具体实施方式

下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。

风电、光电等大规模分布式可再生能源并网，以及电力负荷的波动，都给电网带来了更多的不确定性因素。传统的电网规划方法已不能满足包含着诸多不确定性因素的电网规划的要求。本实例提出对系统内不确定性因素建立对应的数学模型；基于概率潮流计算表征系统随机运行状态；基于风险理论计算系统风险；以电网的风险以及风险事故发生时造成的经济损失达到最小为目标函数；基于盲数理论对模型约束条件进行改进，通过多个规划方案进行必选最终得到新能源并网规划的最优方案。该方法为电网规划部门制定新能源并网方案提供参考，有利于实现新能源的高比例接入，驱动电力系统完成能源转型。

本实施例通过以下技术方案来实现，基于不确定性风险计算的电网新能源接入方法，包括以下步骤：

S1、基于概率潮流计算构建电力系统元件的随机模型；

S2、完成概率潮流计算并统计算结果；

S3、通过概率潮流计算结果完成风险评估；

S4、以系统运行风险及风险事故发生时造成经济损失最小为目标函数，构建新能源并网点的规划优化模型；

S5、基于盲数理论对约束条件进行改进。

S6、通过改进遗传算法对模型进行求解，得到不同可信度下的最佳接入方案，并通过必选得出综合效益指标最优的规划方案。

S1所述电力系统元件的随机模型包括负荷波动随机模型、风电机组出力随机模型和光伏机组出力随机模型。

S2所述完成概率潮流计算并统计算结果包括以下步骤：

S2.1、通过蒙特卡洛模拟得到N组数量足够大的负荷、发电机出力数据；将每组数据带入确定性潮流计算中；

S2.2、得到N组电力系统潮流结果；

S2.3、对潮流结果进行数字特征分析，计算均值、方差等，为风险计算做准备。

S3中风险水平的计算基于概率潮流计算结果。通过风险事故发生严重度与风险事故发生的概率相乘得到风险的大小；并整合得到电力系统的综合风险值，完成对于电力系统风险大小的量化评估工作。

S4中电网规划的目标函数包括系统运行风险及风险事故发生时造成经济损失两部分。

如图3所示，S5所述盲数理论对规划模型约束条件的改进具体步骤如下：

S5.1、建立盲数BM模型；

盲数的基本定义如下：

设G为有理灰数组成的集合，α_i∈G，实数T_i∈[0，1]，则有：

当α_i之间互不相等，且时，称f(x)是一个盲数；T_i为x落在α_i上的可信度。在实际工程中，x往往不能精准地落在α_i上，而是落在α_i的附近，因此，x是落在一个区间上，α_i是一个区间型灰数。

由于在电网优化规划的过程中，要求进行各种复杂的运算，要涉及盲数的大小比较。因此，本发明建立了盲数的BM模型。

设A、B为两个盲数：

称P(A-B＞β)为盲数的BM模型。本发明只需用到β＝0的情况，即P(A-B＞0)，表示A＞B的可信度，BM模型的计算如下式所示：

在实际应用中，P(A-B＞0)值越大，表示A＞B这一个盲信息的可信度越高，就越可信；反之可信度越低，越不可信。

S5.2、基于盲数理论，对电网规划模型的约束条件进行改进；

改进的约束条件如下式，其中，前两式为功率平衡约束，分别表示有功平衡和无功平衡。后三式为可靠性约束，可信度越高，可靠性越高。

式中：为与节点i相连的线路上的盲数潮流(无功同理，不再赘述)；表示节点i处的负荷和发电机出力，两者都用盲数表示(无功同理，不再赘述)；L(i)表示与节点i相连的支路集；分别表示支路的盲数潮流和潮流上限；分别为节点的电压上限和下限；为节点电压，用盲数表示；T为可信度；L_o、N_o为全部支路、节点的集合。

