一种高比例风电消纳场景下的电力系统优化方法

1.本发明属于风电并网后的最优潮流计算领域，更具体地，涉及一种高比例风电消纳场景下的电力系统优化方法。


背景技术：

2.随着风电的发电成本逐步下降，一些国家已经大力使用风电作为电能供给手段。据国际可再生能源署的统计，陆上风力发电领域在可再生能源领域中的发电成本较逐年降低，2018年陆上风电项目全球加权平均成本为0.056美元/千瓦时，较2017年下降13％，较2010年的0.085美元/千瓦时下降35％。全球海上风电的体量同样巨大，在不到20年的时间里，海上风力涡轮机的平均规模增长了3.4倍，从2000年的1.6兆瓦增长到2018年的5.5兆瓦。由于风能会受到气候，洋流等诸多因素的影响，其发电功率具有很高的不确定性，这种不确定性对于电力系统的冲击不容忽视。
3.目前，高比例风电并入电网会受到传统机组运行的影响，有时难以满足电网运行约束条件，从而对电网的安全稳定运行构成威胁。此外，电网难以有效消纳高比例风电，导致弃风现象产生，带来风电资源的浪费。而且，风电的不确定性会造成发电成本的波动，对电网的成本产生影响。基于以上考虑，传统的概率最优潮流在处理风电并网时往往只考虑发电成本，而将电网安全运行作为约束条件，无法同时考虑高比例风电并入电网带来的电网安全运行，成本及弃风问题。


技术实现要素：

4.针对现有技术的缺陷和改进需求，本发明提供了一种高比例风电消纳场景下的电力系统优化方法，其目的在于，在高比例风电并入电网的情况下，在降低发电成本、减少风电资源浪费的同时，提高电网的运行安全。
5.为实现上述目的，按照本发明的一个方面，提供了一种高比例风电消纳场景下的电力系统优化方法，包括：
6.构建以最小化弃风量、电压裕度、静态电压稳定裕度、发电成本以及最大化线路裕度为目标的概率最优潮流众目标优化模型，在预设的约束条件下求解众目标概率最优潮流模型，从所得解集中选取一个决策变量作为优化结果，并按照优化结果对电力系统中各设备进行设置，完成优化；
7.其中，决策变量包括：平衡节点以外的各节点的有功功率输出，各发电机的端电压，各变压器的抽头比，各无功补偿壮装置输出的无功功率；预设的约束条件包括等式约束和不等式约束；等式约束包括：有功功率平衡约束和无功功率平衡约束，以及各风电场景出现的概率之和为1；不等式约束包括：各设备输出的有功功率和无功功率均在相应的最大值和最小值之间。
8.进一步地，弃风量aw的计算方式包括：计算各风电场景接入电力系统后的弃风量，与风电场景出现的概率对应相乘后求和，将所得结果作为弃风量aw；任意的风电场景δk接
入电力系统后，弃风量为各风电场的弃风量之和，其中，任意第j个风电场的弃风量c
j,k
按照如下步骤计算：
9.(s1)初始化弃风量c
j,k
为c
j,k
＝0；
10.(s2)将风电场景δk接入电力系统后，进行潮流计算，以分别验证等式预设和不等式约束的满足情况，若均满足，则转入步骤(s4)；否则，转入步骤(s3)；
11.(s3)按照p
wt,k
＝p
wt,k
–cstep
更新风电场景δk下的实际风电功率p
wt,k
，并按照c
j,k
＝c
j,k
+c
step
更新弃风量c
j,k
之后，转入步骤(s2)；
12.(s4)输出当前的c
j,k
，作为风电场景δk下第j个风电场的弃风量c
j,k
；
13.其中，p
wt,k
表示风电场景δk下的实际风电功率，c
step
为预设的弃风量。
14.进一步地，线路裕度lm的计算方式包括：计算各风电场景接入电力系统后的线路裕度，与风电场景出现的概率对应相乘后求和，将所得结果作为线路裕度lm；任意的风电场景δk接入电力系统后，线路裕度按照如下方式计算：
15.(t1)在将风电场景δk接入电力系统后，按照s
i,k
＝|si|-s
base,i
计算第i条支路的线路裕度；si表示第i条支路的视在功率，s
base,i
表示第i条支路上长距离传输的额定视在功率；
16.(t2)将所有支路的线路裕度的最大值作为风电场景δk接入电力系统后的线路裕度。
17.进一步地，电压裕度vm的计算方式包括：计算各风电场景接入电力系统后的电压裕度，与风电场景出现的概率对应相乘后求和，将所得结果作为电压裕度vm；任意的风电场景δk接入电力系统后，电压裕度为各节点电压裕度之和，其中，任意第i个节点的电压裕度v
