基于多典型場景采樣的微網(wǎng)可靠性計(jì)算方法

徐明忻，石 勇，邢敬舒，王 姣，金國鋒，劉自發(fā)

(1.國網(wǎng)內(nèi)蒙古東部電力有限公司經(jīng)濟(jì)技術(shù)研究院，內(nèi)蒙古 呼和浩特 010011；2.華北電力大學(xué)電氣與電子工程學(xué)院，北京 102206)

為充分發(fā)掘和利用海島藏量豐富的風(fēng)電和光伏等新能源資源，解決偏遠(yuǎn)地區(qū)和海島輸電困難問題，在中國東部沿海地區(qū)的海島，含有新能源并網(wǎng)的微網(wǎng)已得到廣泛應(yīng)用[1]。這對(duì)于基礎(chǔ)設(shè)施建設(shè)相對(duì)薄弱的島嶼地區(qū)來說，有助于推進(jìn)海洋事業(yè)。但由于獨(dú)立型微網(wǎng)遠(yuǎn)離大電網(wǎng)，并且其含有的光伏或風(fēng)力發(fā)電機(jī)組出力具有隨機(jī)、波動(dòng)特性，其在孤島模式下的供電可靠性需要進(jìn)行特別分析。對(duì)孤島微網(wǎng)的供電可靠性進(jìn)行更準(zhǔn)確地評(píng)估，對(duì)改善供電質(zhì)量、提升海島居民電力用戶滿意度具有重要意義。

當(dāng)前針對(duì)微網(wǎng)的可靠性研究多集中于并網(wǎng)運(yùn)行的微網(wǎng)以及微網(wǎng)并網(wǎng)對(duì)配電系統(tǒng)的影響。文獻(xiàn)[2]在分析源荷雙側(cè)的不確定性的基礎(chǔ)上，對(duì)含有風(fēng)光柴儲(chǔ)的孤島微網(wǎng)進(jìn)行了優(yōu)化配置方面的研究，通過對(duì)源端模型與負(fù)荷端模型不斷迭代協(xié)調(diào)，以達(dá)到系統(tǒng)綜合成本最小，并以此提高其可靠性；文獻(xiàn)[3]對(duì)考慮電動(dòng)汽車充電需求的孤島微網(wǎng)提出了微網(wǎng)運(yùn)行策略和負(fù)荷分塊削減策略，提出了考慮電動(dòng)汽車的新型可靠性評(píng)估體系，對(duì)獨(dú)立海島上微網(wǎng)的可靠性進(jìn)行了多方面考慮；文獻(xiàn)[4]針對(duì)微網(wǎng)內(nèi)元件的關(guān)聯(lián)屬性，利用分時(shí)段方法求解微電網(wǎng)的可靠性指標(biāo)，通過貝葉斯網(wǎng)絡(luò)的2種邏輯推理方法建立了微網(wǎng)孤島運(yùn)行模式下的電源—負(fù)荷結(jié)點(diǎn)的“動(dòng)態(tài)—供給”模型；文獻(xiàn)[5]研究微網(wǎng)對(duì)外供電的配電網(wǎng)可靠性，考慮了負(fù)荷和光伏發(fā)電系統(tǒng)的時(shí)序波動(dòng)特性，提出了2個(gè)新的可靠性指標(biāo)，算例驗(yàn)證了所提方法和指標(biāo)的合理性；文獻(xiàn)[6]在傳統(tǒng)解析方法的基礎(chǔ)上，改進(jìn)提出了一種停電序列多狀態(tài)模型，可用于計(jì)算停電序列的概率用以評(píng)估島上用戶的停電情況；文獻(xiàn)[7]建立了風(fēng)光儲(chǔ)元件的時(shí)序模型和狀態(tài)轉(zhuǎn)移模型，對(duì)于不同元件采用不同的抽樣方法，討論不同故障效果對(duì)可靠性評(píng)估的影響；文獻(xiàn)[8]對(duì)DG出力隨機(jī)特性進(jìn)行了研究，并采用蒙特卡洛時(shí)序模擬法評(píng)估DG和儲(chǔ)能聯(lián)合運(yùn)行的微網(wǎng)的配電網(wǎng)可靠性。然而，上述文獻(xiàn)均沒有考慮到分布式電源與負(fù)荷的時(shí)間關(guān)聯(lián)性，對(duì)于原件或系統(tǒng)狀態(tài)進(jìn)行抽樣時(shí)僅采用單一相同的頻率，并不能滿足更精準(zhǔn)的微網(wǎng)可靠性評(píng)估要求。

