[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

本發明提出了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。考慮設備實時故障率以及運行方式變化，首先使用拉丁超立方算法優化的蒙特卡洛法生成風險樣本數據，可在有限的計算時間內搜索出多重故障，全面反映電網故障情況；并使用高斯擾動粒子群優化的最小二乘支持向量機對風險樣本進行訓練，達到大幅降低計算時間的目的。在保證風險計算準確度的情況下，本文方法可以做到電網風險與靈敏度的在線計算，為風險來源追蹤、設備差異化運維等提供參考依據。

技術領域

本發明屬于電網風險評估技術領域，尤其是涉及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。

背景技術

對電力系統風險評估的研究，目前主要分為解析法和蒙特卡洛模擬法。其中蒙特卡羅法的模擬抽樣次數不受電網規模影響，且容易體現各種運行控制策略和負荷變化等實際情況，并可處理多重、相關和連鎖故障。使用蒙特卡洛法可以解決目前大型電網的風險庫缺乏多重故障情況處理方法的問題。但是蒙特卡洛法仍會產生大量重復抽樣場景，且需要對每個場景進行拓撲分析、潮流計算、負荷削減等重復性計算，不能滿足電網在線運行的要求。

使用機器學習方法，對大量樣本進行訓練分析，可得到變量與結果之間的直接關聯關系，省去復雜的中間過程，大幅降低計算時間。目前已有成熟使用云理論進行故障率推理預測，進而進行電網綜合風險評估；以及使用神經網絡訓練N-1斷線故障樣本，建立電力系統風險評估模型。但是現有的電網風險評估研究并未考慮全面性和實時性的綜合優化。

于是使用改進的蒙特卡洛方法生成全面準確的風險樣本，并應用改進的最小二乘支持向量機進行樣本訓練，得到電網風險在線計算模型成為一種全面有效的評估方法。該方法可根據電網實時狀態信息，實現準確、快速的電網風險及靈敏度在線計算，為風險來源追蹤、設備差異化運維等提供參考依據。

發明內容

本發明主要針對現有的風險評估方法不能全面的考慮設備狀態的改變以及無法實時完成評估的不足，引入最小二乘支持向量機利用蒙特卡洛法來對電網的風險進行評估。蒙特卡洛方法使用抽樣方法模擬系統可能出現的狀態，進而計算狀態后果、風險指標。抽樣過程中每臺設備按照故障率進行動作，可以處理多重故障情況，準確地反映電網風險。而最小二乘支持向量機將標準支持向量機中的求解二次規劃問題轉化為求解線性問題，使計算過程更加方便快捷。利用蒙特卡洛法和最小二乘支持向量機的結合，提供了一種新的電網風險評估方法。

本發明的上述技術問題主要通過以下技術方案得以解決：

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，使用拉丁超立方優化的蒙特卡洛法生成風險樣本數據，使用高斯擾動粒子群優化的最小二乘支持向量機方法進行樣本訓練，得到電網風險計算模型與靈敏度計算模型。并且考慮多重故障情況，實現在線運用。其步驟包括：

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。

作為優選，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)；