主動配電網(wǎng)多維度靜態(tài)安全評估

王秀麗,張擇策,侯雨伸

(西安交通大學電氣工程學院,710049,西安)

?

主動配電網(wǎng)多維度靜態(tài)安全評估

王秀麗,張擇策,侯雨伸

(西安交通大學電氣工程學院,710049,西安)

為了使主動配電網(wǎng)靜態(tài)安全評估多維度和標準化,提出了一種主動配電網(wǎng)的多維度靜態(tài)安全評估方法,利用信息熵原理分析指標間的差異程度,從風險性、可靠性和均勻性3個維度對主動配電網(wǎng)進行評估,從而確定各個指標應(yīng)具有的客觀權(quán)重。為應(yīng)對主動配電網(wǎng)中包含的大量隨機因素和不確定性,采用了一種結(jié)合蒙特卡羅模擬法高維不敏感性和擬蒙特卡羅模擬法抽樣均勻性的混合蒙特卡羅(hybrid-Monte Carlo,HMC)模擬法來形成系統(tǒng)狀態(tài)矩陣。通過算例進行指標計算驗了證方法的有效性,結(jié)果表明,隨著主動配電網(wǎng)中各類隨機因素的增加,各維度的風險性指標、可靠性指標、均勻性指標變化趨勢各不相同,對均勻性的改善程度最大,對可靠性的改善次之,對風險性的改善相對較少,但需求側(cè)響應(yīng)對3個維度的指標都有明顯的改善作用,負荷可調(diào)之后將使得綜合安全性能指標變好。研究工作對推動可再生能源消納技術(shù)有一定指導作用。

主動配電網(wǎng);靜態(tài)安全評估;信息熵;混合蒙特卡羅

主動配電網(wǎng)是具備組合控制各種分布式能源能力的配電網(wǎng)絡(luò)[1],旨在更好地兼容大規(guī)模可再生能源,提升綠色能源利用率[2],優(yōu)化一次能源結(jié)構(gòu)[3-4],積極消納可再生能源并確保電網(wǎng)的安全穩(wěn)定運行[5-9]。對于其靜態(tài)安全評估,僅關(guān)注配電網(wǎng)中的節(jié)點電壓越限概率和支路功率過載概率顯然不夠全面[10-11],探索多維度、深層次、標準化的新型靜態(tài)安全評估方法勢在必行。

主動配電網(wǎng)的電力可靠性顯然是其靜態(tài)安全評估的重要環(huán)節(jié)。文獻[12]詳細介紹了用蒙特卡羅模擬的方法評估發(fā)電、輸電組合系統(tǒng),文獻[13]說明了電力系統(tǒng)均勻性、安全性、可靠性之間的區(qū)別與聯(lián)系,文獻[14]則提出了合理的均勻性指標和求解模型。

信息熵作為信息論的內(nèi)容,在求解不同指標權(quán)重分布中的應(yīng)用已經(jīng)在各個領(lǐng)域中越來越廣泛,如分布式冷熱電能源系統(tǒng)優(yōu)化設(shè)計[15]、火電機組綜合評價[16]、水電廠機組運行優(yōu)劣度評價[17]、水質(zhì)評價[18]等。文獻[15]建立了分布式能源系統(tǒng)指標評價矩陣,利用信息熵原理求解了不同指標的權(quán)重分布。

為應(yīng)對主動配電網(wǎng)中出現(xiàn)的大量不確定性因素和隨機因素,采用模擬法求解靜態(tài)安全評估問題,易于實現(xiàn)也便于統(tǒng)計結(jié)果。蒙特卡羅(MC)模擬法是應(yīng)用最為廣泛的抽樣方法,然而計算量大是一個明顯的缺點,于是重要抽樣法[19]、控制變量法[20]、分層抽樣法[21]等提高MC法效率的研究曾火爆一時。近年來,在經(jīng)濟學領(lǐng)域中的證券交易[22]、期權(quán)問題[23]中較為常用的擬蒙特卡羅(QMC)模擬法逐漸被電力系統(tǒng)的研究人員所注意。文獻[24]成功地將該法運用到電力系統(tǒng)的可靠性評估中,取得了理想的效果。

