一种基于高压客户用电外风险评估的负荷调控方法与流程

1.本发明涉及负荷控制技术领域，尤其涉及一种基于高压客户用电外风险评估的负荷调控方法。


背景技术：

2.伴随传统电力系统向新型电力系统转型升级，电源结构和负荷形态发生重大变化，“源荷”双侧随机性、波动性显著提高。各地风电、光伏等新能源发电比例显著提高，其出力与天气变化耦合紧密，存在较大波动性。传统“源随荷动”运行的不确定性风险增加，更易出现电压、功率越限等问题，导致电网调度运行难度增加。通过灵活调配控制高压客户等负荷资源，维持源荷平衡，可有效地降低风险。
3.目前，大量的研究虽然都采用组合权重法将主观赋权与客观赋权结合，以减弱评价者的主观意愿。例如二者在使用时，采用熵值法进行客观赋权，其仅仅是通过熵判断某个指标的离散程度来确定指标的权重大小，并未考虑指标间的相互联系，从而很可能导致误判的结果。因此，有学者逐渐地将独立性权法引入组合权重法中，借助独立性权法反映各指标信息重复度，进一步削弱各指标信息冗余度，使组合权重结果更加合理。
4.然而，在对高压客户进行控制时，应该考虑其所接入电网的实际情况，评估电网对高压客户影响，发现潜在风险隐患，以便使高压客户安全可靠参与新型电力系统负荷精准调控。因此，需要一种基于高压客户用电外风险评估的负荷调控方法以合理、有效地基于风险评估结果，制定负荷调控决策。


技术实现要素：

5.本发明的目的是提出一种基于高压客户用电外风险评估的负荷调控方法，其特征在于，所述方法包括以下步骤：
6.步骤a、获取高压客户用电外风险指标数据集，以及指标体系主观、客观、独立性权重，并基于独立性权重分布构建指标分类集；
7.步骤b、建立基于独立性权重准则的自学习综合权重模型的约束条件与目标函数；
8.步骤c、确定风险评估矩阵，建立结合自学习综合权重模型与云模型的评估定级体系；
9.步骤d、制定基于高压客户用电外风险评估的负荷调控策略。
10.所述步骤a具体包括以下子步骤：
11.步骤a1、采用计及多状态元件模型系统状态快速排序方法获取配电网m个不同的预设场景及其发生的概率值；通过潮流运算，获取m个不同预设场景下n个指标组合的电气数据集x
n|m
＝{x1,x2,
…
,xn}；
12.步骤a2、采用层次分析法、区间估计寻优法，基于专家经验构建判别矩阵bn，结合电气数据集x
n|m
＝{x1,x2,
…
,xn}获取各指标的主观权重值与各指标主观权重的估计区
间并组合得到高压客户用电外风险指标体系主观权重矩阵
13.步骤a3、采用熵值法，基于电气数据集x
n|m
＝{x1,x2,
…
,xn}获取各指标的客观权重值并组合得到高压客户用电外风险指标体系客观权重矩阵
14.步骤a4、采用独立性法，基于电气数据集x
n|m
＝{x1,x2,
…
,xn}获取各指标的独立性权重值组合得到高压客户用电外风险指标体系独立性客观权重矩阵
15.步骤a5、将w
du
中的每个被选中的指标权重值与剩余其他未被选中的指标权重值进行大小比较，并基于独立性客观权重进行指标分类，获取n个指标的类别标签集h＝{h1,h2,
…
,hn}。
16.所述步骤a2中获取各指标主观权重的估计区间的公式如下：
[0017][0018]
式中：为第i个指标的主观权重值，bn为层次分析法的判别矩阵，为n个指标体系的主观权重矩阵；
[0019]
获取各指标的主观权重值的公式如下：
[0020][0021]
其中，e为极大熵准则对应的极大熵值。
[0022]
所述步骤a3中获取各指标的客观权重值的公式如下：
[0023]
[0024]
式中：m为预设场景总数，p
ij
为第j个指标下第i个预设场景的比重，ej为第j个指标的熵值，为第j个指标客观权重值，且设定当p
ij
＝0时，p
ij lnp
ij
＝0。
[0025]
