劉若凡 ，劉俊勇 ，劉友波 ，楊嘉湜 ，茍 競，許立雄 ，蔣長江，陳 晨 ，BAZARGAN Masoud

（1.四川大學(xué) 電氣信息學(xué)院，四川 成都 610065；2.國網(wǎng)四川省電力公司，四川 成都 610061；3.阿爾斯通電網(wǎng)研究與技術(shù)中心，英國 斯塔福德 ST17 4LX）

0 引言

隨著電網(wǎng)規(guī)模的增大，互聯(lián)系統(tǒng)輸電通道可用傳輸容量 ATC（Available Transfer Capability）的計算和評估已成為電力系統(tǒng)分析中的一個重要任務(wù)。極限傳輸功率 TTC（Total Transfer Capability）作為ATC計算的基礎(chǔ)［1］，常成為調(diào)度人員進(jìn)行調(diào)度決策的重要依據(jù)。由于大量清潔能源的接入和電網(wǎng)運(yùn)行方式的日益復(fù)雜，使用某固定值作為斷面TTC的傳統(tǒng)方法越來越難以提供有價值的信息，主要體現(xiàn)在：新能源接入帶來不確定性對TTC有較大影響；傳統(tǒng)TTC不包含任何調(diào)度輔助決策信息，無法為調(diào)度員調(diào)度行為提供定量支持。

目前，國內(nèi)外都在向智能調(diào)度方向發(fā)展，以期解決電網(wǎng)規(guī)模和復(fù)雜性增加后電網(wǎng)調(diào)度的安全和經(jīng)濟(jì)運(yùn)行問題［2］?？紤]風(fēng)電接入、利用PMU在線實測數(shù)據(jù)對TTC進(jìn)行評估并給出調(diào)度決策信息符合該發(fā)展方向。文獻(xiàn)［3］使用蒙特卡洛M-C（Monte-Carlo）法對TTC進(jìn)行評估，但只將故障集加入仿真，未考慮發(fā)電和負(fù)荷不確定性對TTC的影響。文獻(xiàn)［4］經(jīng)過時域仿真定性地驗證了風(fēng)機(jī)參數(shù)、風(fēng)速分布對TTC分布的影響，但未將這些因素放置于系統(tǒng)層面進(jìn)行分析，以致結(jié)果具有局限性。文獻(xiàn)［5］分別采用常規(guī)M-C法和經(jīng)聚類處理的改進(jìn)M-C法對含風(fēng)電網(wǎng)絡(luò)的TTC進(jìn)行評估，不足是未將評估深化至應(yīng)用層面。文獻(xiàn)［6-7］提出了電力系統(tǒng)精細(xì)規(guī)則的概念，綜合運(yùn)用電力系統(tǒng)分析技術(shù)與數(shù)據(jù)挖掘技術(shù)建立傳統(tǒng)TTC指標(biāo)與可觀測電氣量的數(shù)學(xué)關(guān)系，為調(diào)度行為提供一定的決策信息；不足是未全面地考量網(wǎng)絡(luò)運(yùn)行狀態(tài)對規(guī)則的影響，表現(xiàn)在樣本集內(nèi)容比較單一。

綜上問題與研究，本文綜合考慮風(fēng)電接入對TTC數(shù)值分布和調(diào)度規(guī)則的影響。離線狀態(tài)下通過聚類風(fēng)電出力和全系統(tǒng)負(fù)荷大小刻畫系統(tǒng)場景，并對各場景分別進(jìn)行故障態(tài)和安全態(tài)的潮流計算仿真，生成潮流樣本集：故障態(tài)仿真數(shù)據(jù)用于計算該場景下TTC風(fēng)險閾值；安全態(tài)仿真數(shù)據(jù)用于形成不同場景下樣本集合，經(jīng)數(shù)學(xué)處理后形成TTC調(diào)度規(guī)則庫，供調(diào)度員經(jīng)過簡單的在線匹配后進(jìn)行輔助決策。IEEE 39節(jié)點(diǎn)系統(tǒng)的算例仿真驗證了結(jié)論的正確性和合理性。

