張曉英 王 琨 張蠟寶

(1.蘭州理工大學(xué)電氣工程與信息工程學(xué)院 蘭州 730050 2.南京大學(xué)電子科學(xué)與工程學(xué)院 南京 210093)

基于切片采樣的風(fēng)力發(fā)電并網(wǎng)系統(tǒng)概率潮流計(jì)算

張曉英1王 琨1張蠟寶2

(1.蘭州理工大學(xué)電氣工程與信息工程學(xué)院 蘭州 730050 2.南京大學(xué)電子科學(xué)與工程學(xué)院 南京 210093)

在基于馬爾科夫鏈蒙特卡洛(MCMC)模擬法的概率潮流計(jì)算方法中，被廣泛應(yīng)用的Gibbs采樣算法需要進(jìn)行大量復(fù)雜的迭代運(yùn)算才能得到較精確的計(jì)算結(jié)果。針對(duì)該算法的缺陷，提出基于切片采樣(slice sampling)算法的MCMC方法，并應(yīng)用于風(fēng)力發(fā)電并網(wǎng)系統(tǒng)概率潮流計(jì)算中。首先，采用加權(quán)高斯混合分布(WGMD)對(duì)風(fēng)電場(chǎng)出力進(jìn)行建模；然后，通過切片采樣算法對(duì)風(fēng)電場(chǎng)出力的概率分布進(jìn)行采樣，從而構(gòu)建出風(fēng)電場(chǎng)出力的樣本空間；最后，對(duì)樣本空間中的每組采樣點(diǎn)進(jìn)行潮流計(jì)算，并在含有風(fēng)電模型的IEEE 39節(jié)點(diǎn)系統(tǒng)中與Gibbs采樣算法得到的結(jié)果進(jìn)行比較。結(jié)果表明：切片采樣算法能夠顯著提高傳統(tǒng)MCMC方法的計(jì)算準(zhǔn)確度；同時(shí)，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。

風(fēng)電并網(wǎng) 概率潮流 切片采樣 Gibbs采樣 馬爾科夫鏈蒙特卡洛模擬法

0 引言

風(fēng)力發(fā)電對(duì)環(huán)境的影響較小，同時(shí)發(fā)電成本不斷下降，因此成為新能源發(fā)電中發(fā)展最快、最具有發(fā)展前景的一種發(fā)電方式。然而風(fēng)能這種清潔能源具有顯著的隨機(jī)性、間歇性和不可調(diào)度性的缺點(diǎn)[1]。隨著風(fēng)電滲透率的提高，其對(duì)電力系統(tǒng)在安全性和穩(wěn)定性方面的影響也越來越明顯[2]。

為了全面分析風(fēng)力發(fā)電并網(wǎng)對(duì)電力系統(tǒng)穩(wěn)定性的影響，需要精確計(jì)算出系統(tǒng)潮流分布情況。而風(fēng)能的不確定性決定了風(fēng)電并網(wǎng)系統(tǒng)潮流分布的不確定性，因此概率統(tǒng)計(jì)法成為了分析此類系統(tǒng)的基本方法。20世紀(jì)70年代B.Borkowska首次提出概率潮流(Probabilistic Load Flow，PLF)計(jì)算的概念[3]，此后該計(jì)算方法在包括電壓穩(wěn)定性分析、可靠性評(píng)估、網(wǎng)損分析等在內(nèi)的電力系統(tǒng)分析領(lǐng)域得到廣泛的應(yīng)用。概率潮流算法的核心思想是：將輸入隨機(jī)變量的概率統(tǒng)計(jì)特性引入潮流計(jì)算當(dāng)中，從而求得電網(wǎng)潮流指標(biāo)的概率統(tǒng)計(jì)特性，如期望、方差、概率密度函數(shù)(Probability Density Function，PDF)、累計(jì)分布函數(shù)(Cumulative Distribution Function，CDF)等。

