计及出力相关性的配电网电压风险识别方法、装置及设备与流程

文档序号:36721023发布日期:2024-01-16 12:23阅读:29来源:国知局
计及出力相关性的配电网电压风险识别方法、装置及设备与流程

本发明属于配电网,具体涉及计及出力相关性的配电网电压风险识别方法、装置及设备。


背景技术:

1、对分布式电源接入系统后的电压质量影响做出客观而且科学的评估,是建设可持续发展的配电系统的有利基础,科学的评估结果能够在系统规划与建设中提供科学的引导。由于配电网中负荷和光伏发电量存在随机性波动,传统配电自动化系统中确定性潮流计算功能很大程度上不能满足对配网系统电压风险的分析需求。

2、如专利cn110707700a公开一种考虑分布式电源时空特性的配电网潮流计算方法,是采用前推回代法,先假定各节点电压为根节点电压,从末端节点开始,根据已知的各节点负荷功率、各节点电压,向辐射网络始端推算各支路的电流或各支路的始端功率;然后根据根节点的电压和求得的各支路的电流或各支路的始端功率,向末端推算各节点电压,重复以上过程直至完成迭代。其虽然可以改善传统的配电网潮流计算的局限性,可以用来评估有源配电网中分布式电源接入后对配电系统所产生的影响,同时也可以分析分布式电源对电网静态稳定性的影响。但是其仍无法综合考虑各种不确定性因素对系统运行稳定性的影响,进而无法应用于配网电压风险识别。

3、因此,如何考虑各种不确定性因素对系统运行稳定性的影响,以实现对运行薄弱点和潜在风险进行全面分析,使其可以应用于配网电压风险识别是本领域技术人员亟待解决的问题。


技术实现思路

1、针对上述现有技术中存在的缺陷,本发明提供了一种计及出力相关性的配电网电压风险识别方法、装置及设备,通过获取光伏出力的历史数据,采用局部密度中心法进行聚类分析,给出各类光伏出力场景;基于每类光伏出力场景中光伏出力的历史数据的相关性,通过非参数估计方式建立场景概率模型;采用模拟法的概率潮流计算,给出光伏出力目标样本,并获取配电网的电压分布;分析各个光伏出力场景下的电压越限概率,完成计及出力相关性的配电网电压风险识别。可以综合考虑各种不确定性因素对系统运行稳定性的影响,进而对运行薄弱点和潜在风险进行全面分析,更适合应用于配网电压风险识别。

2、第一方面,本发明提供一种计及出力相关性的配电网电压风险识别方法,具体包括如下步骤:

3、获取光伏出力的历史数据,采用局部密度中心法进行聚类分析,给出各类光伏出力场景;

4、基于每类光伏出力场景中光伏出力的历史数据的相关性,通过非参数估计方式建立场景概率模型;

5、采用模拟法的概率潮流计算,给出光伏出力目标样本,并获取配电网的电压分布;

6、分析各个光伏出力场景下的电压越限概率,完成计及出力相关性的配电网电压风险识别。

7、进一步的,光伏出力的历史数据包多个时间点下配电网多个节点的负荷和光伏出力功率。

8、进一步的,采用局部密度中心法进行聚类分析,给出各类光伏出力场景,具体包括如下步骤:

9、根据光伏出力的历史数据,分析各个数据的局部密度及距离偏量,给出聚类度,确定聚类中心;

10、基于对各个聚类中心与对应跨类点的分析,给出各个聚类中心的归类边界,并对光伏出力的历史数据进行标记归类;

11、根据确定的各个聚类中心和类数,给出对应的各类光伏出力场景。

12、进一步的,分析各个数据的局部密度及距离偏量,给出聚类度,确定聚类中心,具体包括如下步骤:

13、获取每个数据的局部密度以及距离偏量,给出该数据点的聚类度,具体表示为:

14、

15、

16、其中,i为i点的聚类度,截断距离,为i点到j点的距离,min()为取最小值函数;

17、比较各个数据点的聚类度及预设阈值,确定聚类中心。

18、进一步的,基于每类光伏出力场景中光伏出力的历史数据的相关性,通过非参数估计方式建立场景概率模型,具体包括如下步骤:

19、基于光伏出力功率数据,确定核函数,通过非参数估计,给出每类光伏出力场景的边缘概率分布函数;

