考慮光伏出力相關性的主動配電網薄弱環(huán)節(jié)識別

孫媛媛，程凱強2，，許慶燊，李道宇，李亞輝

（1. 山東大學電氣工程學院,山東省濟南市 250061；2. 國網揚州供電公司,江蘇省揚州市 225009）

0 引言

伴隨“雙碳”目標的大力推進以及鄉(xiāng)村振興戰(zhàn)略的貫徹落實,大量分布式光伏接入中低壓配電網,配電網呈現(xiàn)分布式光伏出力相關性顯著、電壓越限風險高和網架結構脆弱等特征［1-3］,配電網出現(xiàn)了受光伏出力相關性影響的高越限風險以及網架結構薄弱環(huán)節(jié),對供電可靠性和電能質量造成影響［4-5］。主動配電網的薄弱環(huán)節(jié)識別作為將配電網可靠性評估和網架結構優(yōu)化聯(lián)系起來的紐帶,提高識別精確性對提升配電網供電能力具有重要意義。

電力系統(tǒng)薄弱環(huán)節(jié)通常指因擾動或故障后對電力系統(tǒng)安全性影響較大的設備元件［6］,風險性評估是薄弱環(huán)節(jié)識別必須考慮的方面之一?，F(xiàn)有識別方法主要從狀態(tài)薄弱性和結構薄弱性兩方面展開。狀態(tài)薄弱性側重于電網長期運行面臨的越限風險,基于風險理論和潮流建立指標［7-8］；結構薄弱性側重于網架結構的拓撲脆弱程度,基于復雜網絡算法建立指標［9-11］。

目前,針對配電網薄弱環(huán)節(jié)的研究較少,基本是基于配電網運行層級的風險評估,基于統(tǒng)計數(shù)據對過載線路進行識別。文獻［12］基于配電網可靠性指標識別區(qū)域內的薄弱環(huán)節(jié)。文獻［13］針對重慶配電網重過載、線路分段不足、電纜化率低、缺少聯(lián)絡開關、同桿架設嚴重等問題定義了薄弱環(huán)節(jié)判別依據,進而通過統(tǒng)計數(shù)據進行識別。文獻［14］基于統(tǒng)計數(shù)據從供電能力、網架結構、電力設備等方面,分析了聊城市供電可靠性問題。綜上,當前薄弱性評估既沒有考慮分布式光伏出力相關性,也未深入到影響配電網安全可靠運行的元件層面。此類方法在實際工程中的應用以人的主觀經驗為主,沒有進一步分析薄弱環(huán)節(jié)對供電能力的影響。因此,考慮光伏出力相關性,將狀態(tài)薄弱性和結構薄弱性的評估細化至具體節(jié)點線路,準確提取薄弱特征,掌握配電網運行過程中各元件的越限風險及堅強程度,才能有效提高薄弱環(huán)節(jié)識別的工程指導意義。

針對上述問題,本文研究了考慮分布式光伏出力相關性的元件狀態(tài)薄弱和結構薄弱特征指標,提出了配電網薄弱環(huán)節(jié)的識別方法。基于Copula 理論分析光伏出力相關性,基于聯(lián)合分布拒絕采樣法建立了光伏出力相關場景；研究基于重復潮流的薄弱程度量化方法,結合風險理論和效用理論提出了元件狀態(tài)薄弱評估指標；考慮光伏出力相關性改進了結構薄弱評估指標,提出了線路供電薄弱度指標；基于最小二乘支持向量機（least squares support vector machine,LSSVM）綜合狀態(tài)薄弱性和結構薄弱性特征,搭建了配電網薄弱環(huán)節(jié)類型系統(tǒng)識別架構。

