《Energy Conversion and Management-X》:Probabilistic load flow calculation for grid-connected wind power systems based on the rosenblatt inverse transform and improved maximum entropy expansion
编辑推荐:
为解决风电不确定性及相关性对电力系统运行的影响,本文提出了一种结合累积量法(CM)、Rosenblatt逆变换(RIT)与改进最大熵展开(IMEE)的概率潮流(PLF)计算新方法。研究通过自适应反射核密度估计(ARKDE)构建计及风速有界性的概率模型,利用Copula函数提升相关性建模精度;引入RIT处理相关风速样本以满足CM应用前提;提出IMEE将最大熵模型约束转化为代数形式,显著提升计算效率。IEEE-30系统算例验证表明,该方法能准确刻画输入随机变量分布形态对输出状态变量的影响,为高比例新能源电力系统规划运行提供有效工具。
随着风电等可再生能源在电力系统中的渗透率不断提高,其固有的间歇性和随机性给系统运行带来了显著的不确定性。这种不确定性使得传统的确定性潮流计算难以满足电网规划与运行的需求,概率潮流(Probabilistic Load Flow, PLF)分析因此成为评估风电并网系统(Wind Power Grid Connection Systems, WPGCS)不确定性影响的重要工具。概率潮流的主要目标是确定输出状态变量(如节点电压、线路功率)的概率密度函数(Probability Density Function, PDF),同时考虑输入随机变量(如风速、负荷)的不确定性。然而,现有的概率潮流计算方法在面对复杂的风电不确定性及相关性时,仍存在诸多挑战。例如,传统的级数展开方法(如Gram-Charlier级数展开)在随机变量概率密度函数非准正态时,会出现严重的拟合误差和分布形状失配,甚至产生非物理的负概率。此外,当考虑不同风电场风速之间的相关性时,概率潮流计算变得更加复杂。风速的相关性会直接影响风电场的功率输出,准确建模和表征这些相关性已成为近期研究的焦点。
为了应对这些挑战,发表在《Energy Conversion and Management-X》上的论文《Probabilistic load flow calculation for grid-connected wind power systems based on the rosenblatt inverse transform and improved maximum entropy expansion》提出了一种新颖的概率潮流计算方法。该方法巧妙地将Copula函数、自适应反射核密度估计(Adaptive Reflectance Kernel Density Estimation, ARKDE)、Rosenblatt逆变换(Rosenblatt Inverse Transform, RIT)和改进的最大熵展开(Improved Maximum Entropy Expansion, IMEE)相结合,旨在更精确地捕捉风电不确定性和相关性的影响,为概率潮流分析建立一个全面的框架。
研究人员为开展此项研究,主要应用了以下几项关键技术方法:首先,采用自适应反射核密度估计(ARKDE)来构建计及风速有界性的边际概率分布模型,相较于传统核密度估计(KDE)和反射核密度估计(RKDE),能更准确地拟合实际风速数据。其次,利用Copula理论建立风速相关性模型,并通过最短平方距离准则选择最优的Copula函数(本研究确定为Gumbel Copula)。然后,引入Rosenblatt逆变换(RIT)将相关的风速样本转换为独立变量,以满足累积量法(Cumulant Method, CM)对输入变量独立性的要求。最后,提出了改进的最大熵展开(IMEE)方法,通过将最大熵模型的约束从积分形式转换为代数形式,并引入高斯核函数来扩展输出状态变量的概率分布,从而高效且准确地获得概率密度函数。案例研究基于IEEE-30节点系统,并接入了风电场,通过与传统方法(如Gram-Charlier级数展开GCAE和经典最大熵展开MEE)以及蒙特卡洛模拟(Monte Carlo Simulation, MC)的对比,验证了所提方法的有效性和准确性。
2. 改进的风速相关性模型