1 基于自組織映射聚類的風(fēng)電-負(fù)荷場景生成

TTC的計算結(jié)果廣泛受到系統(tǒng)基礎(chǔ)狀態(tài)的影響。系統(tǒng)基礎(chǔ)狀態(tài)包括輸電網(wǎng)物理結(jié)構(gòu)、發(fā)電機(jī)組出力分配情況、系統(tǒng)負(fù)荷大小和系統(tǒng)受擾動情況等。文獻(xiàn)［5］證明，風(fēng)電出力和系統(tǒng)負(fù)荷大小是隨時間而變化的連續(xù)變量，多數(shù)系統(tǒng)狀態(tài)的變化受到其較大影響。使用某時刻風(fēng)電出力-系統(tǒng)總負(fù)荷的二維數(shù)組對該時刻系統(tǒng)狀態(tài)進(jìn)行表征，并對一個時期內(nèi)所有二維數(shù)組進(jìn)行聚類處理得出運(yùn)行狀態(tài)場景，能極大減少由分析系統(tǒng)狀態(tài)而產(chǎn)生的巨大計算負(fù)擔(dān)?？紤]到場景的思想在含風(fēng)電的電力系統(tǒng)分析和調(diào)度研究中得到的廣泛應(yīng)用［8-9］，以場景聚類中心運(yùn)行狀態(tài)為基準(zhǔn)所提取的TTC規(guī)則可在一定程度上代表該場景所包含的所有運(yùn)行狀態(tài)對應(yīng)的TTC規(guī)則，稱之為該場景的主規(guī)則。同時，為了應(yīng)對部分重要機(jī)組功率變化對TTC調(diào)度規(guī)則的影響，在某聚類場景大背景下，通過改變機(jī)組或區(qū)域出力分配模式以生成相應(yīng)子場景，以子場景為二級單位提取調(diào)度規(guī)則。

自組織映射 SOM（Self-Organizing Map）是一種無需監(jiān)督的自動神經(jīng)網(wǎng)絡(luò)聚類工具［10］。SOM網(wǎng)絡(luò)由輸入層和輸出層組成，計算過程基于競爭式神經(jīng)網(wǎng)絡(luò)?；诒疚难芯恳c(diǎn)，首先定義網(wǎng)絡(luò)風(fēng)電最大出力Pmax、最大負(fù)荷 PLmax作為基準(zhǔn)值，式（1）和式（2）分別描述了輸入層和輸出層。

其中，Pj和 PLj（j=1，2，…，n）分別為 tj時刻風(fēng)電出力和總負(fù)荷；n 為采樣個數(shù)；Psi和 PLsi（i=1，2，…，m）分別為場景i下的風(fēng)電出力和系統(tǒng)總負(fù)荷的聚類中心值；psi（i=1，2，…，m）為場景 i出現(xiàn)的概率；m 為聚類場景個數(shù)。

圖1為基于SOM的風(fēng)電-負(fù)荷5場景聚類情況示意圖。圖中每一點(diǎn)代表一個時刻下的系統(tǒng)狀態(tài)。

圖1 風(fēng)電-負(fù)荷5場景聚類結(jié)構(gòu)示意圖Fig.1 Schematic diagram of five wind power-load scenario clusters

研究中一般認(rèn)為風(fēng)電場有功出力等于該風(fēng)電場內(nèi)所有風(fēng)機(jī)出力之和。式（3）描述了在已知風(fēng)機(jī)參量和風(fēng)速情況下，計算單一風(fēng)機(jī)出力PWT的方法：

其中，PN為風(fēng)機(jī)額定有功出力；v為當(dāng)前風(fēng)速；vcin、vN和vco分別為風(fēng)機(jī)切入風(fēng)速、額定風(fēng)速和切出風(fēng)速；A、B、C均為常數(shù)，由風(fēng)機(jī)物理特性決定。風(fēng)機(jī)無功出力采取恒功率因數(shù)控制，即：

