一种基于多维灵敏度分析的负荷侧资源管理方法及系统技术方案

本发明专利技术公开了电力系统领域的一种基于多维灵敏度分析的负荷侧资源管理方法及系统，包括：分析并确定电网中不确定性特征，采用梯形模糊数对不确定性特征进行表征获得离散数据；对离散数据进行约束构造事件，并计算事件的可信性测度，对事件的可信性测度进行细化处理获得离散数据集合D；建立初始BN网络结构并筛选出最优BN网络结构，以全局变量的视角出发计算区域电网关键参数，构建为源

【技术实现步骤摘要】
一种基于多维灵敏度分析的负荷侧资源管理方法及系统


[0001]本专利技术属于电力系统领域，具体涉及负荷侧资源管理方法及系统。

技术介绍

[0002]随着新型电力系统海量新能源的接入，传统调度控制资源的能力有限，系统已持续出现重载/贴限运行、限制负荷用电等情况。电力系统中又出现了一些新的调节资源，特别是灵活的负荷侧调节资源，包括：电动汽车、温控型负荷、工商业及居民负荷以及这些资源聚合而成的负荷聚集商、综合能源服务商、虚拟电厂等。如何有效感知负荷侧资源时序响应潜力并针对性的制定协调优化策略将变的至关重要，获得负荷响应量与线路功率、节点电压的灵敏度成为应对上述问题的关键。
[0003]目前广泛采用的局部灵敏度法仅能在线性化点附近评估单个输入变量对输出的影响且适用于线性系统，难以评估如今复杂的非线性电力系统的特性，缺乏考虑各变量之间的相关性，得到的电网关键参数较为片面，无法满足海量源荷接入背景下城市电网安全运行的需求。