由于概率潮流能夠更有效地模擬電力系統(tǒng)實(shí)際運(yùn)行情況，因此經(jīng)過多年研究，國內(nèi)外學(xué)者提出了多種類型的概率潮流計(jì)算方法。其中，解析法[3-5]通過簡(jiǎn)化的卷積計(jì)算能夠達(dá)到很快的計(jì)算速度，但計(jì)算準(zhǔn)確度不高，且各輸入變量之間相互獨(dú)立的假設(shè)與實(shí)際電力系統(tǒng)運(yùn)行不相符。點(diǎn)估計(jì)法[6，7]通過運(yùn)行兩倍隨機(jī)參數(shù)個(gè)數(shù)的潮流程序計(jì)算所得參數(shù)的各階矩，與解析法相比計(jì)算時(shí)間有所增加，雖然相應(yīng)的計(jì)算準(zhǔn)確度略有提高，但采樣值不具備普遍性，同樣無法滿足計(jì)算準(zhǔn)確度要求。

蒙特卡洛模擬法(Monte Carlo Simulation，MCS)[8-10]在采樣規(guī)模足夠大的情況下，計(jì)算準(zhǔn)確度較高，但其計(jì)算量過大、耗時(shí)過長(zhǎng)。因此，這種方法大多作為驗(yàn)證其他方法準(zhǔn)確程度的標(biāo)準(zhǔn)。針對(duì)MCS方法的不足，一些學(xué)者將隨機(jī)過程中的馬爾科夫過程引入到蒙特卡洛模擬中，形成了馬爾科夫鏈蒙特卡洛(Markov Chain Monte Carlo，MCMC)模擬法[11，12]，其基本思想是：通過重復(fù)抽樣，建立一個(gè)平穩(wěn)分布與系統(tǒng)先驗(yàn)概率分布相同的馬爾科夫鏈，從而得到系統(tǒng)的狀態(tài)樣本。被廣泛用于構(gòu)建馬爾科夫鏈的Metropolis-Hastings算法和Gibbs算法存在著不可忽視的缺點(diǎn)：實(shí)現(xiàn)Metropolis-Hastings采樣算法需要找到一種合適的建議分布；與此類似的是，使用Gibbs采樣算法時(shí)必須構(gòu)造一種從非標(biāo)準(zhǔn)單變量分布抽樣的算法以實(shí)現(xiàn)有效抽樣[13，14]；由于易受初始值的影響，Gibbs采樣算法穩(wěn)定性較低，且需要進(jìn)行大量迭代運(yùn)算才能達(dá)到收斂。這些缺陷限制了MCMC方法在電力系統(tǒng)中的應(yīng)用。

本文將切片采樣(slice sampling)算法[14]引入到風(fēng)力發(fā)電并網(wǎng)系統(tǒng)概率潮流計(jì)算中。與Gibbs采樣算法相比，切片采樣算法改善了采樣值在隨機(jī)變量分布中的覆蓋程度、提高了采樣效率。在對(duì)IEEE 39節(jié)點(diǎn)系統(tǒng)進(jìn)行風(fēng)電并網(wǎng)改造后，分別采用Gibbs采樣算法和切片采樣算法進(jìn)行概率潮流計(jì)算，結(jié)果證明了所提算法的高效性和準(zhǔn)確性。

1 風(fēng)電場(chǎng)概率模型的建立

在風(fēng)電并網(wǎng)系統(tǒng)概率潮流計(jì)算中，風(fēng)電場(chǎng)概率模型的建立方法主要有兩種：一種是基于風(fēng)速概率密度函數(shù)的建模方法[15]；另一種是基于風(fēng)電場(chǎng)有功出力時(shí)間隨機(jī)序列的建模方法[16]。根據(jù)風(fēng)電場(chǎng)實(shí)測(cè)風(fēng)電出力數(shù)據(jù)分析得出，在不同時(shí)間尺度下，風(fēng)電出力波動(dòng)較大、變化復(fù)雜，呈較強(qiáng)的非線性。風(fēng)速概率密度函數(shù)建模法需要通過對(duì)滿足特定概率分布的風(fēng)速進(jìn)行變換得到風(fēng)電場(chǎng)有功出力，在對(duì)大規(guī)模風(fēng)電并網(wǎng)系統(tǒng)潮流分析時(shí)，其擬合誤差無法滿足潮流計(jì)算的準(zhǔn)確度要求。對(duì)于時(shí)間隨機(jī)序列的建模方法來說，雖然該方法可以比較精確地模擬出風(fēng)電場(chǎng)在任何時(shí)間段的功率波動(dòng)變化，但是要依靠大量的風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)，并且在生成概率轉(zhuǎn)移核矩陣時(shí)需要進(jìn)行大量計(jì)算，因此其適用范圍受到了局限。

