CN105354643A - 一种风电接入电网的风险预测评估方法 - Google Patents
一种风电接入电网的风险预测评估方法 Download PDFInfo
- Publication number
- CN105354643A CN105354643A CN201510824706.4A CN201510824706A CN105354643A CN 105354643 A CN105354643 A CN 105354643A CN 201510824706 A CN201510824706 A CN 201510824706A CN 105354643 A CN105354643 A CN 105354643A
- Authority
- CN
- China
- Prior art keywords
- point
- wind power
- load
- risk
- electrical network
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 230000010354 integration Effects 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 48
- 238000012502 risk assessment Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 38
- 230000005611 electricity Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011068 loading method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010291 electrical method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风电接入电网的风险预测评估方法,包括以下步骤:采集风电场原始数据,得到初始风电功率时间序列;对所述初始风电功率时间序列进行相空间重构,得到相点向量;对所述相点向量进行K均值聚类计算;引入权重向量改进邻近点的距离与趋势的判据,得到邻近点集合;将所述邻近点集合作为volterra自适应滤波器的训练集合,得到风电场功率预测数据。本发明的一种风电接入电网的风险预测评估方法消除了现有技术中,“忽略了相点自身的不同坐标分量的时间次序对预测点的影响不同,易引入‘伪邻近点’”的技术缺陷,有效了避开“虚伪邻近点”,选出在距离和演化趋势均与预测点相似的邻近点,提高了计算精度和计算速度。
Description
技术领域
本发明涉及电力领域,特别涉及一种风电接入电网的风险预测评估方法。
背景技术
随着风力发电技术的不断发展,风电场装机容量的不断提高,风电的间歇性、波动性等特点使其在并网时成为一个扰动源对电网的安全运行水平造成很大影响。因此,准确进行短期风电功率预测,并利用预测结果对风电接入后的电网进行动态安全性评估,对提高风电接入后的电网的安全运行水平具有重要的意义与价值。
近几年来,风电功率进行短期预测方面,Volterra自适应滤波器以其训练速度快,所需样本量小等优点得到了广大学者的关注,如“Volterramodelsandthree-layerperceptrons”(MarmarelisVZ,ZhaoX..NeuralNetworks,IEEETransactionson,1997,8(6):1421-1433.)。但Volterra自适应滤波器的预测效果易受与预测点信息不相关或对预测点贡献较小的相点影响。目前研究表明采用邻近点作为训练集,证明合理筛选邻近点,建立局域模型,可提高模型的精度如《时空混沌序列的局域支持向量机预测》(张家树,党建亮,李恒超..物理学报,2007,56(1):67-77.)一文中,针对邻近点的选择,目前主要判据有欧式距离、向量夹角、关联度等方法。另一方面,在工程应用中,模型的有效性不仅要求算法精度高,同时也要求模型的计算速度快。使用K均值算法可有效提高模型的计算速度,参看“Short-termpredictionofwindpowerwithaclusteringapproach.”(KusiakA,LiW.RenewableEnergy,2010,35(10):2362-2369.)
而在现有技术中,风电功率进行短期预测方面采用的Volterra自适应滤波器邻近点计算,忽略了相点自身的不同坐标分量的时间次序对预测点产生的影响不同,容易引入“伪邻近点”,导致算法的计算精度与计算速度稳定性差。
发明内容
本发明在于克服现有技术的上述不足,提供一种计算精度、计算速度稳定性好的风电接入电网的风险预测评估方法。
为了实现上述发明目的,本发明采用的技术方案是:
一种风电接入电网的风险预测评估方法,包括以下步骤:
采集风电场原始数据,得到初始风电功率时间序列;
对所述初始风电功率时间序列进行相空间重构,得到相点向量;
对所述相点向量进行K均值聚类计算;
引入权重向量改进邻近点的距离与趋势的判据,建立综合判据,得到邻近点集合;