技术实现思路

[0004]本专利技术提供了一种基于多维灵敏度分析的负荷侧资源管理方法及系统，考虑电网各节点源
‑
荷相关性，以全局变量的视角出发计算区域电网关键参数，精准感知区域电网关键节点、线路的灵敏度，根据灵敏度设定负荷侧资源的调度策略。
[0005]为达到上述目的，本专利技术所采用的技术方案是：
[0006]本专利技术第一方面提供了一种基于多维灵敏度分析的负荷侧资源管理方法，包括：
[0007]分析并确定电网中负荷侧资源和能源侧资源的不确定性特征，采用梯形模糊数对负荷侧资源和能源侧资源的不确定性特征进行表征获得离散数据；对离散数据进行约束构造事件，并计算事件的可信性测度，利用置信水平α对事件的可信性测度进行细化处理获得离散数据集合D；
[0008]建立基于贝叶斯网络的初始BN网络结构；基于爬山法对初始BN网络结构进行局部修改，获得候选BN网络结构；将离散数据集合D代入预设的评分函数，对每个候选BN网络结构进行评分，筛选出最优BN网络结构，利用最大似然估计法计算最优BN网络结构的参数，构建为源
‑
荷概率模型；
[0009]利用源
‑
荷概率模型获得输入
‑
输出函数f(m)；通过蒙特卡洛模拟估计方差，计算各输入
‑
输出函数f(m)的一阶灵敏度与总灵敏度；根据一阶灵敏度与总灵敏度设定负荷侧资源的调度策略。
[0010]优选的，采用梯形模糊数对负荷侧资源和能源侧资源的不确定性特征进行表征获得离散数据集，表达公式为：
[0011][0012]公式中，为隶属度函数，P
a2
(t)，P
a3
(t)，P
a4
(t)]表示为离散数据；
[0013]P
ak
(t)＝w
k
P
s
(t),k＝1,2,3,4
[0014]公式中，w
k
为比例系数，0＜w
k
≤1；P
s
(t)表示为t时刻的间歇式电源出力和负荷响应的预测量。
[0015]优选的，对离散数据进行约束构造事件，并计算事件的可信性测度，利用置信水平α对事件的可信性测度进行细化处理获得离散数据集合D的方法包括：
[0016]对离散数据集D中的离散数据进行约束构造事件，表达公式为：
[0017][0018]公式中，ξ
k
＝(r
k1
,r
k2
,r
k3
,r
k4
)；k＝1,2,
…
,K，K∈R；r
k1
,r
k2
,r
k3
,r
k4
表示为梯形模糊数ξ
k
的四个模糊标度。
[0019]计算事件的可信性测度，利用置信水平α对事件的可信性测度进行细化处理，表达公式为：
[0020][0021]C
r
{A}表示为事件A的可信度；事件A表示为对C
r
{A}≥α进行优化求解获得离散数据集合D；
[0022]优选的，将离散数据集合D代入预设的评分函数，对每个候选BN网络结构进行评分的方法包括：
[0023]所述评分函数包括网络结构的评分函数和带惩罚项的评分函数；
[0024]所述网络结构的评分函数的表达公式为：
[0025][0026]公式中，G表示为候选BN网络结构；θ表示为候选BN网络结构的参数向量；ω表示为电网中结点的数量；X
i
表示为电网中第i个结点；q
i
表示为电网中结点X
i
的父结点π(X
i
)的状态；r
i
表示结点X
i
的状态；N
ijk
表示为离散数据集合D中满足结点X
i
的父结点π(X
i
)为第j个状态值的样本个数：N
ij
表示为离散数据集合D中满足结点X
i
的父结点π(X
i
)为第j个状态值且结点X
i
为第k个状态值的样本个数；ρ(
·
)表示为条件概率函数。
[0027]所述带惩罚项的评分函数的表达公式为：
[0028]Score
L
(G|D)＝Score(G|D)
‑
Q(N)
×
dim(G)
[0029]公式中，dim(G)表示候选BN网络结构G的复杂度；Q(N)表示为关于离散数据集合D中样本数量的非负惩罚函数。
[0030]优选的，利用最大似然估计法计算最优BN网络结构的参数的表达公式为：
[0031][0032]公式中，D
l
表示为D中第1次采样的样本，l表示为采样次数。
[0033]优选的，利用源
‑
荷概率模型获得输入
‑
输出函数f(m)的方法包括：
[0034]设w个随机变量U＝{u
bl
}，bl＝1,2，...，w，假设对u
i
做z次采样，得到数据样本集M＝{m1，m2，...，m
z
}，将数据样本集M输入至源
‑
荷概率模型获得输出样本集合；通过数据样本集M和输出样本集合拟合出输入
‑
输出函数f(m)。
[0035]优选的，通过蒙特卡洛模拟估计方差的方法包括：
[0036]将输入
‑
输出函数f(m)分解为2
β
个子函数的和，表示公式为：
[0037][0038]公式中，f
γ
＝f(m
γ
)，f
γ，δ