所述步骤a4中获取各指标的独立性权重值的公式如下：
[0026][0027]
式中：rj为第j个指标的复相关系数，为x
m|n
的平均值，为x
m|n
消除剩余的矩阵，为第j个指标的独立性客观权重。
[0028]
所述步骤a5中获取n个指标的类别标签集h＝{h1,h2,
…
,hn}的公式如下：
[0029][0030][0031]
式中：add为第i个指标xi权重值大于第k个预设场景指标集x
n|k
中剩余指标权重值的次数，jian为第i个指标xi权重值小于第k个预设场景指标集x
n|k
中剩余指标权重值的次数，buq为第i个指标xi权重值等于第k个预设场景指标集x
n|k
中剩余指标权重值的次数；{1,2,3}分别对应增加型、减小型和不确定型类别标签。
[0032]
所述步骤b中的约束条件包括：
[0033]
主观区间约束：
[0034][0035]
指标标签类型约束：
[0036][0037]
式中：分别为指标j权重区间上下限值；
[0038]
所述步骤b中的目标函数为：
[0039]
[0040]
式中：为第j个指标的自学习组合权重，β
j1
为第j个指标的主观权重的组合系数，β
j2
为第j个指标的客观权重的组合系数，为各指标之间的独立性权重相对单位斜率。
[0041]
所述步骤c具体包括以下步骤：
[0042]
步骤c1、将非负归一化后的指标数据集依次带入式(10)，计算各指标属于不同风险等级的隶属度矩阵r，
[0043][0044]
步骤c2、将各指标的隶属度矩阵r进行整合，构建风险评估矩阵r
∑
：
[0045][0046]
式中：n为总预设场景数，r
ij
为第i个指标属于风险等级j的隶属度值；
[0047]
步骤c3、将基于独立性客观权重准则的自学习组合权重定义为指标层权重向量wr，结合云模型确定的风险评估矩阵r
∑
计算获取由m个预设场景各自的风险评估结果构成的准则层风险评估矩阵g
∑
，且将其作为准则层风险评估矩阵；
[0048]
步骤c4、将不同预设场景概率集p(ci)进行求和归一化作为准则层权重向量w
p
＝{p
*
(c1),p
*
(c2),
…
,p
*
(cm)}，结合准则层风险评估矩阵g
∑
，计算得到目标层评估结果z＝{z1,z2,z3,z4}；
[0049]
步骤c5、依据最大隶属度原则，将z中的最大值z
max
对应的风险等级作为高压客户用电外风险整体的评估定级。
[0050]
所述步骤d具体包括以下步骤：
[0051]
步骤d1、获取100个不同预设场景下源荷双侧的功率值数据集x
100|2
＝{x1,x2,
…
,x
100
}，其中xj＝{pf,pg}，pf为配电网负荷所需的总功率，pg为配电网发电机能提供的总功率；
[0052]
步骤d2、根据式(12)进行配电网源荷不平衡场景筛选，组成场景标签集q＝{a1,a2,
…
,a
100
}：
[0053][0054]
步骤d3、根据场景标签集q筛选其中数值为1的场景，组成源荷不平衡场景集qs＝{a1,a2,
…
,as}，采用步骤a～步骤c的自学习风险评估方法对配电网下接的所有高压客户进行安全用电外风险评估，组成风险集u＝{b1,b2,
…
,bs}，其中b1为处于源荷不平衡场景1的u个高压客户安全用电外风险等级，且b1＝{b
11
,b
12
,
…
,b
1u
}；
[0055]
步骤d4、基于风险集u划分可调控高压客户集；根据实际调控需求，设定不同的可调控风险等级阈值θ：
[0056]
步骤d5、基于步骤d1获取的风险集u与步骤d4设定的可调控风险等级阈值θ进行比较，获取可调控高压客户集k＝{k1,k2,
…
,ks}；
[0057]
步骤d6、构建基于可调控高压客户集k的负荷削减策略模型；
[0058]
