电力系统运行可靠性评估方法、装置及电子设备制造方法及图纸

本申请提供一种电力系统运行可靠性评估方法、装置及电子设备。该方法包括：获取电力系统的多组历史数据；针对每组历史数据，对电力系统中的每个元件的元件状态进行抽样，得到多个系统状态，根据上述多个系统状态计算该组历史数据的历史可靠性指标；按照预设分类条件，确定每组历史数据所属的运行场景；将每个运行场景下的多组历史数据和对应的历史可靠性指标作为数据集，对该运行场景对应的预测模型进行训练，得到多个训练后的预测模型，构成M

【技术实现步骤摘要】
电力系统运行可靠性评估方法、装置及电子设备


[0001]本申请涉及电力系统运维
，具体涉及一种电力系统运行可靠性评估方法、装置及电子设备。

技术介绍

[0002]近年来，新能源发电在电力系统中所占比例快速增加，然而，新能源发电具有随机性和不确定性，为保证电力系统能够安全稳定的运行，需要对电力系统运行可靠性进行评估。
[0003]常规的电力系统运行可靠性评估方法，其计算时间同时取决于电力系统规模和设置的收敛精度，通常导致计算速度慢，无法满足快速评估的要求。因此，提高电力系统运行可靠性评估的评估速度，确保电力系统运行的安全性和稳定性，是目前本领域亟待解决的问题。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种电力系统运行可靠性评估方法、装置及电子设备，以解决常规的电力系统运行可靠性评估方法计算速度慢、无法满足快速评估的要求的技术问题。
[0005]第一方面，本申请实施例提供了一种电力系统运行可靠性评估方法，包括：获取电力系统的多组历史数据；针对每组历史数据，通过非序贯蒙特卡洛抽样法对电力系统中的每个元件的元件状态进行抽样，得到多个系统状态，计算每个系统状态的负荷削减概率和最优削负荷量，根据多个系统状态的负荷削减概率和最优削负荷量计算该组历史数据的历史可靠性指标；按照预设分类条件，确定每组历史数据所属的运行场景；将每个运行场景下的多组历史数据和对应的历史可靠性指标作为数据集，对该运行场景对应的预测模型进行训练，得到多个训练后的预测模型，构成M
‑
预测模型；获取电力系统的实时数据，基于M
‑
预测模型对实时数据进行预测，得到电力系统的可靠性指标，以根据可靠性指标对电力系统评估。
[0006]在第一方面的一种可能的实施方式中，预测模型为反向传播神经网络；运行场景有多个；将每个运行场景下的多组历史数据和对应的历史可靠性指标作为数据集，对该运行场景对应的预测模型进行训练，得到多个训练后的预测模型，构成M
‑
预测模型，包括：以每个运行场景下的历史数据为模型输入，历史可靠性指标为模型输出，基于自适应算法对该运行场景对应的预测模型进行训练，得到该运行场景对应的训练后的预测模型；将多个运行场景对应的多个训练后的预测模型构成M
‑
预测模型。
[0007]在第一方面的一种可能的实施方式中，每个运行场景对应的预测模型的训练过程，包括：根据预测模型的预设最大隐藏层数和预设最大隐藏元数，对预测模型的隐藏层数和隐藏元数进行枚举；根据当前枚举的隐藏层数和隐藏元数，基于预测模型对应的运行场景下的数据集对预测模型进行训练和测试，得到当前可靠性指标的误差；在所有隐藏层数
和隐藏元数均被枚举后，得到多个可靠性指标的误差，确定最小的可靠性指标的误差对应的隐藏层数和隐藏元数为预测模型的最终隐藏层数和隐藏元数，得到训练后的预测模型。
[0008]在第一方面的一种可能的实施方式中，每个系统状态为每个元件的元件状态构成的数组；每个元件的元件状态为第一状态或第二状态，其中，第一状态表示的元件状态为故障，第二状态表示的元件状态为非故障；通过非序贯蒙特卡洛抽样法对电力系统中的每个元件的元件状态进行抽样，得到多个系统状态，包括：基于电力系统中每个元件的不可用率，通过非序贯蒙特卡洛抽样法确定每个元件的元件状态，根据每个元件的元件状态确定系统状态；对电力系统中的每个元件的元件状态进行多次抽样，得到多个系统状态。
[0009]在第一方面的一种可能的实施方式中，计算每个系统状态的负荷削减概率和最优削负荷量，包括：根据每个系统状态对应的每个元件的元件状态，计算每个系统状态的负荷削减概率；构建最优切负荷模型，根据最优切负荷模型计算每个系统状态的最优削负荷量。
[0010]在第一方面的一种可能的实施方式中，可靠性指标包括失负荷概率和失负荷期望量；根据多个系统状态的负荷削减概率和最优削负荷量计算该组历史数据的历史可靠性指标，包括：对多个系统状态的负荷削减概率进行求和，得到该组历史数据的历史失负荷概率；基于多个系统状态的负荷削减概率，对多个系统状态的最优削负荷量进行加权和计算，得到该组历史数据的历史失负荷期望量。
[0011]在第一方面的一种可能的实施方式中，实时数据包括实时风电出力、实时光伏出力和实时负荷；获取电力系统的实时数据，基于M
‑
预测模型对实时数据进行预测，得到电力系统的可靠性指标，包括：获取电力系统的实时数据，根据预设分类条件确定实时数据所属的运行场景；基于M
‑
预测模型中，该运行场景对应的预测模型对实时数据进行预测，得到电力系统的可靠性指标。
