一种新能源电力系统的抗扰优化方法、系统、设备及介质与流程
本技术涉及电力系统稳定性分析,尤其涉及一种新能源电力系统的抗扰优化方法、系统、设备及介质。
背景技术:
1、随着风电、光伏等新能源在电力系统中的占比不断提高,系统惯量水平下降,动态特性与故障响应特性发生显著变化,在短路、线路切除、出力波动等扰动下易出现频率失稳、电压恢复迟缓及设备过载等问题。为保障电网的安全稳定运行,需要对新能源电力系统的抗扰性能进行评估和优化。
2、现有技术中,一般通过仿真分析或运行数据统计对新能源电力系统的抗扰性能进行评价:针对设定的运行工况对系统开展仿真,或利用系统的实测运行数据,计算反映系统受扰后运行状态的相关指标,再对各项指标进行汇总处理,形成表征系统抗扰性能好坏程度的整体评价结果,运维人员根据该整体评价结果判断系统抗扰性能的优劣,并据此决定是否采取优化措施。然而,上述整体评价结果是系统受扰后各类运行状态综合作用形成的凝练结论,仅能反映系统抗扰性能的整体水平。当评价结果表明系统抗扰性能较差时,造成该结果的原因可能涉及系统多个运行方面中的任意一个或多个,而整体评价结果中并未区分不同运行方面对该评价结果的影响程度,运维人员无法从评价结果中明确系统抗扰性能的短板所在,即无法明确优化工作应当针对系统的哪一运行方面展开。在此情况下,抗扰优化措施的选取只能由运维人员结合个人经验对系统进行逐项排查后确定,不仅排查范围广、工作量大,而且排查结论因人而异,容易出现优化对象选取偏差,导致所采取的优化措施与系统实际短板不匹配,抗扰优化的针对性不足,最终使优化后系统抗扰性能的改善效果难以保证。因此,如何明确新能源电力系统抗扰性能的优化方向,提高抗扰优化措施的针对性,以提升新能源电力系统的抗扰性能,成为亟待解决的技术问题。
技术实现思路
1、本技术提供了一种新能源电力系统的抗扰优化方法、系统、设备及介质,能够解决现有技术中如何明确新能源电力系统抗扰性能的优化方向,提高抗扰优化措施针对性的问题。
2、本技术一些实施例中提供了一种新能源电力系统的抗扰优化方法,包括:
3、获取并对新能源出力的概率分布进行采样生成初始运行场景,将所述初始运行场景聚类为若干带有第一发生概率的典型运行场景;
4、将各所述典型运行场景与预设的多类带有第二发生概率的扰动场景组合为组合场景,根据所述第一发生概率与所述第二发生概率确定各所述组合场景的场景权重;
5、对各所述组合场景进行仿真,基于仿真结果得到各所述组合场景在多个评价维度的评价指标;
6、根据各所述评价指标求解正负理想解,确定各所述组合场景相对于所述正负理想解的距离,并以所述场景权重对所述距离加权得到各所述组合场景的评价得分;
7、根据所述评价得分从所有所述组合场景中识别薄弱场景,根据所述薄弱场景的所述距离确定所述薄弱场景在各所述评价维度中的薄弱维度,并基于所述薄弱维度执行对应抗扰优化措施。
8、相比现有技术,上述实施例具有以下有益效果:由于对新能源出力的概率分布进行拉丁超立方采样并聚类为带有第一发生概率的典型运行场景,使参与仿真的运行场景在新能源出力概率分布空间内均匀覆盖且数量可控;将典型运行场景与带有第二发生概率的扰动场景组合并确定场景权重,使各组合场景的仿真数据携带其对应的实际出现可能性;对各组合场景进行仿真得到多个评价维度的评价指标,进而求解正负理想解、确定距离并以场景权重加权得到评价得分,将各组合场景的动态响应数据转化为可横向比较的统一量化数据;在此基础上根据评价得分识别薄弱场景,并根据薄弱场景的距离确定薄弱维度、执行对应抗扰优化措施,使评价得分中各评价维度对评价结果的影响程度经由距离显性化,抗扰性能的优化方向由仿真数据驱动确定。因此,抗扰优化措施的选取不再依赖人工经验逐项排查,所采取的优化措施与系统实际短板相匹配,提高了抗扰优化的针对性,进而提升了新能源电力系统的抗扰性能。
9、进一步地,所述正负理想解包括:正理想解和负理想解;所述距离包括:所述组合场景相对于所述正理想解的第一距离以及所述组合场景相对于所述负理想解的第二距离;所述根据各所述评价指标求解正负理想解,确定各所述组合场景相对于所述正负理想解的距离,包括:
10、由各所述组合场景的各评价指标构建评价矩阵,并计算每一所述评价指标在所述评价矩阵中的信息熵;
11、将各所述评价指标的所述信息熵输入预设的权重计算函数,得到每一所述评价指标的指标权重,并根据所述指标权重对所述评价矩阵进行加权,得到加权评价矩阵;其中,所述权重计算函数的函数值随所述信息熵的增大而减小;
12、将所述加权评价矩阵中每一所述评价指标的最优值组成所述正理想解,将所述组合场景在所述加权评价矩阵中对应各所述评价指标的取值与所述正理想解的欧氏距离作为所述第一距离;
13、将所述加权评价矩阵中每一所述评价指标的最劣值组成所述负理想解,将所述组合场景在所述加权评价矩阵中对应各所述评价指标的取值与所述负理想解的欧氏距离作为所述第二距离。
14、相比现有技术,上述实施例具有以下有益效果:通过由各组合场景的评价指标构建评价矩阵,以信息熵度量各评价指标在评价矩阵中的取值离散程度,并将信息熵输入函数值随信息熵增大而减小的权重计算函数确定指标权重,使在各组合场景间取值差异大、区分能力强的评价指标获得较大权重,取值趋于一致的评价指标获得较小权重,指标权重完全由评价数据自身的离散特性决定,排除了人为赋权差异对距离计算的干扰,保证了距离与评价得分的客观性和可复现性;同时,以加权评价矩阵中各评价指标的最优值、最劣值组成正理想解和负理想解,并基于加权后的取值计算欧氏距离,使各评价指标在统一加权量纲下参与距离运算,避免了各评价指量纲与数量级差异造成的距离失真,保证了不同组合场景之间评价得分的可比性。
15、进一步地,所述根据所述薄弱场景的所述距离确定所述薄弱场景在各所述评价维度中的薄弱维度,包括:
16、计算所述薄弱场景在所述加权评价矩阵中每一所述评价指标的取值与所述负理想解中对应评价指标的最劣值的差值;
17、计算每一所述差值占全部所述差值之和的比例,得到每一所述评价指标的距离贡献率;
18、将属于同一所述评价维度的各所述评价指标的距离贡献率之和作为对应所述评价维度的维度贡献率;
19、将所述维度贡献率最小的评价维度确定为所述薄弱维度。
20、相比现有技术,上述实施例具有以下有益效果:通过将构成第二距离的各分量即各评价指标的取值与负理想解中对应最劣值的差值逐一提取,计算各差值占全部差值之和的比例得到距离贡献率,再将属于同一评价维度的距离贡献率汇总为维度贡献率并取最小者为薄弱维度,将组合场景的整体距离拆解至评价指标级再汇聚至评价维度级;由于差值越小表明该评价指标的取值越接近最劣水平,以维度贡献率最小作为判据,使对薄弱场景评价结果拖累最大的评价维度被定量锁定,薄弱维度的确定过程完全由距离数据推算完成,避免了人工归因的主观偏差,为抗扰优化措施的选取提供了精确的指向对象。
21、进一步地,所述以所述场景权重对所述距离加权得到各所述组合场景的评价得分,包括:
22、计算所述第二距离占所述第一距离与所述第二距离之和的比例,得到所述组合场景的贴近度系数;所述贴近度系数表征所述组合场景相对所述正理想解的接近程度;
23、将所述贴近度系数与所述组合场景对应的所述场景权重的乘积,作为所述组合场景的评价得分。
24、相比现有技术,上述实施例具有以下有益效果:通过以第二距离占第一距离与第二距离之和的比例计算贴近度系数,使评价得分同时反映组合场景相对于正理想解和负理想解的位置关系:当组合场景仅个别评价指标接近最优而其余评价指标接近最劣时,其第一距离与第二距离均较小,贴近度系数不会被个别优势指标拉高,避免了单一优势指标掩盖系统运行短板的问题;进而将贴近度系数与场景权重的乘积作为评价得分,使实际运行中出现可能性较高的组合场景的评价结果在评价得分中得到相应体现,评价得分兼顾了抗扰性能的优劣程度与场景的实际发生可能性,提高了薄弱场景识别结果与系统实际运行风险的一致程度。
25、进一步地,所述将所述初始运行场景聚类为若干带有第一发生概率的典型运行场景,包括:
26、获取各所述初始运行场景对应的新能源出力数据,根据所述新能源出力数据构建对应的特征向量;
