一种计及弃电量指标的新能源送端电网输电能力计算方法与流程

1.本发明涉及电力系统领域，尤其涉及一种计及弃电量指标的新能源送端电网输电能力计算方法。


背景技术：

2.随着可再生能源的大规模并网，风电和光伏总装机容量有望在2023年超过天然气，2024年超过煤炭，可再生能源发电已经成为我国重要的发电形式。然而，高渗透率风电汇集地区，风能所特有的间歇性、随机性和波动性特点，给互联系统区域间输电能力计算和分析带来了新的挑战和困难
1.。因此，在高渗透率风电汇集地区，在系统安全稳定运行的条件下，如何准确地分析风电并网对区域间输电能力的影响，并提高新能源送出断面的输电能力，解决大规模新能源汇集地区的窝电问题有着重要意义。
3.区域间最大输电能力(total transfer capability,ttc)是指在满足系统各种安全约束下，系统区域间功率交换的最大值
[1-2]
。现有研究通常对区域间输电能力求解可以分为两类：确定性求解方法和概率性求解方法。确定性求解方法通常不考虑系统中的不确定性因素，利用优化等方法求解单一场景的唯一解，文献[3]利用benders分解算法，考虑静态安全约束下的可用输电能力，提高了计算速度；概率性求解方法通常考虑风电出力不确定性、负荷波动性等特征，全面地描述不确定因素下的区域间输电能力，从而得到各种反映区域间输电能力的统计指标及概率分布，是系统长期规划的有效工具
[4]
。文献[5]利用条件历史风速数据和预测风速数据，通过条件概率原理和快速傅里叶分解等技术预测风电出力场景，获得不同置信区间下atc的概率密度曲线，进而指导电网运行人员指定合理的发电计划；文献[6]提出一种计及风电相关性的可用输电能力快速评估方法，提升了计算的精度和效率；文献[7]将风电出力的相关性作为隐马尔可夫模型的状态变量，并利用markov链描述其时变特性；文献[8]基于关键约束的交流潮流计算区域间atc，确保了计算精度，但计算时间大幅度增加，难以在电力系统运行中应用；文献[9]利用区间优化的方法对风电不确定性进行处理，只需要考虑不确定因素的上下边界，不需要精确的风电概率分布数据，利用大m法和强对偶理论求解乐观解和悲观解，进而获得区域间atc可能出现的范围。
[0004]
高渗透率风电汇集地区，若不考虑风电场间空间相关性得到概率密度的结果分析的准确性不太高、存在偏差，风电占比高会产生大量无效场景，需要对风电场间出力进行控制，进而提升区域间输电能力、减小限电率，解决大规模新能源汇集地区的窝电问题，对大规模新能源送出系统的安全稳定运行提供指导作用。


技术实现要素：

[0005]
本发明提供了一种计及弃电量指标的新能源送端电网输电能力计算方法，本发明解决了风电大规模并网后的区域间输电能力求解问题，通过协调风电场间的出力控制，最小化弃风电量，达到提升区域间输电能力的目的，详见下文描述：
[0006]
一种计及弃电量指标的新能源送端电网输电能力计算方法，所述方法包括：
[0007]
利用条件概率原理分析风电出力概率分布特征和空间相关性，评判风电场间相关性的强弱；
[0008]
基于copula函数建立考虑风电场间相关性的数学模型，生成计及风电相关性的风电出力样本；
[0009]
利用风电出力样本，逐一求解蒙特卡罗法生成的每一个样本的ttc，进而筛选有效样本；
[0010]
建立适应于大规模风电并网的ttc双层优化模型，通过协调风电场间的出力控制，最小化弃风电量，达到提升区域间输电能力的目的。
[0011]
所述利用风电出力样本，逐一求解蒙特卡罗法生成的每一个样本的ttc，进而筛选有效样本具体为：
[0012]
利用计及风电相关性的风电场景和负荷样本，通过确定性模型计算每一个场景下的ttc；
[0013]
判断每个场景送电区域机组出力是否达到上限，如果所有机组均达到上限而输电线路没有达到传输容量极限，则去掉该无效场景；
[0014]
在完成筛选之后，对所有场景下ttc的结果进行概率密度拟合，分析不同风电场景对ttc的影响。
[0015]
所述通过协调风电场间的出力控制，最小化弃风电量，达到提升区域间输电能力的目的具体为：
[0016]
通过上层模型优化风电场控制参数a，将a传递给下层求得保证系统安全稳定运行的区域间ttc最小值ttc
min
，通过a和ttc
min
求得此场景下对应的限电指标；按照此双层模型循环迭代选取最优控制参数a，提升系统区域间ttc，解决限电问题。
[0017]
其中，利用双层模型，求取限电指标的具体求解流程如下：
[0018]
1)通过上层模型优化风电场控制参数a，将a传递给下层求得ttc最小值ttc
min
；
[0019]
2)判断第一风电场的两风电场的最大出力之差是否小于出力限制a；
[0020]
3)如果两风电场最大出力之差小于a，此时求得的限电值为第一风电场最大出力加第二风电场最大出力减去所设断面ttc
