章立宗，張鋒明，蔣正威，沈 祥，余 杰，金學(xué)奇，程天石，蔣 瑋

（1.國網(wǎng)浙江省電力有限公司紹興供電公司，浙江 紹興 312000；2.東南大學(xué)，南京 210096）

0 引言

隨著配電網(wǎng)的迅速發(fā)展，電網(wǎng)運(yùn)行的方式和特征發(fā)生了很大變化。配電網(wǎng)中存在著各種各樣的分布式光伏發(fā)電，其功率的波動(dòng)性、間歇性十分明顯。由于配電網(wǎng)潮流流向的不確定性更大，使得電壓分布情況與傳統(tǒng)輻射狀配電網(wǎng)有較大不同，不僅有可能因?yàn)樨?fù)荷和發(fā)電出力波動(dòng)導(dǎo)致低電壓，還有很大可能由于分布式發(fā)電有功出力的增加而導(dǎo)致電壓過高[1-13]。因此，研究含分布式光伏的配電網(wǎng)系統(tǒng)的電壓風(fēng)險(xiǎn)評(píng)估技術(shù)，對(duì)配電網(wǎng)規(guī)劃、調(diào)度和檢修等業(yè)務(wù)具有很大意義[13]。

由于配電網(wǎng)中負(fù)荷和光伏發(fā)電量存在隨機(jī)性波動(dòng)，傳統(tǒng)配電自動(dòng)化系統(tǒng)中確定性潮流計(jì)算功能不能滿足配電網(wǎng)系統(tǒng)電壓風(fēng)險(xiǎn)分析需求。而概率潮流計(jì)算技術(shù)能夠綜合考慮各種不確定性因素對(duì)系統(tǒng)運(yùn)行穩(wěn)定性的影響，進(jìn)而對(duì)運(yùn)行薄弱點(diǎn)和潛在風(fēng)險(xiǎn)進(jìn)行全面分析，因此更適用于配電網(wǎng)電壓風(fēng)險(xiǎn)評(píng)估。概率潮流計(jì)算可分為兩大類方法：解析法和隨機(jī)模擬法。解析法主要關(guān)注如何利用隨機(jī)變量間的關(guān)系進(jìn)行卷積計(jì)算得到狀態(tài)量的概率分布，即核心在于有效處理復(fù)雜的卷積計(jì)算[13]。在卷積計(jì)算的過程中，往往會(huì)做一些近似處理。在已知注入概率分布的情況下，可以通過卷積計(jì)算得到待求狀態(tài)變量的概率密度函數(shù)。但對(duì)于多元線性方程的卷積計(jì)算量十分龐大，因此限制了使用。相比之下，隨機(jī)模擬方法則易于計(jì)算機(jī)計(jì)算和實(shí)現(xiàn)。隨機(jī)模擬法的主要方法之一是基于蒙特卡洛模擬。文獻(xiàn)[4]采用蒙特卡洛模擬法，根據(jù)網(wǎng)絡(luò)中元件的概率模型進(jìn)行隨機(jī)抽樣，通過前推回代法進(jìn)行隨機(jī)試驗(yàn)，方便利用計(jì)算機(jī)得到潮流以及電壓的概率分布，但僅僅得到了系統(tǒng)電壓越限的總概率，不能全面評(píng)估過電壓或低電壓風(fēng)險(xiǎn)，并且蒙特卡洛模擬需要做大量隨機(jī)試驗(yàn)才可以達(dá)到一定精度，傳統(tǒng)計(jì)算平臺(tái)上無法滿足大規(guī)模配電網(wǎng)電壓風(fēng)險(xiǎn)蒙特卡洛模擬的計(jì)算速度要求。隨著大數(shù)據(jù)技術(shù)的迅速發(fā)展，以Hadoop Mapreduce和Spark為代表的分布式計(jì)算模型，使得利用大規(guī)模計(jì)算集群實(shí)現(xiàn)并行計(jì)算變得更加容易[13-17]。目前這些分布式計(jì)算平臺(tái)已在互聯(lián)網(wǎng)、金融和交通等領(lǐng)域得到了良好的應(yīng)用，也為大規(guī)模概率潮流問題的并行計(jì)算和性能提升提供了成熟的解決方案。

