一種基于大規模風電并網的可利用傳輸能力的計算方法

一種基于大規模風電并網的可利用傳輸能力的計算方法
【專利摘要】本發明公開了一種基于大規模風電并網的可利用傳輸能力的計算方法，其包括采集風電場原始數據；根據風電場原始數據進行預測分析，獲得風電場的短期預測數據；基于風電場的短期預測數據，在風電并網時，計算各個并網點在不同時刻到負荷區的可利用傳輸能力；基于各個并網點在不同時刻到負荷區的可利用傳輸能力，計算所述可利用傳輸能力對應的故障概率，獲得所述可利用傳輸能力的概率分布。本發明在獲得風電場短期預測數據的基礎上，考慮評估時間窗，計算各個并網點在不同時刻到負荷區的可利用傳輸能力，考慮了風電出力波動性和并網點對可利用傳輸能力的影響，實現了對可利用傳輸能力的準確計算，對所述可利用傳輸能力進行比較，找到合適的風電并網點。
【專利說明】
一種基于大規模風電并網的可利用傳輸能力的計算方法
技術領域
[0001] 本發明涉及一種電力系統運行與控制領域，特別涉及一種基于大規模風電并網的 可利用傳輸能力的計算方法。
【背景技術】
[0002] 隨著風力發電技術的不斷發展，風電場裝機容量的不斷提高，風電的間歇性、波動 性等特點使其在并網時成為一個擾動源對電網的安全運行水平造成很大影響。此外，我國 的風電場大都遠離負荷中心而且具有很大的容量，而電網建設相對比較薄弱，風電并網點 的不同，會給電網運行帶來較大影響。因此，準確進行短期風電功率預測，并利用預測結果 計算風電接入對電網可利用傳輸能力的影響，比較不同風電接入點對系統可利用傳輸能力 的影響對風電接入點的選址具有重要的參考意義。
[0003] 近幾年來，對風電功率進行短期預測方面，Volterra自適應濾波器以其訓練速度 快、所需樣本量小等優點得到了廣大學者的關注。但Volterra自適應濾波器的預測效果易 受與預測點信息不相關或對預測點貢獻較小的相點影響。目前研究表明采用鄰近點作為訓 練集，證明合理篩選鄰近點，建立局域模型，可提高模型的精度。針對鄰近點的選擇，目前主 要判據有歐式距離、向量夾角、關聯度等方法。另一方面，在工程應用中，模型的有效性不僅 要求算法精度高，同時也要求模型的計算速度快。使用K均值算法作為可有效提高模型的計 算速度。
[0004] 針對電網可利用傳輸能力計算已經有較為完善的計算方法如(程超，李華強，羅小 春，唐國棟.可利用傳輸能力的快速計算[A].電網技術.2009(03) :49-52)-種利用故障過 濾技術的可利用傳輸能力快速計算方法，該方法考慮電壓穩定、電壓幅值、熱穩定約束，利 用迭代線性交流潮流法對熱穩定約束和電壓幅值約束條件進行N-1故障過濾，利用線性靈 敏度法對電壓穩定約束條件進行N-1故障過濾，得到最嚴重故障集;利用原一對偶內點法只 針對若干最嚴重故障計算系統可利用傳輸能力，提高了可利用傳輸能力的計算效率更符合 電網運行的需求。如何在現有研究基礎上，考慮風電出力波動及接入點對電網運行的影響 值得進一步的研究。

【發明內容】

[0005] 本發明的目的在于解決現有技術中，可利用傳輸能力計算僅對電網某個時間點下 的系統潮流斷面進行可利用傳輸能力計算的問題，提供了一種在獲得風電場的短期預測數 據的基礎上，考慮評估時間窗，計算各個并網點在不同時刻到負荷區的可利用傳輸能力，對 所述可利用傳輸能力進行比較，找到合適的風電并網點。
[0006] 為了實現上述發明目的，本發明提供了以下技術方案：
[0007] -種基于大規模風電并網的可利用傳輸能力的計算方法，包括以下步驟：
[0008] 步驟1:采集風電場原始數據，所述風電場原始數據包括各個時刻風電場有功出 力；