其中，φ為功率因數(shù)角。

2 TTC運(yùn)行規(guī)則提取和應(yīng)用

2.1 TTC算法說明

TTC計算為本文計算核心?？紤]數(shù)學(xué)模型，TTC算法有基于連續(xù)潮流CPF（Continuous Power Flow）方法［11］、基于最優(yōu)潮流的方法［12］；考慮約束條件，主要有暫態(tài)約束算法［13］和電壓約束算法［14］。 為了更接近實際，本文使用了計及暫態(tài)穩(wěn)定的CPF算法。計算中，負(fù)荷首次增長步長的總量設(shè)置為基態(tài)負(fù)荷總量的一半，各負(fù)荷有功增長方向由初始大小按比例確定；發(fā)電機(jī)有功出力增長方向由該機(jī)出力裕度大小按比例確定；發(fā)電機(jī)采用恒功率因數(shù)控制，從而控制無功出力增長方向。計及暫態(tài)穩(wěn)定的TTC計算中，故障設(shè)置為斷面潮流最重線路在供電區(qū)端發(fā)生三相短路接地，切除時間為0.1s。

2.2 調(diào)度規(guī)則提取步驟

現(xiàn)有調(diào)度方式將斷面實際傳輸功率小于某固定的預(yù)置功率作為輸電斷面安全標(biāo)準(zhǔn)，制定思路較保守，以致輸電通道電能傳輸能力難以充分利用。由于電力系統(tǒng)是一個復(fù)雜的高維非線性系統(tǒng)，本文采用數(shù)據(jù)挖掘技術(shù)對輸電斷面運(yùn)行規(guī)則進(jìn)行提取，主要分為以下步驟：大數(shù)據(jù)樣本形成；特征屬性選擇，提出一種基于線性回歸精度的前后交替特征屬性選擇方法；規(guī)則提取和表示。

2.3 大數(shù)據(jù)樣本空間形成

基于全狀態(tài)的傳統(tǒng)M-C仿真的TTC評估可提供TTC均值、方差等基本信息，但是對于系統(tǒng)狀態(tài)和TTC的關(guān)系并不能良好地表征，難以應(yīng)用至實際?；谝陨蠁栴}，以場景為單位進(jìn)行安全態(tài)大樣本仿真，提取場景TTC信息，得出規(guī)則制定所需樣本空間。安全態(tài)下不考慮故障，僅考慮風(fēng)電出力和負(fù)荷總量的場景內(nèi)波動，即將風(fēng)電出力和負(fù)荷水平約束在保守的范圍內(nèi)。樣本空間形成流程如下。

a.獲取基態(tài)潮流。選擇某一場景聚類中心為仿真基準(zhǔn)值，根據(jù)2.1節(jié)方法進(jìn)行TTC計算。其中，若對發(fā)電機(jī)組初始功率分布進(jìn)行調(diào)整，則生成該場景下子場景基態(tài)潮流。

b.獲取新潮流。保留基態(tài)拓?fù)浣Y(jié)構(gòu)，重新設(shè)置負(fù)荷量、風(fēng)電出力和其他發(fā)電機(jī)出力。①計算該聚類中心與其余聚類中心歐氏距離，取負(fù)荷距離最小值的一半作為負(fù)荷總量波動范圍上下限額，負(fù)荷總量在限額內(nèi)隨機(jī)波動，變化量記為ΔPL；②取風(fēng)電出力最小距離的一半作為風(fēng)電出力總量波動范圍上下限額，在此限額內(nèi)隨機(jī)波動；③普通發(fā)電機(jī)平均分配剩余負(fù)荷量；④發(fā)電機(jī)節(jié)點(diǎn)電壓在的額定電壓的-5%～5%范圍內(nèi)隨機(jī)波動；⑤計算潮流并用2.1節(jié)方法計算TTC，得到新潮流數(shù)據(jù)。

c.采集系統(tǒng)變量數(shù)據(jù)。記錄新潮流和基態(tài)潮流間總發(fā)電量、總負(fù)荷量、各母線電壓、各區(qū)域總發(fā)電量、各區(qū)域總負(fù)荷量、各負(fù)荷量、各發(fā)電機(jī)出力的差值和TTC的差值ΔTTC，綜合形成一個樣本。

d.形成樣本空間。重復(fù)上述步驟，直到樣本數(shù)量滿足要求。

2.4 特征屬性選擇

特征選擇的目的是從一個大的候選屬性集合中選擇一個較好的、有代表性的屬性子集［15］。在實際應(yīng)用中，過多的屬性會嚴(yán)重影響歸納學(xué)習(xí)的質(zhì)量，加大訓(xùn)練數(shù)據(jù)量，影響學(xué)習(xí)速度，降低所生成規(guī)則的精度。

