CN105224774B - 电力***运行状态仿真方法及*** - Google Patents
电力***运行状态仿真方法及*** Download PDFInfo
- Publication number
- CN105224774B CN105224774B CN201510768206.3A CN201510768206A CN105224774B CN 105224774 B CN105224774 B CN 105224774B CN 201510768206 A CN201510768206 A CN 201510768206A CN 105224774 B CN105224774 B CN 105224774B
- Authority
- CN
- China
- Prior art keywords
- curve
- power
- probability distribution
- cluster
- generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 claims abstract description 227
- 238000004088 simulation Methods 0.000 claims abstract description 57
- 238000005070 sampling Methods 0.000 claims abstract description 41
- 238000007619 statistical method Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 11
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000005662 electromechanics Effects 0.000 claims description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 2
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 238000004451 qualitative analysis Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 31
- 230000009467 reduction Effects 0.000 abstract description 20
- 238000004364 calculation method Methods 0.000 abstract description 19
- 230000005611 electricity Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 238000007621 cluster analysis Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种电力***运行状态仿真方法及***，基于电力***运行状态的历史数据进行统计分析，得到发电机的发电机有功出力、发电机电压、负荷节点的有功负荷三类随机变量的概率分布曲线，并采用聚类分析方法分别对这三类随机变量中分布相似的概率分布曲线进行聚类，达到降维的目的，可以大大缩短海量电网运行状态仿真样本产生的时间周期，提高效率。对聚类合并降维后的聚类概率分布曲线进行抽样，对潮流分布进行仿真计算，得到电网运行状态仿真样本，获得的电网运行状态仿真样本更接近于电网实际运行状态，有效克服了现有方法中由于各随机变量在指定范围内随机抽样造成计算结果精度不高的问题，能有效提高潮流分布计算结果的精度。
Description
技术领域
本发明涉及电气领域，特别涉及一种电力***运行状态仿真方法及***。
背景技术
在电力***实际运行中，运行人员一般通过电力***安全稳定分析，保证电力***安全稳定运行。然而随着电力***规模的不断扩大以及风电为代表的大规模间歇性新能源的大量接入电力***，电力***运行状态的时变性和复杂性日益增强，从而需要更加全面以及可信的海量电力***运行状态来进行电力***安全稳定分析。
现有海量电力***运行状态仿真方法存在一些不足，例如，由于各随机变量在指定范围内随机抽样，这样得到的抽样结果并不符合随机变量实际波动情况，根据抽样结果对电力***运行状态进行仿真得到的结果与电力***实际运行状态不符，仿真结果精度较低，再者，抽样过程中随机变量的数量过多，需要很多的样本数量才能满足稠密性，从而导致样本产生的时间周期较长。
发明内容
基于此，有必要针对仿真结果精度低以及样本产生的时间周期较长的问题，提供一种适用于电力***实际运行状态以及缩短样本产生的时间周期的电力***运行状态仿真方法及***。
一种电力***运行状态仿真方法，包括以下步骤：
获取电力***运行状态的历史数据；
根据所述历史数据获得所述电力***中随机变量的概率分布曲线，其中，所述随机变量包括发电机的发电机有功出力、发电机的发电机电压以及负荷节点的有功负荷；
对所述电力***的所述随机变量的概率分布曲线分别进行聚类，获得所述随机变量对应的聚类概率分布曲线；
对所述聚类概率分布曲线分别进行抽样，获得所述聚类概率分布曲线的抽样离散化结果；