1 考慮光伏出力相關性的概率潮流

1.1 基于Copula 理論的光伏出力相關性分析

針對分布式光伏實測數(shù)據,采用基于Copula 理論的聯(lián)合概率密度函數(shù),通過秩相關系數(shù)分析光伏出力相關性,得到出力相關性的聯(lián)合分布函數(shù)。Copula 函數(shù)將多個隨機變量的聯(lián)合分布用各個變量的邊緣分布連接起來,能準確刻畫各個變量間的非線性相關性。采用橢圓Copula 函數(shù)作為分析模型,該函數(shù)對于二元極值分布和非正態(tài)結構有較好描述效果,對作為研究關鍵的二維分布式光伏出力相關性具有極高的擬合程度及特點匹配特性。

F(x)和G(y)分別為二維分布式光伏實測數(shù)據的邊緣分布函數(shù),通過二維Gaussian Copula 分布函數(shù)C(F(x),G(y))的密度函數(shù)c(F(x),G(y)),可求出原聯(lián)合分布函數(shù)的密度函數(shù)h（x,y）為［15］:

式中:f（x）和g（y）分別為F（x）和G（y）的密度函數(shù),可通過核密度估計法得到。

1.2 基于聯(lián)合分布拒絕采樣的出力相關性場景建立

根據概率分布采樣得到服從該分布的樣本,通過聚類產生光伏出力相關性場景。為實現(xiàn)對高相關性的光伏出力復雜函數(shù)采樣,采用拒絕采樣法處理樣本,采樣樣本能精準刻畫與實際數(shù)據相同的分布特征。

設置參考分布q(x,y)為二維正態(tài)分布概率密度函數(shù)。引入常數(shù)k,使得對所有的（x,y）滿足kq(x,y)≥p?(x,y),其中,p?(x,y)為式（1）得到的光伏出力實測數(shù)據的概率密度函數(shù)。在每次采樣中,首先從q(x,y)隨機獲取一個值(x0,y0),然后在區(qū)間[0,kq(x,y)] 均 勻 抽 樣,得 到u0。 如 果u0

1.3 基于蒙特卡洛的概率潮流計算

基于光伏相關性場景,結合半不變量與Cornish-Fisher 級數(shù)展開,提出基于蒙特卡洛法的概率潮流。蒙特卡洛法在已知負荷、分布式電源出力等k個輸入變量累積概率密度函數(shù)的前提下,進行m次隨機抽樣,得到k×m組節(jié)點電壓輸出變量,再對輸出變量進行概率統(tǒng)計分析［17］。然后,借助半不變量以及Cornish-Fisher 級數(shù)展開法得到輸出變量的概率分布函數(shù)［18］,如附錄A 式（A1）和式（A2）所示?？紤]節(jié)點電壓、支路功率和變壓器容量等約束,步驟如下:

步驟1:基于統(tǒng)計數(shù)據采用二維Gaussian Copula 函數(shù)得到分布式電源出力的聯(lián)合概率密度函數(shù),采用核密度估計法得到各個光伏出力的概率密度。

步驟2:采用拒絕采樣法對分布式電源出力的聯(lián)合概率密度和負荷功率的概率密度進行抽樣,得到不同場景s的出現(xiàn)概率及服從對應分布的M組樣本。

步驟3:基于每一組樣本進行潮流計算,得到M組節(jié)點電壓和線路電流。

步驟4:對于不同的節(jié)點電壓值和線路電流值,計算節(jié)點電壓統(tǒng)計值和支路電流統(tǒng)計值,包括均值、方差以及各階矩。

步驟5:基于步驟4 所得結果計算輸出變量的各階半不變量,得出最終的各個概率分布函數(shù)值,再根據Cornish-Fisher 級數(shù)展開得到越限概率。

2 元件狀態(tài)薄弱性評估

基于“傷害發(fā)生的可能性和該傷害帶來后果的嚴重程度”［19］的風險定義,由越限概率與薄弱程度的乘積表示元件越限風險指標,提出了基于重復潮流和效用理論的薄弱程度量化方法。