目前，一些學(xué)者嘗試?yán)么髷?shù)據(jù)技術(shù)提高可靠性評(píng)估計(jì)算的準(zhǔn)確性[9-10]。文獻(xiàn)[11]提出了通過大數(shù)據(jù)方法的城市低壓配電網(wǎng)可靠性指標(biāo)計(jì)算方法，通過大數(shù)據(jù)技術(shù)統(tǒng)計(jì)各可靠性指標(biāo)，從而計(jì)算城市配電網(wǎng)可靠性，結(jié)論表明利用大數(shù)據(jù)技術(shù)進(jìn)行可靠性評(píng)估比傳統(tǒng)可靠性評(píng)估方法較準(zhǔn)確。然而該方法需要通過處理大量數(shù)據(jù)，并且其本質(zhì)仍是統(tǒng)計(jì)分析法，因此該方法尚存在一些缺陷。文獻(xiàn)[12]提出了利用大數(shù)據(jù)技術(shù)進(jìn)行配電系統(tǒng)可靠性預(yù)測評(píng)估的方法，先通過大數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型，再根據(jù)相關(guān)數(shù)據(jù)利用神經(jīng)網(wǎng)絡(luò)模型來評(píng)估可靠性，該方法需要利用海量數(shù)據(jù)來保障神經(jīng)網(wǎng)絡(luò)模型的正確性，僅僅是數(shù)學(xué)上的關(guān)聯(lián)，忽略了電網(wǎng)本身的物理特性。文獻(xiàn)[13]提出了基于多場景技術(shù)的配網(wǎng)可靠性評(píng)估方法，通過建立風(fēng)機(jī)出力多場景模型，對(duì)風(fēng)機(jī)出力進(jìn)行場景的提取，采用全概率公式進(jìn)行綜合計(jì)算可靠性指標(biāo)。該方法對(duì)風(fēng)機(jī)的出力建立較準(zhǔn)確的場景模型，卻忽略了電網(wǎng)負(fù)荷與風(fēng)機(jī)出力的關(guān)聯(lián)，計(jì)算得到的可靠性指標(biāo)仍有一定的誤差。

針對(duì)目前評(píng)估方法的不足，本文提出基于多典型場景采樣的微網(wǎng)可靠性計(jì)算方法。首先，建立基于大數(shù)據(jù)的電網(wǎng)運(yùn)行典型場景提取方法；然后，提出各典型場景的可靠性計(jì)算方法；最后，采用全概率方法計(jì)算綜合可靠性，并對(duì)某微電網(wǎng)系統(tǒng)進(jìn)行算例分析。

1 基于大數(shù)據(jù)的電網(wǎng)運(yùn)行典型場景提取方法

1.1 基于大數(shù)據(jù)的電網(wǎng)典型場景提取方法

分布式電源出力與負(fù)荷具有很強(qiáng)的時(shí)間關(guān)聯(lián)性，在計(jì)算時(shí)應(yīng)該采取相應(yīng)時(shí)刻的出力，但現(xiàn)有的關(guān)于典型場景提取的研究未考慮“出力—負(fù)荷”時(shí)間關(guān)聯(lián)性。