下面以光伏和負(fù)荷波動(dòng)對(duì)節(jié)點(diǎn)電壓波動(dòng)的影響作為主要研究目標(biāo)，利用Apache Spark分布式計(jì)算框架構(gòu)建了分布式并行蒙特卡洛概率潮流算法，采用非參數(shù)的核密度估計(jì)方法對(duì)概率潮流得到的電壓分布進(jìn)行分布擬合，從而得到配電網(wǎng)全面的潮流概率分布情況。試驗(yàn)結(jié)果證明，提出的電壓風(fēng)險(xiǎn)評(píng)估方法可以利用概率密度反映配電網(wǎng)中分布式電源以及負(fù)荷波動(dòng)對(duì)電壓波動(dòng)造成的影響，為電壓調(diào)控提供了數(shù)據(jù)支撐，提出的分布式并行算法相對(duì)于串行算法，可獲得極大的性能提升，具有較高的工程應(yīng)用價(jià)值。

1 基于概率潮流的電壓風(fēng)險(xiǎn)評(píng)估

1.1 負(fù)荷與光伏概率模型

與確定性潮流計(jì)算不同，參與概率潮流計(jì)算的是用戶負(fù)荷與光伏發(fā)電系統(tǒng)出力的概率分布。文中用戶負(fù)荷有功功率采用正態(tài)分布的隨機(jī)變量表示，其概率密度如下：

LL學(xué)期望，由用戶的歷史負(fù)荷數(shù)據(jù)統(tǒng)計(jì)得到。

光伏發(fā)電的功率輸出情況與光照強(qiáng)度密切相關(guān)，其有功功率計(jì)算如下[13]：

式中：Ac為太陽能方陣面積；η為光伏電池轉(zhuǎn)換效率；s為陰影系數(shù)；kt為光照強(qiáng)度，是隨機(jī)變量，其概率分布取決于當(dāng)?shù)貧庀髼l件。通常情況，光伏發(fā)電輸出功率為純有功，即功率因數(shù)為1。

1.2 概率潮流蒙特卡洛模擬法

重點(diǎn)是電壓風(fēng)險(xiǎn)評(píng)估的并行分布式算法實(shí)現(xiàn)，所采用的概率潮流算法是先用牛頓拉夫遜法再采用線性方程組計(jì)算方法進(jìn)行求解[5]。

電力系統(tǒng)潮流方程為：

式中：x={V，θ}，V為節(jié)點(diǎn)電壓幅值向量；θ為電壓相角向量。f（x）為除平衡節(jié)點(diǎn)外的各節(jié)點(diǎn)注入功率平衡方程，可表示為：

將 f（x+dx）在 x=x′處一階泰勒展開， 得到：

式中：x′為迭代初值；J=df/dx，dx為偏差向量。

這樣，就將非線性方程組f（x）=0的求解轉(zhuǎn)化為對(duì)線性方程組Jdx=0的迭代求解。對(duì)于配電網(wǎng)概率潮流，若以上公式中的S′包含的負(fù)荷及光伏等隨機(jī)變量通過隨機(jī)抽樣的方法得到隨機(jī)值，再代入方程計(jì)算，得到的結(jié)果便是考慮負(fù)荷波動(dòng)以及光伏發(fā)電特性的概率潮流分布。

采用如下步驟進(jìn)行隨機(jī)抽樣：

（1）構(gòu)建隨機(jī)負(fù)荷和光伏發(fā)電模型，根據(jù)概率模型生成負(fù)荷和光照強(qiáng)度曲線。

（2）在某一時(shí)段T內(nèi)隨機(jī)抽取時(shí)刻t，根據(jù)概率模型和曲線計(jì)算t時(shí)刻負(fù)荷和光伏的注入功率。（3）將所有負(fù)荷及光伏發(fā)電系統(tǒng)出力抽樣數(shù)據(jù)代入上述潮流計(jì)算公式，獲得一批包含節(jié)點(diǎn)電壓分布的潮流計(jì)算結(jié)果。