2.1 考慮出力相關性的重復潮流

重復潮流的本質是在約束條件下求取供電負荷的臨界值［20］。按比例增長系統(tǒng)各個節(jié)點的負荷,通過在反復潮流計算中擴寬約束條件觀察供電負荷的變化量,將各環(huán)節(jié)越限條件對于最大供電能力的影響作為薄弱程度的量化值,算法流程如附錄A 圖A1所示。

考慮到分布式電源出力相關性,引入了基于潮流計算的最大供電能力評估模型。將大規(guī)模分布式光伏易導致的并網點電壓越限、變壓器過載以及供電線路容量越限作為薄弱環(huán)節(jié)識別的主要方面。假設負荷按比例增長,最大供電能力評估模型為:

式中:λs為分布式電源出力相關性場景s出現(xiàn)的概率；Ss,DG為場景s下分布式電源的出力；n為場景數(shù)。由式（4）得到考慮相關性的各分布式電源出力初始值,與基于統(tǒng)計數(shù)據得到的負荷均值作為算法輸入的初始值。

2.2 基于效用理論的薄弱程度量化

在計算得到各節(jié)點和線路供電薄弱程度的基礎上,結合效用理論和越限概率可得到越限風險指標。選取冒險型效用函數(shù)u(x)［19］進行薄弱程度量化,表達式為:

3）節(jié)點電壓越限風險

電壓波動范圍在（0.95,1.05）p.u.范圍視為合格。同理,可以得到節(jié)點電壓越限概率POut,V（越上限概率與越下限概率之和）和供電能力增長量LOut,V,其風險值ROut,V為:

3 元件結構薄弱性評估

在分布式光伏高相關性的配電網背景下,傳統(tǒng)復雜網絡特征量不再適用。對傳統(tǒng)的度數(shù)、介數(shù)等指標［9］進行改進,運用復雜理論的特征指標建立結構薄弱性指標。

1）節(jié)點度數(shù)

在評估中引入與關注節(jié)點直接聯(lián)系的所有節(jié)點產生的影響［22］,定義節(jié)點度數(shù)DN,i為:

式中:Sb為節(jié)點容量基準值；Ps,i為相關性場景s下節(jié)點i的注入功率。該指標能夠體現(xiàn)節(jié)點輸送功率的能力,值越大說明該節(jié)點在配電網傳輸功率中越重要,薄弱程度越低。

4）線路供電薄弱度

基于線路的N-1+1 準則［19］,結合考慮分布式電源的重復潮流計算,將線路N-1+1 后負荷增長倍數(shù)K作為線路供電薄弱度。由于配電網N-1+1 后可能會有多種閉合開關的選擇,將其作為線路供電薄弱度的一部分,定義線路供電薄弱度HL,u為:

式中:Ku為在對線路u進行N-1+1 后所有閉合聯(lián)絡開關方案中負荷增長倍數(shù)的最大值；nRe,u為斷開線路u后,閉合聯(lián)絡開關能恢復供電的失電負荷的個數(shù)。該指標值越小,表明該條線路遭遇故障后對配電網供電能力的影響越大。

5）節(jié)點介數(shù)

基于考慮分布式電源出力相關性的多場景對已有介數(shù)改進［22］,定義節(jié)點介數(shù)BN,i為:

式中:Vs,i為在場景s下節(jié)點i的電壓；Vb為節(jié)點電壓基準值；Is,ij為在場景s下,在分布式電源接入的節(jié)點注入對應電流后,在支路ij上產生的電流；As為中間變量。

6）線路介數(shù)

針對分布式電源出力相關性場景提出線路介數(shù)BL,ij的表達式為:

式中:Ps,ij為在場景s下線路ij傳輸?shù)挠泄β?；Pij,max為最大供電能力時線路ij傳輸?shù)挠泄β?。改進后的線路介數(shù)指標可充分體現(xiàn)分布式電源出力相關性場景下的輸送能力,其值越大說明線路越重要。

