高比例新能源接入的配电网运行状态智能感知方法及系统

1.本发明提供了一种高比例新能源接入的配电网运行状态智能感知方法及系统，属于配电网运行状态感知技术领域。


背景技术：

2.随着越来越多的分布式风电机组、光伏电站等新能源和电动汽车等新型负荷的接入，以及高级测量系统和信息通信技术的广泛应用，配电网正处于从传统的被动配电网到智能的主动配电网的转型中。然而，一方面，分布式风电机组、光伏电站的间歇性、随机性和波动性可能导致配电网出现电压越限、线路过载和谐波畸变等情况，给配电网的安全可靠运行带来不利影响。另一方面，未来越来越高比例的新能源接入配电网，将产生海量的复杂时序场景，给配电网运行状态感知带来了新的挑战。为了适应未来高比例新能源灵活有序的接入配电网，同时为了保证配电网运行的安全性、可靠性和经济性，有必要研究对配电网运行状态进行准确、全面、智能感知的方法。目前一般采用传统单一主观和客观赋权的方法进行配电网运行状态的感知，但是其感知结果不全面。


技术实现要素：

3.本发明为了解决传统单一主观和客观赋权的方法未能充分计及高比例新能源接入和高级测量系统应用，从而对配电网运行状态的感知不够准确、全面的问题，提出了一种高比例新能源接入的配电网运行状态智能感知方法及系统。
4.为了解决上述技术问题，本发明采用的技术方案为：一种高比例新能源接入的配电网运行状态智能感知方法，包括如下步骤：s1：建立分布式风电机组和光伏电站的随机出力数学模型，以及新型负荷的数学模型，并通过改进的前向聚类算法从风电机组、光伏电站的海量原始时序场景提取出有代表性的典型场景，来代表海量的原始时序场景；s2：利用从远程终端单元（rtu）、同步相量测量单元（pmu）和高级测量系统（ami）中所获取的多源融合量测数据，分别对高比例新能源接入的配电网进行线性和非线性状态估计，获取高比例新能源接入的配电网的真实状态；s3：从可靠性、安全性、经济性三个方面，建立高比例新能源接入的配电网运行状态的评价指标体系；s4：利用改进的逼近理想解排序法，对所建立的高比例新能源接入的配电网运行状态的评价指标赋权，优化高比例新能源接入的配电网运行状态的评价指标权重，得到高比例新能源接入的配电网运行状态的综合全面感知结果。
5.所述步骤s1具体包括：s11：分布式风电机组的随机出力数学模型由服从weibull分布的风速构建，分布式光伏电站的随机出力数学模型由服从beat分布的太阳光辐照度构建，其中新型负荷为电动汽车，采用概率平均模型对电动汽车进行负荷建模；
s12：首先，采用t-copula函数作为刻画风电机组边缘分布函数与光伏电站边缘分布函数之间联合分布关系的函数，通过计算风电机组边缘分布函数和光伏电站边缘分布函数的逆，生成海量的风电机组、光伏电站出力的原始时序场景样本数据；其次，针对生成的海量风电机组、光伏电站出力的原始时序场景，提出一种改进的前向聚类算法，通过消除低概率水平的场景和统计上非常接近的场景来减少场景数目，在计算时间和精度之间实现良好的匹配权衡。
6.所述s2具体包括：s21：利用rtu和pmu的多源融合量测数据，对高比例新能源接入的配电网进行线性静态状态估计；s22：利用rtu、pmu和ami的多源融合量测数据，对高比例新能源接入的配电网进行非线性静态状态估计；s23：基于节点注入功率，对高比例新能源接入的配电网进行线性动态状态估计。
7.所述步骤s3具体包括：s31：从可靠性的角度，建立高比例新能源接入的配电网运行状态的评价指标体系，包括：系统平均停电次数指标（saifi）、系统评价服务可用性指标（asai）和电量不足期望值指标（eens）；s32：从安全性的角度，建立高比例新能源接入的配电网运行状态的评价指标体系，包括：电压越限指标（oi）和总谐波畸变指标（thdi）；s33：从经济性的角度，建立高比例新能源接入的配电网运行状态的评价指标体系，包括：电网改造费用指标（pgrci）、购电费用指标（epci）、售电市场份额指标（esmsi）和设备沉没成本指标（fsci）。
8.所述步骤s4具体包括：s41：建立包含m个评价对象和n个评价指标vj的综合评估矩阵(x
ij
)m×n，x
ij
表示对应于第i个评价对象和第j个评价指标；s42：将综合评估矩阵(x
ij
)m×n进行标准化处理后转换为矩阵r=(r
ij
