基于细粒度数据驱动的电网可靠性评估方法技术

本发明专利技术属于电力系统领域，具体涉及一种基于细粒度数据驱动的电网可靠性评估方法；所述方法包括利用蒙特卡洛法随机抽取电网系统状态数据；计算电网系统开断前后系统直流潮流的功率差值；将功率差值和其他电力数据作为待测样本的输入特征向量输入到潮流模块中；计算出待测样本回归结果和分类结果，确定问题样本；将问题样本的输入特征向量输入到最优潮流模块模块中，计算出问题样本的分类结果，确定故障样本；对故障样本进行最小切负荷分析处理，根据分析结果，结合方差系数计算得到故障样本的不确定性，输出故障样本的可靠性评估结果。本发明专利技术可广泛应用于大电网的运行可靠性在线计算，特别适用于高比例新能源大规模接入后的场景。场景。场景。

【技术实现步骤摘要】
基于细粒度数据驱动的电网可靠性评估方法


[0001]本专利技术属于电力系统领域，目的是利用深度神经网络实现大电网可靠性评估的高效计算，具体涉及一种基于细粒度数据驱动的电网可靠性评估方法。

技术介绍

[0002]对于具有强不确定性的高比例可再生能源电力系统，大电网可靠性评估是预防大停电事故的重要工具。可靠性评估过程包含了潮流计算与最优潮流计算。为了获得高精度的评估结果，大电网可靠性评估需要分析大量系统状态(即重复执行大量潮流与最优潮流计算)。因此，大电网可靠性评估面临着计算负担重的难题。随着高比例可再生能源的接入，可靠性评估模型的复杂化及其计算需求频次的激增，导致上述难题进一步恶化。
[0003]近年来，随着信息技术、深度学习技术等持续发展，数据驱动的方法在减轻可靠性评估计算负担中展现了巨大潜力，该类方法日益受到学者们的青睐。目前用于可靠性评估的数据驱动方法通常会建立一个分类器，通过识别样本是标记为“成功”或故障来减少最优潮流计算的频率。在进行分类之后，仅对标记为故障的样本以负载削减最小为目标进行最优潮流计算，标记为“成功”的样本则不需要进行分析。在可靠性评估中，由于大多数系统状态都属于“成功”类别，因此上述方法可以节省大量计算成本。
[0004]然而，现有方法难以准确获得高精度的可靠性评估结果，其主要原因在于：潮流方程的非线性、支路开断的离散性以及成功/故障样本间的不平衡性导致可靠性评估的学习任务十分复杂。现有方法为降低学习复杂度，实现数据驱动的可靠性评估，忽略了不平衡问题、支路随机故障的不确定性，或/和假设了电网潮流为线性，这会导致可靠性评估面临重大的精度损失，难以在实际工业中推广应用。因此，迫切需要更有效的数据驱动方法来保证大电网可靠性评估结果的准确性。

