分布式光伏系统的风险评估方法及风险评估系统

本技术涉及电力系统安全，尤其涉及一种分布式光伏系统的风险评估方法及风险评估系统。

背景技术：

1、随着光伏发电技术的日益成熟和通信技术的广泛应用，分布式光伏作为一种清洁、灵活的新能源解决方案，正日益受到广泛关注。区别于传统的集中式光伏发电，分布式光伏通常会直接部署在用户侧，这种发电方式不仅能够利用当地的资源，还能通过微网系统连接区域内的诸多子节点，形成一个高度灵活的能源网络。在这个网络中，每个节点可以通过通信技术进行实时的数据交换和监测，实现对各个节点发电和用电情况的精确管理与调度。这种分布式结构和部署于用户侧的模式，使得光伏发电能够实现“即发即用”的高效利用方式，减少了电能在长距离传输过程中可能产生的损耗。此外，分布式光伏系统的模块化设计允许更多的用户直接参与到能源生产中，不仅提高了能源利用率，还大大降低了对传统电网的依赖。通过通信技术的支持，这些分布式光伏节点能够与中央电网灵活交互，还可以将多余的电力上网出售，实现与电网的双向能源交换。

2、然而，分布式光伏系统的高效灵活和用户侧光伏上网电力交易均高度依赖于分布式光伏系统内部海量繁多且多元异构的传感监测设备(即系统内的部分节点)及相应的通信技术支持，这很容易成为恶意攻击的潜在入口，从而破坏分布式光伏系统的稳定运行和干扰电力交易的正常进行。同时，分布式结构决定了内部子节点数量众多，导致攻击入口众多。子节点之间相互关联且紧密耦合，致使风险能够通过子节点之间的关联性及耦合性来实现进一步传播，从而也提升了分布式光伏的系统复杂度。

3、相关技术中，分布式光伏的风险评估方法主要是基于固有的评估规则和系统模型针对特定的故障类型进行定性评估，难以适应分布式光伏系统内部复杂耦合关系，并且在多种新型的恶意攻击下存在局限性，从而导致分布式光伏系统风险评估的可靠性和及时性不足。

技术实现思路

1、为了解决上述技术问题，本技术实施例提出了一种分布式光伏系统的风险评估方法及风险评估系统，能够提高风险评估的可靠性和及时性，使得用户能够精准可靠且及时地排查出分布式光伏系统中的风险，以便于进一步的风险应对。

2、第一方面，本技术实施例提供了一种分布式光伏系统的风险评估方法，包括：

3、基于从待评估分布式光伏系统中采集得到的实时系统数据，利用预训练的分布式光伏系统风险评估模型进行风险评估，得到实时风险信息；

4、其中，所述分布式光伏系统风险评估模型的训练过程，包括：

5、生成与样本分布式光伏系统匹配的逻辑图；

6、基于所述逻辑图及样本系统数据，生成训练样本，其中，所述样本系统数据是从所述样本分布式光伏系统中预先采集得到的数据；

7、使用所述训练样本，训练神经网络，得到分布式光伏系统风险评估模型。

8、可选地，所述逻辑图为有向逻辑图，所述生成与样本分布式光伏系统匹配的逻辑图，包括：

9、根据所述样本分布式光伏系统中各个样本子节点之间的数据交互逻辑，构建所述各个样本子节点的树状逻辑图；

10、基于所述树状逻辑图及所述各个样本子节点的拓扑结构，确定所述有向逻辑图。

11、可选地，所述样本系统数据包括所述各个样本子节点中每一个的发电数据和/或用电数据；

12、所述各个样本子节点之间的数据交互逻辑，是通过对所述各个样本子节点各自的发电数据和/或用电数据进行依赖关系分析得到的。

13、可选地，所述树状逻辑图包括多个树状节点，所述多个树状节点包括n个根节点以及每一根节点所关联的至少一个叶节点，所述多个树状节点与所述各个样本子节点一一对应、并且所述拓扑结构中包含与所述各个样本子节点一一对应的节点，n≥1，所述基于所述树状逻辑图及所述各个样本子节点的拓扑结构，确定所述有向逻辑图，包括：

14、根据所述n个根节点及其各自关联的叶节点，对所述拓扑结构中的节点进行连接，以形成所述有向逻辑图；

15、其中，所述拓扑结构的连接方式包括：

16、对于每一根节点，将所述拓扑结构中该根节点所对应的节点，连接至与该根节点关联的叶节点在所述拓扑结构中所对应的节点。

17、可选地，所述基于所述逻辑图及样本系统数据，生成训练样本，包括：

18、对所述逻辑图中每一个节点进行二维结构化构造，以将所述逻辑图中每一个节点均配置成具备两个数据通道，其中，所述两个数据通道中一者用于承载所述样本系统数据中的发电数据、且另一者用于承载所述样本系统数据中的用电数据；