将所述邻近点集合作为volterra自适应滤波器的训练集合,得到风电场功率预测数据。进一步地,所述引入权重向量改进邻近点的距离与趋势的判据,建立综合判据,得到邻近点集合包括:
定义一种运算方式:
其中A,B均为m维的向量,ai,bi分别为向量A、B的第i维分量;
则当前预测点X(p)与相点X(i)间的距离为:
式中,X(p)表示第p个预测点,X(i)表示第i个相点,α为权重向量,且对于m维的向量α而言,α(1)≤α(2)≤…≤α(m),考虑到坐标分量间的间隔时间为均为τ,取
其中,d(p,i)越小,当前预测点X(p)与相点X(i)的距离越近;
定义多步回溯的差值向量为:
E(p,q)=X(p)-X(p-q),
E(i,q)=X(i)-X(i-q),
其中,q表示回溯步长,X(p)为X(p-q)的q步演化相点,X(i)为X(i-q)的q步演化相点;
多步回溯的预测点与相点间的方向夹角为:
对上式进行加权,可得预测点与相点的发展趋势判据为:
cosθ(p,i)是由向量间的夹角的余弦演化而来,其中,β为权重向量,且β(0)≤β(1)≤…≤β(q),其中
cosθ(p,i)越小,表示当前预测点X(p)与相点X(i)的发展趋势越接近;
预测点X(p)与相点X(i)间的相似度为:
η(p,i)=γ1d(p,i)+γ2cosθ(p,i),
其中γ1,γ2分别为距离指标与演化趋势指标的权重值,且γ1+γ2=1。
对所述相似度排序,选择相似度较大的多个值作为邻近点。
进一步地,还包括:
风电场负荷数据,根据RBF神经网络模型得到负荷预测数据;
根据所述风电场功率预测数据和负荷预测数据得到风电功率和负荷预测值;
选定多个评估时间点,根据每个所述评估时间段的风电功率和负荷预测值对电网进行风险评估,得到多个风险评估结果;
根据所述多个风险评估结果得到电网风险预测曲线。
进一步地,所述根据每个所述评估时间段的风电功率和负荷预测值对电网进行风险评估包括:
根据电网中各元件的重要度,分别建立表征电网节点、支路重要度的节点重要度因子、支路重要度因子;
引入所述支路重要度因子,修正电网***的支路过载严重度函数,引入所述节点重要度因子,修正电网***的节点低电压严重度函数;
根据所述支路过载严重度函数、所述节点低电压严重度函数得到表征电网运行状态的严重度指标;
引入负荷经济因子,得到表征负荷损失的失负荷严重度函数;
对所述电网运行严重度指标、失负荷严重度函数分别进行加权处理,得到表征电网事故的综合严重度函数。
进一步地,还包括:根据所述综合严重度函数和事故发生概率得到综合风险指标,并根据所述指标对电网***进行风险评估。
与现有技术相比,本发明的有益效果
1、本发明的一种风电接入电网的风险预测评估方法在利用Volterra自适应滤波器计算时,综合考虑预测点与相点的当前距离和相点间的多步演化趋势,既考虑了相点的演化相关性,又考虑了相点各坐标在时间上的不同影响,消除了现有技术中,“忽略了相点自身的不同坐标分量的时间次序对预测点的影响不同,易引入‘伪邻近点’”的技术缺陷,因此能有效避开“虚伪邻近点”,选出在距离和演化趋势均与预测点相似的邻近点,提高了计算精度和计算速度。
2、由于风电并入电网后,具有波动性及不确定性,***的运行状态一直处于一个变化的状态,其安全风险也处于变化中,而现有技术并没有一个很好的方法来评估风电接入电网后的电网安全性风险,本发明的一种风电接入电网的风险预测评估方法,考虑风险评估的评估时间窗,将各个时间点的风险值进行综合利用***风险走势曲线可以为***运行人员预测和掌握***运行状态,能够很好的预测风电场功率,从而有效预防由于风电波动造成的电力***事故,避免造成大面积停电。
附图说明
图1所示是本发明的一个具体实施例示出的一种风电接入电网的风险预测评估方法的风电场功率预测流程图。
图2所示是本发明的一个具体实施例示出的一种风电接入电网的风险预测评估方法流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1:
图1所示是本发明的一个具体实施例示出的一种风电接入电网的风险预测评估方法的流程图,包括以下步骤:
一种风电接入电网的风险预测评估方法,包括以下步骤:
采集风电场原始数据,得到初始风电功率时间序列;对所述初始风电功率时间序列进行相空间重构,得到相点向量。
具体的,设初始风电功率时间序列为{x(1),x(2),…,x(N)},其中N为风电功率的采集点总数,相空间重构后得到相点向量为:
由上式可以看出,对序列进行相空间重构的根本在于求出时间序列的延迟时间τ与嵌入维数m,可使用C-C法求取。
对所述相点向量进行K均值聚类计算。
具体的,K均值聚类的基本思想为将数据集合X分为k类,使得类内的成员存在某种相似性的过程。
即寻找C={C1,C2,…,Ck},满足:
并使得总的类间离散度和
达到最小,其中,M(j)为第j个聚类的中心,d(X(i),M(j))为样本到对应聚类中心的距离,其表达式为:
d(X(i),M(j))=||X(i)-M(j)||2(5)
由于现有技术的K均值聚类算法存在一个极大的弊端,即算法的收敛性与收敛速度依赖于初始条件。因此,本发明使用减法聚类方法独立地为K均值聚类法提供初始聚类中心Mj(j=1,2,…k)和聚类个数k。