)m×n；s43：计算加权归一化决策矩阵；s44：确定最好评价对象与最差评价对象；s45：分别计算目标评价对象与最好评价对象、最差评价对象之间的欧氏距离；s46：计算与最差评价对象之间的相似性程度；s47：根据所计算出的相似性程度的大小对评价对象进行排序。
9.一种高比例新能源接入的配电网运行状态智能感知系统，包括：数据采集模块，用于从远程终端单元（rtu）、同步相量测量单元（pmu）和高级测量系统（ami）中所获取的多源融合量测数据；存储模块，用于存储高比例新能源接入的配电网运行状态智能感知方法的计算机程序；数据处理模块，用于执行上述计算机程序，对高比例新能源接入的配电网的运行状态进行全面感知。
10.本发明相对于现有技术具备的有益效果为：本发明提供的高比例新能源接入的配电网运行状态智能感知方法通过对分布式风电机组、光伏电站和以电动汽车为代表的新型
负荷分别建立对应的数学模型，并通过改进的前向聚类算法缩减海量的场景，通过从远程终端单元、同步相量测量单元和高级测量系统中所获取的多源融合量测数据，分别对高比例新能源接入的配电网进行线性和非线性状态估计，以获取其真实状态；从可靠性、安全性和经济性三个不同的方面，建立配电网运行状态的评价指标体系；同时还提出了一种改进的逼近理想解排序法，对所建立的配电网运行状态评价指标进行赋权，改善了传统单一主观和客观赋权方法的性能，优化了指标权重，能够得到配电网运行状态的综合全面感知结果。
附图说明
11.下面结合附图对本发明做进一步说明：图1为本发明方法的流程图。
具体实施方式
12.本发明提供了一种高比例新能源接入的配电网运行状态智能感知方法，其流程图如图1所示，具体包括以下步骤：步骤s1：为了分析高比例新能源和新型负荷的接入对配电网运行状态的影响，分别建立分布式风电机组和光伏电站的随机出力数学模型，以及以电动汽车为代表的新型负荷的数学模型。高比例风电机组、光伏电站接入配电网将会产生海量不确定的原始时序场景，为了对配电网的运行状态进行准确感知，提出一种改进的前向聚类算法，在保证精度的前提下，从风电机组、光伏电站的海量原始时序场景中提取出若干有代表性的典型场景，以此来代表海量的原始时序场景，以实现场景缩减。
13.步骤s1包括以下步骤：步骤s11：分别建立分布式风电机组和光伏电站的随机出力数学模型，以及以电动汽车为代表的新型负荷的数学模型。
14.分布式风电机组出力的不确定性主要由风速来决定，风速通常服从weibull分布，其概率密度函数可以表示为：；上式中：v为风电机组的速度，k和c分别为weibull分布的形状参数和尺度参数。
15.风电机组的有功出力和风速之间的关系可以表示为：；上式中：v
ci
、v
cr
、v
co
分别为切入风速、额定风速和切出风速，为该直线的斜率，为该直线的截距，pr为风电机组的额定输出有功功率。
16.分布式光伏电站出力的不确定性主要由太阳光的辐照度决定，与风电机组有所不同，光伏电站的出力具有较为明显的时间序列特性，这是因为辐照度呈现季节性变化的特点。辐照度通常服从beat分布，其概率密度函数可以表示为：；上式中：a和b为beat分布的形状参数，r和r
max
分别为实际辐照强度和最大辐照强度。
17.光伏电站的有功出力与辐照强度之间的关系可以表示为：；上式中：r为实际辐照强度，μ为温度系数，p
mpp
为在恒定温度、单位辐照强度下光伏面板的平均输出功率，t为实际温度，tn为所设置的恒定温度。
18.随着我国电动汽车行业的快速发展，未来越来越多的电动汽车接入配电网，其充放电状态将对配电网产生重要影响。采用概率平均模型来对电动汽车进行负荷建模，以反映其充放电状态对配电网产生的影响，则其负荷特性可以表示为：；；；上式中：c_s(t)、c_d(t)和n
ik
分别为电动汽车开始充电时刻、充电持续时间和电动汽车接入的数量，x为电动汽车的日行驶里程，p为单台电动汽车采用常规充电方式时的典型充电功率，n为采用蒙特卡洛方法进行概率仿真模拟时的电动汽车总数。
19.步骤s12：分布式风电机组和光伏电站的出力具有很强的不确定性。高比例风电机组、光伏电站接入配电网将会产生大量不确定的原始时序场景。为了对配电网的运行状态进行准确感知，就需要在保证精度的前提下，从风电机组、光伏电站的大量原始时序场景中选取出若干有代表性的典型场景，以此来代表海量的原始时序场景。
20.首先，考虑到风电机组和光伏电站的出力具有时间互补特性，采用t-copula函数作为刻画风电机组边缘分布函数fw(pw)与光伏电站边缘分布函数f
