一种基于卷积神经网络的新能源电力系统可靠性评估方法

1.本发明属于电力系统可靠性分析领域，具体涉及一种基于卷积神经网络(convolutional neural network，cnn)的新能源电力系统可靠性评估方法。


背景技术：

2.风电、光伏的大规模接入给电力系统可靠性评估带来了巨大挑战。新能源电力随机性、波动性显著，这一方面使得monte carlo模拟(monte carlo simulation，mcs)特别是序贯mcs成为电力系统可靠性评估的必然选择；另一方面又使系统运行的不确定性增强、潜在运行场景数量显著增加，影响mcs方法的计算效率。因此，针对不确定性日益增强的电力系统，开发一种准确、快速的可靠性评估方法具有重要的现实意义。
3.mcs方法通常需要采样大量的系统状态并进行复杂的最优切负荷计算进而得到可靠性指标。为提升mcs方法效率，目前可从以下两种途径入手：一是通过代表性样本的生成和选取，减少获得特定精度可靠性评估结果所需评估的样本数量，从而减少计算量，提升评估效率。但仍需对所抽样的样本进行复杂的最优切负荷计算。提升mcs方法效率的另一种途径是减少单个样本评估所需时间。其主要利用数据驱动算法实现对系统能否可靠供电进行快速判别，从而加快lolp指标计算。但这些基于样本分类的工作无法直接提供eens等与失负荷量相关的指标。
4.综上，提升mcs法的效率是新能源电力系统可靠性评估的关键问题，在众多研究和应用中发挥基础性作用，但现有的方法仍无法避免复杂耗时的系统状态评估，尤其是最优切负荷计算。


技术实现要素：

5.本发明的目的在于针对现有新能源电力系统可靠性评估常用方法-mcs法的不足，在序贯mcs框架下引入卷积神经网络加速系统状态评估环节进而提升序贯mcs法的效率，提供了一种基于卷积神经网络的新能源电力系统可靠性评估方法。此发明旨在改进传统方法繁琐复杂的系统状态评估过程，在保证计算结果准确性的前提下，提升计算效率，使方法实施简单化、通用化。
6.为实现上述目的，本发明采用的技术方案是：
7.一种基于卷积神经网络的新能源电力系统可靠性评估方法，包括：
8.1)根据历史数据对新能源电力系统涉及的元件进行建模；
9.2)抽样生成用于cnn回归模型训练的数据集，并将其分为训练集与测试集两部分；
10.3)利用训练集训练cnn回归模型，待模型训练结束后在测试集中评估模型的性能；
11.4)通过蒙特卡洛法生成待评估样本，利用训练好的cnn回归模型对待评估样本进行识别与切负荷量估计；
12.5)统计结果，计算得到系统的可靠性指标。
13.本发明进一步的改进在于，步骤1)中，根据元件参数和新能源出力统计数据，进行
新能源电力系统各元件的可靠性及新能源出力建模，其中火电机组考虑装机容量、最小技术出力、故障率和修复率，建立两状态模型；变压器、线路考虑容量、电纳值、停运率和停运持续时间，建立两状态模型；风电、光伏电站采用时序模型。
14.本发明进一步的改进在于，步骤2)中，根据系统各类型元件的模型，抽样生成系统状态进而得到用于cnn回归模型训练的数据集，将获得的数据集进一步分为训练集与测试集，来训练与测试cnn回归模型。
15.本发明进一步的改进在于，步骤3)中，cnn回归模型输入特征矩阵如式(1)所示：
[0016][0017]
式中p
ri
表示节点i并网新能源电力的可用功率；ei表示节点i并网常规机组的可用容量；b
ii
为b的第i个对角元，即节点i的自电纳；
[0018]
其输出为系统切负荷量的预测值
[0019]
本发明进一步的改进在于，cnn回归模型的输出为最优切负荷量的预测值；cnn回归模型的训练标签为系统真实的最优切负荷量，该真实值通过求解如下的最优切负荷模型来获得：
[0020]
目标函数为全系统切负荷量或切负荷成本最低：
[0021][0022]
其中pc为系统切负荷总量，nd为负荷节点集合，p
ci
为节点i的切负荷量；相关的约束条件如式(3)-(8)所示；
[0023]
功率平衡约束
[0024]
pg+pw+p
pv-pd+pc＝bθ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0025]
其中pg、pw、p
pv
分别为常规机组、风电、光伏出力变量的向量，pc为切负荷变量向量，pd为有功负荷参数向量，b为用于直流潮流计算的节点电纳矩阵，θ为节点电压相角变量的向量；
