一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法技术

本发明专利技术公开了一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法，在对风电不确定性的处理过程中充分考虑出力相关性的影响，首先构建基于Copula理论的风电出力联合分布模型，并生成风电出力的典型场景，随后构建电网负荷恢复的随机优化模型，采用人工蜂群算法求解负荷恢复的随机优化模型，获得最优的电网负荷恢复方案。该方法得到的电网负荷恢复方案充分考虑到区域内多个风电场之间的出力相关性，在提高负荷恢复效率的同时能有效地保证电网恢复过程的安全性，模型简单，易于求解，具有一定的理论价值和工程价值。

【技术实现步骤摘要】
一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法
本专利技术属于电网
，特别是一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法。
技术介绍
随着环境问题和能源危机的加剧，清洁的可再生能源在电力系统中的渗透率不断提高。大规模风电的接入，增加了电力系统的容量，也为电力系统的发展提供了新机遇。在停电后电力系统恢复中，由于风电具有启动功率小、启动速度快的优点，参与停电后电力系统恢复可以加快系统恢复速度，减少停电损失。但因其间歇性和波动性，风电的参与也增加了电力系统的不确定性，可能会影响系统恢复的安全。为了减少风电波动对较为脆弱的已恢复电力系统的冲击，在系统恢复中必须充分考虑风电的不确定性。有研究采取鲁棒优化的方法处理风电不确定性，虽然能保证系统的安全，但其结果较为保守；并且，由于风电受风速和风向等气候条件的影响，同一地区的风电出力具有相关性。处理风电不确定性时，忽略其相关性可能会对电力系统运行的经济性和安全性造成影响。因此，本专利技术提出了一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法。r>专利技术本文档来自技高网...

【技术保护点】
1.一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法，其特征在于，包括以下步骤：/n步骤1、构建基于Copula理论的风电出力联合分布模型；/n步骤2、根据步骤1的风电出力联合分布模型，生成风电出力的典型场景；/n步骤3、利用场景概率法，基于步骤2所得的典型场景，构建负荷恢复的随机优化模型；/n步骤4、采用人工蜂群算法求解负荷恢复的随机优化模型，得到考虑风电出力相关性的最优电网负荷恢复方案。/n

【技术特征摘要】
1.一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法，其特征在于，包括以下步骤：
步骤1、构建基于Copula理论的风电出力联合分布模型；
步骤2、根据步骤1的风电出力联合分布模型，生成风电出力的典型场景；
步骤3、利用场景概率法，基于步骤2所得的典型场景，构建负荷恢复的随机优化模型；
步骤4、采用人工蜂群算法求解负荷恢复的随机优化模型，得到考虑风电出力相关性的最优电网负荷恢复方案。


2.根据权利要求1所述的基于场景概率的考虑风电出力相关性的负荷恢复优化方法，其特征在于，所述步骤1中构建风电出力联合分布模型，具体包括以下步骤：
步骤1-1、采用非参数核密度估计对风电出力的边缘分布进行估计，估计函数为：



其中，n表示样本容量，h表示带宽，Xi表示风电出力的预测值，K(·)表示高斯核函数；
步骤1-2、采用最大似然估计对Copula函数中的未知参数进行估计，具体为：



其中，表示待求的Copula函数参数，fn(xni)表示由核密度估计得到的第n维变量的边缘分布，c(f1(x1i),f2(x2i),...,fn(xni))表示Copula密度函数；
步骤1-3、Copula函数择优，以Spearman系数、Kendall系数，和欧式距离作为评价指标，各相关系数以及欧式距离的计算如下：
Spearman系数与Copula函数的关系为：



其中，ρ表示Spearman系数，C(u,v)表示变量u和变量v对应的Copula函数；
Kendall系数与Copula函数的关系为：



其中，τ表示Kendall系数；
欧式距离的数学表达式为：



其中，dGu表示欧式距离，T表示风电出力样本容量，A(t)表示求出的Copula函数，B(t)表示由风电出力样本统计得到的联合分布函数；
步骤1-4、选取风电出力样本场景，选取与样本相关性指标最相近且拟合性指标数值最小的Copula函数作为构建联合分布的Copula函数，生成风电出力联合分布模型。