[0009] 步驟2:根據風電場原始數據進行預測分析，獲得風電場的短期預測數據；
[0010] 步驟3:基于風電場的短期預測數據，在風電并網時，計算各個并網點在不同時刻 到負荷區的可利用傳輸能力；
[0011] 步驟4:基于各個并網點在不同時刻到負荷區的可利用傳輸能力，計算所述可利用 傳輸能力對應的故障概率，獲得所述可利用傳輸能力的概率分布；
[0012] 步驟5:基于各個并網點在不同時刻的可利用傳輸能力的概率分布，對不同并網點 的所述可利用傳輸能力的期望、方差、變異系數、以及匱乏量進行比較，找到合適的風電并 網點。
[0013] 優選的，所述步驟1中對風電場原始數據進行預測分析的方法為基于混沌時間序 列的Vo 11erra自適應預測法，所述基于混純時間序列的Vo 11erra自適應預測法的步驟包 括：
[0014] a、分析風電場原始數據，根據相空間重構原理，對風電功率時間序列進行相空間 重構，得到重構的相空間，并對重構的相空間的混沌特性進行識別；
[0015] b、采用K均值聚類算法對重構的相空間的相點進行聚類；
[0016] c、基于聚類后的相空間建立局域volterra自適應濾波器模型；
[0017] d、采用局域預測法在每類相點中篩選預測點的鄰近點集合；
[0018] e、利用鄰近點集合作為局域volterra自適應濾波器模型的訓練集，使volterra自 適應濾波器模型的預測精度獲得提高，并且采用風電場原始數據作為輸入，通過volterra 自適應濾波器模型進行仿真，獲得風電場的短期預測數據。
[0019]優選的，所述步驟b中，采用減聚類方法為K均值聚類提供初始聚類中心和聚類個 數。
[0020] 優選的，所述步驟d中對鄰近點的選擇，采用基于預測點和相點之間的相似度的判 據方法，其中，預測點X(p)與相點X⑴間的相似度為：
[0021] q(p,i)= y id(p,i)+T2C〇s0(p,i)
[0022]其中yi, y 2分別為距離指標與演化趨勢指標的權重值，且yi+Y 2=1。
[0023] 優選的，采用Hannan-Quinn準則對鄰近點集合進行進一步的篩選，還采用Fisher 判別法將預測值點成新的相點分配給對應的分類集合。
[0024]優選的，所述步驟3中采用如(程超，李華強，羅小春，唐國棟.可利用傳輸能力的快 速計算[A].電網技術.2009(03) :49-52)中記載的一種利用故障過濾技術的可利用傳輸能 力快速計算方法，計算各個并網點在不同時刻到負荷區的可利用傳輸能力。
[0025] 優選的，步驟4中所述的故障概率，包括基于潮流的線路停運模型的故障概率和基 于電壓的發電停運模型的故障概率。
[0026] 與現有技術相比，本發明的有益效果:本發明在獲得風電場短期預測數據的基礎 上，考慮評估時間窗，計算各個并網點在不同時刻到負荷區的可利用傳輸能力，考慮了風電 出力波動性和并網點對可利用傳輸能力的影響，實現了對可利用傳輸能力的準確計算，對 所述可利用傳輸能力的期望、方差、變異系數、以及匱乏量進行比較，找到合適的風電并網 點。
【附圖說明】：
[0027]圖1為本發明的方法流程圖；
[0028]圖2為基于混沌時間序列的Volterra自適應預測法流程圖；
[0029]圖3為基于潮流的線路停運模型；
[0030] 圖4為基于電壓的發電機停運模型。
【具體實施方式】
[0031] 下面結合試驗例及【具體實施方式】對本發明作進一步的詳細描述。但不應將此理解 為本發明上述主題的范圍僅限于以下的實施例，凡基于本
【發明內容】
所實現的技術均屬于本 發明的范圍。
[0032] 如圖1所示，一種基于大規模風電并網的可利用傳輸能力的計算方法，包括以下步 驟：
