孫騰飛，程浩忠，張立波，周勤勇，賀海磊，曾平良

?

基于改進(jìn)混合抽樣與最小切負(fù)荷計(jì)算的電力系統(tǒng)可靠性評(píng)估方法

孫騰飛1，程浩忠1，張立波1，周勤勇2，賀海磊2，曾平良2

(1.電力傳輸與功率變換控制教育部重點(diǎn)實(shí)驗(yàn)室(上海交通大學(xué)),上海 200240；2.中國電力科學(xué)研究院,北京 100192)

評(píng)估組合系統(tǒng)可靠性時(shí)，蒙特卡羅模擬法不受系統(tǒng)規(guī)模及非線性的影響，且結(jié)果準(zhǔn)確的特性使其在大型電力系統(tǒng)可靠性評(píng)估中具有優(yōu)越性。但為了獲得精度較高的可靠性指標(biāo)，其往往需要較長計(jì)算時(shí)間。針對(duì)這一問題，采用重要抽樣法與離散拉丁超立方抽樣相結(jié)合的方法，從減小樣本方差與增加樣本均勻性兩方面提高蒙特卡羅模擬的收斂性。對(duì)于大規(guī)模發(fā)輸電系統(tǒng)，運(yùn)用靈敏度分析與線性規(guī)劃相結(jié)合的方法進(jìn)行系統(tǒng)過負(fù)荷校正，既能保證求解最優(yōu)性又可以提高求解速度。將該算法應(yīng)用于IEEE RTS79系統(tǒng)、IEEE RTS96系統(tǒng)和某電網(wǎng)500 kV及以上電壓等級(jí)電力系統(tǒng)計(jì)算可靠性指標(biāo)，驗(yàn)證了該算法的可行性。

改進(jìn)離散拉丁超立方抽樣；最小切負(fù)荷計(jì)算；電力系統(tǒng)；可靠性評(píng)估；蒙特卡羅模擬；靈敏度分析

0 引言

發(fā)輸電系統(tǒng)可靠性評(píng)估方法主要分為解析法和模擬法。蒙特卡羅模擬(Monte Carlo simulation)通過產(chǎn)生隨機(jī)數(shù)的方式模擬系統(tǒng)中各個(gè)元件的狀態(tài)，通過抽樣的方式對(duì)系統(tǒng)狀態(tài)進(jìn)行選擇，用統(tǒng)計(jì)的方法得到可靠性指標(biāo)[1-3]。蒙特卡羅模擬基于概率模型的特點(diǎn)，能夠反映系統(tǒng)各種隨機(jī)特性，得到可靠性指標(biāo)的期望與方差值以及其在各種系統(tǒng)狀態(tài)下的概率分布[4-5]。蒙特卡羅模擬法實(shí)際抽樣次數(shù)一般遠(yuǎn)小于系統(tǒng)全部狀態(tài)數(shù)的特點(diǎn)特別適合應(yīng)用到迅速發(fā)展、網(wǎng)架不斷擴(kuò)大的大規(guī)模電力系統(tǒng)可靠性評(píng)估中[6-7]。

然而，蒙特卡羅模擬法的計(jì)算量與估計(jì)精度的平方成反比[8]，導(dǎo)致該方法將不得不犧牲大量時(shí)間來進(jìn)行規(guī)模巨大的抽樣計(jì)算來獲得所需的計(jì)算精度[9]，這樣一來，其收斂速度就受到了極大的限制。

為了解決這一問題，許多研究都在關(guān)注如何加快蒙特卡羅模擬收斂。文獻(xiàn)[10-11]采用并行處理技術(shù)降低了計(jì)算時(shí)間；文獻(xiàn)[12]提出采用網(wǎng)流規(guī)劃代替潮流優(yōu)化，通過簡化系統(tǒng)分析和優(yōu)化計(jì)算來加快評(píng)估速度；文獻(xiàn)[13]對(duì)系統(tǒng)狀態(tài)進(jìn)行解析判斷，同時(shí)通過有功潮流分布引導(dǎo)的方法來加快潮流分布修改，從而減少了計(jì)算量；文獻(xiàn)[14]通過支持向量機(jī)的求解速度建立預(yù)測估算算法來加快評(píng)估速度。然而，這些方法對(duì)計(jì)算環(huán)境要求較高，也會(huì)帶來在加快計(jì)算速度的同時(shí)導(dǎo)致計(jì)算精度下降等問題。

本文采用離散拉丁超立方抽樣法與重要抽樣方法[15-16]相結(jié)合的方法進(jìn)行抽樣，分別從減小樣本方差和對(duì)樣本空間進(jìn)行均勻采樣兩方面提高蒙特卡羅模擬的收斂性。同時(shí)，采用靈敏度分析和線性規(guī)劃[17]相結(jié)合的方法對(duì)系統(tǒng)進(jìn)行過負(fù)荷校正，通過減少控制變量和支路容量約束的數(shù)量減小了問題的規(guī)模。在保證求解精度的基礎(chǔ)上，該方法有效提高了蒙特卡羅模擬的計(jì)算速度。