4 基于LSSVM 的主動配電網薄弱環(huán)節(jié)識別

狀態(tài)薄弱性評估和結構薄弱性評估是主動配電網綜合薄弱環(huán)節(jié)識別的重要組成部分。已有研究采用層次分析法等主客觀賦權的方法,通過簡單排序將綜合指標值較大的節(jié)點和線路視為薄弱環(huán)節(jié)［12］,每項指標在綜合后將一定程度上失去獨立性。而采用LSSVM 識別薄弱環(huán)節(jié)類型,將提出的各項指標作為薄弱環(huán)節(jié)的特征值,在探索薄弱環(huán)節(jié)內在原因的同時提高了識別準確性。

基于LSSVM 的薄弱環(huán)節(jié)識別關鍵在于訓練集的確定。 確定訓練數(shù)據集 {xk,yk}lk=1(k=1,2,…,l),其中,xk為輸入,采用所提出的考慮分布式電源出力相關性的狀態(tài)薄弱性和結構薄弱性評估指標；yk為輸出,為薄弱環(huán)節(jié)的類型。建立LSSVM模型f′(x)為:

式中:σ為RBF 核寬度。

考慮光伏出力相關性的主動配電網薄弱環(huán)節(jié)識別的整體流程如附錄A 圖A2 所示。所提出的方法完成從單個量化指標到綜合辨識的提升,將配電網實際運維監(jiān)測中排查出的薄弱環(huán)節(jié)作為訓練集的輸出,并根據越限時長等進行薄弱類型的劃分。

5 算例分析

5.1 光伏出力相關性分析及場景產生

基于某區(qū)域配電網2 個光伏電站的年出力數(shù)據,采用二維Gaussian Copula 函數(shù)分析其相關性,產生服從聯(lián)合分布的樣本,建立光伏出力相關性場景。2 個光伏電站出力的頻率分布如附錄A 圖A3所示,可見不服從正態(tài)分布。對光伏出力數(shù)據歸一化處理,2 個光伏電站的相關系數(shù)為0.988 4,2 個光伏電站出力的二維聯(lián)合概率密度函數(shù)如附錄A 圖A4 所示,反映了二者出力具有極強相關性。拒絕采樣分布采用均值為0.4、方差為0.2 的變量X和均值為0.4、方差為0.3 的變量Y,參數(shù)為-0.2 的二維正態(tài)分布,如圖1 所示。產生了10 000 個服從建議分布的樣本,基于拒絕采樣法得到服從附錄A圖A4 所示概率密度函數(shù)的1 053 個樣本?；贙means 算法產生多個場景,通過聚類分析確定聚類數(shù)為6。具體場景如附錄A 表A1 所示。場景2 至場景5 的相差不大,場景1 和場景2 的概率相對其他場景較小,這與所取光伏出力數(shù)據為日平均數(shù)據有關。

圖1 二維概率密度函數(shù)拒絕采樣圖Fig.1 Rejection sampling graph of two-dimensional probability density function

5.2 光伏出力相關性對配電網薄弱性評估的影響

采用IEEE 33 節(jié)點配電系統(tǒng)進行算例分析,配電變壓器最大容量為10 MV·A,負荷為3.7 MW+2.3 Mvar。分別在節(jié)點16 和26 處接入光伏,最大出力均為1.5 MW。基于5.1 節(jié)得到的分布式電源出力相關性場景1 至場景6,加入8-21、12-22、9-15、18-33 和25-29 聯(lián)絡開關,修改后的配電網絡拓撲如圖2 所示。

圖2 修改的IEEE 33 節(jié)點配電系統(tǒng)結構Fig.2 Structure of modified IEEE 33-bus distribution system