[0033] 步驟1:采集風電場原始數據，所述風電場原始數據包括各個時刻風電場有功出 力；
[0034]步驟2:根據風電場原始數據進行預測分析，獲得風電場的短期預測數據；
[0035] 步驟3:基于風電場的短期預測數據，在風電并網時，各個并網點在不同時刻到負 荷區的可利用傳輸能力；
[0036] 步驟4:基于各個并網點在不同時刻到負荷區的可利用傳輸能力，計算所述可利用 傳輸能力對應的故障概率，獲得所述可利用傳輸能力的概率分布；
[0037] 步驟5:基于各個并網點在不同時刻的可利用傳輸能力的概率分布，對不同并網點 的所述可利用傳輸能力的期望、方差、變異系數、以及匱乏量進行比較，找到合適的風電并 網點。
[0038] 在實施中，所述步驟1中對風電場原始數據進行預測分析的方法為基于混沌時間 序列的Vol terra自適應預測法，如圖2所示，所述基于混純時間序列的Vol terra自適應預測 法的步驟包括：
[0039] a、分析風電場原始數據，根據相空間重構原理，對風電功率時間序列進行相空間 重構，得到重構的相空間，并對重構的相空間的混沌特性進行識別；
[0040] b、采用K均值聚類算法對重構的相空間的相點進行聚類；
[0041 ] c、基于聚類后的相空間建立局域volterra自適應濾波器模型；
[0042] d、采用局域預測法在每類相點中篩選預測點的鄰近點集合；
[0043] e、利用鄰近點集合作為局域volterra自適應濾波器模型的訓練集，使volterra自 適應濾波器模型的預測精度獲得提高，并且采用風電場原始數據作為輸入，通過volterra 自適應濾波器模型進行仿真，獲得風電場的短期預測數據。
[0044] 具體的，在步驟a中，根據相空間重構原理，對初始風電功率時間序列進行相空間 重構，得到重構的相空間，設初始風電功率時間序列為奴〇4=1，2，一氺沽為時間序列的 長度，確定延遲時間t和嵌入維數m，重構的相空間為：
[0045] X(t) = [x(t)，x(t+T)，...，x(t+(m_l)T)]T (1)式中，t = l，2,…，M，M=k-(m_l)T; 并且式中X(t)為t時刻的預測點。
[0046] 由公式（1)可以看出，對風電功率時間序列進行相空間重構的根本在于求出時間 序列的延遲時間t與嵌入維數m，可使用C-C法求取;并利用Lyapunov指數來判斷風電功率時 間序列的混沌特性，判斷風電功率時間序列是否滿足混沌特性。
[0047] 具體的，所述步驟b中采用K均值聚類算法對重構的相空間的相點進行聚類，K均值 聚類的基本思想為將數據集合X分為k類，使得類內的成員存在某種相似性的過程。
[0048] 即尋找C= {&，C2，…，Ck}，滿足：
[0049] X=UC. (2) j=i. J
[0050] C ：r~ 0( / = (3 >
[0051 ]并使得總的類間離散度和達到最小，
[0052] = Z Z (./)) (4)
[0053] 其中，M( j)為第j個聚類的中心，d(X(i)，M( j))為樣本到對應聚類中心的距離，其 表達式為：
[0054] d(X(i),M(j))=| |X(i)-M(j)| |2 (5)
[0055] 具體的，在步驟c中，由于Volterra自適應濾波器的核函數的Volterra級數展開表 示式為無窮級數形式，難以用于實際應用，通常采取有限截斷和有限次求和形式。以下為P 階截斷模型：
[0057] 由Taken嵌入定理可取Ni = N2 =…=Np=m，i(? + l)為預測值，hp(mi，m2,…，mp)稱為p 階Vo 1 terra核，m為濾波器的輸入維數，對應為風電時間功率的嵌入維數。