本文著眼于深化主動配電網(wǎng)靜態(tài)安全評估的內(nèi)涵,從風險性、可靠性、均勻性3個維度同時對主動配電網(wǎng)進行評估,采用混合蒙特卡羅(HMC)法來抽取系統(tǒng)狀態(tài)矩陣,采用熵權(quán)法評價其綜合靜態(tài)安全性能的指標。本文提出的多維度綜合靜態(tài)安全性能評估是對更全面地評價電網(wǎng)安全性能的積極探索,所選取的HMC抽樣方法是解決模擬法計算效率問題的有益嘗試。本文的研究工作對推動可再生能源消納技術(shù)有一定指導作用。

1 主動配電網(wǎng)中的隨機因素

1.1 可再生能源的考慮

由于負荷波動、可再生能源發(fā)電出力波動,故障的多樣性等特征,主動配電網(wǎng)運行環(huán)境復雜多變。為了更好地對其進行隨機潮流分析、可靠性分析和均勻性分析,應(yīng)選取合適的模型描述造成其不確定性的隨機因素。

在大量歷史數(shù)據(jù)的支撐下,對風速進行統(tǒng)計學上的分布模擬以及等效出整個風電場的總出力已變得不再遙不可及。同時,中小型光伏發(fā)電系統(tǒng)也是主動配電網(wǎng)中重要的出力來源。風電機組群和光伏電站的出力建模研究已較為成熟,在此不再贅述,詳細推導參見文獻[11]。

生物質(zhì)發(fā)電技術(shù)由于燃料的松散性、高揮發(fā)性和低熱值性[25],收集和貯藏都較為困難,難以大規(guī)模集中利用,但卻有著弱時空特性的優(yōu)點。在主動配電網(wǎng)的環(huán)境下,可將其作為系統(tǒng)出力的補充。本文以中型生物質(zhì)循環(huán)流化床氣化發(fā)電為例,給出額定出力、氣化效率和發(fā)電效率的范圍,出力公式為

P=fcfbPr

(1)

式中:Pr為氣化發(fā)電系統(tǒng)額定出力;fc和fb分別為考慮不確定性后的氣化效率和發(fā)電效率。

1.2 負荷與需求側(cè)響應(yīng)的考慮

在主動配電網(wǎng)中,負荷具有較強的隨機性和不確定性。根據(jù)文獻[26],本文采用綜合考慮負荷點變化相關(guān)性和預(yù)測不確定性的改進K均值聚類算法建立負荷概率模型。用Sturges公式?jīng)Q定年負荷階次的個數(shù)K=1+lg8 760/lg2≈14以IEEE RTS79系統(tǒng)[26]為例,將其年負荷原始數(shù)據(jù)采用改進K均值聚類算法進行聚類,得到的負荷概率模型如表1所示。表中各級負荷水平用峰值百分數(shù)表示。

表1 基于改進K均值聚類算法的負荷概率模型

需求側(cè)響應(yīng)是主動配電網(wǎng)中一個顯著的特點。本文考慮的需求側(cè)響應(yīng)包括可中斷負荷、實時電價和電動汽車。

在本文的主動配電網(wǎng)模型中,對于可中斷負荷節(jié)點,若其負荷水平Li較高,則用較低的設(shè)定值L*代替。為反映實時電價的影響,用模擬出的電價曲線按人為規(guī)定的方式對負荷進行修正。

對于主動配電網(wǎng)中的每一輛充電汽車,先抽取其狀態(tài)參數(shù),包括行駛狀態(tài)、位于哪個充電站、充電還是放電狀態(tài)、充放電電量為多少。確定了充電汽車的狀態(tài),再將其轉(zhuǎn)換為對負荷的調(diào)整。

2 HMC方法

模擬法求解問題的基本思路是:建立一個概率模擬或者隨機過程,使其參數(shù)等于問題的解,然后通過對模型或者過程的抽樣來觀察和計算所求參數(shù)的統(tǒng)計特征,最后給出所求問題的近似解[27]。

蒙特卡羅法是最經(jīng)典的模擬法,易于實現(xiàn),對維數(shù)不敏感,適合考慮復雜因素,在電力系統(tǒng)工程分析中應(yīng)用十分廣泛。但是,其缺點是計算量大,從誤差階的角度看,MC法的積分誤差以O(shè)(N-1/2)為階,意味著誤差每提高一位精度,需要增加約100倍的抽樣次數(shù)。