本发明的一种风电接入电网的风险预测评估方法使用K均值聚类来处理复杂的、大样本的风电场功率数据,聚类速度快,聚类效果好,使得算法的稳定性增强,从而提高了风电场预测的计算精度和计算速度。
引入权重向量改进邻近点的距离与趋势的判据,得到邻近点集合;将所述邻近点集合作为volterra自适应滤波器的训练集合,得到风电场功率预测数据。
具体的,Volterra自适应滤波器的核函数的Volterra级数展开表示式为无穷级数形式,在实际应用中,通常采取有限截断和有限次求和形式。以下为p阶截断模型:
由Taken嵌入定理可取N1=N2=…=Np=m,为预测值,hp(m1,m2,…,mp)称为p阶Volterra核,m为滤波器的输入维数,对应为风电时间功率的嵌入维数。
定义一种新的运算方式:
其中A,B均为m维的向量,ai,bi分别为向量A、B的第i维分量;
则当前预测点X(p)与相点X(i)间的距离为:
式中,X(p)表示第p个预测点,X(i)表示第i个相点,α为权重向量,且对于m维的向量α而言,α(1)≤α(2)≤…≤α(m),考虑到坐标分量间的间隔时间为均为τ,取
其中,d(p,i)越小,当前预测点X(p)与相点X(i)的距离越近;
定义多步回溯的差值向量为:
E(p,q)=X(p)-X(p-q),(9)
E(i,q)=X(i)-X(i-q),(10)
其中,q表示回溯步长,X(p)为X(p-q)的q步演化相点,X(i)为X(i-q)的q步演化相点;
多步回溯的预测点与相点间的方向夹角为:
对上式进行加权,可得预测点与相点的发展趋势判据为:
cosθ(p,i)是由向量间的夹角的余弦演化而来,其中,β为权重向量,且β(0)≤β(1)≤…≤β(q)本文取
cosθ(p,i)越小,当前预测点X(p)与相点X(i)的发展趋势越接近;
预测点X(p)与相点X(i)间的相似度为:
η(p,i)=γ1d(p,i)+γ2cosθ(p,i),(13)
其中γ1,γ2分别为距离指标与演化趋势指标的权重值,且γ1+γ2=1;
对所述相似度排序,选择相似度较大的多个值作为邻近点。
根据Hannan-Quinn准则对所述邻近点集合进行筛选,得到改进的邻近点集合。
具体的,筛选的邻近点个数为:
式中,xj为数据的样本点,为预测结果,为样本点均值,S为预测步数,N为拟合数据个数,且当Φ(K)取得最小值时,对应的K为最佳邻近点的个数。
本发明的一种风电接入电网的风险预测评估方法在利用Volterra自适应滤波器计算时,综合考虑预测点与相点的当前距离和相点间的多步演化趋势,既考虑了相点的演化相关性,又考虑了相点各坐标在时间上的不同影响,消除了现有技术中,“忽略了相点自身的不同坐标分量的时间次序对预测点的影响不同,易引入‘伪邻近点’”的技术缺陷,因此能有效避开“虚伪邻近点”,选出在距离和演化趋势均与预测点相似的邻近点,进一步的提高了计算精度和计算速度。
进一步地,还包括:风电场负荷数据,根据RBF神经网络模型得到负荷预测数据;
根据所述风电场功率预测数据和负荷预测数据得到风电功率和负荷预测值;
选定多个评估时间点,根据每个所述评估时间段的风电功率和负荷预测值对电网进行风险评估,得到多个风险评估结果;
根据所述多个风险评估结果得到电网风险预测曲线。
RBF神经网络结构简单、训练简洁、学习速度快,可以有效避免局部极小并实现全局收敛,还能够以任意精度逼近复杂的非线性函数,因此已被广泛应用于电力方法负荷预测中。
径向基函数神经网络的神经元模型,它是一种包含输入层、隐含层和输出层的3层前向型的网络结构。输入空间经过非线性映射变换到隐含层空间,隐含层空间再经过线性映射变换到输出层空间。其中,隐含层采用的非线性映射函数是径向基函数,它是一种局部分布的对中心点径向对称衰减的非负非线性函数。
该神经元模型具有n个输入,h个隐节点,m个输出的RBF网络,即该网络结构为n-h-m。其中,x=(x1,x2,…,xn)T∈Rn为网络输入矢量,Φi(·)为第i个隐含层节点的激活函数,W∈Rh×m为输出权矩阵。图中输出层节点中的Σ表示输出层神经元采用线性激活函数。
由于高斯函数的形式相对简单,解析性好,便于进行理论分析,并且在多变量输入时不会大幅增加计算的复杂程度,光滑性比较好,任意阶次的导数都会存在,并且径向对称。所以,本文选用高斯函数作为径向基函数。此时,隐含层及节点i的输出可以表示为:
式中,x是d维输入向量;σi为第i个基函数的归一化因子,它表征了该基函的宽度;ci是第i个基函数的中心,与x维数相同;||x-ci||是x-ci的范数,即x与ci之间的距离。Φi(x)在ci处有有且仅有一个最大值,并且随||x-ci||的增大,Φi(x)迅速衰减到零;m是隐含层节点数,那么径向基函数神经网络的输出为:
通过以上对风电场功率与负荷的预测方法,假如以小时来计算,我们可以得到每个小时时刻的风电场功率和负荷大小,所以在对考虑风电功率与负荷波动的电网进行风险评估时,在一天要进行24次评估,在每一次风险评估时,都需要对每一条线路故障后的情况进行分析,在面对如此复杂、海量的计算时,传统的风险评估方法由于无法完全表征不同元件的重要度,计算越复杂,其误差越大,致使评估结果不能准确反映现网实际,实施过程中会造成额外的人力物力损失;同时,由于风电并入电网后,具有波动性及不确定性,***的运行状态一直处于一个变化的状态,其安全风险也处于变化中,而现有技术并没有一个很好的方法来评估风电安全性风险。