步骤d7、根据步骤d6的负荷削减策略模型求解出各个可调控高压客户需调控的负荷总量。
[0059]
所述负荷削减策略模型包括：
[0060]
目标函数；
[0061][0062]
其中c
t
为负荷削减量；
[0063]
约束条件：
[0064][0065]
其中，p
t
(v,δ)＝v
t
∑vr(g
tr
cosδ
tr
+b
tr
sinδ
tr
)；q
t
(v,δ)＝v
t
∑vr(g
tr
cosδ
tr-b
tr
sinδ
tr
)；g
th
和b
th
代表导纳矩阵第t行第h列的实部及虚部；v是节点母线电压的幅值；δ是线路两端相角差；v
t
是节点t的电压幅值；vr是节点r的电压幅值；δ
tr
是节点t与r两端相角差；c
t
是节点t的负荷削减量；p
ldt
为节点t上的有功负荷；q
ldt
为节点t上的无功负荷；为节点t上的无功负荷；和分别是发电机节点t上的注入有功和注入无功的上下限；trh是输电线路h的实际传输容量；严是输电线路h的最大传输容量；v
tmax
和v
tmin
分别是节点t母线电压幅值的上下限；g、ng、n、l、s和u分别为输电系统中负荷母线节点、发电机母线节点、全部母线节点、全部输电线路、源荷不平衡场景和可调控高压客户的集合。
[0066]
本发明的有益效果在于：
[0067]
本发明能够保证综合评价方法在主客观融合上的优势，相比于传统的赋权方法处理约束更为方便快捷；同时提升了评价的灵活性与可信度，保证了高压客户受控过程的用电安全和配电网源侧的平衡。
附图说明
[0068]
图1为本发明基于高压客户用电外风险评估的负荷调控方法的流程图；
[0069]
图2为ieee-24-rts配电网拓扑结构图；
[0070]
图3为基于乘积法进行主客观赋权组合评估方法与本发明所提方法的各指标组合权重结果对比图；
[0071]
图4为基于乘积法进行主客观赋权组合评估方法和本发明所提方法的各指标相对单位斜率对比图；
[0072]
图5为基于乘积法进行主客观赋权组合评估方法与本发明所提方法的高压客户用
电各风险等级隶属度结果对比图；
[0073]
图6为本发明具体实施方式中的100个预设场景下高压客户不受调控时，源荷双侧的功率大小关系图；
[0074]
图7为本发明具体实施方式中的100个预设场景下高压客户基于风险评估结果进行调控时，源荷双侧的功率大小关系图。
具体实施方式
[0075]
本发明提出一种基于高压客户用电外风险评估的负荷调控方法，下面结合附图和具体实施例对本发明做进一步说明。
[0076]
为方便说明，本实施例先说明所定义的5个高压客户用电外风险评估指标：
[0077]
由于配电网故障及新能源出力波动会引起节点电压波动、源荷双侧功率失衡、线路过载、孤岛节点和节点电压谐波变化等现象，这些现象对高压客户安全用电会产生不同程度的影响。为确保在配电网发生变化时，高压客户能够可靠地安全用电，针对以上现象，定义了5个评估指标构成高压客户安全用电外风险评估指标体系。
[0078]
1)节点电压波动指标
[0079][0080]
式中：num1为高压客户内部设备对电压波动敏感的设备数量，num为高压客户内部设备总数量，p(ci)为预设场景ci的概率值，ui为节点i实际电压值，u
ni
为节点i额定电压值，u
imin
为节点i下限值，u
imax
为节点i上限值。
[0081]
2)功率失衡指标
[0082]
x2＝p(ci)pcꢀꢀꢀ
(16)
[0083]
式中：pc为高压客户实际削减负荷量。
[0084]
3)线路过载指标
[0085][0086]
式中：pj为和高压客户所在节点相连接的第j条线路的过载功率，p
jn
为第j条线路的额定功率，k为和高压客户所在节点相连接的线路总数。
[0087]
4)孤岛节点指标
[0088][0089]