采用基于蒙特卡洛法的概率潮流得到各節(jié)點電壓越限概率及線路電流越限概率。如附錄A 表A2所示,越限概率較高的線路分布在光伏電站接入的支路中。線路1-2 的越限概率為1,一直處于越限狀態(tài),屬于應立即處理的薄弱線路。線路2-3 和26-27的越限概率接近1,1 年中長時間接近越限狀態(tài),屬于明顯薄弱線路。對比節(jié)點和線路分析結果,支路電流均值會出現(xiàn)越限,各個支路電流的越限值存在較大差異,而節(jié)點電壓均值均處在不越限區(qū)間內,各個節(jié)點電壓越限值差異相對較小。

為分析光伏出力相關性對配電網薄弱性評估的影響,以考慮相關性前后的節(jié)點電壓越限、線路電流越限為例進行對比。確保相關性作為唯一變量,用相同方法處理不同的光伏出力樣本,場景1 未考慮光伏出力相關性,場景2 考慮了相關性。

以越限比較明顯的節(jié)點15 電壓為例,電壓概率密度函數(shù)如附錄A 圖A5 所示。場景1 中節(jié)點15 的電壓均值較大,概率密度函數(shù)在1.05 以上的面積大于在場景2 的,即節(jié)點電壓越上限的概率大于場景2,2 種場景電壓越下限的概率幾乎一致。相較于場景1,場景2 的概率密度函數(shù)更加集中。場景1 評估出的越限概率更高,與場景2 存在較大差異。

選取越限概率較為明顯的線路2-3,分別計算在場景1 和場景2 下線路電流的概率密度函數(shù),如附錄A 圖A6 所示。場景2 的線路電流均值高于場景1,且概率密度函數(shù)包圍著0.8 以上的部分明顯大于場景1。根據計算結果,場景2 的越限概率為0.913 4,接近1,較嚴重；場景1 越限概率為0.683 9。場景2 的電流容量越限概率較大,這種情況與節(jié)點電壓場景1 越限概率大于場景2 的結論相反。

根據節(jié)點電壓和線路電壓越限概率分析結果,若不考慮光伏相關性,原本越限概率小的節(jié)點或線路可能被識別成薄弱環(huán)節(jié),造成人力物力的浪費。因此,在識別過程中考慮光伏出力相關性有效提高了識別結果的精確性,該分析是必要的。

5.3 考慮狀態(tài)薄弱和結構薄弱特征的評估指標

5.3.1 元件狀態(tài)薄弱性評估

基于考慮出力相關性的重復潮流計算得到各個節(jié)點和線路最大供電能力,薄弱程度量化結果如附錄A 表A3 所示。結果表明,盡管節(jié)點7 至節(jié)點18的電壓越限概率完全不同,但各節(jié)點的供電薄弱程度卻相同,節(jié)點26 至節(jié)點33 的供電薄弱程度依次遞增。配網末端節(jié)點電壓會隨負荷增長不斷降低,進行無功補償后末端節(jié)點電壓提升,可容納更多的負荷增長,配電系統(tǒng)供電能力也隨之提升。同時,容量越限線路的供電薄弱程度存在差異。盡管線路1-2 的越限概率最高,但與之相應的供電能力增長卻是最低的,說明越限概率與供電能力的增長之間沒有直接關系。

對比表1 的越限風險結果與附錄A 表A2 的越限概率結果,越限概率與風險值呈現(xiàn)出的特征存在差異,越限風險在考慮薄弱程度后可更準確反映元件的狀態(tài)薄弱性,如節(jié)點18 與節(jié)點28 電壓越限概率僅相差0.006,而節(jié)點28 的電壓越限風險是節(jié)點18 的2.6 倍；線路6-7 和線路10-11 電流越限概率僅相差0.001 2,而線路10-11 的越限風險是線路6-7 的7 倍。綜合以上分析,所提出的元件狀態(tài)薄弱性評估方法在考慮分布式電源出力相關性后,能很好地反映出元件的狀態(tài)薄弱特征。

