一种基于电力-微气象特征数据的电力系统安全预警方法技术方案

本发明专利技术涉及一种电力‑微气象时空数据驱动的电力系统安全预警方法，属于电力系统安全分析技术领域。本发明专利技术方法采用深度神经网络模型，在考虑微气象因素下为电力系统安全预警提供了新的技术方案。本发明专利技术方法一方面使用数据驱动模型，解决了模型驱动方法在高维不确定性、多系统组合分析问题中计算效率低下的问题；另一方面综合考虑了微气象特征数据和电力系统特征数据及其时空特性，实现了电力系统与微气象因素之间的联系。该方法可以应用于电力系统安全预警领域中，提高安全预警的准确性，为电力系统运行调度人员提供调度依据，有助于提高电力系统调度的安全性。

A power system security early warning method based on power micro meteorological characteristic data

The invention relates to a power system security early warning method driven by power micro meteorological time and space data, which belongs to the technical field of power system security analysis. The method adopts the depth neural network model, and provides a new technical scheme for the power system security early warning under the consideration of micro meteorological factors. On the one hand, the method of the invention uses the data-driven model to solve the problem of low calculation efficiency of the model driven method in the high-dimensional uncertainty and multi system combination analysis; on the other hand, it comprehensively considers the micro meteorological characteristic data, the power system characteristic data and their time-space characteristics, and realizes the connection between the power system and the micro meteorological factors. This method can be applied to the field of power system security early warning, improve the accuracy of security early warning, provide dispatching basis for power system operation dispatcher, and help to improve the security of power system dispatching.