因此本发明还提供一种风险评估方法,具体的,参看图2,包括如下步骤:
根据电网中各元件的重要度,分别建立表征电网节点、支路重要度的节点重要度因子、支路重要度因子。
具体的,现实中的大多复杂***都可以用网络的形式来描述。其中,电力***是典型的非线性复杂***,利用复杂网络理论,结合电网特性,电力***网络可简化为由N个节点,M条边组成的有向有权网络,其中节点分为发电、负荷和联络节点三类。
在传统复杂网络理论中,通过建立介数(betweenness)指标来表征节点和支路在网络结构中的重要属性,该指标假设潮流在两节点间只通过最短路径传输,而此假设对电力工程而言显然是不符合实际的。本发明基于Kirchhoff定律提出的电气介数(electricbetweenness)指标定义如下。
节点n的电气介数Be(n)定义为:
式中:G、L分别为发电机节点集合和负荷节点集合;(i,j)为所有“发电—负荷”节点对;wi为发电机节点i的权重,取发电机额定容量或实际出力;wj为负荷节点j的权重,取实际或峰值负荷;Be,ij(n)为(i,j)间加入单位注入电流元后在节点n上产生的电气介数。
式中:Iij(m,n)为在(i,j)间加入单位注入电流元后在支路m-n上引起的电流;m为所有与n有支路直接相连的节点。
同样的,支路l的电气介数Be(l)定义为:
式中:Iij(l)为在“发电—负荷”节点对(i,j)间加入单位电流元后,在支路l上引起的电流。
其中,分别表示表征电网节点、支路重要度的节点重要度因子、支路重要度因子。
引入所述支路重要度因子,修正电网***的支路过载严重度函数,引入所述节点重要度因子,修正电网***的节点低电压严重度函数。
具体的,对应支路j的过载严重度函数为:
式中,Pj为支路j当前传输的有功功率,Plim为支路过载风险最大阈值,本文设定为线路满载的有功功率极限值。Pd为设定的支路过载风险阈值,一般取Plim的90%。
为合理表征***中不同元件的运行状态严重程度的差异性,引入上述支路重要度因子作为权重因子,定义***全局的线路过载严重度为:
其中j表示第j条支路,Be(lj)表示支路重要度因子,j为正整数。
具体的,对应节点i的节点低电压严重度函数为:
式中,Vi为节点i当前的运行电压,VN为节点电压额定值,Vlim为设定的低电压最大风险阈值,一般设定为额定电压的90%。
为合理表征***中不同元件的运行状态严重程度的差异性,将节点重要度因子作为权重因子,定义***全局的低电压严重度为:
其中i表示第i个节点,Be(lj)表示节点重要度因子,i为正整数。
根据所述支路过载严重度函数、所述节点低电压严重度函数得到表征电网运行状态的严重度指标。
具体的,将节点低电压严重度函数与过载严重度函数进行综合,可以得到表征事故后电网运行状态的严重度指标,表达式为:
Sev=S(V)+S(P)
引入负荷经济因子,得到表征负荷损失的失负荷严重度函数。
具体的,电力***中元件故障常会引起负荷的丢失,在安全性评估中,负荷损失主要有以下三个类型:
某线路故障退出运行直接导致***失去相关负荷节点,此时负荷损失量为该节点负荷量;
低压减载装置动作,当负荷节点母线电压降低到设定值后,切除设定的负荷量;
***解列为几个孤岛后,为保持各个孤岛功率平衡,需加入相关控制措施导致的失负荷量。
由于电力***中负荷属性不同,为体现不同负荷损失严重程度的差异性,引入负荷经济因子到失负荷评估指标中,定义负荷损失比例为:
式中,η为事故后***负荷损失比例,L为负荷节点集合,L'为失负荷节点集合,εi为负荷节点i的经济因子,pi为失负荷节点i的负荷损失量,Pj为事故前负荷节点j的负荷量。
定义失负荷严重度函数为:
式中,ηlim为***负荷损失最大设定阈值,本发明取为电网负荷总量的20%。
对所述电网运行严重度指标、失负荷严重度函数分别进行加权处理,得到表征电网事故的综合严重度函数。
具体的,事故后果严重度不仅包括事故对***运行稳定的影响,同时和事故后***的负荷损失有密切关系。将上述的结合网络结构与运行状态的电网运行状态严重度指标与负荷损失严重度函数进行加权处理,得到电网事故后的综合严重度函数,如公式所示:
S=α×Sev+β×Sload
=α×[S(V)+S(P)]+β×Sload
其中α,β为电网运行严重度权重与电网失负荷严重度权重,在本发明中α,β取值分别为0.3和0.7。
进一步地,还包括:根据所述综合严重度函数和事故发生概率得到综合风险指标,并根据所述指标对电网***进行风险评估。
具体的,从事故统计数据可以看出电力***发生事故的概率基本符合泊松(Poisson)分布,即
式中:Ei为第i个***事故;P(Ei)为事故Ei发生的概率;λi为***中i元件的故障率。
风险评估综合考虑事故发生可能性及事故后的严重程度。本发明将上述得到的电网事故后的综合严重度函数引入风险评估指标中,得到电网故障后***安全性综合风险评估指标为:
Ri=P(Ei)·S
