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。     

基于风电场景概率的电热混合储能优化配置

本文提出一种考虑风电典型场景概率的电热混合储能优化配置方案,以提高风电入网的经济性和可行性。首先通过场景分析,利用k-means聚类法将大量风机历史出力数据简化为6个典型出力场景,确定各场景发生的概率,其中聚类数目由肘部曲线法和Dunn指数法综合确定;其次提出电热混合储能系统控制策略,建立适用于多场景的风储联合系统模型;最后,以经济性成本最低与弃风量最小为目标,建立包含电、热负荷综合响应的容量配置优化模型,并将场景概率以权值的形式加入到目标函数中,利用粒子群算法对模型进行求解。通过仿真分析和与其他储能配置场景对比,我们发现所提出的配置策略能够提高风电利用率约11.04%,同时减少系统综合成本约44.52%,验证所提策略的合理性和有效性。     

基于分布式电源有功无功调节能力的配电网无功规划

传统的无功规划方法在应对小概率极端电压场景时往往要求配电网投资大量的无功补偿装置。为此,基于分布式电源及负荷场景,提出一种配电网无功规划模型,该模型充分利用了分布式电源的有功、无功调节能力,在小概率极端电压场景下将分布式电源有功调节作为一种附加电压调节手段,并以无功补偿装置投资费用和分布式电源有功调节费用之和最小为目标以减少系统总支付费用。提出一种嵌入原始对偶内点法的粒子群优化算法对模型进行求解。通过对自定义IEEE 30节点系统进行仿真分析,验证了所提模型的经济性和所提算法的有效性。     

基于场景时域概率的主动配电网全协调无功优化

针对主动配电网中风光荷储具有随机性和间歇性,无功全协调优化困难的问题,提出一种基于时域概率的场景分析法,采用CURE聚类法削减全场景数量,然后依次计算全场景的时域概率;提出一种计及源网荷储全协调互动的无功优化策略,通过求解网购电量最小为主要目标的有功优化模型得到集中式储能和可中断负荷的有功功率,以此建立主动配电网无功优化模型,并运用多目标粒子群算法求解,最后以某市一条10 kV配电线路为例验证本文方法的可行性和鲁棒性。     

基于场景概率潮流的电力系统无功优化研究

多风电场出力的随机性和互相关性特点对电力系统无功优化调度有着不可忽视的影响。针对这一问题,提出一种基于场景概率潮流的电力系统无功优化方法。该方法将风电出力场景化,结合概率潮流计算,以系统有功网损、发电机无功偏差和节点电压偏差期望加权值最小作为无功优化目标函数,利用粒子群算法求得各风电出力场景下的最优无功控制策略。在含多风电场的IEEE 30节点系统中对所提方法进行测试,并与确定性的场景无功优化方法相对比,验证了所提方法的有效性。     

计及风、光出力不确定性的微电网经济调度研究

针对风、光出力不确定性,结合蒙特卡罗抽样模拟的风、光出力场景集合,对比同步回代、K-Means聚类、模糊C均值(FCM)聚类三种场景削减技术所得最大概率典型场景风、光出力数据,发现同步回代场景削减技术更能表征风、光出力的波动性和随机性。并以风电、光伏、微型燃气轮机、质子交换膜燃料电池及蓄电池组成的微电网系统为研究对象建立了以系统总运行成本最小为优化目标的经济调度模型。算例分析中,采用自行改进的粒子群算法(PSO)优化调度各微源在典型场景下的出力,验证了结合蒙特卡罗抽样的同步回代算法对风、光出力不确定性处理的有效性和合理性。     

考虑多个风电机组接入配电网的多目标无功优化

针对多个风电机组接入配电网带来的不确定性问题,采用基于拉丁超立方采样的Monte Carlo概率潮流计算方法(correlation Latin hypercube sampling Monte Carlo simulation,CLMCS)以及场景缩减技术得到风机组输出功率的典型场景,将不确定性问题转化为单场景确定性潮流问题。并建立以有功网损最小、电压偏差最小作为目标函数的配电网无功优化数学模型。采用e正交多目标差分进化算法(e-orthogonal differential evolution multi-objective algorithm,e-ODEMO)进行计算得到非劣解集,该算法基于一般差分演化算法,结合正交实验方法使初始个体均匀分布在决策变量空间,利用e占优技术对Archive群体进行更新,能得到均匀分布的非劣解集。应用IEEE 33节点以及PGE 69节点配电网系统进行了测试,结果验证了所提方法和模型的可行性与有效性。     