j,k
为该节点的电压值vj到其额定电压之间的差距。
18.进一步地，静态电压稳定裕度svsm的计算方式包括：计算各风电场景接入电力系统后的静态电压稳定裕度，与风电场景出现的概率对应相乘后求和，将所得结果作为静态电压稳定裕度svsm；任意的风电场景δk接入电力系统后，静态电压稳定裕度lk的计算表达式为：
[0019][0020]
其中，n
l
和ng分别表示负载节点和发电机节点的个数，v
k,j
和v
k,i
分别表示负载节点j与发电机节点i的电压；f
k,ji
根据计算得到，v
k,0j
表示平衡电压。
[0021]
进一步地，发电成本gc的计算方式包括：计算各风电场景接入电力系统后的发电成本，与风电场景出现的概率对应相乘后求和，将所得结果作为发电成本gc；任意的风电场景δk接入电力系统后，发电成本为
[0022]
其中，pi表示第i个机组的出力，αi、βi、λi均表示第i个机组的燃油系数。
[0023]
进一步地，各风电场景下的实际风电功率及其对应的出现概率通过精细分层采样
的方式获取。
[0024]
进一步地，众目标概率最优潮流模型的求解算法为nsga-ii算法。
[0025]
进一步地，本发明提供的高比例风电消纳场景下的电力系统优化方法，还包括：选取参考点，并利用参考点与求解众目标概率最优潮流模型得到的解集计算超体积指标，若超体积指标显示众目标概率最优潮流模型不收敛，则重新求解。
[0026]
按照本发明的另一个方面，提供了一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行本发明提供的高比例风电消纳场景下的电力系统优化方法。
[0027]
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：本发明研究发现，高比例风电并入电网的场景下，发电成本、弃风量以及电网安全运行目标之间存在着紧密耦合的关系，传统方法所建立的概率最优潮流模型，仅考虑发电成本，而将电网安全运行和弃风量作为约束条件，忽略了不同因素之间的耦合关系，最终的优化结果并不能使电力系统的整体性能达到最优；基于这一发现，本发明所建立的众目标概率最优潮流模型，将弃风量aw、线路裕度lm、电压裕度vm以及静态电压稳定裕度svsm，与发电成本gc一起，共同作为目标进行联合优化，能够充分考虑目标之间的内在联系，在降低发电成本、减少风电资源浪费的同时，提高电网的运行安全性，对风电并网策略的制定提供重要参考；对高比例风电接入的电力系统规划、运行方式提供了可靠的依据。
附图说明
[0028]
图1为本发明实施例提供的高比例风电消纳场景下的电力系统优化方法流程图；
[0029]
图2为本发明实施例提供的接入风电场的ieee-30节点电力系统拓扑结构示意图；
[0030]
图3为本发明实施例提供的精细分层采样(refined stratified sampling，rss)在不同风电场景下采样的实际风电功率；
[0031]
图4为本发明实施例提供的rss采样的风电场景的发生概率；
[0032]
图5为本发明实施例提供的nsga-ii算法在求解过程中的超体积指标；
[0033]
图6为本发明实施例提供的nsga-ii算法在求解后获得的以平行坐标图形式进行表示的帕累托面；
[0034]
图7为本发明实施例提供的弃风量与线路裕度，电压裕度之间的帕累托面；
[0035]
图8为本发明实施例提供的弃风量与线路裕度，静态电压稳定裕度之间的帕累托面；
[0036]
图9为本发明实施例提供的弃风量与线路裕度，发电成本之间的帕累托面；
[0037]
图10为本发明实施例提供的弃风量与电压裕度，静态电压稳定裕度之间的帕累托面；
[0038]
图11为本发明实施例提供的弃风量与电压裕度，发电成本之间的帕累托面；
[0039]
图12为本发明实施例提供的弃风量与静态电压稳定裕度，发电成本之间的帕累托面。
具体实施方式
[0040]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0041]
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0042]