電力系統(tǒng)是典型高維非線性系統(tǒng)。處理實際工程問題前，對系統(tǒng)進(jìn)行線性化處理和數(shù)據(jù)降維能大量減輕計算負(fù)擔(dān)并提供給調(diào)度人員更直觀的輔助調(diào)度策略。本文提出一種基于線性回歸精度分析的特征屬性選擇方法。該方法不需要對數(shù)據(jù)進(jìn)行預(yù)處理，直接利用統(tǒng)計學(xué)中回歸精度表征待選屬性與目標(biāo)屬性之間相關(guān)程度，自行剔除冗余。對任意場景i，用復(fù)相關(guān)系數(shù)［16］與場景聚類中心風(fēng)電出力的比值作為相關(guān)度測試標(biāo)準(zhǔn)TR，定義如式（5）所示。

其中，yj為第 j個樣本目標(biāo)屬性，即 ΔTTCj；j為相應(yīng)線性回歸預(yù)測值；為全部樣本的均值；Psi為場景i聚類中心風(fēng)電出力。

兼顧計算速度、選擇精度和實際需求，本文提出先用雙向搜索法選擇初始特征屬性集合，再根據(jù)需要設(shè)置精度閾值進(jìn)行二次篩選的特征提取方法。雙向搜索法使用序列前向選擇與序列后向選擇分別從兩端開始搜索，兩者搜索到共同的最優(yōu)子集Y時停止搜索。該方法在保留序列前向選擇法運(yùn)算速度快的優(yōu)勢的同時，用考慮屬性間相互關(guān)系較完善的序列后向選擇進(jìn)行協(xié)同運(yùn)作，使特征選擇結(jié)果更加精確。選擇過程如下。

a.初始化前向選擇。令初始屬性集合為M1，包含全屬性；S1為特征屬性集合，初始化為空集；T為目標(biāo)屬性。

b.初始化后向選擇。令初始屬性集合為M2，設(shè)置為空集；S2為特征屬性集合，包含全屬性；T為目標(biāo)屬性。

c.進(jìn)行前向選擇。每次選擇一個mi?M1加入特征屬性集合 S1，使 TR（T；S1∪mi）最小并將其從 M1中刪除。TR（T；S1∪mi）為以（S1∪mi）中屬性為自變量、目標(biāo)屬性為因變量進(jìn)行線性回歸后的TR。

d.進(jìn)行后向選擇。每次選擇一個si?S2剔除特征屬性集合 S2，使 TR（T；S2∪mi）最大。

e.依次重復(fù)進(jìn)行步驟c和d。步驟c中加入的屬性不能在步驟d中刪除，步驟d中刪除的屬性不能在步驟c中加入。S1=S2時，選擇結(jié)束。

f.二次篩選：分為機(jī)器篩選和人工篩選。重復(fù)步驟a對初次篩選的特征屬性進(jìn)行再初始化，根據(jù)需要設(shè)置精度閾值（一般為規(guī)定特征值個數(shù)）使用順序浮動前進(jìn)（SFFS）算法［17］進(jìn)行特征選擇，SFFS 算法每次選擇出一個較好的特征子集后，都動態(tài)地剔除一些較差的特征，有效避免了陷入局部最優(yōu)。當(dāng)特征屬性滿足數(shù)量要求時，機(jī)器篩選結(jié)束，獲得特征屬性集合S′。最后通過人工選擇便于調(diào)控且符合經(jīng)濟(jì)性的屬性，形成最終的特征屬性集合S。

2.5 規(guī)則生成

分別對各場景下目標(biāo)屬性TTCsi和特征屬性集合Ssi進(jìn)行線性回歸，最終表達(dá)形式為一簇一次多元多項式：

其中，ΔTTCsi為場景i下實際TTC相對于基態(tài)TTC的預(yù)測偏差量；xsi1、xsi2、…、xsin為特征屬性；bsi1、bsi2、…、bsin為線性回歸系數(shù)。

