考慮不確定性因素的電網(wǎng)風(fēng)電消納能力的概率評估.pdf

1、隨著近幾年風(fēng)電的快速發(fā)展，風(fēng)力發(fā)電已成為目前技術(shù)最成熟的新能源發(fā)電方式之一。然而在風(fēng)電裝機(jī)容量與日俱增的同時，出現(xiàn)了越來越嚴(yán)重的棄風(fēng)現(xiàn)象，從而導(dǎo)致棄風(fēng)現(xiàn)象成為目前制約風(fēng)電發(fā)展的最主要因素。由于造成棄風(fēng)現(xiàn)象的原因隨著電力系統(tǒng)的日漸復(fù)雜變得越來越多，所以綜合考慮多種隨機(jī)因素的風(fēng)電消納能力評估對風(fēng)電消納的研究具有重大的意義。為了全面分析不確定性因素對電力系統(tǒng)風(fēng)電消納能力的影響，本文重點研究了電力系統(tǒng)風(fēng)電消納能力的概率評估，具體研究工作如下：<

2、br>　　不確定性因素概率建模時，針對傳統(tǒng)概率模型擬合精度較低的問題，提出了基于加權(quán)高斯混合分布(Weighted Gaussian Mixture Distribution，WGMD)的概率模型，并采用該模型分別模擬了負(fù)荷和風(fēng)電的隨機(jī)波動。同時，針對WGMD常用的參數(shù)估計算法—EM(Expectation Maximization)算法存在容易陷入局部最優(yōu)的問題，而DAEM(Deterministic Annealing Expect

3、ation Maximization)算法通過引入溫度系數(shù)改善了EM算法的缺陷，進(jìn)而提出將DAEM算法應(yīng)用于負(fù)荷和風(fēng)電的概率建模。通過選擇不同的模型以及不同的參數(shù)估計算法對負(fù)荷及風(fēng)電有功功率的實測數(shù)據(jù)進(jìn)行擬合，驗證了所提模型以及算法的精確性和有效性。
　　在選取用于評估風(fēng)電消納能力的概率分析方法時，針對傳統(tǒng)概率分析方法存在計算成本較高的缺陷，本文提出了一種基于切片采樣(Slice sample)算法的馬爾科夫鏈蒙特卡洛(Marko

4、v Chain Monte Carlo，MCMC)模擬法。由于在MCMC模擬法中最常用的Gibbs采樣算法計算成本較大，使其應(yīng)用范圍受到了局限。而切片采樣算法相較于Gibbs算法采樣更靈活，計算量更小，且適用于各種分布。所以，本文提出將這種基于切片采樣算法的 MCMC法應(yīng)用于風(fēng)電消納能力評估的概率潮流計算中。算例仿真驗證了切片采樣方法在相同的采樣規(guī)模下比Gibbs算法采樣更穩(wěn)定，評估結(jié)果更精確。
　　針對傳統(tǒng)風(fēng)電消納評估模型所存在

5、的缺陷，提出了一種基于條件風(fēng)險約束的風(fēng)電消納能力概率評估模型。通過考慮傳統(tǒng)模型的評估誤差，定義了風(fēng)電接納風(fēng)險函數(shù)，并引入條件風(fēng)險價值理論(Conditional Value at Risk，CVaR)作為量化風(fēng)電接納風(fēng)險的指標(biāo)，構(gòu)建了基于條件風(fēng)險約束的風(fēng)電消納評估模型。將上文所述的概率分析方法與所建立的消納評估模型相結(jié)合，得到系統(tǒng)風(fēng)電消納能力的概率分布特性，同時計算出每個風(fēng)電消納水平下的風(fēng)險值。本文在IEEE39節(jié)點系統(tǒng)中進(jìn)行仿真分析，