本研究首先致力于构建更精确的风速相关性模型。通过分析中国某地区两个相邻风电场的实测风速数据,发现风速分布复杂且不服从特定分布模式,同时风速间存在非线性相关性。研究人员引入自适应反射核密度估计(ARKDE)来建立单个风电场的风速边际概率分布模型,该模型能够有效处理风速的有界性(如风速不能为负且存在上限)和局部数据稀疏性问题,相比传统的韦布尔分布、KDE和RKDE具有更高的拟合精度。在此基础上,应用Copula函数(最终选定Gumbel Copula)来刻画两个风电场风速之间的联合分布。通过计算与经验Copula分布的平方欧氏距离进行对比,验证了基于ARKDE和Gumbel Copula的风速相关性模型具有更高的准确性。Kendall秩相关系数计算结果表明,两个风电场风速之间存在较强的相关性(τ = 0.41)。
3. Rosenblatt逆变换
为了将相关的风速变量转换为累积量法所要求的独立变量,本研究引入了Rosenblatt逆变换(RIT)。该变换基于已知的联合概率分布(由Copula模型提供),通过条件概率密度将一组相关的非正态变量转换为独立的标准正态变量。论文以二维风速变量为例,详细推导了基于Copula函数的条件概率分布,并阐述了利用RIT生成独立风速样本的具体步骤。一旦获得独立的风速样本,即可根据风速-功率特性曲线计算出每个风电场的独立风电功率输出样本,为后续的累积量计算奠定基础。
4. 改进的最大熵展开
在获得输出状态变量(如节点电压、线路功率)的各阶累积量后,需要将其展开为概率密度函数(PDF)以供进一步分析。针对传统级数展开(如GCAE)和经典最大熵方法(MEE)在非正态分布情况下精度不足的问题,本研究提出了改进的最大熵展开(IMEE)。该方法的核心创新在于使用高斯函数的线性组合作为最大熵原理中待求PDF的基函数,从而能够灵活地拟合各种复杂分布形态。通过利用高斯函数的性质,将最大熵模型的约束条件从复杂的积分形式简化为代数形式,显著提高了计算效率。同时,IMEE通过考虑输入侧风速分布的波峰数量来确定所需的高斯函数个数(nG),从而能够有效捕捉输入随机变量分布形态对输出状态变量的影响。
5. 基于高斯函数的改进概率潮流计算
基于上述组件,研究提出了完整的改进概率潮流计算流程。首先,利用ARKDE和Copula函数建立风速相关性模型。接着,应用RIT生成独立的风电功率输出样本,并计算其各阶原点矩和累积量。负荷波动则假设服从正态分布。然后,在参考运行点线性化电力系统模型,获得灵敏度矩阵,并利用累积量的齐次可加性,计算得到系统节点电压和线路功率的各阶累积量。最后,针对靠近风电场的节点和线路(其状态变量分布受风电影响可能偏离正态分布),采用IMEE进行概率分布展开;而对于远离风电场的节点和线路(其波动更接近正态分布),则采用计算更高效的GCAE进行展开。这种混合策略在保证精度的同时,进一步提升了整体计算效率。
案例研究与验证
在IEEE-30节点系统上的案例研究结果表明,所提出的方法在计算精度和效率方面均优于对比方法。对于靠近风电场的节点(如节点23)和线路(如线路23-24),其状态变量的概率密度函数呈现非正态分布。在这种情况下,IMEE方法的展开精度显著高于GCAE和MEE,其平均均方根误差(ARMSE)远低于后两者。例如,节点23电压幅值的IMEE展开误差仅为0.00123%,而GCAE和MEE的误差分别为0.04523%和0.03724%。对于远离风电场的节点(如节点16),三种方法的展开精度相当,且均与蒙特卡洛模拟结果高度吻合。在计算效率方面,所提方法的计算时间(2.23秒)远低于蒙特卡洛模拟(80.41秒),且通过混合展开策略可进一步缩短至0.96秒,接近GCAE的计算速度(0.62秒)。此外,对IMEE中高斯函数个数nG的敏感性分析表明,当nG≥ 3时,展开精度已非常接近蒙特卡洛结果,且继续增加nG对精度的提升有限,但计算时间会增加,验证了nG选择策略的合理性。
本研究成功开发了一种适用于风电并网系统的改进概率潮流计算框架。该框架通过ARKDE和Copula函数精确刻画了风速的边际分布和相关性,利用RIT处理变量相关性以满足累积量法的应用条件,并创新性地提出了IMEE来高效、准确地展开输出状态变量的概率分布。仿真结果证实,该方法能够有效应对风电不确定性和相关性带来的挑战,特别是在状态变量分布严重偏离正态分布的情况下,依然能保持高精度。该方法为含高比例可再生能源的电力系统提供了强大的概率分析工具,在系统规划、运行风险评估和优化调度等方面具有重要的理论价值和实际应用前景。未来的工作将侧重于将该方法扩展到包含多个风电场的大型系统,并系统研究风电输出相关性对系统运行性能的影响。