基于新能源多场景风险特征导向的电力系统风险评估方法技术方案

本发明专利技术公开了基于新能源多场景风险特征导向的电力系统风险评估方法，包括以下步骤：S1、获取电力系统M个场景的历史数据；S2、基于所述历史数据提取电力系统的风险特征；S3、对S2中所获得的风险特征进行聚类，得到聚类结果；S4、基于所述聚类结果将所述历史数据进行分类，得到分类结果，并计算每个分类结果所对应的概率；S5、基于所述分类结果及对应的概率计算电力系统风险指标。本发明专利技术中所采用方法有效提高了风险评估的计算速度，且聚类结果更加准确，降低了风险指标计算误差。

【技术实现步骤摘要】
基于新能源多场景风险特征导向的电力系统风险评估方法
本专利技术涉及电力系统风险评估
，更具体的说是涉及基于新能源多场景风险特征导向的电力系统风险评估方法。
技术介绍
新能源以其清洁可再生的优点受到世界各国能源改革的青睐，然而，新能源具有波动性、间歇性等特性，对其接入后的电力系统风险带来极大的挑战。因此，亟需对新能源接入的电力系统进行科学准确的风险评估。传统风险评估的方法主要分为两类：解析法和模拟法。解析法对系统状态进行枚举，数学模型精确，但其计算量随着系统规模的增大而呈指数增长，因此该方法仅适用于元件个数较少的小型电力系统。蒙特卡罗模拟法通过随机抽样的方式对系统指标进行估计，计算量主要与系统风险水平紧密相关，因此更适用于大型电力系统的风险评估。在对象为大规模新能源接入后的电力系统风险评估的过程中，由于蒙特卡罗模拟法的抽样效率对故障事件发生的概率非常敏感，导致该方法在低风险事件系统中的收敛速度较慢，另一方面，随着电网中各种新能源的大量接入，其出力的不确定性使风险评估过程中系统状态发生“组合爆炸”，计算时间剧增，因此对于新能源接入的电力系统风险研究，亟需探究快速有效的评估算法。现有含新能源接入的电力系统风险评估的研究领域，大多数研究集中在新能源多场景出力方面，针对风光荷数据特性进行聚类并选取典型代表日来解决新能源接入的不确定性与相关性问题，然而仅对输入数据直接聚类的方法在风险评估中会导致选取的高风险事件数较少：蒙特卡罗模拟法通过采取随机抽样的方式对系统指标进行估计。因此针对每个历史场景都需要产生大量随机故障事件并计算潮流结果及风险指标，计算量巨大。此时，由于净负荷与系统风险指标不是线性相关，若直接使用聚类方法对历史数据进行典型场景提取，则无法考虑历史场景的风险特征，导致聚类结果不准确，而高风险事件对风险指标的贡献更大，会造成较大的风险指标计算误差。因此，如何提高对象为大规模新能源接入后的电力系统风险评估的过程中聚类的准确性，进而降低风险指标计算误差，成为了本领域技术人员急需解决的问题。
技术实现思路
有鉴于此，本专利技术提供了基于新能源多场景风险特征导向的电力系统风险评估方法，为了实现上述目的，本专利技术采用如下技术方案：基于新能源多场景风险特征导向的电力系统风险评估方法，包括以下步骤：S1、获取电力系统M个场景的历史数据；S2、基于所述历史数据提取电力系统的风险特征；S3、对S2中所获得的风险特征进行聚类，得到聚类结果；S4、基于所述聚类结果将所述历史数据进行分类，得到分类结果，并计算每个分类结果所对应的概率；S5、基于所述分类结果及对应的概率计算电力系统风险指标。优选的，S1中的电力系统M个场景的历史数据包括：M个场景中电力系统各节点的净负荷数据。优选的，S2中采用解析法枚举各净负荷下前N阶故障事件风险特征EENSi。优选的，S3的具体步骤为：S31、初始化样本集大小n、聚类个数k和收敛判据ε；令迭代次数标志I＝1，从样本集中选取k个样本作为初始聚类中心Zj(I)，j＝1,2,3，...k；S32、计算各场景下的样本与所述初始聚类中心间的距离D(Xi,Zj(I))，i＝1,2,3，...n；若D(Xi,Zk(I))＝min{D(Xi,Zj(I))}，则将当前场景划分到对应的聚类簇中，即将Xi归为类Ck，Xi∈Ck；上式中，Xi为样本向量，样本为EENS，D(Xi,Zk(I))为各场景下的样本与第k个聚类中心间的距离；S33、计算误差函数若||Jc(I)-Jc(I-1)||＜ξ进行S34；否则令迭代系数标志I＝I+1，计算k个新的聚类中心，则返回S32；S34、输出k个聚类结果。优选的，S4的具体内容为：基于所述聚类结果将待评估场景的数据进行分类，得到分类结果，针对每个分类结果内所对应的净负荷数据求取平均值，所述平均值为每个分类结果所对应的典型净负荷场景，并计算每个分类结果所对应的概率。优选的，将每类所述典型净负荷场景分别代入基于非序贯蒙特卡洛法的风险评估模型，计算对应的风险指标，根据各类所述典型净负荷场景对应的概率确定其权重，加权计算电力系统风险指标。经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了基于新能源多场景风险特征导向的电力系统风险评估方法，在大规模电力系统风险评估过程中，传统的评估方法针对每个历史场景都需要产生大量随机故障事件并计算潮流结果及风险指标，计算量巨大，由于净负荷与系统风险指标不是线性相关，若直接使用聚类方法对历史数据进行典型场景提取，则无法考虑历史场景的风险特征，导致聚类结果不准确，而本专利技术采用风险特征进行聚类，通过改变聚类的依据，达到聚类簇中数据风险特征相近的效果，相对于传统的技术方案来说，本专利技术中所采用方法有效提高了风险评估的计算速度，且聚类结果更加准确，降低了风险指标计算误差。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术提供的基于新能源多场景风险特征导向的电力系统风险评估方法的流程图；图2为本专利技术提供的基于新能源多场景风险特征导向的电力系统风险评估方法中净负荷与EENS的关系示意图；图3为本专利技术提供的IEEERBTS-6节点系统图；图4为本专利技术提供的算例中两种方法的误差对比图；图5为本专利技术提供的算例中两种方法的耗时对比图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例公开了基于新能源多场景风险特征导向的电力系统风险评估方法，如图1所示，包括以下步骤：S1、获取电力系统M个场景的历史数据；S2、基于历史数据提取电力系统的风险特征；S3、对S2中所获得的风险特征进行聚类，得到聚类结果；S4、基于聚类结果将历史数据进行分类，得到分类结果，并计算每个分类结果所对应的概率；S5、基于分类结果及对应的概率计算电力系统风险指标。为了进一步实现上述技术方案，S1中的电力系统M个场景的历史数据包括：M个场景中电力系统各节点的净负荷数据。为了进一步实现上述技术方案，S2中采用解析法枚举各净负荷下前N阶故障事件风险特征EENSi。为了进一步实现上述技术方案，S3的具体步骤为：S31、初始化样本集大小n、聚类个数k和收敛判据ε；令迭代次数标志I＝1，从样本集中选取k个样本作为初始聚类中心Zj(I)，j＝本文档来自技高网...