min
；若此时两风电场最大出力之差大于a，则执行步骤4)；
[0021]
4)如果两个风电场最大出力中较小的2倍加上a大于等于设置的ttc，则输出此时的限电值为两风电场最大出力之和减去ttc
min
；否则执行步骤5)；
[0022]
5)输出风电场限电值为两风电场最大出力之和减去较小的最大出力2倍再减去a；
[0023]
6)得出第一个场景下的限电值；
[0024]
7)计算所有场景的限电值相加，得出总的限电值。
[0025]
本发明提供的技术方案的有益效果是：
[0026]
本发明在区域间输电能力优化模型中同时考虑了风电不确定性和相关性；通过蒙特卡洛方法进行概率评估，利用场景筛选技术去除无效场景，建立计及限电指标的风电场控制参数和断面最大输电能力优选的双层评估模型；在确定区域间最大输电能力的同时，极小化限电指标。
附图说明
[0027]
图1为一种计及弃电量指标的新能源送端电网输电能力计算方法流程图；
[0028]
图2为概率ttc评估流程图；
[0029]
图3为风电场出力控制参数a对ttc
min
的影响；
[0030]
图4为风电场控制参数a与ttc
min
双层优化模型；
[0031]
图5为限电指标求解流程图；
[0032]
图6为改进的pjm-5节点系统图；
[0033]
图7为ttc的概率分布图(不考虑a)；
[0034]
图8为不同控制策略下ttc的概率分布图；
[0035]
图9为限电指标拟合曲线图。
具体实施方式
[0036]
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
[0037]
为了解决在系统安全稳定运行的极限范围内，高渗透率风电汇集地区的窝电问题，本发明实施例建立了一种计及限电指标的风电场控制参数和断面最大输电能力优选的双层评估模型，以实现确定区域间最大输电能力的同时，极小化限电率。
[0038]
实施例1
[0039]
一种计及弃电量指标的新能源送端电网输电能力计算方法，参见图1，该方法包括以下步骤：
[0040]
101：利用条件概率原理分析风电出力概率分布特征和空间相关性，评判风电场间相关性的强弱；
[0041]
102：基于copula函数建立了考虑风电相关性的数学模型，生成计及风电相关性的风电出力样本；
[0042]
103：利用第二步生成的风电出力样本数据，逐一求解蒙特卡罗法生成的每一个样本的ttc，进而筛选有效样本；
[0043]
104：建立了适应于大规模风电并网的ttc双层优化模型，通过协调风电场间的出力控制，最小化弃风电量，达到提升区域间输电能力的目的。
[0044]
综上所述，本发明实施例通过上述步骤101-步骤104以计及弃电量指标的新能源送端电网对输电能力进行计算。确定区域间最大输电能力的同时，极小化限电率，在系统安全稳定运行的极限范围内，解决高渗透率风电汇集地区的窝电问题。
[0045]
实施例2
[0046]
下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：
[0047]
201：处于相邻位置的风电场受到相近气象因素的影响，其出力表现出很强的时空相关性，基于风电历史实测数据，利用条件概率原理分析风电出力概率分布特征和空间相关性，评判风电场间相关性的强弱；
[0048]
首先选定基准风场，得到基于基准风场下各个风电场的概率分布，如式(1)
[10]
所示。
[0049][0050]
式中：b表示基准风电场；m为待求风场。将一个风电场作为基准，通过条件概率公式(1)，可以由历史数据计算其它风电场在基准风电场固定出力范围内的概率分布。
[0051]
利用蒙特卡洛方法对两风电场进行随机抽样，较多的抽样次数才会保证得到场景准确的刻画风电场间的相关性。随机变量之间相关性的建模方式包括：线性相关系数、秩相关系数、copula函数等。其中copula函数可以详细刻画非正态随机变量之间的相依关系，成为随机变量联合概率分布建模的常用手段。所以本发明实施例采用copula函数来刻画两风电场间的相关性，利用copula函数建立多元联合概率分布，可对风电场间空间相关性进行建模。copula函数的构造过程如下所示：
[0052]
首先通过已知的历史风电出力数据，采用核密度估计法求解不同风电出力场景对应的概率密度
[11]
。设某一风电场出力为随机变量x，其中样本点为向量形式(x1，x2，
…
，xn)，样本长度为n，其概率密度函数为f(x)，核密度估计公式如式(2)所示：
[0053][0054]
式中：h为滑动窗口长度且h》0；k(
·
)为核函数，具体求解表达式详见文献[12]。通过对f(x)求积分即可得到对应变量的累积概率分布函数。
[0055]