=P(Ei)·{α×[S(V)+S(P)]+β×Sload}
本发明的风险评估方法,从方法学角度出发,采用电气介数刻画电网中节点与支路在***中的重要程度,克服了传统风险评估方法中对于不同元件的重要度无法表征的不足,贴近电网实际,使风险评估结果更加可靠准确,从而减少额外的人力物力损失。同时在该评估方法中引入评估时间窗,考虑风电出力及负荷水平的波动对***运行状态的影响,建立了考虑风机接入的电网动态安全评估方法。
具体的,本发明整个流程包括以下步骤:
(1)、采集风电场原始数据与负荷原始数据;
(2)、分析风电场原始数据,根据(1)建立风电功率时间序列的混沌相空间,并对其混沌特性进行识别;
(3)、使用(2)-(5)的迭代结果对相空间中的相点进行聚类;
(4)、根据(11)-(13)在每类相点中筛选预测点邻近点集合,并根据(14)限定邻近点的个数;
(5)、根据(6)对邻近点建立改进局域Volterra自适应滤波器模型;
(6)、由(6)的结果得到风电场的预测数据;
(7)、分析负荷原始数据,根据(16)以及(17)建立RBF神经网络模型,并得到负荷的预测数据;
(8)、在电网风险评估时间窗中选定评估时间点,并根据风电场及负荷的短期预测数据确定该时间点的风机出力及负荷水平;
(9)、对选定时间点的电网进行N-1风险评估,并选定评估线路;
(10)、判断选定线路故障后方法的网络连通性,是否产生孤立节点;若无孤立节点,跳到步骤(12);若产生孤立节点,跳到步骤(11);
(11)、计算孤立节点的负荷损失;
(12)、建立网络拓扑结构参数;上述步骤(10)-(12)均属于现有技术,在此不再赘述;
(13)、计算方法中各元件的重要度因子;其具体计算方法参见本发明内容描述;
(14)、对当前方法进行潮流计算;对于方法潮流计算也属于现有成熟技术,不再详述;
(15)、判断是否有电压越限,低压减载装置是否动作,如果低压减载装置动作,计算负荷损失,跳至步骤(14);
(16)、根据当前***状态及步骤(13)的元件重要度因子,对***状态的概率指标和严重度指标进行计算,得到***当前故障下的综合风险指标;其具体计算方法参见本发明内容描述;
(17)、判断是否遍历电网中的所有线路,如果未完成遍历,跳至步骤(9);如果完成遍历,找出该时间点上电网的N-1最大风险值;
(18)、判断是否对所有时间点的电网进行N-1风险评估,如果未完成,跳至步骤(8);
(19)、输出电网在评估时间窗中的N-1故障最大风险值变化趋势图表;
(20)、结束。
本发明提出了一种考虑评估时间窗的电网安全性风险评估方法对含有风机接入的电网进行动态安全评估。该方法可以有效表征不同的风机出力及负荷水平情况下的电网风险水平,并能够给出整个评估时间窗中的电网N-1故障最大风险值变化趋势;本发明的一种风电接入电网的风险预测评估方法,将各个时间点的风险进行综合,利用电网***风险走势曲线可以为***运行人员预测和掌握***运行状态,能够很好的预测风电场功率,从而有效预防由于风电波动造成的电力***事故,避免造成大面积停电。
上面结合附图对本发明的具体实施方式进行了详细说明,但本发明并不限制于上述实施方式,在不脱离本申请的权利要求的精神和范围情况下,本领域的技术人员可以作出各种修改或改型。
Claims (5)
1.一种风电接入电网的风险预测评估方法,其特征在于,包括以下步骤:
采集风电场原始数据,得到初始风电功率时间序列;
对所述初始风电功率时间序列进行相空间重构,得到相点向量;
对所述相点向量进行K均值聚类计算;
引入权重向量改进邻近点的距离与趋势的判据,建立综合判据,得到邻近点集合;
将所述邻近点集合作为volterra自适应滤波器的训练集合,得到风电场功率预测数据。
2.根据权利要求1所述的一种风电接入电网的风险预测评估方法,其特征在于,所述引入权重向量改进邻近点的距离与趋势的判据,建立综合判据,得到邻近点集合包括:
定义一种运算方式:
其中A,B均为m维的向量,ai,bi分别为向量A、B的第i维分量;
则当前预测点X(p)与相点X(i)间的距离为:
式中,X(p)表示第p个预测点,X(i)表示第i个相点,α为权重向量,且对于m维的向量α而言,α(1)≤α(2)≤…≤α(m),考虑到坐标分量间的间隔时间为均为τ,取
其中,d(p,i)越小,当前预测点X(p)与相点X(i)的距离越近;
定义多步回溯的差值向量为:
E(p,q)=X(p)-X(p-q),
E(i,q)=X(i)-X(i-q),
其中,q表示回溯步长,X(p)为X(p-q)的q步演化相点,X(i)为X(i-q)的q步演化相点;
多步回溯的预测点与相点间的方向夹角为:
对上式进行加权,可得预测点与相点的发展趋势判据为:
cosθ(p,i)是由向量间的夹角的余弦演化而来,其中,β为权重向量,且β(0)≤β(1)≤…≤β(q),其中
cosθ(p,i)越小,表示当前预测点X(p)与相点X(i)的发展趋势越接近;
预测点X(p)与相点X(i)间的相似度为:
η(p,i)=γ1d(p,i)+γ2cosθ(p,i),
其中γ1,γ2分别为距离指标与演化趋势指标的权重值,且γ1+γ2=1。
3.根据权利要求1或2所述的一种风电接入电网的风险预测评估方法,其特征在于,还包括:
风电场负荷数据,根据RBF神经网络模型得到负荷预测数据;
根据所述风电场功率预测数据和负荷预测数据得到风电功率和负荷预测值;
选定多个评估时间点,根据每个所述评估时间段的风电功率和负荷预测值对电网进行风险评估,得到多个风险评估结果;
根据所述多个风险评估结果得到电网风险预测曲线。
4.根据权利要求3所述的一种风电接入电网的风险预测评估方法,其特征在于,所述根据每个所述评估时间段的风电功率和负荷预测值对电网进行风险评估包括:
根据电网中各元件的重要度,分别建立表征电网节点、支路重要度的节点重要度因子、支路重要度因子;
引入所述支路重要度因子,修正电网***的支路过载严重度函数,引入所述节点重要度因子,修正电网***的节点低电压严重度函数;
根据所述支路过载严重度函数、所述节点低电压严重度函数得到表征电网运行状态的严重度指标;
引入负荷经济因子,得到表征负荷损失的失负荷严重度函数;
对所述电网运行严重度指标、失负荷严重度函数分别进行加权处理,得到表征电网事故的综合严重度函数。
5.根据权利要求4所述的一种风电接入电网的风险预测评估方法,其特征在于,还包括:根据所述综合严重度函数和事故发生概率得到综合风险指标,并根据所述指标对电网***进行风险评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510824706.4A CN105354643A (zh) | 2015-11-24 | 2015-11-24 | 一种风电接入电网的风险预测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510824706.4A CN105354643A (zh) | 2015-11-24 | 2015-11-24 | 一种风电接入电网的风险预测评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105354643A true CN105354643A (zh) | 2016-02-24 |
Family
ID=55330610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510824706.4A Pending CN105354643A (zh) | 2015-11-24 | 2015-11-24 | 一种风电接入电网的风险预测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354643A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913160A (zh) * | 2016-05-09 | 2016-08-31 | 国网四川省电力公司经济技术研究院 | 一种基于大规模风电并网的可利用传输能力的计算方法 |
CN106347578A (zh) * | 2016-10-27 | 2017-01-25 | 江苏科技大学 | 一种船舶推进轴系轴承振动故障监测方法 |
CN106950421A (zh) * | 2017-01-03 | 2017-07-14 | 内蒙古电力(集团)有限责任公司 | 一种风电有功功率极值检测方法及装置 |
CN107317334A (zh) * | 2017-08-31 | 2017-11-03 | 华北电力大学(保定) | 一种电力***网架重构方法和装置 |
CN108898262A (zh) * | 2018-07-26 | 2018-11-27 | 国网山东省电力公司莱芜供电公司 | 一种考虑风电不确定性风险的风功率预测方法 |
CN109146751A (zh) * | 2018-08-29 | 2019-01-04 | 昆明理工大学 | 一种基于时空聚类统计进行城市犯罪风险评估的方法 |
CN109255730A (zh) * | 2018-11-13 | 2019-01-22 | 中石化石油工程技术服务有限公司 | 一种天然气时负荷预测方法 |
CN109344995A (zh) * | 2018-08-29 | 2019-02-15 | 广东工业大学 | 一种基于密度峰值聚类的混沌时间序列多步预测方法 |
CN112508276A (zh) * | 2020-12-07 | 2021-03-16 | 国网河南省电力公司洛阳供电公司 | 一种电网快速诊断与优化***及优化方法 |
CN113705874A (zh) * | 2021-08-19 | 2021-11-26 | 国家电网有限公司 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102685766A (zh) * | 2012-05-13 | 2012-09-19 | 西华大学 | 一种基于局域最大最小概率机的无线网络流量预测方法 |
CN102842105A (zh) * | 2012-07-09 | 2012-12-26 | 中国电力科学研究院 | 一种计及风电不确定性的暂态稳定风险在线评估方法 |