加權(quán)高斯混合分布(Weighted Gaussian Mixture Distribution，WGMD)通過多個(gè)高斯分布的加權(quán)組合可以平滑地近似任意復(fù)雜形態(tài)的數(shù)據(jù)分布。采用該分布構(gòu)建風(fēng)電場(chǎng)有功出力的概率模型時(shí)，由于直接采用了風(fēng)電場(chǎng)有功出力的實(shí)測(cè)數(shù)據(jù)，可以避免由風(fēng)速變換風(fēng)功率時(shí)帶來的誤差。同時(shí)，在生成風(fēng)功率時(shí)間序列時(shí)不需要構(gòu)建概率轉(zhuǎn)移核矩陣，可以提高建模效率。因此，該方法更適合用于描述風(fēng)電出力的隨機(jī)性和波動(dòng)性等非線性分布特性。藺紅等人采用加權(quán)高斯混合分布概率模型對(duì)新疆某地區(qū)風(fēng)電場(chǎng)的出力進(jìn)行研究，其結(jié)果也證實(shí)了加權(quán)高斯混合概率模型在模擬風(fēng)電出力方面的準(zhǔn)確性和有效性[17]。綜上所述，本文采用基于加權(quán)高斯混合分布的風(fēng)電場(chǎng)概率建模法進(jìn)行概率潮流計(jì)算。

采用加權(quán)高斯混合分布來表示風(fēng)電場(chǎng)出力的概率函數(shù)為

(1)

給定風(fēng)電場(chǎng)出力實(shí)測(cè)數(shù)據(jù)X={x1,x2,…,xN}， 其概率模型的似然函數(shù)為

(2)

式中，Θ={θ1,θ2,…,θN}。 對(duì)式(2)取對(duì)數(shù)得

(3)

EM算法進(jìn)行參數(shù)估計(jì)主要由兩步完成，即

E步：計(jì)算對(duì)數(shù)似然函數(shù)的條件期望，即

(4)

M步：尋找Θ(p+1)， 使得

(5)

1)初始化迭代參數(shù)Θ(0)。

2)迭代計(jì)算式(6)所示參數(shù)，直到收斂。

(6)

2 切片采樣算法

切片采樣算法由J.Besag和P.G.Green在1993年首先引入主流統(tǒng)計(jì)學(xué)研究領(lǐng)域[20]。切片采樣算法在采樣過程中需要引入輔助變量，當(dāng)引入單輔助變量后，其采樣過程可以被看作是目標(biāo)概率密度函數(shù)圖像下的Gibbs采樣算法。

假設(shè)從集合Rn中的一個(gè)概率分布抽取變量x，其概率密度函數(shù)與某一個(gè)函數(shù)f(x)呈正比。這個(gè)思想可以通過引入一個(gè)輔助變量y同時(shí)定義一個(gè)x、y的聯(lián)合分布函數(shù)來實(shí)現(xiàn)，其中y在函數(shù)f(x)曲線下的區(qū)域?yàn)閁={(x,y):0

(7)

式中，Z=∫f(x)dx。x的邊緣概率密度函數(shù)為

(8)

要對(duì)x采樣只需對(duì)(x，y)的聯(lián)合分布采樣后再消去y即可實(shí)現(xiàn)。然而想要從U均勻地產(chǎn)生相互獨(dú)立的樣本點(diǎn)是比較困難的，因此需要定義一個(gè)收斂于這個(gè)均勻分布的馬爾科夫鏈。本文產(chǎn)生樣本點(diǎn)的可行性方法是用Gibbs采樣法：首先給定x對(duì)y的條件分布(在區(qū)間(0,f(x))上的均勻分布)，并給定y對(duì)x的條件分布(在區(qū)域S={x:y