copula函数有多种，选取最佳的copula函数对历史风电出力数据进行拟合。衡量拟合效果的指标一般为欧氏距离d，d越小表明该copula函数越接近实际的经验概率分布函数；此外，还可通过其它相关性指标对拟合效果进行衡量，如spearman和kendall相关系数等。
[0056]
本发明实施例选取t-copula函数进行拟合，其特点是分布对称且能够反应尾部的相关性，将t-copula中的参数看成时间的某个确定性函数进行建模，减小因模型假定错误导致的偏差。copula函数对应的公式如式(3)所示；二维t-copula函数如式(4)所示：
[0057]
h(x1,x2...)＝c(f(x1),f(x2)...)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0058][0059]
式(3)中：h是n维随机变量的联合分布函数，则存在一个n元的copula函数与其对应。其中copula的参数是通过两个风电场的累计概率分布所拟合计算得出的。
[0060]
式(4)中：f为随机变量x的边缘分布函数；g为随机变量y的边缘分布函数；ρ为参数；为自由度为k的一元t分布函数的反函数；在二维t-copula函数中，f和g服从t分布。通过计算得到对应变量的边缘概率分布后，即可通过式(3)计算得到t-copula模型的参数。
[0061]
对t-copula函数参数进行拟合，得到对应的t-copula函数后，通过对其抽样，可以得到初始风电场景，其矩阵形式如公式(5)所示：
[0062][0063]
式中：x为风电出力值；n表示风电场总数(n＝1，2，
…
，n)；其中行向量表示不同风电场的出力序列，列向量表示基于某一基准风电场所计算出的风电出力，不同列向量之间包含了风电场间的空间相关性信息。得到计及风电空间相关性的场景后，可以通过条件概率公式(1)得到对应的概率分布直方图，判断是否满足历史风电出力序列的空间相关性。
[0064]
202：电力系统静态安全分析的“n-1”准则，是指逐个断开输电线路等元件，检查系统中其它元件是否因此过负荷或产生电压越限，以此来检验电网结构强度和运行方式是否满足安全运行要求。静态安全约束下的输电能力是指在满足潮流约束方程、系统的运行极限和系统静态安全约束的前提下，使送电区域到受电区域的输电功率最大化
[3]
。考虑风电的静态安全约束输电能力数学模型如下：
[0065]
目标函数：maxf＝max∑p
gi
∑p
wi
ꢀꢀ
(6)
[0066]
式中：p
gi
为节点i火电机组的有功发电量，p
wi
为节点i风电机组有功发电量。本发明实施例的目标函数采取极大化送电区域火电机组出力和风电机组出力等效区域间联络线传输的最大功率，文献[13]已经证明6个等效的目标函数计算区域间输电能力。
[0067]
等式约束条件：
[0068][0069]
式中：p
di
、q
di
为节点i的负荷；p
wi
、q
wi
为风电机组有功/无功发电量；通常情况下风电机组所提供的无功功率，按额定的功率因数进行折算，本发明实施例选取的功率因数为0.85；p
gi
、q
gi
为常规发电机组有功/无功发电容量；ui、uj分别为节点i和j的电压幅值；θ
ij
为节点i和j电压的相位差，θ
ij
＝θ
i-θj；g
ij
和b
ij
为节点导纳阵中的元素。
[0070]
不等式约束条件主要包含发电机出力约束、热稳定约束、节点电压约束和负荷出力约束等，相应的数学表达形式如式(8)所示。
[0071][0072]
式中：u为计算输电能力时发电侧节点的集合，e为计算输电能力时受电侧负荷节点的集合，ψ为整个系统发电机节点的集合，w为风机并入节点的集合，n为整个系统节点总数，n
ω
为支路总数，变量上角标“b”、“min”、“max”分别表示基态潮流中的值、变量的下限和上限值；l＝1,2,3
…
,l为支路的集合，l为支路总数，p＝1,2,
…
,n
ω
表示故障集合，p＝0表示
系统无故障,系统的初始运行状态，n
ω
为预想事故个数，控制变量u0包括p
gi
、p
wi
；状态变量包括节点电压幅值和相角。
[0073]
相比于传统的概率ttc评估流程，考虑到风电出力的随机性，当风电最大出力较小时，高渗透率风电送端电网存在出力加到最大仍未达到传输极限的无效场景。为此，本发明实施例提出利用蒙特卡洛方法对考虑风电相关性的电力系统区域间ttc进行概率评估，利用场景筛选技术去除无效场景，具体步骤如下所示：
[0074]
步骤一，基于条件概率原理和copula函数获得计及风电相关性的风电出力样本，将历史负荷数据作为负荷样本集合；
[0075]
步骤二，利用步骤一中获得的计及风电相关性的风电场景和负荷样本，通过确定性模型计算每一个场景下的ttc；
[0076]
步骤三，判断每个场景送电区域机组出力是否达到上限，如果所有机组均达到上限而输电线路没有达到传输容量极限，说明此时没有受到断面的限制，没有达到两区域间最大输电能力，所以去掉该无效场景；