考虑系统频率恢复性能的低频减载参数优化模型

在研究传统的低频减载参数优化控制代价最小模型的基础上,提出一种兼顾考虑系统频率恢复性能和切负荷量最小的低频减载参数优化模型,同时考虑了各种预设场景的风险概率因素。基于模型特点,采用差分进化算法来求解问题。针对优化问题的稳态约束和超调约束,提出用分段惩罚函数法来提高差分进化算法的执行效率。实际的电力系统算例仿真表明,提出的模型比控制代价最小模型的综合表现更佳,初步论证了模型和算法的可行性和有效性。     

基于场景聚类的分布鲁棒区域新能源容量规划策略

为了提高区域新能源规划的经济性和系统运行可靠性,提出了一种基于分布鲁棒的区域新能源双层规划模型。为了准确描述新能源的波动,在考虑风光间相关性的基础上,利用拉丁超立方抽样法对原始数据进行采样得到初始场景,再通过基于分位数半径的动态K-means算法得到典型场景,并利用范数对场景分布的概率置信区间进行约束。在双层区域新能源规划模型中,上层模型以全寿命周期内风光的净现值为目标函数;下层模型基于分布鲁棒优化理论,以区域外送电波动性最小为目标函数,在典型风光波动场景下合理调度水电、火电等资源对风光出力进行补偿,降低区域外送电波动。仿真结果证明了所提出的区域新能源容量规划策略的鲁棒性和可行性。     

基于改进粒子群算法含双馈风电机组配网无功优化研究

针对风电机组并网后对配电网无功补偿产生的影响,从双馈风电机组自身的有功、无功输出特性出发,基于场景概率的方法计算风力机组出力情况,以网损最小为目标函数寻求优化求解方法。利用改进粒子群算法来实现系统接入双馈风电机组后的无功优化,在Matlab 2013b软件中构造IEEE33节点模型并利用该算法求解。结果表明,双馈风电机组在参与系统无功优化时具有良好的性能,验证了该改进算法的有效性。     

多风电场接入的灵敏度场景静态无功/电压评估

风电出力对电力系统运行的影响存在复杂的非线性,现有处理风电随机性的风电场景模型难以保证风电场景与电力系统优化运行保持一致,为此提出含多风电场的电力系统无功/电压灵敏度场景分析方法。首先利用网损/电压灵敏度计算方法计算多风电场相关性出力样本的网损/电压灵敏度,再基于主成分分析构建联合网损/电压灵敏度特征空间,并在此基础上进行场景聚类,得到多风电场网损/电压灵敏度场景。将某2个风电场的实际数据接入IEEE 30节点系统中分别进行传统风电场景分析和所提灵敏度场景分析,验证了所提方法的有效性和优越性。     

考虑时空相关性的多风电场出力场景生成与评价方法

含多个风电场的场景生成技术可为电力系统中长期规划和运行提供所需基础数据。为在场景生成过程中计入多风电场风电出力的时空相关性,提出两阶段场景生成方法：在第一阶段,采用Copula函数对多个风电场出力的空间相关性建模,获得多风电场出力的初始场景;在第二阶段,运用随机微分方程对风电场出力波动随机性建模,通过重构初始风电出力场景,使得最终获得的场景中风电序列较好地保留原始序列的时间相关性。为评估生成场景的有效性,构建场景有效性评价指标体系;引入多重分形去趋势波动分析方法,提供刻画风电序列的自相关特性和动态波动特性的多维度指标。以某区域风电场为例,生成风电季度出力场景,结果表明所提方法能够复现原始风电序列的时空相关性。     

考虑风电不确定性及柔性负荷的安全约束机组组合问题研究

针对风电出力的不确定性,采用基于拟蒙特卡洛(quasi-Monte Carlo,QMC)模拟的场景分析法生成风电出力初始场景,选取考虑风电预测误差较大的极限场景实现场景缩减。在不同的风电出力场景下,兼顾发电侧与需求侧柔性负荷的双侧协调配合,提出了计及柔性负荷的安全约束机组组合模型,实现了可削减负荷、可平移负荷以及可转移负荷3类柔性负荷的分类调度。通过对不同场景下10机系统的仿真计算,对比分析了需求侧柔性负荷调度对系统的经济成本、负荷峰谷差以及弃风量的影响。在考虑风电不确定性时,需求侧柔性负荷调度对提高系统经济性、缓解负荷高峰期用电压力具有重要作用,并且有利于增加风电的消纳,降低弃风电量。     

基于风场景识别的动态风电功率概率预测方法

传统风电功率预测是确定的、静态的、非条件性的,无法代表不同外部状态的发电过程,缺失预测误差的概率性信息。针对上述问题,提出了一种动态的基于风场景识别的风电功率概率预测方法。首先建立基于K means的风场景识别模型,根据风速和风向识别自然风特征,据此划分风电场风况类别。然后针对各风况类别建立基于相关向量机的概率预测模型。在实际预测中,根据实时风况动态调整概率预测模型参数。以中国西北某风电场为例进行验证,结果表明,该方法提高了单点预测精度、概率预测可靠性和技术分数、运行效率,为预测细化建模提供新的解决思路。     