1 系統(tǒng)狀態(tài)的解析判斷

1.1 發(fā)輸電系統(tǒng)可靠性模型

蒙特卡羅模擬通過對(duì)設(shè)備概率分布函數(shù)進(jìn)行抽樣得到系統(tǒng)狀態(tài)。由于電力系統(tǒng)中數(shù)量巨大的不確定因素會(huì)影響到系統(tǒng)的可靠性，因此只計(jì)入對(duì)系統(tǒng)運(yùn)行狀態(tài)起主導(dǎo)作用的因素。

在系統(tǒng)狀態(tài)解析中，把發(fā)電機(jī)與輸變電設(shè)備都作為只有停運(yùn)和運(yùn)行的兩狀態(tài)設(shè)備，通過計(jì)算機(jī)產(chǎn)生[0, 1]區(qū)間內(nèi)服從均勻分布隨機(jī)數(shù)的方式進(jìn)行采樣，把隨機(jī)數(shù)與設(shè)備故障率進(jìn)行比較得到該設(shè)備狀態(tài)的解析判斷。發(fā)輸變電設(shè)備狀態(tài)解析如式(1)所示，其狀態(tài)組成了相應(yīng)的狀態(tài)向量。

完成狀態(tài)采樣后，每個(gè)發(fā)電機(jī)節(jié)點(diǎn)與輸變電設(shè)備都需要進(jìn)行故障檢測判斷。如果沒有故障，元件處于正常狀態(tài)，標(biāo)記為1；否則，標(biāo)記為0。值得注意的是，如果備用容量的投入能使故障發(fā)電機(jī)節(jié)點(diǎn)有功功率不變，仍然標(biāo)記其狀態(tài)為1；只有在備用容量全部投入也不能完全補(bǔ)償某節(jié)點(diǎn)發(fā)電機(jī)故障帶來的有功功率損失時(shí)，該節(jié)點(diǎn)狀態(tài)才會(huì)標(biāo)記為0。這種系統(tǒng)狀態(tài)解析判斷方式能夠使有功約束條件數(shù)下降到與發(fā)電機(jī)節(jié)點(diǎn)數(shù)持平，從而極大地降低了有功優(yōu)化調(diào)整計(jì)算過程的維數(shù)。

1.2 特高壓系統(tǒng)可靠性模型

特高壓交流輸電系統(tǒng)具有網(wǎng)絡(luò)功能，可以根據(jù)電源與負(fù)荷分布、輸送電力容量等實(shí)際需求構(gòu)成特高壓骨干網(wǎng)架。所以，特高壓交流輸變電設(shè)備可靠性模型與常規(guī)輸變電設(shè)備相似，為兩狀態(tài)模型。

對(duì)于特高壓直流輸電系統(tǒng)，將其向電網(wǎng)的注入功率等效為多狀態(tài)電源，本文蒙特卡羅模擬過程中，把它等效為一個(gè)多狀態(tài)元件參與抽樣。對(duì)直流系統(tǒng)等效元件狀態(tài)的隨機(jī)抽樣同樣通過比較[0, 1]區(qū)間均勻分布隨機(jī)數(shù)與元件狀態(tài)概率值來實(shí)現(xiàn)。對(duì)于降額運(yùn)行狀態(tài)，假設(shè)其注入功率在最小允許值和額定值之間均勻分布，降額運(yùn)行注入功率計(jì)算如式(2)。

2 離散拉丁超立方重要抽樣方法

2.1 離散拉丁超立方抽樣

拉丁超立方抽樣(Latin Hypercube Sampling, LHS)由樣本生成和相關(guān)性控制兩階段構(gòu)成。傳統(tǒng)的LHS方法主要針對(duì)連續(xù)變量，而元件可靠性參數(shù)通常為離散分布的隨機(jī)變量，為了使該方法有效應(yīng)用于可靠性評(píng)估，Panida等提出了離散拉丁超立方抽樣(Discrete Latin Hypercube Sampling, DLHS)方法[18]。

(1) 樣本生成

(2) 相關(guān)性控制

(6)

2.2 重要抽樣法

重要抽樣方法在不改變?cè)袠颖酒谕档那疤嵯?，通過改變已有樣本空間的概率分布，減小其方差，達(dá)到縮短計(jì)算時(shí)間的目的。概率分布更新后的分布函數(shù)被叫作重要分布函數(shù)。

系統(tǒng)重要分布函數(shù)的表達(dá)形式如式(7)所示。

式中：為元件的強(qiáng)迫停運(yùn)率；表示突出“重要事件”的重要乘子；為元件的狀態(tài)取值。

2.3 離散拉丁超立方重要抽樣法

重要抽樣法通過減小樣本空間方差的方式來加速蒙特卡羅模擬收斂，而離散拉丁超立方抽樣法通過對(duì)樣本空間進(jìn)行均勻采樣提高蒙特卡羅模擬的收斂性，因此將二者結(jié)合可以從兩個(gè)不同的方面加速蒙特卡羅模擬的收斂。本文將該方法稱之為離散拉丁超立方重要抽樣法(Discrete Latin Hypercube Importance Sampling，DLHIS)，步驟如下：

