极端天气下考虑特征深度挖掘的电力系统风险评估方法技术方案

本发明专利技术提供了一种极端天气下考虑特征深度挖掘的电力系统风险评估方法，属于电力系统风险评估技术领域

【技术实现步骤摘要】
极端天气下考虑特征深度挖掘的电力系统风险评估方法


[0001]本专利技术属于电力系统风险评估
，具体涉及一种强风极端天气下考虑特征深度挖掘的电力系统运行风险评估方法
。

技术介绍

[0002]随着全球气候变化的加剧，极端天气事件的频繁发生对电力系统的安全稳定运行带来了巨大的挑战
。
强风等极端天气情况可能导致电力设施损坏，如电线断裂和电塔倒塌等，从而影响电力供应和系统稳定性
。
因此，对电力系统在强风极端天气条件下的运行风险进行准确评估至关重要
。
[0003]现有技术中，已经出现了利用蒙特卡洛方法
、
大数据分析
、
机器学习等技术，对电力系统的稳定性和安全性进行了分析和评估的方法，这些方法涉及风险评估模型
、
风险等级划分
、
以及风险预警与决策建议等方面
。
此外，随着智能技术的发展，一些现有技术采用神经网络
、
深度学习等方法，对电力系统运行风险进行智能评估，试图更准确
、
迅速地捕捉和响应风险
。
但现有技术大多未考虑强风极端天气下的地理分布及其对电力系统的影响，导致风险评估不够准确
。

