考慮風電場節點空間相關性的廣義負荷聯合概率建模方法技術

本發明專利技術公開了考慮風電場節點空間相關性的廣義負荷聯合概率建模方法，包括：步驟一：將與各風電場相連的根母線節點據其各自的功率流向，分為電源特性與負荷特性；步驟二：對各根母線節點分別依照有功功率進行區間細化，統計其概率信息；步驟三：針對節點地域相關性，采用空間相關性法計算相鄰節點功率區間之間相關特征參數并納入節點的特性學習；采用RBF神經網絡學習訓練并提取區間集的節點特性，建立聯合概率模型結構。將相關參數矩陣融入RBF神經網絡建模中，并將相鄰節點電壓計入本節點特性學習中，所建模型更為全面。仿真表明各段擬合誤差較小，擬合效果好。

【技術實現步驟摘要】

本專利技術涉及一種建模方法，具體涉及一種考慮含風電場的節點空間相關性的廣義 負荷聯合概率建模方法。
技術介紹
今時資源日益匱乏、環境問題日益突出，清潔能源發電被認為是解決能源和環境 問題的有效手段，在這種背景下，風電裝機容量發展迅速。然而近年來隨著風電等新能源大 規模接入，其對電網的安全穩定運行產生一系列影響。風電接入改變了負荷單純消耗功率 的情形，使得負荷節點向電網倒送功率成為可能。而且，連接到多個根母線節點且地理位置 鄰近的風電場群往往處于同一風帶，其風速具有較強的相關性，從而各風電場出力往往具 有相關性。酒泉風電基地歷史數據統計表明，區域風電出力具有長時間尺度的相關性。風 電出力具有隨機波動性、間歇性，風機也存在故障或者檢修，需考慮其失效性，而負荷本身 具有時變性，這兩者的相互作用加劇廣義負荷節點的不確定性，而且對于地理位置鄰近并 有聯絡線相接的多個廣義負荷節點，相鄰節點的波動勢必影響其他節點的功率波動，這對 系統潮流、可靠性評估等均會產生較大影響，也給節點特性建模分析帶來了新的挑戰。 針對負荷的時變性，傳統建模方法采用分類與綜合的思想，通過總體測辨法得到 負荷的準確模型，擬合效果較好，取得一定進展。隨著風電接入電網的規模不斷擴大，許 多學者對含有風電場的負荷建模進行了研究。現有的文獻或在綜合負荷模型（synthetic load model，SLM)中增加異步發電機，或將動態負荷擴大到任意實數，或者將風機模型接入 綜合負荷模型。但都是假定風電出力恒定的機電暫態下，沒有涉及到長時間尺度下風電的 隨機性。風電出力的隨機性使得負荷節點功率呈現雙向性和不確定性，而確定場景下的傳 統建模方法難以對風電隨機性進行描述。其中一篇文獻首次在廣義負荷建模中分析了風電 隨機特性與負荷時變特性的相互作用對根母線的影響，依概率分區間建立了節點統一廣義 負荷模型，解決了風電接入傳統建模方法無法描述不確定性的問題，是對傳統建模方法在 不確定場景應用上的擴展和延伸，但只是針對單節點進行建模，未涉及多節點相關性對建 模產生的影響。 連接于相鄰廣義負荷節點的風電和負荷不僅自身具有波動性和時變性，而且在實 際運行過程中還受相關性因素的影響。同一地區的負荷需求受環境和社會等因素影響同時 增大或減小；鄰近的多個風電場出力之間具有長時間尺度的相關性。對于地理位置相近并 且有聯絡線相接的多個根母線節點，相鄰節點的波動勢必影響其他節點的波動。不考慮風 電相關性所帶來的節點空間相關性的影響，勢必造成描述節點特性模型因信息不全而導致 模型不準確，導致在電力系統運行分析中因模型的不準確而造成偏主觀或樂觀的結果。因 此若能在廣義負荷建模中將相關性因素納入考慮范疇，則更有助于分析、把握考慮風電接 入后的節點建模研究及其對系統的影響。然而，目前考慮風電相關性的研究主要集中在風 電功率預測 、風電系統可靠性評估和概率潮流計算研究，考慮相關性因素在廣義負荷建 模的研究領域還鮮有涉及。
技術實現思路