本文采用k-means算法對(duì)電網(wǎng)運(yùn)行大數(shù)據(jù)進(jìn)行典型場景提取。適用于可靠性計(jì)算的電網(wǎng)運(yùn)行典型場景，其核心特征量為電源出力與負(fù)荷。將“出力—負(fù)荷”看作聚類中心或粒子的信息，以負(fù)荷和分布式電源出力2個(gè)變量作為數(shù)據(jù)提取的特征變量，以此體現(xiàn)模型對(duì)2個(gè)變量時(shí)間關(guān)聯(lián)性的考慮。在采用k-means算法對(duì)電網(wǎng)運(yùn)行大數(shù)據(jù)進(jìn)行典型場景的提取時(shí)，每一個(gè)聚類中心都是一個(gè)典型場景，而該類中所包含的粒子數(shù)量即為適用該場景的時(shí)間長度。因此，各典型場景的概率分布，即算法的畸變函數(shù)和聚類中心的更新公式為

(1)

(2)

對(duì)于聚類個(gè)數(shù)的確定，本文采用Validity(k)指數(shù)來尋找最優(yōu)的聚類個(gè)數(shù)[14]。計(jì)算公式為

(3)

式中Ck為第k個(gè)類。

根據(jù)上述方法，電網(wǎng)運(yùn)行典型場景提取模型計(jì)算流程如下：

1)輸入聚類中心個(gè)數(shù)K和待分類數(shù)據(jù)集；

2)初始化k個(gè)聚類中心；

3)計(jì)算各粒子與各聚類中心的距離，將每個(gè)粒子歸類到距離最近的類中；

4)根據(jù)式(1)計(jì)算畸變函數(shù)；

5)判斷2次迭代的畸變函數(shù)變化值是否滿足收斂條件，若是，則跳到步驟7；

6)按照式(2)更新聚類中心，跳到步驟3，進(jìn)行下一次迭代計(jì)算；

7)根據(jù)聚類結(jié)果，按照式(3)計(jì)算Validity(k)指數(shù)；

8)判斷K取值是否達(dá)到上限，若否，則更新K值并跳到步驟2；

9)根據(jù)Validity(k)值，選取Validity(k)值最小的K值及其聚類結(jié)果作為最終的典型場景集合。

1.2 基于場景概率分布的拉丁超立方樣本抽樣

場景的準(zhǔn)確度與各采樣點(diǎn)的相關(guān)性有關(guān)，不同場景之間樣本相關(guān)性越小準(zhǔn)確度越高。傳統(tǒng)樣本抽樣方法不同場景之間的采樣頻率相同，導(dǎo)致計(jì)算結(jié)果缺乏科學(xué)性、準(zhǔn)確性?；诖耍岢龌趫鼍案怕史植嫉睦〕⒎匠闃臃椒?。在采樣時(shí)令樣本采樣頻率與各對(duì)應(yīng)場景的概率一致，即根據(jù)各場景的出現(xiàn)概率對(duì)采樣樣本進(jìn)行抽樣，降低不同場景之間樣本的相關(guān)性，確保采樣頻率與各場景概率一致，提高場景結(jié)果的準(zhǔn)確性，減小不必要的誤差。

拉丁超立方抽樣定義[16]：設(shè)在s維單位空間Cs=[0,1]s中抽取n個(gè)樣本，首先，將各維度坐標(biāo)均n等分，得到若干個(gè)小區(qū)間((k-1)/n,k/n]，其中k為小區(qū)間標(biāo)號(hào)，將第i維坐標(biāo)的n個(gè)小區(qū)間進(jìn)行隨機(jī)組合，用(π1i,π2i,…,πni)′表示；然后，設(shè)s維中的各隨機(jī)組合之間互相獨(dú)立，得到隨機(jī)矩陣π=(πki)，令xki=(πki-0.5+uki)/n(k=1,2,…,n,i=1,2,…,s)，其中樣本uki在區(qū)間[-0.5,0.5]內(nèi)服從均勻分布，且與π相互獨(dú)立，則稱這n個(gè)點(diǎn)xk=(xk1,xk2,…,xks)(k=1,2,…,n)為一個(gè)拉丁超立方樣本。具體流程如圖1所示。

