数据驱动的高比例可再生能源电力系统运行场景辨识方法技术方案

本发明专利技术提出一种数据驱动的高比例可再生能源电力系统运行场景辨识方法,属于电力系统运行技术领域。该方法首先对待辨识的电力系统精细化运行模拟，获取该系统对应的日运行方式向量；利用主成分分析方法对所有日运行方式向量进行预处理，得到预处理后的电力系统运行方式矩阵；通过Kmeans++算法及电力系统运行方式紧密度指标确定电力系统典型运行场景；利用t

【技术实现步骤摘要】
数据驱动的高比例可再生能源电力系统运行场景辨识方法


[0001]本专利技术属于电力系统运行
，具体涉及一种数据驱动的高比例可再生能源电力系统运行场景辨识方法。

技术介绍

[0002]高比例可再生能源并网发电(本专利技术中指可再生能源占比超过30％)已成为电力系统实现低碳化，清洁化转型的重要技术手段。截至2019年底，中国并网风电和并网光伏装机分别达209GW和204GW，均居世界首位。高比例可再生能源的强不确定性和高比例电力电子化的复杂动态给电力系统带来了多重挑战，例如运行方式多样化、电网潮流双向化、稳定机理复杂化等。随着电网中可再生能源占比逐渐升高，可再生能源的随机特性将成为影响电网运行方式的主导因素之一。传统电力系统中的运行方式相对固定，主要受到到负荷或季节性水电出力的影响，在电力系统规划中往往根据“冬大冬小，夏大夏小，丰水枯水”来选取典型运行场景以进行经济性、安全性和稳定性评估。基于模型和经验的电力系统分析方法能够很好地满足传统电力系统规划、运行、保护和稳定分析等方面的需求。但在高比例可再生能源电力系统中，电力系统将在规划、运行、保护和稳定分析中面临由于可再生能源强不确定性所带来的海量场景，基于模型和经验的电力系统运行方式分析方法将难以有效确定规划和运行中的典型场景，也难以快速辨识保护和稳定分析中的极端运行场景，因而需要研究一种更为有效的面向未来高比例可再生能源电力系统运行场景辨识技术。
[0003]数据驱动在电力系统中的应用是目前学术界研究的热点，目前数据驱动方法已被应用在电力系统预测，模式识别和决策分析等方面，如WANG Y,GAN D,SUN M,et al.Probabilistic individual load forecasting using pinball loss guided LSTM[J].Applied Energy,2019,235:10
–
20.将长短期记忆网络(Long Short-Term Memory，LSTM)模型应用到概率性负荷预测。
[0004]LI W,WANG M,CHOW J H.Real-Time Event Identification Through Low-Dimensional Subspace Characterization of High-Dimensional Synchrophasor Data[J].IEEE Transactions on Power Systems,2018,33(5):4937
–
4947.根据基于同步向量测量装置(Phasor measurement unit，PMU)的量测数据，利用数据驱动方法建立低维数据空间的线下字典，并将其应用于事故的线上实时检测。
[0005]HOU Q,ZHANG N,KIRSCHEN D S,et al.Sparse Oblique Decision Tree for Power System Security Rules Extraction and Embedding[J].IEEE Transactions on Power Systems,2020:1
–
1.利用斜决策树学习电力系统的安全规则，并将安全规则转换为线性约束嵌入最优潮流模型以指导电力系统安全优化调度，有效提升了电力系统运行的安全性。
[0006]但目前还没有利用数据驱动方法来辨识高比例可再生能源电力系统运行场景及其变化规律的相关报道。