[0077]
步骤四，在完成筛选之后，对所有场景下ttc的结果进行概率密度拟合，分析不同风电场景对ttc的影响。
[0078]
具体流程图如图2所示。
[0079]
203：在实际电网运行中，需要针对大负荷、小负荷、新能源发电最大、最小等各种工况进行分析，确保正常方式及检修方式下电网的安全稳定运行。考虑到风电最大出力的不确定性，当每个风电场分别独立考虑最大、最小出力时，容易出现考虑工况过于保守导致输电能力不能充分发挥，引起新能源弃电问题；而当各个风电场同时考虑时，又容易出现考虑工况过于简单导致电网安全稳定水平下降的问题。由于大规模风电汇集地区，风电场间具有较强的相关性，可以利用这种强相关性对风电场出力进行控制，在确保电力系统安全稳定运行的同时，提升区域间ttc，缓解风电限电问题。
[0080]
对两风电场的控制策略具体如下：
[0081]
|p
w1-p
w2
|≤a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)式(9)中，a表示由于两风电场间的出力限制，由于两风电间出力相关性较强，出现一些区域间输电能力较低的场景，是由于某些风电场景中两风电场出力相差较大。此时两风电场的出力受系统安全稳定运行的约束，同时受到式(9)对两风电场出力进行限制，进而会产生一些无效的ttc场景，利用第二节中概率ttc评估流程中的场景筛选技术，可以去除无效场景，达到提升区域间输电能力的目的，a与ttc
min
的关系如图3所示。
[0082]
本节对计及限电指标的区域间ttc双层评估模型具体框架进行阐述。通过建立双层模型对风电场间控制参数a和断面ttc
min
进行优选，进而提高新能源送出系统的输电能力，解决大规模新能源汇集地区的限电问题。具体模型如图4所示，通过上层模型优化风电场控制参数a，将a传递给下层求得保证系统安全稳定运行的区域间ttc最小值ttc
min
，此时通过a和ttc
min
求得此场景下对应的限电指标。按照此双层模型循环迭代选取最优控制参数a，提升系统区域间ttc，解决限电问题。
[0083]
利用上述双层模型，求取限电指标的具体求解流程如下所示，流程图如图5所示：
[0084]
1)通过上层模型优化风电场控制参数a，将a传递给下层求得ttc最小值ttc
min
。
[0085]
2)判断第一个风电场景两风电场的最大出力之差是否小于出力限制a；
[0086]
3)如果两风电场最大出力之差小于a，此时求得的限电值为风电场1最大出力加风电场2最大出力减去所设断面ttc
min
；若此时两风电场最大出力之差大于a，则进入第四步；
[0087]
4)如果两个风电场最大出力中较小的2倍加上a大于等于设置的ttc，则输出此时的限电值为两风电场最大出力之和减去ttc
min
；否则进入下一步；
[0088]
5)输出风电场限电值为两风电场最大出力之和减去较小的最大出力2倍再减去a；
[0089]
6)得出第一个场景下的限电值；
[0090]
7)计算所有场景的限电值相加，得出总的限电值。
[0091]
图5中p
wmax1,k
，p
wmax2,k
，p
wmax(1，2min)
，分别表示第k个场景下风电场1最大出力、风电场2最大出力和两风电场最大出力较小的风电场出力。
[0092]
通过限电指标求解流程，可以选取不同的a，从而给定不同的ttc
min
，并通过上述计算限电指标流程得到不同控制策略下对应的限电指标。对控制策略进行优选，再限电指标最小的前提下，进而极大化区域间ttc。
[0093]
实施例3
[0094]
下面结合具体的实例、图6-图9、以及表1-表2，对实施例1和2中的方案进行可行性验证，详见下文描述：
[0095]
本实例是以pjm-5节点系统为例，将系统分为两个区域，对左侧发电区域到右侧受电区域的ttc进行评估。发电区域的两个容量为300mw的风电场分别集成在1节点和5节点，发电区域传统机组的容量为210mw，占发电区域的百分之25左右，风电出力数据来自美国西风数据库。改进的5节点系统的拓扑结构如图6所示。
[0096]
由于风电出力的不确定性，分析两风电场最大出力不同时对区域间输电能力的影响，进而验证确定性模型的准确性。假定的5个场景如下所示：
[0097]
场景1：送电区域风电场1和风电场2最大出力均为100mw；
[0098]
场景2：送电区域风电场1最大出力为150mw、风电场2最大出力为350mw；
[0099]
场景3：送电区域风电场1最大出力为350mw、风电场2最大出力为150mw；
[0100]
场景4：送电区域风电场1和风电场2最大出力均为300mw；
[0101]
场景5：送电区域风电场1和风电场2最大出力均为350mw；
[0102]