S5.3、盲数模型的构建方法为：

建立十阶的盲数模型，将功率的可能值分成十个区间，对应十个灰度区间。每个灰度区间的可信度，由功率落在该区间上的概率表示。

而且通过改进遗传算法对模型进行求解，得到不同可信度下的最佳接入方案，并通过必选得出综合效益指标最优的规划方案。

具体实施时，如图1所示，一种基于不确定性风险计算的电网新能源接入方法，首先构建电网不确定性因素模型，基于概率潮流计算得到电网实际运行情况的概率分布，基于风险理论计算电网不确定性风险大小；以电网运行风险水平最小为目标函数进行新能源接入点寻优的电网规划，基于盲数理论改进不确定性因素下的模型约束条件，最终得到不同可信度下的最优接入方案。具体步骤如下：

1)、基于概率潮流计算构建电力系统元件的随机模型。

步骤1)的实现包括电力系统元件的随机模型包括负荷波动随机模型、风电机组出力随机模型和光伏机组出力随机模型：

负荷随机波动模型：

负荷的随机波动情况通过正态分布函数进行描述，计算公式如下：

式中：f(P)和f(Q)分别为负荷有功、无功功率的概率分布函数；μ_P、μ_Q分别为有功、无功功率正态分布的均值；σ_P、σ_Q分别为有功、无功功率正态分布的方差。

风力发电的随机出力模型：

风电机组出力随着风速变化而变化，通过Weibull分布拟合风速的概率分布，计算公式如下：

式中：v为风速；k、c分别为Weibull分布的两个参数。

随后，结合风速与风电机组的典型关系，得到风力发电的随即处理模型。计算公式如下：

式中：v_ci、v_N、v_co分别为切入风速、额定风速、切除风速；P_N为额定有功功率。

光伏发电的随机出力模型：

光伏发电机的出力受光照强度的影响。在分布式光伏发电机运行过程中，系统的输出功率基本和光照强度成正比，首先建立光照强度的随机模型，并引入功率系数，就能得到风力发电机组的出力模型，计算公式如下：

式中：Γ为Gamma函数；α、β分别为beta分布的两个参数；P、P_M分别为光伏发电机组的功率和最大输出功率。

步骤2)、完成概率潮流计算并统计算结果。

如图2所示，步骤2)所述完成概率潮流计算并统计算结果，具体步骤包括：

步骤2.1)、通过蒙特卡洛模拟得到N组数量足够大的负荷、发电机出力数据：

步骤2.2)、将每组数据带入确定性潮流计算中：

步骤2.3)、得到N组电力系统潮流结果；

步骤2.4)、对潮流结果进行数字特征分析，计算均值、方差等，为风险计算做准备。

步骤3)、通过概率潮流计算结果完成风险评估。

步骤3)所述通过概率潮流计算结果完成风险评估，具体步骤包括：

步骤3.1)、根据步骤2)的计算结果，通过越限次数占总模拟次数比例计算得到越限概率，计算公式如下：

式中：n为蒙特卡洛模拟次数；m为越限次数。

步骤3.2)、严重度S通过电压或潮流超过(或低于)限制的相对量表示。电压越限严重度S_V，计算公式如下：

式中：S_Vmax为电压越上限的严重程度；V_max为电压的上限值；S_Vmin为电压越下限的严重程度；V_min为电压的下限值。

潮流越限严重度S_P，计算公式如下：

式中：S_Pmax为潮流越上限的严重程度；P_max为潮流的上限值；S_Pmin为潮流越下限的严重程度；P_min为潮流的下限值。

步骤3.3)、不确定性风险由风险事故发生的可能性，即概率，和风险事故发生的后果，即事故的严重程度两部分构成。因此，风险的计算方式如下：

R＝P×S

式中：R为事件的量化风险程度；P为该事故发生的概率；S为事故发生后的严重度大小。

步骤4)、以系统运行风险及风险事故发生时造成经济损失最小为目标函数，构建新能源并网点的规划优化模型。

步骤4)所述电网规划优化模型的规划目标为：规划的目标是设法让电网的风险以及风险事故发生时造成的经济损失达到最小。其中经济损失包括潮流越限造成的切负荷损失和调节电压采用无功补偿带来的容量费用等。其目标函数如下：

