一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法[发明专利]

(12)发明专利申请

(10)申请公布号 CN 111900716 A(43)申请公布日 2020.11.06

(21)申请号 202010525323.8(22)申请日 2020.06.10

(71)申请人 浙大城市学院

地址 310015 浙江省杭州市拱墅区湖州街

51号(72)发明人 李静　李艳君　肖铎　杜鹏英　(74)专利代理机构 杭州求是专利事务所有限公

司 33200

代理人 刘静(51)Int.Cl.

H02J 3/00(2006.01)H02J 3/06(2006.01)H02J 3/38(2006.01)H02J 3/46(2006.01)

权利要求书3页 说明书7页 附图1页

CN 111900716 A(54)发明名称

一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法(57)摘要

本发明公开了一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，为包含高比例间歇性可再生能源以及负荷的节点功率随机波动下电力系统随机潮流计算方法，该算法考虑随机时序性对风、光间歇性可再生能源和负荷这些电网运行中的节点注入功率的随机特性进行建模，基于随机空间谱逼近方法来逼近概率潮流方程的随机解，并基于l1‑l2范数最小的稀疏优化方法，利用少量样本信息获得高维潮流随机空间的稀疏多项式逼近模型。该算法稳定且逼近精度高，可广泛应用于高维随机因素影响下电力系统随机潮流分析。为可再生能源的合理消纳和保证电力系统安全稳定运行提供参考。

CN 111900716 A

权　利　要　求　书

1/3页

1.一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，其特征在于，该方法包括以下几个步骤：

S1：建立电力系统高维随机输入的低阶模拟模型，具体包括以下的步骤：S1.1：由于负荷及风力、太阳能光伏电源出力的随机波动性，在任一时刻t电力系统的节点注入功率视作是随机变量，该随机变量在时间维度上的扩充构成了随机过程。则在t时刻电网节点i处的注入功率为：

式中，pi(t)和qi(t)表示t时刻安装在电网节点i注入有功和无功功率的预测值，表示随机变量，

和

表示t时刻电网节点i处的有功和无功随机参数，反映在节点

功率的预测误差上，预测误差在任意时刻t的随机特性均满足正态分布，则预测误差属于高斯随机过程。

S1.2：取如下指数形式的核函数Cpp(t1,t2)和Cqq(t1,t2)描述高斯随机过程：

式中，lp和lq分别表示有功和无功预测误差随机过程的关联长度。将系统周期分为T个时间点{t1,…,tT}，可得高斯随机过程的T×T相关矩阵Cpp或Cqq，并对矩阵进行主成分分析，将矩阵特征值从大到小排序，取前M(M或

和特征函数

或

建立随机过程的Karhunen-Loeve展开并取前M项截断，如下所示：

式中，M为截断的阶数；为互不相关的随机变量；

S2：利用混沌多项式(gPC)展开技术，基于样本随机配置点逼近概率潮流方程的随机解，得到节点电压的谱逼近近似模型；具体如下：

S2.1计及随机参数影响，t时刻H个节点电力系统的潮流方程如下所示：

式中，分别为该时刻节点i处的节点电压和相角。

表示节点i与j之间的电压相角差。Gij和Bij分别为节点导纳矩阵第i行j列元素的实部和虚

2

CN 111900716 A

权　利　要　求　书

2/3页

部。

S2.2：在给定节点注入功率影响下，随机潮流方程(8)～(9)的精确解的多项式逼近为：

式中，N为多项式展开的项数，为正交多项式的第n项基函数，和为第n

项基函数对应的逼近系数。S2.3：对于高斯随机过程，选择基函数为Hermite正交基：

前三项Hermit多项式为：

正交性关系为：

其中，为高斯分布的概率密度函数，δnk为Kronecker算子。对于M维随机变量

则多项式展开式(10)～(11)中的基函数

是M个单变量基函数

的张量积：

S2.4：在随机空间选取样本集将这些样本值代入到潮流方程求解：

式中，fPF()表示如式(8)、(9)所示的非线性潮流方程，解出样本下的电网状态值：

式中，H表示电网的节点总个数。将样本

和相应的样本解

代入到式(10)、(11)中，得到一组

线性方程组，解方程组获得多项式逼近的系数，即可获得节点电压的谱逼近近似模型。S3：建立高维潮流随机空间的稀疏多项式逼近模型。具体如下：

选取小样本集

通过稀疏优化算法重构稀疏的多项式逼近。

式中，和为列向量，

3

CN 111900716 A

权　利　要　求　书

表示向量

3/3页

矩阵Φ为K′行N+1列矩阵，它的第k行n列元素为非零元素的

个数。

将优化问题(17)进行凸化，通过求解以下优化问题，寻求l1范数下的稀疏解：

式中，表示多项

式逼近空间稀疏展开的截断误差。将稀疏优化问题(20)～(21)的最优解代入到(10)～(11)中获得节点电压和潮流的多项式逼近。

节点电压的均值μV,i和方差

可以由多项式系数来计算，如下所示：

式中，E[]表示数学期望。同理可得

的均值和方差；完成电力系统概率潮流的计算，能够快速获得高维不

确定性因素影响下系统输出响应的概率分布。

2.根据权利要求1所述的一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，其特征在于，步骤S1中，利用Karhunen-Loeve展开技术建立电力系统高维随机输入的低阶模拟模型。