2.1 切片生成

由于切片S是由輔助變量y來定義的，因此首先確定y的值，并在馬爾科夫鏈的每次迭代過程中都要對(duì)輔助變量y進(jìn)行更新。在實(shí)際計(jì)算中，為了避免浮點(diǎn)下溢，應(yīng)該通過計(jì)算g(x)=log(f(x))來間接達(dá)到計(jì)算f(x)的目的。因此輔助變量可表示為

Z=g(x0)-e

(9)

式中，e為期望是1的指數(shù)分布。切片S可以表示為

S={x:Z

(10)

2.2 區(qū)間確定

在確定區(qū)間I時(shí)所要遵循的原則是：保證I覆蓋切片S的大部分區(qū)間，以便抽取出新的采樣點(diǎn)與當(dāng)前采樣點(diǎn)相比有較大差別。同時(shí)，為了防止采樣效率的降低，I的范圍不能大于切片S。對(duì)于區(qū)間I的選取，最簡(jiǎn)單的方法是將切片S的范圍設(shè)定成最小區(qū)間，換句話說就是定義區(qū)間I的左邊界L和右邊界R滿足

(11)

式中，inf為上確界；sup為下確界。然而在實(shí)際應(yīng)用中，這種方法卻很難實(shí)現(xiàn)，其根本原因在于并不是所有的方程y=f(x)都能夠通過數(shù)值解法得到答案。在大多數(shù)情況下，切片S是由多個(gè)不相交的區(qū)間構(gòu)成的，而這些不相交的區(qū)間很難用這種方法確定下來。

針對(duì)這種情況，文獻(xiàn)[14]提出了Stepping-out算法，該算法適用于任何連續(xù)分布函數(shù)并且可以彌補(bǔ)上述方法的缺陷。如圖1所示，根據(jù)初始值x0，定義w為切片標(biāo)準(zhǔn)估計(jì)寬度、m為限定切片寬度極限的整數(shù)(切片寬度極限為mw)、y為限定切片區(qū)間的水平線。分別從滿足區(qū)間為(0,1)的均勻分布中抽取隨機(jī)數(shù)U和V，同時(shí)對(duì)區(qū)間I的邊界L和R進(jìn)行如下迭代計(jì)算：

1)輸入邊界迭代初值L=x0-wU、 R=L+w， 同時(shí)初始化迭代變量j=floor(mV)、 k=(m-1)-j， 其中floor(·)表示向下取整計(jì)算。

2)判斷j>0和y

3)判斷k>0和y

圖1 Stepping-out算法示意圖Fig.1 Stepping-out algorithm

2.3 樣本采樣

當(dāng)區(qū)間I被確定后，則需用Shrinkage算法[14]來尋找下一個(gè)采樣點(diǎn)x1。

如圖2所示，Shrinkage算法的核心思想是：如果尋找到的下一個(gè)采樣點(diǎn)x1在區(qū)間I所包含的切片上則保留；否則以該點(diǎn)作為區(qū)間I的一個(gè)邊界，然后在更新后的區(qū)間I上繼續(xù)尋找采樣點(diǎn)x1直到其落在區(qū)間I所包含的切片上為止。樣本采樣流程如下：

2)從滿足區(qū)間為(0,1)的均勻分布中抽取隨機(jī)數(shù)U。

圖2 Shrinkage算法示意圖Fig.2 Shrinkage algorithm

3 基于切片采樣的風(fēng)電并網(wǎng)系統(tǒng)概率潮流計(jì)算流程

將本文提出的基于切片采樣算法的改進(jìn)MCMC方法應(yīng)用于風(fēng)電并網(wǎng)系統(tǒng)概率潮流計(jì)算當(dāng)中。計(jì)算流程如下：

1)建立風(fēng)電場(chǎng)概率模型。文獻(xiàn)[17]已經(jīng)驗(yàn)證一維二分量加權(quán)高斯混合模型可以比較準(zhǔn)確模擬出單個(gè)風(fēng)電場(chǎng)有功出力的概率分布。因此，用一維二分量加權(quán)高斯混合模型表示風(fēng)電場(chǎng)有功出力的概率分布為