2.6 TTC風(fēng)險閾值計算

設(shè)置各場景下TTC風(fēng)險閾值，通過對比斷面實際傳輸功率與其所屬場景的風(fēng)險值，輔助調(diào)度員對斷面當(dāng)前運(yùn)行狀態(tài)進(jìn)行快速評估。風(fēng)險閾值應(yīng)滿足：若斷面實際傳輸功率小于該值，發(fā)生嚴(yán)重故障時能保證電網(wǎng)安全穩(wěn)定運(yùn)行，計及最嚴(yán)重故障暫態(tài)安全的TTC計算結(jié)果滿足要求；然而，為了更好地突出提示風(fēng)險這一功能，本文以N-1故障切除后的狀態(tài)為潮流基準(zhǔn)進(jìn)行計及最嚴(yán)重故障暫態(tài)安全性的TTC計算，并求其權(quán)值作為風(fēng)險閾值。某場景下TTC風(fēng)險閾值計算流程如下。

a.獲取基態(tài)潮流。選擇場景i聚類中心負(fù)荷水平及風(fēng)電出力數(shù)據(jù)計算基準(zhǔn)TTC。

b.初始化故障集合。設(shè)置j=1（j為故障編號）。

c.含故障的TTC計算。調(diào)用第j個故障并切除，然后計算計及暫態(tài)安全的TTC。

d.故障集合計算未結(jié)束，則j=j+1，返回步驟c。

e.故障集合計算結(jié)束，使用式（7）、（8）計算該場景下TTC風(fēng)險閾值。

計算流程如圖2所示。

圖2 單一場景TTC風(fēng)險閾值計算流程圖Fig.2 Flowchart of TTC risk threshold calculation for single scenario

3 算例分析

3.1 基礎(chǔ)數(shù)據(jù)和場景聚類結(jié)果

用IEEE 39節(jié)點(diǎn)系統(tǒng)進(jìn)行算例仿真驗證方法的有效性。如圖3所示母線17接入風(fēng)電場，包含200臺機(jī)組，每臺機(jī)組額定容量2MW，總裝機(jī)容量400 MW，風(fēng)機(jī)參數(shù)如下：vcin=4m /s，vN=10m /s，vco=22m /s，PN=2 MW，功率因數(shù)為0.95。

圖3 含風(fēng)電場的IEEE 39節(jié)點(diǎn)系統(tǒng)Fig.3 IEEE 39-bus system with wind farm

分區(qū)方法取自文獻(xiàn)［18］，本文研究3區(qū)與2區(qū)的聯(lián)合區(qū)域（以下稱為4區(qū)）到1區(qū)的斷面TTC規(guī)則。先指定一個測試場景進(jìn)行主規(guī)則提取、子規(guī)則提取和風(fēng)險閾值計算；然后對全部場景進(jìn)行主規(guī)則提取，形成規(guī)則庫。計算結(jié)果均折算為標(biāo)幺值，基準(zhǔn)值100 MW。TTC計算中故障設(shè)置為母線2與母線3之間線路三相短路接地，切除時間為0.1s。

以小時為單位提取風(fēng)電出力和負(fù)荷水平的組合（時間跨度為1 a），用于場景聚類基礎(chǔ)數(shù)據(jù)，以小時為單位的年度風(fēng)速曲線如圖4所示。

圖4 以小時為單位的年度風(fēng)速曲線Fig.4 Hourly wind speed curve for a year

輸入量（風(fēng)電場出力和系統(tǒng)負(fù)荷）被分為5個場景，如表1所示。選擇場景1為測試場景。

表1 聚類結(jié)果Table 1 Results of data clustering

3.2 測試場景TTC調(diào)度規(guī)則提取及風(fēng)險閾值計算

3.2.1 測試場景TTC主調(diào)度規(guī)則提取及其風(fēng)險閾值計算

測試場景聚類中心狀態(tài)下斷面實際傳輸功率為828.15 MW；TTC為1 346.98 MW；TTC風(fēng)險閾值為1198.68 MW。計算結(jié)果顯示，測試場景下，所得TTC風(fēng)險閾值大于斷面實際傳輸功率，略小于計及最嚴(yán)重故障安全性的TTC值。說明使用該值作為風(fēng)險閾值既保證了電網(wǎng)安全，也給調(diào)度員留下了充足的調(diào)度空間。當(dāng)斷面實際傳輸功率大于風(fēng)險閾值時，調(diào)度員即可參考調(diào)度規(guī)則，適當(dāng)提高TTC水平。