技术实现思路

[0007]本专利技术的目的是为填补已有技术的空白之处，提出一种数据驱动的高比例可再生能源电力系统运行场景辨识方法。本专利技术对经预处理的高维电力系统运行模拟数据采用了聚类算法和紧密度指标饱和点分别确定典型运行场景及其数量，利用了t-SNE降维算法提取出运行方式的主要特征并对其时空变化规律进行了可视化。在本方法中，利用数据驱动方法能够有效确定规划和运行中的典型场景并快速辨识保护和稳定分析中的极端运行场景，能够为电力系统的规划和运行人员提供重要的参考，提升对高比例可再生能源电力系统的辨识能力。
[0008]本专利技术提出一种数据驱动的高比例可再生能源电力系统运行场景辨识方法，其特征在于，该方法包括以下步骤：
[0009]1)对待辨识的电力系统进行运行模拟，获取该系统的日运行方式向量；
[0010]利用TH-DSED软件进行电力系统进行运行模拟，该软件输出数据包括电力系统每日的传统机组出力数据、可再生能源出力数据、负荷数据以及线路潮流数据；所述四种数据组成该电力系统在对应日的日运行方式向量，共得到M个电力系统日运行方式向量，M为日运行方式向量对应的天数；
[0011]其中，电力系统日运行方式向量表达式如下：
[0012][0013]其中，g为传统机组调度出力，r为可再生能源机组出力，f为线路潮流，d为负荷数据；T
s
代表每日的时段数，|g|,|r|,|f|,|d|分别代表传统机组数量、可再生能源机组数量、线路数量和负荷节点数量；向量p的维度为N维，N＝(g|+|r|+|f|+|d|)
×
T
s
；
[0014]将M个N维日运行方式向量组成矩阵P0＝(p
1 p2ꢀ…ꢀ
p
M
)；
[0015]2)对步骤1)得到的所有日运行方式向量进行预处理，得到预处理后电力系统运行方式矩阵；具体步骤如下：
[0016]2-1)对矩阵P0中所有日运行方式向量进行中心化，得到中心化后的新矩阵记为P；
[0017][0018]其中，是P0中所有日运行方式向量的平均值；
[0019]2-2)计算矩阵P的协方差矩阵对协方差矩阵Cov进行特征值分解得到N个特征值λ1,λ2,
…
,λ
N
和每个特征值对应的特征向量h1,h2,...,h
N
，其中λ1≥λ2≥...≥λ
N
，λ
i
为第i个特征值，λ
i
对应的特征向量为h
i
；
[0020]2-3)从h1,h2,...,h
N
中取前K个特征向量组成矩阵H＝(h
1 h
2 ... h
K
)；
[0021]其中，K为压缩后运行方式向量维数，K由压缩系数θ0确定:
[0022][0023]2-4)得到预处理后的电力系统运行方式矩阵P
′
＝(p
′
1 p
′2ꢀ…ꢀ
p
′
M
)：
[0024]P
′
＝H
T
P
[0025]其中，p
′
i
为矩阵P
′
中的第i个日运行方式向量；
[0026]3)对预处理后的电力系统运行方式矩阵进行聚类，提取电力系统典型运行场景；具体步骤如下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的高比例可再生能源电力系统运行场景辨识方法，其特征在于，该方法包括以下步骤：1)对待辨识的电力系统进行运行模拟，获取该系统的日运行方式向量；利用TH-DSED软件进行电力系统进行运行模拟，该软件输出数据包括电力系统每日的传统机组出力数据、可再生能源出力数据、负荷数据以及线路潮流数据；所述四种数据组成该电力系统在对应日的日运行方式向量，共得到M个电力系统日运行方式向量，M为日运行方式向量对应的天数；其中，电力系统日运行方式向量表达式如下：其中，g为传统机组调度出力，r为可再生能源机组出力，f为线路潮流，d为负荷数据；T
s
代表每日的时段数，|g|,|r|,|f|,|d|分别代表传统机组数量、可再生能源机组数量、线路数量和负荷节点数量；向量p的维度为N维，N＝(|g|+|r|+|f|+|d|)
×
T
s
；将M个N维日运行方式向量组成矩阵P0＝(p
1 p2ꢀ…ꢀ
p
M
)；2)对步骤1)得到的所有日运行方式向量进行预处理，得到预处理后电力系统运行方式矩阵；具体步骤如下：2-1)对矩阵P0中所有日运行方式向量进行中心化，得到中心化后的新矩阵记为P；其中，是P0中所有日运行方式向量的平均值；2-2)计算矩阵P的协方差矩阵对协方差矩阵Cov进行特征值分解得到N个特征值λ1,λ2,...,λ
N
和每个特征值对应的特征向量h1,h2,...,h
N
，其中λ1≥λ2≥...≥λ
N
，λ
i
为第i个特征值，λ
i
对应的特征向量为h
i
；2-3)从h1,h2,...,h
N
中取前K个特征向量组成矩阵H＝(h
1 h
2 ... h
K
)；其中，K为压缩后运行方式向量维数，K由压缩系数θ0确定:2-4)得到预处理后的电力系统运行方式矩阵P
′
＝(p
′
1 p
′2ꢀ...

【专利技术属性】
技术研发人员：侯庆春，杜尔顺，田旭，张宁，张子扬，刘飞，张君，张桂红，李红霞，白左霞，
申请(专利权)人：国网青海省电力公司经济技术研究院，
类型：发明
国别省市：