【技术保护点】
1.基于新能源多场景风险特征导向的电力系统风险评估方法，其特征在于，包括以下步骤：/nS1、获取电力系统M个场景的历史数据；/nS2、基于所述历史数据提取电力系统的风险特征；/nS3、对S2中所获得的风险特征进行聚类，得到聚类结果；/nS4、基于所述聚类结果将所述历史数据进行分类，得到分类结果，并计算每个分类结果所对应的概率；/nS5、基于所述分类结果及对应的概率计算电力系统风险指标。/n

【技术特征摘要】
1.基于新能源多场景风险特征导向的电力系统风险评估方法，其特征在于，包括以下步骤：
S1、获取电力系统M个场景的历史数据；
S2、基于所述历史数据提取电力系统的风险特征；
S3、对S2中所获得的风险特征进行聚类，得到聚类结果；
S4、基于所述聚类结果将所述历史数据进行分类，得到分类结果，并计算每个分类结果所对应的概率；
S5、基于所述分类结果及对应的概率计算电力系统风险指标。


2.根据权利要求1所述的基于新能源多场景风险特征导向的电力系统风险评估方法，其特征在于，S1中的电力系统M个场景的历史数据包括：M个场景中电力系统各节点的净负荷数据。


3.根据权利要求1所述的基于新能源多场景风险特征导向的电力系统风险评估方法，其特征在于，S2中采用解析法枚举各净负荷下前N阶故障事件风险特征EENSi。


4.根据权利要求1所述的基于新能源多场景风险特征导向的电力系统风险评估方法，其特征在于，S3的具体步骤为：
S31、初始化样本集大小n、聚类个数k和收敛判据ε；
令迭代次数标志I＝1，从样本集中选取k个样本作为初始聚类中心Zj(I)，j＝1,2,3，...k；
S32、计算各场景下的样本与...

【专利技术属性】
技术研发人员：党东升，谢开贵，胡博，冯雪，曹茂森，田宏梁，张坤，周宗川，
申请(专利权)人：国网宁夏电力有限公司经济技术研究院，重庆大学，
类型：发明
国别省市：宁夏;64