一種含風(fēng)電場電力系統(tǒng)動態(tài)隨機(jī)最優(yōu)潮流獲取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于電力系統(tǒng)運(yùn)行分析和控制技術(shù)領(lǐng)域，特別設(shè)及一種含風(fēng)電場電力系統(tǒng) 動態(tài)隨機(jī)最優(yōu)潮流獲取方法。
【背景技術(shù)】
[000引最優(yōu)潮流（optimal power flow, OP巧是電力系統(tǒng)規(guī)劃和運(yùn)行的重要工具，考慮 輸入變量隨機(jī)性的0PF模型主要分為2類；概率最優(yōu)潮流（prob油ilistic optimal power flow, POPFO 模型和隨機(jī)最優(yōu)潮流（stochastic optimal power flow, SOPFO 模型。前者是 根據(jù)已知隨機(jī)變量的概率分布，獲得若干狀態(tài)變量和控制變量的概率分布信息，屬于隨機(jī) 性分析問題；而后者是建立滿足若干機(jī)會約束條件的最優(yōu)化模型，在優(yōu)化過程中考慮了隨 機(jī)因素的影響，最終得到一組滿足一定機(jī)會約束的最優(yōu)解，屬于隨機(jī)規(guī)劃問題。實際電力 系統(tǒng)是一個動態(tài)變化的系統(tǒng)，因而有學(xué)者提出了動態(tài)最優(yōu)潮流（dynamic optimal power flow, DOP巧模型，用于解決調(diào)度周期內(nèi)的優(yōu)化問題。然而傳統(tǒng)DOPF模型忽略了輸入變量的 隨機(jī)性，在新能源不斷接入電網(wǎng)的形勢下，亟需建立計及輸入變量隨機(jī)性的D0PF模型，并 考慮其求解方法。

【發(fā)明內(nèi)容】

[0003] 發(fā)明目的；本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供了一種考慮了輸入變量 隨機(jī)性的含風(fēng)電場電力系統(tǒng)動態(tài)隨機(jī)最優(yōu)潮流獲取方法。
[0004] 技術(shù)方案；技術(shù)方案：本發(fā)明提供一種含風(fēng)電場電力系統(tǒng)動態(tài)隨機(jī)最優(yōu)潮流獲取 方法，包括W下步驟：
[000引步驟1 ;建立風(fēng)速的動態(tài)概率模型，分析風(fēng)速的時間和空間相關(guān)性；
[0006] 步驟2 ;建立基于機(jī)會約束規(guī)劃的含風(fēng)電場電力系統(tǒng)動態(tài)隨機(jī)最優(yōu)潮流曲namic stochastic optimal power flow,下文中簡稱 DSOPFO 模型；
[0007] 步驟3 ;不考慮輸入變量的隨機(jī)性，將輸入變量的期望代入，應(yīng)用原對偶解禪內(nèi)點 法求解確定性動態(tài)最優(yōu)潮流（dynamic optimal power flow,下文中簡稱D0P巧，得到一組 最優(yōu)調(diào)度方案；
[0008] 步驟4 ;在該組最優(yōu)調(diào)度方案下，考慮輸入變量的隨機(jī)性和時空相關(guān)性，利用基于 半不變量法的解析法求解動態(tài)隨機(jī)潮流（dynamic prob油ility power flow,下文中簡稱 DPPF)，得到狀態(tài)變量的概率分布；
[0009] 步驟5 ;判斷狀態(tài)變量是否滿足機(jī)會約束限制；如果滿足機(jī)會約束限制，則停止計 算，輸出結(jié)果；否則，調(diào)整機(jī)會約束的上下界，并轉(zhuǎn)至步驟3,進(jìn)行迭代計算，直至找到一組 滿足所有機(jī)會約束限制的調(diào)度方案。其中，輸出結(jié)果包括發(fā)電費(fèi)用、各發(fā)電機(jī)的有功和無功 出力曲線、各節(jié)點電壓和支路潮流的數(shù)字特征和概率分布等
[0010] 進(jìn)一步，步驟1包括W下步驟：
