一种新能源电力系统运行风险在线评估方法及系统与流程

本发明涉及电力系统，特别涉及一种新能源电力系统运行风险在线评估方法及系统。

背景技术：

1、随着人类社会经济的快速发展和能源需求的大幅增长，能源发展面临着资源和环境方面的巨大挑战，且在本世纪中叶前实现碳中和的目标已成为国际发展共识。因此，为解决传统能源剧烈消耗与空气污染日益严重的问题，清洁、高效、灵活的可再生能源发电技术已经被广泛部署在电力系统中。电力系统可以有效利用风电、光伏等新能源，缓解供需不平衡的矛盾。然而，新能源出力固有的随机性与间歇性也为电力系统的安全稳定运行带来了新的挑战，如何实现电力系统源网荷储的协调运行成为了难题。因此，对于高比例新能源接入的电力系统，亟需一种适用的在线运行风险评估方法来支持电力系统的可靠稳定运行。

2、随着电力系统双向通信技术与高级量测体系的日益普及和大数据分析技术的飞速发展，数据驱动方法在电力系统风险评估的应用中取得了显著成效。然而，由于电力系统中风光新能源出力的随机性以及系统负荷的波动，风险评估模型的参数可能会发生改变，需要实时监测并及时更新。现有研究中通常采用传统深度学习方法实现电力系统的运行风险评估。深度学习主要是根据电力系统的实时运行数据集，基于神经网络学习训练风险评估模型，实现电力系统的运行风险预测。然而，由于非平稳的训练数据分布，一般的深度学习模型在训练新任务时，新任务会干扰旧任务，甚至完全覆盖旧任务，从而导致模型对旧任务的表现显著下降，出现灾难性遗忘现象，因此，为实现风险评估模型的在线更新，该方法需要适应数据分布随时间的变化，即使用所有的已有数据重新训练模型得到最新的网络模型参数，效率非常低，极大阻碍了模型实时学习新数据。因此，计算成本高、学习周期长的传统深度学习方法很难在实际场景中进行应用和推广，亟需提出学习周期短的数据驱动方法完成电力系统的运行风险在线评估。

技术实现思路

1、本发明实施例提供了一种新能源电力系统运行风险在线评估方法及系统，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、根据本发明实施例的第一方面，提供了一种新能源电力系统运行风险在线评估方法。

4、在一个实施例中，所述新能源电力系统运行风险在线评估方法，包括：

5、对新能源电力系统进行分析，确定风险评估指标；

6、根据新能源电力系统的历史各资源出力情况计算所述风险评估指标，并将所述历史各资源出力情况和所述风险评估指标计算结果形成指标数据集；

7、基于所述指标数据集，构建回放增量学习范式风险评估模型；并根据所述回放增量学习范式风险评估模型对新能源电力系统运行风险进行在线实时评估。

8、在一个实施例中，所述风险评估指标为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(t)＝pmax(t+1)-p(t)

10、pdown(t)＝p(t)-pmin(t+1)

11、式中，pup(t)表示上调裕度；pdomn(t)表示下调裕度；p(t)表示本时刻各种资源的出力；pmax(t+1)表示下一时刻各种资源可允许达到的最大出力；pmin(t+1)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，新能源电力系统的各资源出力情况根据新能源电力系统优化模型计算得到；所述新能源电力系统优化模型的目标函数为：

13、min f＝cope+ccur+cload

14、

15、式中，cope表示设备发电成本；ccur表示风电和光伏电力削减的经济处罚；cload表示切负荷的经济损失；t表示调度周期内所有时隙的个数；ct(t)表示火电机组发电成本；cpv(t)表示光伏发电机组发电成本；k1表示单位可再生能源电力削减的经济成本；pcur表示新能源弃电功率；k2表示单位切负荷电量的经济损失；pload表示切负荷功率；δt表示时间步长增量；

16、在一个实施例中，所述新能源电力系统优化模型的约束条件包括潮流约束条件、设备运行约束条件和电化学储能约束条件；其中，

17、所述潮流约束条件的公式为：

18、

19、式中，pig和qig分别表示连接到节点i的发电机的有功输出和无功输出；pil和qil分别表示节点i的有功需求和无功功率需求；pij和qij分别表示分支ij上流动的有功功率和无功功率；rij和xij分别表示分支ij上的电阻和电抗；iij表示分支ij上的电流大小；ui表示节点i上的电压大小；uj表示节点j上的电压大小；qki表表示分支ki上流动的无功功率，由k到i为正方向；xki表示分支ki上的电抗；iki分支ki上的电流大小，由k到i为正方向；

20、所述设备运行约束条件的公式为：

21、

22、式中，pipv(t)表示t时刻光伏机组的实际输出功率；表示t时刻光伏机组的最大输出功率；pit(t)表示t时刻火电机组的实际输出功率；和分别表示火电机组的最小功率和最大输出功率；βdown和βup分别表示火电机组输出功率向上和向下的最大变化率；δt表示时间步长增量；

23、所述电化学储能约束条件的公式为：

24、

25、式中，soc(t)表示电化学储能器在t时刻的电荷状态；pi(t)表示电化学储能器在t时刻的充放电功率；en表示电化学储能器的容量；socmin和socmax分别表示电化学储能器的最小和最大电荷状态；和分别表示电化学储能器的最大充放电功率；δt表示时间步长增量。

26、在一个实施例中，所述新能源电力系统运行风险在线评估方法，还包括：在构建回放增量学习范式风险评估模型之前，对所述指标数据集进行预处理，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。

27、在一个实施例中，基于所述指标数据集，构建回放增量学习范式风险评估模型包括：采用回放增量学习范式学习任务，基于长短期记忆神经网络，构建回放增量学习范式风险评估模型，并利用所述指标数据集对回放增量学习范式风险评估模型进行训练。

