随机电源与确定电源协同调度综述
2014-01-28郭创新黄一诺王力成
郭创新,黄一诺,王力成,潘 毅,戴 赛
(1.浙江大学 电气工程学院,浙江 杭州 310027;2.中国电力科学研究院,北京 100085)
随着全球能源危机的深入,绿色低碳经济越来越受到人们的重视。大力推进清洁能源和可再生能源的利用是克服传统化石燃料大量消耗带来的能源危机和环境污染问题的最佳出路。风能与太阳能作为2种最为常见的可再生能源,逐渐得到了广泛的发展和应用。风能以其资源分布广泛、可利用技术成熟等特点在世界各国得到大力的发展[1],全球可利用的风能约有2×107MW,比水资源可利用量大10倍以上。中国现阶段正大力发展风力发电,以江苏省为例,计划于2020年前建成总装机容量为300万kW的陆地风电场和700万kW的海上风电场,风力发电在国民经济中正起着越来越重要的作用[2]。与风电类似,光伏发电也是目前比较流行的一种利用可再生能源的发电形式。光伏发电技术是利用半导体材料的光电效应将太阳能转换为电能,具有规模灵活、无污染和维护简单等优点。由于光伏发电板价格依然昂贵,为了充分利用其发电能力,故目前采用最大功率跟踪技术来控制光伏发电板的功率输出。最大功率跟踪技术能使光伏电板的端电压根据实时光照强度的变化而变化,从而使输出功率始终保持在最大值[3-4]。
笔者对可再生能源接入传统电网所造成的影响以及相应的应对措施进行综述,将目前科学研究和工业应用中应对可再生能源不确定性的各种方法分成3个层次,即预测阶段、提前计划阶段和实时调度阶段,如图1所示。
图1 应对新能源出力不确定性方法的3个层次Figure 1 Three layers of methods for uncertainty renewable energies analysis
预测阶段:包括风电场出力、光伏阵列出力在内的可再生能源出力的提前预测是其大规模接入的前提条件。大量科学研究和生产实践已经证明,提高可再生能源出力预测的精度可以减少系统备用,从而大大提高电网运行的经济性。提前计划阶段:包括制定储能系统下一周期的充放电计划、发电机组的日前调度计划以及无功补偿设备,如并联电容器的投切计划等。提前计划的制定需要考虑可再生能源的预测值、预测精度以及运行的经济性,从而使电力系统运行于一个合适的运行点,在这个运行点上,电力系统通过实时调度策略就可以应对新能源出力的波动。提前预测阶段在可再生能源接入策略中起承上启下的衔接作用。实时调度阶段:包括风电、光伏出力的削减、快速启动机组调节出力以及有载调压变压器调节分接头等。通过电力系统实时调度,消除由可再生新能源出力不确定性造成的节点电压、支路潮流越限等故障。
1 新能源大规模接入电网带来的挑战
无论是风力还是光伏发电,可再生新能源发电系统都具有出力随机、可控性差的问题,这给机组的调度工作带来了极大的困难,从而限制了可再生新能源的接入容量。比如,内蒙古电网的风电理论承受能力为电网总容量的8%~10%,然而,目前已建成的风力发电容量已达该区域最高供电负荷的27%,大大超过了内蒙古电网的消纳能力。随之而来的是,许多风电场或光伏发电系统依然处于孤立运行的状态,不能为大电网提供可靠的电能供应。风电出力的大小依赖于当时当地的天气状况,因此具有很强的间歇性、波动性。当并网风电容量较小时,风电出力的波动对电力系统的影响并不十分明显,但随着风电接入容量在电力系统中所占的比例逐渐增大,这种随机性对电力系统的冲击也变得越来越明显而变得不可忽略。文献[5-7]介绍了大规模风电接入后风电场与电力系统的相互影响。
目前,越来越多的可再生新能源如太阳能、风能等也开始接入配电网中,直接为用户提供电能,此外多余的电能还能售卖给电网,为可再生新能源发电设备的拥有者获取额外的收益。然而,对于接入配电网的光伏发电系统而言,在正午时分,大量由光伏发电系统产生的有功功率注入会导致配电网中反向潮流的出现,这将打破现有辐射型配电网保护配置的原则[8],并引发电压调节和继电保护等诸多问题。此外,随着可再生新能源接入容量的增加,大量有功功率注入配电网所引起的反向潮流还会导致节点电压越限以及支路潮流越限事故[9-11],给电力系统的安全运行带来挑战。
2 可再生能源出力预测
应对可再生能源不确定性的一种有效措施是提高其出力预测的精度,从而使电力系统的常规控制能提前制定应对策略,如常规发电机组的日前调度计划、储能系统的下一周期充放电计划等,来应对可再生能源出力的波动。早在20世纪90年代,丹麦的里索风电国家实验室就开发出了一套比较成熟的风电出力预测系统Predictor,通过输入数值气象预报(Numerical Weather Prediction)、风电场的地理信息情况(地形、等高线、粗糙度等)来对风电场的出力进行预测[12-13]。风电出力预测在时间尺度上可以分为长期预测、中期预测、短期预测和超短期预测[1]。不同时间尺度的风电预测对应于不同的应用场合,如以小时为单位的短期预测,一般指的是提前1~48h对风电场的出力情况进行预测,其主要是用于对电力系统的合理调度以及保持系统功率平衡。数值天气预报(包括风速、风向等信息)是短期风电功率预测的关键信息,而其中的风速预报是影响风电功率输出的关键因素。在短期风电功率预测中,通过对输入信息的统计分析来获得预测值,其流程分为预报数据校正、风电功率点预测和风电功率概率区间预测3个环节,如图2所示。
图2 短期风电功率预测流程Figure 2 Flow chart of short-term wind power prediction
3 可再生能源与储能的联合调度模型
如果能够准确地预报风电场的风速和发电功率,且在制定和调整电力系统调度运行计划时充分考虑风电的特点,将有效保证电网的电能质量,减少系统备用容量需求,降低电力系统的运行成本,这是降低大规模并网风电对电力系统不利影响、提高风电并网容量的有效途径。然而,现阶段的技术还难以获得风电场出力的精准预测。由于一定程度上的预测误差始终存在,需要通过快速起动机组的备用容量或储能系统的充放电策略来平抑风电功率的波动。
近年来,风电储能混合系统的联合运行为新能源的大规模接入提供了有效的途径。目前,国内外应用于大规模电力系统的储能技术主要有6种[14]:抽水蓄能电站、压缩空气储能、超级电容、电磁储能、蓄电池、飞轮储能。储能系统具有灵活吸收能量和适时释放的功能[15],通过储能系统出力的快速调节,可以平抑可再生新能源出力的波动,从而获得较为平稳的混合系统输出功率。
风电储能混合系统具有一定的可调度性,因此其在电网中可以看成一个发电厂,文献[16]给出了风电储能系统联合运行的静态模型;文献[17-18]还考虑了风电预测不准确的问题,提出了更有指导意义的风电储能系统的架构;文献[19-20]分别基于随机规划和蒙特卡洛法处理风电储能系统的不确定性。
风电储能系统与大电网的联合调度模型如下所述:电网调度中心向风电储能混合系统下发次日的负荷预测信息,风电场根据自身的风电预测出力、储能配置情况、电价曲线、考核惩罚等因素,向调度中心申报次日的出力。调度中心收到混合系统的出力计划,再安排其他机组的出力计划。当混合系统的实际出力与申报出力发生偏离时,需要根据偏离量的大小接受一定的惩罚,以此激励风电场提高风电预测精度,从而提高混合系统的可调度性[9,21]。为了使经济利益最大化,风电储能混合系统的联合调度模型的目标函数应综合考虑混合系统向电网的售电收益、偏离计划出力的惩罚、尽量小的弃风量等因素,即
式中 ω为随机变量,用来描述风电不确定性产生的场景;Pbid,t为混合系统日前申报的t时段的出力计划;T为时段集合;pω为场景ω发生的概率;分别为场景ω下t时段的混合系统的发电量和弃风量;ρpri,t,ρpen,t,ρdro,t分别为t时段的混合系统的售电价格、出力偏离惩罚价格、弃风惩罚价格;S为所有场景的集合。
此外,混合系统还需要满足出力平衡约束、风电出力限制约束、储能系统的工作特性约束等,其中,储能系统的工作特性约束随具体的储能系统而异,如常用的化学电池储能,则需要考虑充放电速率约束、充放电电量损耗和最大充放电量约束等[22]。文献[23-24]提出了利用储能平抑风电功率波动的模型,并给出了相应的运行控制策略;文献[25-26]讨论了储能系统在风电大规模并网中的意义和前景。
在配电网方面,文献[27]提出了一种通过有效地使用分布式储能来协调光伏发电系统有功输出,避免配电网线路潮流越限以及节点电压越限。储能系统在光伏发电高峰期吸收多余的有功功率,并在晚高峰时放电,从而达到削峰填谷的效果。储能的充放电策略同时考虑了当前的电池电量和计划充放电时间来有效地利用储能电池容量。然而,目前化学电池储能容量依然非常昂贵,文献[14]以风电为例指出,储能设备的投资超出了风电单位千瓦的投资成本。所以,为家庭型光伏发电系统配套的储能电池制定详细的日前充放电策略,从而充分利用其宝贵的容量就显得尤其重要。此外,储能系统通常包含了功率控制系统,该系统可以控制储能系统输出或吸收有功功率及无功功率的大小。功率控制系统容量有限,除有功功率控制能力外,其无功调节能力也应该被充分利用,从而可以调节配电网节点电压以及降低网络线损[27]。
4 考虑间歇性可再生能源接入的发电机日前调度计划和实时调度策略
4.1 日前调度计划
由于风力发电系统接入电网的规模越来越大,风电出力的间歇性和不确定性对电力系统的功率平衡的影响日益加强。在获得较为精确的风电出力预测的基础上,制定相应的日前机组调度计划可以减小风电的不确定性对电力系统的冲击。当前,机组组合是电网调度的重要组成部分,其目的在于确定未来可调节发电机的运行点和开停机计划。合理的日前机组调度计划可以预留出充分的发电机上调和下调备用容量来应对负荷和风电出力的波动性,而精确的风电出力预测可以减少这种备用容量,使发电机组运行于更加经济的运行点。
目前,风电功率预测结果的表达形式有3种:点预测、区间预测[28-29]和概率密度预测[30-32]。所谓点预测,就是给出未来风电出力各个时刻的预测曲线,该预测操作简单,但无法对风电出力不确定性和预测误差进行刻画,故使用范围受到限制。而区间预测和概率分布预测分别用预测区间和预测的概率分布来刻画风电出力的不确定性。概率区间描述了未来风电出力的上、下限,可以通过考虑极端情况(多风低负荷或少风高负荷)来保守地制定日前机组调度计划,从而预留出充足的上调和下调机组备用容量。对于概率分布预测,通常采用将概率密度函数离散成几个典型场景的方法,所制定的日前机组调度计划应当在任何场景中都体现出鲁棒性[33]。制定机组日前调度计划,需要考虑机组在各个时刻的备用容量约束和备用爬坡速率约束[34],即
式(2)~(4)中 PGit_up是发电机组i在t时刻提供上调备用容量时的输出功率;PGit_down是发电机组i在t时刻提供下调备用容量时的出力;Rt_up和Rt_down分别是电网在大规模风电未接入时的上调和下调备用容量;Crwt是t时刻作为系统下调备用容量的切风电量;PGit是发电机i基于t时刻的风电点预测信息的出力;Dt为时刻t的系统负荷值;rui和rdi分别为发电机i的上、下爬坡速率限值。式(2)给出了电力系统在风电出力较少而负荷水平较高以及风电出力较多而负荷水平较低时的极端情况的约束条件。在高风低负荷的情况下,在发电机原有的运行点上,必须要有充足的上调备用容量来平衡发电量和负荷需求;相反,在低风高负荷的情况下,除了通过下调备用容量来平衡发电量和负荷需求外,还可以考虑适当的风电出力削减。式(3)给出了发电机组上调及下调备用容量与初始运行点的关系,即各个时刻发电机组的上调、下调备用容量不应大于对应机组在单位时间内的爬坡量。式(4)给出了各台发电机的相邻时刻的出力变化量的约束。
4.2 实时调度策略
目前,有不少国内外学者通过概率潮流的方法来计算可再生新能源的接入对原有电网造成的影响[11,35]。通常假设光伏出力或风电出力服从某一已知的分布函数,负荷水平相比于可再生能源出力变化幅度相对较小,可用正态分布来近似。将电网中各个节点的注入功率作为随机变量,通过概率潮流的方法,可以计算得到所有节点电压、线路潮流的概率分布函数,从而可以对电力系统越限的概率做出定量的描述。
此外,概率潮流还能指导快速启动机组调节出力,来应对可再生能源出力不确定性的影响。在确定了发电机组日前调度计划之后,电力系统中各台机组的基本运行点已经确定,在此基础上,文献[9]制定了电力系统中所有快速启动机组实时出力变化的具体策略。首先,需要将电力系统在初始运行点进行线性化,即
式中 Δx表示电压幅值与相角;Δy表示节点注入功率;Δz表示线路有功无功潮流;G和H分别为节点功率平衡方程和线路潮流方程的雅可比矩阵;K和L分别为Δx和Δz的灵敏度矩阵。
网络中的所有发电机组应该共同协作来平衡负荷需求与发电量,而不是仅由一台或几台快速启动机组来应对新能源出力的间歇性和不确定性。不同的发电机组会有不同的爬坡速率,所以,当可再生能源出力发生变化的时候,不同的发电机组应该具有不同的出力调节量,从而充分发挥电网中所有发电机的出力调节能力。由此,需要建立起当接入电网的新能源出力发生变化时,不同发电机组相应的出力调节策略[9],即
式中 T为机组出力传递矩阵,主要由电力系统中的快速启动机组组成。另外,只有快速爬坡电机参与出力调节,T矩阵中与低速爬坡电机对应的系数都应被置零。ΔPw为可再生能源实际出力与计划出力的变化量。如果在风电出力预测中,ΔPw满足一定的概率分布,可将该分布离散成若干个典型的场景,要求由式(6)所指定的发电机组调度策略必须在任何场景中都具有鲁棒性。式(6)指出,传统快启机组的出力变化是可再生能源出力变化的线性组合。在该发电机组调度策略下,电网还必须满足一定的安全约束,即
式(7)表示节点电压幅值以及支路电流幅值均不能超过最大变化范围。
为了合理地求解指导快速启动机组出力变化的传递矩阵T,将目标函数设定为机组费用最小;通过求取传递矩阵T,即可使电网中所有的快速启动机组参与到平抑可再生能源出力的不确定性中来。
5 展望
依靠可再生能源出力的发电机组接入电网是一种重要的大规模使用清洁能源的方式。这对人类社会实现节能减排,大力推进绿色低碳经济都起着十分重要的作用。然而,可再生能源出力的间歇性和不确定性同样给传统电力系统带来了巨大的挑战。笔者在3个层次上对新能源接入的方法进行了综述,而加强3个层次间的协调和联系,如在充分利用新能源预测信息、充分考虑新能源的预测误差,制定经济性好、鲁棒性高的新能源调度策略将成为未来的研究热点。
此外,在制定可再生能源接入策略时,一方面可再生能源需要被更好地控制和管理,从而获得更好的效益;另一方面,可以通过对主动负荷(如电动汽车、热泵等)的合理控制,从而实现更好的经济性和增加可再生能源的接入量。未来的研究工作可以考虑可再生能源与可控负荷的协同调度策略,减少高成本储能设备等的使用,在保证电力系统可靠性的同时提高经济性。
6 结语
笔者对新能源接入对传统电网的影响以及目前的应对方法进行了系统地综述,将应对可再生能源出力不确定性的各种方法划分为预测阶段、提前计划阶段和实时调度阶段3个层次,并对每个层次都进行了展开论述和举例说明。最后,对未来的工作进行了展望,指出经济性好、鲁棒性的新能源接入策略以及新能源与主动负荷的协同调度将会成为未来的研究热点。
[1]王扬.风电短期预测及其并网调度方法研究[D].杭州,浙江大学,2011.
[2]李军军,吴政球,谭勋琼,等.风力发电及其技术发展综述[J].电力建设,2011,32(8):64-72.LI Jun-jun,WU Zheng-qiu,TAN Xun-qiong,et al,Review of wind power generation and relative technology development[J].Electric Power Construction,2011,32(8):64-72.
[3]李晶,窦伟,徐政国,等.光伏发电系统中最大功率点跟踪算法的研究[J].太阳能学报,2007,28(3):268-273.LI Jing,DOU Wei,XU Zheng-guo,et al.Research on mppt methods of photovoltaic power generation system[J].Acta Energiae Solaris Sinica,2007,28(3):268-273.
[4]周林,武剑,栗秋华,等.光伏阵列最大功率点跟踪控制方法综述[J].高电压技术,2008,34(6):1 145-1 154.ZHOU Lin,WU Jian,LI Qiu-hua,et al.Survey of maximum power point tracking techniques for photovoltaic array[J].High Voltage Engineering,2008,34(6):1 145-1 154.
[5]Chompoo-inwai C,Lee Weijen,Fuangfoo P,et al.System impact study for the interconnection of wind generation and utility system[J].IEEE Transactions on Industry Applications,2005,41(1):163-168.
[6]Saifur R,Manisa P.Operating impacts and mitigation strategies with large-scale wind power penetration in the united states[J].Automation of Electric Power Systems,2011,35(22):3-11.
[7]Hossian M J,Pota H R,Mahmud M A,et al.Investigation of the impacts of large-scale wind power penetration on the angle and voltage stability of power systems[J].IEEE Systems Journal,2012,6(1):76-84.
[8]赵波,张雪松,洪博文,等.大量分布式光伏电源接入智能配电网后的能量渗透率研究[J].电力自动化设备,2012,32(8):95-100.ZHAO Bo,ZHANG Xue-song,HONG Bo-wen,et al.Energy penetration of large-scale distributed photovoltaic sources integrated into smart distribution network[J].Electric Power Automation Equipment,2012,32(8):95-100.
[9]Fan M,Vittal V,Heydt G T,et al.Probabilistic power flow analysis with generation dispatch including photovoltaic resources[J].IEEE Transactions on Power Systems,2013,28(2):1 797-1 805.
[10]Chun-Hao L,Nirwan A.Alleviating solar energy congestion in the distribution grid via smart metering communications[J].IEEE Transactions on Parallel and Distribution Systems,2012,23(9):1 607-1 620.
[11]Ruiz-Rodriguez F J,Hernandez J C,Jurado F.Probabilistic load flow for radial distribution networks with photovoltaic generators[J].IET Renewable Power Generation,2011,6(2):110-121.
[12]叶林,赵永宁.基于空间相关性的风电功率预测研究综述[J].电力系统自动化,2014,38(14):126-135.YE Lin,ZHAO Yong-ning.A review on wind power prediction based on spatial correlation approach[J].Automation of Electric Power Systems,2014,38(14):126-135.
[13]王彩霞,鲁宗相,乔颖,等.基于非参数回归模型的短期风电功率预测[J].电力系统自动化,2010,34(16):78-82.WANG Cai-xia,LU Zong-xiang,QIAO Ying,et al.Short-term wind power forecast based on non-parametric regression model[J].Automation of Electric Power Systems,2010,34(16):78-82.
[14]王松岑,来小康,程世杰,等,大规模储能技术在电力系统中的应用前景分析[J].电力系统自动化,2013,37(1):3-8.WANG Song-cen,LAI Xiao-kang,CHENG Shi-jie,et al.An analysis of prospects for application of large-scale energy storage technology in power systems[J].Automation of Electric Power Systems,2013,37(1):3-8.
[15]Kyung S K,McKenzie K J,Yilu Liu,et al.A study on applications of energy storage for the wind power operation in power systems[C].IEEE Power Engineering Society General Meeting,Montréal Québec,Canada,2006.
[16]Daneshi H,Srivastava A K.Security-constrained unit commitment with wind generation and compressed air energy storage[J].IET Generation,Transmission &Distribution,2012,6(2):167-175.
[17]DING Huajie,HU Zechun,SONG Yonghua.Stochastic optimization of the daily operation of wind farm and pumped-hydro-storage plant[J].Renewable Energy,2012(48):571-578.
[18]袁越,李强,李群,等,风电功率特性分析及其不确定性解决方案[J].电力科学与技术学报,2011,26(1):67-71.YUAN Yue,LI Qaing,LI Qun,et al.Wind power characteristics analysis and its uncertainty solution[J].Journal of Electric Power Science and Technology,2011,26(1):67-71.
[19]Yuan Y,Li Q,Wang W.Optimal operation strategy of energy storage unit in wind power integration based on stochastic programming[J].IET Renewable Power Generation,2011,5(2):194-201.
[20]Abreu L V L,Khodayar M E,Shahidehpour M,et al.Risk-constrained coordination of cascaded hydro units with variable wind power generation[J].IEEE Transactions on Sustainable Energy,2012,3(3):359-368.
[21]赵书强,刘晨亮,王明雨,等,基于机会约束规划的储能日前优化调度[J].电网技术,2013,33(11):3 055-3 059.ZHAO Shu-qiang,LIU Chen-liang,WANG Ming-yu,et al.Chance-constrained programming based day-ahead optimal scheduling of energy storage[J].Power System Technology,2013,33(11):3 055-3 059.
[22]吴雄,王秀丽,李骏,等,风电储能混合系统的联合调度模型及求解[J].中国电机工程学报,2013,33(13):10-17.WU Qiang,WANG Xiu-li,LI Jun,et al.A joint operation model and solution for hybrid wind energy storage systems[J].Proceedings of the CSEE,2013,33(13):10-17.
[23]娄素华,吴耀武,崔艳昭,等.电池储能平抑短期风电功率波动运行策略[J].电力系统自动化,2014,38(2):17-22.LOU Su-hua,WU Yao-wu,CUI Yan-zhao,et al.Operation strategy of battery energy storage system for smoothing short-term wind power fluctuation[J].Automation of Electric Power Systems,2014,38(2):17-22.
[24]于芃,赵瑜,周玮,等.基于混合储能系统的平抑风电波动的功率方法的研究[J].电力系统保护与控制,2011,39(24):35-40.YU Peng,ZHAO Yu,ZHOU Wei,et al.Research on the method based on hybrid energy storage system for balancing fluctuant wind power[J].Power System Protection and Control,2011,39(24):35-40.
[25]袁小明,程时杰,文劲宇.储能技术在解决大规模风电并网问题中的应用前景分析[J].电力系统自动化,2013,37(1):14-18.YUAN Xiao-ming,CHENG Shi-jie,WEN Jin-yu.Prospects analysis of energy storage application in grid integration of large-scale wind power[J].Automation of Electric Power Systems,2013,37(1):14-18.
[26]严干贵,刘嘉,崔杨.利用储能提高风电调度入网规模的经济性评价[J].中国电机工程学报,2013,33(22):45-52.YAN Gan-gui,LIU Jia,CUI Yang.Economic evaluation of improving the wind power scheduling scale by energy storage system[J].Proceedings of the CSEE,2013,33(22):45-52.
[27]Alam M J E,Muttaqi K M,Sutanto D.Mitigation of rooftop solar PV impacts and evening peak support by managing available capacity of distributed energy storage systems[J].IEEE Transactions on Power Systems,2013,28(4):3 874-3 884.
[28]鲁宗相,闵勇,基于功率预测的波动性能源发电的多时空尺度调度技术[J].电力科学与技术学报,2012,27(3):28-33.LU Zong-xiang,MIN Yong.Wind power characteristics analysis and its uncertainty solution[J].Journal of Electric Power Science and Technology,2011,26(1):67-71.
[29]Pinson P.Estimation of the uncertainty in wind power forecasting[M].Paris:Ecole des Mines de Paris,2006.
[30]谷兴凯,范高锋,王晓蓉,等.风电功率预测技术综述[J].电网技术,2007,31(S2):78-82.GU Xing-kai,FAN Gao-feng,WANG Xiao-rong,et al.Summatization of wind power prediction technology[J].Power System Technology,2007,31(S2):78-82.
[31]王英珉.风电出力短期预测技术研究[D].武汉:华中科技大学,2014.
[32]Pinson P,Juban J,Kariniotakis G N.On the quality and value of probabilistic forecast of wind generation[C].Proceedings of the 9thInternational Conference on Probabilistic Methods Applied to Power System,Stockholm,Sweden,2006.
[33]谭益.考虑新能源发电不确定性的智能电网优化调度研究[D].长沙:湖南大学,2014.
[34]王彩霞,鲁宗相.风电功率预测信息在日前机组组合中的应用[J].电力系统自动化,2011,35(7):13-18.WANG Cai-xia,LU Zong-xiang.Unit commitment based on wind power forecast[J].Automation of Electric Power Systems,2011,35(7):13-18.
[35]Pei Zhang,Lee S T.Probabilistic load flow computation using the method of combined cumulants and Gram-Charlier[J].IEEE Transactions on Power Systems,2004,19(1):676-682.