表1 元件狀態(tài)薄弱性評估結果Table 1 Evaluation results of component condition weakness

5.3.2 元件結構薄弱性評估

基于提出的元件結構薄弱性評估指標評估節(jié)點結構薄弱性。如附錄A 表A4 所示,同一節(jié)點各個指標值區(qū)間各異,不同節(jié)點同一指標卻可能相同。節(jié)點8 至節(jié)點15 的節(jié)點度數(shù)DN,i相同,節(jié)點介數(shù)BN,i也十分相近,表明這些節(jié)點從度數(shù)和介數(shù)角度衡量在整個網絡拓撲中的重要程度相近；而對于節(jié)點注入功率指標NP,i,節(jié)點8 遠遠大于節(jié)點15。同時,當節(jié)點的某一項指標為最大值時,另外幾項指標有可能不是最大值,甚至非常小。

計算線路供電薄弱程度需要考慮N-1+1 后的最大供電能力評估結果,基于重復潮流計算對線路進行N-1+1 分析,結果見附錄A 表A5。表2為線路結構薄弱性評估指標評估結果。線路結構薄弱性評估與節(jié)點結構薄弱性評估結果規(guī)律相同。對比表A4 和表2,在介數(shù)指標中,線路對應的指標值偏小,這與線路中電流值普遍偏小、而節(jié)點電壓幾乎全部集中在區(qū)間［0.95,1.05］一致。在度數(shù)指標中,線路度數(shù)在引入阻抗參數(shù)后賦予傳統(tǒng)定義度數(shù)新的特征,例如由于節(jié)點6 的節(jié)點度數(shù)DN,i較大,線路6-7 的線路度數(shù)DL,u按傳統(tǒng)定義計算值會明顯大于線路8-9,但線路度數(shù)值卻小于線路8-9,這也是區(qū)別于單純考慮網絡拓撲特征的地方。上述分析證明了單項元件指標僅能反映部分方面,所提評估指標不再受單個因素的影響導致判斷片面,而是綜合了電路拓撲結構和參數(shù),提高了薄弱環(huán)節(jié)判斷的準確性。

表2 線路結構薄弱性評估結果Table 2 Evaluation results of line structure weakness

5.4 主動配電網薄弱環(huán)節(jié)綜合識別

采用修改的IEEE 33 節(jié)點配電系統(tǒng),由光伏電站1 和光伏電站2 出力數(shù)據計算提出的狀態(tài)薄弱性指標和結構薄弱性指標,作為訓練集的輸入。由于數(shù)據所限,僅將電壓越限天數(shù)多的節(jié)點和電流重載天數(shù)多的線路作為實際工程中確定的薄弱環(huán)節(jié)。采用2018 年光伏出力數(shù)據進行潮流計算,統(tǒng)計1 年中各個節(jié)點電壓和線路電流的越限天數(shù),根據越限天數(shù)將薄弱環(huán)節(jié)分為短期（1 個月內）、季節(jié)性（1～4 個月）和長期（大于4 個月）3 種類型,類型統(tǒng)計結果作為訓練集的輸出。對訓練集進行訓練后,將基于2019 年光伏出力數(shù)據計算得到的各項指標作為樣本輸入,得到薄弱類型識別結果,并與2019 年統(tǒng)計數(shù)據進行對比,具體結果見附錄A 表A6。其中,0代表非薄弱環(huán)節(jié)；1 代表短期薄弱環(huán)節(jié)；2 代表季節(jié)性薄弱環(huán)節(jié)；3 代表長期薄弱環(huán)節(jié)。

由附錄A 表A6 數(shù)據可知,LSSVM 分類器對于薄弱環(huán)節(jié)的識別具有高精度,表明本文提出的考慮分布電源出力相關性的狀態(tài)薄弱性評估指標和結構薄弱性指標可進一步考慮出力的相關性。將網絡拓撲特點與分布式電源出力相關性的潮流相結合,識別結果與實際工程中依據統(tǒng)計結果確定的薄弱環(huán)節(jié)相差較小。