為解決現有技術存在的不足，本專利技術公開了考慮風電場節點空間相關性的廣義負 荷聯合概率建模方法，全面考慮隨機變量所具有的波動性以及在地域的相關性特點，準確 進行廣義負荷建模。 為實現上述目的，本專利技術的具體方案如下： ，包括： 步驟一：將與各風電場相連的根母線節點據其各自的功率流向，分為電源特性與 負荷特性； 步驟二：對各根母線節點分別依照有功功率進行區間細化，統計其概率信息； 步驟三：針對節點地域相關性，采用空間相關性法計算相鄰節點功率區間之間相 關特征參數并納入節點的特性學習；采用RBF神經網絡學習訓練并提取區間集的節點特 性，建立聯合概率模型結構。 步驟一中，根母線節點有功功率表達式為： 式中，PpPwf分別為負荷消耗的有功功率和風電場發出的有功功率，P為風機狀 態，正常工作取值為1，故障狀態時取值為0 ;NT為風電場內風機的臺數；P f"為節點負荷預 測值。P 個風機的狀態，Pwti為風電場單個風機發出的功率，?為預測負荷值波動的 標準差。 步驟二中，對各根母線節點分別依照有功功率進行區間細化時，以有功功率區間 作為節點特性特征參數，以有功功率為正表示負荷特性，有功功率為負表示電源特性，分列 功率軸兩側，在對有功功率進行分段時，以零功率為起點，以基準功率的10%為間隔，范圍 擴展到正、負半軸，根據樣本為正、為負絕對值的最大值自適應確定區間范圍和分段數，保 證模型的一般性。 步驟二中，統計概率信息時，將根母線處功率范圍擴大至負半軸，以基準功的10% 為功率間隔，以電源特性和負荷特性區分分別統計各段下有功功率出現次數，則相應出力 頻率為： 其中，Psn0Plni分別為電源特性與負荷特性頻率，統稱為節點特性頻率F "。當數據 量足夠大時，據大數定理可等效為概率，N(Psni)為電源特性有功功率在功率區間m中的出力 次數，m為分段標識，P s為基準功率，用于數據歸一化處理，該值應大于全部功率數據絕對值 最大值，N(pJ為根母線功率值的出力次數，N(pJ為負荷特性有功功率在功率區間m中的 出力次數。 步驟三中，建立聯合概率模型結構時，首先根據各相鄰節點聚類的得到的各區間 樣本聚類中心，定義區間相關特征參數，采用帶有相關特征參數的RBF神經網絡函數對區 間樣本進行模型特征提取，得到計算模型結構，采用梯度自適應調整算法對樣本數據訓練， 使得實測值與計算值誤差最小，得到權值向量即為模型參數，根據模型參數建立聯合概率 模型結構。 根據各相鄰節點聚類的得到的各區間樣本聚類中心，定義區間相關特征參數之前 先設有T個相鄰節點的區間聚類樣本集X = {xk,p|xk,pG Rp, k = 1，2,…，N P = 1，2,…，T}， 其中Rp為第P個節點功率樣本數據，X kiP為第p個節點功率樣本聚類所形成的第k個區間 樣本；用Ck,p表示區間樣本Xk,p的聚類中心，則有： 式中：N為區間樣本個數。 根據各相鄰節點聚類的得到的各區間樣本聚類中心，定義區間相關特征參數為：式中，Clini為第m個節點樣本聚類所形成的第i個區間樣本聚類中心，Cp為第n 個節點樣本聚類所形成的第j個區間樣本聚類中心，X為調整系數。 采用帶有相關特征參數的RBF神經網絡函數對區間樣本進行模型特征提取，其 中，輸出變量為功率P，輸入變量包括本節點的電壓和相鄰有聯絡線連接節點的電壓組成的 電壓向量u以及相關特征參數P，表達式如下式： 式中，Wp為輸出層連接權值，N為區間樣本個數，P為相鄰節點區間相關特征系數； R p(u，P )為隱含層神經元的輸出。 由于電壓向量u以及相關特征參數P為不同物理量綱，需要分別對各物理輸入量 做歸一化處理，以消除不同物理量之間因量綱不同而同時作為輸入變量無法進行建模，采 用最大最小歸一化處理方式，即： 式中，Xlj為第i個物理量中第j個采樣值，X i _為第i個物理量中的最大值，X i _為第i個物理量中的最小值。X ^'為歸一化之后的物理量。 計算模型結構如下： 式中：k為輸出變量序數;m為節點分段功率區間編號；Eni為區間樣本訓練誤差；N ni 為區間樣本數；N。為輸出神經元個數；Pkin為區間樣本功率實測值；pkin為模型計算值；X n為 輸入變量向量本文檔來自技高網...

【技術保護點】
考慮風電場節點空間相關性的廣義負荷聯合概率建模方法，其特征是，包括：步驟一：將與各風電場相連的根母線節點據其各自的功率流向，分為電源特性與負荷特性；步驟二：對各根母線節點分別依照有功功率進行區間細化，統計其概率信息；步驟三：針對節點地域相關性，采用空間相關性法計算相鄰節點功率區間之間相關特征參數并納入節點的特性學習；采用RBF神經網絡學習訓練并提取區間集的節點特性，建立聯合概率模型結構。

【技術特征摘要】

【專利技術屬性】
技術研發人員：梁軍，褚壯壯，贠志皓，張旭，徐兵，
申請(專利權)人：山東大學，
類型：發明
國別省市：山東;37