[0058]在實施中，由于K均值聚類算法存在一個極大的弊端，即算法的收斂性與收斂速度 依賴于初始條件。因此，優選的使用減聚類方法獨立地為K均值聚類法提供初始聚類中心Mj (j = l，2,…k)和聚類個數k。
[0059] 在實施中，所述步驟d中對鄰近點的選擇，采用基于預測點和相點之間的相似度的 判據方法，其中，所述基于預測點和相點之間的相似度的判據方法為:采用改進歐式距離和 改進演化趨勢來綜合評估鄰近點的坐標分量對預測點的影響。除此之外，回溯步長越小，其 對預測點的影響也應越大，在改進演化趨勢判據的同時對多步演化的影響力進行加權處 理，得到篩選鄰近點的綜合判據如下：
[0060] 定義一種新的運算方式：
[0061] A ?B ~[a1,a2,---am]?[b],b 2,---bm] = ???，〇"九] (7)
[0062]判據1:當前預測點X(p)與相點X(i)間的距離：
[0063] d(pj) = ||a ? (X(_p) - X (j))||^ (8)
[0064] 式中，a為權重向量，且對于m維的向量a而言，a(l)<a(2X…彡a(m)，考慮到坐標 分量間的間隔時間為均為 T，本文取
[0065] d(p，i)越小，當前預測點X(p)與相點X(i)的距離越近。
[0066]判據2:預測點X(p)與相點X(i)間的演化發展趨勢：
[0067]定義多步回溯的差值向量為：
[0068] E(p，q)=X(p)-X(p_q)
[0069] E(i，q)=X(i)-X(i_q) (10)
[0070]多步回溯的預測點與相點間的方向夾角為：
Ml)
[0072] 對上式進行加權，可得預測點與相點的發展趨勢判據為：
[0073] ⑶#(/'/)=乙外/)0以)以(/7力/) (12)
[0074] c〇S0(p，i)是由向量間的夾角的余弦演化而來，其中，0為權重向量，且 彡…彡0(q)本文取
[0075] (3〇80(口，;〇越小，當前預測點乂(口)與相點乂(;〇的發展趨勢越接近。
[0076] 綜合判據預測點X(p)與相點X(i)間的相似度
[0077] q(p,i)= y id(p,i)+T2C〇s0(p,i) (13)
[0078] 其中yi, y 2分別為距離指標與演化趨勢指標的權重值，且yi+Y 2=1。
[0079] q(P，i)綜合考慮預測點與相點的當前距離和相點間的多步演化趨勢，既考慮了相 點的演化相關性，又考慮了相點各坐標在時間上的不同影響，因此能有效避開"虛偽鄰近 點"，選出在距離和演化趨勢均與預測點相似的鄰近點，進一步提高預測精度。
[0080]在實施中，為了對鄰近點的規模控制，采用Hannan-Quinn準則對鄰近點進行進一 步的篩選。具體的，
(14) (15)
[0083] 式中^為數據的樣本點，毛為預測結果，1為樣本點均值，S為預測步數，N為擬合 數據個數。
[0084] 當O(K)取得最小值時，對應的K為最佳鄰近點的個數，此時認為模型的精度和復 雜度取得了平衡。
[0085]在實施中，為了進一步進行滾動預測，還采用Fisher判別法將預測值組成新的相 點分配給對應的分類集合。具體的，Fisher判別法是在分類確定的情況下，判別某個向量屬 于哪個類別的多元統計法。其基本思想是投影，尋找一個向量a將高維空間中的向量投影到 低維空間，克服高維空間的"維數禍根"。
[0086] Fisher判別法借助一元方差思想建立判別函數，使類間距離最大化，類內距離最 小化。
[0087]經投影后的類間平方和與類內平方和分別為： (17)
[0088] SSG = aTBa，SSE = aTCa (16)[0089] 其中：
