【技术实现步骤摘要】
本专利技术涉及配电网的安全，尤其涉及一种主配电网的风险防控方法、装置、设备和存储介质。
技术介绍
1、近年来光伏发电技术已经逐步趋于成熟和完善，集中式和分布式光伏的并网容量逐渐增大，占比不断提升，同时，随着顶分布式光伏大规模推动，分布式将继续大规模发展，这也对加强电网调度管理水平提出了新的要求。如何实时获取分布式新能源运行状态信息，分析分布式新能源运行风险点，采取调度控制策略消除电网运行风险，提高主配电网运行的稳定性和可靠性，是调度决策人员急需解决的问题。目前，近年来分布式新能源迅猛发展，一些地区的布式装机容量超过1000万千瓦，还有一些地区的装机超过150万千瓦。由于并网电压等级低，调度并未完全掌握其运行信息，对电网运行带来极大的安全隐患，主要体现在安全、平衡和消纳三个方面，具体如下：
2、增加电网安全运行风险，分布式新能源大规模发展，将主配电网由“无源网”逐步发展为“有源网”。部分台区光伏发电量超过所在台区用户消纳能力，电能大量上送，造成台区及低压线路过载，甚至导致110(35)千伏、220千伏变电站或线路反向过载，危及电网安全稳定运行。分布式光伏输出有功功率较大时易抬高配电线路、台区的末端电压，增大电网调压难度。此外，分布式新能源大量接入，还将导致低频低压可切馈线有源化加剧，存在可切负荷量不足的风险，影响系统三道防线安全。
3、目前，有源主配电网风险评估主要是研究一些计及多种不确定性因素的影响，主要是包括受到多类型电动汽车接入主配电网时电动汽车充放电影响、对于光伏等新能源接入主配电网的影响。但是，此
技术实现思路
1、有鉴于此，本专利技术提供一种主配电网的风险防控方法、装置、设备和存储介质，能够改善传统仅依靠可控机组调节的情况，可以有效地降低主配电网运行风险。
2、根据本专利技术的一方面，本专利技术实施例提供了一种主配电网的风险防控方法，该方法包括：
3、获取预设时间段内的风光出力预测数据以及风光出力实测数据；
4、根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的具有梯度惩罚的生成对抗网络wgan-gp模型确定风光出力场景集；
5、根据预设聚类算法对所述风光出力场景集进行场景缩减，得到场景缩减后的目标风光出力场景集；
6、基于预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控；其中，所述风险防控模型为以最小综合运行风险指标和最小综合运行成本为目标的主配电网风险防控模型。
7、在一实施例中，所述根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的wgan-gp模型确定风光出力场景集，进一步包括：
8、将所述风光出力预测数据以及至少两组随机噪声输入预先训练的wgan-gp模型中的生成器中得到生成数据，并将所述生成数据输入预先训练的wgan-gp模型中的判别器中；其中，所述随机噪声为符合正态分布；
9、将所述风光出力实测数据输入预先训练的wgan-gp模型中的判别器中；
10、从所述判别器输出得到至少两个风光出力场景，并将所述至少两个风光出力场景构成风光出力场景集。
11、在一实施例中，所述wgan-gp模型的训练过程包括：
12、获取预设地区的历史风光出力数据作为样本集；其中，所述样本集中包括历史风光出力预测值和历史风光出力实测值；
13、将预先添加的随机噪声与所述历史风光出力预测值进行拼接后输入所述wgan-gp模型的生成器中输出生成样本；
14、将所述历史风光出力实测值输入所述wgan-gp模型的判别器中，并将所述生成样本输入判别器中，输出对历史风光出力实测值和生成样本的判别值；
15、在所述判别器的损失函数中添加有梯度惩罚项，所述梯度惩罚项具有权重系数，采用预设深度学习优化算法分别更新所述权重系数，返回所述获取预设地区的历史风光出力数据作为样本集的步骤，直至判别器输出的生成样本与所述历史风光出力实测值的差距达到最小。
16、在一实施例中，所述判别器中的目标函数，用公式表示为：其中，e(·)表示期望值；d(g(z))为生成的数据g(z)在所述判别器中判别为真的概率；d(x)代表真实数据x在所述判别器中判别为真的概率；所述真实数据x的分布为x～pdata(x)；z表示所述随机噪声，所述随机噪声的分布为z～pz；px为风光数据x的真实分布；x'＝εx+(1-ε)g(z)；ε表示随机数；λ表示所述梯度惩罚项的权重系数；||*||表示为范数，是一种数学计算方法；▽表示为哈密顿算子。