为了在降低发电成本、减少风电资源浪费的同时，提高电网的运行安全性，本发明提供了一种高比例风电消纳场景下的电力系统优化方法，其整体思路在于：充分考虑发电成本、弃风量以及电网安全运行目标之间的内在联系，建立众目标概率最优潮流模型同时对多个目标进行优化，使得系统整体性能最优。
[0043]
以下为实施例。
[0044]
实施例1：
[0045]
一种高比例风电消纳场景下的电力系统优化方法，如图1所示，包括：
[0046]
构建以最小化弃风量、电压裕度、静态电压稳定裕度、发电成本以及最大化线路裕度为目标的概率最优潮流众目标优化模型，在预设的约束条件下求解众目标概率最优潮流模型，从所得解集中选取一个决策变量作为优化结果，并按照优化结果对电力系统中各设备进行设置，完成优化；
[0047]
其中，决策变量包括：平衡节点以外的各节点的有功功率输出，各发电机的端电压，各变压器的抽头比，各无功补偿壮装置输出的无功功率；预设的约束条件包括等式约束和不等式约束；等式约束包括：有功功率平衡约束和无功功率平衡约束，以及各风电场景出现的概率之和为1；不等式约束包括：各设备输出的有功功率和无功功率均在相应的最大值和最小值之间。
[0048]
本实施例中，以aw、-lm、vm、svsm和gc分别表示弃风量、电压裕度、电压裕度、静态电压稳定裕度和发电成本，则本实施例所建立的概率最优潮流众目标优化模型的目标函数可表示为：
[0049]
min[aw,-lm,vm,svsm,gc]
[0050]
为了获得不同的风电场景，以及各风电场景下的出现概率，作为一种可选的实施方式，本实施例中，采用精细分层采样(refined stratified sampling，rss)法对风电场景进行采样，通过采样，可以获得不同风电场景下的实际风电功率及其对应的出现概率；具体地，分别对各个风电场所的目标风速进行采样，同时获得各目标风速的概率；之后基于风电特性计算各场景的风电出力作为对应场景下的实际风电功率，其中，风电特性表征方式为：
[0051]
使用预测速度v
fore
及预测误差δv对实际风速v进行表示，在较短的时间尺度下，v可以表示为v
fore
与δv的和：
[0052]
v＝v
fore
+δv
[0053]
其中，δv服从均值为0，方差为σ的正态分布：
[0054]
风机出力可由风力发电机的风电特性进行表示：
[0055]
[0056][0057]
其中，p
wt
表示风力发电机实际输出的有功功率，v表示采样得到的目标风速；v
ci
、v
ra
、v
co
分别表示切入风速、额定风速与切出风速；p
ra
表示风力发电机的额定功率。
[0058]
rss，即精细分层采样，相比于其他采样方法，其采样场景少，算法复杂度第低，在高比例风电消纳场景下，采样得到的样本可信度较高；其采样过程如下：
[0059]
首先，初始化样本集规模n＝1，并将所有样本归于分层ωj，j表示分层数目，有j＝(1,
…
,nj)，nj表示所允许的最大分层数；该分层中所有样本的权重定义为：
[0060]
wj＝p(ωj)/mj[0061]
其中，p(ωj)表示ωj出现的概率，mj为分层ωj中的样本个数；
[0062]
之后，对于所有的分层，如果有且仅有一个分层ωk满足则将其设置为原始分层，若同时存在s个分层满足wk＝max(wj),k＝1,2,...s，则在这些分层中，以1/s的概率随机选取一个分层作为原始分层；
[0063]
进而，对原始分层ωk执行对半分割，需要先计算非分层长度：
[0064][0065]
其中，与分别为ωk中第i个采样分量对应的概率上下限，n为ωk中采样的数目；
[0066]
进一步，对于最大的非分层长度λk＝max(λ
i,k
)，若是仅存在一个采样分量i对应λk，则按照i对原始分层进行分割，若存在c个分量共同满足λ
i,k
＝λk,i＝1,2,...,c，则以1/c的概率随机选择一个分量进行分割；
[0067]
另外，在新产生的分层中进行随机采样得到样本集x＝(x
l
),l＝1,2,...,n，并与现有样本集合并得到新样本集，并重新计算样本集中各个样本对应的样本权重，即各样本对应的出现概率。
[0068]
应当说明的是，rss仅为本发明一种优选的采样方式，在本发明其他的一些实施例中，也可以采用其他的采样方式。
[0069]