[0026]
各类机组有功出力约束
[0027][0028][0029][0030]
式中ng、nw和n
pv
表示常规机组、风电场、光伏电站的集合；变量p
gg
、p
wh
和p
pvk
表示常规机组g，风电场h和光伏电站k的出力；参数和取值由抽样获得，与系统运行状态相关；和与之类似，若在状态s下，机组g处于故障状态，则和取值均为0；
[0031]
线路传输容量约束
[0032][0033]
当线路ij无故障、正常运行时，需满足式(7)；式中p
ij
为支路ij通过的有功功率潮流，p
ijmax
为其传输容量极限；变量θi和θj表示节点i和j处的电压相位；
[0034]
切负荷约束
[0035]
0≤p
ci
≤p
di
，i∈ndꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0036]
式中p
di
为节点i的有功负荷；
[0037]
若pc等于0，则系统能可靠供电；否则，供电不可靠，即
[0038][0039]
本发明进一步的改进在于，为提升cnn回归模型的预测精度引入cnn分类模型，形成cnn分类-回归模型，旨在先对系统状态进行识别再对不可靠供电的样本进行切负荷量的预测；定义cnn分类模型输出为2维，用y
cl,1
和y
cl,2
表示，其含义为系统是否可靠供电的置信度，根据两者比值s
cl
来确定样本是否可靠供电：
[0040][0041][0042]
其中s0为阈值；
[0043]
cnn分类模型的训练标签根据系统是否可靠供电采用one-hot编码来表示，即当系统可靠供电时标签为[1,0]，否则为[0,1]。
[0044]
本发明进一步的改进在于，cnn分类-回归模型的训练与测试过程如下：
[0045]
定义cnn分类模型的损失函数如式(12)所示：
[0046][0047]
其中n
cl
为用于分类训练的样本数，为0-1标签，y
cl,o
为分类模型的输出，β为权重系数，w
cl
为分类模型神经网络的权重矩阵；
[0048]
定义cnn回归模型的损失函数如式(13)所示：
[0049][0050]
其中nr为用于切负荷量回归训练的样本数量，为实际切负荷量，p
cr
为cnn回归网络拟合的切负荷量，α为权重系数，wr为回归网络的权重矩阵；
[0051]
根据损失函数利用梯度下降算法对模型进行训练，待训练完成后根据式(14)-(17)对模型进行评价，前两个用于评价分类性能，后两个用于评估回归性能；
[0052]
[0053][0054][0055][0056]
其中p
acc
为准确率，f1为f1 score，tp为判断正确的无法可靠供电样本，tn为判断正确的可靠供电样本，fp为错判的无法可靠供电样本，fn为错判的可靠供电样本，e
mape
为平均绝对百分比误差，e
wmape
为加权平均绝对百分比误差，其中n
t
为测试样本数。
[0057]
本发明进一步的改进在于，为提高cnn分类-回归模型的实用性，进一步引入分类结果矫正机制：利用分类器、回归器同时对部分待分类的样本进行分析，根据二者分类结果得到的系统失负荷概率lolp预测值与lolp真实值的关系，调整阈值s0的取值；当样本经分类器分类，回归器预测后所计算的lolp预测值偏大时，则减小s0取值；反之，则增大s0取值。
[0058]
本发明进一步的改进在于，步骤5)中，两种可靠性指标定义如下：
[0059][0060][0061]
其中ns为整个系统运行状态序列集合，ts为运行状态s的持续时间，p
cs
为运行状态s下的切负荷量，t为模拟总时间，lolp表示系统失负荷概率，eens为年电量不足期望值。
[0062]
与现有的电力系统可靠性评估的序贯mcs方法相比，本发明具有如下突出有益效果：
[0063]
本发明将卷积神经网络这一深度学习方法引入序贯mcs新能源电力系统可靠性评估的框架中，能高效、准确地完成风光新能源接入以及电网拓扑的变化时最优切负荷计算过程，在保持可靠性指标精确性的同时，尽可能提升序贯mcs进行新能源可靠性评估的效率。此外卷积神经网络输入特征考虑到了节点处新能源的可用容量与接入该节点新能源的类型无关，故本方法对不同类型新能源具有普适性。与传统的序贯mcs法相比，该方法无需对所采样的样本进行复杂耗时的最优切负荷计算，极大减小了工作量，具有明显的优越性。
附图说明
[0064]
图1为本发明的整体流程图；
[0065]
