【技术实现步骤摘要】
本专利技术涉及电力系统，特别涉及一种电力系统充裕性快速协同评估方法及系统。
技术介绍
1、电力供应是保障国民经济发展、促进人民生活水平提高的重要基础。随着电网结构日益复杂、电力用户日益增加、新能源发电日益增多，这些因素的出现可能对电力系统的安全性和电能质量造成影响，情况严重时甚至会导致大面积停电事件的发生，影响社会的正常运转和人们的日常生活。因此，针对电力系统的充裕性评估方法开展研究，以实现对电力系统充裕性的准确、快速评估，提高电力系统风险防御能力，是一项具有必要性的工作。
2、充裕性是指系统稳态运行时，在元件额定容量、母线电压和系统频率等允许的范围内，考虑系统中元件计划停运以及合理的非计划停运条件下，向用户提供全部所需的电力和电量的能力，表现为系统设施是否能充分满足用户的负荷需求和系统运行的约朿条件。
3、针对电力系统充裕性方面的研究，一般可分为两大类：确定性分析方法和不确定分析方法。确定性分析方法以解析法为代表，然而，解析方法在处理系统内随机因素的影响方面存在困难，不适用于高比例新能源接入的电力系统的分析。不确定性分析方法中，最具代表性的是以蒙特卡洛模拟方法为代表的模拟法，然而，在使用蒙特卡罗方法计算多维问题时，计算复杂度会随着维度的增加而呈指数增长，从而导致计算时间大幅增加。冗长的评估时间使得在线运行和及时提供控制的决策信息变得十分困难，难以对电力系统运行过程中的充裕性进行准确、快速的评估。
4、因此，随着大规模新能源并网等给电力系统的充裕性提出了更高的要求，亟需提出一种面向电力系统充裕
技术实现思路
1、本专利技术实施例提供一种电力系统充裕性快速协同评估方法及系统，以解决现有技术中的上述技术问题。
2、为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
3、根据本专利技术实施例的第一方面，提供了一种电力系统充裕性快速协同评估方法。
4、在一个实施例中，所述电力系统充裕性快速协同评估方法，包括：
5、对电力系统充裕性进行分析，确定电力系统充裕性的评估指标；
6、获取电力系统实际运行数据，并基于所述实际运行数据计算各时刻的所述评估指标，将计算过程中所涉及的系统运行数据和所述评估指标形成数据集合；
7、基于所述数据集合，构建基于多任务学习范式的神经网络模型；并将所述基于多任务学习范式的神经网络模型应用于电力系统充裕性的在线实时评估，完成电力系统充裕性评估指标的协同预测。
8、在一个实施例中，所述评估指标包括上调裕度和下调裕度，其中，所述上调裕度和所述下调裕度的计算公式分别为：
9、pup＝pt+1,max-pt
10、pdown＝pt-pt+1,min
11、式中，pup表示上调裕度；pdomn表示下调裕度；pt表示本时刻各种资源的出力；pt+1,max表示下一时刻各种资源可允许达到的最大出力；pt+1,min表示下一时刻各种资源可允许达到的最小出力。
12、在一个实施例中，所述系统运行数据为计算各时刻的上调裕度和下调裕度过程中所涉及的风力发电机组、光伏发电机组、储能系统以及火力发电机组的时序运行数据。
13、在一个实施例中，所述的电力系统充裕性快速协同评估方法，还包括：在构建基于多任务学习范式的神经网络模型之前，对所述数据集合进行预处理，所述预处理包括缺失值补全处理、异常值删除/修改处理以及归一化处理。
14、在一个实施例中，基于所述数据集合，构建基于多任务学习范式的神经网络模型包括：采用硬参数共享的多任务学习范式学习任务，基于长短期记忆神经网络，构建基于多任务学习范式的神经网络模型，并利用所述数据集合对基于多任务学习范式的神经网络模型进行训练。
15、在一个实施例中，所述基于多任务学习范式的神经网络模型的训练算法为随时间反向传播算法；所述基于多任务学习范式的神经网络模型的损失函数为均方误差损失函数。
