一种基于人工智能学习的风险控制辅助决策方法及系统技术方案

本发明专利技术公开了一种基于人工学习的风险控制辅助决策方法及系统，包括，总控模块利用风险控制策略构建运行风险控制模型；服务器模块利用风险控制模型构建一套基于SCADA实时数据的地区电网风险评估及辅助决策的框架，生成电网运行风险指标；框架利用风险控制模型对电网运行风险指标进行计算、评估和分析，构建相应的风险预控方案并生成风险预控辅助决策。本发明专利技术通过对地区电网运行风险指标体系的确定，采用最优负荷削减和网络重构运行风险方法以降低系统风险发生概率和影响范围，并开发出一套基于SCADA实时数据的地区电网风险评估及辅助决策系统，对故障发生的概率和后果进行有效的评估和研究，为预防运行事故提供有效的决策支持。

【技术实现步骤摘要】
一种基于人工智能学习的风险控制辅助决策方法及系统
本专利技术涉及电网风险控制
，尤其涉及一种基于人工智能学习的风险控制辅助决策方法及系统。
技术介绍
随着社会生活和生产的快速发展，电力系统的运行和运用也变得越来越复杂和不稳定。这种情况下系统出现的事故率也相对增加，造成的损失也难以估量。尤其是在地区电网的应用中，由于一些设备因更新缓慢和保护措施不到位，导致常出现重载甚至过载现象，降低了电网运行的安全性和稳定性，给维持电网的正常供电带来一定的困难。本专利技术对电网的安全运行评估引入了风险理论的应用，重点研究在正常状态下的和预想故障状态下的风险控制过程，通过对地区电网运行风险指标体系的确定，采用最优负荷削减和网络重构运行风险控制方法以降低系统风险发生概率和影响范围，并开发出一套基于SCADA实时数据的地区电网风险评估及辅助决策系统，对故障发生的概率和后果进行有效地评估进行研究分析。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术提供了一种基于人工智能学习的风险控制辅助决策方法，对故障发生的概率和后果进行有效的评估研究，能够为预防运行事故提供有效的决策支持。为解决上述技术问题，本专利技术提供如下技术方案：总控模块利用风险控制策略构建运行风险控制模型；服务器模块利用所述风险控制模型构建一套基于SCADA实时数据的地区电网风险评估及辅助决策的框架，生成电网运行风险指标；所述框架利用所述风险控制模型对所述电网运行风险指标进行计算、评估和分析，构建相应的风险预控方案并生成风险预控辅助决策。作为本专利技术所述的一种基于人工智能学习的风险控制辅助决策方法的一种优选方案，其中：构建所述风险控制模型包括，利用失负荷策略达到最优负荷削减，计算风险状态下的停电功率；分析供电恢复过程的网络重构，优化网络重构模型，获得所述风险控制模型。作为本专利技术所述的一种基于人工智能学习的风险控制辅助决策方法的一种优选方案，其中：所述最优负荷削减是采用失负荷操作，以最优的发电机组出力安排和电网潮流分布为基础，计算所述风险状态下的所述停电功率，包括，利用负荷减供策略，以最小的负荷代价降低电网的运行风险，所述最优负荷削减模型利用电网总停电功率最小作为目标函数，如下：其中，ΔPLi：负荷有功，ΔQLi：无功削减量，Nb：失负荷节点数目；所述最优负荷削减目标函数利用设备过载风险指标、电压越限指标和失负荷指标，将整体风险值作为所述最优负荷削减目标函数的加权和，运行人员利用调整权重设定各类风险的重要程度，得到不同的优化控制策略，选择连续型后果值函数，其原对偶内点法数学模型如下：minf(x)＝ω1RLOL+ω2ROL+ω3RVV其中，ROL和ω1：设备过载风险指标及其权重，RVV和ω2：电压越限指标及其权重，RLOL和ω3：失负荷指标及其权重，Pij和Qij：从节点i流向j的有功功率和无功功率，PGi和QGi：发电机有功和无功输出功率，PLi和QLi：各个负荷的有功和无功功率，PGimax和PGimin：发电机有功输出的上限和下限，QGimax和QGimin：发电机无功输出的上限和下限，Pijmax和Pijmin：传输线路的有功传输容量的上下限，Vimin和Vimin：各节点电压幅值的上限和下限，Vi：节点电压，ΔPLimax和ΔQLimax：有功和无功负荷削减量的上限。