[發明專利]一種基于深度學習的結構參數不完備下配電網風險評估方法

有效

• 申請號: 202011296072.7
• 申請日: 2020-11-18
• 公開（公告）號: CN112232714B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 肖浩;裴瑋;楊艷紅;馬騰飛;孔力;王新迎;張國賓;王天昊;馬世乾
• 申請（專利權）人: 中國科學院電工研究所;中國電力科學研究院有限公司;國家電網有限公司;國網天津市電力公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06F18/214;G06N3/006;G06N3/04;G06N3/049
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 關玲

1.一種基于深度學習的結構參數不完備下配電網風險評估方法，其特征在于，所述的深度學習的結構參數不完備下配電網風險評估方法包括以下步驟：

(1)統計結構參數信息不完備區域的外部可獲取歷史運行數據：當地歷史風速、光照、電價、溫度以及該區域與配電網之間的關口交互功率，訓練建立結構參數信息不完備區域的等值模型；

(2)預測日前的風速、光照、溫度以及電價數據的概率分布，代入結構參數信息不完備區域的等值模型，計算該區域與配電網之間的關口交互功率的概率分布；

(3)根據預測的結構參數信息不完備區域與配電網之間的關口交互功率概率分布，構造等效估計點，進行配電網概率潮流計算；

(4)統計配電網概率潮流計算結果，分析配電網中各節點電壓幅值、相角狀態變量的概率分布，評估配電網整體運行風險；

所述步驟(1)中，統計結構參數信息不完備區域的外部可獲取歷史運行數據，當地歷史風速、光照、電價、溫度以及該區域與配電網之間的關口交互功率，訓練建立結構參數信息不完備區域的等值模型的步驟如下：

步驟(1-1)：統計分析結構參數信息不完備區域的外部可獲取歷史運行數據，當地歷史光照、風速、溫度、電價以及該區域與配電網之間的關口交互功率，對其進行數據標幺化、訓練集與測試集劃分預處理，如式(1)所示：

式中，D_s代表光照、風速、溫度、電價以及結構參數信息不完備區域與配電網之間的關口交互功率的歷史數據集合，M為歷史數據的總天數，L_k、W_k、T_k、E_k、P_g,k分別代表第k天的光照、風速、溫度、電價以及結構參數信息不完備區域與配電網之間的關口交互功率數據集，分別代表第k天第d時段的光照、風速、溫度、電價以及結構參數信息不完備區域與配電網之間的關口交互功率，N代表每天數據集的總時段數，代表歷史數據集合標幺化之后的數據集合，min(·)代表取極小值，max(·)代表取極大值，代表從標幺化之后的數據集合中取出的訓練集，代表從標幺化之后的數據集合中取出的測試集，ε代表訓練集所占的比例；

步驟(1-2)：采用長短時記憶神經網絡LSTM對訓練集數據進行學習訓練，建立結構參數信息不完備區域的等值封裝模型，如公式(2)所示：

式中，x_t代表當前迭代第t步從訓練數據集中取出的光照、風速、溫度以及電價的數據集合；h_t-1代表當前迭代第t步之前從訓練數據集中累積取出的結構參數信息不完備區域與配電網之間的關口交互功率集合；f_t代表當前迭代第t步對應的遺忘門輸出，w_f和b_f為遺忘層中各神經元的權值系數和偏置系數，σ(·)代表s型曲線函數，i_t代表當前迭代第t步輸入層的輸出，w_i和b_i為輸入層中各神經元的權值系數和偏置系數，代表當前迭代第t步卷積層的預估輸出，w_c和b_c為卷積層中各神經元的權值系數和偏置系數，tanh(·)代表雙曲正切函數，c_t代表當前迭代第t步卷積層的實際輸出，o_t代表當前迭代第t步輸出層輸出，w_o和b_o為輸出層中各神經元的權值系數和偏置系數，h_t代表當前迭代第t步實際預測得到的結構參數信息不完備區域與配電網之間的關口交互功率；

步驟(1-3)：代入測試集數據，對等值封裝模型進行測試驗證，根據反饋結果優化計算并更新長短時記憶神經網絡LSTM的各層神經元的權值系數和偏置系數，直至均方根誤差收斂：