pv
(p
pv
)之间联合分布关系的函数，通过计算风电机组和光伏电站边缘分布函数的逆，从而生成海量的风电机组、光伏电站出力的原始时序场景样本数据。
21.其中风电机组边缘分布函数fw(pw)与光伏电站边缘分布函数f
pv
(p
pv
)之间联合分布关系的函数的表达式如下：；；上式中：为以t-copula函数表示的联合分布函数，为相关系数，k为自由度，s为光伏电站的数量，t为按小时数表示的时间，为风电机组边缘分布函数fw(pw)在单时间变量tk作用下的逆变换，为光伏电站边缘分布函数f
pv
(p
pv
)在单时间变量tk作用下的逆变换。
22.而根据风电机组和光伏电站的历史数据，又可以将其出力的分布函数分别表示为：；；上式中：nt为所选取的周期数，β为平滑系数，k()为核函数，n为历史样本数据的序数，p
w,n
和p
pv,n
分别为风电机组出力和光伏电站出力的历史样本数据值，pw为风电机组的实际出力，p
pv
为光伏电站的实际出力。
23.从而可以得到风电机组和光伏电站出力的累积边缘分布函数fw(pw)和f
pv
(p
pv
)，其表达式如下：；。
24.进而，通过计算风电机组边缘分布函数和光伏电站边缘分布函数的逆，可以生成ns
×
24维度的风电机组、光伏电站出力的原始时序场景样本数据，其计算公式为：；上式中：ns为原始时序场景的总数。
25.其次，针对所生成的海量风电机组、光伏电站原始时序场景，采用改进的前向聚类算法实现场景缩减。场景缩减的关键在于如何在精度和计算时间之间取得平衡。前向聚类算法通过消除低概率水平的场景和统计上非常接近的场景来减少场景数目，从而在计算时间和精度之间实现良好的匹配权衡。改进的前向聚类算法的计算步骤如下所示。
26.令表示ns个不同的场景，每个场景的概率为。令ψ表示所有原始时序场景的集合，ds表示待删除的场景集合。计算所有原始时序场景两两之间的距离，其计算公式如下：；上式中：为在时刻t的风电机组或光伏电站与所考察场景相对应的有功出力，在时刻t的风电机组或光伏电站与场景相对应的有功出力。
27.将场景与场景之间的最短距离表示为：；上式中：为与场景之间具有最短距离的场景的序数。
28.计算所考察场景的距离期望：；上式中：为场景的概率。
29.并且，选择以使得，为与场景相距最近的场景。
30.则将所考察场景从当前时序场景集合中剔除的更新步骤为：；上式中：为第个场景的概率，为场景的概率。
31.重复以上步骤直到所剔除场景的总数满足了要求，即以改进的聚类算法实现了风电机组、光伏电站的海量场景缩减。
32.步骤s2：对配电网的运行状态进行准确感知的前提是，通过状态估计获取配电网运行的真实状态。高级测量系统的广泛应用，给进一步提高配电网状态估计的精度提供了可能。利用从远程终端单元（remote terminal unit，rtu）、同步相量测量单元（phasormeasurement unit，pmu）和高级测量系统（advanced metering infrastructure，ami）中所获取的多源融合量测数据，分别对高比例新能源接入的配电网进行线性和非线性状态估计，以获取其真实状态。
33.步骤s2包括以下步骤：步骤s21：利用rtu和pmu的多源融合量测数据，对高比例新能源接入的配电网进行线性静态状态估计。
34.在直角坐标系下，pmu的母线电压相量量测值可以表示为：；
上式中：u
i,r
和u
i,i
分别为电压相量的等效实部量测值和等效虚部量测值，θi为第i条母线的电压相量的相角。
35.pmu的支路电流相量量测值可以表示为：；上式中：i
ij,r
和i
ij,i
分别为支路电流相量的等效实部量测值和等效虚部量测值，θ
ij
为支路i-j的电流相量的相角。
36.在直角坐标系下，rtu的量测值同样被转换为节点注入电流相量或支路电流相量的等效实部量测值和等效虚部量测值。支路功率量测值被转换为等效支路电流相量的实部和虚部，计算公式如下：；上式中：p
ij
和q
ij
分别为有功功率量测值和无功功率量测值，ei和fi分别为节点i电压相量的实部和虚部。
37.节点注入功率量测值被转换为等效节点注入电流相量的实部和虚部，其计算公式为：；上式中：pi和qi分别为节点i的有功功率量测值和无功功率量测值。
38.支路电流幅值量测值的转换关系为：；上式中：i
ij-m
和θ