17、在一实施例中，所述根据预设聚类算法对所述风光出力场景集进行场景缩减，得到场景缩减后的目标风光出力场景集，进一步包括：
18、从所述风光出力场景集中选取预设数量的风光出力场景作为初始聚类中心；
19、采用预设相似性度量方法确定所述风光出力场景集中其他风光出力场景至所述初始聚类中心的第一距离，并依据所述第一距离将所述其他风光出力场景划分至距离最近的聚类中心，以形成第一聚类中心；其中，所述第一距离表征相似度；
20、对于每个第一聚类中心，分别计算各所述第一聚类中心中的风光出力场景的第二距离，依据所述第二距离更新所述第一聚类中心得到新聚类中心，并返回所述依据所述第一距离将所述其他风光出力场景划分至距离最近的聚类中心，以形成第一聚类中心的步骤，直到所述第一聚类中心不再发生变化，或达到预设迭代次数为止，得到目标聚类结果；其中，所述第二距离表征所述第一聚类中心中的风光出力场景的总距离；
21、依据所述目标聚类结果确定缩减后的目标风光出力场景集；
22、其中，所述目标聚类结果包括：每个聚类所包括的样本数量或样本权重；所述目标风光出力场景集中的每个风光出力场景对应场景概率，所有风光出力场景的场景概率总和为1。
23、在一实施例中，所述风险防控模型的构建，进一步包括：
24、获取各所述风光出力场景下配电网运行时的潮流参数数据；
25、针对所述目标风光出力场景集中的每个风光出力场景，基于各所述风光出力场景分别对应的场景概率以及所述潮流参数数据确定预设时间粒度内所述风光出力场景对应的至少两个配电网安全风险指标；
26、依据各所述配电网安全风险指标构建所述风光出力场景对应的风险防控模型；其中，所述配电网安全风险指标至少包括：节点电压越限风险指标、线路功率越限风险指标和系统失负荷风险指标。
27、在一实施例中，所述潮流参数数据包括：配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限的情况下，所述节点电压越限风险指标，用公式表示为：其中，ρ(ek)为配电网节点系统状态ek的场景概率；nd为所述配电网节点系统的节点总数；vi本文档来自技高网...
【技术保护点】
1.一种主配电网的风险防控方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的WGAN-GP模型确定风光出力场景集，进一步包括：
3.根据权利要求1或2任一所述的方法，其特征在于，所述WGAN-GP模型的训练过程包括：
4.根据权利要求3所述的方法，其特征在于，所述判别器中的目标函数，用公式表示为：其中，E(·)表示期望值；D(G(z))为生成的数据G(z)在所述判别器中判别为真的概率；D(x)代表真实数据x在所述判别器中判别为真的概率；所述真实数据x的分布为x～pdata(x)；z表示所述随机噪声，所述随机噪声的分布为z～Pz；PX为风光数据x的真实分布；x'＝εx+(1-ε)G(z)；ε表示随机数；λ表示所述梯度惩罚项的权重系数；||*||表示为范数，是一种数学计算方法；▽表示为哈密顿算子。
5.根据权利要求1所述的方法，其特征在于，所述根据预设聚类算法对所述风光出力场景集进行场景缩减，得到场景缩减后的目标风光出力场景集，进一步包
6.根据权利要求1所述的方法，其特征在于，所述风险防控模型的构建，进一步包括：
7.根据权利要求6所述的方法，其特征在于，所述潮流参数数据包括：配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限的情况下，所述节点电压越限风险指标，用公式表示为：其中，ρ(Ek)为配电网节点系统状态Ek的场景概率；ND为所述配电网节点系统的节点总数；Vi为节点i的电压幅值；Vi分别为节点i电压幅值的上限和下限；
8.根据权利要求1或7任一所述的方法，其特征在于，所述预先构建的风险防控模型，用公式表示为：
9.根据权利要求8所述的方法，其特征在于，所述需求响应约束，用公式表示为：和其中，为n节点t时刻需求侧响应产生的变化量；为n节点t时刻需求侧响应前的负荷量；和分别为n节点t时刻需求侧响应产生变化量的上下限；κ为用户一个周期内用电量允许的可变范围；T表示为一天的小时数，取值为24；Nb表示为节点的总数；
10.根据权利要求1所述的方法，其特征在于，所述基于预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控，包括：