圖1 拉丁超立方抽樣流程Figure 1 Latin hypercube sampling flow chart

令抽樣次數(shù)N為所得場景數(shù)，x′k為本文基于場景概率抽樣法得到的抽樣點(diǎn)，計(jì)算方法為

x′k=xkpK

(4)

式中pK為該采樣點(diǎn)所處場景K的場景概率。

2 可靠性指標(biāo)計(jì)算方法

基于文1.2節(jié)中提取的典型場景，提出可靠性指標(biāo)的計(jì)算方法。首先，采用狀態(tài)時(shí)間抽樣法獲得系統(tǒng)狀態(tài)時(shí)間序列；然后，根據(jù)系統(tǒng)狀態(tài)時(shí)間樣本序列，提出多場景負(fù)荷削減策略；最后，確定各可靠性指標(biāo)及其計(jì)算方法。

2.1 狀態(tài)時(shí)間序列生成方法

本文采用狀態(tài)持續(xù)時(shí)間抽樣法[17]，其原理如圖2所示。對(duì)各場景中每一個(gè)元件的狀態(tài)時(shí)間序列進(jìn)行抽樣，最后得到各場景的狀態(tài)時(shí)間序列，從而計(jì)算各個(gè)可靠性指標(biāo)。計(jì)算系統(tǒng)可靠性指標(biāo)需要各元件的狀態(tài)時(shí)間序列以及負(fù)荷、分布式電源的功率時(shí)間序列。

圖2 狀態(tài)持續(xù)時(shí)間抽樣法原理Figure 2 Principle of state duration sampling

本文采用兩狀態(tài)模型表示元件狀態(tài)，每個(gè)元件都有其故障率λ和修復(fù)率μ，元件的狀態(tài)持續(xù)時(shí)間受這二者影響，抽樣得到元件的正常工作時(shí)間τ1和故障修復(fù)時(shí)間τ2分別為

(5)

(6)

式中U1、U2為[0,1]上的均勻分布隨機(jī)數(shù)。

通過抽樣獲取U1、U2，從而根據(jù)式(5)、(6)計(jì)算得到元件的狀態(tài)持續(xù)時(shí)間，進(jìn)而得到元件狀態(tài)時(shí)間序列，最后綜合所有元件的狀態(tài)時(shí)間序列，可以獲得系統(tǒng)的狀態(tài)時(shí)間序列，具體步驟如下：

1)確定元件的初始狀態(tài)，無特殊情況時(shí)假定所有元件在初始時(shí)刻均處于運(yùn)行狀態(tài)；

2)在保證各元件處在當(dāng)前狀態(tài)的情況下，根據(jù)式(5)、(6)對(duì)該情況的持續(xù)時(shí)間進(jìn)行抽樣處理；

3)在給定的模擬總時(shí)間段T內(nèi)，根據(jù)元件的正常工作和故障修復(fù)時(shí)間計(jì)算得到各元件的狀態(tài)時(shí)間序列；

4)綜合每一場景內(nèi)各元件的狀態(tài)時(shí)間序列，可以得到各場景的狀態(tài)序列和持續(xù)時(shí)間，且在每一場景狀態(tài)內(nèi)，各元件狀態(tài)不變。

2.2 多場景負(fù)荷削減策略

負(fù)荷和分布式電源出力情況取決于典型場景中的功率。在各場景下計(jì)算可靠性時(shí)，負(fù)荷和分布式電源的出力取該場景中相應(yīng)的值。當(dāng)出現(xiàn)系統(tǒng)故障時(shí)，如果電源出力小于負(fù)荷，則需要進(jìn)行負(fù)荷削減。

根據(jù)系統(tǒng)狀態(tài)時(shí)間序列可以判斷出系統(tǒng)是否故障。系統(tǒng)故障包括變壓器、饋線、斷路器以及電源故障。尤其對(duì)于微電網(wǎng)來說，電源故障會(huì)導(dǎo)致大量負(fù)荷損失。對(duì)于固定的電量損失，本文采用的負(fù)荷削減策略可以使因停電造成的損失最小。

