[發明專利]一種蒙特卡洛及最小二乘支持向量機的電網風險評估方法

有效

• 申請號: 201811347746.4
• 申請日: 2018-11-13
• 公開（公告）號: CN109523155B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 郝如海;祁瑩;智勇;拜潤卿;陳仕彬;邢延東;高磊;劉文飛;史玉杰;張彥凱;張海龍;崔力心;陳力;趙步宇;龔慶武;劉棟;王譽博
• 申請（專利權）人: 國網甘肅省電力公司電力科學研究院;武漢大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 薛玲

1.一種蒙特卡洛及最小二乘支持向量機的電網風險評估方法，其特征在于，包括以下步驟：

步驟1：生成M×N電網狀態樣本數據，根據電網狀態樣本數據構建電網元件向量、電網元件向量的集合、故障率向量、故障率向量的集合；

步驟2：對電網狀態樣本數據進行抽樣，對抽樣結果進行歸一化得到風險樣本數據；

步驟3：使用高斯擾動粒子群優化的最小二乘支持向量機方法對風險樣本數據進行訓練，得到電網風險評估計算模型；

步驟4：根據電網風險評估計算模型，使用攝動法得到電網設備靈敏度計算模型；

步驟1中所述電網狀態樣本數據為：

x_i,ji∈[1,M],j∈[1,N]

其中，x_i,j為第i個元件的第j種故障率，M表示電網元件的數量，N表示每個電網元件的對應狀態下的故障率的數量；

電網元件i向量可表示為y_i＝(x_i,1,x_i,2,…,x_i,N)；

M個電網元件向量的集合為Y＝{y₁,y₂,...,y_M}；

故障率j向量可表示為x_j＝(x_1,j,x_2,j,…,x_m,j,…,x_M,j)；

N個故障率向量的集合為X＝{x₁,x₂,...,x_N}；

步驟2中所述對電網狀態樣本數據進行抽樣為：

使用蒙特卡洛法對電網狀態樣本數據x_i,ji∈[1,M],j∈[1,N]進行抽樣模擬；

蒙特卡洛法：在待評估的電力系統中，設其元件的數量為M，其中的任意一個元件y_i(i＝1,2,…,M)的狀態用y_i表示，并將該狀態對應的概率記為P(y_i)；

將系統狀態的集合記為X′，其中任意一個系統狀態k記為：

x_k＝(y_k,1,y_k,2,…,y_k,i,…,y_k,M)

系統狀態的總數為N，由此得到系統狀態k的概率：

在獲得系統狀態集合即抽樣后得到的矩陣S，將狀態k的后果記為F(x_k)，F(x_k)的計算方法與選取的風險指標有關，失負荷量的風險指標為：

其中，R_k為系統在狀態k下損失的負荷量；

在蒙特卡洛法抽樣的過程中，使用拉丁超立方抽樣來代替原本的均勻抽樣，形成大量的抽樣場景；

拉丁超立方抽樣包括兩個步驟：

采樣：對各個輸入變量進行分層采樣，使每個輸入變量的采樣點都能覆蓋其整個分布區間；

假設一個待評估電網中包含M個元件，y_i(i＝1,2,…,M)為第i個元件的故障率，Y_i＝F_i(y_i)表示y_i的累計概率密度函數；

設采樣值規模為N，首先將區間[0,1]平均分為N等分，得到N個子區間[0,1/N]…[i/N,(i+1)/N]…[(N-1)/N,1]，則每個區間的概率均為1/N；

隨后抽取N個子區間的中間值作為代表采樣點,第i個區間的采樣點為((i-1)/N+i/N)/2；

最后，得到采樣值其中為F_m的反變換；

對所有設備進行均勻狀態采樣，生成M×N為初始樣本矩陣S，矩陣S為含有M個元件的電力系統，N個系統狀態的集合為X′＝{x′₁,x′₂,...,x′_N}，任意系統狀態j可表示為c，x′_i,j為系統狀態j中第i個元件的狀態，i∈[1,M]；