1.3 電壓風(fēng)險(xiǎn)評(píng)估方法

通過蒙特卡洛模擬計(jì)算概率潮流，能夠得到節(jié)點(diǎn)電壓分布的樣本。然而，電壓的分布很難用某種確定的概率模型擬合，因此提出采用KDE（核密度估計(jì)）這種非參數(shù)估計(jì)方法來處理，它不需要數(shù)據(jù)分布的先驗(yàn)知識(shí)，是一種從數(shù)據(jù)樣本自身出發(fā)，研究數(shù)據(jù)分布特征的方法[18-19]。

此處使用的核密度估計(jì)的擬合公式如下：

式中：xi為擬合樣本中的i號(hào)元素；n為數(shù)據(jù)樣本總數(shù)；h為擬合帶寬；K0為擬合用的核函數(shù)。

電壓分布一般是連續(xù)而平滑的，適合采用高斯核函數(shù)擬合：

式中：x為高斯核函數(shù)擬合的隨機(jī)變量；σ為隨機(jī)變量的標(biāo)準(zhǔn)差；為隨機(jī)變量的期望值。

由于h帶寬的確定決定了擬合曲線平緩成度，因此采用t經(jīng)驗(yàn)公式計(jì)算[20]：

通過上述步驟得到由電壓分布數(shù)據(jù)擬合的近似概率密度函數(shù)，可計(jì)算電壓處于任意取值區(qū)間的概率。進(jìn)而可得節(jié)點(diǎn)電壓x在（a，b）取值區(qū)間內(nèi)的概率計(jì)算公式如下：

設(shè)定電壓上下限閾值，在閾值范圍內(nèi)的認(rèn)為電壓合格，范圍之外為不合格，即存在風(fēng)險(xiǎn)。電壓合格率計(jì)算如式（10）所示：

根據(jù)電壓合格率，可得電壓風(fēng)險(xiǎn)概率：

2 基于Spark的分布式并行電壓風(fēng)險(xiǎn)評(píng)估

2.1 基于Apache Spark的分布式計(jì)算框架

依據(jù)大數(shù)據(jù)處理平臺(tái)與應(yīng)用組件的功能[13]，結(jié)合概率潮流計(jì)算的實(shí)際需求，搭建了具備數(shù)據(jù)存儲(chǔ)與查詢、多源數(shù)據(jù)結(jié)構(gòu)重構(gòu)、并行計(jì)算等功能的Apache Spark分布式計(jì)算框架，其基本架構(gòu)如圖1所示，采用分層結(jié)構(gòu)，分為數(shù)據(jù)存儲(chǔ)層、分布式計(jì)算層和高級(jí)應(yīng)用層。

圖1 分布式計(jì)算框架

此框架結(jié)合了Hadoop和Spark技術(shù)，利用Spark對(duì)Hadoop的高度兼容性，由Hadoop架構(gòu)承擔(dān)Spark的底層運(yùn)算，進(jìn)行任務(wù)分配和并行計(jì)算，Spark則作為其上層的優(yōu)化，實(shí)現(xiàn)基于RDD（彈性分布式數(shù)據(jù)集）的內(nèi)存計(jì)算。RDD是Spark使用的抽象類，作為Spark分布式并行計(jì)算的算子，基于Spark的操作實(shí)際上都是基于對(duì)RDD的操作實(shí)現(xiàn)的。對(duì)RDD的操作主要包括Transformation（轉(zhuǎn)換）和 Action（提交）兩類，Transformation不觸發(fā)提交作業(yè)，而是對(duì)數(shù)據(jù)集進(jìn)行計(jì)算和轉(zhuǎn)換，生成包含中間計(jì)算結(jié)果的新RDD。由Action觸發(fā)提交分布式計(jì)算作業(yè)，得到最終結(jié)果。