ij-cal
分别为在线性静态状态估计计算中的电流幅值量测值和相角量测值。
39.节点电压幅值量测值的转换关系为:；上式中：u
i-m
和θ
i-cal
分别为在线性静态状态估计计算中的电压幅值量测值和相角量测值。
40.将节点电压的实部和虚部视为状态变量，等效节点注入电流的量测值函数可以表示为：；上式中：g
ik
为支路i-k的电导，b
ik
为支路i-k的电纳，ek为第k个节点的电压相量的实部，fk为第k个节点的电压相量的虚部。
41.等效支路电流的量测值函数可以表示为：；上式中：g
ij
为节点i的自电导，b
ij
为节点i的自电纳，g
i0
为节点i的对地电导，b
i0
为节点i的对地电纳，ei和fi分别为节点i电压相量的实部和虚部，ej和fj分别为节点j电压相量的实部和虚部。
42.等效节点电压的量测值函数可以表示为：。
43.则包含多源融合量测数据的系统雅可比矩阵可以表示为：；其中，ir和ii分别为等效节点注入电流量测值或等效支路电流量测值的实部和虚部，ur和ui分别为等效节点电压相量量测值的实部和虚部，ek和fk分别为节点k电压相量的实部和虚部。
44.步骤s22：利用rtu、pmu和ami的多源融合量测数据，对高比例新能源接入的配电网进行非线性静态状态估计。
45.pmu的支路功率量测值可以表示为：；上式中：p
ij
和q
ij
分别为支路的等效有功功率量测值和等效无功功率量测值，ui和θi分别为节点i的电压幅值和相角，i
ij
和θ
ij
分别为支路的电流幅值量测值和电流相角量测值。
46.非线性静态状态估计的量测方程为：；上式中：z为量测值向量，x为状态变量向量，v为量测误差向量，h(x)为非线性静态状态估计的量测函数。
47.采用加权最小二乘法可以将非线性静态状态估计的量测方程表示为：；上式中：r-1
为系统的加权矩阵。
48.求解上式可以得到：；上式中：为量测值雅可比矩阵，需要在非线性状态估计的每次迭代中都更新计算。
49.步骤s23：基于节点注入功率，对高比例新能源接入的配电网进行线性动态状态估计。
50.在ami的采样时刻，线性动态状态估计的量测值为来自ami的节点注入有功功率和无功功率；在ami的非采样时刻，线性动态状态估计的量测值为上述线性静态状态估计或非线性静态状态估计所输出结果的伪量测值。
51.对于线性动态状态估计而言，状态变量方程和量测值方程为：；；上式中：xk和zk分别为在时刻k的n维状态变量向量和m维量测值向量；f(xk)和h(xk)分别为状态转移方程和量测值方程；和vk分别为系统模型的误差向量和量测值误差向量，均服从正态分布，即：，，其中qk为n
×
n维的模型误差的协方差；rk为量测值误差的协方差。
52.采用卡尔曼滤波进行线性动态估计，基于卡尔曼滤波的状态预测方程为：；；上式中：为在时刻k的状态预测向量，为在时刻k的状态估计向量，fk为状态转移矩阵，gk为控制向量，qk为n
×
n维的模型误差的协方差，为状态预测误差的协方差矩阵，为状态滤波误差的协方差矩阵。
53.基于卡尔曼滤波的状态滤波方程为：
；；；上式中：为在时刻k+1的状态变量的估计向量，k
k+1
为增益矩阵，h
k+1
为在时刻k+1的量测值雅可比矩阵，为状态滤波误差的协方差矩阵，i为单位矩阵。
54.步骤s3：为了对配电网运行状态进行全面感知，从可靠性、安全性和经济性三个不同的方面，建立高比例新能源接入的配电网运行状态的评价指标体系。所建立的评价指标体系能够从静态的角度评估配电网的安全可靠运行情况，也能够从动态的角度评估配电网发生故障后的供电能力，并且能够全面评估高比例新能源的接入对配电网运行状态的影响。
55.步骤s3包括以下步骤：步骤s31：从可靠性的角度，建立高比例新能源接入的配电网运行状态的评价指标体系，包括：系统平均停电次数指标（system average interruption frequency index，saifi）、系统评价服务可用性指标（average service availability index，asai）和电量不足期望值指标（expected energynot served，eens）。
56.saifi反映了配电网的平均停电频率，可以表示为：；上式中：为负荷点i的平均故障率，ni为与负荷点i连接的用户数量。
57.asai反映了配电网的平均停电时间，可以表示为：；上式中：ui为负荷点i的平均停电持续时间。