16、在一个实施例中，所述基于多任务学习范式的神经网络模型的遗忘门、输入门和输出门的计算公式为：
17、
18、式中，ft、it和ot分别表示遗忘门，输入门以及输出门在t时刻时的输出结果向量；xt表示在t时刻时的序列输入向量；ht-1表示隐藏层在t-1时刻时的状态向量；σ表示sigmoid激活函数，其作用是将对应的变量映射至区间[0，1]中；wf、wi和wo表示遗忘门，输入门以及输出门对应的权重矩阵；bf，bi和bo表示遗忘门，输入门以及输出门的偏置向量；
19、在一个实施例中，所述基于多任务学习范式的神经网络模型的记忆单元状态和隐藏层状态的计算公式为：
20、
21、式中，表示输入单元状态即在t时刻时输入到记忆单元的候选状态向量；ct表示在t时刻时记忆单元的状态向量；tanh表示双曲正切激活函数；wc表示输入单元状态的权重矩阵；bc表示输入单元状态向量的偏置向量；*表示对应矩阵按元素相乘。
22、在一个实施例中，将所述基于多任务学习范式的神经网络模型应用于电力系统充裕性的在线实时评估时，选用平均绝对误差、平均绝对百分比误差、均方误差、均方根误差和相对均方根误差作为估计值和实际值的拟合优度评价指标。
23、根据本专利技术实施例的第二方面，提供了一种电力系统充裕性快速协同评估系统。
24、在一个实施例中，所述电力系统充裕性快速协同评估系统，包括：
25、指标确定模块，用于对电力系统充裕性进行分析，确定电力系统充裕性的评估指标；
26、数据获取模块，用于获取电力系统实际运行数据，并基于所述实际运行数据计算各时刻的所述评估指标，将计算过程中所涉及的系统运行数据和所述评估指标形成数据集合；
27、模型评估模块，用于基于所述数据集合，构建基于多任务学习范式的神经网络模型；并将所述基于多任务学习范式的神经网络模型应用于电力系统充裕性的在线实时评估，完成电力系统充裕性评估指标的协同预测。
28、在一个实施例中，所述评估指标包括上调裕度和下调裕度，其中，所述上调裕度和所述下调裕度的计算公式分别为：
29、pup＝pt+1,max-pt
30、pdown＝pt-pt+1,min
31、式中，pup表示上调裕度；pdown表示下调裕度；pt表示本时刻各种资源的出力；pt+1,max表示下一时刻各种资源可允许达到的最大出力；pt+1,min表示下一时刻各种资源可允许达到的最小出力。
32、在一个实施例中，所述系统运行数据为计算各时刻的上调裕度和下调裕度过程中所涉及的风力发电机组、光伏发电机组、储能系统以及火力发电机组的时序运行数据。
33本文档来自技高网...
【技术保护点】
1.一种电力系统充裕性快速协同评估方法，其特征在于，包括：
2.根据权利要求1所述的电力系统充裕性快速协同评估方法，其特征在于，所述评估指标包括上调裕度和下调裕度，其中，所述上调裕度和所述下调裕度的计算公式分别为：
3.根据权利要求2所述的电力系统充裕性快速协同评估方法，其特征在于，所述系统运行数据为计算各时刻的上调裕度和下调裕度过程中所涉及的风力发电机组、光伏发电机组、储能系统以及火力发电机组的时序运行数据。
4.根据权利要求3所述的电力系统充裕性快速协同评估方法，其特征在于，还包括：
5.根据权利要求1所述的电力系统充裕性快速协同评估方法，其特征在于，基于所述数据集合，构建基于多任务学习范式的神经网络模型包括：
6.根据权利要求5所述的电力系统充裕性快速协同评估方法，其特征在于，所述基于多任务学习范式的神经网络模型的训练算法为随时间反向传播算法；所述基于多任务学习范式的神经网络模型的损失函数为均方误差损失函数。
7.根据权利要求6所述的电力系统充裕性快速协同评估方法，其特征在于，所述基于多任务学习范式的神
