考虑风电场节点空间相关性的广义负荷联合概率建模方法
【技术领域】
[0001] 本发明涉及一种建模方法，具体涉及一种考虑含风电场的节点空间相关性的广义 负荷联合概率建模方法。
【背景技术】
[0002] 今时资源日益匮乏、环境问题日益突出，清洁能源发电被认为是解决能源和环境 问题的有效手段，在这种背景下，风电装机容量发展迅速。然而近年来随着风电等新能源大 规模接入，其对电网的安全稳定运行产生一系列影响。风电接入改变了负荷单纯消耗功率 的情形，使得负荷节点向电网倒送功率成为可能。而且，连接到多个根母线节点且地理位置 邻近的风电场群往往处于同一风带，其风速具有较强的相关性，从而各风电场出力往往具 有相关性。酒泉风电基地历史数据统计表明，区域风电出力具有长时间尺度的相关性。风 电出力具有随机波动性、间歇性，风机也存在故障或者检修，需考虑其失效性，而负荷本身 具有时变性，这两者的相互作用加剧广义负荷节点的不确定性，而且对于地理位置邻近并 有联络线相接的多个广义负荷节点，相邻节点的波动势必影响其他节点的功率波动，这对 系统潮流、可靠性评估等均会产生较大影响，也给节点特性建模分析带来了新的挑战。
[0003] 针对负荷的时变性，传统建模方法采用分类与综合的思想，通过总体测辨法得到 负荷的准确模型，拟合效果较好，取得一定进展。随着风电接入电网的规模不断扩大，许 多学者对含有风电场的负荷建模进行了研究。现有的文献或在综合负荷模型（synthetic load model，SLM)中增加异步发电机，或将动态负荷扩大到任意实数，或者将风机模型接入 综合负荷模型。但都是假定风电出力恒定的机电暂态下，没有涉及到长时间尺度下风电的 随机性。风电出力的随机性使得负荷节点功率呈现双向性和不确定性，而确定场景下的传 统建模方法难以对风电随机性进行描述。其中一篇文献首次在广义负荷建模中分析了风电 随机特性与负荷时变特性的相互作用对根母线的影响，依概率分区间建立了节点统一广义 负荷模型，解决了风电接入传统建模方法无法描述不确定性的问题，是对传统建模方法在 不确定场景应用上的扩展和延伸，但只是针对单节点进行建模，未涉及多节点相关性对建 模产生的影响。
[0004] 连接于相邻广义负荷节点的风电和负荷不仅自身具有波动性和时变性，而且在实 际运行过程中还受相关性因素的影响。同一地区的负荷需求受环境和社会等因素影响同时 增大或减小；邻近的多个风电场出力之间具有长时间尺度的相关性。对于地理位置相近并 且有联络线相接的多个根母线节点，相邻节点的波动势必影响其他节点的波动。不考虑风 电相关性所带来的节点空间相关性的影响，势必造成描述节点特性模型因信息不全而导致 模型不准确，导致在电力系统运行分析中因模型的不准确而造成偏主观或乐观的结果。因 此若能在广义负荷建模中将相关性因素纳入考虑范畴，则更有助于分析、把握考虑风电接 入后的节点建模研究及其对系统的影响。然而，目前考虑风电相关性的研究主要集中在风 电功率预测 [13]、风电系统可靠性评估和概率潮流计算研究，考虑相关性因素在广义负荷建 模的研究领域还鲜有涉及。
【发明内容】
[0005] 为解决现有技术存在的不足，本发明公开了考虑风电场节点空间相关性的广义负 荷联合概率建模方法，全面考虑随机变量所具有的波动性以及在地域的相关性特点，准确 进行广义负荷建模。
[0006] 为实现上述目的，本发明的具体方案如下：
[0007] 考虑风电场节点空间相关性的广义负荷联合概率建模方法，包括：
[0008] 步骤一：将与各风电场相连的根母线节点据其各自的功率流向，分为电源特性与 负荷特性；
[0009] 步骤二：对各根母线节点分别依照有功功率进行区间细化，统计其概率信息；
[0010] 步骤三：针对节点地域相关性，采用空间相关性法计算相邻节点功率区间之间相 关特征参数并纳入节点的特性学习；采用RBF神经网络学习训练并提取区间集的节点特 性，建立联合概率模型结构。
[0011] 步骤一中，根母线节点有功功率表达式为：
[0013] 式中，PpPwf分别为负荷消耗的有功功率和风电场发出的有功功率，P为风机状 态，正常工作取值为1，故障状态时取值为0 ;NT为风电场内风机的台数；P f"为节点负荷预 测值。P 个风机的状态，Pwti为风电场单个风机发出的功率，?为预测负荷值波动的 标准差。
