[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的結(jié)構(gòu)參數(shù)不完備下配電網(wǎng)風(fēng)險(xiǎn)評(píng)估方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011296072.7
• 申請(qǐng)日: 2020-11-18
• 公開(kāi)（公告）號(hào): CN112232714B
• 公開(kāi)（公告）日: 2023-06-20
• 發(fā)明（設(shè)計(jì)）人: 肖浩;裴瑋;楊艷紅;馬騰飛;孔力;王新迎;張國(guó)賓;王天昊;馬世乾
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)科學(xué)院電工研究所;中國(guó)電力科學(xué)研究院有限公司;國(guó)家電網(wǎng)有限公司;國(guó)網(wǎng)天津市電力公司
• 主分類(lèi)號(hào): G06Q10/06
• 分類(lèi)號(hào): G06Q10/06;G06Q50/06;G06F18/214;G06N3/006;G06N3/04;G06N3/049
• 代理公司: 北京科迪生專(zhuān)利代理有限責(zé)任公司 11251
• 代理人: 關(guān)玲

1.一種基于深度學(xué)習(xí)的結(jié)構(gòu)參數(shù)不完備下配電網(wǎng)風(fēng)險(xiǎn)評(píng)估方法，其特征在于，所述的深度學(xué)習(xí)的結(jié)構(gòu)參數(shù)不完備下配電網(wǎng)風(fēng)險(xiǎn)評(píng)估方法包括以下步驟：

(1)統(tǒng)計(jì)結(jié)構(gòu)參數(shù)信息不完備區(qū)域的外部可獲取歷史運(yùn)行數(shù)據(jù)：當(dāng)?shù)貧v史風(fēng)速、光照、電價(jià)、溫度以及該區(qū)域與配電網(wǎng)之間的關(guān)口交互功率，訓(xùn)練建立結(jié)構(gòu)參數(shù)信息不完備區(qū)域的等值模型；

(2)預(yù)測(cè)日前的風(fēng)速、光照、溫度以及電價(jià)數(shù)據(jù)的概率分布，代入結(jié)構(gòu)參數(shù)信息不完備區(qū)域的等值模型，計(jì)算該區(qū)域與配電網(wǎng)之間的關(guān)口交互功率的概率分布；

(3)根據(jù)預(yù)測(cè)的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率概率分布，構(gòu)造等效估計(jì)點(diǎn)，進(jìn)行配電網(wǎng)概率潮流計(jì)算；

(4)統(tǒng)計(jì)配電網(wǎng)概率潮流計(jì)算結(jié)果，分析配電網(wǎng)中各節(jié)點(diǎn)電壓幅值、相角狀態(tài)變量的概率分布，評(píng)估配電網(wǎng)整體運(yùn)行風(fēng)險(xiǎn)；

所述步驟(1)中，統(tǒng)計(jì)結(jié)構(gòu)參數(shù)信息不完備區(qū)域的外部可獲取歷史運(yùn)行數(shù)據(jù)，當(dāng)?shù)貧v史風(fēng)速、光照、電價(jià)、溫度以及該區(qū)域與配電網(wǎng)之間的關(guān)口交互功率，訓(xùn)練建立結(jié)構(gòu)參數(shù)信息不完備區(qū)域的等值模型的步驟如下：

步驟(1-1)：統(tǒng)計(jì)分析結(jié)構(gòu)參數(shù)信息不完備區(qū)域的外部可獲取歷史運(yùn)行數(shù)據(jù)，當(dāng)?shù)貧v史光照、風(fēng)速、溫度、電價(jià)以及該區(qū)域與配電網(wǎng)之間的關(guān)口交互功率，對(duì)其進(jìn)行數(shù)據(jù)標(biāo)幺化、訓(xùn)練集與測(cè)試集劃分預(yù)處理，如式(1)所示：

