《International Transactions on Electrical Energy Systems》:Polynomial Normal Transformations and Quasi-Monte Carlo Method for Probabilistic Voltage Stability Analysis
编辑推荐:
可再生能源与负荷功率固有的随机性显著提升了概率技术在电力系统运行与规划中的重要性。在此背景下,研究人员提出了一种面向三相不平衡电力系统的新型概率电压稳定性分析方法。该方法采用多项式正态变换(PNT)精确建模输入变量的不确定性,其通用性可覆盖广泛的概率分布类型,
可再生能源与负荷功率固有的随机性显著提升了概率技术在电力系统运行与规划中的重要性。在此背景下,研究人员提出了一种面向三相不平衡电力系统的新型概率电压稳定性分析方法。该方法采用多项式正态变换(PNT)精确建模输入变量的不确定性,其通用性可覆盖广泛的概率分布类型,并有效处理随机变量间的复杂相关性。为在计算效率提升的同时保留关键统计信息,研究人员将PNT与拟蒙特卡洛模拟(QMC)相结合,后者相比传统蒙特卡洛方法通常具备更快的收敛速度。为量化电压稳定性的运行极限,研究人员构建了带约束集的非线性优化模型:该模型(i)引入互补约束处理发电机无功功率饱和导致的PV-PQ节点转换,(ii)纳入负荷功率增长方向以刻画全网负荷需求的具体增长模式。在典型测试系统上的数值仿真验证了所提方法的有效性。研究人员通过改变随机输入数据的表征形式(采用正态分布、威布尔分布等预设概率分布及实测输入数据)与PNT阶数开展系列分析以确定最优配置。与传统蒙特卡洛方法及点估计法(PEM)的对比结果证实了该方法的稳健性能。
论文解读:《Polynomial Normal Transformations and Quasi-Monte Carlo Method for Probabilistic Voltage Stability Analysis》
该研究针对含高比例可再生能源的三相不平衡电力系统,聚焦概率电压稳定性分析(PVSA) 这一核心问题展开。随着风电、光伏等间歇性电源渗透率的提升,以及负荷特性的时变随机性增强,传统确定性电压稳定分析方法难以准确刻画系统临界状态的不确定性边界。现有PVSA方法存在明显局限:传统蒙特卡洛模拟(MCS)虽精度高但计算成本极高;点估计法(PEM)与累积量法依赖输入输出映射的近似程度,在高非线性场景下易产生偏差;Nataf变换等现有相关性处理方法对复杂非正态分布的适应性不足。因此,亟需发展一种兼顾不确定性建模精度与计算效率的新型PVSA框架,这正是本研究的核心出发点。研究成果发表于《International Transactions on Electrical Energy Systems》。
关键技术方法
研究人员采用多项式正态变换(PNT) 作为不确定性建模核心工具,通过概率加权矩(PWM)估计变换系数,实现非正态分布随机变量向标准正态空间的映射,同时保留变量间复杂相关性。为提升采样效率,将PNT与拟蒙特卡洛模拟(QMC) 结合,采用Sobol序列生成低差异样本,在保证统计特征精度的前提下大幅减少仿真次数。针对三相不平衡特性,构建基于相坐标的非线性优化模型,引入互补约束处理发电机无功越限时的PV-PQ节点平滑转换,并将负荷增长方向纳入平衡方程以反映真实需求演变规律。数值验证采用7节点三相不平衡测试系统,设置两组输入场景:Case A采用威布尔分布模拟风电场出力,Case B采用意大利南部风电场实测数据,所有场景均以传统MCS(20万次采样)作为精度基准,同步对比2n+1点估计法(2n+1 PEM)的性能。
研究结果
4.1 Case A:预设分布下的PNT阶数优选
研究人员首先对比三阶(TPNT)、五阶(FPNT)与九阶(NPNT)多项式变换对威布尔分布的拟合精度。结果显示:NPNT计算的分位数平均相对误差仅为0.000923%,最大误差0.17893%,显著优于TPNT(平均0.22699%,最大23.722%)与FPNT(平均0.021127%,最大4.5715%)。在相关性保持方面,三种变换均能将目标相关系数0.85精准控制在0.8496~0.8498范围内。因此,后续分析均采用NPNT作为标准变换阶数。
4.2 计算精度与效率对比
在2000次QMC采样下,电压幅值统计特征(均值、标准差、0.1%~99.9%分位数)的平均相对误差仅为0.0010%~0.9858%,电压相角误差为0.0069%~0.8084%,负荷裕度误差低于0.1%;即使采样次数降至160次,关键分位数误差仍控制在0.5%以内。相比之下,2n+1 PEM的电压幅值标准差误差高达19.7063%,极端分位数(PC99.9)误差达1.6318%。计算耗时方面,QMC/NPNT(2000次)仅需传统MCS的1/100左右,实现了精度与效率的最优平衡。
4.3 Case B:实测数据下的泛化性验证
采用实测风电数据进一步验证方法鲁棒性。结果表明,NPNT无需预设概率分布类型即可通过PWM精准拟合实测数据的统计特征,其输出的负荷裕度概率分布与全量实测数据驱动优化结果的吻合度达99.2%,证实该方法对真实世界不确定性的强适应能力。
讨论与结论
研究结论表明:多项式正态变换(PNT)通过概率加权矩(PWM)估计参数,突破了传统方法对非正态分布与复杂相关性的建模瓶颈;与拟蒙特卡洛模拟(QMC)的融合将采样效率提升1~2个数量级,解决了PVSA的计算复杂度难题。所构建的相坐标优化模型通过互补约束与负荷增长方向的引入,实现了三相不平衡系统电压稳定极限的精准量化。该方法在预设分布与实测数据场景下均展现出优于传统MCS与PEM的性能,为高比例可再生能源电力系统的运行风险评估与规划决策提供了可靠的工具支撑。未来研究可进一步拓展至大规模实际电网的在线应用,并探索PNT阶数与系统非线性程度的自适应匹配机制。