根据所述聚类概率分布曲线的抽样离散化结果，对所述电力***进行潮流分布仿真计算，获得电力***运行状态仿真样本。
本发明还提供一种电力***运行状态仿真***，包括：
第一获取模块，用于获取电力***运行状态的历史数据；
第一分析模块，用于根据所述历史数据获得所述电力***中随机变量的概率分布曲线，其中，所述随机变量包括发电机有功出力、发电机电压以及负荷节点的有功负荷；
第二分析模块，用于对所述电力***的所述随机变量的概率分布曲线分别进行聚类，获得所述随机变量对应的聚类概率分布曲线；
抽样模块，用于对所述聚类概率分布曲线分别进行抽样，获得所述聚类概率分布曲线的抽样离散化结果；
仿真计算模块，用于根据所述聚类概率分布曲线的抽样离散化结果，对所述电力***进行潮流分布仿真计算，获得电力***运行状态仿真样本。
上述电力***运行状态仿真方法及***，基于电力***运行状态的历史数据进行统计分析，得到电力***中发电机的发电机有功出力、发电机的发电机电压、负荷节点的有功负荷三类随机变量的概率分布曲线，并采用聚类分析方法分别对这三类随机变量中分布相似的概率分布曲线进行聚类合并，达到降维的目的。根据聚类分析降维后，基于降维后的发电机有功出力、发电机电压、负荷节点的有功负荷这三类随机变量的概率分布曲线，对发电机有功出力、发电机电压、负荷节点的有功负荷这三类随机变量分别进行抽样，并对电力***的潮流分布情况进行仿真计算，得到海量电网运行状态仿真样本。通过上述实施方式的电力***运行状态仿真方法及***获得的海量电网运行状态仿真样本是根据历史数据中各随机变量的概率分布曲线进行抽样仿真计算得到的，使得计算结果更适用于电网实际运行状态，有效克服了现有方法中由于各随机变量在指定范围内随机抽样造成计算结果精度不高的问题，能有效提高潮流分布计算结果的精度。采用聚类分析方法将分布相似的概率分布曲线进行合并抽样，达到降维的目的，可以大大缩短海量电网运行状态仿真样本产生的时间周期，提高效率。
附图说明
图1为一种实施方式的电力***运行状态仿真方法的流程图；
图2为另一种实施方式的电力***运行状态仿真方法的流程图；
图3为另一种实施方式的电力***运行状态仿真方法的子流程图；
图4为发电机有功出力曲线；
图5为另一种实施方式的电力***运行状态仿真方法的子流程图；
图6为一种实施方式的电力***运行状态仿真***的模块图；
图7为另一种实施方式的电力***运行状态仿真***的模块图；
图8为另一种实施方式的电力***运行状态仿真***的子模块图；
图9为另一种实施方式的电力***运行状态仿真***的子模块图。
具体实施方式
请参阅图1，提供一种实施方式的电力***运行状态仿真方法，包括如下步骤：
S100：获取电力***运行状态的历史数据。
S200：根据历史数据获得电力***中随机变量的概率分布曲线。
其中，随机变量包括发电机的发电机有功出力、发电机的发电机电压以及负荷节点的有功负荷，发电机有功出力即是发电机的有功功率，发电机电压即是发电机的输出电压，发电机通过输出电能为负荷节点供电，负荷节点消耗发电机输出的有功功率，负荷节点的有功负荷即是负荷节点消耗的有功功率。例如，在电力***中，通过配电网进行配电，将电输送至各个用户，各用户用电工作消耗发电机输送的电能，即消耗输电网的有功功率，可将为某一地区配电的配电网等效成一个负荷节点，消耗发电机的有功功率。电力***运行状态的历史数据包括发电机有功出力、发电机电压以及负荷节点的有功负荷，电力***在历史时间运行时，对应有发电机功出力、发电机电压以及负荷节点的有功负荷，通过对电力***运行状态的历史数据的获取并统计，可获得电力***中所有发电机的发电机有功出力的概率分布曲线、所有发电机的发电机电压的概率分布曲线以及所有负荷节点的有功负荷的概率分布曲线。
S300：对电力***的随机变量的概率分布曲线分别进行聚类，获得随机变量对应的聚类概率分布曲线。
电力***中包括多个发电机和多个负荷节点，对每个发电机的发电机有功出力以及发电机电压的概率分布曲线进行获取，且对每个负荷节点的有功负荷的概率分布进行获取，由于电力***的各随机变量的概率分布曲线的数量太多，对电力***的各随机变量的概率分布曲线分别进行聚类，降低各随机变量的概率分布曲线数量的维度，从而减少数据量。
S400：对聚类概率分布曲线分别进行抽样，获得聚类概率分布曲线的抽样离散化结果。
由于对各随机变量的概率分布曲线数量的维度进行了降低，从而在对降维后得到的各聚类概率分布曲线进行抽样时，数量也随之减少，从而可缩短抽样过程中抽样数据产生的时间。在根据随机变量在指定范围内随机抽样得到的抽样结果，不符合随机变量实际波动情况，在本实施方案中，根据历史数据中各随机变量的概率分布曲线情况进行抽样，根据抽样结果进行潮流分布计算得到的电力***运行状态仿真样本更接近电力***实际运行状态，提高仿真精度。
S500：根据聚类概率分布曲线的抽样离散化结果，对电力***进行潮流分布仿真计算，获得电力***运行状态仿真样本。
抽样过程中各随机变量的概率分布曲线数量减少了，得到的各聚类概率分布曲线的抽样离散化结果不会过多，根据抽样离散化结果进行电力***潮流分布仿真计算，获得电力***运行状态仿真样本过程中，大大所减少了仿真计算时间，提高潮流分级仿真计算效率。且获得的电力***运行状态仿真样本更加全面可信。
