[发明专利]一种含光伏发电的发电系统可靠性评估方法

说明书

本发明公开了一种含光伏发电的发电系统可靠性评估方法，包括：参数初始化；模拟产生光伏发电出力序列；修正原始负荷序列；建立等值负荷多状态模型；使用交叉熵重要抽样法计算发电系统中发电机的最优不可用度；利用LHS方法生成发电系统发电机状态序列和对应的似然比序列；计算含光伏发电的发电系统可靠性指标。本发明在实现光伏出力随机生产模拟和建立系统等值负荷模型的基础上，通过将交叉熵重要抽样和LHS抽样法相结合，有效地提高了系统随机抽样的效率，加速了含光伏发电的电力系统可靠性评估的计算速度。

技术领域

本发明属于电力系统分析技术领域，具体涉及一种含光伏发电的发电系统可靠性评估方法，尤其涉及一种基于改进拉丁超立方抽样(Latin hypercube sampling，LHS)的含光伏发电的发电系统可靠性评估方法。

背景技术

随着传统化石能源的逐渐枯竭和大气污染、温室效应等环境问题的日益突出，光伏发电在世界范围内得到了快速发展。然而，光伏出力具有强烈的随机性和不确定性，未来高比例光伏发电的并网增加了电力系统运行分析的复杂性，因此有必要对包含光伏发电的电力系统可靠性评估问题开展研究。

发电系统可靠性评估方法主要分为解析法和蒙特卡洛方法两大类，其中解析法的计算量随系统规模的增大呈指数增长，同时存在着新能源发电系统解析模型建模过程复杂的问题，因此基于蒙特卡洛方法的可靠性评估方法在含新能源的电力系统可靠性评估中得到了更广泛的应用。针对传统蒙特卡洛方法存在的抽样样本大、收敛速度慢的问题，研究人员提出了拉丁超立方抽样(Latin hypercube sampling，LHS)、交叉熵抽样等方差减小技术。LHS方法通过分层抽样在不改变输出随机变量样本分布的情况下，使得产生的样本分布更加均匀，因而能够在抽取少量样本的情况下提高抽样效率；而交叉熵抽样(Crossentropy，CE)方法则在保持原样本数学期望不变的条件下，以交叉熵最小为目标寻找最优重要抽样概率密度分布，即通过改变样本空间的概率分布使得抽取的样本以更大的概率落在关注的参数取值区域，从而缩减了样本数量。由此可见，LHS方法和交叉熵抽样方法从不同的角度提高了系统状态的抽样效率，将交叉熵理论与LHS抽样相结合，能够进一步提高电力系统可靠性评估的抽样效率。

发明内容

针对上述问题，本发明提出一种含光伏发电的发电系统可靠性评估方法，在实现光伏出力随机生产模拟和建立系统等值负荷模型的基础上，采用交叉熵方法求解发电机组的近似最优概率密度分布，然后基于所求得的近似最优概率分布函数，采用LHS方法对发电机组状态进行分层抽样，从而加速了含光伏发电的电力系统可靠性评估的计算速度。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种含光伏发电的发电系统可靠性评估方法，包括：

步骤1：参数初始化；

步骤2：基于光伏发电统计数据，模拟产生光伏发电出力序列；

步骤3：将原始负荷序列与所述光伏发电出力序列进行点对点修正，获取修正后的负荷序列；

步骤4：对修正后的负荷序列进行线性化分或者聚类，建立等值负荷的多状态模型；

步骤5：使用交叉熵重要抽样法计算发电系统中发电机的最优不可用度；

步骤6：根据所述发电机的最优不可用度，利用LHS方法生成发电系统发电机状态序列和对应的似然比序列；

步骤7：基于所述发电系统发电机状态序列、对应的似然比序列和等值负荷的多状态模型，计算出含光伏发电的发电系统可靠性指标。

可选地，所述光伏发电出力序列的产生方法包括以下步骤：

步骤2-1，读取光伏发电统计数据中的光伏出力历史小时序列数据，记为样本数组A，其样本数为N_PV，舍去样本数据中的0，剩余的数据构成样本数组X_PV，其样本数为n；