式中，D_s代表光照、風(fēng)速、溫度、電價(jià)以及結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率的歷史數(shù)據(jù)集合，M為歷史數(shù)據(jù)的總天數(shù)，L_k、W_k、T_k、E_k、P_g,k分別代表第k天的光照、風(fēng)速、溫度、電價(jià)以及結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集，分別代表第k天第d時(shí)段的光照、風(fēng)速、溫度、電價(jià)以及結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率，N代表每天數(shù)據(jù)集的總時(shí)段數(shù)，代表歷史數(shù)據(jù)集合標(biāo)幺化之后的數(shù)據(jù)集合，min(·)代表取極小值，max(·)代表取極大值，代表從標(biāo)幺化之后的數(shù)據(jù)集合中取出的訓(xùn)練集，代表從標(biāo)幺化之后的數(shù)據(jù)集合中取出的測(cè)試集，ε代表訓(xùn)練集所占的比例；

步驟(1-2)：采用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)LSTM對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，建立結(jié)構(gòu)參數(shù)信息不完備區(qū)域的等值封裝模型，如公式(2)所示：

式中，x_t代表當(dāng)前迭代第t步從訓(xùn)練數(shù)據(jù)集中取出的光照、風(fēng)速、溫度以及電價(jià)的數(shù)據(jù)集合；h_t-1代表當(dāng)前迭代第t步之前從訓(xùn)練數(shù)據(jù)集中累積取出的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率集合；f_t代表當(dāng)前迭代第t步對(duì)應(yīng)的遺忘門(mén)輸出，w_f和b_f為遺忘層中各神經(jīng)元的權(quán)值系數(shù)和偏置系數(shù)，σ(·)代表s型曲線函數(shù)，i_t代表當(dāng)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(jīng)元的權(quán)值系數(shù)和偏置系數(shù)，代表當(dāng)前迭代第t步卷積層的預(yù)估輸出，w_c和b_c為卷積層中各神經(jīng)元的權(quán)值系數(shù)和偏置系數(shù)，tanh(·)代表雙曲正切函數(shù)，c_t代表當(dāng)前迭代第t步卷積層的實(shí)際輸出，o_t代表當(dāng)前迭代第t步輸出層輸出，w_o和b_o為輸出層中各神經(jīng)元的權(quán)值系數(shù)和偏置系數(shù)，h_t代表當(dāng)前迭代第t步實(shí)際預(yù)測(cè)得到的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率；

步驟(1-3)：代入測(cè)試集數(shù)據(jù)，對(duì)等值封裝模型進(jìn)行測(cè)試驗(yàn)證，根據(jù)反饋結(jié)果優(yōu)化計(jì)算并更新長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)LSTM的各層神經(jīng)元的權(quán)值系數(shù)和偏置系數(shù)，直至均方根誤差收斂：

1)首先代入測(cè)試集數(shù)據(jù)到等值封裝模型，計(jì)算結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率的預(yù)測(cè)值：

式中，代表結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率的預(yù)測(cè)值；x_test代表從測(cè)試數(shù)據(jù)集中取出的光照、風(fēng)速、溫度以及電價(jià)的數(shù)據(jù)集合；F_grid(·)代指步驟(1-2)計(jì)算得到的參數(shù)信息不完備區(qū)域的等值封裝模型；

2)將結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率的預(yù)測(cè)值與實(shí)際值比較，計(jì)算當(dāng)前封裝模型的預(yù)測(cè)均方根誤差，如下式所示：

式中，RMSE代表當(dāng)前訓(xùn)練封裝等值模型的預(yù)測(cè)均方根誤差；M為預(yù)測(cè)總時(shí)段數(shù)，t為時(shí)段編號(hào)，代表從測(cè)試數(shù)據(jù)集中取出的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率實(shí)際采樣值，代表采用公式(3)預(yù)測(cè)得到的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率預(yù)測(cè)值；

3)以統(tǒng)計(jì)得到的當(dāng)前封裝模型的預(yù)測(cè)均方根誤差為目標(biāo)，以長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)LSTM的各層神經(jīng)元的權(quán)值系數(shù)為優(yōu)化決策變量，采用粒子群算法優(yōu)化計(jì)算并調(diào)整長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)LSTM的各層神經(jīng)元的權(quán)值系數(shù)和偏置系數(shù)，直至目標(biāo)收斂，如下式所示：