式中：εj为高压客户所在节点j是否为孤岛节点判断项。
[0090]
5)节点电压谐波指标
[0091][0092]
式中：num2为高压客户内部设备对谐波敏感的设备数量，uj为高压客户所在节点的j次谐波电压有效值，u1基波电压有效值，thdu为节点电压畸变率。
[0093]
图1为本发明基于高压客户用电外风险评估的负荷调控方法的流程图，包括以下步骤：
[0094]
步骤a、获取指标体系主观、客观、独立性权重并基于独立性权重分布构建指标分类集；
[0095]
步骤b、建立基于独立性权重准则的自学习综合权重模型的约束条件与目标函数；
[0096]
步骤c、建立结合自学习综合权重模型与云模型的评估定级体系；
[0097]
步骤d、基于高压客户外风险安全用电风险评估的负荷调控策略制定。
[0098]
步骤a中具体步骤如下：
[0099]
a1、基于ieee-24-rts配电网获取高压客户用电外风险指标数据集
[0100]
图2为ieee-24-rts配电网拓扑结构图；采用计及多状态元件模型系统状态快速排序方法获取ieee-24-rts配电网8760个不同的预设场景及其发生的概率值，考虑篇幅原因，仅取概率值前100的预设场景作为示例，见表1。
[0101]
表1
[0102]
[0103]
[0104]
[0105][0106]
通过潮流运算，获取8760个不同预设场景下5个高压客户用电外风险指标组合的电气数据集，见表2，为高压客户用电外风险评估指标体系提供数据基础。
[0107]
表2
[0108]
[0109]
[0110]
[0111][0112]
a2、获取指标体系主观、客观、独立性权重矩阵
[0113]
基于表2的电气数据集，通过ahp区间估计寻优法、熵值法、独立权法计算获取5个指标对应的主观权重、客观权重、独立性权重结果见表3。
[0114]
表3
[0115]
指标名称主观权重客观权重独立性权重
指标10.201570.358900.07625指标20.493020.051070.11597指标30.035930.064390.11609指标40.067920.482200.07625指标50.201570.043250.61544
[0116]
a3、基于独立性权重进行指标分类
[0117]
基于表3中的独立权重值，依据各指标间相对大小关系对5个指标进行分类，构建相应的标签集，见表4。
[0118]
表4
[0119]
指标名称h类型指标12减小型指标23不确定型指标31增加型指标42减小型指标51增加型
[0120]
步骤b具体步骤如下：
[0121]
b1、基于独立性权重准则的自学习综合权重模型约束条件
[0122]
该具体实施方式有主观赋权、客观赋权3种方法参与组合权重，并对5个指标进行赋权，构造权重矩阵a：
[0123][0124]
由权重矩阵a可以确定组合权重区间范围：其中：
[0125][0126]
组合权重区间见表5。
[0127]
表5
[0128]
指标名称权重下限权重上限指标10.041580.52899指标20.040140.49302指标30.035930.09520指标40.041590.23680指标50.063740.83655
[0129]
根据上式构建主观区间约束：
[0130][0131]
基于5个指标的标签集h＝{h1,h2,
…
,h5}，根据指标的标签类型构建约束条件：
[0132][0133]
b2、基于独立性权重准则的自学习综合权重模型目标函数
[0134]
采用不同的单一赋权方法对主、客观权重进行自学习组合权重确定：
[0135][0136]
式中：第j个指标的自学习组合权重为β
j1
为第j个指标的主观权重的组合系数，β
j2
为第j个指标的客观权重的组合系数。
[0137]