上述实施方式的电力***运行状态仿真方法，基于电力***运行状态的历史数据进行统计分析，得到电力***中发电机的发电机有功出力、发电机的发电机电压、负荷节点的有功负荷三类随机变量的概率分布曲线，并采用聚类分析方法分别对这三类随机变量中分布相似的概率分布曲线进行聚类合并，达到降维的目的。根据聚类分析降维后，基于降维后的发电机有功出力、发电机电压、负荷节点的有功负荷这三类随机变量的概率分布曲线，对发电机有功出力、发电机电压、负荷节点的有功负荷这三类随机变量分别进行抽样，并对电力***的潮流分布情况进行仿真计算，得到海量电网运行状态仿真样本。通过上述实施方式的电力***运行状态仿真方法获得的海量电网运行状态仿真样本是根据历史数据中各随机变量的概率分布曲线进行抽样仿真计算得到的，使得计算结果更适用于电网实际运行状态，有效克服了现有方法中由于各随机变量在指定范围内随机抽样造成计算结果精度不高的问题，能有效提高潮流分布计算结果的精度。采用聚类分析方法将分布相似的概率分布曲线进行合并抽样，达到降维的目的，可以大大缩短海量电网运行状态仿真样本产生的时间周期，提高效率。
请参阅图2，在其中一个实施例中，根据聚类概率分布曲线的抽样离散化结果，对电力***进行潮流分布仿真计算，获得电力***运行状态仿真样本的步骤S500之后包括：
S600：根据电力***运行状态仿真样本，对电力***进行稳定性分析，获得电力***稳定性分析结果。
在进行电力***潮流分布仿真计算后得到的电力***运行状态仿真样本即是电力***运行状态，根据电力***运行状态，可对电力***稳定性进行分析。
请参阅图3，在其中一个实施例中，根据历史数据获得电力***中随机变量的概率分布曲线的步骤S200包括：
S210：对历史数据进行统计分析获得发电机的发电机有功出力曲线、发电机的发电机电压曲线以及负荷节点的有功负荷曲线。
电力***在历史时间运行时，每个发电机对应有发电机功出力和发电机电压，每个负荷节点对应有有功负荷，发电机功出力、发电机电压以及负荷节点的有功负荷随时间的变化而变化，从而可获得电机有功出力曲线、发电机电压曲线以及负荷节点的有功负荷曲线。
S220：对发电机有功出力曲线分别进行离散化处理，得到发电机有功出力曲线的离散化结果，对发电机电压曲线分别进行离散化处理，得到发电机电压曲线的离散化结果，对有功负荷曲线分别进行离散化处理，得到有功负荷曲线的离散化结果。
各发电机的发电机有功出力随时间的变化具有不同的变化，发电机有功出力曲线的离散化结果即表示在某一时刻对应的发电机有功出力，通过对发电机有功出力曲线的离散化，可获得在不同时刻对应的发电机有功出力，发电机有功出力可能有相同的，也有不同的。类似地，通过对发电机电压曲线的离散化，可获得在不同时刻对应的发电机电压，发电机电压可能有相同的，也有不同的。通过对负荷节点的有功负荷曲线的离散化，可获得在不同时刻对应的有功负荷，有功负荷可能有相同的，也有不同的。如图4所示，为发电机有功出力曲线，发电机有功出力是随时间变化的，按照间隔时间δ对其进行离散化处理后，得到离散时刻对应的发电机有功处理。
S230：对发电机有功出力曲线的离散化结果进行统计，获得发电机有功出力曲线的概率分布直方图，对发电机电压曲线的离散化结果进行统计，获得发电机电压曲线的概率分布直方图，对有功负荷曲线的离散化结果进行统计，获得有功负荷曲线的概率分布直方图。
对发电机有功出力曲线的离散化结果进行统计，可获得发电机有功出力曲线的概率分布直方图，即在一种发电机有功出力曲线的离散化结果中，统计具有相同发电机有功出力的频次，从而获得该发电机有功出力曲线的概率分布直方图。
S240：根据发电机有功出力曲线的概率分布直方图，获得发电机的发电机有功出力的概率分布曲线，根据发电机电压曲线的概率分布直方图，获得发电机的发电机电压的概率分布曲线，根据有功负荷曲线的概率分布直方图，获得负荷节点的有功负荷的概率分布曲线。
发电机有功出力曲线的概率分布直方图是表示具有相同发电机有功出力的频次，从而可根据直方图获知发电机有功出力的概率曲线。发电机电压曲线的概率分布直方图是表示具有相同发电机电压的频次，从而可根据直方图获知发电机电压的概率曲线。负荷节点的有功负荷曲线的概率分布直方图是表示负荷节点具有相同有功负荷的频次，从而可根据直方图获知负荷节点的有功负荷的概率曲线，具体地，根据概率分布直方图，采用插值方法进行插值得到概率分布曲线。
请参阅图5，在其中一个实施例中，对电力***的随机变量的概率分布曲线分别进行聚类，获得随机变量对应的聚类概率分布曲线的步骤S300包括：
S310：对电力***的随机变量的概率分布曲线分别进行离散化，获得发电机与发电机有功出力的概率分布曲线对应的有功出力向量点、发电机与发电机电压的概率分布曲线对应的电压向量点以及负荷节点与有功负荷的概率分布曲线对应的有功负荷向量点。
S320：对发电机的有功出力向量点进行聚类，获得第一预设聚类个数的聚类中心，对发电机的电压向量点进行聚类，获得第二预设聚类个数的聚类中心，对负荷节点的有功负荷向量点进行聚类，获得第三预设聚类个数的聚类中心。
S330：根据第一预设聚类个数的聚类中心，获取与发电机有功出力对应的聚类概率分布曲线，根据第二预设聚类个数的聚类中心，获取与发电机电压对应的聚类概率分布曲线，根据第三预设聚类个数的聚类中心，获取与有功负荷对应的聚类概率分布曲线。