采用Cholesky分解法對矩陣S進行排序處理，得到Cholesky分解后矩陣S＇，其集合為X′＝{x′₁,x′₂,...,x′_N}，

任意系統狀態j可表示為X′_j＝(x′_i-3,j,x′_i+6,j,...,x′_3,j,...x′_M,j,...,x′_9,j)，x′_i,j為系統狀態j中第i個元件的狀態，x′_1,j--x′_M,j的排列順序為隨機，i∈[1,M]；

步驟2中所述對抽樣結果進行歸一化得到風險樣本數據為：

將抽樣結果根據系統容量進行歸一化得到風險樣本數據

歸一化處理：

其中，X′_j＝(x′_i-3,j,x′_i+6,j,...,x′_3,j,...x′_M,j,...,x′_9,j)為任意系統狀態j，X′_jmax為X′_j中的最大值，X′_jmin為X′_j中的最小值；

步驟3中所述使用高斯擾動粒子群優化的最小二乘支持向量機方法對風險樣本數據進行訓練，得到電網風險評估計算模型為：

在高斯擾動粒子群優化算法中，將最小二乘支持向量機的懲罰參數和核參數作為粒子成員，最小二乘支持向量機對樣本數據的訓練方差作為適應度計算函數；計算粒子適應度，并將其與上一個最優適應度相比較，取最好的適應度作為當前最優適應度，得到新的群體最優解，直至達到精度要求或迭代次數上限；

采用高斯擾動的粒子群優化算法進行參數尋優，在粒子運動過程中增加高斯擾動項，加入高斯擾動項的粒子群速度迭代公式：

v_i,j(t+1)＝w_pv_i,j(t)+c₁r₁[p_i,j(t)+r₂gauss_i,j(t)-x_i,j(t)]+c₂r₄[p_g,j(t)-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

gauss_i,j(t)＝r₃gaussian(μ,δ²)

式中：w_p為慣性權重；c₁,c₂為加速因子；r₁,r₂,r₃,r₄為(0,1)區間均勻分布的隨機數；v_i，j(t)為粒子i在第t次迭代時的速度；p_i，j(t)為粒子i在第t次迭代時的歷史最優位置；gauss_i，j(t)為粒子i在第t迭代時產生的高斯擾動；μ為均值；δ²為方差；x_i，j(t)為粒子i在第t次迭代時的位置；p_g，j(t)是第t次迭代時種群的最優位置；

參數尋優完成后，得到最優懲罰參數γ和核參數σ的組合，用最小二乘支持向量機對步驟2中所述Cholesky分解后矩陣S＇進行樣本訓練，得到風險評估算模型；

最小二乘支持向量機的優化問題：

s.t.

式中：γ為正則化參數；e_j表示誤差；N表示N個維度；w是權重向量；b是偏移量；為映射函數將X′_j映射到高維特征空間；

步驟4中所述根據電網風險評估計算模型，使用攝動法得到電網設備靈敏度計算模型為：

利用攝動法計算原系統步驟2中所述Cholesky分解后矩陣S＇的風險，然后依次改變設備參數，然后重新對對應電網的風險進行計算；

步驟4中所述攝動法考慮所有的系統狀態：

式中：F為系統風險；α為設備參數，可得到攝動法計算風險靈敏度的公式：

對于不同的風險計算進行比較，最終得到設備的風險靈敏度：

依次改變設備參數，計算對應的電網風險值改變量，獲取所有設備的風險靈敏度，最終可得到對電網風險影響較大的設備列表，即靈敏度在θ₁-θ₂的為次高靈敏度設備，大于θ₂的為高靈敏度設備，進而形成設備差異化運維策略，有效降低電網風險，對于電網風險評估方法，使用攝動法計算靈敏度的時間將顯著降低，使其可以實際運用在電網在線運行過程中。