3.根据权利要求2所述的基于场景概率的考虑风电出力相关性的负荷恢复优化方法，其特征在于，所述步骤1-4中的选取Copula函数具体包括以下步骤：
步骤1-4-1，计算风电出力样本场景的Spearman系数和Kendall系数；
步骤1-4-2，根据上述公式计算各Copula函数的Spearman系数和Kendall系数，并计算各Copula函数到样本的统计联合分布函数的欧式距离；
步骤1-4-3，将各Copula函数的Spearman系数和Kendall系数同风电出力样本场景的Spearman系数和Kendall系数相比较，计算各Copula函数的相关系数与样本相关系数的差值，然后将差值平方；
步骤1-4-4，比较各Copula函数与样本的统计联合分布函数的欧式距离，欧式距离越小的Copula函数的拟合程度越好，将各Copula函数的相关系数差值平方与欧式距离相加，对应和最小的Copula函数即为选取的最优Copula函数。


4.根据权利要求1所述的基于场景概率的考虑风电出力相关性的负荷恢复优化方法，其特征在于，所述步骤2中的生成风电出力的典型场景，具体包含以下步骤：
步骤2-1、利用逆变换抽样生成包含时空相关性的风电出力场景集；
采用逆变换抽样方法，随机生成具有时间相关性的多个风电场多个时刻的风电出力预测值；然后引入选定的Copula函数，表达式如下：



其中，U1为风电场1出力累积概率的采样点；U2为风电场2出力累积概率的采样点；Z1为已求得的风电场考虑时间相关性的场景对应的累积概率；Z2为随机生成的均匀变量；C(U1,U2)为两个风电场出力联合分布的Copula函数；
根据上式，已知Z2和U1，即可求得U2，根据逆变换抽样，对U1、U2逆变换，即可得到考虑时空相关性的多风电场的风电出力场景集；
步骤2-2、采用同步回代缩减方法进行场景削减，将步骤2-1中生成的Ns个考虑时空相关性的风电出力场景，减少至S个典型场景。


5.根据权利要4所述的基于场景概率的考虑风电出力相关性的负荷恢复优化方法，其特征在于，所述步骤2-2中的采用同步回代缩减方法进行场景削减具体包含如下步骤：
步骤2-2-1：将步骤2-1中生成的Ns个风电出力场景的概率设为1/Ns；
步骤2-2-2：计算两两场景之间的概率距离，每个场景对应一组风电出力序列，计算两两场景之间的风电出力序列的欧式距离，即可作为两个场景之间的概率距离；
步骤2-2-3：剔除概率距离最小的场景，改变场景的总数以及相应场景对应概率：场景总数Ns＝Ns-1，将剔除场景的概率加到离该场景最近的场景上，保证保留场景概率和为1；
步骤2-2-4：若剩余场景总数Ns大于指定保留场景个数，返回步骤2-2-2，直到缩减至S个场景。


6.根据权利要求1所述的基于场景概率的考虑风电出力相关性的负荷恢复优化方法，其特征在于，步骤3中所述建立负荷恢复的随机优化模型，具体包括以下步骤：
步骤3-1、采用梯形模糊量描述负荷的不确定性，负荷的隶属函数为：






其中，为负荷节点i处第j条出线在第t个时步的负荷有功恢复的模糊量，表示的隶属度函数；Pij,tLk表示负荷节点i处第j条出线在第t个时步的负荷有功恢复量的第k个分布参数，μk表示隶属度参数，决定隶属函数的形状；表示负荷节点i处第j条出线在第t个时步的负荷预测有功恢复量；
步骤3-2、以重要负荷恢复量最大为目标，构建负荷恢复随机优化模型的初始目标函数，其数学表达式为：



其中，S表示场景数量；表示场景s的概率，Nd表示待恢复负荷节点的数量，mi表示第i个负荷节点的出线数量，xij,t表示负荷节点i的第j条出线在第t个时步恢复情况的0-1决策变量，1表示该出线投入系统并恢复，0表示该出线未恢复；wij表示负荷节点i的第j条出线权重，表示负荷节点i处第j条出线在第t个时步的负荷有功恢复的模糊量；
步骤3-3、负荷过载的模糊风险价值，其数学表达式为：



其中，表示第s个场景下，一定置信水平下负荷过载风险的模糊风险价值；γ表示一个实数，Nd表示待恢复负荷节点的数量；mi表示第i个负荷节点的出线数量；xij,t表示负荷节点i的第j条出线在第t个时步恢复情况的0-1决策变量，1表示该出线投入系统并恢复，0表示该出线未恢复；表示负荷节点i处第j条出线在第t个时步的负荷有功恢复的模糊量；NG表示已恢复的机组数量；表示第s个场景下，已恢复机组i在时步t内的的新增出力；NW表示系统中风电场的数量；表示第s个场景下，风电场i在时步t内的的新...

【专利技术属性】
技术研发人员：谢云云，李虹仪，吴昊，蔡胜，李尚轩，严欣腾，杨皖浙，时涵，罗瑞丰，王振刚，胡红新，付豪，邹云，殷明慧，卜京，张俊芳，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32