2.2 算法實(shí)現(xiàn)

由于蒙特卡洛概率潮流算法的計(jì)算精度依賴于抽樣次數(shù)，只有當(dāng)抽樣次數(shù)足夠多時(shí)才能保證得到滿意精度的結(jié)果，因此當(dāng)利用該方法進(jìn)行大規(guī)模的抽樣模擬時(shí)，計(jì)算量將很大且耗時(shí)過長(zhǎng)，這就需要對(duì)蒙特卡洛模擬法進(jìn)行并行化處理[13-24]。

利用蒙特卡洛概率潮流算法的并行化對(duì)含光伏配電網(wǎng)電壓進(jìn)行風(fēng)險(xiǎn)評(píng)估的計(jì)算流程如圖2所示。整個(gè)評(píng)估模型都建立在基于Apache Spark的分布式計(jì)算架構(gòu)上，將配電網(wǎng)網(wǎng)絡(luò)結(jié)構(gòu)信息、分布式電源數(shù)據(jù)等海量數(shù)據(jù)轉(zhuǎn)存至HDFS（分布式文件系統(tǒng)）中，利用Transformation-Action算子將蒙特卡洛模擬算法并行化，使得算法能依托Spark技術(shù)的存儲(chǔ)和計(jì)算能力，實(shí)現(xiàn)配電網(wǎng)電壓風(fēng)險(xiǎn)評(píng)估的快速計(jì)算。其并行計(jì)算的具體步驟如下：

首先將包含配電網(wǎng)節(jié)點(diǎn)、支路、注入功率等網(wǎng)絡(luò)信息的數(shù)據(jù)對(duì)象保存至HDFS文件系統(tǒng)，根據(jù)樣本的大小確定隨機(jī)試驗(yàn)次數(shù)M。再生成隨機(jī)數(shù)，模擬光伏發(fā)電量和負(fù)荷的不確定性。然后從HDFS中讀入數(shù)據(jù)，構(gòu)造RDD對(duì)象，調(diào)用Parallelize算子生成并行集合RDD，并由Map函數(shù)拆分成若干個(gè)任務(wù)下發(fā)給分布式集群的N個(gè)計(jì)算線程，每個(gè)線程的試驗(yàn)次數(shù)為M/N。

其中，各計(jì)算線程每次的Transformation任務(wù)均相同，又由于線路連接關(guān)系不變，則導(dǎo)納矩陣等輸入?yún)?shù)不必再重復(fù)生成，只需在第一次運(yùn)行時(shí)生成。對(duì)于光伏功率和負(fù)荷變量，按照其對(duì)應(yīng)的隨機(jī)分布生成隨機(jī)數(shù)，代入修改網(wǎng)絡(luò)中的相應(yīng)值，再進(jìn)行牛頓-拉夫遜潮流計(jì)算，并以鍵值對(duì)的形式保存<節(jié)點(diǎn)，電壓>信息。再利用groupByKey按指定的key對(duì)相同key值的鍵值對(duì)進(jìn)行合并，獲得該線程下的節(jié)點(diǎn)電壓情況。由前述可知，當(dāng)Action被提交后，Transformation操作才會(huì)被執(zhí)行。 此時(shí)，利用 filter（）.collect（）可得到整個(gè)隨機(jī)試驗(yàn)中各節(jié)點(diǎn)的電壓分布情況，對(duì)節(jié)點(diǎn)進(jìn)行核密度估計(jì)，分析線路的潮流分布，完成對(duì)電壓風(fēng)險(xiǎn)的評(píng)估。