聚类中心为向量点，具体地，根据第一预设聚类个数的聚类中心，采用三次二样插值方法对聚类中心进行插值，获得与发电机有功出力对应的聚类概率分布曲线。根据第二预设聚类个数的聚类中心，采用三次二样插值方法对聚类中心进行插值，获得与发电机电压对应的聚类概率分布曲线。根据第三预设聚类个数的聚类中心，采用三次二样插值方法对聚类中心进行插值，获得与有功负荷对应的聚类概率分布曲线。
具体地，采用K-均值聚类方法对对各发电机的有功出力向量点进行聚类，若有N个发电机以及L个负荷节点，则对应获取有N条发电机有功出力的概率分布曲线，N条发电机电压的概率分布曲线，L条负荷节点的有功负荷的概率分布曲线。
首先，对N条发电机有功出力的概率分布曲线进行离散化，每条发电机有功出力的概率分布曲线离散化得到M个离散点，获得N个有功出力向量点，每个向量点为M维。
然后，对N个有功出力向量点进行聚类，降维形成K类。具体地，随机确定K各初始聚类中心，求取每个有功出力向量点到初始聚类中心的距离，每个向量点选取距离最近的初始聚类中心进行归类，重新归类后，更新聚类中心，聚类中心为该类中所有向量点的平均值，直到聚类中心不再发生改变，聚类完成，得到K个聚类中心，每个聚类中心为描述发电机有功出力的概率分布曲线的向量点，根据聚类中心，获得对应的发电机有功出力的概率分布曲线，从而，N条发电机有功出力的概率分布曲线简化为K条发电机有功出力的概率分布曲线。
类似地，N条发电机电压的概率分布曲线以及L条负荷节点的有功负荷的概率分布曲线通过上述过程分别进行聚类，得到K条发电机电压的概率分布曲线以及K条负荷节点的有功负荷的概率分布曲线。从而实现概率分布曲线的降维，缩短后续抽样时间。
在其中一个实施例中，对聚类概率分布曲线分别进行抽样，获得聚类概率分布曲线的抽样离散化结果的步骤S400具体为：
对聚类概率分布曲线分别进行蒙特卡洛抽样，获得聚类概率分布曲线的离散化结果。
请参阅图6，提供一种实施方式的电力***运行状态仿真***，包括：
第一获取模块100，用于获取电力***运行状态的历史数据。
第一分析模块200，用于根据历史数据获得电力***中随机变量的概率分布曲线，其中，随机变量包括发电机的发电机有功出力、发电机的发电机电压以及负荷节点的有功负荷。
其中，随机变量包括发电机的发电机有功出力、发电机的发电机电压以及负荷节点的有功负荷，发电机有功出力即是发电机的有功功率，发电机电压即是发电机的输出电压，发电机通过输出电能为负荷节点供电，负荷节点消耗发电机输出的有功功率，负荷节点的有功负荷即是负荷节点消耗的有功功率。例如，在电力***中，通过配电网进行配电，将电输送至各个用户，各用户工作用电消耗发电机输送的电能，即消耗输电网的有功功率，可将为某一地区配电的配电网等效成一个负荷节点，消耗发电机的有功功率。电力***运行状态的历史数据包括发电机有功出力、发电机电压以及负荷节点的有功负荷，电力***在历史时间运行时，对应有发电机功出力、发电机电压以及负荷节点的有功负荷，通过对电力***运行状态的历史数据的获取并统计，可获得电力***中所有发电机的发电机有功出力的概率分布曲线、所有发电机的发电机电压的概率分布曲线以及所有负荷节点的有功负荷的概率分布曲线。
第二分析模块300，用于对电力***的随机变量的概率分布曲线分别进行聚类，获得随机变量对应的聚类概率分布曲线。
电力***中包括多个发电机和多个负荷节点，对每个发电机的发电机有功出力以及发电机电压的概率分布曲线进行获取，且对每个负荷节点的有功负荷的概率分布进行获取，由于电力***的各随机变量的概率分布曲线的数量太多，对电力***的各随机变量的概率分布曲线分别进行聚类，降低各随机变量的概率分布曲线数量的维度，从而减少数据量。
抽样模块400，用于对聚类概率分布曲线分别进行抽样，获得聚类概率分布曲线的抽样离散化结果。
由于对各随机变量的概率分布曲线数量的维度进行了降低，从而在对降维后得到的各聚类概率分布曲线进行抽样时，数量也随之减少，从而可缩短抽样过程中抽样数据产生的时间。在根据随机变量在指定范围内随机抽样得到的抽样结果，不符合随机变量实际波动情况，在本实施方案中，根据历史数据中各随机变量的概率分布曲线情况进行抽样，根据抽样结果进行潮流分布计算得到的电力***运行状态仿真样本更接近电力***实际运行状态，提高仿真精度。
仿真计算模块500，用于根据聚类概率分布曲线的抽样离散化结果，对电力***进行潮流分布仿真计算，获得电力***运行状态仿真样本。
抽样过程中各随机变量的概率分布曲线数量减少了，得到的各聚类概率分布曲线的抽样离散化结果不会过多，根据抽样离散化结果进行电力***潮流分布仿真计算，获得电力***运行状态仿真样本过程中，大大所减少了仿真计算时间，提高潮流分级仿真计算效率。且获得的电力***运行状态仿真样本更加全面可信。
上述实施方式的电力***运行状态仿真***，基于电力***运行状态的历史数据进行统计分析，得到电力***中所有发电机的发电机有功出力、发电机的发电机电压、负荷节点的有功负荷三类随机变量的概率分布曲线，并采用聚类分析方法分别对这三类随机变量中分布相似的概率分布曲线进行聚类合并，达到降维的目的。根据聚类分析降维后，基于降维后的发电机有功出力、发电机电压、负荷节点的有功负荷这三类随机变量的概率分布曲线，对发电机有功出力、发电机电压、负荷节点的有功负荷这三类随机变量分别进行抽样，并对电力***的潮流分布情况进行仿真计算，得到海量电网运行状态仿真样本。通过上述实施方式的电力***运行状态仿真***获得的海量电网运行状态仿真样本是根据历史数据中各随机变量的概率分布曲线进行抽样仿真计算得到的，使得计算结果更适用于电网实际运行状态，有效克服了现有方法中由于各随机变量在指定范围内随机抽样造成计算结果精度不高的问题，能有效提高潮流分布计算结果的精度。采用聚类分析方法将分布相似的概率分布曲线进行合并抽样，达到降维的目的，可以大大缩短海量电网运行状态仿真样本产生的时间周期，提高效率。