1)首先代入測試集數據到等值封裝模型，計算結構參數信息不完備區域與配電網之間的關口交互功率的預測值：

式中，代表結構參數信息不完備區域與配電網之間的關口交互功率的預測值；x_test代表從測試數據集中取出的光照、風速、溫度以及電價的數據集合；F_grid(·)代指步驟(1-2)計算得到的參數信息不完備區域的等值封裝模型；

2)將結構參數信息不完備區域與配電網之間的關口交互功率的預測值與實際值比較，計算當前封裝模型的預測均方根誤差，如下式所示：

式中，RMSE代表當前訓練封裝等值模型的預測均方根誤差；M為預測總時段數，t為時段編號，代表從測試數據集中取出的結構參數信息不完備區域與配電網之間的關口交互功率實際采樣值，代表采用公式(3)預測得到的結構參數信息不完備區域與配電網之間的關口交互功率預測值；

3)以統計得到的當前封裝模型的預測均方根誤差為目標，以長短時記憶神經網絡LSTM的各層神經元的權值系數為優化決策變量，采用粒子群算法優化計算并調整長短時記憶神經網絡LSTM的各層神經元的權值系數和偏置系數，直至目標收斂，如下式所示：

式中，RMSE指代采用等值封裝模型進行功率預測的均方根誤差；分別為卷積層權值系數的最小和最大取值；分別為卷積層偏置系數的最小最大取值；分別為輸入層權值系數的最小和最大取值；分別為輸入層偏置系數的最小最大取值；分別為遺忘層權值系數的最小和最大取值；分別為遺忘層偏置系數的最小最大取值；分別為輸出層權值系數的最小和最大取值；分別為輸出層偏置系數的最小最大取值；

所述步驟(2)中，預測日前的光照、風速、溫度以及電價數據的概率分布，代入結構參數信息不完備區域的等值模型，計算該區域與配電網之間的關口交互功率的概率分布，具體如下：

步驟(2-1)：依據日前預測的光照、風速、溫度以及電價數據的概率分布，采用拉丁方抽樣生成大量模擬數據樣本，如式(6)所示：

其中，x_pv、x_wind、x_TP、x_price分別代表第k次拉丁方抽樣得到的光照、風速、溫度以及電價數據樣本，分別為日前預測的光照、風速、溫度以及電價數據的概率分布函數，N為拉丁方抽樣的總樣本規模數，r_n代表服從均勻分布的0到1之間的隨機數，k為拉丁方抽樣的次序編號；

步驟(2-2)：調用步驟(1)得到的結構參數信息不完備區域的等值模型，模擬計算和預測該區域與配電網之間的關口交互功率：

其中，x_pv、x_wind、x_TP、x_price分別代表第k次拉丁方抽樣得到的光照、風速、溫度以及電價數據樣本，F_grid(·)代指步驟(1-2)計算得到的參數信息不完備區域的等值封裝模型，x_pre代指由第k次拉丁方抽樣得到的光照、風速、溫度以及電價數據樣本所構成的數據集；代表模擬計算得到的結構參數信息不完備區域與配電網之間的關口交互功率所構成的數據集；

步驟(2-3)：統計所預測得到的結構參數信息不完備區域與配電網之間的關口交互功率數據集，擬合其概率分布：

其中，別代表預測得到的結構參數信息不完備區域與配電網之間的關口交互功率數據集中第1個、第2個、第j個以及第N個分量的取值；N為預測得到的結構參數信息不完備區域與配電網之間的關口交互功率數據集的維度；μ、σ、λ分別為預測得到的結構參數信息不完備區域與配電網之間的關口交互功率數據集的均值、方差以及偏度，E[·]為求期望算子；

所述步驟(3)中，根據預測的結構參數信息不完備區域與配電網之間的關口交互功率概率分布，構造等效估計點，進行配電網概率潮流計算，具體如下：

步驟(3-1)：根據預測得到的結構參數信息不完備區域與配電網之間的關口交互功率概率分布的統計信息，構造等效估計點，如公式(9)所示：

z_k＝μ+ξ_kσ?k＝1,2???????(9)

其中，z_k為結構參數信息不完備區域與配電網之間的關口交互功率數據集對應的第k個估計點，這里k的取值為1或2；ξ_k為結構參數信息不完備區域與配電網之間的關口交互功率數據集對應的第k個位置度量系數，由結構參數信息不完備區域與配電網之間的關口交互功率數據集的偏度λ通過公式(10)計算得到：

