概率潮流分析中的二阶指数渐近展开方法

《International Journal of Electrical Power & Energy Systems》:Second order exponential asymptotic expansion for probabilistic load flow analysis

【字体: 大 中 小 】 时间:2026年02月02日 来源:International Journal of Electrical Power & Energy Systems 5.3

编辑推荐:

  由于部分资源和负荷需求存在固有随机性,潮流分析必须采用高效且稳健的概率方法,以准确捕捉电力系统的不确定性。本文提出一种新颖的非迭代、非参数化框架,称为二阶指数渐近展开(SOEAE)方法,用于求解概率潮流问题。与经典方法(如一次二阶矩法、鞍点近似法或点估计法)不

  
由于部分资源和负荷需求存在固有随机性,潮流分析必须采用高效且稳健的概率方法,以准确捕捉电力系统的不确定性。本文提出一种新颖的非迭代、非参数化框架,称为二阶指数渐近展开(SOEAE)方法,用于求解概率潮流问题。与经典方法(如一次二阶矩法、鞍点近似法或点估计法)不同,所提技术的计算成本不随随机变量数量的增加而变化。因此,仅需单次迭代即可获得输出变量作为输入随机变量函数的泰勒级数展开式。此外,无论输入变量的分布类型如何,该方法均能近似未知变量的概率密度函数。除较低的计算成本和较高的精度外,所提方法还保留了传统方法的关键优势,并可在无需积分的情况下推导累积分布函数。该方法在IEEE 14节点和IEEE 118节点测试系统上进行了验证,获得了具有合理精度的结果。研究结果与采用蒙特卡洛模拟和鞍点近似法所得结果进行了比较。
**二阶指数渐近展开方法在概率潮流分析中的应用:研究解读**

**一、研究背景与问题提出**

随着可再生能源大规模接入电力系统,故障、发电机跳闸及负荷波动等不确定性因素日益凸显,传统确定性潮流分析方法已无法满足现代电力系统规划与运行的需求。概率潮流(P-LF)作为一种稳态计算技术,通过以概率密度函数(PDF)表征负荷和可再生能源出力等输入变量,能够有效评估不确定性对电力系统运行状态的影响。然而,现有概率潮流方法在精度与计算效率之间难以取得平衡。蒙特卡洛模拟(MCS)虽精度高,但需大量迭代计算,计算负担沉重;解析方法虽计算成本低,但常伴随线性化和随机变量独立性等简化假设,牺牲了结果精度;近似方法如点估计法(PEM)无法精确评估高阶矩和PDF,鞍点近似法(SAM)在处理强非线性或大规模系统时面临收敛问题,且其累积生成函数(CGF)的解析复杂性限制了其广泛应用。因此,亟需一种既能保持高精度又能有效降低计算负担的概率潮流分析方法,以适用于高维不确定性条件下的现代电力系统分析。

**二、研究方法概述**

研究人员提出了一种基于CGF的二阶指数渐近展开(SOEAE)方法,并将其嵌入牛顿-拉夫逊(NR)潮流计算框架中。该方法首先通过NR算法在均值点进行一次潮流计算,利用雅可比矩阵及其对输入随机变量的梯度构建映射矩阵,从而将输出变量表示为输入随机变量的线性组合。随后,基于CGF的性质,推导输出变量的CGF及其各阶导数,并确定指数最大点(EMP)区间。通过在鞍点附近对指数函数进行泰勒级数展开至二阶项,并结合高斯核的积分特性,推导出PDF和累积分布函数(CDF)的解析表达式。该方法完全非参数化,无需对输入变量分布类型作任何假设,且无需进行数值积分即可获得CDF。研究在IEEE 14节点和IEEE 118节点测试系统上对方法进行了验证,输入数据源自参考文献[38]中的标准算例,并采用MCS(20,000个样本)作为基准,与SAM进行对比分析。