作为本专利技术所述的一种基于人工智能学习的风险控制辅助决策方法的一种优选方案，其中：当电网发生故障导致负荷损失，所述网络重构实现供电恢复，分析供电恢复过程的所述网络重构，包括，以恢复最多的失电负荷、优先恢复重要的负荷为前提，潮流方程约束、发电机有功和无功出力限制为约束条件，选择最佳供电路径，所述网络重构模型如下：其中，Wi：负荷的重要程度权系数，NOP：开关操作次数，Pij和Qij：从节点i流向j的有功功率和无功功率，PGi和QGi：发电机有功和无功输出功率，PLi和QLi：各个负荷的有功和无功功率，PGimax和PGimin：发电机有功输出的上限和下限，QGimax和QGimin：发电机无功输出的上限和下限，Pijmax和Pijmin：传输线路的有功传输容量的上下限，Vimin和Vimin：各节点电压幅值的上限和下限，Vi表：节点电压。作为本专利技术所述的一种基于人工智能学习的风险控制辅助决策方法的一种优选方案，其中：所述网络重构具体包括，进行故障状态定位，计算出负荷减供量；重构变电站，改变所述变电站内部开关状态，实现故障恢复；获取所述故障影响范围；对配电网内进行重构，在发生所述故障的所述配电网内部寻找可投入的支持馈线以恢复供电；进行整体重构，为进一步考虑向系统内其它配电区域寻求负荷转供路径；远程恢复，为向其它供电区域寻求负荷转供路径，形成远程恢复方案。作为本专利技术所述的一种基于人工智能学习的风险控制辅助决策方法的一种优选方案，其中：实现所述风险预防控制过程，包括，获取所述电网的当前状态；若为正常状态，则实行所述正常状态下运行的风险预控方案；若为所述故障状态，则实行所述故障状态下运行的所述风险预控方案。作为本专利技术所述的一种基于人工智能学习的风险控制辅助决策方法的一种优选方案，其中：所述正常状态下运行的所述风险预控方案，包括，若处于不安全状态，则启动所述正常状态下的所述预防控制过程；若存在可行路径，则输出发电功率控制方案，结束整体控制过程；若不存在可行路径，则基于风险的所述最优负荷削减控制、求解并输出减供负荷方案。作为本专利技术所述的一种基于人工智能学习的风险控制辅助决策方法的一种优选方案，其中：所述故障状态下运行的所述风险预控方案，包括，生成基本故障集U1，并计算所述U1中的风险值；对所述U1进行排序并生成风险控制集U2，启动所述故障状态下的所述预防控制过程；若需运行所述网络重构，则运行发电功率再调度控制并输出方案；若不需运行所述网络重构，则求解并输出减供负荷方案。作为本专利技术所述的一种基于人工智能学习的风险控制辅助决策系统的一种优选方案，其中：总控模块，用于构建所述风险控制模型；服务器模块，用于建立基于所述SCADA实时数据的地区电网风险评估及辅助决策的所述框架；输入管理模块，用于管理、运行系统内所有的参数，定义所述故障集；分析模块，用于计算处理所述输入管理模块中的电网参数，获得风险指标，并制定所述风险指标相对应的风险控制策略；输出管理模块，用于图形化处理输入的数据，存储所述风险指标的处理结果和控制策略数据，并展示给用户。本专利技术的有益效果：本专利技术通过对地区电网运行风险指标体系的确定，采用最优负荷削减和网络重构运行风险方法以降低系统风险发生概率和影响范围，并开发出一套基于SCADA实时数据的地区电网风险评估及辅助决策系统，对故障发生的概率和后果进行有本文档来自技高网...