將負(fù)荷分為1、2、3級(jí)，每一級(jí)負(fù)荷的停電損失都不同，其中3級(jí)最少、1級(jí)最多。所以，理論上停電時(shí)應(yīng)優(yōu)先停3級(jí)負(fù)荷。

對(duì)于固定的停電量，所占比重應(yīng)為3級(jí)負(fù)荷最大，其次2級(jí)，再1級(jí)負(fù)荷。最后停電量應(yīng)該大于等于因電源故障造成的失電量或者實(shí)現(xiàn)1級(jí)負(fù)荷用戶全部停電。

2.3 可靠性計(jì)算指標(biāo)

在得到系統(tǒng)狀態(tài)時(shí)間序列和負(fù)荷分布式電源情況之后，根據(jù)數(shù)據(jù)統(tǒng)計(jì)可以計(jì)算各種可靠性指標(biāo)，本文采用的可靠性指標(biāo)如表1所示，各指標(biāo)計(jì)算公式分別為

表1 可靠性指標(biāo)Table 1 Reliability index

(7)

(8)

(9)

(10)

(11)

(12)

(13)

式(7)～(13)中λi為負(fù)荷點(diǎn)i的年故障停運(yùn)率；at為t時(shí)刻負(fù)荷點(diǎn)i的狀態(tài)，故障為1，正常為0；Ui為負(fù)荷點(diǎn)i的年平均停運(yùn)時(shí)間；Δt為元件狀態(tài)序列中每個(gè)狀態(tài)的時(shí)間間隔；γi為負(fù)荷點(diǎn)i每次停電平均停運(yùn)時(shí)間；SAIFI為系統(tǒng)平均停電頻率；Ni為負(fù)荷點(diǎn)i的用戶總數(shù)；SAIDI為系統(tǒng)平均停電時(shí)間；ASAI為平均供電可用率；ENS為電量不足指標(biāo)；Lai為負(fù)荷點(diǎn)i的平均負(fù)荷。

3 基于多典型場景的可靠性計(jì)算方法

本文提出基于多典型場景的可靠性計(jì)算方法。首先，根據(jù)k-means算法中各類集的粒子個(gè)數(shù)建立典型場景概率分布模型，然后，根據(jù)全概率計(jì)算公式提出基于多典型場景的可靠性計(jì)算方法。

3.1 多典型場景概率分布模型

對(duì)一年內(nèi)的電網(wǎng)大數(shù)據(jù)進(jìn)行典型場景提取，每個(gè)典型場景代表該電網(wǎng)一年內(nèi)的一段時(shí)間的潮流情況。因此，在進(jìn)行計(jì)及多個(gè)典型場景的可靠性計(jì)算時(shí)，各場景的出現(xiàn)概率為該場景所占時(shí)長占全年時(shí)間的比值。在采用k-means算法對(duì)電網(wǎng)運(yùn)行大數(shù)據(jù)進(jìn)行典型場景的提取時(shí)，每一個(gè)聚類中心都是一個(gè)典型場景，而該類中所包含的粒子數(shù)量即為適用該場景的時(shí)間長度。因此，各典型場景的概率分布為

(14)

式中Pk為第k個(gè)典型場景的出現(xiàn)概率；tk為第i個(gè)場景所占時(shí)長；T為全年總時(shí)長。式(14)中最后一部分的分子表示屬于第k個(gè)類的粒子個(gè)數(shù)。

3.2 基于多典型場景的可靠性計(jì)算方法

由于不同典型場景內(nèi)各元件狀態(tài)、負(fù)荷大小以及分布式電源出力不盡相同，如果僅采用一種場景對(duì)電網(wǎng)的可靠性進(jìn)行估算，則將忽略其他狀態(tài)下系統(tǒng)可靠性的變化[18]。為了更加準(zhǔn)確地評(píng)估電網(wǎng)的可靠性，應(yīng)該根據(jù)全年的數(shù)據(jù)綜合計(jì)算。本文根據(jù)建立的典型場景提取模型、單個(gè)典型場景可靠性計(jì)算方法以及典型場景概率分布模型，采用全概率計(jì)算公式，提出基于多典型場景的可靠性計(jì)算公式為