擬蒙特卡羅法是近年來發(fā)展起來的方法,通過改進誤差階提高MC法求解問題的計算效率,與MC法一樣,都是通過對系統(tǒng)狀態(tài)的大規(guī)模抽樣,用抽樣的平均值作為近似值來進行估計。QMC法與MC法最大的區(qū)別在于,MC法抽取的是偽隨機數(shù)列,致力于抽樣的隨機性,而QMC法抽取的是確定性低偏差點列,致力于抽樣的均勻性。文獻[28]證明了QMC法的積分誤差漸進以O(shè)(N-1)為階,即誤差每提高一位精度,只需增加約10倍的抽樣次數(shù)。文獻[29]詳細論述了QMC法的具體原理及其低偏差點列的構(gòu)造辦法。

為了同時利用MC法的抽樣隨機性和QMC法的抽樣均勻性,本文提出將兩者結(jié)合起來的混合蒙特卡羅(Hybrid Monte Carlo,HMC)模擬法,即分層抽取系統(tǒng)的隨機狀態(tài)。在主動配電網(wǎng)中,對于那些由于各類約束和限制,隨機性并不太大的不確定性因素,如風電場風速切入角度、生物質(zhì)發(fā)電系統(tǒng)的氣化效率等,采用QMC法抽取的低偏差點列來形成隨機狀態(tài)矩陣S′,而其他因素則由MC法抽取的偽隨機數(shù)列來形成隨機狀態(tài)矩陣S″,最后再處理成統(tǒng)一的系統(tǒng)隨機狀態(tài)矩陣S=[S′;S″]。在該矩陣的基礎(chǔ)上進行確定性分析,并在大規(guī)模抽樣后得到所求參數(shù)的統(tǒng)計特征,從而估計出問題的解。

3 多維度靜態(tài)安全評估

3.1 風險性評估

電力系統(tǒng)運行的風險主要表現(xiàn)為支路功率過載和節(jié)點電壓越限,它們?nèi)菀讓е孪到y(tǒng)電壓崩潰和出現(xiàn)連鎖故障。

文獻[30]認為,對系統(tǒng)風險的評估需要同時考慮出現(xiàn)風險的概率和風險的嚴重程度。設(shè)配電網(wǎng)中有m條支路和n個節(jié)點,采用上節(jié)所述的HMC法進行隨機潮流計算,容易統(tǒng)計出各節(jié)點的支路功率過載概率和節(jié)點電壓越限概率,分別為pOL_m和pOV_n。根據(jù)文獻[30],定義支路功率過載嚴重程度如下

(2)

(3)

式中:Sev(Lm)為支路m的支路功率過載嚴重程度;ω(Lm)為越限量;a為正數(shù);Lm為支路m的實際輸送功率與功率限額之比;L0為設(shè)定的閾值。

定義支路功率過載風險為

(4)

式中:b為正數(shù)。

設(shè)向量R=[ROL_1,ROL_2…,ROL_M]T為配電網(wǎng)中支路功率過載風險向量,定義系統(tǒng)支路功率過載風險指標為

(5)

式中:α和β為權(quán)重系數(shù),一般都取0.5,分別表征風險平均值和風險最大值的影響程度,兩者之和為1;‖R‖1與‖R‖∞分別是向量R的1范數(shù)和∞范數(shù)。同理可定義出系統(tǒng)節(jié)點電壓越限后果嚴重程度和節(jié)點電壓越限風險指標ROV。

3.2 可靠性評估

主動配電網(wǎng)中的分布式電源產(chǎn)生的電能除了就地消納,還要輸送出去參與配電網(wǎng)的調(diào)度,這是主動配電網(wǎng)與微電網(wǎng)的一個重大區(qū)別。

將主動配電網(wǎng)中的所有發(fā)電機節(jié)點的注入功率看成是多狀態(tài)的,具體模型需參考分布式電源的種類,負荷節(jié)點仍采用聚類算法進行分級。輸電線路按不同故障后果處理為不同的故障模式,為簡化計算,將主動配電網(wǎng)中所有元件的故障看成是相互獨立的。采用HMC法抽取元件狀態(tài),形成系統(tǒng)狀態(tài)矩陣,對該狀態(tài)下的系統(tǒng)進行可靠性計算,在大規(guī)模抽樣直至滿足精度要求后,統(tǒng)計可靠性指標。由于主動配電網(wǎng)的可靠性評估將影響可調(diào)負荷的控制,本文主要考慮的指標是切負荷概率