表1为5个不同风电最大出力场景对应的区域间ttc，并通过场景筛选技术确定此场景是否为有效场景。
[0103]
表1不同风电场最大出力下断面间ttc
[0104][0105]
由表1可知，场景1两个风电场出力均达到上限，通过观察pjm-5节点系统6条线路的传输功率发现，传输功率均未到达上限，该场景为无效场景；场景2、场景3分别为风电场2最大出力较大于风电场1最大出力和风电场1最大出力较大于风电场2，由结果可知，场景2下测算得到区域间ttc的结果为503.04mw，此时风电场1出力达到上限，风电场2出力未达上
限，通过观察各条支路的流量，主要是a-e支路达到传输容量上限，该场景此时达到ttc，场景3区域间ttc的结果为521.22mw，该场景同样为有效场景，可以看出两风电场最大出力不同对区域间ttc的影响不同，对风电场1的容量提升有利于提升区域间ttc；从场景4和场景5可以看出当风场出力超过一定值后，由于系统达到安全稳定运行的极限，区域间ttc将不会再随之增大。以上场景结果均利用matpower进行验证，保证结果的准确性。
[0106]
由表1可知，高占比新能源汇集地区，由于存在风电场出力较小的情况，进而会产生无效场景；区域间ttc和两风电场的最大出力有关；对风电场2的容量进行提高，对区域间ttc提升较小；对风电场1的容量进行提高，对区域间ttc提升较大，对风电场1的容量进行提高，有利于提升区域间的输电能力；可以利用场景筛选技术去除无效场景，对区域间ttc进行提升，但会导致限电率过高，需要通过对两风电场建立相应的控制策略，提升区域间ttc的同时，极小化限电率。
[0107]
对区域间ttc进行概率评估，计算所有场景下区域间ttc的值，得到的概率分布直方图如图7所示：
[0108]
通过观察概率分布直方图可以发现ttc在439-492mw存在极少数的场景，当运行人员进行对区域间ttc进行设置时，ttc设置的较低，会导致限电问题严重。利用计及限电指标的区域间ttc的提升策略，将风电场1和风电场2间加入出力限制，筛选无效场景，进而提升区域间ttc。当a＝150mw、a＝60mw、a＝20mw时，得到的概率分布直方图如图8所示。
[0109]
由图8可知，随着a的不断提高，对两风电场的出力限制逐渐减小，a为20mw和a为60mw时，不存在区域间ttc为510-515mw的场景,a为20mw相比于60mw、150mw是对风电场出力限制更大，所以在ttc为505-510mw时，a为20mw同样没有对应的场景。
[0110]
当a为150mw时，经场景筛选后，区域间ttc在490-495之间的场景存在21个，其中区域间ttc最小的场景为491mw，此时区域间ttc可以提升至491mw；当a设置为60mw时，经场景筛选后，区域间ttc在490-495mw之间的场景存在4个，其中区域间ttc最小的场景为494mw，区域间ttc可以提升至494mw；当a设置为20mw时，经场景筛选后，不存在区域间ttc在490-495mw之间的场景，其中区域间ttc最小的场景为500mw，区域间ttc提升到500mw。由于a设置的不同，区域间ttc提升能力不同，随着a的不断减小，区域间ttc不断提升，但随着a减小到一定程度，区域间ttc的提升空间逐渐达到极限。
[0111]
此时区域间ttc不断提升，但送电区域的风电机组由于受到两风电场间出力的限制，不能保证限电问题有效的解决，所以利用本文提出的一种计及限电指标的区域间ttc的提升方法，对不同控制策略下的限电指标进行计算，得到的结果如下表所示：
[0112]
表2不同控制参数a和ttc
min
所对应的限电指标
[0113]
[0114]
图9为通过表2中的数据拟合出的限电指标曲线，由表2和图9可以看出不同控制策略所对应的限电指标不同，随着a的增大，区域间ttc逐渐减小。区域间ttc出现较低的场景是由于两风电场最大出力相差较大，所以a逐渐增大，两风电场出力进行限制逐渐减小，进而无效场景减小，使得区域间ttc不断减小。但随着a的逐渐增大，限电指标先减小后增大，是由于限电指标同时受到区域间ttc和控制策略a的限制，通过不同的a进行测算，可以看出a与限电指标对应的函数为单峰函数，可以利用插值法进行函数拟合，再利用黄金分割法求取最优的a。本算例最终求得的a为155.91mw，此时区域间ttc为491mw，限电指标为2.50亿千瓦时。如果不采用此控制策略，区域间ttc为440mw,限电指标为3.42亿千瓦时，可以看出利用此控制策略对区域间ttc进行提升可以有效解决大规模新能源汇集地区限电问题。
[0115]
参考文献
[0116]
[1]irena(2020).renewable capacity statistics 2020[r/ol].[2020-03-31].https://www.irena.org/publications/2020/mar/renewable-capacity-statistics-2020.