用2.3節(jié)方法生成樣本空間，獲得訓(xùn)練樣本2 000個，每個樣本包含160個備選屬性和1個目標(biāo)屬性ΔTTC。

用本文方法進(jìn)行特征選擇結(jié)果見表2?？梢园l(fā)現(xiàn)：①特征屬性對應(yīng)的母線、發(fā)電機(jī)、負(fù)荷與斷面電氣距離較近，一定程度上說明了電氣距離的大小對電網(wǎng)屬性間相關(guān)度具有影響；②電力系統(tǒng)相關(guān)研究認(rèn)為，線路/斷面發(fā)電端母線電壓與其傳輸容量有強(qiáng)相關(guān)關(guān)系，該理論一定程度上解釋了特征屬性中包含較多電壓類屬性這一現(xiàn)象出現(xiàn)的原因。

表2 特征選擇結(jié)果Table 2 Results of feature selection

式（9）為測試場景TTC主調(diào)度規(guī)則：

分析式（9）可知：供電區(qū)負(fù)荷以及供電區(qū)發(fā)電機(jī)出力越大則斷面TTC越小；適當(dāng)抬高斷面供電區(qū)側(cè)母線電壓或降低受電區(qū)側(cè)母線電壓，可以提高TTC水平；斷面初始功率越大，TTC越大。

3.2.2 測試子場景TTC子調(diào)度規(guī)則提取及其風(fēng)險閾值計算

保持總負(fù)荷量與風(fēng)電場出力仍未測試場景聚類中心數(shù)據(jù)不變，僅調(diào)整發(fā)電機(jī)出力分布與負(fù)荷分布以形成子場景運(yùn)行中心狀態(tài)：2區(qū)負(fù)荷40%轉(zhuǎn)移至3區(qū)，3區(qū)各負(fù)荷按初始負(fù)荷比例確定增量；同樣方法改變2區(qū)與3區(qū)各發(fā)電機(jī)出力，形成子場景1-1。

以子場景運(yùn)行中心潮流數(shù)據(jù)新的基態(tài)潮流，其斷面實際傳輸功率為790.21 MW；TTC為1295.12 MW；TTC風(fēng)險閾值為1079.80 MW。子場景1-1的TTC調(diào)度規(guī)則為：

其中，ΔP3Tload為3區(qū)總負(fù)荷。

對比式（9）、（10）可知：同一聚類場景下，由于負(fù)荷和發(fā)電機(jī)出力分配情況的不同，斷面TTC、TTC風(fēng)險閾值以及調(diào)度規(guī)則均發(fā)生了變化。2區(qū)負(fù)荷水平和發(fā)電機(jī)出力弱化導(dǎo)致特征屬性ΔPG33被剔除，而3區(qū)總負(fù)荷ΔP3Tload被加入；但是相同特征屬性對TTC的定性影響是不變的，比如在任何場景下提高供電側(cè)斷面母線電壓，均能提高TTC水平。因此，以聚類場景中心為基準(zhǔn)生成的主調(diào)度規(guī)則可以滿足該場景下大部分電網(wǎng)運(yùn)行狀態(tài)的需要；對于同場景下較為特殊的運(yùn)行狀態(tài)，依然可以用本文方法生成子場景規(guī)則，滿足特殊需要。

3.3 測試場景TTC調(diào)度規(guī)則精度測試

3.3.1 主規(guī)則精度測試

選擇測試運(yùn)行狀態(tài)［155，5742］，即風(fēng)電場出力155 MW，系統(tǒng)總負(fù)荷5 742 MW，將其歸為場景1。用2.3節(jié)方法以［155，5742］為中心生成200個總負(fù)荷量與風(fēng)電總發(fā)電量偏差為-5%～5%的測試樣本。

利用場景1主調(diào)度規(guī)則式（9）對生成的100個測試樣本進(jìn)行了驗證，結(jié)果表明，用主調(diào)度規(guī)則得到的TTC預(yù)測值和實際計算結(jié)果間最大絕對誤差為0.51 p.u.，平均相對誤差為2.98%。圖5給出了測試結(jié)果與實際結(jié)果的對比曲線，圖中TTC為標(biāo)幺值。由圖可見，用本文方法提取的調(diào)度規(guī)則所估計的TTC與實際TTC保持了較高的一致性，比較準(zhǔn)確地體現(xiàn)了TTC的特性。