(12)

Qwind=Pwind·tanφ

(13)

由式(13)即可求出風(fēng)電場(chǎng)無功功率的馬爾科夫鏈Q(jìng)wind，并由此構(gòu)建出概率潮流計(jì)算所需的各種輸入隨機(jī)變量的樣本空間。

3)概率潮流計(jì)算。假設(shè)風(fēng)電場(chǎng)并網(wǎng)節(jié)點(diǎn)為PQ節(jié)點(diǎn)，把樣本空間[Pwind，Qwind，Pload，Qload]中各組樣本值依次代入牛頓拉夫遜潮流計(jì)算式中求出各節(jié)點(diǎn)和支路的潮流樣本。

4)并網(wǎng)系統(tǒng)概率評(píng)估。利用概率統(tǒng)計(jì)方法得出所需輸出變量的隨機(jī)特性和概率統(tǒng)計(jì)指標(biāo)。

4 算例分析

本文以IEEE 39節(jié)點(diǎn)系統(tǒng)為算例，比較Gibbs采樣算法和切片采樣算法。概率潮流計(jì)算基于Matlab的Matpower 5.0b1電力系統(tǒng)計(jì)算工具包。在IEEE 39節(jié)點(diǎn)系統(tǒng)的30節(jié)點(diǎn)和37節(jié)點(diǎn)分別接入風(fēng)電場(chǎng)來替換節(jié)點(diǎn)原有的常規(guī)發(fā)電機(jī)組。風(fēng)電場(chǎng)出力的歷史數(shù)據(jù)來源于德國某電力公司控制區(qū)域內(nèi)風(fēng)電場(chǎng)15 min級(jí)平均功率序列[21]。服從正態(tài)分布的節(jié)點(diǎn)功率隨機(jī)變量參數(shù)見表1。

表1 概率負(fù)荷的參數(shù)

Tab.1 Parameters of probabilistic load

節(jié)點(diǎn)有功功率無功功率均值(pu)標(biāo)準(zhǔn)差(%)均值(pu)標(biāo)準(zhǔn)差(%)33.225.40.025.4181.587.20.307.2252.244.60.474.3261.396.70.176.73911.041.12.501.2

4.1 算法的收斂速度比較

根據(jù)MCMC理論，在經(jīng)過N次采樣迭代后舍去前M次采樣值(也稱為“退火”)得到的馬爾科夫鏈?zhǔn)諗坑谄椒€(wěn)分布。目前有很多可以驗(yàn)證MCMC算法是否收斂的方法。本文所用MCMC收斂性判定方法為Gelman-Rubin(G-R)診斷方法[22，23]，即

(14)

應(yīng)用本文所提方法對(duì)含有風(fēng)電場(chǎng)概率模型的IEEE 39節(jié)點(diǎn)系統(tǒng)進(jìn)行概率潮流計(jì)算。切片采樣和Gibbs采樣分別對(duì)每個(gè)風(fēng)電場(chǎng)出力分布和負(fù)荷功率分布進(jìn)行5 000次采樣，前2 000次用于“退火”。圖3給出了概率潮流計(jì)算后3號(hào)節(jié)點(diǎn)電壓幅值V和相角θ馬爾科夫鏈的G-R收斂性診斷比較結(jié)果。其中每個(gè)輸出隨機(jī)變量均由5條相互獨(dú)立的馬爾科夫鏈組成。由圖3可以得出，切片采樣法僅經(jīng)過1 400次采樣(“退火”后)就可達(dá)到收斂，而Gibbs采樣法卻要進(jìn)行2 600次采樣(“退火”后)才能收斂?？梢姡衅蓸臃ǖ氖諗克俣纫煊贕ibbs采樣法。

圖3 兩種采樣方法的Gelman-Rubin診斷比較Fig.3 Comparison of Gelman-Rubin diagnostics for the two sampling methods

4.2 算法的穩(wěn)定性比較

以3號(hào)節(jié)點(diǎn)電壓幅值V為例對(duì)切片采樣算法和Gibbs采樣算法的穩(wěn)定性進(jìn)行比較。圖4和圖5分別為兩種采樣算法經(jīng)過5次獨(dú)立計(jì)算得出的電壓幅值期望E[fV(x)]的收斂曲線。