58.eens反映了配电网供电的充裕性程度，可以表示为：；上式中：li为与负荷点i相连接的平均负荷大小。
59.步骤s32：从安全性的角度，建立高比例新能源接入的配电网运行状态的评价指标体系，包括：电压越限指标（overvoltage index，oi）和总谐波畸变指标（totalharmonic distortion index，thdi）。
60.oi反映了配电网发生故障后电压越限的严重程度，可以表示为：；上式中：vi为负荷点i的电压幅值（以标幺值表示）。
61.thdi反映了配电网发生故障后谐波畸变的严重程度，可以表示为：；上式中：u
i1
和u
in
分别为负荷点i的基波有效值和第n次谐波有效值。
62.步骤s33：从经济性的角度，建立高比例新能源接入的配电网运行状态的评价指标体系，包括：电网改造费用指标（power grid renovation cost index，pgrci）、购电费用指标（electricity purchasing cost index，epci）、售电市场份额指标（electric sellingmarket share index，esmsi）和设备沉没成本指标（facility sunk cost index，fsci）。
63.随着越来越高比例的新能源接入配电网，电网改造费用也将会有所增加。pgrci与新接入的新能源的类型和容量直接相关，可以表示为：；上式中：capi为新接入新能源的容量，cpi为新接入新能源的单位电网改造费用。
64.epci与所购买电量的类型有关，可以表示为：；上式中：ei为从第i个分布式电源购买的电量，cbi为第i个分布式电源的单位购电价格。
65.esmsi反映了在整个售电市场中新能源发电量所占的份额，可以表示为：；上式中：e
dg
为新能源的发电量，e
all
为整个售电市场的售电量。
66.fsci与新能源的设备利用率直接相关，可以表示为：；上式中：为由新能源接入所导致的网络供电负荷减少量，为电网的总装机容量，为电网的总装机投资成本。
67.步骤s4：提出了一种改进的逼近理想解排序法，对所建立的配电网运行状态评价指标进行赋权，改善了传统单一主观和客观赋权方法的性能，优化了指标权重，能够得到配电网运行状态的综合全面感知结果。
68.步骤s4包括以下步骤：步骤s41：建立包含m个评价对象和n个评价指标的综合评估矩阵(x
ij
)m×n，x
ij
表示对应于第i个评价对象和第j个评价指标。
69.步骤s42：将综合评估矩阵(x
ij
)m×n进行标准化处理后转换为矩阵r=(r
ij
)m×n，标准化处理的公式为：
。
70.步骤s43：计算加权归一化决策矩阵，其计算公式为：；上式中：，从而有。wj为与评价指标vj相对应的原始权重系数，wk为评价指标vk对应的原始权重系数。
71.步骤s44：确定最好评价对象(ab)与最差评价对象(aw)，其计算公式为：；；上式中：对应于正面的评价指标，对应于负面的评价指标。
72.步骤s45：分别计算目标评价对象与最好评价对象(ab)、最差评价对象(aw)之间的欧氏距离，其计算公式为：；；上式中：t
bj
和t
wj
分别为加权归一化决策矩阵t中与最好评价对象(ab)、最差评价对象(aw)相对应的元素。
73.步骤s46：计算与最差情况之间的相似性程度，其计算公式为：，i=1,2,
…
,m；其中，当且仅当评价对象有最好情况时，pi=1；当且仅当评价对象有最差情况时，pi=0；步骤s47：根据所计算出的pi(i=1,2,
…
,m)的大小对评价对象进行排序。当pi值越大时，说明该评价对象ai与最好评价对象(ab)之间的距离越近。
74.关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、相互间连接方式以及，由上述技术特征带来的常规
使用方法、可预期技术效果，除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的专利、期刊论文、技术手册、技术词典、教科书中已公开内容，或属于本领域常规技术、公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
75.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。