27、基于所述特征向量,按多个候选聚类数分别对所述初始运行场景进行聚类,得到各所述候选聚类数对应的聚类误差,根据所述聚类误差确定目标聚类数;
28、按所述目标聚类数对所述初始运行场景聚类得到若干聚类簇,将各所述聚类簇的聚类中心作为所述典型运行场景;
29、将各所述聚类簇包含的初始运行场景的数量占所述初始运行场景总数的比例作为对应典型运行场景的第一发生概率。
30、相比现有技术,上述实施例具有以下有益效果:通过以初始运行场景对应的新能源出力数据构建特征向量,按多个候选聚类数分别聚类并根据聚类误差确定目标聚类数,使聚类数由出力数据自身的聚集特性确定而非人为指定,避免了聚类数选取不当造成的典型运行场景失真;将聚类中心作为典型运行场景,使典型运行场景保留初始运行场景的出力分布特征,同时将场景数量由初始运行场景的数量级大幅缩减,降低了后续仿真的计算规模;以聚类簇内初始运行场景的数量占比作为第一发生概率,使各典型运行场景的发生可能性具有统计依据,从而在数据层面兼顾了场景代表性与仿真计算效率。
31、进一步地,所述根据所述第一发生概率和所述第二发生概率确定对应所述组合场景的场景权重,包括:将各所述组合场景所组合的所述典型运行场景的所述第一发生概率与所述扰动场景的所述第二发生概率之积,作为对应所述组合场景的场景权重;其中,各类所述扰动场景的第二发生概率根据历史故障统计结果确定。
32、相比现有技术,上述实施例具有以下有益效果:通过将组合场景所组合的典型运行场景的第一发生概率与扰动场景的第二发生概率之积作为场景权重,使场景权重同时量化新能源出力工况的出现可能性与扰动事件的发生可能性,在数据处理层面实现了运行工况不确定性与扰动不确定性的耦合表征;第二发生概率根据历史故障统计结果确定,使场景权重与实际电网的故障统计规律相符,避免了各组合场景被等同对待而高估小概率场景、低估大概率场景对抗扰性能评价的影响,提高了评价得分及薄弱场景识别结果的工程可信度。
33、进一步地,所述多个评价维度包括频率维度、电压维度和静态安全维度;所述基于仿真结果得到各所述组合场景在多个评价维度的评价指标,包括:
34、从所述仿真结果中提取扰动发生后频率响应的最大频率偏差、最大频率变化率和频率恢复时间,作为所述频率维度的评价指标;
35、从所述仿真结果中提取电压响应的最大电压偏差、电压恢复时间和稳态电压偏差,作为所述电压维度的评价指标;
36、从所述仿真结果中提取线路的最大线路负载率和变压器的最大变压器重载度,作为所述静态安全维度的评价指标。
37、相比现有技术,上述实施例具有以下有益效果:通过从同一仿真结果中分别提取频率维度的最大频率偏差、最大频率变化率和频率恢复时间,电压维度的最大电压偏差、电压恢复时间和稳态电压偏差,以及静态安全维度的最大线路负载率和最大变压器重载度,使评价数据同时覆盖系统受扰后的频率动态过程、电压动态与稳态过程以及设备受载状态:最大频率偏差和最大频率变化率刻画扰动瞬间的频率冲击程度,频率恢复时间刻画系统频率调节资源的响应能力,稳态电压偏差刻画扰动后的电压质量偏离,最大线路负载率和最大变压器重载度刻画潮流重分配后的设备过载风险;三类评价数据取自同一仿真数据源,数据来源统一、提取口径一致,为距离计算与薄弱维度定位提供了完整的数据基础,防止因评价数据缺失某一运行方面而造成薄弱维度的误判。
38、本技术另一实施例还提供了一种新能源电力系统的抗扰优化系统,所述新能源电力系统的抗扰优化系统用于实现如本技术新能源电力系统的抗扰优化方法的步骤。
39、本技术另一实施例还提供了一种终端设备,包括:处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,处理器执行所述计算机程序时,实现如本技术新能源电力系统的抗扰优化方法的步骤。
40、本技术另一实施例还提供了一种计算机可读存储介质,包括:存储的计算机程序,在计算机程序运行时,控制计算机可读存储介质所在的设备执行如本技术新能源电力系统的抗扰优化方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com