**三、研究结果**

**1. 映射矩阵的构建与线性化表达**:通过将发电机出力和负荷作为随机变量纳入潮流方程,利用NR迭代中的雅可比矩阵和梯度向量构建映射矩阵A,实现了潮流方程在运行点附近的线性化,建立了输出变量与输入随机变量之间的解析映射关系,为后续CGF的推导奠定了基础。

**2. 输出变量CGF的推导与PDF/CDF计算**:基于映射矩阵系数和输入变量的CGF,利用CGF的线性组合性质推导出输出变量的CGF及其各阶导数,进而通过SOEAE框架计算输出变量的PDF和CDF。该方法仅需在EMP区间内计算两个边界点对应值,即可获得整个分布范围的概率信息。

**3. IEEE 14节点系统验证**:在包含15个随机变量的IEEE 14节点系统中,对线路有功和无功潮流的均值和标准差进行了误差分析。结果表明,SOEAE方法在全部测试线路上的均值误差和标准差误差均显著小于SAM方法。以线路3-2有功潮流为例,SOEAE的均值误差为0.2395%,标准差误差为0.3888%,而SAM对应的误差分别为1.1781%和0.7870%。此外,对节点8电压幅值的PDF和CDF曲线分析显示,SOEAE的PDF峰值与MCS参考曲线高度吻合,且分布尾部对极端事件的表征优于SAM。

**4. IEEE 118节点系统验证**:在包含129个输入随机变量的大型测试系统中,SOEAE方法同样表现出优于SAM的精度。以线路7-12的有功潮流为例,SOEAE的均值误差为0.7923%,标准差误差为0.0081%,而SAM对应的误差分别为3.6561%和13.1517%。计算效率方面,在IEEE 14节点系统中,SOEAE、SAM和MCS的执行时间分别约为0.8341秒、1.2414秒和84.8084秒;在IEEE 118节点系统中,对应时间分别为0.9031秒、2.4437秒和245.2866秒。SOEAE方法仅需一次潮流计算即可完成PDF/CDF估计,计算时间较MCS降低了两个数量级以上,且优于SAM。

**四、讨论与结论**

讨论部分指出,SOEAE方法的指数渐近公式有效缓解了非线性系统概率分析中常见的过估和欠估问题。通过保留CGF的完整高阶结构并在EMP附近实施局部指数倾斜,该方法在整个概率域(包括中心区域和尾部区域)实现了均衡的精度。与有限样本MCS常低估尾部概率不同,SOEAE的解析公式能够提供平滑且无偏的分布估计。在所有测试的不确定性幅度下,该方法均保持稳健性和精度,展现了良好的泛化潜力。此外,SOEAE方法的计算效率优势明显,其非迭代特性使得计算时间具有确定性,适合大规模系统或实时应用。尽管方法在病态条件(如鞍点退化或合并)下可能面临精度挑战,但这类情况在典型潮流研究中较少出现,且可通过均匀渐近展开进行扩展。

结论部分总结如下:本文提出了一种用于求解概率潮流问题的二阶指数渐近展开(SOEAE)技术,其具有非迭代和非参数化的特点。所提模型在两种不同规模的测试系统上进行了验证,输入变量采用了正态分布、伽马分布和均匀分布的组合。MCS结果作为评估所提模型精度的参考基准。结果表明,尽管电力系统中多个随机变量采用了复杂的概率分布,所设计的技术仍能保持可接受的精度水平。此外,与传统方法相比,所提方法在估计结果方面展现了更高的精度,同时在保持可接受结果精度的前提下显著降低了计算负担。这些发现表明,所提出的SOEAE框架为电力系统实时概率潮流分析提供了一种可扩展且高效的解决方案,尤其适用于高维不确定性条件。未来工作可探索将基于机器学习的预测与基于SOEAE的解析传播相结合的混合框架,以实现现代电力系统中高效、可扩展且具有风险感知能力的概率评估。此外,基于正交化的SOEAE扩展可在密度估计前将相关变量转换为独立变量集,为具有相关负荷或发电出力的系统提供了有价值的研究方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号