[0012]第二方面，本申请实施例提供了一种电力系统运行可靠性评估装置，包括：
[0013]获取模块，用于获取电力系统的多组历史数据。
[0014]计算模块，用于针对每组历史数据，通过非序贯蒙特卡洛抽样法对电力系统中的每个元件的元件状态进行抽样，得到多个系统状态，计算每个系统状态的负荷削减概率和最优削负荷量，根据多个系统状态的负荷削减概率和最优削负荷量计算该组历史数据的历史可靠性指标。
[0015]构建模块，用于按照预设分类条件，确定每组历史数据所属的运行场景；将每个运行场景下的多组历史数据和对应的历史可靠性指标作为数据集，对该运行场景对应的预测模型进行训练，得到多个训练后的预测模型，构成M
‑
预测模型。
[0016]预测模块，用于获取电力系统的实时数据，基于M
‑
预测模型对实时数据进行预测，得到电力系统的可靠性指标，以根据可靠性指标对电力系统评估。
[0017]第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面任一项的电力系统运行可靠性评估方法。
[0018]第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项的电力系统运行可靠性评估方法。
[0019]第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子
设备上运行时，使得电子设备执行上述第一方面中任一项的电力系统运行可靠性评估方法。
[0020]可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
[0021]本申请实施例提供的电力系统运行可靠性评估方法、装置及电子设备，通过获取电力系统的多组历史数据，计算每组历史数据的历史可靠性指标，按照预设分类条件，确定每组历史数据所属的运行场景，将每个运行场景下的多组历史数据和对应的历史可靠性指标作为数据集，对该运行场景对应的预测模型进行训练，得到多个训练后的预测模型，构成M
‑
预测模型，基于M
‑
预测模型对获取到的电力系统的实时数据进行预测，得到电力系统的可靠性指标，通过训练不同运行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统运行可靠性评估方法，其特征在于，包括：获取电力系统的多组历史数据；针对每组所述历史数据，通过非序贯蒙特卡洛抽样法对电力系统中的每个元件的元件状态进行抽样，得到多个系统状态，计算每个所述系统状态的负荷削减概率和最优削负荷量，根据所述多个系统状态的负荷削减概率和最优削负荷量计算该组历史数据的历史可靠性指标；按照预设分类条件，确定每组所述历史数据所属的运行场景；将每个运行场景下的多组历史数据和对应的历史可靠性指标作为数据集，对该运行场景对应的预测模型进行训练，得到多个训练后的预测模型，构成M
‑
预测模型；获取电力系统的实时数据，基于所述M
‑
预测模型对所述实时数据进行预测，得到电力系统的可靠性指标，以根据所述可靠性指标对所述电力系统评估。2.根据权利要求1所述的电力系统运行可靠性评估方法，其特征在于，所述预测模型为反向传播神经网络；所述运行场景有多个；所述将每个运行场景下的多组历史数据和对应的历史可靠性指标作为数据集，对该运行场景对应的预测模型进行训练，得到多个训练后的预测模型，构成M
‑
预测模型，包括：以每个运行场景下的历史数据为模型输入，历史可靠性指标为模型输出，基于自适应算法对该运行场景对应的预测模型进行训练，得到该运行场景对应的训练后的预测模型；将多个运行场景对应的多个训练后的预测模型构成M
‑
预测模型。3.根据权利要求1所述的电力系统运行可靠性评估方法，其特征在于，每个运行场景对应的预测模型的训练过程，包括：根据预测模型的预设最大隐藏层数和预设最大隐藏元数，对所述预测模型的隐藏层数和隐藏元数进行枚举；根据当前枚举的隐藏层数和隐藏元数，基于所述预测模型对应的运行场景下的数据集对所述预测模型进行训练和测试，得到当前可靠性指标的误差；在所有隐藏层数和隐藏元数均被枚举后，得到多个可靠性指标的误差，确定最小的可靠性指标的误差对应的隐藏层数和隐藏元数为所述预测模型的最终隐藏层数和隐藏元数，得到训练后的预测模型。4.根据权利要求1所述的电力系统运行可靠性评估方法，其特征在于，每个系统状态为所述每个元件的元件状态构成的数组；所述每个元件的元件状态为第一状态或第二状态，其中，所述第一状态表示的元件状态为故障，所述第二状态表示的元件状态为非故障；所述通过非序贯蒙特卡洛抽样法对电力系统中的每个元件的元件状态进行抽样，得到多个系统状态，包括：基于电力系统中每个元件的不可用率，通过非序贯蒙特卡洛抽样法确定每个元件的元件状态，根据所述每个元件的元件状态确定系统状态；对所述电力系统中的每个元件的元件状态进行多次抽样，得到多个系统状态。5.根据权利...

【专利技术属性】
技术研发人员：张菁，齐晓光，张倩茅，赵凯林，徐田丰，陈宇，田家辉，张丽洁，董家盛，谢婉莹，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：