1、隨著全球能源結(jié)構(gòu)的不斷調(diào)整，新能源發(fā)電規(guī)模迅猛增長(zhǎng)。風(fēng)力發(fā)電作為目前技術(shù)最為成熟的一種新能源發(fā)電方式，得到了前所未有的高速增長(zhǎng)，其發(fā)電規(guī)模更是超越了核能發(fā)電。然而風(fēng)力發(fā)電固有的隨機(jī)性、間歇性和不可調(diào)度性，會(huì)對(duì)風(fēng)電并網(wǎng)系統(tǒng)的靜態(tài)電壓穩(wěn)定性造成影響，并且這種影響會(huì)隨著風(fēng)電滲透率的提高而變得越來(lái)越明顯。為了全面分析風(fēng)力發(fā)電并網(wǎng)對(duì)電力系統(tǒng)穩(wěn)定性的影響，本文重點(diǎn)研究了風(fēng)電并網(wǎng)系統(tǒng)概率潮流計(jì)算及靜態(tài)電壓穩(wěn)定概率評(píng)估方法，主要工作內(nèi)容如下：
　

2、　首先，針對(duì)基于加權(quán)高斯混合分布(Weighted Gaussian Mixture Distribution，WGMD)構(gòu)建風(fēng)電場(chǎng)概率模型的方法中EM（Expectation Maximization）算法由于其固有缺陷導(dǎo)致整個(gè)模型擬合精度降低的問(wèn)題，提出基于DAEM（Deterministic Annealing Expectation Maximization）算法的風(fēng)電場(chǎng)概率建模方法。DAEM算法通過(guò)引入退火機(jī)制，避免了在模型參

3、數(shù)最大似然估計(jì)時(shí)，EM算法容易陷入局部最優(yōu)的問(wèn)題，使得風(fēng)電場(chǎng)模型更加準(zhǔn)確。通過(guò)采用風(fēng)電場(chǎng)有功出力的實(shí)測(cè)數(shù)據(jù)進(jìn)行模型建立對(duì)比分析，結(jié)果表明了該改進(jìn)算法的精確性和有效性。
　　其次，提出一種改進(jìn)的馬爾科夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）模擬法。目前，在基于MCMC模擬法的概率潮流計(jì)算方法中，被廣泛應(yīng)用的Gibbs采樣算法需要進(jìn)行大量復(fù)雜的迭代運(yùn)算才能得到比較精確的計(jì)算結(jié)果。針對(duì)該算法的缺陷，本文

4、提出了基于切片采樣（Slice sampling）算法的MCMC方法，并應(yīng)用于風(fēng)力發(fā)電并網(wǎng)系統(tǒng)概率潮流計(jì)算中。仿真結(jié)果表明：切片采樣方法能夠提高傳統(tǒng)MCMC方法的計(jì)算準(zhǔn)確度；同時(shí)，在與Gibbs算法采樣迭代次數(shù)相同的情況下，切片采樣算法所生成的馬爾科夫鏈可以更快、更穩(wěn)定地收斂于平穩(wěn)分布。
　　最后，針對(duì)目前風(fēng)電并網(wǎng)系統(tǒng)靜態(tài)電壓穩(wěn)定概率分析的不足，提出了一種基于L指標(biāo)的風(fēng)電并網(wǎng)系統(tǒng)靜態(tài)電壓穩(wěn)定概率評(píng)估的新方法。采用 L指標(biāo)分析包括風(fēng)