20、以边缘概率分布函数为随机变量的边缘进行分析,构建高斯copula函数模型,建立场景概率模型,描述每类光伏出力场景。

21、进一步的,每类光伏出力场景的边缘概率分布函数,具体表示为:

22、

23、其中,f(pi,j)为第i类场景中光伏出力功率数据的边缘概率分布,pi为第i类场景中的光伏出力功率数据,n为光伏出力功率数据的总量,h为核函数的带宽,pi,j为第i类场景中的第j个光伏出力功率数据,k()为高斯核函数。

24、进一步的,建立场景概率模型,具体表示为:

25、

26、其中,为第i类场景的场景概率,为多维的场景概率模型函数,为场景概率模型函数的反函数,为第i类场景中光伏出力功率数据的边缘概率分布。

27、进一步的,采用模拟法的概率潮流计算,给出光伏出力目标样本,并获取配电网的电压分布,具体包括如下步骤:

28、采用极大似然方法对场景概率模型进行参数估计,给出对应的光伏出力场景;

29、通过拉丁超立方采样法,结合给出的光伏出力场景,从光伏出力的历史数据中确定光伏出力目标样本;

30、对光伏出力目标样本进行概率潮流计算,给出配电网的电压分布。

31、进一步的,确定光伏出力目标样本,具体表示为:

32、

33、其中,为第i类场景的第q个目标样本,为第i类场景的场景概率函数的反函数,n为目标样本的总数。

34、进一步的,从光伏出力的历史数据中确定光伏出力目标样本之后,还包括:

35、对目标样本的冗余数据进行消减,具体包括如下步骤:

36、对于目标样本中的每一个样本pi=(p1,p2,...,pm),定义其中两个样本之间的距离函数;

37、对于每一个样本pi,计算该样本与其余样本之间的距离函数;

38、取pi与其他样本之间距离的最小值dmin(pi),具体表示为:

39、dmin(pi)=min{d(pi,pd)},d=1,2,...,m,d≠i;

40、定义总体评估函数作为剔除的依据,对所有样本的总体评估函数排序,剔除所有样本中总体评估函数最小的一个样本;

41、重复步骤取距离最小值和剔除的步骤,直至剩余样本数量达到数据削减预先设定的要求。

42、进一步的,两个样本之间的距离函数,具体表示为:

43、

44、其中,d()为两个样本之间的距离函数,pa、pb分别为两个样本。

45、进一步的,总体评估函数,具体为:

46、

47、其中,f()为总体评估函数。

48、第二方面,本发明还提供一种计及出力相关性的配电网电压风险识别装置,采用上述计及出力相关性的配电网电压风险识别方法,包括:

49、采集单元,用于获取光伏出力的历史数据;

50、分析单元,用于采用局部密度中心法进行聚类分析,给出各类光伏出力场景,基于每类光伏出力场景中光伏出力的历史数据的相关性,通过非参数估计方式建立场景概率模型,采用模拟法的概率潮流计算,给出光伏出力目标样本,并获取配电网的电压分布;

51、判定单元,用于分析各个光伏出力场景下的电压越限概率,完成计及出力相关性的配电网电压风险识别。

52、分析单元包括:

53、根据光伏出力的历史数据,分析各个数据的局部密度及距离偏量,给出聚类度,确定聚类中心;

54、基于对各个聚类中心与对应跨类点的分析,给出各个聚类中心的归类边界,并对光伏出力的历史数据进行标记归类;

55、根据确定的各个聚类中心和类数,给出对应的各类光伏出力场景。

56、分析单元还包括:

57、获取每个数据的局部密度以及距离偏量,给出该数据点的聚类度;

58、比较各个数据点的聚类度及预设阈值,确定聚类中心。

59、分析单元还包括:

60、基于光伏出力功率数据,确定核函数,通过非参数估计,给出每类光伏出力场景的边缘概率分布函数;

61、以边缘概率分布函数为随机变量的边缘进行分析,构建高斯copula函数模型,建立场景概率模型,描述每类光伏出力场景。

62、分析单元还包括:

63、采用极大似然方法对场景概率模型进行参数估计,给出满足条件的光伏出力场景;

64、通过拉丁超立方采样法,结合给出的光伏出力场景,从光伏出力的历史数据中确定光伏出力目标样本;

65、对光伏出力目标样本进行概率潮流计算,给出配电网的电压分布。

66、进一步的,光伏出力的历史数据包多个时间点下配电网多个节点的负荷和光伏出力功率。

67、进一步的,采用局部密度中心法进行聚类分析,给出各类光伏出力场景,具体包括如下步骤:

68、根据光伏出力的历史数据,分析各个数据的局部密度及距离偏量,给出聚类度,确定聚类中心;

69、基于对各个聚类中心与对应跨类点的分析,给出各个聚类中心的归类边界,并对光伏出力的历史数据进行标记归类;

70、根据确定的各个聚类中心和类数,给出对应的各类光伏出力场景。

71、进一步的,分析各个数据的局部密度及距离偏量,给出聚类度,确定聚类中心,具体包括如下步骤:

72、获取每个数据的局部密度以及距离偏量,给出该数据点的聚类度,具体表示为:

73、

74、

75、其中,i为i点的聚类度,截断距离,为i点到j点的距离,min()为取最小值函数;

76、比较各个数据点的聚类度及预设阈值,确定聚类中心。

77、进一步的,基于每类光伏出力场景中光伏出力的历史数据的相关性,通过非参数估计方式建立场景概率模型,具体包括如下步骤:

78、基于光伏出力功率数据,确定核函数,通过非参数估计,给出每类光伏出力场景的边缘概率分布函数;

79、以边缘概率分布函数为随机变量的边缘进行分析,构建高斯copula函数模型,建立场景概率模型,描述每类光伏出力场景。

80、进一步的,每类光伏出力场景的边缘概率分布函数,具体表示为:

81、

82、其中,f(pi,j)为第i类场景中光伏出力功率数据的边缘概率分布,pi为第i类场景中的光伏出力功率数据,n为光伏出力功率数据的总量,h为核函数的带宽,pi,j为第i类场景中的第j个光伏出力功率数据,k()为高斯核函数。

83、进一步的,建立场景概率模型,具体表示为:

84、

85、其中,为第i类场景的场景概率,为多维的场景概率模型函数,为场景概率模型函数的反函数,为第i类场景中光伏出力功率数据的边缘概率分布。

86、进一步的,采用模拟法的概率潮流计算,给出光伏出力目标样本,并获取配电网的电压分布,具体包括如下步骤:

87、采用极大似然方法对场景概率模型进行参数估计,给出对应的光伏出力场景;

88、通过拉丁超立方采样法,结合给出的光伏出力场景,从光伏出力的历史数据中确定光伏出力目标样本;

89、对光伏出力目标样本进行概率潮流计算,给出配电网的电压分布。

90、进一步的,确定光伏出力目标样本,具体表示为:

91、

92、其中,为第i类场景的第q个目标样本,为第i类场景的场景概率函数的反函数,n为目标样本的总数。

93、进一步的,从光伏出力的历史数据中确定光伏出力目标样本之后,还包括:

94、对目标样本的冗余数据进行消减,具体包括如下步骤:

95、对于目标样本中的每一个样本pi=(p1,p2,...,pm),定义其中两个样本之间的距离函数;

96、对于每一个样本pi,计算该样本与其余样本之间的距离函数;

97、取pi与其他样本之间距离的最小值dmin(pi),具体表示为:

98、dmin(pi)=min{d(pi,pd)},d=1,2,...,m,d≠i;

99、定义总体评估函数作为剔除的依据,对所有样本的总体评估函数排序,剔除所有样本中总体评估函数最小的一个样本;

100、重复步骤取距离最小值和剔除的步骤,直至剩余样本数量达到数据削减预先设定的要求。

101、进一步的,两个样本之间的距离函数,具体表示为:

102、

103、其中,d()为两个样本之间的距离函数,pa、pb分别为两个样本。

104、进一步的,总体评估函数,具体为:

105、

106、其中,f()为总体评估函数。

107、第三方面,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法。

108、本发明提供的计及出力相关性的配电网电压风险识别方法、装置及设备,至少包括如下有益效果:

109、利用聚类算法,获取各个光伏发电系统具有差异性的发电曲线簇,每簇利用核估计法建立概率密度函数,并且抽样时考虑各簇的概率特征,建立一个精确的光伏发电系统模型。利用所生成场景,以及光伏发电系统模型,进行配电网潮流计算并评估该条线路上各节点的电压越限概率。最终可以综合考虑各种不确定性因素对系统运行稳定性的影响,进而对运行薄弱点和潜在风险进行全面分析,更适合应用于配网电压风险识别。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1