11.根据权利要求10所述的方法，其特征在于，所述采用预设粒子群算法求解所述风险防控模型的最优潮流，包括：
12.一种主配电网的风险防控装置，其特征在于，包括：
13.根据权利要求12所述的装置，其特征在于，确定模块，进一步包括：
14.根据权利要求12或13任一所述的装置，其特征在于，所述WGAN-GP模型的训练过程包括：
15.根据权利要求13任一所述的装置，其特征在于，所述判别器中的目标函数，用公式表示为：
16.根据权利要求12所述的装置，其特征在于，缩减模块，进一步包括：
17.根据权利要求12所述的装置，其特征在于，所述风险防控模型的构建，进一步包括：
18.根据权利要求17所述的装置，其特征在于，所述潮流参数数据包括：配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限的情况下，所述节点电压越限风险指标，用公式表示为：其中，ρ(Ek)为配电网节点系统状态Ek的场景概率；ND为所述配电网节点系统的节点总数；Vi为节点i的电压幅值；Vi分别为节点i电压幅值的上限和下限；
19.根据权利要求12或18任一所述的装置，其特征在于，所述预先构建的风险防控模型，用公式表示为：
20.根据权利要求19所述的装置，其特征在于，所述需求响应约束，用公式表示为：和其中，为n节点t时刻需求侧响应产生的变化量；为n节点t时刻需求侧响应前的负荷量；和分别为n节点t时刻需求侧响应产生变化量的上下限；κ为用户一个周期内用电量允许的可变范围；T表示为一天的小时数，取值为24；Nb表示为节点的总数；
21.根据权利要求12所述的装置，其特征在于，防控模块，进一步包括：
22.根据权利要求21所述的装置，其特征在于，潮流确定单元，包括：
23.一种电子设备，其特征在于，所述电子设备包括：
24.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-11中任一项所述的主配电网的风险防控方法。
...【技术特征摘要】
1.一种主配电网的风险防控方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的wgan-gp模型确定风光出力场景集，进一步包括：
3.根据权利要求1或2任一所述的方法，其特征在于，所述wgan-gp模型的训练过程包括：
4.根据权利要求3所述的方法，其特征在于，所述判别器中的目标函数，用公式表示为：其中，e(·)表示期望值；d(g(z))为生成的数据g(z)在所述判别器中判别为真的概率；d(x)代表真实数据x在所述判别器中判别为真的概率；所述真实数据x的分布为x～pdata(x)；z表示所述随机噪声，所述随机噪声的分布为z～pz；px为风光数据x的真实分布；x'＝εx+(1-ε)g(z)；ε表示随机数；λ表示所述梯度惩罚项的权重系数；||*||表示为范数，是一种数学计算方法；▽表示为哈密顿算子。
5.根据权利要求1所述的方法，其特征在于，所述根据预设聚类算法对所述风光出力场景集进行场景缩减，得到场景缩减后的目标风光出力场景集，进一步包括：
6.根据权利要求1所述的方法，其特征在于，所述风险防控模型的构建，进一步包括：
7.根据权利要求6所述的方法，其特征在于，所述潮流参数数据包括：配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限的情况下，所述节点电压越限风险指标，用公式表示为：其中，ρ(ek)为配电网节点系统状态ek的场景概率；nd为所述配电网节点系统的节点总数；vi为节点i的电压幅值；vi分别为节点i电压幅值的上限和下限；
8.根据权利要求1或7任一所述的方法，其特征在于，所述预先构建的风险防控模型，用公式表示为：
9.根据权利要求8所述的方法，其特征在于，所述需求响应约束，用公式表示为：和其中，为n节点t时刻需求侧响应产生的变化量；为n节点t时刻需求侧响应前的负荷量；和分别为n节点t时刻需求侧响应产生变化量的上下限；κ为用户一个周期内用电量允许的可变范围；t表示为一天的小时数，取值为24；nb表示为节点的总数；
10.根据权利要求1所述的方法，其特征在于，所述基于预先构建的...
【专利技术属性】
技术研发人员：梁志峰，王鹤，隋凌峰，边竞，霍雪松，陈文进，杜云龙，柴赟，于若英，陈菁伟，杨晓雷，
申请(专利权)人：国网江苏省电力有限公司，
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。