(15)

根據(jù)式(15)可知，各個(gè)典型場景下的可靠性指標(biāo)和其出現(xiàn)概率相乘后累加得到的綜合可靠性指標(biāo)，理論上可代表全年該電網(wǎng)的可靠性?；诙嗟湫蛨鼍暗目煽啃杂?jì)算流程如圖3所示。

4 算例分析

4.1 算例及參數(shù)

為測試本文所提的微網(wǎng)可靠性指標(biāo)計(jì)算方法，以某改造微電網(wǎng)系統(tǒng)為例，將本文提出的基于典型場景采樣的可靠性計(jì)算方法和傳統(tǒng)的多狀態(tài)法進(jìn)行對(duì)比分析。該微電網(wǎng)由300臺(tái)風(fēng)力發(fā)電機(jī)組、500個(gè)光伏電池板、10臺(tái)柴油機(jī)以及100個(gè)超級(jí)電容器組成，包含饋線2條、斷路器10個(gè)、配電變壓器8臺(tái)、負(fù)荷點(diǎn)8個(gè)，各負(fù)荷點(diǎn)所占總負(fù)荷比例穩(wěn)定，微電網(wǎng)系統(tǒng)如圖4所示。

圖4 城市微電網(wǎng)系統(tǒng)Figure 4 Urban micro-grid system

該微網(wǎng)中風(fēng)力發(fā)電機(jī)組、光伏電池板、儲(chǔ)能裝置等參數(shù)參考文獻(xiàn)[19]。元件可靠性參數(shù)如表2所示；負(fù)荷點(diǎn)1～8所占總負(fù)荷比例以及用戶數(shù)如表3所示。

表2 元件可靠性參數(shù)Table 2 Component mid reliability parameter

表3 負(fù)荷點(diǎn)負(fù)荷比例及用戶數(shù)Table 3 Load point load ratio and number of users

選取臺(tái)灣省馬公市(119°33′ 19″E，23°34′ 02″N)風(fēng)速、光照強(qiáng)度數(shù)據(jù)為本文算例數(shù)據(jù)。

根據(jù)文1所述的基于大數(shù)據(jù)的電網(wǎng)運(yùn)行典型場景提取方法，對(duì)負(fù)荷及分布式電源出力8 760 h的數(shù)據(jù)進(jìn)行典型場景提取。首先為確定最佳的典型場景分類數(shù)，從2～94逐一設(shè)置聚類數(shù)并進(jìn)行聚類計(jì)算，計(jì)算得到的Validity(k)指數(shù)曲線如圖5所示，當(dāng)聚類數(shù)為11時(shí)，聚類效果最好。因此，本文根據(jù)負(fù)荷及分布式電源出力大小，將全年劃分為11個(gè)典型場景，同時(shí)設(shè)定拉丁超立方抽樣中的抽樣次數(shù)N=11。每個(gè)典型場景內(nèi)分別計(jì)算可靠性指標(biāo)，最后得出全年綜合可靠性指標(biāo)值。

圖5 Validity指數(shù)曲線Figure 5 Validity curve

4.2 基于典型場景的可靠性指標(biāo)計(jì)算

各典型場景負(fù)荷及分布式電源出力情況如表4所示；根據(jù)文1.2對(duì)樣本進(jìn)行抽樣提取，根據(jù)文2、3的計(jì)算方法對(duì)每一個(gè)場景進(jìn)行可靠性指標(biāo)計(jì)算，結(jié)果如表5～7所示。

表4 典型場景Table 4 Typical scenario

表5 各節(jié)點(diǎn)年故障停運(yùn)次數(shù)Table 5 Annual outage of each node

表6 各節(jié)點(diǎn)年平均停運(yùn)時(shí)間Table 6 Average annual outage time for each node h