技术实现思路

[0004]本专利技术所要解决的技术问题是，针对现有技术的不足，提供一种强风极端天气下考虑特征深度挖掘的电力系统运行风险评估方法
、
评估装置
、
电子设备及存储介质
。
[0005]为解决上述技术问题，本专利技术所采用的技术方案是：
[0006]一种极端天气下考虑特征深度挖掘的电力系统运行风险评估方法，包括：
[0007]依据地理位置对整个电力系统进行区域划分；
[0008]结合风速历史数据，构建电力系统多区域强风极端天气的相关性模型；
[0009]根据所述相关性模型，构建每个区域的强风场景样本集；
[0010]获取所述强风场景样本集中每一种强风场景下对应区域的输电线路故障概率；
[0011]为每个区域的每一种强风场景均随机分配一种电力系统运行条件，并获取电力系统在对应运行条件下的运行风险值；
[0012]构建并训练风险评估模型；
[0013]利用所述风险评估模型进行电力系统运行风险评估
。
[0014]进一步的，还包括：依据电力系统运行风险的评估结果，获取辅助决策建议
。
[0015]进一步的，构建并训练风险评估模型的方法包括：
[0016]获取每个区域的每一种强风场景下所分配电力系统的运行数据，以及对应的运行风险值，以所获取的运行数据
、
运行风险值及对应的风速值构建训练样本集；
[0017]构建风险评估模型；
[0018]以所述训练样本集训练风险评估模型，其中运行数据和风速值为输入数据，运行风险值为输出数据
。
[0019]进一步的，构建风险评估模型的方法包括：利用极限学习机
ELM
构建风险评估模型，并将
Linear
线性核函数
、Poly
多项式核函数
、Rbf
径向基函数核函数
、Wav
小波核函数的加权和作为最终的核函数
。
[0020]进一步的，最终核函数
K(x,y)
表示为：
[0021]K(x,y)
＝
w1K
Linear
(x,y)+w2K
Poly
(x,y)+w3K
Rbf
(x,y)+w4K
Wav
(x,y)
[0022]K
Linear
(x,y)
＝
x
T
y
[0023]K
Poly
＝
(
γ
x
T
y+r)
d
[0024]K
Rbf
(x,y)
＝
exp(
‑
γ
||x
‑
y||2)
[0025]K
Wav
(x,y)
＝
φ
(x
‑
y)
[0026]其中，
K
Linear
(x,y)
是线性核函数，
K
Poly
是多项式核函数，
K
Rbf
(x,y)
是径向基函数核函数，
K
Wav
(x,y)
是小波核函数，
γ
是一个正的缩放因子，
r
是偏置，
d
是多项式的阶数，
φ
是一个满足某些条件的小波函数，
w1,w2,w3,w4分别为四个核函数的权重值
。
[0027]进一步的，获取电力系统在对应运行条件下的运行风险值的方法包括：
[0028]分别获取电压越限指标
P
u
、
潮流过载指标
P
p
、
潮流转移度指标
P
t
和失负荷率指标
P
s
；
[0029]获取电力系统运行风险值
ζ
＝
β1P
u
+
β2P
p
+
β3P
t
+
β4P
s
，其中
β1、
β2、
β3、
β4分别为各指标的重要度系数
。
[0030]进一步的，对整个电力系统进行区域划分的方法包括：采用模糊
C
均值聚类算法对电力系统进行区域划分，定义算法的目标函数为其中
R
表示聚类数，即要划分的区域数量；
U
表示模糊矩阵，表示每个节点属于每个区域的隶属度；
M
聚类中心矩阵，包含每个区域的中心点；
N
是节点的数量；
u
ij
是节点
i
属于区域
j
的隶属度；
m
是模糊度参数；
v
j
是区域
j
的中心点
。
[0031]一种极端天气下考虑特征深度挖掘的电力系统运行风险评估装置，包括获取单元
、
训练单元和评估单元；
[0032]所述获取单元用于获取电力系统的网络拓扑并依据地理位置对整个电力系统进行区域划分；用于结合风速历史数据构建电力系统多区域强风极端天气的相关性模型；用于根据相关性模型构建每个区域的强风场景样本集；用于获取强风场景样本集中每一种强风场景下对应区域的输电线路故障概率；用于在为每本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种极端天气下考虑特征深度挖掘的电力系统运行风险评估方法，其特征在于：所述运行风险评估方法包括：依据地理位置对整个电力系统进行区域划分；结合风速历史数据，构建电力系统多区域强风极端天气的相关性模型；根据所述相关性模型，构建每个区域的强风场景样本集；获取所述强风场景样本集中每一种强风场景下对应区域的输电线路故障概率；为每个区域的每一种强风场景均随机分配一种电力系统运行条件，并获取电力系统在对应运行条件下的运行风险值；构建并训练风险评估模型；利用所述风险评估模型进行电力系统运行风险评估
。2.
根据权利要求1所述的极端天气下考虑特征深度挖掘的电力系统运行风险评估方法，其特征在于：还包括：依据电力系统运行风险的评估结果，获取辅助决策建议
。3.
根据权利要求1所述的极端天气下考虑特征深度挖掘的电力系统运行风险评估方法，其特征在于：构建并训练风险评估模型的方法包括：获取每个区域的每一种强风场景下所分配电力系统的运行数据，以及对应的运行风险值，以所获取的运行数据
、
运行风险值及对应的风速值构建训练样本集；构建风险评估模型；以所述训练样本集训练风险评估模型，其中运行数据和风速值为输入数据，运行风险值为输出数据
。4.
根据权利要求3所述的极端天气下考虑特征深度挖掘的电力系统运行风险评估方法，其特征在于：构建风险评估模型的方法包括：利用极限学习机
ELM
构建风险评估模型，并将
Linear
线性核函数
、Poly
多项式核函数
、Rbf
径向基函数核函数
、Wav
小波核函数的加权和作为最终的核函数
。5.
根据权利要求4所述的极端天气下考虑特征深度挖掘的电力系统运行风险评估方法，其特征在于：最终核函数
K(x,y)
表示为：
K(x,y)
＝
w1K
Linear
(x,y)+w2K
Poly
(x,y)+w3K
Rbf
(x,y)+w4K
Wav
(x,y)K
Linear
(x,y)
＝
x
T
yK
Poly
＝
(
γ
x
T
y+r)
d
K
Rbf
(x,y)
＝
exp(
‑
γ
||x
‑
y||2)K
Wav
(x,y)
＝
φ
(x
‑
y)
其中，
K
Linear
(x,y)
是线性核函数，
K
Poly
是多项式核函数，
K
Rbf
(x,y)
是径向基函数核函数，
K
Wav
(x,y)
是小波核...

【专利技术属性】
技术研发人员：李琼林，田春笋，韩佶，高泽，张迪，李程昊，梁浩鹏，方舟，郭路怡，黎量子，刘芳冰，曹晓璐，潘雪晴，张皓，邓钰婷，刘明洋，
申请(专利权)人：国网河南省电力公司，
类型：发明
国别省市：