CN103248051A (zh) * | 2013-05-25 | 2013-08-14 | 南京南瑞集团公司 | 一种评估风电场功率波动影响电网运行安全风险的方法 |
CN103246806A (zh) * | 2013-04-25 | 2013-08-14 | 浙江大学 | 一种含风电场电力***的运行风险评估方法 |
-
2015
- 2015-11-24 CN CN201510824706.4A patent/CN105354643A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102685766A (zh) * | 2012-05-13 | 2012-09-19 | 西华大学 | 一种基于局域最大最小概率机的无线网络流量预测方法 |
CN102842105A (zh) * | 2012-07-09 | 2012-12-26 | 中国电力科学研究院 | 一种计及风电不确定性的暂态稳定风险在线评估方法 |
CN103246806A (zh) * | 2013-04-25 | 2013-08-14 | 浙江大学 | 一种含风电场电力***的运行风险评估方法 |
CN103248051A (zh) * | 2013-05-25 | 2013-08-14 | 南京南瑞集团公司 | 一种评估风电场功率波动影响电网运行安全风险的方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913160A (zh) * | 2016-05-09 | 2016-08-31 | 国网四川省电力公司经济技术研究院 | 一种基于大规模风电并网的可利用传输能力的计算方法 |
CN105913160B (zh) * | 2016-05-09 | 2019-12-03 | 国网四川省电力公司经济技术研究院 | 一种基于大规模风电并网的可利用传输能力的计算方法 |
CN106347578A (zh) * | 2016-10-27 | 2017-01-25 | 江苏科技大学 | 一种船舶推进轴系轴承振动故障监测方法 |
CN106950421B (zh) * | 2017-01-03 | 2019-04-12 | 内蒙古电力(集团)有限责任公司 | 一种风电有功功率极值检测方法及*** |
CN106950421A (zh) * | 2017-01-03 | 2017-07-14 | 内蒙古电力(集团)有限责任公司 | 一种风电有功功率极值检测方法及装置 |
CN107317334A (zh) * | 2017-08-31 | 2017-11-03 | 华北电力大学(保定) | 一种电力***网架重构方法和装置 |
CN108898262A (zh) * | 2018-07-26 | 2018-11-27 | 国网山东省电力公司莱芜供电公司 | 一种考虑风电不确定性风险的风功率预测方法 |
CN108898262B (zh) * | 2018-07-26 | 2021-08-06 | 国网山东省电力公司莱芜供电公司 | 一种考虑风电不确定性风险的风功率预测方法 |
CN109344995A (zh) * | 2018-08-29 | 2019-02-15 | 广东工业大学 | 一种基于密度峰值聚类的混沌时间序列多步预测方法 |
CN109146751A (zh) * | 2018-08-29 | 2019-01-04 | 昆明理工大学 | 一种基于时空聚类统计进行城市犯罪风险评估的方法 |
CN109344995B (zh) * | 2018-08-29 | 2021-06-18 | 广东工业大学 | 一种基于密度峰值聚类的混沌时间序列多步预测方法 |
CN109146751B (zh) * | 2018-08-29 | 2021-10-22 | 昆明理工大学 | 一种基于时空聚类统计进行城市犯罪风险评估的方法 |
CN109255730A (zh) * | 2018-11-13 | 2019-01-22 | 中石化石油工程技术服务有限公司 | 一种天然气时负荷预测方法 |
CN112508276A (zh) * | 2020-12-07 | 2021-03-16 | 国网河南省电力公司洛阳供电公司 | 一种电网快速诊断与优化***及优化方法 |
CN113705874A (zh) * | 2021-08-19 | 2021-11-26 | 国家电网有限公司 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
CN113705874B (zh) * | 2021-08-19 | 2024-03-15 | 国家电网有限公司 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
Azman et al. | A unified online deep learning prediction model for small signal and transient stability | |