28、在一个实施例中，所述回放增量学习范式风险评估模型的训练算法为随时间反向传播算法；所述回放增量学习范式风险评估模型的损失函数为均方误差损失函数。

29、在一个实施例中，所述回放增量学习范式风险评估模型的遗忘门、输入门和输出门的计算公式为：

30、

31、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；

32、在一个实施例中，所述回放增量学习范式风险评估模型的记忆单元状态和隐藏层状态的计算公式为：

33、

34、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。

35、在一个实施例中，在根据所述回放增量学习范式风险评估模型对新能源电力系统运行风险进行在线实时评估时，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。

36、根据本发明实施例的第二方面，提供了一种新能源电力系统运行风险在线评估系统。

37、在一个实施例中，所述新能源电力系统运行风险在线评估系统，包括：

38、指标确定模块，用于对新能源电力系统进行分析，确定风险评估指标；

39、数据获取模块，用于根据新能源电力系统的历史各资源出力情况计算所述风险评估指标，并将所述历史各资源出力情况和所述风险评估指标计算结果形成指标数据集；

40、模型评估模块，用于基于所述指标数据集，构建回放增量学习范式风险评估模型；并根据所述回放增量学习范式风险评估模型对新能源电力系统运行风险进行在线实时评估。

41、在一个实施例中，所述风险评估指标为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：

42、pup(t)＝pmax(t+1)-p(t)

43、pdown(t)＝p(t)-pmin(t+1)

44、式中，pup(t)表示上调裕度；pdomn(t)表示下调裕度；p(t)表示本时刻各种资源的出力；pmax(t+1)表示下一时刻各种资源可允许达到的最大出力；pmin(t+1)表示下一时刻各种资源可允许达到的最小出力。

45、在一个实施例中，新能源电力系统的各资源出力情况根据新能源电力系统优化模型计算得到；所述新能源电力系统优化模型的目标函数为：

46、min f＝cope+ccur+cload

47、

48、式中，cope表示设备发电成本；ccur表示风电和光伏电力削减的经济处罚；cload表示切负荷的经济损失；t表示调度周期内所有时隙的个数；ct(t)表示火电机组发电成本；cpv(t)表示光伏发电机组发电成本；k1表示单位可再生能源电力削减的经济成本；pcur表示新能源弃电功率；k2表示单位切负荷电量的经济损失；pload表示切负荷功率；δt表示时间步长增量；

49、在一个实施例中，所述新能源电力系统优化模型的约束条件包括潮流约束条件、设备运行约束条件和电化学储能约束条件；其中，

50、所述潮流约束条件的公式为：

51、

52、式中，pig和qig分别表示连接到节点i的发电机的有功输出和无功输出；pil和qil分别表示节点i的有功需求和无功功率需求；pij和qij分别表示分支ij上流动的有功功率和无功功率；rij和xij分别表示分支ij上的电阻和电抗；iij表示分支ij上的电流大小；ui表示节点i上的电压大小；uj表示节点j上的电压大小；qki表表示分支ki上流动的无功功率，由k到i为正方向；xki表示分支ki上的电抗；iki分支ki上的电流大小，由k到i为正方向；

53、所述设备运行约束条件的公式为：

54、

55、式中，pipv(t)表示t时刻光伏机组的实际输出功率；表示t时刻光伏机组的最大输出功率；pit(t)表示t时刻火电机组的实际输出功率；和分别表示火电机组的最小功率和最大输出功率；βdown和βup分别表示火电机组输出功率向上和向下的最大变化率；δt表示时间步长增量；

56、所述电化学储能约束条件的公式为：

57、

58、式中，soc(t)表示电化学储能器在t时刻的电荷状态；pi(t)表示电化学储能器在t时刻的充放电功率；en表示电化学储能器的容量；socmin和socmax分别表示电化学储能器的最小和最大电荷状态；和分别表示电化学储能器的最大充放电功率；δt表示时间步长增量。

59、在一个实施例中，所述的新能源电力系统运行风险在线评估系统，还包括：数据预处理模块，用于在构建回放增量学习范式风险评估模型之前，对所述指标数据集进行预处理，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。

60、在一个实施例中，所述模型评估模块在基于所述指标数据集，构建回放增量学习范式风险评估模型时，采用回放增量学习范式学习任务，基于长短期记忆神经网络，构建回放增量学习范式风险评估模型，并利用所述指标数据集对回放增量学习范式风险评估模型进行训练。

61、在一个实施例中，所述回放增量学习范式风险评估模型的训练算法为随时间反向传播算法；所述回放增量学习范式风险评估模型的损失函数为均方误差损失函数。

62、在一个实施例中，所述回放增量学习范式风险评估模型的遗忘门、输入门和输出门的计算公式为：

63、

64、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；

65、在一个实施例中，所述回放增量学习范式风险评估模型的记忆单元状态和隐藏层状态的计算公式为：

66、

67、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。

68、在一个实施例中，在根据所述回放增量学习范式风险评估模型对新能源电力系统运行风险进行在线实时评估时，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。

69、本发明实施例提供的技术方案可以包括以下有益效果：

70、本发明利用基于回放增量学习范式的lstm神经网络实现电力系统运行风险在线评估，可以在原有风险评估模型的基础上，协同挖掘新旧数据的特征进而更新模型，计算成本较小，能满足运行实时性的需求；此外，本发明选用的lstm神经网络能够有效提取时序数据特征，克服常规循环神经网络(recurrent neural network,rnn)由于长期依赖性出现的梯度消失或爆炸问题，从而实现任意长度时间序列特征的深度挖掘与指标的精准预测。

71、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。