圖2 并行化蒙特卡洛概率潮流計(jì)算流程

值得注意的是，在模擬隨機(jī)數(shù)時(shí)，由于計(jì)算機(jī)主要依靠偽隨機(jī)數(shù)生成算法產(chǎn)生隨機(jī)數(shù)。一般默認(rèn)的隨機(jī)數(shù)種子是系統(tǒng)時(shí)間，這導(dǎo)致兩個(gè)計(jì)算節(jié)點(diǎn)在同一時(shí)間的隨機(jī)數(shù)種子可能是一樣的，隨機(jī)數(shù)生成序列相同，則仿真次數(shù)相同的情況下，這兩個(gè)線程的仿真結(jié)果將完全一致，從而影響并行仿真的結(jié)果。為了使得并行仿真結(jié)果與串行仿真一致，可采用在每個(gè)線程設(shè)置獨(dú)立的隨機(jī)數(shù)生成器的方法，為每個(gè)線程設(shè)置唯一的整數(shù)編號(hào)pi，然后在每個(gè)線程中按照式（12）計(jì)算并設(shè)置隨機(jī)數(shù)種子，使得隨機(jī)數(shù)生成器之間不再具有相關(guān)性：

3 算例測(cè)試

采用文獻(xiàn)[25]提出的15節(jié)點(diǎn)含分布式發(fā)電配電網(wǎng)作為仿真算例的基礎(chǔ)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其中的發(fā)電機(jī)均為分布式光伏電站。將其中的光伏發(fā)電機(jī)功率因數(shù)設(shè)定為1，利用圖4所示晴朗天氣典型的光照強(qiáng)度曲線，作為光伏發(fā)電光照隨機(jī)變量輸入。

圖3 算例網(wǎng)絡(luò)結(jié)構(gòu)

圖4 日光照強(qiáng)度曲線

負(fù)荷服從正態(tài)分布，在平均負(fù)荷上下波動(dòng)，分為輕載情況和重載情況，輕載時(shí)平均負(fù)荷有功11.185 MW，重載時(shí)有功平均44.742 MW。高壓側(cè)設(shè)定為110 kV，其他參數(shù)均采用文獻(xiàn)[15]的參數(shù)。

概率潮流計(jì)算時(shí)間周期定為1天，仿真次數(shù)10 000次。計(jì)算結(jié)果如圖5所示。

圖5中，豎線標(biāo)明了節(jié)點(diǎn)電壓分布范圍，線段兩邊的陰影表示對(duì)節(jié)點(diǎn)電壓統(tǒng)計(jì)分布進(jìn)行核密度估計(jì)后的概率密度函數(shù)，圓點(diǎn)則是接入額定光伏容量發(fā)電機(jī)后的網(wǎng)絡(luò)電壓分布。從計(jì)算結(jié)果中可以明顯看到，大容量光伏電源接入對(duì)電壓波動(dòng)影響很大，呈兩極分化形勢(shì)，夜間光伏發(fā)電為0，因此電壓處于豎線低端的概率較高。根據(jù)國家相關(guān)標(biāo)準(zhǔn)，20 kV以下三相供電偏差為標(biāo)稱電壓±7%，對(duì)結(jié)果擬合后，采用式（9）—（11）所述方法計(jì)算電壓風(fēng)險(xiǎn)概率，得到個(gè)節(jié)點(diǎn)電壓風(fēng)險(xiǎn)情況如表1所示。

圖5 節(jié)點(diǎn)電壓概率分布提琴

表1 各節(jié)點(diǎn)電壓風(fēng)險(xiǎn)統(tǒng)計(jì)