[0092] F?為第i類的平均值，F為所有數據的總平均值。 MS
應充分大。
[0094] 由矩陣知識可知，當a取值為Ii時，-取得極大值Xi，其中，Xi為IB-AE | =0 的最大特征根，11為對應的特征向量。
[0095] 則可得到判別函數為
[0096] d{XM：)=al P-aTPu' ( 19)
[0097] 當d(X，Gi)取得最小值時，XGGi。
[0098] 在實施中，所述步驟(3)中采用如(程超，李華強，羅小春，唐國棟.可利用傳輸能力 的快速計算[A].電網技術.2009(03) :49-52)中記載的一種利用故障過濾技術的可利用傳 輸能力快速計算方法，計算各個并網點在不同時刻到負荷區的可利用傳輸能力。
[0099] 具體的，在電網的可利用傳輸能力的計算過程中，要考慮許多因素的影響，如系統 的運行狀態、負荷的需求預測、電網的整體結構等。除此以外，它的計算還要受到許多約束 的制約，如線路熱穩定約束、電壓幅值約束、靜態穩定約束等等。因此，電網的可利用傳輸能 力的計算通常需要包括以下幾個基本要素:基態潮流、傳輸方向、安全約束集和N-1準則。 [0100]因此，計算電網的可以用傳輸能力可歸結為一個非線性規劃問題，即：
[0101 ] [ fix, /.) = Ay(, + h(x) = 0 (20) 1 Gmm<G(x)<G^
[0102] 式中：
[0103] f(x，人…Ux)]1:擴展潮流方程組；
[0104] xGRn:狀態控制變量；
[0105] 常規潮流方程；
[0106] G(x) = [Gi(x)，...GrU)]1":安全約束條件；
[0107] Gmin，Gmax:安全約束條件上下限；
[0108] ydGRm:負荷變化方向；
[0109] 入GR1:反映電網的可以用傳輸能力的參數，當入=〇時是指基態情況。
[0110] 用以上式子作為計算可利用傳輸能力的公式，需要對傳輸方向進行一定的處理， 假設發電機的出力及負荷的大小分別設定為1個單位的話，則：
[mu] X y^pi= X =1 (2i) iesource.
[0112] 其中，source為電源區域，sink為負載區域;ydPi表示發電機集合的有功變化方向， ydPj表示負荷集合的有功負荷變化方向。為了使負荷母線上的功率因數保持一致，設各負荷 的無功變化方向為:ydQi = QDi〇/PDi()(i g sink)。經過這樣的處理，A的值就可以直接代表電網 的可以用傳輸能力了。
[0113] 基于迭代線性交流潮流法的故障過濾與排序:線性迭代交流潮流法的計算精度跟 其他的線性方法相比，有顯著地提高，計算效率也顯著高于牛頓一拉夫遜法，因此常用于電 力系統規劃和運行等方面的研究。線性迭代交流潮流法結合了解耦法和非線性法的優點， 減少了方程維數，將非線性近似值帶入方程當中，在提高計算速度、減少內存占用的同時， 還保持了一定的計算精度；當線性迭代交流潮流法用于故障過濾時還運用了稀疏矩陣技術 以及矩陣求逆定理，簡化了支路故障和發電機故障情況下的潮流求解，避免了對每次N-1故 障作重復的計算。線性迭代交流潮流法尤其適用于系統靜態N-1支路或發電機故障分析，能 夠處理規模較大的故障集，確定哪些故障應該作為嚴重故障詳細求解。
[0114] ILPF將節點功角0和節點有功注入Pk、節點電壓V和節點無功注入Qk的關系歸結為 下式：
[0115] [A][9] = [P] (22)
[0116] [C][V] = [Q] (23)
[0117] 其中 AGRn，CGRn，
[0118] aM = K X! ^m^km %? =-hd (24) m^ak.