在获得各风电场景的实际风电功率及风电场景对应的出现概率后，本实施例中，弃风量aw的计算方式包括：计算各风电场景接入电力系统后的弃风量，与风电场景出现的概率对应相乘后求和，将所得结果作为弃风量aw；任意的风电场景δk接入电力系统后，弃风量为各风电场的弃风量之和，其中，任意第j个风电场的弃风量c
j,k
按照如下步骤计算：
[0070]
(s1)初始化弃风量c
j,k
为c
j,k
＝0；
[0071]
(s2)将风电场景δk接入电力系统后，进行潮流计算，以分别验证等式预设和不等式约束的满足情况，若均满足，则说明潮流收敛，风电全部消纳，无需弃风，转入步骤(s4)；否则，说明风电未完全消纳，需要弃风，转入步骤(s3)；
[0072]
(s3)按照p
wt,k
＝p
wt,k
–cstep
更新风电场景δk下的实际风电功率p
wt,k
，并按照c
j,k
＝c
j,k
+c
step
更新弃风量c
j,k
之后，转入步骤(s2)；
[0073]
(s4)输出当前的c
j,k
，作为风电场景δk下第j个风电场的弃风量c
j,k
；
[0074]
其中，p
wt,k
表示风电场景δk下的实际风电功率，c
step
为预设的弃风量；基于以上计算方式，本实施例中，弃风量aw可表示为：
[0075][0076]
其中，nk表示风电场景的总数，n
farm
表示风电场所总数，表示风电场景δk的出现概率；本实施例在计算各风电场景下的弃风量时，采用了一种逐步弃风的策略，即在风电未完全消纳的情况下，按照预设的弃风量c
step
逐步弃风，每次弃风之后，都会重新验证风电消纳情况，直至潮流收敛，风电完全消纳；通过逐步弃风策略，本实施例能够在保证系统潮流收敛、风电完全消纳的情况下，尽量减少弃风量，避免风电资源浪费。
[0077]
本示例中，线路裕度lm的计算方式包括：计算各风电场景接入电力系统后的线路裕度，与风电场景出现的概率对应相乘后求和，将所得结果作为线路裕度lm；任意的风电场景δk接入电力系统后，线路裕度按照如下方式计算：
[0078]
(t1)在将风电场景δk接入电力系统后，按照s
i,k
＝|si|-s
base,i
计算第i条支路的线路裕度；
[0079]
si表示第i条支路的视在功率；
[0080]sbase,i
表示第i条支路上长距离传输的额定视在功率，其计算公式为表示第i条支路上长距离传输的额定视在功率，其计算公式为代表第i条支路的额定功率，s
base
为电力系统线路长距离传输的功率基准；
[0081]
(t2)将所有支路的线路裕度的最大值作为风电场景δk接入电力系统后的线路裕度；
[0082]
基于以上计算方式，本实施例中，线路裕度lm可表示为：
[0083][0084]
其中，nb表示支路总数。
[0085]
本实施例中，电压裕度vm的计算方式包括：计算各风电场景接入电力系统后的电压裕度，与风电场景出现的概率对应相乘后求和，将所得结果作为电压裕度vm；任意的风电场景δk接入电力系统后，电压裕度为各节点电压裕度之和，其中，任意第i个节点的电压裕度v
j,k
为该节点的电压值vj到其额定电压之间的差距，即v
j,k
＝|v
j-1|；
[0086]
基于以上计算方式，本实施例中，电压裕度vm可表示为：
[0087][0088]
其中，n
pr
表示节点总数。
[0089]
本实施例中，静态电压稳定裕度svsm用来衡量电力系统的实际运行状态至其稳定性限度的距离，其计算方式包括：计算各风电场景接入电力系统后的静态电压稳定裕度，与风电场景出现的概率对应相乘后求和，将所得结果作为静态电压稳定裕度svsm；任意的风电场景δk接入电力系统后，静态电压稳定裕度lk的计算表达式为：
[0090][0091]
其中，n
l
和ng分别表示负载节点和发电机节点的个数，v
k,j
和v
k,i
分别表示负载节点j与发电机节点i的电压；f
k,ji
根据计算得到，v
k,0j
表示平衡电压；
[0092]
基于以上计算方式，本实施例中，静态电压稳定裕度svsm可表示为：
[0093][0094]
线路裕度lm、电压裕度vm以及静态电压稳定裕度svsm在模型中的最小化确保了传输线路、节点电压与电网整体状态的安全性。
[0095]
本实施例中，发电成本gc的计算方式包括：计算各风电场景接入电力系统后的发电成本，与风电场景出现的概率对应相乘后求和，将所得结果作为发电成本gc；任意的风电场景δk接入电力系统后，发电成本为
[0096]