请参阅图7，在其中一个实施例中，上述电力***运行状态仿真***还包括：
稳定性分析模块600，用于根据电力***运行状态仿真样本，对电力***进行稳定性分析，获得电力***稳定性分析结果。
在进行电力***潮流分布仿真计算后得到的电力***运行状态仿真样本即是电力***运行状态，根据电力***运行状态，可对电力***稳定性进行分析。
请参阅图8，在其中一个实施例中，第一分析模块200包括：
第一分析单元210，用于对历史数据进行统计分析获得发电机的发电机有功出力曲线、发电机的发电机电压曲线以及负荷节点的有功负荷曲线。
电力***在历史时间运行时，每个发电机对应有发电机功出力和发电机电压，每个负荷节点对应有有功负荷，发电机功出力、发电机电压以及负荷节点的有功负荷随时间的变化而变化，从而可获得电机有功出力曲线、发电机电压曲线以及负荷节点的有功负荷曲线。
离散化单元220，用于对发电机有功出力曲线分别进行离散化处理，得到发电机有功出力曲线的离散化结果，对发电机电压曲线分别进行离散化处理，得到发电机电压曲线的离散化结果，对有功负荷曲线分别进行离散化处理，得到有功负荷曲线的离散化结果。
各发电机的发电机有功出力随时间的变化具有不同的变化，发电机有功出力曲线的离散化结果即表示在某一时刻对应的发电机有功出力，通过对发电机有功出力曲线的离散化，可获得在不同时刻对应的发电机有功出力，发电机有功出力可能有相同的，也有不同的。类似地，通过对发电机电压曲线的离散化，可获得在不同时刻对应的发电机电压，发电机电压可能有相同的，也有不同的。通过对负荷节点的有功负荷曲线的离散化，可获得在不同时刻对应的有功负荷，有功负荷可能有相同的，也有不同的。
第二分析单元230，用于对发电机有功出力曲线的离散化结果进行统计，获得发电机有功出力曲线的概率分布直方图，对发电机电压曲线的离散化结果进行统计，获得发电机电压曲线的概率分布直方图，对有功负荷曲线的离散化结果进行统计，获得有功负荷曲线的概率分布直方图。
对发电机有功出力曲线的离散化结果进行统计，可获得发电机有功出力曲线的概率分布直方图，即在一种发电机有功出力曲线的离散化结果中，统计具有相同发电机有功出力的频次，从而获得该发电机有功出力曲线的概率分布直方图。
概率曲线转换单元240，用于根据发电机有功出力曲线的概率分布直方图，获得发电机的发电机有功出力的概率分布曲线，根据发电机电压曲线的概率分布直方图，获得发电机的发电机电压曲线的概率分布曲线，根据有功负荷曲线的概率分布直方图，获得负荷节点的有功负荷的概率分布曲线。
发电机有功出力曲线的概率分布直方图是表示具有相同发电机有功出力的频次，从而可根据直方图获知发电机有功出力的概率曲线。发电机电压曲线的概率分布直方图是表示具有相同发电机电压的频次，从而可根据直方图获知发电机电压的概率曲线。负荷节点的有功负荷曲线的概率分布直方图是表示负荷节点具有相同的有功负荷的频次，从而可根据直方图获知负荷节点的有功负荷的概率曲线，具体地，根据概率分布直方图，采用插值方法进行插值得到概率分布曲线。
请参阅图9，在其中一个实施例中，第二分析模块300包括：
向量点单元310，用于对电力***的随机变量的概率分布曲线分别进行离散化，获得发电机与发电机有功出力的概率分布曲线对应的有功出力向量点、发电机与发电机电压的概率分布曲线对应的电压向量点以及负荷节点与有功负荷的概率分布曲线对应的有功负荷向量点。
聚类单元320，用于对发电机的有功出力向量点进行聚类，获得第一预设聚类个数的聚类中心，对发电机的电压向量点进行聚类，获得第二预设聚类个数的聚类中心，对负荷节点的有功负荷向量点进行聚类，获得第三预设聚类个数的聚类中心。
聚类概率曲线转换单元330，用于根据第一预设聚类个数的聚类中心，获取与发电机有功出力对应的聚类概率分布曲线，根据第二预设聚类个数的聚类中心，获取与发电机电压对应的聚类概率分布曲线，根据第三预设聚类个数的聚类中心，获取与有功负荷对应的聚类概率分布曲线。
聚类中心为向量点，具体地，根据第一预设聚类个数的聚类中心，采用三次二样插值方法对聚类中心进行插值，获得与发电机有功出力对应的聚类概率分布曲线。根据第二预设聚类个数的聚类中心，采用三次二样插值方法对聚类中心进行插值，获得与发电机电压对应的聚类概率分布曲线。根据第三预设聚类个数的聚类中心，采用三次二样插值方法对聚类中心进行插值，获得与有功负荷对应的聚类概率分布曲线。
具体地，采用K-均值聚类方法对对各发电机的有功出力向量点进行聚类，若有N个发电机以及L个负荷节点，则对应获取有N条发电机有功出力的概率分布曲线，N条发电机电压的概率分布曲线，L条负荷节点的有功负荷的概率分布曲线。
首先，对N条发电机有功出力的概率分布曲线进行离散化，每条发电机有功出力的概率分布曲线离散化得到M个离散点，获得N个有功出力向量点，每个向量点为M维。