式中：k₁、k₂为权重系数，表示目标函数的两个部分的重要程度；R_Vmaxi、R_Vminj分别为节点i电压越上限的风险、节点j电压越下限的风险；R_Sk为支路k潮流越限的风险；N1、N2、L1分别为可能发生电压越上限、下限的节点集合和可能发生潮流越限的支路集合；C_V、C_S分别为发生电压越限和潮流越限所造成的经济损失，二者计算方式如下:

C_V＝ΣQ_CC’₀

式中：P_k为线路k的有功功率；L₁为可能发生潮流越限的支路集合；为线路有功上限；C₀为电价；Q_c为调节电压所需要的无功容量，由潮流计算获得；C’₀为单位无功补偿容量所需要的费用。

步骤5)、基于盲数理论对约束条件进行改进。

步骤5)所述基于盲数理论对约束条件的改进如下：

步骤5.1)、建立盲数BM模型。

盲数的基本定义如下：

设G为有理灰数组成的集合，α_i∈G，实数T_i∈[0，1]，则有：

当α_i之间互不相等，且时，称f(x)是一个盲数；T_i为x落在α_i上的可信度。在实际工程中，x往往不能精准地落在α_i上，而是落在α_i的附近，因此，x是落在一个区间上，α_i是一个区间型灰数。

由于在电网优化规划的过程中，要求进行各种复杂的运算，要涉及盲数的大小比较。因此，建立了盲数的BM模型。

设A、B为两个盲数：

称P(A-B＞β)为盲数的BM模型。本实施例只需用到β＝0的情况，即P(A-B＞0)，表示A＞B的可信度，BM模型的计算如下式所示：

在实际应用中，P(A-B＞0)值越大，表示A＞B这一个盲信息的可信度越高，就越可信；反之可信度越低，越不可信。

步骤5.2)、基于盲数理论，对电网规划模型的约束条件进行改进。改进的约束条件如下。其中，前两式为功率平衡约束，分别表示有功平衡和无功平衡。后三式为可靠性约束，可信度越高，可靠性越高。

式中：为与节点i相连的线路上的盲数潮流(无功同理，不再赘述)；表示节点i处的负荷和发电机出力，两者都用盲数表示(无功同理，不再赘述)；L(i)表示与节点i相连的支路集；分别表示支路的盲数潮流和潮流上限；分别为节点的电压上限和下限；为节点电压，用盲数表示；T为可信度；L_o、N_o为全部支路、节点的集合。

步骤5.3)、盲数模型的构建方法为：建立十阶的盲数模型，将功率的可能值分成十个区间，对应十个灰度区间。每个灰度区间的可信度，由功率落在该区间上的概率表示。

步骤6)、通过改进遗传算法对模型进行求解，得到不同可信度下的最佳接入方案，并通过必选得出综合效益指标最优的规划方案。

步骤6)所述对算法的改进，综合效益的比选具体实施过程如下：

步骤6.1)、对遗传算法的改进。改进包括适应度的计算和变异率的选择两个方面。

适应度的计算。本实施例的电网优化规划中，目标函数是电网的风险和经济损失，为了让目标函数越大，适应度越低，需要对适应度进行一点改进。适应度的计算如下式所示：

fit(x)＝K-f(x)

式中：fit(x)为适应度；K为一个给定的大数，且大于目标函数的最大值，保证了适应度大于0。

变异率的选择。当遗传次数较低时，加大变异率；当遗传次数较大时，降低变异率；对于适应度高的子代，不进行变异，便于保持优良性状；对于适应度低的个体，使其变异，便于寻找到更优解。

步骤6.2)、通过遗传算法求解新能源并网点电网规划的十阶盲数模型，得到不同可信度下的最佳接入方案。

步骤6.3)、通过综合效益指标完成不同可信度下最佳接入方案之间的比选工作，得到最优的新能源并网接入方案。

综合效益指标的计算方式如下：

式中：F为模型的目标函数值；T为可信度的值，反映了系统的可靠性程度；该指标能综合比较方案的可靠性和目标函数，η越大，则方案越好。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。