(6)

式中:NL為負荷分級數(shù);Si是第i個負荷狀態(tài)下有切負荷的系統(tǒng)狀態(tài)集合;nj為抽樣中系統(tǒng)狀態(tài)j的發(fā)生次數(shù);Ni和Ti分別是第i個負荷狀態(tài)下的抽樣總數(shù)和持續(xù)時間;T為負荷的總持續(xù)時間。

3.3 均勻性評估

在電力系統(tǒng)的規(guī)劃和運行中,由于電力設(shè)備運行參數(shù)的差異、網(wǎng)架結(jié)構(gòu)的多樣以及隨機因素的影響,電力系統(tǒng)在時空上都會表現(xiàn)出不均勻的特征。

由于實際運行條件的限制,人為規(guī)定的安全約束邊界和系統(tǒng)的實際安全約束邊界是不同的[14],對于某一運行時刻,系統(tǒng)狀態(tài)在各個可能轉(zhuǎn)移的方向上離實際安全約束邊界的距離也是不同的。如系統(tǒng)中各個線路的負載率都沒有超過設(shè)定的閾值,但某區(qū)域內(nèi)有大量線路的負載率都接近閾值,處于重載狀態(tài),一旦一條線路發(fā)生故障,則容易引發(fā)大規(guī)模潮流轉(zhuǎn)移,造成大規(guī)模連鎖性故障。這種情況是需要極力避免的,因此設(shè)定指標評估系統(tǒng)的均勻性具有積極意義。

根據(jù)文獻[13],用表示電力設(shè)備實際輸送容量與其最大輸送能力之比的負載率作為衡量系統(tǒng)均勻度的指標較為合理。負載率的表達式如下

(7)

(8)

(9)

H2=max{Li}-min{Li}

(10)

式中:H1為系統(tǒng)負載率方差;H2為系統(tǒng)負載率極差;λ和μ是權(quán)重系數(shù),分別表征負載率平均分布情況和最極端偏差值的影響程度,兩者之和為1。

3.4 主動配電網(wǎng)綜合靜態(tài)安全性能指標

為將風險性、可靠性和均勻性指標綜合成一個指標,可利用信息熵原理分析指標間的差異程度,從而確定各個指標應(yīng)具有的客觀權(quán)重。

設(shè)有m個參與評價的場景,記為Y=[y1,y2,…,ym],設(shè)有n個評價指標,記為X=[x1,x2,…,xn];場景yi對應(yīng)的第j個指標用aij表示(i=1,2,…,m,j=1,2,…,n),可得到m個場景的m×n個評價指標構(gòu)成的矩陣A=[aij]m×n,即

(11)

對于值越大越優(yōu)的指標,采用下式進行標準化

(12)

對于值越小越優(yōu)的指標,采用下式進行標準化

(13)

至此,指標矩陣A被標準化為B。容易計算第i個場景下的第j個指標的值所占比重Pij,矩陣P即為歸一化矩陣。

(14)

下面,利用熵權(quán)法來確定指標在綜合評價過程中權(quán)重的大小。信息熵是信息無序度的度量,信息熵越大,信息的無序度越高,其信息的貢獻越小,其權(quán)重應(yīng)越小;反之,信息熵越小,信息的無序度越低,信息的貢獻越大,其權(quán)重應(yīng)越大。根據(jù)文獻[15],第j個指標的信息熵為

(15)

其中k=1/lnm,且當Pij=0時,令PijlnPij=0。

第j個指標的熵權(quán)為

(16)

若考慮偏好,第j個指標的熵權(quán)ξij為

(17)

式中:αj為偏好系數(shù),所有αj(j=1,2,…,n)之和為1。至此,可計算第i個場景的綜合指標為

(18)

4 算例分析

圖1是一個在IEEE30節(jié)點系統(tǒng)網(wǎng)架結(jié)構(gòu)和參數(shù)的基礎(chǔ)上改造的35 kV/10 kV主動配電網(wǎng)系統(tǒng)[5-7,31]。