然后，对N个有功出力向量点进行聚类，降维形成K类。具体地，随机确定K各初始聚类中心，求取每个有功出力向量点到初始聚类中心的距离，每个向量点选取距离最近的初始聚类中心进行归类，重新归类后，更新聚类中心，聚类中心为该类中所有向量点的平均值，直到聚类中心不再发生改变，聚类完成，得到K个聚类中心，每个聚类中心为描述发电机有功出力的概率分布曲线的向量点，根据聚类中心，获得对应的发电机有功出力的概率分布曲线，从而，N条发电机有功出力的概率分布曲线简化为K条发电机有功出力的概率分布曲线。
类似地，N条发电机电压的概率分布曲线以及L条负荷节点的有功负荷的概率分布曲线通过上述过程分别进行聚类，得到K条发电机电压的概率分布曲线以及K条负荷节点的有功负荷的概率分布曲线。从而实现概率分布曲线的降维，缩短后续抽样时间。
在其中一个实施例中，抽样模块400对聚类概率分布曲线进行抽样的方式为蒙特卡洛抽样，获得聚类概率分布曲线的离散化结果。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种电力***运行状态仿真方法，其特征在于，包括以下步骤：
获取电力***运行状态的历史数据；
根据所述历史数据获得所述电力***中随机变量的概率分布曲线，其中，所述随机变量包括发电机的发电机有功出力、发电机的发电机电压以及负荷节点的有功负荷；
对所述电力***的所述随机变量的概率分布曲线分别进行聚类，获得所述随机变量对应的聚类概率分布曲线；
对所述聚类概率分布曲线分别进行抽样，获得所述聚类概率分布曲线的抽样离散化结果；
根据所述聚类概率分布曲线的抽样离散化结果，对所述电力***进行潮流分布仿真计算，获得电力***运行状态仿真样本；
所述对所述电力***的所述随机变量的概率分布曲线分别进行聚类，获得所述随机变量对应的聚类概率分布曲线的步骤包括：
对所述电力***的所述随机变量的概率分布曲线分别进行离散化，分别获得所述发电机与所述发电机有功出力的概率分布曲线对应的有功出力向量点、所述发电机与所述发电机电压的概率分布曲线对应的电压向量点以及所述负荷节点与所述有功负荷的概率分布曲线对应的有功负荷向量点；
对所述发电机的所述有功出力向量点进行聚类，获得第一预设聚类个数的聚类中心，对所述发电机的所述电压向量点进行聚类，获得第二预设聚类个数的聚类中心，对所述负荷节点的所述有功负荷向量点进行聚类，获得第三预设聚类个数的聚类中心；
根据所述第一预设聚类个数的聚类中心，获取与所述发电机有功出力对应的聚类概率分布曲线，根据所述第二预设聚类个数的聚类中心，获取与所述发电机电压对应的聚类概率分布曲线，根据所述第三预设聚类个数的聚类中心，获取与所述有功负荷对应的聚类概率分布曲线。
2.根据权利要求1所述的电力***运行状态仿真方法，其特征在于，所述根据所述聚类概率分布曲线的抽样离散化结果，对所述电力***进行潮流分布计算，获得电力***运行状态仿真样本的步骤之后，还包括：
根据所述电力***运行状态仿真样本，对所述电力***进行稳定性分析，获得电力***稳定性分析结果。
3.根据权利要求1所述的电力***运行状态仿真方法，其特征在于，所述根据所述历史数据获得所述电力***中随机变量的概率分布曲线的步骤包括：
对所述历史数据进行统计分析获得所述发电机的发电机有功出力曲线、所述发电机的发电机电压曲线以及所述负荷节点的有功负荷曲线；
对所述发电机有功出力曲线分别进行离散化处理，得到所述发电机有功出力曲线的离散化结果，对所述发电机电压曲线分别进行离散化处理，得到所述发电机电压曲线的离散化结果，对所述有功负荷曲线分别进行离散化处理，得到所述有功负荷曲线的离散化结果；
对所述发电机有功出力曲线的所述离散化结果进行统计，获得所述发电机有功出力曲线的概率分布直方图，对所述发电机电压曲线的所述离散化结果进行统计，获得所述发电机电压曲线的概率分布直方图，对所述有功负荷曲线的所述离散化结果进行统计，获得所述有功负荷曲线的概率分布直方图；
根据所述发电机有功出力曲线的所述概率分布直方图，获得所述发电机的所述发电机有功出力的概率分布曲线，根据所述发电机电压曲线的概率分布直方图，获得所述发电机的所述发电机电压的概率分布曲线，根据所述有功负荷曲线的概率分布直方图，获得所述负荷节点的所述有功负荷的概率分布曲线。
4.根据权利要求1所述的电力***运行状态仿真方法，其特征在于，所述对所述聚类概率分布曲线分别进行抽样，获得所述聚类概率分布曲线的抽样离散化结果的步骤具体为：
对所述聚类概率分布曲线分别进行蒙特卡洛抽样，获得所述聚类概率分布曲线的离散化结果。
5.一种电力***运行状态仿真***，其特征在于，包括：
第一获取模块，用于获取电力***运行状态的历史数据；
第一分析模块，用于根据所述历史数据获得所述电力***中随机变量的概率分布曲线，其中，所述随机变量包括发电机有功出力、发电机电压以及负荷节点的有功负荷；
第二分析模块，用于对所述电力***的所述随机变量的概率分布曲线分别进行聚类，获得所述随机变量对应的聚类概率分布曲线；
抽样模块，用于对所述聚类概率分布曲线分别进行抽样，获得所述聚类概率分布曲线的抽样离散化结果；
仿真计算模块，用于根据所述聚类概率分布曲线的抽样离散化结果，对所述电力***进行潮流分布仿真计算，获得电力***运行状态仿真样本；
所述第二分析模块包括：
向量点单元，用于对所述电力***的所述随机变量的概率分布曲线分别进行离散化，分别获得所述发电机与所述发电机有功出力的概率分布曲线对应的有功出力向量点、所述发电机与所述发电机电压的概率分布曲线对应的电压向量点以及所述负荷节点与所述有功负荷的概率分布曲线对应的有功负荷向量点；