19、对所述逻辑图中每一个经配置后的节点进行零填充处理；

20、基于所述样本系统数据及经零填充处理后的逻辑图，构造用于训练的张量，以作为所述训练样本；

21、其中，所述实时系统数据为经由所述二维结构化构造得到的数据。

22、可选地，所述使用所述训练样本，训练神经网络，得到分布式光伏系统风险评估模型，包括：

23、将所述训练样本输入至所述神经网络中进行预测，得到预测结果；

24、基于所述预测结果与所述训练样本之间的误差，训练所述神经网络，得到训练完成后的分布式光伏系统风险评估模型。

25、可选地，所述神经网络为基于深度卷积神经网络的自动编码器模型，所述自动编码器模型包括编码器及解码器，所述样本系统数据为所述样本分布式光伏系统正常运行时所产生的数据；

26、所述将所述训练样本输入至所述神经网络中进行预测，得到预测结果，包括：

27、将所述训练样本输入至所述编码器中，使得所述编码器从所述训练样本中提取出与所述样本分布式光伏系统正常运行时相匹配的低维潜在特征；

28、将所述低维潜在特征输入至所述解码器中，使得所述解码器对所述低维潜在特征进行重构处理以生成重构数据，并将所述重构数据作为所述预测结果；

29、所述基于所述预测结果与所述训练样本之间的误差，训练所述神经网络，得到训练完成后的分布式光伏系统风险评估模型，包括：

30、确定所述重构数据与所述训练样本之间的重构误差，以最小化所述重构误差为目标，对所述自动编码器模型进行训练，得到训练完成后的分布式光伏系统风险评估模型；

31、其中，所述自动编码器模型是采用正向传播进行训练的，所述重构误差通过计算均方差损失来确定。

32、可选地，所述基于从待评估分布式光伏系统中采集得到的实时系统数据，利用预训练的分布式光伏系统风险评估模型进行风险评估，得到实时风险信息，包括：

33、将所述实时系统数据输入至所述分布式光伏系统风险评估模型中进行预测，得到实时预测结果，并确定所述实时预测结果与所述实时系统数据之间的实时误差，其中，所述实时误差包括所述待评估分布式光伏系统中的至少一待评估子节点各自对应的实时节点误差；

34、基于所述实时节点误差与设定阈值之间的比较结果，确定所述至少一待评估子节点各自对应的风险评估指标值；

35、根据所述风险评估指标值，生成所述实时风险信息。

36、可选地，所述基于所述实时节点误差与设定阈值之间的比较结果，确定所述至少一待评估子节点各自对应的风险评估指标值，包括：

37、基于所述实时节点误差与设定阈值之间的比较结果，通过最值归一化mmn函数生成所述至少一待评估子节点各自对应的风险评估指标值。

38、第二方面，本技术实施例提供了一种分布式光伏系统的风险评估系统，包括：

39、评估模块，用于基于从待评估分布式光伏系统中采集得到的实时系统数据，利用预训练的分布式光伏系统风险评估模型进行风险评估，得到实时风险信息；

40、其中，所述分布式光伏系统风险评估模型的训练过程，包括：

41、生成与样本分布式光伏系统匹配的逻辑图；

42、基于所述逻辑图及样本系统数据，生成训练样本，其中，所述样本系统数据是从所述样本分布式光伏系统中预先采集得到的数据；

43、使用所述训练样本，训练神经网络，得到分布式光伏系统风险评估模型。

44、综上，本技术实施例至少具有以下有益效果：

45、采用本技术实施例，通过基于从待评估分布式光伏系统中采集得到的实时系统数据，利用预训练的分布式光伏系统风险评估模型进行风险评估，得到实时风险信息；其中，所述分布式光伏系统风险评估模型的训练过程，包括：生成与样本分布式光伏系统匹配的逻辑图；基于所述逻辑图及样本系统数据，生成训练样本，其中，所述样本系统数据是从所述样本分布式光伏系统中预先采集得到的数据；使用所述训练样本，训练神经网络，得到分布式光伏系统风险评估模型，从而能够提高风险评估的可靠性和及时性，使得用户能够精准可靠且及时地排查出分布式光伏系统中的风险，以便于进一步的风险应对。