風電并網(wǎng)系統(tǒng)靜態(tài)電壓穩(wěn)定概率評估.pdf

1、隨著全球能源結(jié)構(gòu)的不斷調(diào)整，新能源發(fā)電規(guī)模迅猛增長。風力發(fā)電作為目前技術(shù)最為成熟的一種新能源發(fā)電方式，得到了前所未有的高速增長，其發(fā)電規(guī)模更是超越了核能發(fā)電。然而風力發(fā)電固有的隨機性、間歇性和不可調(diào)度性，會對風電并網(wǎng)系統(tǒng)的靜態(tài)電壓穩(wěn)定性造成影響，并且這種影響會隨著風電滲透率的提高而變得越來越明顯。為了全面分析風力發(fā)電并網(wǎng)對電力系統(tǒng)穩(wěn)定性的影響，本文重點研究了風電并網(wǎng)系統(tǒng)概率潮流計算及靜態(tài)電壓穩(wěn)定概率評估方法，主要工作內(nèi)容如下：
　

2、　首先，針對基于加權(quán)高斯混合分布(Weighted Gaussian Mixture Distribution，WGMD)構(gòu)建風電場概率模型的方法中EM（Expectation Maximization）算法由于其固有缺陷導致整個模型擬合精度降低的問題，提出基于DAEM（Deterministic Annealing Expectation Maximization）算法的風電場概率建模方法。DAEM算法通過引入退火機制，避免了在模型參

3、數(shù)最大似然估計時，EM算法容易陷入局部最優(yōu)的問題，使得風電場模型更加準確。通過采用風電場有功出力的實測數(shù)據(jù)進行模型建立對比分析，結(jié)果表明了該改進算法的精確性和有效性。
　　其次，提出一種改進的馬爾科夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）模擬法。目前，在基于MCMC模擬法的概率潮流計算方法中，被廣泛應(yīng)用的Gibbs采樣算法需要進行大量復雜的迭代運算才能得到比較精確的計算結(jié)果。針對該算法的缺陷，本文

4、提出了基于切片采樣（Slice sampling）算法的MCMC方法，并應(yīng)用于風力發(fā)電并網(wǎng)系統(tǒng)概率潮流計算中。仿真結(jié)果表明：切片采樣方法能夠提高傳統(tǒng)MCMC方法的計算準確度；同時，在與Gibbs算法采樣迭代次數(shù)相同的情況下，切片采樣算法所生成的馬爾科夫鏈可以更快、更穩(wěn)定地收斂于平穩(wěn)分布。
　　最后，針對目前風電并網(wǎng)系統(tǒng)靜態(tài)電壓穩(wěn)定概率分析的不足，提出了一種基于L指標的風電并網(wǎng)系統(tǒng)靜態(tài)電壓穩(wěn)定概率評估的新方法。采用 L指標分析包括風