【技术实现步骤摘要】
一种基于电力-微气象特征数据的电力系统安全预警方法
本专利技术涉及一种基于电力-微气象特征数据的电力系统安全预警方法，属于电力系统安全分析

技术介绍
电力系统是最大的能量系统之一。在传统的方式中，系统监控、安全分析和系统控制是调度员维持电力系统安全稳定的三个最主要步骤。通过系统监控，调度员可以实时获取电网的最新信息，并且直接判断当前电网是否处在正常运行状态。然后再通过安全分析，估计电网当前的运行情况，基于当前运行场景来检测电网在潜在运行场景下可能出现的薄弱环节，主要考虑的是N-1故障情况。最后，当电力系统被判断处于异常情况，或是在潜在运行场景中出现了薄弱环节，调度员就需要进行相应的调度控制，来避免电力系统出现安全问题。随着电网规模扩大、新能源和灵活负荷不断接入，电力系统安全预警已经成为一个高维不确定性、多系统综合分析的组合爆炸问题。一方面，模型驱动方法计算效率低；另一方面，微气象因素等非电气量对电网安全的影响越来越大，但模型驱动方法难以直接刻画电力系统安全和微气象因素之间的联系。近年来数据挖掘技术的快速发展，越来越多的领域都开始使用数据驱动的方法。在电力系统领域，数据驱动的方法也被用于解决很多预测相关的问题，例如光伏电场的出力预测等。许多传统机器学习方法例如线性回归、神经网络、支持向量机、决策树等都在电力系统实时安全性分析中有过应用。
技术实现思路
本专利技术的目的是提出一种基于电力-微气象特征数据的电力系统安全预警方法，基于电力系统和气象系统大数据，考虑微气象信息的深度时空数据驱动模型，对电力系统未来运行时段进行安全预警。本专利技术提出的基于电力-微气象特征数据的电力系统安全预警方法，包括以下步骤：(1)对一个有nG台发电机和nT个变电站的电力系统，设电力系统所在的区域内有nc个气象站，电力系统需要重点监视的输电断面有n个，确定电力系统安全预警模型的输入特征数据x以及n个输电断面的安全预警指标SMi，i＝1,…,n，具体步骤如下：(1-1)从电力系统监控装置中采集电力系统特征数据，从气象站采集气象特征数据，构成用于电力系统安全预警的深度神经网络模型的输入特征x＝[xc,xe]，其中，xc表示气象特征数据，xe表示电力系统特征数据，具体构造方式如下：(1-1-1)气象特征数据xc的具体组成方式为：其中，xc中的每一行代表分别从nc个气象站测得的，不同采样时刻的气象特征数据，包括：气压、2分钟平均风向、2分钟平均风速、气温、地面表面温度、相对湿度、水蒸气压、1小时降水量和水平能见度，共9×nc个气象特征数据，xc的每一行从时间间隔上分成两个部分，左半边为时间间隔Tc1的kc1组气象特征数据，其中Tc1＝1小时，kc1为时间间隔为Tc1的气象特征数据的最大时间窗宽度，右半边为时间间隔Tc2的kc2组气象特征数据，其中Tc2＝1天，kc2为时间间隔为Tc2的气象特征数据的最大时间窗宽度，xc的每一行包括nc×9×(kc1+kc2)个特征，xc的每一列表示在同一采样时刻、在不同地理位置上得到的气象特征数据，下标中的p1,p2…表示不同的气象站地理位置，下标中的t、t-kc1Tc1、t+τ-Tc2、t+τ-kc2Tc2分别表示不同的采样时刻，其中t为基准采样时刻，即应用电力系统安全预警模型进行预测的当前时刻，τ为待预测时刻和基准采样时刻之间的时间差，待预测时刻表示为t+τ，时间窗宽kc1和kc2属于用于电力系统安全预警的深度神经网络模型的超参数，为待求量；(1-1-2)电力系统特征数据xe的具体组成方式为：其中，xe的每一行代表不同采样时刻的电力系统特征数据，每一个采样时刻的电力系统特征数据包括：nG台发电机的有功出力、nG台发电机的机端电压、nT个变电站有功出力，共(2×nG+nT)个特征，xe的每一行从时间间隔上从左到右分成三个部分，第一部分为时间间隔Te1的ke1组电力系统特征数据，其中Te1＝1小时，ke1表示时间间隔为Te1时的电力系统特征数据的最大时间窗宽度，第二部分为时间间隔Te2的ke2组电力系统特征数据，其中Te2＝1天，ke2为时间间隔为Te2的电力系统特征数据的最大时间窗宽度，第三部分为时间间隔Te3的ke3组电力系统特征数据，其中Te3＝1周，ke3为时间间隔为Te3的电力系统特征数据的最大时间窗宽度，xe的每一行包括(2×nG+nT)×(ke1+ke2+ke3)个特征，xe的每一列表示在同一采样时刻、不同地理位置得到的电力系统特征数据，下标中的q1,q2…表示电力系统的不同地理位置，下标t、t-ke1Te1、t+τ-Te2、t+τ-ke2Te2、t+τ-Te3、t+τ-ke3Te3分别表示不同采样时刻，时间窗宽ke1、ke2和ke3属于用于电力系统安全预警的深度神经网络模型的超参数，为待求量；(1-2)对(1-1)中构成的输入特征[xcxe]进行预处理，具体步骤为：(1-2-1)使用零均值化方法，对特征数据x＝[xc,xe]进行数据白化，得到白化后的特征数据x1；(1-2-2)对白化后的特征数据x1进行最大最小归一化，将所有白化后的特征数据的值归一化到[0,1]之间，得到归一化后的特征数据x2；(1-2-3)对归一化后的特征数据x2注入白噪声进行数据增强，得到增强后的特征数据x3；(1-3)将第i个输电断面最大传输容量(简称TTC)定义为PTTCi，第i个输电断面的实际传输功率为Pi，则电力系统第i个输电断面的安全裕量SMi的表达式如下：(2)构建一个用于电力系统安全预警的深度神经网络模型ξd，具体步骤包括：(2-1)构建深度神经网络模型ξd的输入层：将经过步骤(1-2)预处理后的特征数据x3输入深度神经网络模型ξd，成为深度神经网络模型ξd的输入层，输入层用于接收数据输入，包括经过预处理的nc×9×(kc1+kc2)个气象特征数据和(2×nG+nT)×(ke1+ke2+ke3)个电力系统特征数据；(2-2)构建深度神经网络模型ξd的s个隐含层：深度神经网络模型ξd含有s个隐含层，利用s个隐含层对输入层得到的数据进行逐层数据降维和高阶特征提取，其中，第1个隐含层h1的输入为整个模型的输入层x3，第w个隐含层hw的输入为hw-1层的输出，w＝2,…,s，隐含层的个数s以及每一层隐含层的神经元数量根据预测精度要求设定，每一层神经元数目逐步递减；(2-3)构建深度神经网络模型ξd的输出层：深度神经网络模型ξd的输出层与深度神经网络模型ξd的s个隐含层中的最后一个隐含层之间为全连接关系，输出层通过对上一层hs的回归分析，输出电力系统n个输电断面的待预测量SM，SM为一个长度为区域内输电断面个数n的向量，代表了所有n个输电断面的安全裕度，具体表示如下：SM＝[SM1,SM2,…,SMi,…SMn]其中SMi表示电力系统中的第i个输电断面的安全裕度，一共有n个输电断面；(3)确定步骤(1-1)中深度神经网络模型的超参数kc本文档来自技高网...