考虑风电场时空相关性的多场景优化调度

相邻风电场出力由于地理环境与气候条件相似而具有较强的相关性,因此构建风电相关性模型以及合理的调度模型对大规模风电并网意义重大。基于混合Copula函数和连续马尔科夫链模型构建多维时序风速相关性模型,并根据抽样产生的大量模拟场景聚类生成典型场景;构建基于场景分析的机组组合两阶段调度模型,以得到满足所有典型场景的机组启停和各场景的调度方案,并根据典型场景与模拟场景的偏差基于机会约束理论设定模型中的风电备用需求系数,以提高系统运行的可靠性与经济性。以10机2风电场系统为例进行仿真分析,结果验证了所建模型的有效性。     

A nonlinear two‐cluster Gaussian mixture scenario model for wind power

To overcome the low precision and poor flexibility of the wind power scenario model, this paper proposes a nonlinear two‐cluster Gaussian mixture scenario model for wind power based on the expectation maximization (EM) algorithm according to Wasserstein optimal scenario theory. First, the EM algorithm is used to classify the wind speed data and establish the Gaussian mixture model (GMM). Second, the Wasserstein distance scenarios of two Gaussian distributions with different parameters are calculated based on wind speed data and nonlinear wind turbine power curve, respectively. Finally, a cross combination of the two scenarios is used to obtain the nonlinear two‐cluster mixture scenario model with a mixture Gaussian probability parameters. The obtained results show that the nonlinear two‐cluster Gaussian mixture scenario model is applicable not only to the regular wind speed probability distribution but also to that with irregular and two‐peak characteristics. Moreover, the generated energy deviation can be controlled within 2.5%. © 2016 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于LHS与BR的风电出力场景分析研究

场景分析是电网运行规划中的一项重要技术,也是一个基础性工作。为有效分析风电出力的场景特征,本文基于风速的不确定特性对场景分析问题进行建模,构建了基于拉丁超立方抽样（LHS）与后向缩减法的场景分析模型,为快速分析任意时段的风电出力提供重要依据。本文首先分析风速特征,归纳同一时间点风速符合的概率分布;接着拟合各时刻威布尔分布的参数值,提出了一套基于LHS的场景生成方法;然后构建后向缩减场景缩减模型,使得到的若干条曲线能够更大程度表征原始场景的变化特征。最后,通过算例分析对比验证了本文所提方法的有效性与准确性。     

数据驱动下基于风电场景的多时间尺度调峰调度研究

风电具有明显的波动性和反调峰特性。为减少风电大规模并网对电力系统调峰带来的影响,提出了一种基于风电调峰场景的多时间尺度调度策略,提高了极端风电场景下电网调度的执行效率。首先,构建了风电-负荷数据驱动模型。提出了风电调峰功率的多时间尺度评估指标,根据该指标对一年的风电功率进行时域分解并生成典型的风电调峰场景。其次,为保证在调峰场景下电网的功率平衡,针对历史场景构建了风火储协同调峰模型,并制定典型场景的经济最优调度预案。在此基础上提出多时间尺度调度策略,通过对调度预案进行滚动修正以应对风电的不确定性。最后,通过算例分析验证了所提方法在保证电网经济稳定运行的前提下可有效地提高调峰调度的计算速度并及时实施调峰调度。     

基于坏场景集的含风电机组组合模型

针对风电出力的不确定性和波动性,引入坏场景集和鲁棒优化方法来解决含风电的机组组合优化问题。在分析场景集和鲁棒优化在电力系统不确定性调度中的应用基础上,构建评价坏场景恶化程度的保守度指标,在优化目标中加入方差来抑制个别坏场景导致整体优化结果的恶化,并结合储能系统对平抑风电波动的固有特点,建立了基于坏场景集的鲁棒机组组合模型及其算法。最后,通过算例进行了成本、储能装置容量和鲁棒度量分析,验证了该模型的有效性和实用性。     

含异步风电机组的配电网故障恢复研究

根据风电具有的随机性、间歇性等特点,建立了以风速为输入的风电场注入功率模型。考虑到风速的统计特性,应用多场景方法模拟了异步风电机组的不确定出力,确定了基于场景发生概率的故障恢复子目标。在此基础上,考虑到配电网故障恢复目标中的其它因素,应用自适应权重和的方法建立了含异步风电机组的配电网故障后恢复重构问题的综合目标函数;然后将随机生成树策略与蚁群优化算法相结合,用以解决配电网故障后恢复重构的网络优化问题,避免了搜索过程中可能出现的大量不可行解,加快了算法的搜索速度。IEEE-33系统算例验证了文中方法的有效性。