其中，ξ_k為結構參數信息不完備區域與配電網之間的關口交互功率數據集對應的第k個位置度量系數，k表示估計點編號，取值為1或2；λ為結構參數信息不完備區域與配電網之間的關口交互功率數據集的偏度；

步驟(3-2)：以構造的結構參數信息不完備區域與配電網之間的關口交互功率數據集的等效估計點為輸入，進行配電網潮流計算；

1)對于構造的結構參數信息不完備區域與配電網之間的關口交互功率數據集的等效估計點，通過公式(11)計算這些估計點在配電網潮流計算中所占權重系數：

其中，θ_k為結構參數信息不完備區域與配電網之間的關口交互功率數據集對應的第k個估計點在潮流計算中所占的權重系數，π為計算中間變量，由結構參數信息不完備區域與配電網之間的關口交互功率數據集的偏度λ計算得到，k表示估計點編號；

2)導入結構參數信息不完備區域與配電網之間的關口交互功率數據集對應的估計點z_k，進行配電網潮流計算；如公式(12)所示：

P_j(k)＝f(z_1,k,…,z_i,k,…,z_M,k,…,z_M+1,k,…,z_2M,k)?k＝1,2????(12)

其中，P_j(k)為配電網在第k個估計點為輸入時的第j個輸出狀態變量的取值；f(·)為配電網潮流計算方程；M為結構參數信息不完備區域的個數，k表示估計點編號；

所述步驟(4)中，統計配電網概率潮流計算結果，分析配電網中各節點電壓幅值、相角輸出狀態變量的概率分布，評估配電網整體運行風險，具體如下：

步驟(4-1)：根據配電網概率潮流計算結果，統計分析配電網各節點電壓幅值、相角輸出狀態變量的各階矩概率分布信息，如公式(13)所示：

其中，P_j(k)為配電網在第k個估計點為輸入時的第j個輸出狀態變量的取值；[P_j(k)]^p代表對P_j(k)求取p次冪，θ_k為結構參數信息不完備區域與配電網之間的關口交互功率數據集對應的第k個估計點在潮流計算中所占的權重系數，M為結構參數信息不完備區域的個數；代指配電網中第j個輸出狀態變量P_j的p階矩，p取1時E(P_j)代表第j個輸出狀態變量P_j的一階矩，取2時代表第j個輸出狀態變量P_j的二階矩，為配電網中第j個輸出狀態變量P_j的方差；

步驟(4-2)：計算配電網中各節點電壓、支路電流輸出狀態變量的越限值和越限嚴重度，如下式所示：

其中，i為配電網中節點的編號，j為配電網中支路的編號；V_out,i為節點i的電壓越限值，I_out,j為支路j的電流越限值，U_i、U_i,min、U_i,max分別為節點i的實際電壓值、最小允許電壓幅值及最大允許電壓幅值；I_j為支路j的實際運行電流、I_j,max為支路j的最大允許電流幅值；S_ev(V_out,i)為第i個節點的電壓越限嚴重度，S_ev(I_out,j)為第j條支路的電流越限嚴重度，A_i、B_i、C_i分別為第i個節點的電壓越限嚴重度函數的擬合參數，α_j、β_j、δ_j分別為第j條支路的電流越限嚴重度函數擬合參數，exp(·)代表以自然常數e為底的指數函數，Out表示電壓或電流的越限值；

步驟(4-3)：依據配電網中各節點電壓、支路電流輸出狀態變量的越限值、越限嚴重度、越限概率，計算評估配電網整體運行風險，如下式所示：

其中，R為系統總運行風險值，i為配電網中節點的編號，D為配電網總節點數，j為配電網中支路的編號，L為配電網總支路數，為節點i的電壓累積分布函數，為支路j的電流累積分布函數，S_ev(V_out,i)為節點i的電壓越限嚴重度，S_ev(I_out,j)為支路j的電流越限嚴重度；

可由公式(13)中各節點電壓狀態變量的概率分布信息，計算相應的節點電壓概率密度函數，然后再對概率密度函數積分求解得到，可由公式(13)中各支路電流狀態變量的概率分布信息，計算相應的支路電流概率密度函數，然后再對概率密度函數積分求解得到。