考虑风电接入不确定性的节点特性建模研究

摘要

基于电力系统元件模型的数字仿真分析是系统运行、规划、设计和控制等领域的主要手段，而作为电力系统四大基本元件之一的负荷，由于其自身特殊性和困难性，建模发展相对滞后于其他元件，因此负荷建模研究已成为影响电力系统数字仿真精度的决定性因素。传统负荷建模研究工作已在很多应用场景下取得了可喜的成绩，然而近年来随着风电接入，其对系统的影响已取得业界共识，从负荷建模角度，风电接入不但改变了负荷组成和功率流向，而且随着风功率的随机性和基础负荷的时变性，广义负荷不确定性加剧，这给负荷建模分析带来了新的挑战。由此本文对考虑风电接入不确定性的节点特性建模相关问题进行探讨，主要内容如下:
　　首先，提出了一种基于概率统计的广义负荷节点稳态特性学习与建模新方法。为分析风电接入后功率流向的改变，将节点特性分为电源特性与负荷特性;针对节点特性的不确定性变化，基于历史实测数据对有功功率样本空间进行自适应分段细化，统计其概率分布;利用Levenberg-Marquardt神经网络法学习并提取各段节点特征，构建节点特性统一模型，并以风险分析为例说明新模型的应用。仿真结果表明，本文方法不但可精确建模，而且通过统计数据样本引入概率信息，可对不确定性问题按概率分场景分析，弥补了传统方法对随机特征描述能力不足的缺陷，是对传统建模方法在不确定场景应用上的扩展和延伸。
　　其次，考虑自然特性与人类习惯差异对模型精确性与实用性造成的影响，借鉴传统负荷特性聚类与综合的思路，在新提出的广义负荷建模方法基础上，引入时间信息对考虑风电不确定性与负荷时变性的广义负荷特性进行聚类分析，可得到更为贴近实用的精确模型。而聚类分析需要选择合理的聚类方法和科学的聚类策略，由此针对风电与负荷组成的新的复杂场景与客观聚类需求，引入一种高质量、适用于复杂样本分析的AP聚类算法，该算法无需事先输入聚类数等参数，更为科学、合理。仿真结果证明了该方法的有效性。
　　再次，提出一种大时间尺度下的纵向聚类策略，利用该聚类策略和AP聚类算法，可实现在时间连续性基础上，兼顾日间相似性与差异性规律的细化季节特性聚类分析。该策略利用实测数据确定最小时间间隔，将单日内各最小时间间隔按其功率波动特性进行聚类分析，以获得单日整体特性;再根据全年内各日特性实现相似日聚类;最终根据日间聚类结果获得的比例特征实现纵向时间单元聚类。如此层层递进，更适用于考虑风电波动性与负荷时变性的复杂场景分析。不同年份数据聚类结果的相似性证明了该聚类策略的有效性。
　　最后，在纵向聚类策略的基础上，提出一种较小时间尺度下的横向聚类策略。通过将纵向类内全部数据联排统一聚类，实现较小时间尺度下的精细横向聚类，结果体现了日时段特性。如此可实现大时间尺度与小时间尺度数据在统一时间框架下的聚类分析。利用新提出的广义负荷建模检验聚类策略的有效性。仿真结果表明了该聚类策略客观、合理，为风电接入后的仿真分析和调度控制提供了模型基础和辅助参考。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景与意义

1．1．1 负荷建模研究背景与意义

1．1．2 风电发展

1．2 负荷建模发展历程及研究现状

1．2．1 负荷建模发展历程

1．2．2 负荷建模研究现状及存在问题

1．3 电网运行全景可观测下的负荷建模工作

1．4 本文工作

第二章 引入概率信息的稳态特性广义负荷建模

2．1 引言

2．2 风电不确定性问题研究现状

2．3 传统静态建模

2．4 节点特性及建模问题的提出

2．5 建模思路与模型结构

2．5．1 节点特性分段细化

2．5．2 基于统计的概率分布

2．5．3 利用人工神经网络法提取节点特征

2．5．4 分析流程图

2．5．5 模型结构

2．6 仿真实例

2．7 考虑风电不确定性的广义负荷建模在风险分析中的应用

2．8 小结

第三章 AP聚类算法在广义负荷特性聚类中的应用

3．1 广义负荷特性聚类与综合

3．2 AP聚类算法

3．3 AP聚类算法与传统聚类算法仿真对比

3．4 小结

第四章 大时间尺度下的纵向聚类策略研究

4．1 引言

4．2 纵向聚类策略

4．2．1 聚类策略相关概念

4．2．2 纵向聚类

4．3 仿真实例

4．3．1 最小时间间隔T选取

4．3．2 日内预聚类效果及作用校验

4．3．3 单日间再聚类

4．3．4 纵向时间单元聚类

4．3．5 纵向聚类适用性校验

4．4 小结

第五章 小时间尺度下的横向聚类策略研究

5．1 引言

5．2 横向聚类

5．3 特征向量交叉匹配

5．4 聚类策略流程图

5．5 仿真实例

5．5．1 横向聚类结果

5．5．2 广义负荷建模

5．5．3 特征向量交叉匹配与纵横聚类策略验证

5．5．4 样本群可行性检验

5．6 小结

第六章 结论

6．1 本文创新点及主要工作成果

6．2 后期工作展望

参考文献

致谢

攻读硕士学位期间发表的学术论文