3.根据权利要求1所述的一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，其特征在于，步骤S1.1中，所述有功和无功功率的预测值包含风力、光伏电源出力和负荷预测。

4.根据权利要求1所述的一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，其特征在于，步骤S3中，基于l1-l2范数最小的稀疏优化方法，利用少量样本信息获得高维潮流随机空间的稀疏多项式逼近模型。

5.根据权利要求1所述的一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，其特征在于，步骤S3中，由于不确定因素对电网运行的影响，电网节点电压

波动的概率分布和数字特征可以由

描述；

和

和

和

的概率分布和数字特征近似

的概率分布可根据式(10)和(11)所示对随机变量ξ采样求出。

4

CN 111900716 A

说　明　书

1/7页

一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法

技术领域

[0001]本发明属于电力系统优化技术领域，尤其涉及一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法。

背景技术

[0002]随着可再生能源发电技术的发展，基于风电、光伏等具有波动特性的分布式电源高比例多点并网运行后，电力系统运行受到大量随机因素影响，使得概率潮流分析计算成为电力系统不确定性分析的重要工具。求解概率潮流的传统技术是利用Monte-Carlo模拟法、矩近似法和以卷积法为核心代表的解析法，但面对大规模间接性能源带来的不确定因素，需要克服高维随机变量带来的维数灾难和计算精度低的缺点。发明内容

[0003]本发明旨在克服现有技术的不足，提供一种基于谱方法的电力系统概率潮流分析计算方法，该方法利用稀疏混沌多项式逼近高维随机参考空间的电力系统随机潮流解。[0004]为达到上述目的，本发明提供一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法，该方法包括以下几个步骤：[0005]S1：建立电力系统高维随机输入的低阶模拟模型，具体包括以下的步骤：[0006]S1.1：由于负荷及风力、太阳能光伏电源出力的随机波动性，在任一时刻t电力系统的节点注入功率视作是随机变量，该随机变量在时间维度上的扩充构成了随机过程。则在t时刻电网节点i处的注入功率为：

[0007][0008][0009]

式中，pi(t)和qi(t)表示t时刻安装在电网节点i注入有功和无功功率的预测值，和

表示t时刻电网节点i处的有功和无功随机参数，该反映在节点功率的预

测误差上，预测误差在任意时刻t的随机特性均满足正态分布，则预测误差属于高斯随机过

程。

[0010]S1.2：取如下指数形式的核函数Cpp(t1,t2)和Cqq(t1,t2)描述高斯随机过程：

[0011][0012]

式中，lp和lq分别表示有功和无功预测误差随机过程的关联长度。将系统周期分为T个时间点{t1,…,tT}，可得高斯随机过程的T×T相关矩阵Cpp或Cqq，并对矩阵进行主成分分

或

和特征函数

或

析，将矩阵特征值从大到小排序，取前M(M[0013]

5

CN 111900716 A[0014][0015][0016][0017][0018][0019]

说　明　书

2/7页

建立随机过程的Karhunen-Loeve展开并取前M项截断，如下所示：

式中，M为截断的阶数；为互不相关的随机变量；

S2：利用混沌多项式(gPC)展开技术，基于样本随机配置点逼近概率潮流方程的随

机解，得到节点电压的谱逼近近似模型；具体如下：[0020]S2.1计及随机参数影响，t时刻H个节点电力系统的潮流方程如下所示：

[0021][0022][0023]

式中，分别为该时刻节点i处的节点电压和相角。

表示节点i与j之间的电压相角差。Gij和Bij分别为节点导纳矩阵第i

行j列元素的实部和虚部。[0024]S2.2：在给定节点注入功率影响下，随机潮流方程(8)～(9)的精确解

的多项式逼近为：

[0025][0026][0027]

式中，N为多项式展开的项数，为正交多项式的第n项基函数，和

为第n项基函数对应的逼近系数。[0028]S2.3：对于高斯随机过程，选择基函数为Hermite正交基：

[0029][0030][0031][0032][0033][0034]