輕載情況下，負(fù)荷和光伏發(fā)電最大輸出功率相當(dāng)，理想情況是光伏可以承擔(dān)主要的供電任務(wù)。然而，圖5（a）表明在光伏接近滿載時(shí)，將極大地提高節(jié)點(diǎn)的電壓水平，在饋線1上的3—11節(jié)點(diǎn)均存在25%在左右的電壓越限風(fēng)險(xiǎn)，重載時(shí)電壓整體比輕載時(shí)低；圖5（b）表明由于一天大部分時(shí)間光照并不在峰值，光伏出力很低，因此對(duì)電壓的支撐作用很小，低電壓風(fēng)險(xiǎn)較大，需要附加調(diào)節(jié)手段才能維持電壓。然而光伏出力達(dá)到峰值時(shí)又會(huì)造成電壓升高，給電壓調(diào)節(jié)帶來許多困難。相比之下沒有分布式電源的饋線2從高壓母線取電，電壓波動(dòng)較小。可見若要保證運(yùn)行安全和電能質(zhì)量，則需要限制光伏容量，使得光伏電站無法充分利用。這反映了目前配電網(wǎng)光伏消納調(diào)控能力較弱的現(xiàn)實(shí)情況。

算法程序在四核i7 7700HQ 2.8～3.5 GHz CPU（中央處理器），8G DDR4 2400 MHz內(nèi)存的臺(tái)式計(jì)算機(jī)上進(jìn)行了性能測(cè)試，并行算法配置8個(gè)并行任務(wù)同時(shí)計(jì)算，而串行任務(wù)則不使用并行計(jì)算，仿真性能對(duì)比見表2。

表2 并行計(jì)算結(jié)果

在仿真次數(shù)約2 000次左右時(shí)，加速比達(dá)到2.5左右，仿真10 000次，加速比已接近4，仿真20 000次，由于利用了超線程技術(shù)，加速比超出理論為4的加速比，達(dá)到了4.21，可見此處的分布式并行算法可以充分發(fā)揮多核CPU的性能來加速概率潮流計(jì)算。說明利用Spark RDD算子可實(shí)現(xiàn)蒙特卡洛模擬的并行算法的確帶來了極大的性能提升，具有廣闊的應(yīng)用前景。

4 含光伏配電網(wǎng)電壓校正方案

目前，以可再生能源為主體的第三代電力系統(tǒng)是電網(wǎng)未來的發(fā)展趨勢(shì)，而光伏能源作為可再生能源的主體，其在電網(wǎng)的滲透率必將逐步提高。文中第3小節(jié)電壓質(zhì)量分析算例的結(jié)果表明由于光伏電源在白天與夜間出力落差較大，導(dǎo)致包含分布式光伏電源的饋線1在白天存在電壓越上限，晚上存在電壓越下限的風(fēng)險(xiǎn)。下面針對(duì)這一問題，在算例的網(wǎng)絡(luò)結(jié)構(gòu)中分別加入了SVC（靜止無功補(bǔ)償器）以及SVG（靜止無功發(fā)生器）以實(shí)現(xiàn)網(wǎng)絡(luò)薄弱環(huán)節(jié)（即饋線1）各節(jié)點(diǎn)的電壓校正。

4.1 基于靜止無功補(bǔ)償器的電壓控制

利用SVC來改善電壓質(zhì)量和提高電力系統(tǒng)在小干擾和大干擾下的穩(wěn)定性，已獲得較為廣泛的應(yīng)用。TCR（基于晶閘管相控電抗器）型SVC可以從電力網(wǎng)吸收或向電網(wǎng)輸送可連續(xù)調(diào)節(jié)的無功功率，從而維持電網(wǎng)電壓的穩(wěn)定。

在夜間光照強(qiáng)度為0的情況下，由于線路壓降導(dǎo)致算例網(wǎng)絡(luò)中饋線1末端電壓偏低，超過電壓偏差標(biāo)準(zhǔn)。在饋線1線路末端（節(jié)點(diǎn)10）接入靜止無功補(bǔ)償器，在SVC向電網(wǎng)輸出無功1.5 kvar情況下，得到的調(diào)壓結(jié)果如圖6所示。

圖6 靜止無功補(bǔ)償器夜間調(diào)壓結(jié)果

在光照處于峰值時(shí)，由于分布式光伏電源的容量較大，算例網(wǎng)絡(luò)中饋線1上的節(jié)點(diǎn)電壓整體偏高，超過了電壓偏差的上限。在饋線1線路末端（節(jié)點(diǎn)10）接入靜止無功補(bǔ)償器，在吸收電網(wǎng)無功1.5 kvar的情況下，電壓調(diào)整的結(jié)果如圖7所示。