其中，ns表示机组总数；pi表示第i个机组的出力，αi、βi、λi均表示第i个机组的燃油系数；
[0097]
基于以上计算方式，本实施例将发电成本gc看作每个机组的成本之和，并使用二次成本函数表示电力系统的成本，具体可表示为：
[0098][0099]
本实施例中，概率最优潮流众目标优化模型的约束条件中，等式约束具体如下：
[0100][0101][0102][0103]
上述三个表达式分别对应有功功率平衡约束和无功功率平衡约束，以及各风电场景出现的概率之和为1；其中，p
gi
与q
gi
为接入节点i的有功与无功功率；p
di
与q
di
为接入节点i的有功与无功需求；vi与vj代表节点i与j的电压幅值，ni是与节点i相邻的节点总数；g
ij
和b
ij
是节点i与j之间的传输电导和电纳；θ
ij
则表示i与j之间的电压相角
[0104]
本实施例中，概率最优潮流众目标优化模型的状态变量以x
t
表示，用于计算约束条件，具体表示为：
[0105]
x
t
＝[p
g1
,v
l1
,...,v
lnd
,q
g1
,...,q
gng
,s1,...,s
ne
]
[0106]
其中，p
g1
表示平衡节点发电机的有功功率，v
l1
～v
lng
分别表示第1～第nd条负载母线的电压，nd表示负载总数；q
g1
～q
gng
分别表示第1～第ng个发电机输出的无功功率，ng表示
发电机总数；s1～s
ne
分别表示第1～第ne条支路的功率损耗，ne表示支路总数。
[0107]
本实施例中，概率最优潮流众目标优化模型的决策变量以u
t
表示，具体表示为：
[0108]ut
＝[p
g2
,...,p
gng
,v
g1
,...,v
gng
,t1,...,t
nt
,q
c1
,...,q
cnc
]
[0109]
其中，p
g2
～p
gng
表示第2～第ng个节点，即平衡节点之外的各节点输出的有功功率；t1～t
nt
分别表示第1～第nt个变压器的抽头比，nt表示变压器总数：q
c1
～q
cnc
分别表示第1～第nc个无功补偿装置的输出，nc表示无功补偿装置总数。
[0110]
为了求解上述决策变量u
t
，可选地，本实施例具体采用nsga-ii(nondominated sorting genetic algorithm-ii)算法对众目标概率最优潮流模型进行求解，求解所得的解集构成了帕累托面；从解集中选取一个解，即可得到决策变量；
[0111]
为了进一步保优化结果的可靠性，本实施例在求解得到解集后，进一步包括：选取参考点，并利用参考点与求解众目标概率最优潮流模型得到的解集计算超体积指标，若超体积指标显示众目标概率最优潮流模型不收敛，则重新求解。
[0112]
实施例2：
[0113]
一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行上述实施例1提供的高比例风电消纳场景下的电力系统优化方法。
[0114]
以下结合一个实际的应用场景对本发明的技术方案做进一步的解释说明。
[0115]
图2所示为ieee-30节点系统的拓扑结构，系统数据见表1，在节点2，7，10，16，24处各接入一个风电场，各风电场的配置见表2。风电场中的风机均选用双馈感应发电机，其额定风速v
rate
，切入风速v
in
与切出风速v
out
分别设置为12.5m/s，4m/s以及20m/s。
[0116]
表1 ieee-30节点系统数据
[0117]
[0118][0119]
表2风电场配置
[0120][0121]
采用上述实施例1提供的方法对接入风电场的ieee-30节点系统进行优化，具体过程如下：
[0122]
基于以上表1和表2中的参数，首先，根据风电场的历史数据获得各风电场的预测风速与预测误差，具体如表3所示，
[0123]
表3风电场预测风速与预测误差
[0124][0125]
基于表3的预测结果，采用精细分层采样对风电场景进行采样，设置风电场景nk＝20，采样所得的实际风电功率和场景发生概率分别如图3和图4所示。
[0126]
20个风电场景的平均风电功率为117.72mw，本例使用的ieee-30节点系统的总负荷量为283.4mw，风电接入比例为41.54％，满足高比例风电接入的要求。
[0127]
在此应用场景下，决策变量u
t