图2为cnn分类-回归模型训练与测试框架示意图；
[0066]
图3为阈值s0矫正流程图；
[0067]
图4可靠性指标收敛过程示意图，其中图4(a)为lolp的收敛过程，图4(b)为eens的收敛过程；
[0068]
图5为改编的ieee-rts79系统结构图。
具体实施方式
[0069]
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0070]
如图1和图2所示，本发明提供的一种基于卷积神经网络的新能源电力系统可靠性评估方法，包括：
[0071]
首先，根据历史数据对系统涉及的元件进行建模；其次，抽样生成用于cnn回归模型训练的数据集，并将其分为训练集与测试集两部分；接着利用训练集训练cnn回归模型，待模型训练结束后在测试集中评估模型的性能；然后通过蒙特卡洛法生成待评估样本，利用训练好的cnn回归模型对待评估样本进行识别与切负荷量估计，最终计算得到系统的可靠性指标。
[0072]
特别的，为提升cnn回归模型的精度，可引入cnn分类模型，形成cnn分类-回归模型；为提升cnn分类-回归模型在可靠性评估中的实用性，可进一步对cnn分类-回归模型引入分类结果矫正机制。
[0073]
上述基于卷积神经网络的新能源电力系统可靠性评估方法，包括如下步骤，其流程图如附图1所示。
[0074]
步骤一：根据元件参数和新能源出力统计数据，进行新能源系统各元件的可靠性及出力建模，如表1所示。
[0075]
表1各类型元件的模型
[0076][0077]
步骤二：抽样生成用于cnn回归模型训练的数据集，并将其分为训练集与测试集。
[0078]
步骤三：利用训练集训练cnn回归模型，待模型训练结束后在测试集中评估模型的性能。特别的，为提升cnn回归模型的预测精度引入cnn分类模型，形成cnn分类-回归模型，旨在先对系统状态进行识别再对不可靠供电的样本进行切负荷量的预测。
[0079]
具体地说，cnn回归模型的输入特征矩阵如式(1)所示：
[0080][0081]
式中p
ri
表示节点i并网新能源电力的可用功率；ei表示节点i并网常规机组的可用容量；b
ii
为b的第i个对角元，即节点i的自电纳。
[0082]
cnn回归模型的输出为最优切负荷量的预测值；cnn回归模型的训练标签为系统真实的最优切负荷量，该真实值可通过求解如下的最优切负荷模型来获得：
[0083]
目标函数为全系统切负荷量或切负荷成本最低：
[0084][0085]
其中pc为系统切负荷总量，nd为负荷节点集合，p
ci
为节点i的切负荷量。相关的约束条件如式(3)-(8)所示。
[0086]
1)功率平衡约束
[0087]
pg+pw+p
pv-pd+pc＝bθ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0088]
其中pg、pw、p
pv
分别为常规机组、风电、光伏出力变量的向量，pc为切负荷变量向量，pd为有功负荷参数向量，b为用于直流潮流计算的节点电纳矩阵，θ为节点电压相角变量的向量。
[0089]
2)各类机组有功出力约束
[0090][0091][0092][0093]
式中ng、nw和n
pv
表示常规机组、风电场、光伏电站的集合；变量p
gg
、p
wh
和p
pvk
表示常规机组g，风电场h和光伏电站k的出力。参数和取值由抽样获得，与系统运行状态相关。和与之类似，若在状态s下，机组g处于故障状态，则和取值均为0。
[0094]
3)线路传输容量约束
[0095][0096]
当线路ij无故障、正常运行时，需满足式(7)。式中p
ij
为支路ij通过的有功功率潮流，p
ijmax
为其传输容量极限；变量i和j表示节点i和j处的电压相位。
[0097]
4)切负荷约束
[0098]
0≤p
ci
≤p
di
，i∈ndꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0099]
式中p
di
为节点i的有功负荷。
[0100]
若pc等于0，则系统能可靠供电；否则，供电不可靠，即
[0101][0102]
特别的，为提高cnn回归模型精度而引入cnn分类模型时，定义cnn分类模型输出为2维，用y
cl,1
和y
cl,2
表示，其含义为系统是否可靠供电的置信度。通常根据其两者比值s
cl
来确定样本是否可靠供电：