前三项Hermit多项式为：

正交性关系为：

其中，为高斯分布的概率密度函数，δ对于M维随机变量nk为Kronecker算子。

则多项式展开式(10)～(11)中的基函数

是M个单变量基函数

的张量积：

[0035]

6

CN 111900716 A[0036][0037][0038][0039][0040][0041][0042]

说　明　书

将这些样本值代入到潮流方程求解：

3/7页

S2.4：在随机空间选取样本集

式中，fPF()表示如式(8)、(9)所示的非线性潮流方程，解出样本下的电网状态值：

式中，H表示电网的节点总个数。将样本

和相应的样本解

代入到式(10)、(11)中，得到

一组线性方程组，解方程组获得多项式逼近的系数，即可获得节点电压的谱逼近近似模型。

[0043]S3：建立高维潮流随机空间的稀疏多项式逼近模型。具体如下：

[0044][0045][0046]

选取小样本集K′＜N，通过稀疏优化算法重构稀疏的多项式逼近。

式中，和

表示向量

为列非零

向量，矩阵Φ为K′行N+1列矩阵，它的第k行n列元素为

元素的个数。

[0047]将优化问题(17)进行凸化，通过求解以下优化问题，寻求l1范数下的稀疏解：

[0048][0049][0050]

式中，∈表

示多项式逼近空间稀疏展开的截断误差。将稀疏优化问题(20)～(21)的最优解代入到(10)～(11)中获得节点电压和潮流的多项式逼近。

[0051][0052][0053][0054][0055]

节点电压的均值μV,i和方差可以由多项式系数来计算，如下所示：

式中，E[]表示数学期望。同理可得

的均值和方差；完成电力系统概率潮流的计算，能够快速获得高

维不确定性因素影响下系统输出响应的概率分布。

[0056]进一步地，步骤S1中，利用Karhunen-Loeve展开技术建立电力系统高维随机输入的低阶模拟模型。[0057]进一步地，步骤S1.1中，所述有功和无功功率的预测值包含风力、光伏电源出力和

7

CN 111900716 A

说　明　书

4/7页

负荷预测。

[0058]进一步地，步骤S3中，基于l1-l2范数最小的稀疏优化方法，利用少量样本信息获得高维潮流随机空间的稀疏多项式逼近模型。

[0059]

进一步地，步骤S3中，由于不确定因素对电网运行的影响，电网节点电压波动的概率分布和数字特征可以由

和

和

的概率分布和数字特征近似

描述；

[0060]

和的概率分布可根据式(10)和(11)所示对随机变量ξ采样求出。

本发明与现有技术相比，具有以下显著优势：1)本发明基于随机场的理论描述风、

光出力和负荷功率随机波动的时序变化特性，并结合随机场的Karhunen-Loeve展开逼近，获得电力系统随机潮流中高维随机空间的低阶近似模型，该方法更具工程指导意义。2)本发明建立了随机潮流解空间的稀疏多项式谱逼近模型，结合l1-l2范数最小的稀疏优化算法，能够在少量的样本信息下完成随机潮流的不确定性量化，计算效率高同时数值精度满足工程要求，更适用于高密度新能源接入下的电网随机潮流分析。附图说明

[0061]图1为潮流不确定量化算法流程图；[0062]图2为含新能源电源的33节点配电网。[0063]具体实施方法

[0064]为了更清晰直观的表达本发明的思路，下面结合具体实施方式对本发明的技术方案作进一步的介绍。以如图2所示33节点配电网为例，其中4、6、7、14、16、20、24、25、30和32节点分别接入了风、光可再生能源电源，对该网络的随机潮流分析，所提基于稀疏混沌多项式逼近对电网的随机潮流不确定性量化，算法流程如附图1所示，具体步骤如下：[0065]S1：利用Karhunen-Loeve展开技术建立电网高维随机输入的低阶模拟模型。[0066]S2：利用混沌多项式(gPC)展开技术，基于样本随机配置点逼近概率潮流方程的随机解。

[0067]S3：基于l1-l2范数最小的稀疏优化方法，利用少量样本信息获得高维潮流随机空间的稀疏多项式逼近模型。[0068]进一步，所述步骤S1中，随机场的低阶模拟模型构建方法包括以下的步骤：[0069]S1.1：由于负荷及风力、太阳能光伏电源出力的随机波动性，在每一时刻t可以看作是随机变量，该随机变量在时间维度上的扩充构成了随机过程。电网在节点4、6、7、14、16、20、24、25、30和32这10个节点处接入了可再生能源电源，则在t时刻节点的注入功率为：

[0070][0071][0072]