【技术保护点】
1.一种基于人工智能学习的风险控制辅助决策方法，其特征在于：包括，/n总控模块(100)利用风险控制策略构建运行风险控制模型；/n服务器模块(200)利用所述风险控制模型构建一套基于SCADA实时数据的地区电网风险评估及辅助决策的框架，生成电网运行风险指标；/n所述框架利用所述风险控制模型对所述电网运行风险指标进行计算、评估和分析，构建相应的风险预控方案并生成风险预控辅助决策。/n

【技术特征摘要】
1.一种基于人工智能学习的风险控制辅助决策方法，其特征在于：包括，
总控模块(100)利用风险控制策略构建运行风险控制模型；
服务器模块(200)利用所述风险控制模型构建一套基于SCADA实时数据的地区电网风险评估及辅助决策的框架，生成电网运行风险指标；
所述框架利用所述风险控制模型对所述电网运行风险指标进行计算、评估和分析，构建相应的风险预控方案并生成风险预控辅助决策。


2.如权利要求1所述的基于人工智能学习的风险控制辅助决策方法，其特征在于：构建所述风险控制模型包括，
利用失负荷策略达到最优负荷削减，计算风险状态下的停电功率；
分析供电恢复过程的网络重构，优化网络重构模型，获得所述风险控制模型。


3.如权利要求1或2所述的基于人工智能学习的风险控制辅助决策方法，其特征在于：所述最优负荷削减是采用失负荷操作，以最优的发电机组出力安排和电网潮流分布为基础，计算所述风险状态下的所述停电功率，包括，
利用负荷减供策略，以最小的负荷代价降低电网的运行风险，所述最优负荷削减模型利用电网总停电功率最小作为目标函数，如下：



其中，ΔPLi：负荷有功(MW)，ΔQLi：无功削减量(Mvar)，Nb：失负荷节点数目；
所述最优负荷削减目标函数利用设备过载风险指标、电压越限指标和失负荷指标，将整体风险值作为所述最优负荷削减目标函数的加权和，运行人员利用调整权重设定各类风险的重要程度，得到不同的优化控制策略，选择连续型后果值函数，其原对偶内点法数学模型如下：
minf(x)＝ω1RLOL+ω2ROL+ω3RVV



其中，ROL和ω1：设备过载风险指标及其权重，RVV和ω2：电压越限指标及其权重，RLOL和ω3：失负荷指标及其权重，Pij和Qij：从节点i流向j的有功功率和无功功率，PGi和QGi：发电机有功和无功输出功率，PLi和QLi：各个负荷的有功和无功功率，PGimax和PGimin：发电机有功输出的上限和下限，QGimax和QGimin：发电机无功输出的上限和下限，Pijmax和Pijmin：传输线路的有功传输容量的上下限，Vimin和Vimin：各节点电压幅值的上限和下限，Vi：节点电压，ΔPLimax和ΔQLimax：有功和无功负荷削减量的上限。


4.如权利要求1或2所述的基于人工智能学习的风险控制辅助决策方法，其特征在于：当电网发生故障导致负荷损失，所述网络重构实现供电恢复，分析供电恢复过程的所述网络重构，包括，
以恢复最多的失电负荷、优先恢复重要的负荷为前提，潮流方程约束、发电机有功和无功出力限制为约束条件，选择最佳供电路径，所述网络重构模型如下：
maxf1(x)＝∑i∈LWiPLi，minf2(x)＝NOP



其中，Wi：负荷的重要程度权系数，NOP：开关操作次数，Pi...

【专利技术属性】
技术研发人员：罗艳，王庭刚，周智海，肖辅盛，高浩，张诗琪，何立新，卞苏波，蒋琳，延敏娜，粟景，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：贵州;52