＝f(m
γ
，m
δ
)，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维灵敏度分析的负荷侧资源管理方法，其特征在于，包括：分析并确定电网中负荷侧资源和能源侧资源的不确定性特征，采用梯形模糊数对负荷侧资源和能源侧资源的不确定性特征进行表征获得离散数据；对离散数据进行约束构造事件，并计算事件的可信性测度，利用置信水平α对事件的可信性测度进行细化处理获得离散数据集合D；建立基于贝叶斯网络的初始BN网络结构；基于爬山法对初始BN网络结构进行局部修改，获得候选BN网络结构；将离散数据集合D代入预设的评分函数，对每个候选BN网络结构进行评分，筛选出最优BN网络结构，利用最大似然估计法计算最优BN网络结构的参数，构建为源
‑
荷概率模型；利用源
‑
荷概率模型获得输入
‑
输出函数f(m)；通过蒙特卡洛模拟估计方差，计算各输入
‑
输出函数f(m)的一阶灵敏度与总灵敏度；根据一阶灵敏度与总灵敏度设定负荷侧资源的调度策略。2.根据权利要求1所述的基于多维灵敏度分析的负荷侧资源管理方法，其特征在于，采用梯形模糊数对负荷侧资源和能源侧资源的不确定性特征进行表征获得离散数据集，表达公式为：公式中，为隶属度函数，表示为离散数据；P
ak
(t)＝w
k
P
s
(t),k＝1,2,3,4公式中，w
k
为比例系数，0＜w
k
≤1；P
s
(t)表示为t时刻的间歇式电源出力和负荷响应的预测量。3.根据权利要求2所述的基于多维灵敏度分析的负荷侧资源管理方法，其特征在于，对离散数据进行约束构造事件，并计算事件的可信性测度，利用置信水平α对事件的可信性测度进行细化处理获得离散数据集合D的方法包括：对离散数据集D中的离散数据进行约束构造事件，表达公式为：公式中，ξ
k
＝(r
k1
,r
k2
,r
k3
,r
k4
)；k＝1,2,
…
,K，K∈R；r
k1
,r
k2
,r
k3
,r
k4
表示为梯形模糊数ξ
k
的四个模糊标度。计算事件的可信性测度，利用置信水平α对事件的可信性测度进行细化处理，表达公式为：
C
r
{A}表示为事件A的可信度；事件A表示为对C
r
{A}≥α进行优化求解获得离散数据集合D。4.根据权利要求1所述的基于多维灵敏度分析的负荷侧资源管理方法，其特征在于，将离散数据集合D代入预设的评分函数，对每个候选BN网络结构进行评分的方法包括：所述评分函数包括网络结构的评分函数和带惩罚项的评分函数；所述网络结构的评分函数的表达公式为：公式中，G表示为候选BN网络结构；θ表示为候选BN网络结构的参数向量；ω表示为电网中结点的数量；X
i
表示为电网中第i个结点；q
i
表示为电网中结点X
i
的父结点π(X
i
)的状态；r
i
表示结点X
i
的状态；N
ijk
表示为离散数据集合D中满足结点X
i
的父结点π(X
i
)为第j个状态值的样本个数：N
ij
表示为离散数据集合D中满足结点X
i
的父结点π(X
i
)为第j个状态值且结点X
i
为第k个状态值的样本个数；ρ(
·
)表示为条件概率函数。所述带惩罚项的评分函数的表达公式为：Score
L
(G|D)＝Score(G|D)
‑
Q(N)
×
dim(G)公式中，dim(G)表示候选BN网络结构G的复杂度；Q(N)表示为关于离散数据集合D中样本数量的非负惩罚函数。5.根据权利要求4所述的基于多维灵敏度分析的负荷侧资源管理方法，其特征在于，利用最大似然估计法计算最优BN网络结构的参数的表达公式为：公式中，D
l
表示为D中第l次采样的样本，l表示为采样次数。优选的，利用源
‑
荷概率模型获得输入
‑
输出函数f(m)的方法包括：设w个随机变量U＝{u
bl
}，bl＝1,2,
…
,w，假设对u
i
做z次采样，得到数据样本集M＝{m1,m2,
…
,m
z
}，将数据样本集M输入至源
‑
荷概率模型获得输出样本集合；通过数据样本集M和输出样本集合拟合出输入
‑
输出函数f(m)。6.根据权利要求5所述的基于多维灵敏度分析的负荷侧资源管理方法，其特征在于，通过蒙特卡洛模拟估计方差的方法包括：将输入
‑
输出函数f(m)分解为2
β
个子函数的和，表示公式为：公式中，f
γ
＝f(m
γ
)，f
γ，δ
＝f(m
γ
，m
δ
)，f
12
...
β
＝f
12
...
k
(m1，m2，...，m
β
)，f0为常数项；m
...

【专利技术属性】
技术研发人员：王晨，朱靖恺，张骥，王毅，崔勇，肖飞，张元觉，刘嘉华，陆娟娟，曾岚兰，杨科，唐坚，
申请(专利权)人：国网电力科学研究院有限公司国家电网有限公司国网上海市电力公司，
类型：发明
国别省市：