[0119] % ~ ? Chn ~ ~^bn (fH ^ ak ) (25)
[0120] 當連接km節點的線路發生故障開斷時，矩陣A和C中四個元素發生改變：
[0121] A anmi= A akk = -A akm = -A amk A Cmn= A Ckk = -A Ckm = -A Cmk (26)
[0122] 用矩陣表示為：
[0123] A/=A+Aakm[MA][MA]T (27)
[0124] C7 =C+Ackm[MA][MA]T (28)
[0125] 上式中：Ma為NX 1矩陣，且第k元素為1，第m元素為一 1，其余為零。由此，避免了對 每次支路故障都重新計算矩陣A和C，節省了計算時間。
[0126] 因此對于km線路故障，可表示為：
[0127] [[A]+Aakm[MA][MA]T][[9] + [A0]] = [P] (29)
[0128] [ [C]+ A ckm[MA] [Ma]t] [ [V] + [ A V] ] = [Q] (30)
[0129] 由公式(29)、（30)式整理得：
[0132] 式(31) (32)即為發生支路故障時的0和V修正量。當k節點發電機發生故障時，k節 點由PV節點轉變為PQ節點。公式(22)、（ 23)中，P和Q可寫作：
[0133] [P] = [P7 J + tP77] (33) (35)
[0134] [Q] = [Q/] + [Q//] (34)[0135] 其中
(16) (->7)
[0139]如此用0、7、？、〇反復迭代，直到收斂為止，得出的即是發生支路故障時的近似潮流 解。發電機故障情況不同于支路故障。當節點k發生故障時，節點k由PV節點轉變為PQ節點， 向量P和Q中的第k個元素變為零，但公式(22)、（23)中A和C矩陣的元素不隨故障發生變化， 故對所有的發電機故障只需對A、C矩陣做一次三角分解即可，從而減少所用計算時間。為了 判斷事故的嚴重程度，本文構造了熱穩定指標式和電壓幅值指標式來為故障排序：
(38) (39)
[0142] 對于以上兩個指標，數值越大，意味著該事故越嚴重。
[0143] 基于線性靈敏度的故障過濾與排序原理:在電壓崩潰點處，有下式關系：
[0144] \ t n || it n(?哪 ^\v f\, = 0 11wI ^ 0
[0145] 式中x是狀態控制變量;A為負荷裕度;p為故障參數，p(k) = 〇表示故障前，p(k) = l表 示故障后;w是雅克比矩陣fx對應于零特征值的左特征向量。在故障前電壓崩潰點的S、X和 逆已經由式(20)得出，由此來估計事故后在電壓穩定約束下的A stab_pcist。
[0146] 將公式(40)在事故前的電壓崩潰點處線性化，得到：
[0147] fx A x+fA A A+fp A p = 〇 (41)
[0148] 其中x = p將公式(41)左乘wT，并代入(40)式和Ap=l(表示故障后），即 可得到：
(42)
[0150]用A A修正事故前的I得到事故后的可傳輸能力：
[0151] X. - X_ + A A (43)
[0152] 所有N-1故障以M乍為電壓穩定約束下事故嚴重性排序的指標A越小，說明事故越 為嚴重，取排在前10%的嚴重故障形成發電機和支路嚴重故障集。
[0153] 在實施中，步驟4中所述的故障概率，包括基于潮流的線路停運模型的故障概率和 基于電壓的發電停運模型的故障概率。具體的，潮流是線路最為重要的運行參數。線路如果 長期工作在負載率較高的水平下，線路會隨著溫度的升高，漸漸失去機械強度;過負荷，過 流等二次保護裝置，其動作時限與潮流大小有關，潮流越大，線路退出運行的可能性越大。 因此，本文建立基于潮流的線路停運模型，如圖3所示，當線路潮流在in:lal ]范圍內 時，潮流對線路停運概率的影響不大，此時線路停運概率可以用歷史統計數據表示，也可用 與線路自身健康狀況對應的潛在故障率表示：
[0154] PL = P (44)
[0155] 當線路潮流在[Z^T1 范圍內時，線路停運概率隨潮流對極限值逼近而增長， 可表示為：
45)
[0157] 當線路潮流大于LmaJt，線路停運概率為1。
[0158] 基于電壓的發電機停運模型，如圖4所示：當發電機機端電壓在發 電機停運概率為歷史統計值：