圖4 切片采樣生成的E[fV(x)]的收斂曲線Fig.4 Convergence plot of E[fV(x)] by slice sampling

圖5 Gibbs采樣生成的E[fV(x)]的收斂曲線Fig.5 Convergence plot of E[fV(x)] by Gibbs sampling

由圖4和圖5可以看出：在每條鏈?zhǔn)諗恐埃衅蓸铀惴ǖ贸龅?條馬爾科夫鏈的期望收斂曲線彼此差距較小，而Gibbs采樣算法得出的期望收斂曲線波動(dòng)范圍比較大；在所有鏈?zhǔn)諗恐螅衅蓸臃ǖ贸龅拿織l馬爾科夫鏈期望的最終收斂值非常接近，而Gibbs采樣算法得出的每條鏈的最終收斂值彼此相差比較大。由此可知，切片采樣算法在整個(gè)采樣過程中的穩(wěn)定性都強(qiáng)于Gibbs采樣算法。

4.3 算法的準(zhǔn)確度比較

為了量化分析兩種采樣算法的計(jì)算準(zhǔn)確度，假設(shè)采用Gibbs采樣算法進(jìn)行105 000次迭代計(jì)算，前5 000次用于“退火”，后100 000次采樣結(jié)果作為精確值，計(jì)算出的節(jié)點(diǎn)電壓V(相角θ)期望和標(biāo)準(zhǔn)差分別用μV(θ),accurate和σV(θ),accurate表示。同樣地，用μV(θ),simulated和σV(θ),simulated表示“退火”后在采樣3 000次的情況下輸出的隨機(jī)變量的期望和方差。輸出隨機(jī)變量的準(zhǔn)確度可以用其期望值和標(biāo)準(zhǔn)差的相對(duì)誤差來衡量[24]。

(15)

(16)

表2給出了兩種采樣方法分別計(jì)算得出的節(jié)點(diǎn)電壓幅值和相角的期望和標(biāo)準(zhǔn)差的相對(duì)誤差平均值。從表2可知，在采樣3 000次的情況下，切片采樣算法計(jì)算出的各相對(duì)誤差平均值遠(yuǎn)小于Gibbs采樣算法得出的各相對(duì)誤差平均值，由此說明了本文所提方法的精確性。

表2 輸出隨機(jī)變量的誤差均值比較

Tab.2 Average error comparisons of output random variables

算法εV,μ(%)εV,σ(%)εθ,μ(%)εθ,σ(%)Gibbs最大值0.0476.2182.0675.877均值0.0092.3491.1023.681切片采樣最大值2.7×10-43.9580.0363.375均值2.3×10-41.9140.0111.962

5 結(jié)論

本文提出了一種基于切片采樣算法的改進(jìn)MCMC方法，并用于風(fēng)力發(fā)電并網(wǎng)系統(tǒng)概率潮流計(jì)算中。與傳統(tǒng)MCMC方法相比，引入輔助變量的切片采樣方法能夠顯著提高M(jìn)CMC方法的計(jì)算準(zhǔn)確度。同時(shí)，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。通過對(duì)含有風(fēng)電場(chǎng)概率模型的IEEE 39節(jié)點(diǎn)系統(tǒng)進(jìn)行仿真，驗(yàn)證了本文提出方法的精確性和有效性。

[1] 陳謙，陳霄逸，金宇清，等.基于混合儲(chǔ)能的大型風(fēng)電場(chǎng)優(yōu)化控制[J].電力自動(dòng)化設(shè)備，2015，35(4)：70-76. Chen Qian，Chen Xiaoyi，Jin Yuqing，et al.Optimal control of large-scale wind farm based on hybrid energy storage[J].Electric Power Automation Equipment，2015，35(4)：70-76.

[2] 金海峰，吳濤.風(fēng)電接入系統(tǒng)后的電壓穩(wěn)定問題[J].電力自動(dòng)化設(shè)備，2010，30(9)：82-84. Jin Haifeng，Wu Tao.Voltage stability after grid-connection of wind farm[J].Electric Power Automation Equipment，2010，30(9)：82-84.

