高风电渗透电网频率稳定风险评估方法及处理器技术

本发明专利技术涉及电网技术领域，具体地涉及一种高风电渗透电网频率稳定风险评估方法及处理器。方法包括：通过贝叶斯网络图确定高风电渗透电网频率稳定风险的评估指标和评估指标对应的概率函数；通过BP神经网络确定评估指标的权重；确定高风电渗透电网频率稳定的风险矩阵；根据评估指标确定对应的风险等级。通过上述方案，本申请可以根据贝叶斯网络图分析大规模风电并网与电网频率稳定之间的逻辑关系确定风险评估指标，能全面反映风电并网对电网的影响；根据风电功率波动概率函数确定风险评估指标概率函数，能准确反映各指标发生的概率；通过BP神经网络学习方法确定指标权重，能实现电力系统有功扰动下复杂动态特性的频率安全权重确定。权重确定。权重确定。

【技术实现步骤摘要】
高风电渗透电网频率稳定风险评估方法及处理器


[0001]本专利技术涉及电网
，具体地涉及一种高风电渗透电网频率稳定风险评估方法及处理器。

技术介绍

[0002]随着我国可再生能源迅速发展，大规模风电并网严重影响我国电网的安全稳定运行，同时电网频率稳定是电网安全可靠性的重要标准之一。为实现“碳达峰”、“碳中和”目标，风电占比不断提高，建立高风电渗透电网频率稳定风险评估方法具有重要意义。
[0003]在现有技术中，高风电渗透电网频率稳定风险评估过程中存在指标过多和过少的问题，过多的指标将导致评估速度慢，而过少的指标将导致风险评估结果不准确，同时还存在指标概率函数选取不准确的问题，将导致评估结果存在偏差。

技术实现思路

[0004]本专利技术的目的是为了克服现有技术存在的指标概率函数不准确选取的问题，提供了一种高风电渗透电网频率稳定风险评估方法及处理器，后者提供的指标概率函数确定方法与风电功率波动相关联，具有较高的准确率和在线应用前景。
[0005]为了实现上述目的，本专利技术一方面提供一种高风电渗透电网频率稳定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高风电渗透电网频率稳定风险评估方法，其特征在于，所述方法包括：通过贝叶斯网络图确定所述高风电渗透电网频率稳定风险的评估指标和所述评估指标对应的概率函数；通过BP神经网络确定所述评估指标的权重；确定所述高风电渗透电网频率稳定的风险矩阵；根据所述评估指标确定对应的风险等级。2.根据权利要求1所述的方法，其特征在于，所述评估指标包括最大频率变化率、暂态频率偏差以及稳态频率偏差。3.根据权利要求2所述的方法，其特征在于，所述最大频率变化率随风电功率波动的概率函数根据公式(1)计算得到：其中，H
sys
为区域级电网惯性时间常数，v为所述电网最大频率变化率，R为风电功率波动，满足正态分布，φ(R)为正态分布概率函数，满足N(0，δ2)。4.根据权利要求2所述的方法，其特征在于，所述暂态频率偏差的所述概率函数通过公式(2)计算得到：其中，H(s)为通过一次调频控制系统获取传递函数，Z为所述暂态频率偏差。5.根据权利要求2所述的方法，其特征在于，所述稳态频率偏差的所述概率分布函数根据公式(3)计算得到：其中，W为所述稳态频率偏差，K
G
为常规发电机组一次调频能力，K
L
为负荷单位调节功率。6.根据权利要求1所述的方法，其特征在于，所述方法还包括，对BP神经网络模型的各神经元的权系数的训练步骤，包括：获取样本数据，所述样本数据包括样本风险评估指标值和所述样本风险评估指标值对应的样本风险等级；确定所述逆向传播神经网络隐含层个数和隐含层节点数；确定所述风险指标值与电网频率风险等级之间的非线性映射关系；将所述样本风险评估指标值作为输入数据，所述样本风险等级作为输出数据输入至所述BP神经网络模型，以此确定所述BP神经网络模型的各神经元的样本权系数。7.根据权利要求6所述的方法，其特征在于，所述方法还包括，对所述BP神经网络模型的各神经元的权系数的训练步骤，包括：获取测试数据，所述测试数据包括测试风险评估指标值和对应的测试风险等级；在所述BP神经网络的各神经元的权系数为所述样本权系数的情况下，输入所述测试风
险评估指标至所述BP神经网络模...

【专利技术属性】
技术研发人员：沈阳武，左剑，郝露茜，王玎，吕当振，崔挺，
申请(专利权)人：国网湖南省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：