[0011] 步驟101 ;根據(jù)公式X(t) = X(t)+ e (t)獲得實際風(fēng)速序列；式中，x(t)為實際風(fēng) 速序列，x(t)為t時刻的風(fēng)速預(yù)測序列，e (t)為時刻t的風(fēng)速預(yù)測誤差序列；由于實際風(fēng) 速既具有一定的隨機(jī)性，也具有一定的規(guī)律性，所W實際風(fēng)速序列可W看作風(fēng)速預(yù)測序列 和預(yù)測誤差序列的疊加；
[0012]步驟 102 ;自回歸滑動平均（auto regression moving average,下文簡稱 ARMA) 模型是研究時間序列的重要方法，建立自回歸滑動平均模型，（P，q)階風(fēng)速時間序列的自回 歸滑動平均模型如下：
[001 引 x,-9ix,-i-----AA-f = A - 01口1 -... A口叫
[0014] 式中，p和q分別表示AR模型和M模型的階數(shù)，X為時刻t的風(fēng)速序列值，嘆和 0。分別為自回歸（下文中簡稱AR)模型和滑動平均（下文中簡稱MA)模型的參數(shù)；a,為時 刻t的高斯白噪聲序列；
[0015] 步驟103 ;ARMA模型的擴(kuò)充化le-Wa化er方程下式所示，求解化le-Wa化er方程得 到 ARMA模型對應(yīng)時間序列的自相關(guān)函數(shù)P t;
[0016]
【主權(quán)項】
1. 一種含風(fēng)電場電力系統(tǒng)動態(tài)隨機(jī)最優(yōu)潮流獲取方法，其特征在于：包括以下步驟： 步驟1 :建立風(fēng)速的動態(tài)概率模型，分析風(fēng)速的時間和空間相關(guān)性； 步驟2 :建立基于機(jī)會約束規(guī)劃的含風(fēng)電場電力系統(tǒng)動態(tài)隨機(jī)最優(yōu)潮流模型； 步驟3 :不考慮輸入變量的隨機(jī)性，代入輸入變量的期望，應(yīng)用原對偶解耦內(nèi)點法求解 確定性動態(tài)最優(yōu)潮流，得到一組最優(yōu)調(diào)度方案； 步驟4 :在這組最優(yōu)調(diào)度方案下，考慮輸入變量的隨機(jī)性和時空相關(guān)性，利用基于半不 變量法的解析法求解動態(tài)隨機(jī)潮流，得到狀態(tài)變量的概率分布； 步驟5 :判斷狀態(tài)變量是否滿足機(jī)會約束限制；如果滿足機(jī)會約束限制，則停止計算， 輸出結(jié)果；否則，調(diào)整機(jī)會約束的上下界，并轉(zhuǎn)至步驟3,進(jìn)行迭代計算，直至找到一組滿足 所有機(jī)會約束限制的調(diào)度方案。
2. 根據(jù)權(quán)利要求1所述的含風(fēng)電場電力系統(tǒng)動態(tài)隨機(jī)最優(yōu)潮流獲取方法，其特征在 于：所述步驟1包括以下步驟： 步驟101 :根據(jù)公式x(t) =X(t)+e (t)獲得實際風(fēng)速序列；式中，x(t)為實際風(fēng)速序 列，X⑴為t時刻的風(fēng)速預(yù)測序列，ε⑴為時刻t的風(fēng)速預(yù)測誤差序列； 步驟102 :建立自回歸滑動平均模型，（p，q)階風(fēng)速時間序列的自回歸滑動平均模型如 下：
式中，P和q分別表示AR模型和MA模型的階數(shù)，Xt為時刻t的風(fēng)速序列值，％和 分別為自回歸模型和滑動平均模型的參數(shù)；at為時刻t的高斯白噪聲序列； 步驟103 :ARMA模型的擴(kuò)充Yule-Walker方程如下式所示，求解Yule-Walker方程得到 ARMA模型對應(yīng)時間序列的自相關(guān)函數(shù)Pt;
式中，Gq為ARM序列的格林函數(shù)，?戽? a分別為風(fēng)速序列和高斯白噪聲序列的標(biāo)準(zhǔn) 差； 步驟104 :研宄T個時段內(nèi)風(fēng)速序列的相關(guān)性；根據(jù)步驟103中的公式求得風(fēng)速序列的 時間相關(guān)系數(shù)矩陣如下：
步驟105 :研宄K座風(fēng)電場間風(fēng)速的相關(guān)性，則這K座風(fēng)電場在時刻t風(fēng)速的空間相關(guān) 系數(shù)矩陣如下：
式中，t = 1，2，···，T，P KK，t為第K和K座風(fēng)電場在第t個時刻