1) 構(gòu)造離散分布隨機(jī)變量的重要分布函數(shù)；

7) 根據(jù)重要抽樣函數(shù)計(jì)算原樣本空間狀態(tài)的期望值。

3 系統(tǒng)過負(fù)荷校正

3.1 常規(guī)過負(fù)荷校正方法

通常情況下采用線性規(guī)劃方法[19]來進(jìn)行系統(tǒng)過負(fù)荷校正。線性規(guī)劃法針對(duì)設(shè)備隨機(jī)故障、負(fù)荷隨機(jī)波動(dòng)引起的系統(tǒng)功率不平衡或者線路過負(fù)荷等情況，通過調(diào)整發(fā)電機(jī)出力或在某些負(fù)荷點(diǎn)進(jìn)行一定負(fù)荷削減來消除這些不正常狀態(tài)。

相對(duì)于線性方法，靈敏度分析法[20]也是在電力系統(tǒng)規(guī)劃及運(yùn)行控制決策中經(jīng)常使用的方法。應(yīng)用靈敏度方法進(jìn)行系統(tǒng)狀態(tài)校正時(shí)，靈敏度矩陣可以描述線路有功潮流與節(jié)點(diǎn)注入功率間的關(guān)系，指導(dǎo)發(fā)電機(jī)出力調(diào)整與系統(tǒng)負(fù)荷量的削減。

靈敏度分析方法屬于啟發(fā)式的方法，不能保證校正方案的最優(yōu)性；線性規(guī)劃方法雖然更為嚴(yán)格，但對(duì)于超大規(guī)模發(fā)輸電系統(tǒng)，問題的規(guī)模很大，求解速度也會(huì)受到影響。因此，本文建立靈敏度分析與線性規(guī)劃相結(jié)合的方法來進(jìn)行系統(tǒng)過負(fù)荷校正。

3.2 靈敏度分析法與線性規(guī)劃相結(jié)合法

電力系統(tǒng)中潮流問題多為非線性問題，而直流潮流能夠?qū)⑵浜喕癁榫€性問題，從而可以很方便地進(jìn)行計(jì)算分析。相比于交流潮流，其計(jì)算速度要快得多。在計(jì)算精度允許的前提下，本文在過負(fù)荷校正中采用直流潮流模型。

(9)

將線性規(guī)劃法與靈敏度分析法相結(jié)合，建立如下線性規(guī)劃模型：

目標(biāo)函數(shù)：

約束條件：

(11)

(13)

(14)

運(yùn)用此模型，可以通過減小控制變量和支路容量約束條件的數(shù)量減小問題的規(guī)模。

首先對(duì)靈敏度矩陣進(jìn)行奇異值分解，通過主成份分析，找出對(duì)消除過載最有效的發(fā)電機(jī)和負(fù)荷節(jié)點(diǎn)作為控制變量集(和)，在約束中只考慮這些因素的作用。另外，式(12)中通過潮流篩選，只考慮重載和過載支路約束的影響；通過實(shí)際運(yùn)行校驗(yàn)，把超過線路容量65%的支路定義為重載支路，可以保證計(jì)算的精確度。通過靈敏度分析對(duì)約束條件進(jìn)行降維處理，可以大大減小問題的規(guī)模。算例分析計(jì)算結(jié)果表明，本文過負(fù)荷校正方法通過對(duì)節(jié)點(diǎn)與支路的篩選，極大地減小了問題規(guī)模，較傳統(tǒng)線性規(guī)劃方法計(jì)算速率得到了進(jìn)一步提高。

本文對(duì)系統(tǒng)可靠性評(píng)估流程如圖1所示。

圖1 基于改進(jìn)拉丁超立方抽樣的可靠性評(píng)估流程

4 算例分析

發(fā)輸電系統(tǒng)可靠性評(píng)價(jià)一般通過計(jì)算負(fù)荷削減概率(Loss of Load Probability，LOLP)、切負(fù)荷持續(xù)時(shí)間(Expected Duration of Load Curtailments，EDLC)、電力不足期望值(Expected Demand Not Supplied，EDNS)、電量不足期望值(Expected Energy Not Supplied，EENS)、電量不足期望占該系統(tǒng)峰值負(fù)荷量的比率(Bulk Power/Energy Curtailment Index，BPECI)和系統(tǒng)嚴(yán)重性指標(biāo)(Severity Index，SI)六個(gè)指標(biāo)對(duì)電力系統(tǒng)可靠性進(jìn)行評(píng)估。對(duì)于發(fā)輸電元件，采用本文提出的混合抽樣方法進(jìn)行抽樣來加速蒙特卡羅模擬收斂；另外，由于本文在切負(fù)荷計(jì)算時(shí)采用了靈敏度分析與線性規(guī)劃相結(jié)合的方法減小問題規(guī)模以加速計(jì)算，因此在結(jié)果分析中加入計(jì)算時(shí)間指標(biāo)，通過與傳統(tǒng)線性優(yōu)化切負(fù)荷計(jì)算算法對(duì)比，表明本文方法計(jì)算的速度優(yōu)勢(shì)。

