風電并網(wǎng)系統(tǒng)靜態(tài)電壓穩(wěn)定概率評估.pdf

1、隨著全球能源結構的不斷調整，新能源發(fā)電規(guī)模迅猛增長。風力發(fā)電作為目前技術最為成熟的一種新能源發(fā)電方式，得到了前所未有的高速增長，其發(fā)電規(guī)模更是超越了核能發(fā)電。然而風力發(fā)電固有的隨機性、間歇性和不可調度性，會對風電并網(wǎng)系統(tǒng)的靜態(tài)電壓穩(wěn)定性造成影響，并且這種影響會隨著風電滲透率的提高而變得越來越明顯。為了全面分析風力發(fā)電并網(wǎng)對電力系統(tǒng)穩(wěn)定性的影響，本文重點研究了風電并網(wǎng)系統(tǒng)概率潮流計算及靜態(tài)電壓穩(wěn)定概率評估方法，主要工作內容如下：
　

2、　首先，針對基于加權高斯混合分布(Weighted Gaussian Mixture Distribution，WGMD)構建風電場概率模型的方法中EM（Expectation Maximization）算法由于其固有缺陷導致整個模型擬合精度降低的問題，提出基于DAEM（Deterministic Annealing Expectation Maximization）算法的風電場概率建模方法。DAEM算法通過引入退火機制，避免了在模型參

3、數(shù)最大似然估計時，EM算法容易陷入局部最優(yōu)的問題，使得風電場模型更加準確。通過采用風電場有功出力的實測數(shù)據(jù)進行模型建立對比分析，結果表明了該改進算法的精確性和有效性。
　　其次，提出一種改進的馬爾科夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）模擬法。目前，在基于MCMC模擬法的概率潮流計算方法中，被廣泛應用的Gibbs采樣算法需要進行大量復雜的迭代運算才能得到比較精確的計算結果。針對該算法的缺陷，本文

4、提出了基于切片采樣（Slice sampling）算法的MCMC方法，并應用于風力發(fā)電并網(wǎng)系統(tǒng)概率潮流計算中。仿真結果表明：切片采樣方法能夠提高傳統(tǒng)MCMC方法的計算準確度；同時，在與Gibbs算法采樣迭代次數(shù)相同的情況下，切片采樣算法所生成的馬爾科夫鏈可以更快、更穩(wěn)定地收斂于平穩(wěn)分布。
　　最后，針對目前風電并網(wǎng)系統(tǒng)靜態(tài)電壓穩(wěn)定概率分析的不足，提出了一種基于L指標的風電并網(wǎng)系統(tǒng)靜態(tài)電壓穩(wěn)定概率評估的新方法。采用 L指標分析包括風