dynamics is transformed into a novel unconstrained stochastic nonstrict-feedback system. Based on dynamic surface control technology and the property of Gaussian function, adaptive neural control is developed for the transformed stochastic nonstrict-feedback system. The output abides by stochastic constraints in probability. By the Lyapunov method, all signals of the closed-loop control system are proved to be semi-global uniform ultimate bounded (SGUUB) in probability. The obtained theoretical findings are verified by two numerical examples.