上述可靠性指標(biāo)中，EDNS的收斂速度較慢，因此采用式(15)所示的EDNS的方差系數(shù)作為算法的收斂判據(jù)，以其達(dá)到0.01作為迭代終止條件。

需要注意的是，在蒙特卡羅模擬過程中，混合抽樣中的離散拉丁超立方抽樣需要在確定的抽樣次數(shù)下比較的大小來體現(xiàn)不同抽樣方法的收斂速度。因此，在可靠性指標(biāo)計(jì)算完成之后，從本文方法所得到的系統(tǒng)方差系數(shù)隨采樣次數(shù)變化曲線中，找到方差系數(shù)下降顯著變慢的轉(zhuǎn)折點(diǎn)作為傳統(tǒng)抽樣方法與本文提出的離散拉丁超立方重要抽樣方法的檢驗(yàn)抽樣次數(shù)，比較相同抽樣次數(shù)下兩種抽樣方法所得到的大小，以此來表明本文提出的混合抽樣方法對(duì)抽樣過程收斂的促進(jìn)作用。

把本文算法應(yīng)用于IEEE RTS79系統(tǒng)、IEEE RTS96系統(tǒng)和某電網(wǎng)500 kV及以上電壓等級(jí)電力系統(tǒng)，將計(jì)算結(jié)果同傳統(tǒng)算法結(jié)果進(jìn)行對(duì)比，以驗(yàn)證本文算法的正確性以及對(duì)計(jì)算的加速效果。

需要指出的是，為了證明本文算法對(duì)計(jì)算的加速作用，需要對(duì)比兩種算法的計(jì)算時(shí)間。下文所列出的計(jì)算時(shí)間均是在CPU為Pentium(R) Dual-Core、E5800@3.2 GHz，內(nèi)存2.00 GB的計(jì)算機(jī)上得到的。

4.1 重要乘子對(duì)收斂性的影響

本文在抽樣中結(jié)合了基于重要乘子的重要采樣方法，重要乘子的選取對(duì)算法收斂性有很大影響。本文在預(yù)先選定基準(zhǔn)乘子前提下，通過在一定范圍內(nèi)改變重要乘子的大小，觀察算法收斂性與乘子的關(guān)系，從而確定最優(yōu)乘子。在IEEERTS79系統(tǒng)中，算法迭代次數(shù)與乘子的關(guān)系如圖2所示。

圖2 算法迭代次數(shù)與重要乘子k的關(guān)系圖

上圖中橫坐標(biāo)代表重要乘子數(shù)值，縱坐標(biāo)代表迭代次數(shù)(次)?？梢?，當(dāng)乘子較小時(shí)，隨乘子增大，算法迭代次數(shù)呈整體減小趨勢(shì)，收斂速度逐漸加快；當(dāng)乘子達(dá)到1.8時(shí)，迭代次數(shù)與乘子變化關(guān)系趨于平坦，收斂速度雖然繼續(xù)變快但趨于平緩；當(dāng)乘子達(dá)到2.0之后，算法迭代次數(shù)會(huì)隨著乘子增大而呈總體增加態(tài)勢(shì)，收斂變慢。因此，抽樣中對(duì)重要乘子的選取十分重要，需要選擇最優(yōu)乘子來保證算法最快達(dá)到收斂。在IEEE RTS79系統(tǒng)中，本文選取1.9作為最優(yōu)重要乘子，該結(jié)果也在已有研究允許范圍之內(nèi)[21]。

4.2 IEEERTS79系統(tǒng)算例

IEEE RTS79系統(tǒng)共有24個(gè)節(jié)點(diǎn)，21條支路，32臺(tái)機(jī)組，裝機(jī)容量為3 405 MW，其中最大機(jī)組容量為400 MW，最小機(jī)組容量為12 MW，年最大負(fù)荷為2 850 MW[22]。

圖3給出了算法在IEEE RTS79系統(tǒng)實(shí)現(xiàn)中方差系數(shù)隨采樣次數(shù)變化的曲線，其橫坐標(biāo)代表迭代次數(shù)(次)，縱坐標(biāo)代表方差系數(shù)。由圖可知當(dāng)采樣次數(shù)達(dá)到14 000次左右時(shí)，可靠性指標(biāo)滿足收斂條件。另外，在抽樣次數(shù)達(dá)到2 000次時(shí)，曲線有一個(gè)明顯的拐點(diǎn)，即方差系數(shù)顯著下降。因此，在檢驗(yàn)中，把2 000次作為離散拉丁超立方重要抽樣方法與傳統(tǒng)抽樣方法的規(guī)定抽樣次數(shù)，通過比較在該抽樣次數(shù)下不同方法得到的值，表明本文混合抽樣方法對(duì)抽樣收斂的加速效果。