式中，pi(t)和qi(t)表示t时刻安装在节点i注入有功和无功功率的预测值(包含电

和

表示t时刻节点i处的有功和无功随机参数。通常，

源出力和负荷预测)，

该随机参数来源于分布式电源随机特性，反映在节点功率的预测误差上，根据功率预测和实测数据的统计信息，可以用高斯分布拟合预测误差的随机波动，在任意时刻t的随机特性均满足高斯分布，则预测误差属于高斯随机过程。

8

CN 111900716 A[0073][0074][0075]

说　明　书

5/7页

S1.2：取如下指数形式的核函数Cpp(t1,t2)和Cqq(t1,t2)描述高斯随机过程：

式中，lp和lq分别表示有功和无功预测误差随机过程的关联长度。将系统周期T分

为24个时间点{t1,…,t24}，可得该随机过程的24×24相关矩阵Cpp(Cqq)，并对矩阵进行主成

和特征函数

分分析，将矩阵特征值从大到小排列，取前M＝5项特征值

[0076][0077][0078][0079][0080][0081]

建立随机过程的Karhunen-Loeve展开并取前5项截断，如下所示：

式中，截断的阶数为5；为互不相关的随机变量，因此用5维随机变量来模

拟随机过程。

[0082]所述步骤S2中，基于样本随机配置点逼近概率潮流方程的随机解包含以下几个步骤；

[0083]S2.1计及随机参数影响，t时刻H个节点电力系统的潮流方程如下所示：

[0084][0085][0086]

式中，分别为该时刻节点i处的节点电压和相角。

表示节点i与j之间的电压相角差。Gij和Bij分别为节点导纳矩阵第i

行j列元素的实部和虚部。为描述节点功率随机特性的5维随机输入

参数。本案例中，计及节点注入的可再生能源随机波动特性，节点注入有功和无功功率的随机量

[0087]

由步骤S1所建立的K-L模型来描述，如式(6)和(7)所示。

S2.2：在给定节点注入功率影响下，随机潮流方程(8)～(9)的精确解

的多项式逼近为：

[0088][0089][0090]

式中，N为多项式展开的项数，为正交多项式的基函数，和为第n

项基函数对应的逼近系数。[0091]S2.3：根据随机变量的分布特性可以选择不同的基函数，对于本发明中的高斯随

9

CN 111900716 A

说　明　书

6/7页

机过程，对应最佳基函数为Hermite正交基：

[0092][0093][0094][0095][0096][0097]

前三项Hermit多项式为：

正交性关系为：

其中，为高斯分布的概率密度函数，δ多项式展开式(10)nk为Kronecker算子。

是5个单变量基函数的张量积，

～(11)中的基函数

[0098][0099][0100][0101][0102][0103][0104]

S2.4：在随机空间选取样本集将这些样本值代入到潮流方程求解：

式中，fPF()表示如式(8)、(9)所示的非线性潮流方程，解出样本下的电网状态值:

式中，H表示电网的节点总个数。将相应的样本解代入到式

(10)、(11)中，求解出多项式逼近的系数，便可以获得随机变量的谱逼近近似模型。[0105]所述步骤S3中，基于l1-l2范数最小的稀疏优化方法求取逼近多项式展开系数，选取小样本集近。

[0106][0107]

本案例选取样本个数K′＝200，通过稀疏优化算法重构稀疏的多项式逼

式中，和

表示向量

表示非

列向量，矩阵Φ为K′行N+1列矩阵，它的第k行n列元素为

零元素的个数。

[0108]将优化问题(17)进行凸化，寻求l1范数下的稀疏解，且考虑实际应用中截断的误差或数据噪声误差，可以通过求解以下优化问题：

[0109][0110][0111]

式中，∈表

示误差。

10

CN 111900716 A[0112]

说　明　书

和

7/7页

将稀疏优化问题(20)～(21)的最优解代入到(10)～(11)中便获得节点电压和潮

波

流的多项式逼近。考虑到不确定因素对电网运行的影响，电网节点电压动的概率分布和数字特征可以由

和

和

的概率分布和数字特征近似描述。

的概率分布可根据式(10)和(11)所示对随机变量ξ采样来求出。

可以由多项式系数来计算，如下所示：

的均值μV,i和方差

[0113][0114]

N

式中，E[]表示数学期望。同理可得θξ)的均值和方差。i(t,

[0116]综上所述完成电力系统概率潮流的计算，能够快速获得高维不确定性因素影响下系统输出响应的概率分布，可以进一步分析可再生能源不确定性对电力系统节点电压、频率以及线路损耗的影响，为可再生能源的合理消纳和保证电力系统安全稳定运行提供参考。

[0117]上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

[0115]

11

CN 111900716 A

说　明　书　附　图

1/1页

图1

图2

12