考虑时序性的风电序列场景集生成方法

针对目前单时段/多时段场景集生成方法在保留风电序列时序性方面的不足,提出一种自适应预测箱和状态转移矩阵相结合的风电序列场景集生成方法:在单时段分析阶段,结合自适应预测箱技术生成静态场景集;在多时段分析阶段,以状态转移矩阵滤除风电序列多时段转移过程的不合理波动,经过迭代过程生成既满足风电随机特性,又满足时序性要求的风电序列场景集.以德国TenneT电力公司的风电数据为例,在风电序列时序特征改进、与实际场景的差异性、算法计算效率和面向优化调度的应用效果方面与其他方法进行对比分析,验证所提方法的新颖性、合理性及实用价值.     

基于改进聚类算法的关键输电断面搜索方法

为了有效避免切除故障或过载线路后连锁跳闸事故的发生,提出一种基于改进模糊C均值聚类算法的关键输电断面搜索方法。该方法首先采用改进粒子群算法更新聚类中心,解决聚类算法对初始聚类中心敏感的问题,然后基于改进的聚类算法得到初始输电断面;其次运用Floyd算法搜索含断开线路的最短回路和次短回路,补充漏选的线路到初始输电断面内,构成候选输电断面;最后利用提出的复合因子判据筛选候选输电断面,进而确定关键输电断面。以IEEE 14节点和IEEE 118节点标准系统为例,所提方法可精准搜索得到系统内受切除线路影响较大且可能存在连锁跳闸风险的线路,即关键输电断面。结果表明采用该方法得到的关键输电断面更具有实用性和工程指导价值。     

基于自适应预测箱的风电场景分析方法

针对风电出力的不确定性特点,提出一种场景分析方法,通过生成风电的时序场景集刻画其出力的不确定性信息。将场景分析方法分为场景生成部分和场景消减部分。在场景生成部分,构建自适应预测箱描述不同预测出力幅值下预测误差的概率分布,结合多元标准正态分布和逆变换技术得到满足自相关性的初始场景集;至于场景消减方面,改进传统K-means算法提高聚类算法的聚类水平和聚类稳定性。实例分析表明,该场景分析技术对风电概率信息的刻画具有较高的准确性,适用于涉及大规模风电并网的电力系统调度问题。     

基于自适应预测箱的风电场景分析方法

针对风电出力的不确定性特点,提出一种场景分析方法,通过生成风电的时序场景集刻画其出力的不确定性信息。将场景分析方法分为场景生成部分和场景消减部分。在场景生成部分,构建自适应预测箱描述不同预测出力幅值下预测误差的概率分布,结合多元标准正态分布和逆变换技术得到满足自相关性的初始场景集;至于场景消减方面,改进传统K-means算法提高聚类算法的聚类水平和聚类稳定性。实例分析表明,该场景分析技术对风电概率信息的刻画具有较高的准确性,适用于涉及大规模风电并网的电力系统调度问题。