聚类单元，用于对所述发电机的所述有功出力向量点进行聚类，获得第一预设聚类个数的聚类中心，对所述发电机的所述电压向量点进行聚类，获得第二预设聚类个数的聚类中心，对所述负荷节点的所述有功负荷向量点进行聚类，获得第三预设聚类个数的聚类中心；
聚类概率曲线转换单元，用于根据所述第一预设聚类个数的聚类中心，获取与所述发电机有功出力对应的聚类概率分布曲线，根据所述第二预设聚类个数的聚类中心，获取与所述发电机电压对应的聚类概率分布曲线，根据所述第三预设聚类个数的聚类中心，获取与所述有功负荷对应的聚类概率分布曲线。
6.根据权利要求5所述的电力***运行状态仿真***，其特征在于，还包括：
稳定性分析模块，用于根据所述电力***运行状态仿真样本，对所述电力***进行稳定性分析，获得电力***稳定性分析结果。
7.根据权利要求5所述的电力***运行状态仿真***，其特征在于，所述第一分析模块包括：
第一分析单元，用于对所述历史数据进行统计分析获得所述发电机的发电机有功出力曲线、所述发电机的发电机电压曲线以及所述负荷节点的有功负荷曲线；
离散化单元，用于对所述发电机有功出力曲线分别进行离散化处理，得到所述发电机有功出力曲线的离散化结果，对所述发电机电压曲线分别进行离散化处理，得到所述发电机电压曲线的离散化结果，对所述有功负荷曲线分别进行离散化处理，得到所述有功负荷曲线的离散化结果；
第二分析单元，用于对所述发电机有功出力曲线的所述离散化结果进行统计，获得所述发电机有功出力曲线的概率分布直方图，对所述发电机电压曲线的所述离散化结果进行统计，获得所述发电机电压曲线的概率分布直方图，对所述有功负荷曲线的所述离散化结果进行统计，获得所述有功负荷曲线的概率分布直方图；
概率曲线转换单元，用于根据所述发电机有功出力曲线的所述概率分布直方图，获得所述发电机的所述发电机有功出力的概率分布曲线，根据所述发电机电压曲线的概率分布直方图，获得所述发电机的所述发电机电压的概率分布曲线，根据所述有功负荷曲线的概率分布直方图，获得所述负荷节点的所述有功负荷的概率分布曲线。
8.根据权利要求5所述的电力***运行状态仿真***，其特征在于，所述抽样模块对所述聚类概率分布曲线进行抽样的方式为蒙特卡洛抽样。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510768206.3A CN105224774B (zh) | 2015-11-11 | 2015-11-11 | 电力***运行状态仿真方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510768206.3A CN105224774B (zh) | 2015-11-11 | 2015-11-11 | 电力***运行状态仿真方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105224774A CN105224774A (zh) | 2016-01-06 |
| CN105224774B true CN105224774B (zh) | 2018-01-30 |
Family
ID=54993740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510768206.3A Active CN105224774B (zh) | 2015-11-11 | 2015-11-11 | 电力***运行状态仿真方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105224774B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107256415B (zh) * | 2017-08-04 | 2020-12-11 | 国网经济技术研究院有限公司 | 一种电力***运行方式场景的计算方法及计算*** |
| CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力***运行工况无监督聚类方法及装置 |
| CN112054527B (zh) * | 2020-08-04 | 2022-05-20 | 中国电力科学研究院有限公司 | 一种基于断面调整获取电网潮流仿真样本的方法及*** |
| CN116148519B (zh) * | 2023-01-06 | 2024-01-26 | 华能广东汕头海上风电有限责任公司 | 一种海上风电场电压监测预警方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力***稳定评估及控制方法 |
| CN102255320A (zh) * | 2011-07-15 | 2011-11-23 | 广东电网公司电力科学研究院 | 地区电网电压无功实时控制***及其闭环控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6597946B2 (en) * | 1998-11-09 | 2003-07-22 | Transpharma Ltd. | Electronic card for transdermal drug delivery and analyte extraction |