[3] Borkowska B.Probabilistic load flow[J].IEEE Transactions on Power Apparatus and Systems，1974，93(3)：752-759.

[4] Oke O A，Thomas D W P.Enhanced cumulant method for probabilistic power flow in systems with wind generation[C]//11th International Conference on Environment and Electrical Engineering (EEEIC)，Venice，Italy，2012：849-853.

[5] 董雷，楊以涵，張傳成，等.綜合考慮網(wǎng)絡(luò)結(jié)構(gòu)不確定性的概率潮流計(jì)算方法[J].電工技術(shù)學(xué)報(bào)，2012，27(1)：210-216. Dong Lei，Yang Yihan，Zhang Chuancheng，et al.Probabilistic load flow considering network configuration uncertainties[J].Transactions of China Electrotechnical Society，2012，27(1)：210-216.

[6] Saunders C S.Point estimate method addressing correlated wind power for probabilistic optimal power flow[J].IEEE Transactions on Power Systems，2014，29(3)：1045-1054.

[7] 吳巍，汪可友，韓蓓，等.基于Pair Copula的隨機(jī)潮流三點(diǎn)估計(jì)法[J].電工技術(shù)學(xué)報(bào)，2015，30(9)：121-128. Wu Wei，Wang Keyou，Han Bei，et al.Pair Copula based three-point estimate method for probabilistic load flow calculation[J].Transactions of China Electrotechnical Society，2015，30(9)：121-128.

[8] 蔡德福，石東源，陳金富.基于Copula理論的計(jì)及輸入隨機(jī)變量相關(guān)性的概率潮流計(jì)算[J].電力系統(tǒng)保護(hù)與控制，2013，41(20)：13-19. Cai Defu，Shi Dongyuan，Chen Jinfu.Probabilistic load flow considering correlation between input random variables based on Copula theory[J].Power System Protection and Control，2013，41(20)：13-19.

[9] Zhen S，Panida J，Armando M，et al.Accelerated state evaluation and Latin hypercube sequential sampling for composite system reliability assessment[J].IEEE Transactions on Power Systems，2014，29(4)：1692-1700.

[10]茆美琴，周松林，蘇建徽.基于風(fēng)光聯(lián)合概率分布的微電網(wǎng)概率潮流預(yù)測(cè)[J].電工技術(shù)學(xué)報(bào)，2014，29(2)：55-63. Mao Meiqin，Zhou Songlin，Su Jianhui.Probabilistic power flow forecasting of microgrid based on joint probability distribution about wind and irradiance[J].Transactions of China Electrotechnical Society，2014，29(2)：55-63.

[11]石文輝，別朝紅，王錫凡.大型電力系統(tǒng)可靠性評(píng)估中的馬爾可夫鏈蒙特卡洛方法[J].中國電機(jī)工程學(xué)報(bào)，2008，28(4)：9-15. Shi Wenhui，Bie Chaohong，Wang Xifan.Applications of Markov Chain Monte Carlo in large-scale system reliability evaluation[J].Proceedings of the CSEE，2008，28(4)：9-15.

[12]James C S.Estimation via Markov Chain Monte Carlo[J].IEEE Control System Magazine，2003，23(2)：35-45.

[13]Muller O，Yang M Y，Rosenhahn B.Slice sampling particle belief propagation[C]//International Conference on Computer Vision，Sydney，2013：1129-1136.

[14]Neal R M.Slice sampling[J].Annals of Statistics，2003，31(3)：705-767.

[15]戎曉雪，別朝紅，石文輝，等.考慮風(fēng)電場(chǎng)相關(guān)性的含風(fēng)電電力系統(tǒng)隨機(jī)潮流分析[J].電網(wǎng)技術(shù)，2014，38(8)：2161-2167. Rong Xiaoxue，Bie Chaohong，Shi Wenhui，et al.Analysis on probabilistic load flow in power gird integrated with wind farms considering correlativity among different wind farms[J].Power System Technology，2014，38(8)：2161-2167.