圖1 主動配電網(wǎng)測試系統(tǒng)

在該系統(tǒng)中,節(jié)點1連接主網(wǎng),節(jié)點2連接生物質(zhì)發(fā)電系統(tǒng),節(jié)點5和13連接光伏發(fā)電系統(tǒng),節(jié)點8和11連接風電場,節(jié)點4、21和27處有電動汽車充電站,節(jié)點23和25是可中斷負荷。取10kV為基準電壓,10MV·A為基準容量,使用IEEERTS79系統(tǒng)的負荷曲線,將峰值取為300MW。節(jié)點2接入額定容量為2MW的中型生物質(zhì)循環(huán)流化床氣化系統(tǒng),平均氣化效率為0.75,發(fā)電效率設(shè)定在15%～18%。風電場數(shù)據(jù)和光伏發(fā)電系統(tǒng)數(shù)據(jù)見附錄A。

以支路過載風險ROL為風險性指標,記為R;以切負荷概率PLC為可靠性指標,記為K;以不均勻度H為均勻性指標,記為J;綜合靜態(tài)安全指標記為DRKJ。容易看出,所選取的指標和綜合指標都是越小越優(yōu),采用式(13)進行標準化。

下面,考慮以下幾種場景:

(1)場景1 主動配電網(wǎng)中不含任何分布式能源,也不含可調(diào)負荷;

(2)場景2 在場景1的基礎(chǔ)上,主動配電網(wǎng)中加入光伏發(fā)電系統(tǒng);

(3)場景3 在場景2的基礎(chǔ)上,主動配電網(wǎng)中加入風電場;

(4)場景4 在場景3的基礎(chǔ)上,主動配電網(wǎng)中加入生物質(zhì)發(fā)電系統(tǒng);

(5)場景5 在場景4的基礎(chǔ)上,主動配電網(wǎng)中考慮需求側(cè)響應(yīng);

(6)場景6 以場景5的基礎(chǔ),將R、K、J的偏好系數(shù)分別設(shè)為0.6、0.2和0.2;

(7)場景7 以場景5的基礎(chǔ),將R、K、J的偏好系數(shù)分別設(shè)為0.2、0.6和0.2;

(8)場景8 以場景5的基礎(chǔ),將R、K、J的偏好系數(shù)分別設(shè)為0.2、0.2和0.6。

對以上8種場景,用HMC法抽樣100 000次(精度已達0.01),計算出的綜合靜態(tài)安全性能指標如表2所示。

對表中數(shù)據(jù)做如下分析:①從場景1到場景4,在配電網(wǎng)中各處逐漸接入更多的分布式能源,可以看到風險性指標R變差了,顯然注入功率的隨機性使系統(tǒng)越限風險增大,但隨著在場景5中考慮需求側(cè)響應(yīng)、負荷可調(diào)的特性后,風險性指標R減小;②從場景1到場景4,可靠性指標K一直越來越好,這是由于隨著分布式能源的接入,雖然系統(tǒng)的不確定性大大增加,但總的發(fā)電量也增加,抵消了隨機性的負面影響,場景5中負荷可調(diào),可靠性進一步變好;③從場景1到場景4,注入功率的不確定性增大,導致支路功率的隨機性變大,從而增大了負載率的極差,不均勻性指標J都逐漸變差,而場景5中負荷可調(diào)后,負載率變得可以人為控制,所以均勻性變好;④總的來看,場景5～8的綜合靜態(tài)安全指標DRKJ比場景1～4要好很多,可見需求側(cè)響應(yīng)對于增大主動配電網(wǎng)綜合安全性有著重要作用;⑤從場景6到場景8,分別人為賦予R、K、J更大的權(quán)重,對比場景6～8的DRKJ,場景6、場景5、場景7、場景8逐漸減小,可以看出主動配電網(wǎng)中各類不確定性因素的綜合作用對均勻性的改善程度最大,對可靠性的改善次之,對風險性的改善相對較少。

