本文是一篇电气工程论文，本文中考虑风电场出力不确定性对系统的影响，对电力系统的机组同调辨识和主动解列断面搜索进行研究。
1 绪论
1.1 研究背景及意义
过去几十年中，电力系统的安全稳定运行对社会经济的发展和人民正常生活起着重要的支撑作用，我国电力系统的发展取得了显著的成就，以交直流特高压电网为骨架的坚强智能电网已经逐步建成[1]，新能源装机容量和发电量也逐年攀升[2]。为实现“碳达峰”、“碳中和”等战略目标，绿色可再生能源大规模并网已成为中国电网发展的重要方向。风能具有丰富的储量，成熟的开采技术，以及清洁无污染等特性，成为最具性价比的可持续资源，故风电成为电力改革的首选，是替代火电的较好选择[3]。在明确的碳中和目标下，风电迎来了快速的发展，风电装机容量逐年增长，截至2023年12月底，全国风电装机容量约4.4亿千瓦，同比增长20.7%，2015-2023年全国电力装机结果如图1-1所示。
风力发电并网是实现风能大规模开发利用的有效途径，但是高比例风电的大量接入，将使得电力系统成为一个巨型非线性、非自治、高维、广域时变系统，在电力系统中可能发生的事件和事故更加多变和不可预测[4]。并且新型电力系统中多个区域电网互联共同运行，某个局部电网发生故障可能影响到其它互联的电网，导致连锁故障甚至大停电事故的发生。
1.2 国内外研究现状
1.2.1 同调机组辨识的研究现状
在电力系统受到扰动后，系统中的发电机会表现出不同的动态特性，其中某些发电机会出现相似的动态特性的现象称为机组同调现象。对系统扰动后的发电机组进行同调辨识可以为电力系统的动态等值提供依据，减少系统规模，提高计算效率；同时机组同调辨识结果还是求解解列断面的前提条件。总结当前的机组同调辨识方法，大致可以分为以下三种方法：
（1）基于系统状态矩阵的分群法
此类方法将系统进行线性化后求解状态方程的特征根和特征向量，以此来进行机组同调辨识。文献[10]首先将系统进行线性化，采用慢同调算法对机组进行离线分群，然后提取功角数据信息利用希尔伯特-黄变换（Hilbert-Huang Transform）对机组进行分群，但是采用慢同调的离线分群未考虑系统实时状态，希尔伯特-黄变换应用时存在特征参数难以选取的问题。文献[11]先利用非负矩阵对发电机角速度数据进行降维，再利用K均值聚类算法对发电机进行分群，提高计算速度，但降维的过程中可能会丢失有效信息。文献[12]采用慢同调算法对网络中的元件进行简化处理后得到发电机的分群结果，进行简化后减少了计算量，但是未考虑系统的实时状态。
（2）利用系统特征量的分群法
此类方法对同调发电机进行分群的依据是能表征系统特征的物理量，按照选取的特征参数进行同调机辨识。文献[13]先对扰动数据进行模糊处理建立模糊相似矩阵，然后采用模糊聚类法对发电机组进行辨识，但是要通过人工进一步选取最优分群。文献[14]利用发电机间的电气和机械距离作为指标，对发电机进行分群，通过简化系统提高计算速度，但是仅考虑了系统静态数据，未考虑实时动态数据，分群结果可能存在误差。
2 风电场出力场景生成及缩减
2.1 数据预处理
在采集和传输风电场功率数据的过程中，难以完全避免外来干扰因素的影响，这可能导致数据出现错误或异常情况。为解决这一问题，运用SG滤波对原始风电场功率数据进行降噪处理，以提升数据的准确性和可靠性。
Savtzky-Golay滤波法，即SG滤波，由Savtzky和Golay两位学者提出的一种用于平滑时间序列数据的滤波方法[60]。该方法利用最小二乘原理在局部数据段拟合一个多项式曲线，将局部数据段作为一个可以滑动的数据窗口，对窗口内的数据进行加权多项式拟合，求取最小的均方根误差，在此过程中，对于那些远离大部分数据点的边缘异常值，该方法会选择性地不予纳入拟合计算之中。SG滤波示意图如图2-1所示。
2.2 风电场历史出力数据的概率密度分布在统计学领域，核密度估计（Kernel Density Estimation, KDE）作为一种非参数估计方法[64]，广泛应用于对未知密度函数的估算。此方法直接根据样本数据本身的特点来拟合分布，不需要对数据分布进行先验假设，通过核函数对局部区域进行处理，以获取整体的概率密度分布。对于一个未知的数据集，KDE首先要选择核函数和带宽参数，核函数会在每个数据点周围构建一个核密度函数；带宽参数决定每个数据点对于概率密度函数估计的贡献程度，带宽参数过小可能导致概率密度函数波动较多，甚至出现过拟合现象，带宽参数过大可能导致结果不准确。然后对每个数据点计算核函数后进行加权平均，得到整个数据集的概率密度函数的估计值。
目前，基于历史统计数据的风电场景生成方法一般需要运用直接或间接手段对风电功率的概率分布函数进行抽样，以此构建出能够从概率统计角度上逼近实际风电功率输出值概率分布的风电功率场景，其中广泛应用的抽样技术之一是蒙特卡罗抽样法[65]，也被称为随机抽样技术。这一方法通过大量的随机实验来估算某一事件发生的概率，当随机实验的次数足够多时，某一事件在重复实验中出现的频率将趋近于该事件实际发生的概率。蒙特卡罗抽样的核心策略就是通过产生符合均匀分布特性的随机数列，对目标概率分布进行采样，从而实现对原问题解的近似估计。然而，在采样数量较为有限的情况下，该方法可能出现采样点过于集中于同一区域的问题，这将直接导致模拟结果产生较大的偏差。因此，为了减轻这种集中现象所引发的误差，就必须提升抽样数量，从而增强模拟的精确度，但是提升抽样数量会导致采样次数增加。
3 风电场接入下的电力系统机组同调辨识 ........................ 15
3.1 含风电场的发电机同调性分析 ............................... 15
3.2 选取同步发电机同调辨识的相似性指标 ......................... 18
4 计及风电不确定性及负荷需求响应的主动解列断面搜索 .............. 35
4.1 负荷需求响应分析 ........................ 35
4.2 主动解列断面搜索模型建立 .............. 36
5 总结与展望........................... 57
5.1 总结 ........................................ 57
5.2 展望 .................................... 58
4 计及风电不确定性及负荷需求响应的主动解列断面搜索
4.1 负荷需求响应分析
负荷需求响应（Demand Response，简称DR）是一种促进电力供需平衡、保障电网稳定运行、抑制电价上升短期策略，在电力市场价格显著升高（降低）或者电力系统安全稳定性受到威胁之时，电力用户会依据价格信号或激励政策，临时调整自身的用电模式，以达到减少（或增加）负荷的目的[68]。另外我国电力系统面临大规模波动性、间歇性可变新能源并网，例如风电大规模并网产生的出力波动等问题，负荷需求响应机制可以通过电价调控或激励措施，引导终端用户的用电行为进行削峰填谷，增强整个系统的灵活性，在助力系统更好地接纳更高比例的间歇性新能源的同时，还能够帮助用户节约能源成本，最终实现系统运行效率与环保效益的双重提升。负荷需求响应的分类如图4-1所示。
根据驱动方式的不同，需求响应可以被划分为价格型需求响应和激励性需求响应[69]。在价格型需求响应中，其反应速度主要依赖于用户的自主选择，用户则依据电价变动灵活调整自身用电模式，旨在鼓励用户顺应动态电价以优化电能消耗，进而缓解高峰期负荷压力，提升电力系统的稳定性。这一类型主要包括分时电价、实时电价以及尖峰电价这三种模式。而激励型需求响应的核心在于其奖励机制。用户通过与电网公司签订协议，在遵循调度中心指令的基础上主动调整用电行为，若成功执行将获得相应的奖励。激励型需求响应的主要形式包括直接负荷控制、可中断负荷服务、紧急需求响应以及需求侧竞价等。 基于响应速度的差异，需求响应被划分为经济型需求响应和紧急型需求响应两
5 总结与展望
5.1 总结
现阶段，新型电力系统正朝向开发可再生能源、建立智能电网和区域电网互联互通等趋势发展，使得电力系统逐渐演变成一个巨大而复杂的系统。目前结合双碳目标推进电网节能减排，风电等可再生能源发电在系统中的占比逐渐增加，给电力系统的安全稳定运行带来更大的挑战；另一方面，电网向着互联互通的方向发展，但各地区之间的电网结构和联系尚显薄弱，导致系统的运行控制难度提升。基于此，电力系统中可能发生的事件和事故更加多变和不可预测，存在局部扰动可能导致各区域电网连锁故障甚至大停电的风险，为了防止系统发生连锁故障甚至大停电事故。本文中考虑风电场出力不确定性对系统的影响，对电力系统的机组同调辨识和主动解列断面搜索进行研究，主要完成工作及结论如下：
（1）根据风电场出力的历史数据，采用SG滤波进行数据预处理，消除噪声干扰，再用核密度估计计算出风电场出力概率密度函数，通过拉丁超立方采样生成大量风电出力样本数据，再利用K-Means算法进行消减，得到风电场出力的场景和概率，为风电场接入下的机组同调辨识及主动解列断面搜索提供数据基础。
（2）提出一种适用于风电场接入下的机组同调辨识方法。首先，将风电场对机组同调性的影响转化为对同步机之间电气联系强弱的改变，形成收缩导纳矩阵作为静态电气距离指标；其次选取度量发电机功角增量曲线相似性的4种动态指标；然后利用组合赋权法对上述5个