圖3 IEEE RTS79系統(tǒng)方差系數(shù)隨采樣次數(shù)變化曲線

表1計(jì)算得出了本文算法在IEEE RTS79系統(tǒng)下的可靠性指標(biāo)，計(jì)算結(jié)果與傳統(tǒng)算法得到的數(shù)據(jù)基本相同。在可靠性分析中占重要地位的LOLP與EENS指標(biāo)，本文計(jì)算結(jié)果與傳統(tǒng)算法分別僅有1.36%與0.59%的偏差，表明本文算法的正確性。在最小切負(fù)荷計(jì)算時(shí)，通過對(duì)靈敏度矩陣的主成份分析，在該24節(jié)點(diǎn)系統(tǒng)下，只選取對(duì)消除過載最有效的兩個(gè)節(jié)點(diǎn)與3條支路作為約束條件，約束條件個(gè)數(shù)大大減少，計(jì)算速度得以加快。另外，在2 000次抽樣水平下，傳統(tǒng)抽樣方法得到的值為0.057 9，而本文混合抽樣方法得到的值為0.054 3，下降了約6.63%。由此可見，本文混合抽樣方法對(duì)收斂加速效果明顯。最終計(jì)算結(jié)果表明，該系統(tǒng)下本文提出的可靠性評(píng)估算法計(jì)算時(shí)間約為傳統(tǒng)算法的67%，在保證精度的前提下，極大地提高了計(jì)算效率。

表1 IEEE RTS79系統(tǒng)可靠性指標(biāo)

4.3 IEEE RTS96系統(tǒng)算例

IEEE RTS96系統(tǒng)由3個(gè)IEEE RTS79系統(tǒng)組合而成，共有73個(gè)節(jié)點(diǎn)，96臺(tái)機(jī)組，裝機(jī)容量為10 215 MW，其中最大機(jī)組容量為400 MW，最小機(jī)組容量為12 MW，年最大負(fù)荷為8 550 MW[23]。

在IEEE RTS96系統(tǒng)下，方差系數(shù)隨采樣次數(shù)的變化趨勢(shì)與IEEE RTS79系統(tǒng)相似，選取2.6作為重要乘子，當(dāng)采樣次數(shù)接近50 000次時(shí)，可靠性指標(biāo)滿足既定收斂條件。對(duì)發(fā)輸電元件狀態(tài)采用本文提出的離散拉丁超立方重要抽樣方法進(jìn)行抽樣，當(dāng)抽樣次數(shù)達(dá)到10 000次時(shí)，系統(tǒng)方差系數(shù)減小速率顯著變慢，因此，把10 000次作為該系統(tǒng)下離散拉丁超立方重要抽樣與傳統(tǒng)抽樣方法檢驗(yàn)的規(guī)定抽樣次數(shù)。

表2同樣給出了本文算法在IEEE RTS96系統(tǒng)中的實(shí)現(xiàn)情況。不難發(fā)現(xiàn)，在系統(tǒng)規(guī)模擴(kuò)大的情況下，蒙特卡羅模擬抽樣次數(shù)也顯著增加，從而傳統(tǒng)可靠性評(píng)估方法將消耗大量的計(jì)算時(shí)間。由表中數(shù)據(jù)可以看出，在系統(tǒng)規(guī)模較大的情況下本文算法與傳統(tǒng)算法計(jì)算得到的數(shù)據(jù)也基本相同，其中LOLP與EENS指標(biāo)與傳統(tǒng)算法結(jié)果分別只有0.92%與3.05%的偏差，也就是說，算法在規(guī)模擴(kuò)大的系統(tǒng)中依舊保持較高的計(jì)算精度，本文混合抽樣方法與改進(jìn)過負(fù)荷校正方法具有有效性，在一般系統(tǒng)可靠性評(píng)估中，指標(biāo)計(jì)算結(jié)果與實(shí)際情況基本一致。不僅如此，在較大規(guī)模的系統(tǒng)中傳統(tǒng)算法要計(jì)及所有節(jié)點(diǎn)與線路，數(shù)據(jù)冗雜且計(jì)算量大，效率十分低下。而本文可靠性評(píng)估方法在加速蒙特卡羅模擬收斂的同時(shí)，最小切負(fù)荷計(jì)算時(shí)僅計(jì)入對(duì)消除過載影響較大的5個(gè)節(jié)點(diǎn)與7條支路，忽略大部分節(jié)點(diǎn)與支路的影響，達(dá)到大幅度減少約束條件個(gè)數(shù)的目的。在檢驗(yàn)中，傳統(tǒng)抽樣方法與離散拉丁超立方重要抽樣方法在10 000次抽樣時(shí)得到的分別為0.081 1與0.075 9，本文提出的混合抽樣方法得到的計(jì)算指標(biāo)較傳統(tǒng)方法下降了約6.85%，表明了本文抽樣方法對(duì)抽樣收斂的加速作用。計(jì)算結(jié)果表明，過負(fù)荷校正過程通過節(jié)點(diǎn)與支路篩選，本文提出的可靠性評(píng)估方法較傳統(tǒng)算法節(jié)約了近40%的計(jì)算時(shí)間，加速效果更加顯著，既保證了計(jì)算結(jié)果的有效性，又對(duì)提高計(jì)算效率具有可行性。