為了與傳統(tǒng)的薄弱環(huán)節(jié)識別方法進行對比,將本文所提方法和文獻［19］中基于層次分析法確定的各項指標權重及綜合指標評估結果進行對比。由傳統(tǒng)方法計算各個節(jié)點和線路的綜合薄弱環(huán)節(jié)評估指標,并將綜合指標由大到小排序。由于指標評估沒有薄弱環(huán)節(jié)評判的標準,便將其按照大小順序分為3 個區(qū)間,對應本文提出的3 種薄弱環(huán)節(jié)類型,統(tǒng)一用薄弱程度進行對比。傳統(tǒng)薄弱環(huán)節(jié)識別方法的具體評估結果如附錄A 表A7 所示。與本文所提方法的評估結果對比如圖3 所示。以同樣參數(shù)設置IEEE 51 節(jié)點系統(tǒng)（拓撲如圖A8 所示）,本文所提方法的識別結果與傳統(tǒng)方法識別結果的對比如附錄A圖A9 和圖A10 所示。

圖3 薄弱節(jié)點識別結果Fig.3 Identification results of weak nodes

由附錄A 表A7 的評估結果可知,綜合指標排序通過相對大小來判定薄弱環(huán)節(jié),僅能反映節(jié)點（線路）的薄弱程度。若綜合指標最大值仍小于實際薄弱環(huán)節(jié)的指標值,則會識別出錯,與實際情況相差甚遠。通過圖3 和附錄A 圖A7、圖A9 和圖A10 的對比可知,傳統(tǒng)的綜合指標評估從識別個數(shù)和識別程度2 個方面都與基于LSSVM 的識別結果存在較大差別。傳統(tǒng)綜合指標識別方法與實際工程中排查出的薄弱環(huán)節(jié)存在較大差別。而本文提出的基于LSSVM 的薄弱環(huán)節(jié)的識別方法提供了一種不依靠人為干預、對薄弱環(huán)節(jié)實現(xiàn)自動分類識別的思路。在對光伏出力相關性進行深入分析的同時,基于復雜網絡理論改進評估方法,能夠以較高的精度識別不同類型的薄弱環(huán)節(jié),有效提升電網薄弱環(huán)節(jié)辨識的準確性。

6 結語

針對中低壓配電網薄弱環(huán)節(jié)識別問題,本文考慮分布式電源出力的相關性,對概率潮流分析、建立評估指標、薄弱環(huán)節(jié)綜合識別進行了探索性研究。

1）提出了基于聯(lián)合分布拒絕采樣的出力相關性場景產生方法,結合蒙特卡洛法、半不變量與Cornish-Fisher 級數(shù)展開計算越限概率。

2）建立了考慮網架狀態(tài)薄弱和結構薄弱兩方面特征的評估指標體系。針對狀態(tài)薄弱性,考慮了分布式光伏出力相關性場景下各元件對電能質量超標的影響程度,提出了基于重復潮流的薄弱程度量化方法,結合效用理論對節(jié)點和線路的越限風險進行評估。所提狀態(tài)薄弱性評估方法可準確評估節(jié)點電壓和線路容量越限風險；針對結構薄弱性,考慮分布式電源出力相關性改進了基于復雜網絡的結構薄弱性指標。所提結構薄弱性指標結合了網絡拓撲結構特點與考慮分布式電源出力相關性的潮流,實現(xiàn)了各個節(jié)點和線路的結構薄弱性量化。

3）提出了LSSVM 的薄弱環(huán)節(jié)識別方法,實現(xiàn)了元件級的薄弱環(huán)節(jié)識別和風險綜合評估。所提識別方法與配電網生產實際相契合,能夠以較高精度識別不同類型的薄弱環(huán)節(jié),輔助實際工程調度決策,為配電網網架結構優(yōu)化和可靠性提升提供指導意見。

后續(xù)工作將考慮多維分布式電源出力相關性,基于大數(shù)據進一步提升配網薄弱環(huán)節(jié)識別精度。

附錄見本刊網絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網絡全文。