技术实现思路

[0005]基于现有技术存在的问题，本专利技术的目的是针对数据驱动的电力系统运行可靠性计算方法的不足，提出一种基于细粒度数据驱动的电网可靠性评估方法。实现本专利技术的技术方案包括：
[0006]获取电网系统状态数据，并利用蒙特卡洛法按照方差系数随机抽取出一部分的电网系统状态数据；
[0007]将待测样本的功率差值、负荷有功向量与无功向量、机组最大可发有功功率与无功功率，以及机组最低有功出力与无功出力输入到基于数据驱动的潮流模块中；
[0008]潮流回归模块计算出待测样本的回归结果，潮流分类模块预测出待测样本的分类结果，并将回归结果和分类结果作为待测样本的输出特征向量输出；
[0009]当所述回归结果超过对应的预设阈值，或/和所述分类结果的标志为问题标志，则将该待测样本作为问题样本；
[0010]将问题样本的输入特征向量输入到基于数据驱动的最优潮流模块中，预测出问题
样本的分类结果，并将该分类结果作为问题样本的输出特征向量输出，确定出其中的故障样本；
[0011]对所述故障样本进行最小切负荷分析处理，计算得到流入支路和流出支路有功功率、以及电压幅值与电压相角；
[0012]根据故障样本的最小切负荷分析的计算结果，结合方差系数计算得到故障样本的不确定性，输出故障样本的可靠性评估结果。
[0013]本专利技术采用上述技术方案后，主要有以下效果：
[0014]1.相比于现有数据驱动的运行可靠性评估方法，本专利技术引入的基于数据驱动的潮流模块可以作为缓冲器，来有效辨识问题样本即潮流越限的系统状态，降低辨识故障样本的学习复杂度。此外，还通过缓冲器预先辨识出一部分非问题样本来作为成功样本，还可有效缓解样本不平衡问题。
[0015]2.本专利技术提出的数据驱动的细粒度可靠性评估框架包含了潮流模块与最小切负荷计算模型，因此本框架可以计算任意可靠性指标。同时，通过本专利技术设计的特征向量与学习策略，该框架无需假设潮流线性或电网结构不变，也可有效应对负荷/新能源的随机波动预计电网设备的随机故障，计算精度高。
[0016]3.本专利技术可广泛应用于大电网的运行可靠性在线计算，特别适用于风、电等高比例新能源大规模接入后的情况。
附图说明
[0017]图1为本专利技术实施例中基于深度神经网网络的细粒度运行可靠性评估框架图；
[0018]图2为本专利技术实施例中基于细粒度数据驱动的电网可靠性评估方法流程图。
具体实施方式
[0019]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。
[0020]图1是本专利技术实施例中所采用的电网可靠性评估框架图，该框架图基于深度学习网络，如图1所示，该框架图中主要包含四个部分，首先是按照采样的方式来获取部分系统状态，输入到数据驱动的问题样本辨识模型中，在这个辨识模型中需要采用基于数据驱动的潮流模块包括数据驱动的潮流分类模块和潮流回归模块来找出问题样本，再从问题样本中找出故障样本。接下来仅需要对故障样本进行最小切负荷分析，依照分析结果进行可靠性指标的统计，其中，待测样本分为成功样本、故障样本和普通样本；这里的普通样本将由数据驱动的潮流模块筛出，并确定出剩余的问题样本，问题样本包含成功样本和故障样本。
[0021]与传统的基于数据驱动的可靠性评估框架相比，本专利技术框架引入了一个构造了一个缓冲器(即数据驱动的潮流模块)来辨识问题样本即包含线路过载、电压越限或系统解列的系统状态，而不是直接辨识出故障样本。缓冲器将所有系统状态识别分为两个阶段，第一个阶段是区分是否为问题样本，第二个阶段是区分问题样本是否为故障样本，这两个阶段可有效降低学习复杂性并缓解样本不平衡问题。考虑到问题样本的错误识别可能会导致大
电网可靠性评估指标的准确性下降，该框架结合了数据驱动的潮流回归和分类结果，使问题样本的识别结果更精准。特别地，若某样本被数据驱动潮流回归模型或数据驱动的潮流分类模型识别为问题样本，则均视为问题样本。
[0022]可以理解的是，上述框架通过建立缓冲器先辨识问题样本从一定程度上缓解了过拟合问题，并且结合潮流回归结果与潮流分类结果，进一步提高了问题样本的辨识精度。
[0023]除此以外，本专利技术还考虑到，如何构造出有效表征运行可靠性的非线性与离散性的特征向量，并设计适应于上述框架中各个数据驱动模块的深度学习策略，是实现上述框架功能的关键所在，基于此，图2给出了本专利技术实施例中基于细粒度数据驱动的电网可靠性评估方法流程图，如图2所示，所述评估方法包括：
[0024]101、获取电网系统状态数据，并利用蒙特卡洛法按照方差系数随机抽取出一部分的电网系统状态数据；
[0025]在本专利技术实施例中，由于电网系统状态数据是非常海量且庞大的，直接处理这些数据是现实的，基于此，本专利技术实施例中采用蒙特卡洛法随机抽样适量的系统状态，并可以按照方差系数作为抽取比例，来抽取部分系统状态。
[0026]在本专利技术实施例中，所述方差系数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于细粒度数据驱动的电网可靠性评估方法，其特征在于，所述方法包括：获取电网系统状态数据，并利用蒙特卡洛法按照方差系数随机抽取出一部分的电网系统状态数据；对抽取出的电网系统状态数据进行预处理，计算得到电网系统开断前后系统直流潮流的功率差值；获取待测样本的功率差值、负荷有功向量与无功向量、机组最大可发有功功率与无功功率，以及机组最低有功出力与无功出力，并将其作为待测样本的输入特征向量输入到基于数据驱动的潮流模块中；潮流回归模块计算出待测样本的回归结果，潮流分类模块预测出待测样本的分类结果，并将回归结果和分类结果作为待测样本的输出特征向量输出；当所述回归结果超过对应的预设阈值，或/和所述分类结果的标志为问题标志，则将该待测样本作为问题样本；将问题样本的输入特征向量输入到基于数据驱动的最优潮流模块中，预测出问题样本的分类结果，并将该分类结果作为问题样本的输出特征向量输出，确定出其中的故障样本；对所述故障样本进行最小切负荷分析处理，计算得到流入支路和流出支路有功功率、以及电压幅值与电压相角；根据故障样本的最小切负荷分析的计算结果，结合方差系数计算得到故障样本的不确定性，输出故障样本的可靠性评估结果。2.根据权利要求1所述的一种基于细粒度数据驱动的电网可靠性评估方法，其特征在于，所述方差系数表示为：其中，α表示方差系数；表示可靠性指标的估计值；表示估计值的方差。3.根据权利要求1所述的一种基于细粒度数据驱动的电网可靠性评估方法，其特征在于，所述计算得到电网系统开断前后系统直流潮流的功率差值包括根据导纳矩阵和电压相角计算出每条支路直流潮流的功率，表示为P
k
＝B
k
δ
k
；通过转移分布因子计算出不同支路在开断前后的直流潮流的功率差值，表示为并得到支路开断前后所有支路的直流潮流的功率差值向量，表示为ΔP
DC
＝P
a
‑
P
b
；其中，P
k
表示支路k上的直流潮流的功率，B
k
表示支路k上的导纳矩阵，δ
k
表示支路k上的电压相角，表示支路l中断引起的支路k上的直流潮流的功率变化，DF
k
‑
l
表示支路l中断引起的支路k上的直流潮流功率变化，P
l
表示支路l上的直流潮流，l≠k，k,l∈[1,2,...,L]，L表示电网系统中支路总数，ΔP
DC
表示支路开断前后所有支路的直流潮流的功率差值向量，P
a
表示支路开断前所有支路的直流潮流的功率向量，P
b
表示支路开断后所有支路的直流潮流的功率向量。4.根据权利要求1所述的一种基于细粒度数据驱动的电网可靠性评估方法，其特征在...

【专利技术属性】
技术研发人员：杨燕，郭兴，于洪，王国胤，余娟，杨知方，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：