表2 IEEE RTS96系統(tǒng)可靠性指標(biāo)

4.4 實(shí)際電網(wǎng)算例

本文選取某電網(wǎng)500 kV及以上電壓等級(jí)系統(tǒng)作為實(shí)際系統(tǒng)測試對(duì)象。該系統(tǒng)包括318個(gè)節(jié)點(diǎn)與412條支路，網(wǎng)內(nèi)發(fā)電機(jī)容量為184 240 MW，直流外來電容量為76 900 MW，特高壓交流外來電容量為54 800 MW，線路走廊為387條，1 000 kV變電站(開關(guān)站)共15座。

系統(tǒng)中發(fā)輸電與特高壓元件按本文提出的混合抽樣方法抽樣。該系統(tǒng)500 kV及以上電網(wǎng)規(guī)模較大，傳統(tǒng)算法在該規(guī)模系統(tǒng)實(shí)現(xiàn)中將不得不對(duì)所有節(jié)點(diǎn)與線路一一進(jìn)行判斷，這個(gè)過程計(jì)算量巨大且冗余，迭代完全收斂將耗時(shí)過長。表3數(shù)據(jù)表明傳統(tǒng)算法在計(jì)算中耗費(fèi)大量時(shí)間，效率低下，適應(yīng)性較差，在較大規(guī)模系統(tǒng)中的使用存在一定限制。

表3 某電網(wǎng)可靠性指標(biāo)

由表3可以看出，在規(guī)模較大的實(shí)際系統(tǒng)中，本文算法與傳統(tǒng)算法計(jì)算出的可靠性指標(biāo)也基本一致，LOLP與EENS指標(biāo)分別只相差3.5%與4.0%，與實(shí)際情況也基本相同，表明算法精度在較大規(guī)模系統(tǒng)中同樣可以得到保證。同時(shí)，根據(jù)上文分析，在較大規(guī)模系統(tǒng)最小切負(fù)荷計(jì)算中，傳統(tǒng)算法需要進(jìn)行大量計(jì)算，而本文算法與之相比，超過75%的節(jié)點(diǎn)與支路都不計(jì)入約束條件中，最大限度地減小了問題規(guī)模。通過增加預(yù)先篩選步驟，極大地減少了計(jì)算量，僅用傳統(tǒng)算法64%的時(shí)間便可完成計(jì)算，計(jì)算速度優(yōu)勢(shì)明顯，應(yīng)用效果較好。

另外，由于本文采用直流潮流模型，對(duì)問題進(jìn)行了一定的簡化，因此，在實(shí)際系統(tǒng)算例中，將本文方法與交流潮流下計(jì)算的可靠性指標(biāo)也進(jìn)行了對(duì)比分析。與交流潮流模型計(jì)算指標(biāo)相比，本文方法得到的指標(biāo)偏差略微增大，LOLP與EENS指標(biāo)分別偏差5.4%與6.1%，偏差的增加是由于模型的簡化造成的。但是，本文方法只需交流潮流模型60%的時(shí)間便可完成計(jì)算，雖然犧牲了一定的計(jì)算精度，但可以獲得較高的計(jì)算效率。在實(shí)際電網(wǎng)可靠性評(píng)估中，本文結(jié)果的計(jì)算精度也是允許的，表明了本文方法具有有效性，且其高效率優(yōu)勢(shì)使其更有實(shí)際應(yīng)用價(jià)值。

5 結(jié)語

本文從系統(tǒng)充裕性的角度對(duì)發(fā)輸電組合系統(tǒng)可靠性評(píng)估進(jìn)行了研究，并基于離散拉丁超立方抽樣和重要抽樣的混合抽樣方法提出了發(fā)輸電組合系統(tǒng)的可靠性評(píng)估方法，二者結(jié)合從對(duì)樣本空間進(jìn)行均勻采樣和減小樣本空間方差兩個(gè)不同方面提高了蒙特卡羅模擬的收斂性。同時(shí)，采用了靈敏度分析法和線性規(guī)劃相結(jié)合的方法進(jìn)行了系統(tǒng)過負(fù)荷校正，通過對(duì)消除過載影響較大的節(jié)點(diǎn)與支路進(jìn)行篩選，從減少控制變量和支路容量約束數(shù)量兩方面最大程度地減小了問題的規(guī)模，使計(jì)算速度顯著提高。與傳統(tǒng)算法相比，本文提出的算法在保證評(píng)估結(jié)果準(zhǔn)確的前提下極大地加快了可靠性指標(biāo)計(jì)算速度，提高了計(jì)算效率。

[1] 劉文霞, 蔣程, 張建華, 等. 一種用于序貫蒙特卡羅仿真的風(fēng)電機(jī)組多狀態(tài)可靠性模型[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(8): 73-80.