包括24个变量，每个位置的取值及其上下限如表4所示。
[0128]
表4控制变量的取值及上下限
[0129][0130]
计算各风电场景并入电网后的弃风量awi,i∈[1,2,...,20]，如表5所示。
[0131]
表5各风电场景对应的弃风量
[0132][0133][0134]
计算各风电场景并入电网后的线路裕度lmi,i∈[1,2,...,20]，如表6所示：
[0135]
表6各风电场景对应的线路裕度
[0136][0137]
计算各风电场景并入电网后的电压裕度，如表7所示：
[0138]
表7各风电场景对应的电压裕度
[0139][0140]
计算各风电场景并入电网后的静态电压稳定裕度，如表8所示：
[0141]
表8各风电场景对应的静态电压稳定裕度
[0142][0143]
计算各风电场景并入电网后的发电成本ci,i∈[1,2,...,20]，如表9所示：
[0144]
表9各风电场景对应的发电成本
[0145][0146]
基于以上各场景下的弃风量、线路裕度、电压裕度、静态电压稳定裕度以及发电成本，建立相应的概率最优潮流众目标优化模型并求解，可以分别获取各目标函数在状态变量x
t
下受决策变量u
t
作用的结果：
[0147]
aw(x
t
,u
t
)＝2.1661
[0148]
lm(x
t
,u
t
)＝-0.3961
[0149]
vm(x
t
,u
t
)＝0.2372
[0150]
svsm(x
t
,u
t
)＝0.1273
[0151]
c(x
t
,u
t
)＝465.9434
[0152]
采用nsga-ii算法求解概率最优潮流众目标优化模型，获取决策变量，并计算超目标体积指标与帕累托面以表示模型的效果，分别如图5和图6所示。nsga-ii算法在求解本模型时的个体数设置为30个，最大迭代次数设置为200代，求解超体积指标所需要的参考点w设置为[5,3,3,100,600]。计算获得的超体积指标如图5所示，从图中可以看出，随着nsga-ii的迭代，超体积指标值的变化程度逐渐降低，意味着模型的解可以收敛。
[0153]
进一步对所求得的解依照如下式进行归一化：
[0154][0155]
使用归一化后的解以平行坐标图的形式表达模型的帕累托面，如图6所示，可以看出帕累托面表达出了不同函数之间的折中关系。即当系统的弃风量较低时，线路裕度会随之降低，而电压裕度、静态电压稳定裕度指标的值较高，可以解释为对于高比例风电的消纳会影响输电线路的稳定性，节点的安全性以及系统整体的运行平稳程度。此外，弃风量变少时，系统的发电成本有所降低，这表示风电能源的接入会缓和传统能源的利用情况，减少经济消耗。而当弃风量指标提升，即系统无法消纳所接入的风电时，输电线路的负载情况得以缓和，表现在线路裕度指标随之升高。与此同时，电压裕度与静态电压稳定裕度指标下降，表示节点的安全性与系统的平稳程度都得以提升。显而易见的是，系统的发电成本则会随着弃风量的升高而升高，这意味着弃风会导致高比例风电接入的优势降低。在高比例风电并入电网的情况下，基于以上关系建立模型，将有助于揭示高比例风电的接入对电力系统的安全性及成本的影响，为风电消纳策略的制定提供重要参考。
[0156]
更具体地，图7，图8，图9，图10，图11与图12使用三维散点图的形式分别展示了弃风量与其余四个目标之间的帕累托面。当高比例风电接入电力系统时，弃风量的值可以等价于系统对风电的消纳量，弃风量越小则表示系统消纳的风电越多；从图中可以看出，当系统消纳大量风电时，线路裕度指标会降低，电压裕度和静态电压稳定裕度指标则会升高，这意味着消纳风电会威胁到电力系统工作的安全性。与此同时，低弃风量也对应着低发电成本，因为风电可以减轻发电机组的压力，从而降低系统的成本。另一方面，弃风量的提升会造成风电资源的浪费，但同时降低了系统出现安全危机的可能性，表现在线路裕度指标的提升，电压裕度和静态电压稳定裕度指标的下降。但这也就意味着发电机组的压力提升，系统在发电成本上的开销会更大。
[0157]
总的来说，本发明揭示了高比例风电的接入对电力系统安全及成本的影响，能够对风电并网策略的制定提供重要参考；为高比例风电接入的电力系统规划、运行方式提供可靠的依据。
[0158]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。