表2 不同場景下的綜合靜態(tài)安全性能指標

5 結(jié) 論

主動配電網(wǎng)中含有大量的不確定性因素,為了使其靜態(tài)安全評估多維度和標準化,本文從風險性、可靠性和均勻性3個維度對主動配電網(wǎng)進行評估,采用HMC法來抽取系統(tǒng)狀態(tài)矩陣,采用熵權(quán)法來評價其綜合靜態(tài)安全性能的指標。隨著主動配電網(wǎng)中各類隨機因素的增加,各維度的指標R、K、J變化趨勢各不相同,但需求側(cè)響應(yīng)對3個維度的指標都有明顯的改善作用,負荷可調(diào)之后將使得綜合安全性能指標DRKJ變好。主動配電網(wǎng)中各類不確定性因素的綜合作用對各個維度性態(tài)的改善程度也略有不同,對均勻性的改善程度最大,對可靠性的改善次之,對風險性的改善相對較少。

本文僅從3個維度上各選取了一個指標,考慮更多的維度(如系統(tǒng)靈活性)以及在同一維度中考慮多類指標的綜合靜態(tài)安全評估將會是下一步的研究工作。

[1] 尤毅, 劉東, 于文鵬, 等. 主動配電網(wǎng)技術(shù)及其進展 [J]. 電力系統(tǒng)自動化, 2012, 36(18): 10-16. YOU Yi, LIU Dong, YU Wenpeng, et al. Technology and its trends of active distribution network [J]. Automation of Electric Power Systems, 2012, 36(18): 10-16.

[2] DJAPIC P, RAMSAY C, PUDJIANTO D, et al. Taking an active approach [J]. IEEE Power and Energy Magazine, 2007, 5(4): 68-77.

[3] WALLING R, SAINT R, DUGAN R C, et al. Summary of distributed resources impact on power delivery [J]. IEEE Trans on Power Delivery, 2008, 23(3): 1663-1644.

[4] 范明天, 張祖平, 蘇傲雪, 等. 主動配電系統(tǒng)可行技術(shù)的研究 [J]. 中國電機工程學報, 2013, 36(22): 12-18. FAN Mingtian, ZHANG Zuping, SU Aoxue, et al. Enabling technologies for active distribution systems [J]. Proceedings of the CSEE, 2013, 36(22): 12-18.

[5] 鐘清, 孫聞, 余南華, 等. 主動配電網(wǎng)規(guī)劃中的負荷預(yù)測與發(fā)電預(yù)測 [J]. 中國電機工程學報, 2014, 34(19): 3050-3056. ZHONG Qing, SUN Wen, YU Nanhua, et al. Load and power forecasting in active distribution network planning [J]. Proceedings of the CSEE, 2014, 34(19): 3050-3056.

[6] 于汀, 劉廣一, 蒲天驕, 等. 計及柔性負荷的主動配電網(wǎng)多源協(xié)調(diào)優(yōu)化控制 [J]. 電力系統(tǒng)自動化, 2015, 39(9): 95-100. YU Ding, LIU Guangyi, PU Tianjiao, et al. Multiple coordinated optimization control of active distribution network considering flexible load [J]. Automation of Electric Power Systems, 2015, 39(9): 95-100.

[7] 張躍, 楊汾艷, 曾杰, 等. 主動配電網(wǎng)的分布式電源優(yōu)化規(guī)劃方案研究 [J]. 電力系統(tǒng)保護與控制, 2015, 43(15): 67-72. ZHANG Yue, YANG Fenyan, ZENG Jie, et al. Research of distributed generation optimization planning for active distributed network [J]. Power System Protection and Control, 2015, 43(15): 67-72.

[8] 梁才浩, 段獻忠. 分布式發(fā)電及其對電力系統(tǒng)的影響 [J]. 電力系統(tǒng)自動化, 2001(12): 53-56. LIANG Caihao, DUAN Xianzhong. Distributed generation and its influence on power system [J]. Automation of Electric Power Systems, 2001(12): 53-56.

[9] 肖世杰. 構(gòu)建中國智能電網(wǎng)技術(shù)思考 [J]. 電力系統(tǒng)自動化, 2009, 33(9): 1-4. XIAO Shijie. Thinking of building Chinese smart grid technology [J]. Automation of Electric Power Systems, 2009, 33(9): 1-4.

[10]吳際舜. 電力系統(tǒng)靜態(tài)安全分析 [M]. 上海: 上海交通大學出版社, 1985: 48-50.

[11]康重慶, 夏清, 徐瑋. 電力系統(tǒng)不確定性分析 [M]. 北京: 科學出版社, 2011: 33-36.