3.3.2 子場景規(guī)則精度測試

測試運(yùn)行狀態(tài)總負(fù)荷量及風(fēng)電場出力不變，用3.2節(jié)方法修正2區(qū)與3區(qū)負(fù)荷及發(fā)電分布生成新運(yùn)行狀態(tài)，將其歸于子場景1-1。用上文方法進(jìn)行精度測試，結(jié)果表明用子場景1-1的調(diào)度規(guī)則得到的TTC預(yù)測值和實際計算結(jié)果之間的最大絕對誤差為0.57 p.u.，平均相對誤差為3.16%?？梢钥闯觯訄鼍罢{(diào)度規(guī)則的精度雖然略低于主規(guī)則，但也能與實際TTC保持較好的一致性。

圖5 調(diào)度規(guī)則精度測試結(jié)果Fig.5 Results of dispatch rule precision test

3.4 TTC主調(diào)度規(guī)則庫

式（11）—（14）分別對應(yīng)場景 2—5的主規(guī)則。其中未在表2中體現(xiàn)的變量ΔPL26為母線26負(fù)荷變量；ΔP2Tload為2區(qū)總負(fù)荷。

對比式（9）、（11）—（14）可知：各場景下規(guī)則內(nèi)容的不同點(diǎn)主要體現(xiàn)在特征屬性不同以及相同特征屬性前系數(shù)的不同，說明隨著風(fēng)電場出力和系統(tǒng)總負(fù)荷的變化，電網(wǎng)潮流分布、電壓水平、靜態(tài)和暫態(tài)安全裕度均產(chǎn)生變化，電力系統(tǒng)的強(qiáng)烈非線性導(dǎo)致了TTC的變化規(guī)律也隨之改變；各規(guī)則所包含的特征屬性不存在重大差異，且各屬性對TTC的定性影響基本保持一致，說明電力系統(tǒng)部分屬性間具有內(nèi)在聯(lián)系。

4 結(jié)論

本文在分析傳統(tǒng)TTC調(diào)度規(guī)則及其提取方法的基礎(chǔ)上引入了風(fēng)電的相關(guān)研究內(nèi)容，使用場景聚類法初步解決了風(fēng)電和負(fù)荷的不確定性對TTC規(guī)則的影響，給出了調(diào)度依據(jù)來豐富TTC調(diào)度規(guī)則的內(nèi)容。算例分析得出以下結(jié)論。

a.場景聚類法能將復(fù)雜的系統(tǒng)狀態(tài)使用多個聚類中心來代表，一定程度上減輕了不確定性分析負(fù)擔(dān)，更好地體現(xiàn)了斷面TTC與系統(tǒng)狀態(tài)間關(guān)系；子場景的概念以及子規(guī)則的提取也一定程度上解決了同一大場景下部分特殊運(yùn)行狀態(tài)脫離于聚類中心范疇從而導(dǎo)致TTC調(diào)度規(guī)則變化的問題。

b.TTC調(diào)度規(guī)則能給調(diào)度員直觀的輔助調(diào)度決策信息，在一定程度上指導(dǎo)調(diào)度員進(jìn)行定量的調(diào)度行為。

c.TTC風(fēng)險閾值的設(shè)定較好地體現(xiàn)了風(fēng)險的潛在性，給調(diào)度員提供了適當(dāng)?shù)木彌_區(qū)域進(jìn)行調(diào)度行為。

d.主規(guī)則和子規(guī)則的精確性均得到了驗證，證明了規(guī)則的可靠性。

本文下一步研究方向有：大規(guī)模風(fēng)電外送通道TTC與風(fēng)電場屬性、風(fēng)機(jī)模型、風(fēng)速特性間關(guān)系的研究；多通道間TTC相互關(guān)系的研究；綜合規(guī)則與經(jīng)濟(jì)性的相關(guān)控制策略；研究更精確的方法對TTC進(jìn)行計算，如發(fā)電機(jī)出力和負(fù)荷增長方式的修正。