8.根据权利要求1所述的电力系统充裕性快速协同评估方法，其特征在于，将所述基于多任务学习范式的神经网络模型应用于电力系统充裕性的在线实时评估时，选用平均绝对误差、平均绝对百分比误差、均方误差、均方根误差和相对均方根误差作为估计值和实际值的拟合优度评价指标。
9.一种电力系统充裕性快速协同评估系统，其特征在于，包括：
10.根据权利要求9所述的电力系统充裕性快速协同评估系统，其特征在于，所述评估指标包括上调裕度和下调裕度，其中，所述上调裕度和所述下调裕度的计算公式分别为：
11.根据权利要求10所述的电力系统充裕性快速协同评估系统，其特征在于，所述系统运行数据为计算各时刻的上调裕度和下调裕度过程中所涉及的风力发电机组、光伏发电机组、储能系统以及火力发电机组的时序运行数据。
12.根据权利要求11所述的电力系统充裕性快速协同评估系统，其特征在于，还包括：
13.根据权利要求9所述的电力系统充裕性快速协同评估系统，其特征在于，所述模型评估模块在基于所述数据集合，构建基于多任务学习范式的神经网络模型时，采用硬参数共享的多任务学习范式学习任务，基于长短期记忆神经网络，构建基于多任务学习范式的神经网络模型，并利用所述数据集合对多任务学习神经网络模型进行训练。
14.根据权利要求13所述的电力系统充裕性快速协同评估系统，其特征在于，所述基于多任务学习范式的神经网络模型的训练算法为随时间反向传播算法；所述基于多任务学习范式的神经网络模型的损失函数为均方误差损失函数。
15.根据权利要求14所述的电力系统充裕性快速协同评估系统，其特征在于，所述基于多任务学习范式的神经网络模型的遗忘门、输入门和输出门的计算公式为：
16.根据权利要求9所述的电力系统充裕性快速协同评估系统，其特征在于，所述模型评估模块在将所述基于多任务学习范式的神经网络模型应用于电力系统充裕性的在线实时评估时，选用平均绝对误差、平均绝对百分比误差、均方误差、均方根误差和相对均方根误差作为估计值和实际值的拟合优度评价指标。
...【技术特征摘要】
1.一种电力系统充裕性快速协同评估方法，其特征在于，包括：
2.根据权利要求1所述的电力系统充裕性快速协同评估方法，其特征在于，所述评估指标包括上调裕度和下调裕度，其中，所述上调裕度和所述下调裕度的计算公式分别为：
3.根据权利要求2所述的电力系统充裕性快速协同评估方法，其特征在于，所述系统运行数据为计算各时刻的上调裕度和下调裕度过程中所涉及的风力发电机组、光伏发电机组、储能系统以及火力发电机组的时序运行数据。
4.根据权利要求3所述的电力系统充裕性快速协同评估方法，其特征在于，还包括：
5.根据权利要求1所述的电力系统充裕性快速协同评估方法，其特征在于，基于所述数据集合，构建基于多任务学习范式的神经网络模型包括：
6.根据权利要求5所述的电力系统充裕性快速协同评估方法，其特征在于，所述基于多任务学习范式的神经网络模型的训练算法为随时间反向传播算法；所述基于多任务学习范式的神经网络模型的损失函数为均方误差损失函数。
7.根据权利要求6所述的电力系统充裕性快速协同评估方法，其特征在于，所述基于多任务学习范式的神经网络模型的遗忘门、输入门和输出门的计算公式为：
8.根据权利要求1所述的电力系统充裕性快速协同评估方法，其特征在于，将所述基于多任务学习范式的神经网络模型应用于电力系统充裕性的在线实时评估时，选用平均绝对误差、平均绝对百分比误差、均方误差、均方根误差和相对均方根误差作为估计值和实际值的拟合优度评价指标。
9.一种电力系统充裕性快速协同评估系统，其特征在于，包括：
10.根据权利要求9所述的...
【专利技术属性】
技术研发人员：高嵩，游大宁，孙运涛，庞向坤，于庆彬，李娜，王毓琦，马强，李军，徐征，刘航航，李慧聪，路宽，刘恩仁，丁浩天，曲建璋，
申请(专利权)人：国网山东省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。