[12]丁明, 張瑞華. 發(fā)輸電組合系統(tǒng)可靠性評估的蒙特卡羅模擬 [J]. 電網(wǎng)技術(shù), 2000, 24(3): 9-12. DING Ming, ZHANG Ruihua. Monte-Carlo simulation of reliability evaluation for composite generation and transmission system [J]. Power System Technology, 2000, 24(3): 9-12.

[13]孫偉卿, 王承民, 張焰, 等. 電力系統(tǒng)運行均勻性分析與評估 [J]. 電工技術(shù)學報, 2014, 29(4): 173-180. SUN Weiqing, WANG Chenmin, ZHANG Yan, et al. Analysis and evaluation on power system operation homogeneity [J]. Transactions of China Electrotechnical Society, 2014, 29(4): 173-180.

[14]孫偉卿, 王承民, 曾平良, 等. 電力系統(tǒng)均勻性評價方法與指標綜述 [J]. 電網(wǎng)技術(shù), 2015, 39(5): 1205-1212. SUN Weiqing, WANG Chenmin, ZENG Pingliang, et al. Review on evaluation method an index of power system homogeneity [J]. Power System Technology, 2015, 39(5): 1205-1212.

[15]張濤, 朱彤, 高乃平, 等. 分布式冷熱電能源系統(tǒng)優(yōu)化設(shè)計及多指標綜合評價方法的研究 [J]. 中國電機工程學報, 2015, 35(14): 3706-3713. ZHANG Tao, ZHU Tong, GAO Naiping, et al. Optimization design and multi-criteria comprehensive evaluation method of combined cooling heating and power system [J]. Proceedings of the CSEE, 2015, 35(14): 3706-3713.

[16]齊敏芳, 付忠廣, 景源, 等. 基于信息熵與主成分分析的火電機組綜合評價方法 [J]. 中國電機工程學報, 2013, 33(2): 58-64. QI Minfang, FU Zhongguang, JING Yuan, et al. A comprehensive evaluation method of power plant units based on information entropy and principal component analysis [J]. Proceedings of the CSEE, 2013, 33(2): 58-64.

[17]符向前, 劉光臨, 蔣勁, 等. 基于信息熵的機組運行劣化度綜合指標 [J]. 電力系統(tǒng)自動化, 2005, 29(7): 75-78. FU Xiangqian, LIU Guanglin, JIANG Jin, et al. An evaluation index of the hydroelectric generating sets overall performance [J]. Automation of Electric Power Systems, 2005, 29(7): 75-78.

[18]孫維夫. 基于信息熵的區(qū)域科技競爭力的綜合評價 [J]. 煙臺職業(yè)學院學報, 2009, 15(4): 87-92. SUN Weifu. Overall evaluation for regional scientific competitive power based on information entropy [J]. Journal of Yantai Vocational College, 2009, 15(4): 87-92.

[19]宋曉通, 譚震宇. 改進的重要抽樣法在電力系統(tǒng)可靠性評估中的應(yīng)用 [J]. 電網(wǎng)技術(shù), 2005, 29(13): 56-59. SONG Xiaotong, TAN Zhenyu. Application of improved importance sampling method in power system reliability evaluation [J]. Power System Technology, 2005, 29(13): 56-59.

[20]OLVEIRA G C, PEREIRA M V F, CUNHA S H F. A technique for reducing computational effort in Monte-Carlo based composite reliability evaluation [J]. IEEE Transactions on Power Systems, 1989, 4(4): 1309-1315.

[21]MELO A C G, OLVEIRA G C, MOROZOWSKI F M, et al. A hybrid algorithm for Monte Carlo/enumeration based composite reliability evaluation [C]∥Proceedings of 3rd International Conference on Probabilistic Methods Applied to Electric Power Systems. Piscataway, NJ, USA: IEEE, 1991: 70-74.

[22]BOYLE P, BROADIE M, GLASSERMAN P. Monte Carlo methods for security pricing [J]. Journal of Economic Dynamics and Control, 1997, 21(8): 1267-1321.

[23]董成. 擬蒙特卡羅方法在亞式期權(quán)敏感性參數(shù)估計中的應(yīng)用 [D]. 北京: 清華大學, 2011: 25-26.