[0117]
[2]ou yan,singh c.assessment of available transfer capability and margins[j].ieee transactions on power systems,2002,17(2):463-468.
[0118]
[3]north american electricity reliability council.available transfer capability definition and determination[r].new jersey,usa:north american electric reliability council,1996.
[0119]
[4]shaaban m,ni y x,wu f f.transfer capability computations in deregulated power systems[a].in proceedings of the 33rd hawaii international conference on system sciences[c].hawaii january 2000 1260-1264.
[0120]
[5]du p,li w,ke x,et al.probabilistic-based available transfer capability assessment considering existing and future wind generation resources[j].ieee transactions on sustainable energy,2015,6(4):1-9.
[0121]
[6]chen h,fang x,zhang r,et al.available transfer capability evaluation in aderegulated electricity market considering correlated wind power[j].iet generation transmission &distribution,2018,12(1):53-61.
[0122]
[7]李湃,刘纯,黄越辉,等.基于隐马尔科夫模型的多风电场相关性出力时间序列建模方法[j].中国电机工程学报,2019(19).
[0123]
[8]audomvongseree k，yokoyama a.consideration of an appropriate ttc by probabilistic approach[j].ieee transactions on power systems，2004，19(1)：375-383.
[0124]
[9]interval optimization for available transfer capability(atc)evaluation considering wind power uncertainty
[0125]
[10]sahlqvist,leif(2008).cardinal alignments and the golden section:principles of ancient cosmography and design(3rd rev.ed.).charleston,sc:booksurge.isbn 1-4196-2157-2.
[0126]
[11]丁明,宋晓皖,孙磊,等.考虑时空相关性的多风电场出力场景生成与评价方法[j].电力自动化设备,2019,39(10):39-47.
[0127]
[12]he y,li h.probability density forecasting of wind power using quantile regression neural network and kernel density estimation[j].energy conversionand management,2018,164:374-384.
[0128]
[13]张儒峰.考虑风电并网系统综合运行效益的可用输电能力研究[d].吉林:东北电力大学,2016.
[0129]
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
[0130]
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0131]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。