Xu et al. | Assessing short-term voltage stability of electric power systems by a hierarchical intelligent system | |
Bolognani et al. | Fast power system analysis via implicit linearization of the power flow manifold | |
Zhao et al. | Resilient unit commitment for day-ahead market considering probabilistic impacts of hurricanes | |
CN111628501B (zh) | 一种交直流大电网暂态电压稳定评估方法及*** | |
CN109993665B (zh) | 电力***在线安全稳定评估方法、装置及*** | |
Wang et al. | Operating state reconstruction in cyber physical smart grid for automatic attack filtering | |
CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及*** | |
Wang et al. | Data-driven prediction method for characteristics of voltage sag based on fuzzy time series | |
Zhu et al. | Integrated data-driven power system transient stability monitoring and enhancement | |
Duan et al. | Security risk assessment using fast probabilistic power flow considering static power-frequency characteristics of power systems | |
Gong et al. | Transient stability assessment of electric power system based on voltage phasor and cnn-lstm | |
Rayudu | A knowledge-based architecture for distributed fault analysis in power networks | |
CN117335426A (zh) | 一种适用于短期电压稳定性评估的关键特征识别方法 | |
Karapidakis | Machine learning for frequency estimation of power systems | |
Sun et al. | Reliability prediction of distribution network based on PCA-GA-BP neural network | |
JP6818658B2 (ja) | 電力系統監視システム、電力系統監視方法、及びプログラム | |
Yang et al. | Research on CNN-LSTM DC power system fault diagnosis and differential protection strategy based on reinforcement learning | |
Ye et al. | Switching Convolution of Node Graph and Line Graph-driven Method for Fast Static Security Analysis | |
Alquthami et al. | Forecasting Transmission System Outages Using Artificial Neural Networks | |
Liu et al. | An online power system transient stability assessment method based on graph neural network and central moment discrepancy | |
Xu et al. | Evaluation of Distribution Line Fault Probability and Line Reinforcement Method in Typhoon Events | |
Putranto et al. | Series PMU data-based state estimation technique for WAMS application | |
Jiang et al. | Research on power grid fault diagnosis technology based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160224 |