[16]于鵬，黎靜華，文勁宇，等.含風(fēng)電功率時(shí)域特性的風(fēng)電功率序列建模方法[J].中國電機(jī)工程學(xué)報(bào)，2014，34(22)：3715-3723. Yu Peng，Li Jinghua，Wen Jinyu，et al.A wind power time series modeling method based on its time domain characteristics[J].Proceedings of the CSEE，2014，34(22)：3715-3723.

[17]藺紅，孫立成，常喜強(qiáng).新疆風(fēng)電出力波動(dòng)特性的概率建模[J].電網(wǎng)技術(shù)，2014，38(6)：1616-1620.Lin Hong，Sun Licheng，Chang Xiqiang.A probabilistic model to simulate wind power output fluctuation of a certain wind farm cluster in Xinjiang region[J].Power System Technology，2014，38(6)：1616-1620.

[18]Dempster A P，Laird N M，Rubin D B.Maximum likelihood from incomplete data via the EM algorithm[J].Journal of the Royal Statistical Society，1977，39(1)：1-38.

[19]王平波，蔡志明，劉旺鎖.混合高斯概率密度模型參數(shù)的期望最大化估計(jì)[J].聲學(xué)技術(shù)，2007，26(3)：498-502. Wang Pingbo，Cai Zhiming，Liu Wangsuo.EM estimation of PDF parameters for Gaussian mixture processes[J].Technical Acoustics，2007，26(3)：498-502.

[20]Besag J，Green P J.Spatial statistics and Bayesian computation[J].Journal of the Royal Statistical Society，1993，55(1)：25-37.

[21]50Hertz Transmission GmbH.Grid data[DB/OL].[2013-07-14].http：//www.50hertz.com/en/Netzkennz ahlen.htm.

[22]Gelman A，Rubin D.Inference from iterative simulation using multiple sequences[J].Statistical Science，1992，7(4)：457-511.

[23]Bocquel M，Papi F，Podt M，et al.Multitarget tracking with multiscan knowledge exploitation using sequential MCMC sampling[J].IEEE Journal of Selected Topics in Signal Processing，2013，7(3)：532-542.

[24]Chen Y，Wen Jinyu，Cheng Shijie.Probabilistic load flow method based on Nataf transformation and Latin hypercube sampling[J].IEEE Transactions on Sustainable Energy，2013，4(2)：294-301.

Probabilistic Load Flow Calculation Based on Slice Sampling for Wind Farms Integration System

Zhang Xiaoying1Wang Kun1Zhang Labao2

(1.College of Electrical and Information Engineering Lanzhou University of Technology Lanzhou 730050 China 2.School of Electronic Science and Engineering Nanjing University Nanjing 210093 China)

Gibbs sampling algorithm that is widely used in Markov Chain Monte Carlo (MCMC) simulation method suffers from complicated sampling iterations when accurate results from probabilistic load flow is required.According to the defect，an improved MCMC method based on Slice sampling is proposed in this paper and is integrated into probabilistic load flow algorithm for wind farms integration system.The probabilistic model of wind farm outputs is firstly constructed by weighted Gaussian mixture distribution (WGMD).Then，the sample space of wind farm outputs is obtained by Slice sampling from the WGMD of wind farm outputs.Finally，the samples from the sample space of wind farm outputs are calculated by load flow and the results of these two sampling methods are compared in IEEE 39-bus system.It is shown that the proposed method can distinctly improve the calculation accuracy of MCMC method.Additionally，the Markov Chain generated by Slice sampling can reach a stationary distribution more quickly and stably than Gibbs sampling with the same iterations.

Wind farms integration，probabilistic load flow，slice sampling，Gibbs sampling，Markov Chain Monte Carlo simulation method

國家自然科學(xué)基金資助項(xiàng)目(51267012)。

2015-07-10 改稿日期2015-12-08

TM712

張曉英 女，1973年生，碩士，副教授，研究方向?yàn)殡娏ο到y(tǒng)電壓穩(wěn)定性。

E-mail：245659219@qq.com(通信作者)

王 琨 男，1988年生，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)分析與穩(wěn)定控制。

E-mail：471943808@qq.com