考虑独立性权法确定的客观权重反映了各指标之间重复信息最小情况下的相对占比。因此，定义各指标之间的独立性权重相对单位斜率di反映各指标之间相对占比：
[0138][0139]
以独立性权重相对单位斜率ki作为参考，构建目标函数：
[0140][0141]
在一个具体实施方式中，本发明一种基于自学习高压客户用电外风险评估的负荷调控方法步骤c中，具体步骤如下：
[0142]
c1、基于云模型确定风险评估矩阵
[0143]
通过云模型将高压客户用电外风险评估指标体系进行定级量化，将风险等级分为4级，具体指标等级区间划分与云模型参数确定。
[0144]
将非负归一化后的指标数据集依次带入下式，计算各指标属于不同风险等级的隶属度r＝[r1,r2,r3,r4]。
[0145][0146]
将各指标的隶属度矩阵进行整合，构建风险评估矩阵r
∑
：
[0147][0148]
c2、结合自学习综合权重模型与云模型风险评估矩阵的定级体系
[0149]
首先将基于独立性客观权重准则的自学习组合权重定义为指标层权重向量wr，结合云模型确定的风险评估矩阵r计算获取由100个预设场景各自的风险评估结果构成的准则层风险评估矩阵g
∑
，且将其作为准则层风险评估矩阵。然后，依据不同预设场景概率集p(ci)进行求和归一化作为准则层权重向量w
p
＝{p
*
(c1),p
*
(c2),
…
,p
*
(cm)}，结合准则层风险评估矩阵g
∑
，计算得到目标层评估结果z＝{z1,z2,z3,z4}。依据最大隶属度原则，将z中的最大值z
max
对应的风险等级作为高压客户用电外风险整体的评估定级，具体计算式如下。
[0150][0151]
所对应权重见表6。
[0152]
表6
[0153][0154]
步骤d的具体步骤如下：
[0155]
d1、筛选配电网源荷不平衡场景并获取风险评估结果
[0156]
基于a1中，采用计及多状态元件模型系统状态快速排序方法获取ieee-24-rts配电网不同的预设场景及其发生的概率值，取概率值前100的预设场景作为示例。通过潮流运算，获取100个不同预设场景下源荷双侧的功率值数据集x
100|2
＝{x1,x2,
…
,x
100
}，其中xj＝{pf,pg}，pf为配电网负荷所需的总功率，pg为配电网发电机能提供的总功率，具体数值见表7。
[0157]
表7
[0158]
[0159]
[0160]
[0161][0162]
根据式(20)进行配电网源荷不平衡场景筛选，组成场景标签集q＝{a1,a2,
…
,a
100
}：
[0163][0164]
根据场景标签集q＝{a1,a2,
…
,a
100
}，筛选其中数值为1的场景，组成源荷不平衡场景集qs＝{a1,a2,
…
,as}，总共s个源荷不平衡场景。针对源荷不平衡场景，采用步骤a～步骤c提出的自学习风险评估方法对配电网下接的所有高压客户进行安全用电外风险评估，组成风险集u＝{b1,b2,
…
,bs}，其中b1为处于源荷不平衡场景1的u个高压客户安全用电外风险等级，b1＝{b
11
,b
12
,
…
,b
1u
}。本实施例取场景1作为分析对象，其余场景处理方式与场景1类似。
[0165]
d2、基于风险评估结果进行负荷调控策略制定
[0166]
d2.1、基于风险集划分可调控高压客户集
[0167]
根据表8，本实例设定的可调控风险等级阈值θ＝2。
[0168]
表8
[0169]
[0170][0171]
基于d1所获取的场景1的风险集b1，见表8，并将其与所设定的可调控风险等级阈值θ＝2进行比较，获取可调控高压客户集k＝{k1,k2,
…
,ks}，见表9。
[0172]
表9
[0173]
[0174][0175]
以第1个场景为例说明具体获取可调控高压客户集过程：
[0176][0177]
其中，k
ji