[0159]尸隊)=獲：》=) (46)
[0160]當發電機端電壓在正常值和極限值之間時，發電機停運概率隨電壓值對極限值的 逼近而增大：
[0163] 當發電機機端電壓超過極限值時，保護裝置動作，發電機故障概率為1。
[0164] 因此發電機基于頻率和機端電壓兩者因素影響下的綜合故障率為：
[0165] Pg = P(Fg)+P(Ug)-P(Fg)P(Ug) (49)
[0166] 在實施中，在所述步驟5中，基于各個并網點在不同時刻的可利用傳輸能力的概率 分布，對不同并網點的所述可利用傳輸能力的期望、方差、變異系數、以及匱乏量進行比較， 可利用傳輸能力的期望越大越好，方差越小越好，變異系數和匱乏量是越小越好，基于上述 條件找到合適的風電并網點。
【主權項】
1. 一種基于大規模風電并網的可利用傳輸能力的計算方法，其特征在于，包括以下步 驟： 步驟1:采集風電場原始數據； 步驟2:對所述風電場原始數據進行預測分析，獲得風電場的短期預測數據； 步驟3:基于風電場的短期預測數據，在風電并網時，計算各個并網點在不同時刻到負 荷區的可利用傳輸能力； 步驟4:基于各個并網點在不同時刻到負荷區的可利用傳輸能力，計算所述可利用傳輸 能力對應的故障概率，獲得所述可利用傳輸能力的概率分布； 步驟5:基于各個并網點在不同時刻的可利用傳輸能力的概率分布，對所述可利用傳輸 能力的期望、方差、變異系數、以及匱乏量進行比較，找到合適的風電并網點。2. 根據權利要求1所述的基于大規模風電并網的可利用傳輸能力的計算方法，其特征 在于，所述步驟1中對風電場原始數據進行預測分析的方法為基于混沌時間序列的 Volterra自適應預測法，所述基于混純時間序列的Volterra自適應預測法的步驟包括： a、 分析風電場原始數據，根據相空間重構原理，對風電功率時間序列據進行相空間重 構，得到重構的相空間； b、 采用K均值聚類算法對重構的相空間的相點進行聚類； C、基于聚類后的相空間建立局域VO11 err a自適應濾波器模型； d、 采用局域預測法在每類相點中篩選預測點的鄰近點； e、 采用鄰近點作為局域vol terra自適應濾波器模型的訓練集，使vol terra自適應濾波 器模型的預測精度獲得提高，并且采用風電場原始數據作為輸入，通過volterra自適應濾 波器模型進行仿真，獲得風電場的短期預測數據。3. 根據權利要求2所述的基于大規模風電并網的可利用傳輸能力的計算方法，其特征 在于，所述步驟b中，采用減聚類方法為K均值聚類提供初始聚類中心和聚類個數。4. 根據權利要求2所述的基于大規模風電并網的可利用傳輸能力的計算方法，其特征 在于，所述步驟d中，對鄰近點的選擇，采用基于預測點和相點之間的相似度的判據方法，其 中，預測點X(P)與相點X( i)間的相似度為： n(p,i)= Tid(p,i)+T2C〇s0(p,i) 其中γι, γ2分別為距離指標與演化趨勢指標的權重值，且γι+γ2 = 1。5. 根據權利要求2所述的基于大規模風電并網的可利用傳輸能力的計算方法，其特征 在于，采用Hannan-Qu i ηη準則對鄰近點進行進一步的篩選。6. 根據權利要求2所述的基于大規模風電并網的可利用傳輸能力的計算方法，其特征 在于，還采用Fisher判別法將預測點組成新的相點分配給對應的分類集合。7. 根據權利要求1所述的基于大規模風電并網的可利用傳輸能力的計算方法，其特征 在于，所述步驟3中采用如(程超，李華強，羅小春，唐國棟.可利用傳輸能力的快速計算[A]. 電網技術.2009(03) :49-52)中記載的一種利用故障過濾技術的可利用傳輸能力快速計算 方法，計算各個并網點在不同時刻到負荷區的可利用傳輸能力。8. 根據權利要求1所述的基于大規模風電并網的可利用傳輸能力的計算方法，其特征 在于，步驟4中所述的故障概率，包括基于潮流的線路停運模型的故障概率和基于電壓的發 電停運模型的故障概率。
【文檔編號】H02J3/38GK105913160SQ201610301665
【公開日】2016年8月31日
【申請日】2016年5月9日
【發明人】周友富, 張全明, 雷斌
【申請人】國網四川省電力公司經濟技術研究院, 四川大學