[24]侯雨伸, 王秀麗, 劉杰, 等. 基于擬蒙特卡羅方法的電力系統(tǒng)可靠性評估 [J]. 電網(wǎng)技術(shù), 2015, 39(3): 744-750. HOU Yushen, WANG Xiuli, LIU Jie, et al. A quasi-Monte Carlo method based power system reliability evaluation [J]. Power System Technology, 2015, 39(3): 744-750.

[25]吳金卓, 馬琳, 林文樹. 生物質(zhì)發(fā)電技術(shù)和經(jīng)濟性研究綜述 [J]. 森林工程, 2012(5): 102-106. WU Jinzhuo, MA Lin, LIN Wenshu. Literature review on biomass power generation technology and economic feasibility [J]. Forest Engineering, 2012(5): 102-106.

[26]陳凡, 劉海濤, 黃正, 等. 基于改進k-均值聚類的負荷概率模型 [J]. 電力系統(tǒng)保護與控制, 2013(22): 128-133. CHEN Fan, LIU Haitao, HUANG Zheng, et al. Probabilistic load model based on improvedk-meansclustering algorithm. [J]. Power System Protection and Control, 2013(22): 128-133.

[27]朱星陽, 劉文霞, 張建華, 等. 電力系統(tǒng)隨機潮流及其安全評估應(yīng)用研究綜述 [J]. 電工技術(shù)學報, 2013, 10: 257-270. ZHU Xingyang, LIU Wenxia, ZHANG Jianhua, et al. Reviews on power system stochastic load flow and its applications in safety evaluation [J]. Transactions of China Electrotechnical Society, 2013, 10: 257-270.

[28]NIEDERREITER H. Random number generation and quasi-Monte Carlo methods [M]. Philadelphia, USA: SIAM, 1992: 56-60.

[29]SOBOL’ I M. On the distribution of points in a cube and the approximate evaluation of integrals(English translation) [J]. USSR Comp Math Math Phys, 1967, 7(4): 86-112.

[30]朱星陽, 黃宇峰, 張建華, 等. 基于隨機潮流的含風電電力系統(tǒng)靜態(tài)安全評估 [J]. 電力系統(tǒng)自動化, 2014, 38(20): 46-53, 60. ZHU Xingyang, HUANG Yufeng, ZHANG Jianhua, et al. Static security assessment based on probabilistic load flow for wind power systems [J]. Automation of Electric Power Systems, 2014, 38(20): 46-53, 60.

[31]廣東電網(wǎng)公司電力科學研究院組. 主動配電網(wǎng)知識讀本 [M]. 北京: 中國電力出版社, 2014: 144-147.

附 錄 A

表A2 光伏發(fā)電系統(tǒng)數(shù)據(jù)

(編輯 杜秀杰)

Multidimensional Static Security Assessment for Active Distribution Network

WANG Xiuli,ZHANG Zece,HOU Yushen

(School of Electrical Engineering, Xi’an Jiaotong University, Xi’an 710049, China)

A multidimensional static security assessment plan is proposed, which gives a comprehensive assessment of active distribution network from the aspects of risk, reliability and homogeneity, thus the assessment becomes multidimensional and standardized. This plan uses the information entropy principle to analyze the difference among the indexes, so as to determine the objective weight of each index. To deal with the randomness and uncertainty in active distribution network, a hybrid-Monte Carlo method (HMC) which absorbs the high-dimension insensitivity of Monte Carlo method and the uniform sampling of quasi-Monte Carlo method is introduced and used to form the system state matrix. The feasibility of the plan is verified by calculating the indexes of an example. With the increasing of all kinds of random factors in active distribution network, the index variation trend for each dimension is different. These random factors improve homogeneity to a greater extent, reliability to a less extent and risk to the least extent. The demand response improves the index of each dimension significantly, and the comprehensive index becomes better in the case of adjustable load.

active distribution network; static security assessment; information entropy; hybrid-Monte Carlo

10.7652/xjtuxb201608018

2015-12-22。 作者簡介:王秀麗(1961—),女,教授,博士生導師。 基金項目:國家自然科學基金資助項目(51277140)。

時間:2016-05-17

http:∥www.cnki.net/kcms/detail/61.1069.T.20160517.1925.018.html

TM744

A

0253-987X(2016)08-0110-07