表7 各節(jié)點(diǎn)每次停電平均時(shí)間Table 7 Average outage time of each node h

根據(jù)式(9)～(12)得出各場景系統(tǒng)可靠性指標(biāo)，最終結(jié)果如表8所示。為了驗(yàn)證基于多典型場景采樣的可靠性計(jì)算方法的快速、精準(zhǔn)的特點(diǎn)，采用基于傳統(tǒng)樣本提取的可靠性計(jì)算方法對(duì)本算例進(jìn)行計(jì)算，結(jié)果如表9所示。

表9 傳統(tǒng)樣本提取法可靠性指標(biāo)結(jié)果Table 9 Reliability index results of traditional sample extraction method

同時(shí)，采用文獻(xiàn)[20]中的蒙特卡洛法計(jì)算本文所提到的可靠性指標(biāo)，將最終的結(jié)果與本文方法對(duì)比分析，3種方法計(jì)算得到的電網(wǎng)可靠性指標(biāo)值如圖6所示，可以看出本文所提方法的精確性。

圖6 3種方法結(jié)果對(duì)比Figure 6 Comparison of the results of the two methods

本文方法與較為成熟的蒙特卡洛法相比較，最終計(jì)算結(jié)果的誤差控制在允許范圍內(nèi)；本文方法與傳統(tǒng)樣本提取法相比，在準(zhǔn)確度上有明顯的優(yōu)越性。在快速性方面，Matlab運(yùn)行環(huán)境下采用本文方法計(jì)算用時(shí)290.61 s，而采用蒙特卡洛法則需要328.52 s，表明本文方法在保證運(yùn)算精度的情況下，能夠有效地提升運(yùn)算速度，減小運(yùn)算難度及時(shí)間。因此，通過算例分析證明，本文所提出的基于典型場景采樣的可靠性計(jì)算方法，在降低運(yùn)算難度、提高運(yùn)算效率的同時(shí)，可以較為精確地表征該電網(wǎng)的可靠性指標(biāo)，證明了本文方法的有效性、可行性。

5 結(jié)語

本文所提方法的創(chuàng)新點(diǎn)：①考慮了負(fù)荷與分布式電源出力的時(shí)間關(guān)聯(lián)性，在進(jìn)行場景聚類時(shí)，將負(fù)荷和分布式電源出力2個(gè)變量同時(shí)看作粒子的數(shù)據(jù)點(diǎn)；②抽樣時(shí)保證了樣本采樣頻率與各對(duì)應(yīng)場景概率一致，降低了不同場景之間的相關(guān)性以提高結(jié)果準(zhǔn)確性；③利用大數(shù)據(jù)技術(shù)提高了可靠性評(píng)估的準(zhǔn)確性，最終采取全概率公式得到了綜合可靠性指標(biāo)。

在大數(shù)據(jù)應(yīng)用背景下，為了更加準(zhǔn)確地計(jì)算獨(dú)立型微網(wǎng)的可靠性指標(biāo)，本文提出了基于多典型場景采樣的可靠性計(jì)算方法。經(jīng)過算例驗(yàn)證分析，可以得到以下結(jié)論：

1)根據(jù)Validity指數(shù)曲線確定典型場景最佳分類數(shù)，能夠在有效地減少計(jì)算量的同時(shí)，準(zhǔn)確表征電網(wǎng)全年運(yùn)行場景；

2)相比傳統(tǒng)樣本提取法，本文提出的基于多典型場景采樣的可靠性計(jì)算方法地計(jì)算結(jié)果更加準(zhǔn)確；

3)相比于蒙特卡洛法，本文提出的基于多典型場景采樣的可靠性計(jì)算方法，能夠在保證準(zhǔn)確性的前提下，使運(yùn)算時(shí)長更短、運(yùn)算更加快速。

因此，本文方法可以在一定程度上實(shí)現(xiàn)對(duì)微網(wǎng)可靠性指標(biāo)高效精準(zhǔn)地計(jì)算。未來可以在典型場景分布模型的建立上做進(jìn)一步研究，使可靠性計(jì)算結(jié)果更準(zhǔn)確。