LIU Wenxia, JIANG Cheng, ZHANG Jianhua, et al. A multistage reliability model of wind turbines for sequential Monte Carlo simulation[J]. Power System Protection and Control, 2013, 41(8): 73-80.

[2] 張建華, 王昕偉, 蔣程, 等. 基于蒙特卡羅方法的風(fēng)電場有功出力的概率性評(píng)估[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(3): 82-87.

ZHANG Jianhua, WANG Xinwei, JIANG Cheng, et al. Probabilistic assessment of wind farm active power based on Monte-Carlo simulation[J]. Power System Protection and Control, 2014, 42(3): 82-87.

[3] BORGES C L T, FALC?O D M, MELLO J C O, et al. Composite reliability evaluation by sequential Monte Carlo simulation on parallel and distributed processing environments[J]. IEEE Transactions on Power Systems, 2001, 16(2): 203-209.

[4] BILLINTON R, WANG P. Teaching distribution system reliability evaluation using Monte Carlo simulation[J]. IEEE Transactions on Power Systems, 1999, 14(2): 397-403.

[5] LI W, ZHOU J, XIE K, et al. Power system risk assessment using a hybrid method of fuzzy set and Monte Carlo simulation[J]. IEEE Transactions on Power Systems, 2008, 23(2): 336-343.

[6] PITT M K, SILVA R S, GIORDANI P, et al. On some properties of Markov chain Monte Carlo simulation methods based on the particle filter[J]. Journal of Econometrics, 2012, 171(2): 134-151.

[7] GELLY S, SILVER D. Monte-Carlo tree search and rapid action value estimation in computer[J]. Artificial Intelligence, 2011, 175(11): 1856-1875.

[8] 趙淵, 何媛, 蘆晶晶. 旋轉(zhuǎn)備用對(duì)電網(wǎng)可靠性的影響及優(yōu)化配置研究[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(8): 40-46.

ZHAO Yuan, HE Yuan, LU Jingjing. Allocation optimization of spinning reserve and its effect on bulk power systems reliability[J]. Power System Protection and Control, 2014, 42(8): 40-46.

[9] GONZáLEZ-FERNáNDEZ R A, LEITE DA SILVA A M. Reliability assessment of time-dependent systems via sequential cross-entropy Monte Carlo simulation[J]. IEEE Transactions on Power Systems, 2011, 26(4): 2381-2389.

[10] 黃殿勛, 張文, 郭萍, 等. 發(fā)輸電系統(tǒng)可靠性評(píng)估的蒙特卡洛改進(jìn)算法[J]. 電力系統(tǒng)保護(hù)與控制, 2010, 38(21): 179-183.

HUANG Dianxun, ZHANG Wen, GUO Ping, et al. The Monte-Carlo improved method for reliability evaluation of generation and transmission systems[J]. Power System Protection and Control, 2010, 38(21): 179-183.

[11] 楊珍貴, 杜雄, 孫鵬菊, 等. 風(fēng)電全功率變流器參數(shù)對(duì)可靠性的影響分析[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(16): 137-145.

YANG Zhengui, DU Xiong, SUN Pengju, et al. Analysis of effect of the converter parameters on full-rated wind power converters reliability[J]. Transactions of China Electrotechnical Society, 2015, 30(16): 137-145.

[12] 熊小伏, 王建, 袁峻, 等. 時(shí)空環(huán)境相依的電網(wǎng)故障模型及在電網(wǎng)可靠性評(píng)估中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(15): 28-35.

XIONG Xiaofu, WANG Jian, YUAN Jun, et al. Temporal and spatial environments dependent power grid failure method and its application in power grid reliability assessment[J]. Power System Protection and Control, 2015, 43(15): 28-35.

[13] 張碩, 李庚銀, 周明. 含風(fēng)電場的發(fā)輸電系統(tǒng)可靠性評(píng)估[J]. 中國電機(jī)工程學(xué)報(bào), 2010, 30(7): 8-14.

ZHANG Shuo, LI Gengyin, ZHOU Ming. Reliability assessment of generation and transmission systems integrated with wind farms[J]. Proceedings of the CSEE, 2010, 30(7): 8-14.

[14] ROCCO C M, MORENO J A. Fast Monte Carlo reliability evaluation using support vector machine[J]. Reliability Engineering & System Safety, 2002, 76(3): 237-243.

[15] 王曉濱, 郭瑞鵬, 曹一家, 等. 電力系統(tǒng)可靠性評(píng)估的自適應(yīng)分層重要抽樣法[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(3): 33-38.