由圖7可知，在節(jié)點(diǎn)10接入SVC可以將線路電壓調(diào)節(jié)至安全范圍之內(nèi)。仿真結(jié)果表明，在含光伏配電網(wǎng)的薄弱環(huán)節(jié)末端加入滿足調(diào)整范圍的SVC可以以無功補(bǔ)償?shù)姆绞匠C正線路上各節(jié)點(diǎn)的電壓。

圖7 線路末端接入固定電容器調(diào)壓結(jié)果

4.2 基于靜止無功發(fā)生器的電壓控制

SVC雖然可以對(duì)系統(tǒng)無功進(jìn)行有效補(bǔ)償，但是由于換流元件晶閘管關(guān)斷不可控，因而容易產(chǎn)生較大的諧波電流。隨著大功率全控型電力電子器件IGBT（絕緣柵雙極型晶體管）的出現(xiàn)，SVG在反映速度、無功補(bǔ)償性能方面較SVC有很大提升。下面的仿真實(shí)驗(yàn)將SVG接入電網(wǎng)薄弱環(huán)節(jié)（節(jié)點(diǎn)10），選取日照強(qiáng)度為最大值與日照強(qiáng)度為最小值兩種極端情況分別進(jìn)行潮流計(jì)算，得到的結(jié)果如圖8所示。

圖8表明在節(jié)點(diǎn)10接入SVG后，可以在光照強(qiáng)度不穩(wěn)定的情況下校正線路上的節(jié)點(diǎn)電壓，實(shí)驗(yàn)中，SVG在夜間向配電網(wǎng)發(fā)出無功3.4 kvar，在光照強(qiáng)度最大時(shí)吸收電網(wǎng)無功2.3 kvar。實(shí)驗(yàn)證明了光伏發(fā)電與電力電子器件結(jié)合可以實(shí)現(xiàn)可再生能源的局部消納，并調(diào)節(jié)節(jié)點(diǎn)上的電壓。

5 結(jié)語

圖8 基于SVG節(jié)點(diǎn)電壓校正效果

隨著智能電網(wǎng)技術(shù)和光伏發(fā)電的快速發(fā)展，分布式電源以及形式多樣化的用電負(fù)荷將會(huì)占有更大的比重，從而改變傳統(tǒng)的電網(wǎng)運(yùn)行方式，鑒于此，在電網(wǎng)電壓風(fēng)險(xiǎn)評(píng)估中，針對(duì)分布式電源和用電負(fù)荷的隨機(jī)波動(dòng)性，首先分析了其概率特征，建立了光伏、用戶負(fù)荷的概率模型，對(duì)牛頓-拉夫遜潮流算法進(jìn)行擴(kuò)展，建立了蒙特卡洛模擬的概率潮流算法，提出了蒙特卡洛模擬評(píng)估電壓風(fēng)險(xiǎn)的指標(biāo)，并為了加快計(jì)算速度，提出了基于Spark Transformation和Action算子的并行蒙特卡洛模擬算法，重點(diǎn)討論了并行化實(shí)現(xiàn)以及并行偽隨機(jī)數(shù)生成問題，在Spark測(cè)試平臺(tái)上構(gòu)建了相應(yīng)應(yīng)用軟件，并對(duì)算例進(jìn)行了計(jì)算分析。結(jié)果證明，該算法可反映光伏和負(fù)荷波動(dòng)對(duì)配電網(wǎng)電壓波動(dòng)的影響，實(shí)現(xiàn)的并行算法軟件可獲得較高的加速比和并行效率，擁有較高的工程應(yīng)用價(jià)值，可為配電網(wǎng)的電壓調(diào)控提供有力的數(shù)據(jù)參考。