为1表示该高压客户可调控，为0表示该高压客户不可调控。
[0178]
d2.2、基于可调控高压客户集的负荷削减策略模型
[0179]
可调控高压客户集的负荷削减策略模型以负荷削减量最小为目标函数；
[0180][0181]
基于d1.1获取的k＝{k1,k2,
…
,ks}与交流潮流的负荷削减最优化模型的约束条件，构建可调控高压客户集的负荷削减策略模型的约束条件。
[0182][0183]
其中，p
t
(v,δ)＝v
t
∑vr(g
tr
cosδ
tr
+b
tr
sinδ
tr
)；q
t
(v,δ)＝v
t
∑vr(g
tr
cosδ
tr-b
tr
sinδ
tr
)；g
th
和b
th
代表导纳矩阵第t行第h列的实部及虚部；v是节点母线电压的幅值；δ是线路两端相角差；v
t
是节点t的电压幅值；vr是节点r的电压幅值；δ
tr
是节点t与r两端相角差；c
t
是节点t的负荷削减量；p
ldt
为节点t上的有功负荷；q
ldt
为节点t上的无功负荷；为节点t上的无功负荷；和分别是发电机节点t上的注入有功和注入无功的上下限；trh是输电线路h的实际传输容量；严是输电线路h的最大传输容量；v
tmax
和v
tmin
分别是节点t母线电压幅值的上下限；g、ng、n、l、s和u分别为输电系统中负荷母线节点、发电机母线节点、全部母线节点、全部输电线路、源荷不平衡场景和可调控高压客户的集合。
[0184]
基于可调控高压客户集负荷削减策略模型，并根据表9具体的可调控高压客户数据集，进行模型求解，获取各个高压客户所需切除负荷量，具体数值见表10。
[0185]
表10
[0186][0187][0188]
根据上述获取数据的具体分析如下：
[0189]
通过表8、图3、图4可知：本实施例获得各指标组合权重值的相对分布相比于基于乘积法进行主客观赋权组合评估方法所得指标组合权重值的相对分布更加贴合独立性权重分布；而且考虑独立性权重分布情况反映各指标之间信息重复度最小下的权重取值，这说明本发明所提方法具备一定地削弱各指标信息重复的程度，使各指标组合权重更加合
理。
[0190]
通过图5可知：本实施例与基于乘积法组合评估方法依据最大隶属度原则，皆判别高压客户用电外风险评估等级为一级，说明本发明所提方法是合理有效的；而且，由于以独立性权重作为准则引导主观、客观权重进行组合，在一定程度上削弱各指标的信息重复度。
[0191]
通过表8、9、10可知：基于可调控高压客户数据集的负荷削减策略模型可从保障高压客户运行安全的角度根据高压客户风险评估结果决定其是否适合本次调控。结合表10可知，各高压受调控的负荷量仅处于风险阈值θ＝2之下的高压客户受到不同程度地调控，而处于风险阈值θ＝2之上的高压客户受调控量0mw。而且，通过表11对比结果可知，未受调控前，发电机无法为负荷提供所需的功率，而调控后，发电机出力满足负荷需求的功率总量。因此，本发明所提出的基于一种基于高压客户用电外风险评估的负荷调控方法不仅能够保障受调控的高压客户自身安全用电的需求，也满足配电网源荷平衡的目的。
[0192]
表11
[0193][0194]
同时，为说明本发明所提方法的普适性，除对场景1进行仔细的分析外，对于100个预设场景中存在源荷双侧功率不平衡的场景：36、41、46、50、52、57、60、70、73、75、86、90、93、95、96采用同样的方法流程进行负荷削减，各个场景下高压客户受调控前后，负荷和发电机总功率对比具体见表12。
[0195]
表12
[0196]
[0197][0198]
为更直观反映本发明所提的基于一种基于高压客户用电外风险评估的负荷调控方法的作用效果，通过图6、7对比可知，采用本发明所提方法在确保受调控高压客户自身运行安全的情况下，实现源荷双侧功率平衡。