[0103][0104]
[0105]
其中s0为阈值，在训练过程中通常取1。
[0106]
cnn分类模型的训练标签根据系统是否可靠供电采用one-hot编码来表示，即当系统可靠供电时标签为[1,0]，否则为[0,1]。
[0107]
cnn分类、回归模型的损失函数如式(12)、(13)所示：
[0108][0109][0110]
其中n
cl
为用于分类训练的样本数，为0-1标签，y
cl,o
为分类模型的输出，β为权重系数，w
cl
为分类模型神经网络的权重矩阵。nr为用于切负荷量回归训练的样本数量，为实际切负荷量，p
cr
为cnn回归网络拟合的切负荷量，α为权重系数，wr为回归网络的权重矩阵。
[0111]
根据损失函数利用梯度下降算法对模型进行训练，待训练完成后根据式(14)-(17)对模型进行评价，前两个用于评价分类性能，后两个用于评估回归性能。
[0112][0113][0114][0115][0116]
其中p
acc
为准确率，f1为f1 score，tp为判断正确的无法可靠供电样本，tn为判断正确的可靠供电样本，fp为错判的无法可靠供电样本，fn为错判的可靠供电样本，e
mape
为平均绝对百分比误差，e
wmape
为加权平均绝对百分比误差，其中n
t
为测试样本数。
[0117]
步骤四：通过蒙特卡洛法生成待评估样本，利用训练好的cnn回归模型对待评估样本进行识别与切负荷量估计。
[0118]
特别的，当模型采用cnn分类-回归模型时，为提高模型的实用性，进一步引入分类结果矫正机制：利用分类器、回归器同时对部分待分类的样本进行分析，根据二者分类结果得到的系统失负荷概率lolp预测值与lolp真实值的关系，调整s0取值；当样本经分类器分类，回归器预测后所计算的lolp预测值偏大时，则减小s0取值；反之，则增大s0取值。矫正流程如图3所示：
[0119]
步骤五：统计结果，计算得到系统的可靠性指标。
[0120]
常见两种可靠性指标定义如下：
[0121]
[0122][0123]
其中ns为整个系统运行状态序列集合，ts为运行状态s的持续时间，p
cs
为运行状态s下的切负荷量，t为模拟总时间，lolp表示系统失负荷概率，eens为年电量不足期望值。
[0124]
实施例
[0125]
下面以引入矫正机制的cnn分类-回归模型在改编的ieee-rts79系统上的仿真为例说明本方法实施流程。
[0126]
该系统结构如图5所示，共包含32台火电机组，装机容量为3405mw，5个容量为70mw的风电场，5个容量为50mw的光伏电站，33条输电线路，5台变压器，峰荷为2850mw。
[0127]
首先，算例中火电机组、线路、变压器的参数采用文献《ieee reliability test system》(ieee trans on power apparatus and systems，1979，98(6)：2047-2054)中相应元件参数，负荷曲线也采用该文献中所提供的时序负荷曲线，风电、光伏电站出力曲线采用我国西北某省统计数据，并按装机容量折算。
[0128]
生成105个系统状态，基于所得系统状态得到用于训练卷积神经网络的样本集，并按照4：1划分训练集、测试集。根据损失函数利用梯度下降算法对cnn进行训练，待训练完成后在测试集中根据式(14)-(17)对模型进行评价，其效果如下表1所示：
[0129]
表1测试集中模型的性能
[0130][0131]
可见模型具有较高的识别精度以及回归精度。
[0132]
待cnn训练完成及性能评估后，利用序贯mcs法生成待评估样本，设置仿真年数为520年或eens方差系数δ
eens
＜5％，样本时间分辨率为1h，取5年的样本用于阈值矫正，校正后的阈值s0取2。
[0133]
利用矫正后的cnn分类-回归模型对剩余待评估样本进行识别与切负荷量预测，并根据式(18)、(19)计算该系统的可靠性指标。得到仿真年内可靠性指标的变化趋势如图4所示：
[0134]
仿真年数达到520年时系统可靠性指标以及所耗时间如表2所示：
[0135]
表2可靠性计算结果与计算耗时对比
[0136][0137]
可见，采用发明所提方法与传统mcs法相比，在保持高精度的同时有着更高的效
率。
[0138]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都属于本发明的保护范围。