| US6918946B2 (en) * | 2001-07-02 | 2005-07-19 | Board Of Regents, The University Of Texas System | Applications of light-emitting nanoparticles |
-
2015
- 2015-11-11 CN CN201510768206.3A patent/CN105224774B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力***稳定评估及控制方法 |
| CN102255320A (zh) * | 2011-07-15 | 2011-11-23 | 广东电网公司电力科学研究院 | 地区电网电压无功实时控制***及其闭环控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于概率潮流的间歇性电源优化配置研究;邓威;《中国博士学位论文全文数据库 工程科技II辑（月刊）》;20130415;第2013年卷(第04期);参见正文第2.2、3.4-3.5节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105224774A (zh) | 2016-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ryu et al. | Denoising autoencoder-based missing value imputation for smart meters | |
| CN105224774B (zh) | 电力***运行状态仿真方法及*** | |
| Hou et al. | A continuous time Markov chain based sequential analytical approach for composite power system reliability assessment | |
| CN102832617B (zh) | 一种基于精确化模式判别的大电网暂态稳定分析方法 | |
| US20120230821A1 (en) | Wind power prediction method of single wind turbine generator | |
| CN102768701B (zh) | 基于量子遗传算法的高压开关柜绝缘子电场优化方法 | |
| CN102545214A (zh) | 一种含电池储能设备的风电场可靠性评估方法 | |
| CN103605734B (zh) | 基于特征向量的数据传输压缩方法及其*** | |
| CN105207197B (zh) | 包含风电场的电力***可靠性评估方法 | |
| CN105225000B (zh) | 一种基于模糊序优化的风功率概率模型非参数核密度估计方法 | |
| CN106503279B (zh) | 一种用于电力***暂态稳定评估的建模方法 | |
| CN103887795A (zh) | 电力***实时概率潮流在线的计算方法 | |
| CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及*** | |
| CN109921426A (zh) | 基于cv-kde的风电并网***概率潮流计算方法 | |
| CN111177128B (zh) | 基于改进的离群点检测算法的计量大数据批量处理方法及*** | |
| CN107276093B (zh) | 基于场景削减的电力***概率潮流计算方法 | |
| Song et al. | Stochastic processes in renewable power systems: From frequency domain to time domain | |
| Chen et al. | Distribution system state estimation: A survey of some relevant work | |
| CN114050568A (zh) | 基于多元经验模态分解的强迫振荡源定位方法及装置 | |
| CN105956318A (zh) | 基于改进*** h-k 聚类方法的风电场机群划分方法 | |
| CN106056305A (zh) | 一种基于状态聚类的发电***可靠性快速评估方法 | |
| Wang et al. | Analysis of network loss energy measurement based on machine learning | |
| Nithiyananthan et al. | Enhanced R package-based cluster analysis fault identification models for three phase power system network | |
| CN109840308B (zh) | 一种区域风电功率概率预报方法及*** | |
| CN115600494A (zh) | 一种低压台区拓扑自动识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |