一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法技术

本发明专利技术提出了一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法。考虑设备实时故障率以及运行方式变化，首先使用拉丁超立方算法优化的蒙特卡洛法生成风险样本数据，可在有限的计算时间内搜索出多重故障，全面反映电网故障情况；并使用高斯扰动粒子群优化的最小二乘支持向量机对风险样本进行训练，达到大幅降低计算时间的目的。在保证风险计算准确度的情况下，本文方法可以做到电网风险与灵敏度的在线计算，为风险来源追踪、设备差异化运维等提供参考依据。

【技术实现步骤摘要】
一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法
本专利技术属于电网风险评估
，尤其是涉及一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法。
技术介绍
对电力系统风险评估的研究，目前主要分为解析法和蒙特卡洛模拟法。其中蒙特卡罗法的模拟抽样次数不受电网规模影响，且容易体现各种运行控制策略和负荷变化等实际情况，并可处理多重、相关和连锁故障。使用蒙特卡洛法可以解决目前大型电网的风险库缺乏多重故障情况处理方法的问题。但是蒙特卡洛法仍会产生大量重复抽样场景，且需要对每个场景进行拓扑分析、潮流计算、负荷削减等重复性计算，不能满足电网在线运行的要求。使用机器学习方法，对大量样本进行训练分析，可得到变量与结果之间的直接关联关系，省去复杂的中间过程，大幅降低计算时间。目前已有成熟使用云理论进行故障率推理预测，进而进行电网综合风险评估；以及使用神经网络训练N-1断线故障样本，建立电力系统风险评估模型。但是现有的电网风险评估研究并未考虑全面性和实时性的综合优化。于是使用改进的蒙特卡洛方法生成全面准确的风险样本，并应用改进的最小二乘支持向量机进行样本训练，得到电网风险在线计算模型成为一种全面有效的评估方法。该方法可根据电网实时状态信息，实现准确、快速的电网风险及灵敏度在线计算，为风险来源追踪、设备差异化运维等提供参考依据。
技术实现思路
本专利技术主要针对现有的风险评估方法不能全面的考虑设备状态的改变以及无法实时完成评估的不足，引入最小二乘支持向量机利用蒙特卡洛法来对电网的风险进行评估。蒙特卡洛方法使用抽样方法模拟系统可能出现的状态，进而计算状态后果、风险指标。抽样过程中每台设备按照故障率进行动作，可以处理多重故障情况，准确地反映电网风险。而最小二乘支持向量机将标准支持向量机中的求解二次规划问题转化为求解线性问题，使计算过程更加方便快捷。利用蒙特卡洛法和最小二乘支持向量机的结合，提供了一种新的电网风险评估方法。本专利技术的上述技术问题主要通过以下技术方案得以解决：一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法，使用拉丁超立方优化的蒙特卡洛法生成风险样本数据，使用高斯扰动粒子群优化的最小二乘支持向量机方法进行样本训练，得到电网风险计算模型与灵敏度计算模型。并且考虑多重故障情况，实现在线运用。其步骤包括：步骤1：生成M×N电网状态样本数据，根据电网状态样本数据构建电网元件向量、电网元件向量的集合、故障率向量、故障率向量的集合；步骤2：对电网状态样本数据进行抽样，对抽样结果进行归一化得到风险样本数据；步骤3：使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型；步骤4：根据电网风险评估计算模型，使用摄动法得到电网设备灵敏度计算模型。作为优选，步骤1中所述电网状态样本数据为：xi,ji∈[1,M],j∈[1,N]其中，xi,j为第i个元件的第j种故障率，M表示电网元件的数量，N表示每个电网元件的对应状态下的故障率的数量；电网元件i向量可表示为yi＝(xi,1,xi,2,…,xi,N)；M个电网元件向量的集合为Y＝{y1,y2,...,yM}；故障率j向量可表示为xj＝(x1,j,x2,j,…,xm,j,…,xM,j)；N个故障率向量的集合为X＝{x1,x2,...,xN}；作为优选，步骤2中所述对电网状态样本数据进行抽样为：使用蒙特卡洛法对电网状态样本数据xi,ji∈[1,M],j∈[1,N]进行抽样模拟；蒙特卡洛法：在待评估的电力系统中，设其元件的数量为M，其中的任意一个元件yi(i＝1,2,…,M)的状态用yi表示，并将该状态对应的概率记为P(yi)；将系统状态的集合记为X′，其中任意一个系统状态k记为：xk＝(yk,1,yk,2,…,yk,i,…,yk,M)系统状态的总数为N，由此得到系统状态k的概率：在获得系统状态集合即抽样后得到的矩阵S，将状态k的后果记为F(xk)，F(xk)的计算方法与选取的风险指标有关，失负荷量的风险指标为：其中，Rk为系统在状态k下损失的负荷量；在蒙特卡洛法抽样的过程中，使用拉丁超立方抽样来代替原本的均匀抽样，形成大量的抽样场景；拉丁超立方抽样包括两个步骤：采样：对各个输入变量进行分层采样，使每个输入变量的采样点都能覆盖其整个分布区间；假设一个待评估电网中包含M个元件，yi(i＝1,2,…,M)为第i个元件的故障率，Yi＝Fi(yi)表示yi的累计概率密度函数；设采样值规模为N，首先将区间[0,1]平均分为N等分，得到N个子区间[0,1/N]…[i/N,(i+1)/N]…[(N-1)/N,1]，则每个区间的概率均为1/N；随后抽取N个子区间的中间值作为代表采样点,第i个区间的采样点为((i-1)/N+i/N)/2；最后，得到采样值其中为Fm的反变换；对所有设备进行均匀状态采样，生成M×N为初始样本矩阵S，矩阵S为含有M个元件的电力系统，N个系统状态的集合为X′＝{x′1,x′2,...,x′N}，任意系统状态j可表示为c，x′i,j为系统状态j中第i个元件的状态，i∈[1,M]；采用Cholesky分解法对矩阵S进行排序处理，得到Cholesky分解后矩阵S＇，其集合为X′＝{x′1,x′2,...,x′N}，任意系统状态j可表示为X′j＝(x′i-3,j,x′i+6,j,...,x′3,j,...x′M,j,...,x′9,j)，x′i,j为系统状态j中第i个元件的状态，x′1,j--x′M,j的排列顺序为随机，i∈[1,M]；步骤2中所述对抽样结果进行归一化得到风险样本数据为：将抽样结果根据系统容量进行归一化得到风险样本数据归一化处理：其中，X′j＝(x′i-3,j,x′i+6,j,...,x′3,j,...x′M,j,...,x′9,j)为任意系统状态j，X′jmax为X′j中的最大值，X′jmin为X′j中的最小值；作为优选，步骤3中所述使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型为：在高斯扰动粒子群优化算法中，将最小二乘支持向量机的惩罚参数和核参数作为粒子成员，最小二乘支持向量机对样本数据的训练方差作为适应度计算函数。计算粒子适应度，并将其与上一个最优适应度相比较，取最好的适应度作为当前最优适应度，得到新的群体最优解，直至达到精度要求或迭代次数上限；采用高斯扰动的粒子群优化算法进行参数寻优，在粒子运动过程中增加高斯扰动项，加入高斯扰动项的粒子群速度迭代公式：vi,j(t+1)＝wpvi,j(t)+c1r1[pi,j(t)+r2gaussi,j(t)-xi,j(t)]+c2r4[pg,j(t)-xi,j(t)]xi,j(t+1)＝xi,j(t)+vi,j(t+1)gaussi,j(t)＝r3gaussian(μ,δ2)式中：wp为惯性权重；c1,c2为加速因子；r1,r2,r3,r4为(0,1)区间均匀分布的随机数；vi,j(t)为粒子i在第t次迭代时的速度；pi,j(t)为粒子i在第t次迭代时的历史最优位置；gaussi,j(t)为粒子i在第t迭代时产生的高斯扰动；μ为均值；δ2为方差；xi,j(t)为粒子i在第t次迭代时的位置；pg,j(t)是第t次迭代时种群的最优位置。参数寻优完成后本文档来自技高网...

【技术保护点】
1.一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法，其特征在于，包括以下步骤：步骤1：生成M×N电网状态样本数据，根据电网状态样本数据构建电网元件向量、电网元件向量的集合、故障率向量、故障率向量的集合；步骤2：对电网状态样本数据进行抽样，对抽样结果进行归一化得到风险样本数据；步骤3：使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型；步骤4：根据电网风险评估计算模型，使用摄动法得到电网设备灵敏度计算模型。

【技术特征摘要】
1.一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法，其特征在于，包括以下步骤：步骤1：生成M×N电网状态样本数据，根据电网状态样本数据构建电网元件向量、电网元件向量的集合、故障率向量、故障率向量的集合；步骤2：对电网状态样本数据进行抽样，对抽样结果进行归一化得到风险样本数据；步骤3：使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型；步骤4：根据电网风险评估计算模型，使用摄动法得到电网设备灵敏度计算模型。2.根据权利要求1所述的蒙特卡洛及最小二乘支持向量机的电网风险评估方法，其特征在于：步骤1中所述电网状态样本数据为：xi,ji∈[1,M],j∈[1,N]其中，xi,j为第i个元件的第j种故障率，M表示电网元件的数量，N表示每个电网元件的对应状态下的故障率的数量；电网元件i向量可表示为yi＝(xi,1,xi,2,…,xi,N)；M个电网元件向量的集合为Y＝{y1,y2,...,yM}；故障率j向量可表示为xj＝(x1,j,x2,j,…,xm,j,…,xM,j)；N个故障率向量的集合为X＝{x1,x2,...,xN}。3.根据权利要求1所述的蒙特卡洛及最小二乘支持向量机的电网风险评估方法，其特征在于：步骤2中所述对电网状态样本数据进行抽样为：使用蒙特卡洛法对电网状态样本数据xi,ji∈[1,M],j∈[1,N]进行抽样模拟；蒙特卡洛法：在待评估的电力系统中，设其元件的数量为M，其中的任意一个元件yi(i＝1,2,…,M)的状态用yi表示，并将该状态对应的概率记为P(yi)；将系统状态的集合记为X′，其中任意一个系统状态k记为：xk＝(yk,1,yk,2,…,yk,i,…,yk,M)系统状态的总数为N，由此得到系统状态k的概率：在获得系统状态集合即抽样后得到的矩阵S，将状态k的后果记为F(xk)，F(xk)的计算方法与选取的风险指标有关，失负荷量的风险指标为：其中，Rk为系统在状态k下损失的负荷量；在蒙特卡洛法抽样的过程中，使用拉丁超立方抽样来代替原本的均匀抽样，形成大量的抽样场景；拉丁超立方抽样包括两个步骤：采样：对各个输入变量进行分层采样，使每个输入变量的采样点都能覆盖其整个分布区间；假设一个待评估电网中包含M个元件，yi(i＝1,2,…,M)为第i个元件的故障率，Yi＝Fi(yi)表示yi的累计概率密度函数；设采样值规模为N，首先将区间[0,1]平均分为N等分，得到N个子区间[0,1/N]…[i/N,(i+1)/N]…[(N-1)/N,1]，则每个区间的概率均为1/N；随后抽取N个子区间的中间值作为代表采样点,第i个区间的采样点为((i-1)/N+i/N)/2；最后，得到采样值其中为Fm的反变换；对所有设备进行均匀状态采样，生成M×N为初始样本矩阵S，矩阵S为含有M个元件的电力系统，N个系统状态的集合为X′＝{x′1,x′2,...,x′N}，任意系统状态j可表示为c，x′i,j为系统状态j中第i个元件的状态，i∈[1,M]；采用Cholesky分解法对矩阵S进行排序处理，得到Cholesky分解后矩阵S＇，其集合为X′＝{x′1,x′2,...,x′N}，任意系统状态j可表示为X′j＝(x′i-3,j,x′i+6,j,...,x...

【专利技术属性】
技术研发人员：郝如海，祁莹，智勇，拜润卿，陈仕彬，邢延东，高磊，刘文飞，史玉杰，张彦凯，张海龙，崔力心，陈力，赵步宇，龚庆武，刘栋，王誉博，
申请(专利权)人：国网甘肃省电力公司电力科学研究院，武汉大学，
类型：发明
国别省市：甘肃,62