【技术保护点】
1.一种基于电力-微气象特征数据的电力系统安全预警方法，其特征在于该方法包括以下步骤：/n(1)对一个有n

【技术特征摘要】
1.一种基于电力-微气象特征数据的电力系统安全预警方法，其特征在于该方法包括以下步骤：
(1)对一个有nG台发电机和nT个变电站的电力系统，设电力系统所在的区域内有nc个气象站，电力系统需要重点监视的输电断面有n个，确定电力系统安全预警模型的输入特征数据x以及n个输电断面的安全预警指标SMi，i＝1,…,n，具体步骤如下：
(1-1)从电力系统监控装置中采集电力系统特征数据，从气象站采集气象特征数据，构成用于电力系统安全预警的深度神经网络模型的输入特征x＝[xc,xe]，其中，xc表示气象特征数据，xe表示电力系统特征数据，具体构造方式如下：
(1-1-1)气象特征数据xc的具体组成方式为：



其中，xc中的每一行代表分别从nc个气象站测得的，不同采样时刻的气象特征数据，包括：气压、2分钟平均风向、2分钟平均风速、气温、地面表面温度、相对湿度、水蒸气压、1小时降水量和水平能见度，共9×nc个气象特征数据，xc的每一行从时间间隔上分成两个部分，左半边为时间间隔Tc1的kc1组气象特征数据，其中Tc1＝1小时，kc1为时间间隔为Tc1的气象特征数据的最大时间窗宽度，右半边为时间间隔Tc2的kc2组气象特征数据，其中Tc2＝1天，kc2为时间间隔为Tc2的气象特征数据的最大时间窗宽度，xc的每一行包括nc×9×(kc1+kc2)个特征，xc的每一列表示在同一采样时刻、在不同地理位置上得到的气象特征数据，下标中的p1,p2…表示不同的气象站地理位置，下标中的t、t-kc1Tc1、t+τ-Tc2、t+τ-kc2Tc2分别表示不同的采样时刻，其中t为基准采样时刻，即应用电力系统安全预警模型进行预测的当前时刻，τ为待预测时刻和基准采样时刻之间的时间差，待预测时刻表示为t+τ，时间窗宽kc1和kc2属于用于电力系统安全预警的深度神经网络模型的超参数，为待求量；
(1-1-2)电力系统特征数据xe的具体组成方式为：



其中，xe的每一行代表不同采样时刻的电力系统特征数据，每一个采样时刻的电力系统特征数据包括：nG台发电机的有功出力、nG台发电机的机端电压、nT个变电站有功出力，共(2×nG+nT)个特征，xe的每一行从时间间隔上从左到右分成三个部分，第一部分为时间间隔Te1的ke1组电力系统特征数据，其中Te1＝1小时，ke1表示时间间隔为Te1时的电力系统特征数据的最大时间窗宽度，第二部分为时间间隔Te2的ke2组电力系统特征数据，其中Te2＝1天，ke2为时间间隔为Te2的电力系统特征数据的最大时间窗宽度，第三部分为时间间隔Te3的ke3组电力系统特征数据，其中Te3＝1周，ke3为时间间隔为Te3的电力系统特征数据的最大时间窗宽度，xe的每一行包括(2×nG+nT)×(ke1+ke2+ke3)个特征，xe的每一列表示在同一采样时刻、不同地理位置得到的电力系统特征数据，下标中的q1,q2…表示电力系统的不同地理位置，下标t、t-ke1Te1、t+τ-Te2、t+τ-ke2Te2、t+τ-Te3、t+τ-ke3Te3分别表示不同采样时刻，时间窗宽ke1、ke2和ke3属于用于电力系统安全预警的深度神经网络模型的超参数，为待求量；
(1-2)对(1-1)中构成的输入特征[xcxe]进行预处理，具体步骤为：
(1-2-1)使用零均值化方法，对特征数据x＝[xc,xe]进行数据白化，得到白化后的特征数据x1；
(1-2-2)对白化后的特征数据x1进行最大最小归一化，将所有白化后的特征数据的值归一化到[0,1]之间，得到归一化后的特征数据x2；
(1-2-3)对归一化后的特征数据x2注入白噪声进行数据增强，得到增强后的特征数据x3；
(1-3)将第i个输电断面最大传输容量(简称TTC)定义为PTTCi，第i个输电断面的实际传输功率为Pi，则电力系统第i个输电断面的安全裕量SMi的表达式如下：



(2)构建一个用于电力系统安全预警的深度神经网络模型ξd，具体步骤包...

【专利技术属性】
技术研发人员：孙宏斌，郭庆来，吴文传，王彬，王铮澄，周艳真，黄天恩，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11