[0014] 步骤二中，对各根母线节点分别依照有功功率进行区间细化时，以有功功率区间 作为节点特性特征参数，以有功功率为正表示负荷特性，有功功率为负表示电源特性，分列 功率轴两侧，在对有功功率进行分段时，以零功率为起点，以基准功率的10%为间隔，范围 扩展到正、负半轴，根据样本为正、为负绝对值的最大值自适应确定区间范围和分段数，保 证模型的一般性。
[0015] 步骤二中，统计概率信息时，将根母线处功率范围扩大至负半轴，以基准功的10% 为功率间隔，以电源特性和负荷特性区分分别统计各段下有功功率出现次数，则相应出力 频率为：
[0017] 其中，Psn0Plni分别为电源特性与负荷特性频率，统称为节点特性频率F "。当数据 量足够大时，据大数定理可等效为概率，N(Psni)为电源特性有功功率在功率区间m中的出力 次数，m为分段标识，P s为基准功率，用于数据归一化处理，该值应大于全部功率数据绝对值 最大值，N(pJ为根母线功率值的出力次数，N(pJ为负荷特性有功功率在功率区间m中的 出力次数。
[0018] 步骤三中，建立联合概率模型结构时，首先根据各相邻节点聚类的得到的各区间 样本聚类中心，定义区间相关特征参数，采用带有相关特征参数的RBF神经网络函数对区 间样本进行模型特征提取，得到计算模型结构，采用梯度自适应调整算法对样本数据训练， 使得实测值与计算值误差最小，得到权值向量即为模型参数，根据模型参数建立联合概率 模型结构。
[0019] 根据各相邻节点聚类的得到的各区间样本聚类中心，定义区间相关特征参数之前 先设有T个相邻节点的区间聚类样本集X = {xk,p|xk,pG Rp, k = 1，2,…，N P = 1，2,…，T}， 其中Rp为第P个节点功率样本数据，X kiP为第p个节点功率样本聚类所形成的第k个区间 样本；
[0020]用Ck,p表示区间样本Xk,p的聚类中心，则有：
[0022] 式中：N为区间样本个数。
[0023] 根据各相邻节点聚类的得到的各区间样本聚类中心，定义区间相关特征参数为：
[0025]式中，Clini为第m个节点样本聚类所形成的第i个区间样本聚类中心，Cp为第n 个节点样本聚类所形成的第j个区间样本聚类中心，X为调整系数。
[0026] 采用带有相关特征参数的RBF神经网络函数对区间样本进行模型特征提取，其 中，输出变量为功率P，输入变量包括本节点的电压和相邻有联络线连接节点的电压组成的 电压向量u以及相关特征参数P，表达式如下式：
[0028] 式中，Wp为输出层连接权值，N为区间样本个数，P为相邻节点区间相关特征系数； R p(u，P )为隐含层神经元的输出。
[0029] 由于电压向量u以及相关特征参数P为不同物理量纲，需要分别对各物理输入量 做归一化处理，以消除不同物理量之间因量纲不同而同时作为输入变量无法进行建模，采 用最大最小归一化处理方式，即：
[0031] 式中，Xlj为第i个物理量中第j个采样值，X i _为第i个物理量中的最大值，X i _为第i个物理量中的最小值。X ^'为归一化之后的物理量。
[0032] 计算模型结构如下：
[0034] 式中：k为输出变量序数;m为节点分段功率区间编号；Eni为区间样本训练误差；N ni 为区间样本数；N。为输出神经元个数；Pkin为区间样本功率实测值；pkin为模型计算值；X n为 输入变量向量；(：,、S ,分别为第j个隐含层神经元的中心和扩展常数；p ^为本节点第m个 功率区间和相邻节点第1个功率区间之间的相关特征参数；Nh为隐含层神经元的个数;w ]ik 为第j个输出变量与第k个隐含层神经元的连接权值；N1, Nh，Nci为输入层神经元个数。u ln uNin为输入变量向量内的兀素。
[0035] 采用梯度自适应调整算法求解模型参数，调整公式为：
[0037] 式中：A C,为误差对隐含层中心的调整参数；A S ,为误差对隐含层扩展常数的调 整参数；Aw] k为误差对隐含层输出权值的调整参数；n为训练学习系数。
[0038] 定义均方误差来评价各段拟合效果，如下式
[0042] 其中Y1为实测值，X i为拟合值，N n为样本总数。
[0043] 建立联合概率模型结构表达式如下
[0045] 式中，I1表示在节点Hi1聚类分段所形成的第"个功率区间号，込表示在节 点Hl 2聚类分段所形成的第i2个功率区间号，其他类似。Hl1, Hl2，…表示相邻节