WANG Xiaobin, GUO Ruipeng, CAO Yijia, et al. A self-adapting stratified and importance sampling method for power system reliability evaluation[J]. Automation of Electric Power Systems, 2011, 35(3): 33-38.

[16] 黃江寧, 郭瑞鵬, 趙舫, 等. 電力系統(tǒng)可靠性評(píng)估中的分層均勻抽樣法[J]. 電力系統(tǒng)自動(dòng)化, 2012, 36(20): 19-24.

HUANG Jiangning, GUO Ruipeng, ZHAO Fang, et al. Stratified uniform sampling method for power system reliability evaluation[J]. Automation of Electric Power Systems, 2012, 36(20): 19-24.

[17] 余民, 楊旻宸, 蔣傳文, 等. 風(fēng)電并網(wǎng)后電力系統(tǒng)可靠性評(píng)估和備用優(yōu)化研究[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(12): 100-104, 135.

YU Min, YANG Minchen, JIANG Chuanwen, et al. Study on power system reliability and reserve optimization with wind power integration[J]. Power System Protection and Control, 2012, 40(12): 100-104, 135.

[18] JIRUTITIJAROEN P, SINGH C. Comparison of simulation methods for power system reliability indexes and their distributions[J]. IEEE Transactions on Power Systems, 2008, 23(2): 486-493.

[19] 陳雁, 文勁宇, 程時(shí)杰. 電網(wǎng)規(guī)劃中考慮風(fēng)電場影響的最小切負(fù)荷量研究[J]. 中國電機(jī)工程學(xué)報(bào), 2011, 31(34): 20-27.

CHEN Yan, WEN Jinyu, CHENG Shijie. Minimum load- curtailment in transmission network planning considering integrated win farms[J]. Proceedings of the CSEE, 2011, 31(34): 20-27.

[20] WU P, CHENG H, XING J. The interval minimum load cutting problem in the process of transmission network expansion planning considering uncertainty in demand[J]. IEEE Transactions on Power Systems, 2008, 23(3): 1497-1506.

[21] 宋曉通, 譚震宇. 改進(jìn)的重要抽樣法在電力系統(tǒng)可靠性評(píng)估中的應(yīng)用[J]. 電網(wǎng)技術(shù), 2005, 29(13): 56-59.

SONG Xiaotong, TAN Zhenyu. Application of improved importance sampling method in power system reliability evaluation[J]. Power System Technology, 2005, 29(13): 56-59.

[22] The Reliability Test System Task Force of the Application of Probability Methods Subcommittee. IEEE reliability test system[J]. IEEE Transactions on Power Apparatus and Systems, 1979, 98(6): 2047-2054.

[23] GRIGG C, WONG P, ALBRECHT P, et al. The IEEE reliability test system-1996. A report prepared by the reliability test system task force of the application of probability methods subcommittee[J]. IEEE Transactions on Power Systems, 1999, 14(3): 1010-1020.

(編輯 魏小麗)

Reliability evaluation based on modified mixed sampling and minimum load-cutting method

SUN Tengfei1, CHENG Haozhong1, ZHANG Libo1, ZHOU Qinyong2, HE Hailei2, ZENG Pingliang2

(1. Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education (Shanghai Jiao Tong University), Shanghai 200240, China; 2. China Electric Power Research Institute, Beijing 100192, China)

As its sampling frequency is independent of the scale of the system and non-linear performance, Monte-Carlo simulation is widely applied to reliability evaluation of a complex large transmission system because of its accurate result. However, it takes a relatively long period of time to obtain a higher accurate reliability index. In order to solve this problem, the combination of importance sampling method and discrete Latin hypercube sampling method is able to reduce the variance of the sample space and uniformly sample it simultaneously, which improves the convergence of Monte-Carlo simulation. This paper points out that, the combination of sensitivity analysis and linear programming in the process of overload correction is able to guarantee the solution optimality as well as improve the solving speed. Finally, the algorithm is presented for IEEE RTS79, IEEE RTS96 and a certain system to obtain the reliability index, the result proves its practicability. This work is supported by National Natural Science Foundation of China (No. 51337005) and Fundamental and Prospective Science and Technology Project of State Grid Corporation of China (No. XT71-14-002).

modified Latin hypercube sampling; minimum load-cutting method; power system; reliability evaluation; Monte-Carlo simulation; sensitivity analysis

10.7667/PSPC151355

國家自然科學(xué)基金重點(diǎn)項(xiàng)目(51337005)；國家電網(wǎng)公司基礎(chǔ)性前瞻性項(xiàng)目(XT71-14-002)

2015-08-04；

2015-11-22

孫騰飛(1990-)，男，通信作者，碩士研究生，主要研究方向?yàn)殡娏ο到y(tǒng)規(guī)劃、電力系統(tǒng)可靠性；E-mail：soar1990@sina.com 程浩忠(1962-)，男，博士，教授，博士生導(dǎo)師，主要研究方向?yàn)殡娏ο到y(tǒng)規(guī)劃、無功和電壓穩(wěn)定、電能質(zhì)量等。