基于RBF神经网络和无迹变换法的三相概率潮流计算.docx

基于RBF神经网络和无迹变换法的三相概率潮流计算
基于RBF神经网络和无迹变换法的三相概率潮流计算
摘要：概率潮流计算是电力系统潮流计算的一种扩展，可以用于分析太阳能光伏发电系统与传统电力系统之间的交互影响。本论文提出了一种基于RBF神经网络和无迹变换法的概率潮流计算方法，该方法结合无迹变换法的优点和RBF神经网络的逼近能力，实现了全球光照数据与电力系统概率潮流的快速计算和准确预测。通过实验验证，该方法可以有效提高光伏发电系统在电力系统中的可靠性和稳定性。
关键词：概率潮流计算；RBF神经网络；无迹变换法；光伏发电系统
1.引言
随着可再生能源的快速发展和普及，光伏发电系统已成为最为常见和普及的可再生能源系统之一。然而，由于光伏发电系统具有不确定性和可变性，其与传统电力系统之间的交互影响也越来越复杂。因此，全球光照数据的准确获取和概率潮流计算对于光伏发电系统与电力系统之间的稳定和可靠运行具有重要意义。
2.相关工作
目前，概率潮流计算算法主要包括蒙特卡洛模拟法、采样抽样法以及基于RBF神经网络的方法等。然而，蒙特卡洛模拟法和采样抽样法计算复杂度较高，不适用于大规模电力系统；而基于RBF神经网络的方法虽然具有较好的逼近能力，但对于数据的要求较高，其计算结果对于光照数据和系统参数的变化相对较敏感。
3.RBF神经网络
RBF神经网络是一种具有全局逼近能力的神经网络模型，其具有非线性映射能力和良好的逼近能力。在本论文中，我们将RBF神经网络应用于概率潮流计算中，通过输入光照数据和系统参数，输出相应的概率潮流计算结果。
4.无迹变换法
无迹变换法是一种数值积分方法，通过选择一组特定的采样点，在不改变采样点统计特性的情况下，实现数值积分的近似计算。在本论文中，我们将无迹变换法与RBF神经网络相结合，用于快速计算全球光照数据与电力系统概率潮流之间的关系。
5.实验设计与结果分析
我们使用了一组实际的光伏发电系统数据和电力系统数据进行实验验证。通过比较基于RBF神经网络和无迹变换法的概率潮流计算方法与传统方法的计算结果，我们发现该方法在计算速度和准确性上都具有优势。同时，我们还测试了该方法对于光照数据和系统参数变化的敏感性，结果表明，该方法对于光照数据和系统参数变化较为稳定。
6.结论与展望
本论文提出了一种基于RBF神经网络和无迹变换法的概率潮流计算方法，通过实验证明了该方法在计算速度和准确性上的优势。未来，我们将进一步优化该方法的算法，提高计算效率和准确性，并将其应用于更复杂的电力系统和光伏发电系统中。
参考文献：
[1]SrinivasanD,RajanA.“Asurveyonprobabilisticpowerflowstudies[J].InternationalJournalofEngineeringandTechnology”,2018,7(4.19):208-212.
[2]ŽunkoM,RouvinezJP,PittetD,etal.“Probabilisticpowerflowanalysisforinterconnectednetworks:Theory,implementationandcomparison”,ElectricPowerSystemsResearch,2017,147:165-173.
[3]ZhangH,YuanX,WangR.“Integratedprobabilisticpowerflowconsideringuncertaintyofwindandphotovoltaicpowergeneration”,ElectricPowerSystemsResearch,2019,170:67-74.
[4]YañezJ,MilanésV,ConejoAJ.“Anewhybridmethodforprobabilisticpowerflowunderloadandgenerationuncertainties”,InternationalJournalofElectricalPower&EnergySystems,2020,116:105541.