式中，RMSE指代采用等值封裝模型進(jìn)行功率預(yù)測(cè)的均方根誤差；分別為卷積層權(quán)值系數(shù)的最小和最大取值；分別為卷積層偏置系數(shù)的最小最大取值；分別為輸入層權(quán)值系數(shù)的最小和最大取值；分別為輸入層偏置系數(shù)的最小最大取值；分別為遺忘層權(quán)值系數(shù)的最小和最大取值；分別為遺忘層偏置系數(shù)的最小最大取值；分別為輸出層權(quán)值系數(shù)的最小和最大取值；分別為輸出層偏置系數(shù)的最小最大取值；

所述步驟(2)中，預(yù)測(cè)日前的光照、風(fēng)速、溫度以及電價(jià)數(shù)據(jù)的概率分布，代入結(jié)構(gòu)參數(shù)信息不完備區(qū)域的等值模型，計(jì)算該區(qū)域與配電網(wǎng)之間的關(guān)口交互功率的概率分布，具體如下：

步驟(2-1)：依據(jù)日前預(yù)測(cè)的光照、風(fēng)速、溫度以及電價(jià)數(shù)據(jù)的概率分布，采用拉丁方抽樣生成大量模擬數(shù)據(jù)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(fēng)速、溫度以及電價(jià)數(shù)據(jù)樣本，分別為日前預(yù)測(cè)的光照、風(fēng)速、溫度以及電價(jià)數(shù)據(jù)的概率分布函數(shù)，N為拉丁方抽樣的總樣本規(guī)模數(shù)，r_n代表服從均勻分布的0到1之間的隨機(jī)數(shù)，k為拉丁方抽樣的次序編號(hào)；

步驟(2-2)：調(diào)用步驟(1)得到的結(jié)構(gòu)參數(shù)信息不完備區(qū)域的等值模型，模擬計(jì)算和預(yù)測(cè)該區(qū)域與配電網(wǎng)之間的關(guān)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(fēng)速、溫度以及電價(jià)數(shù)據(jù)樣本，F(xiàn)_grid(·)代指步驟(1-2)計(jì)算得到的參數(shù)信息不完備區(qū)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(fēng)速、溫度以及電價(jià)數(shù)據(jù)樣本所構(gòu)成的數(shù)據(jù)集；代表模擬計(jì)算得到的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率所構(gòu)成的數(shù)據(jù)集；

步驟(2-3)：統(tǒng)計(jì)所預(yù)測(cè)得到的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集，擬合其概率分布：

其中，別代表預(yù)測(cè)得到的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集中第1個(gè)、第2個(gè)、第j個(gè)以及第N個(gè)分量的取值；N為預(yù)測(cè)得到的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集的維度；μ、σ、λ分別為預(yù)測(cè)得到的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)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(jù)預(yù)測(cè)的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率概率分布，構(gòu)造等效估計(jì)點(diǎn)，進(jìn)行配電網(wǎng)概率潮流計(jì)算，具體如下：

步驟(3-1)：根據(jù)預(yù)測(cè)得到的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率概率分布的統(tǒng)計(jì)信息，構(gòu)造等效估計(jì)點(diǎn)，如公式(9)所示：

z_k＝μ+ξ_kσ?k＝1,2???????(9)

其中，z_k為結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集對(duì)應(yīng)的第k個(gè)估計(jì)點(diǎn)，這里k的取值為1或2；ξ_k為結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集對(duì)應(yīng)的第k個(gè)位置度量系數(shù)，由結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集的偏度λ通過(guò)公式(10)計(jì)算得到：

其中，ξ_k為結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集對(duì)應(yīng)的第k個(gè)位置度量系數(shù)，k表示估計(jì)點(diǎn)編號(hào)，取值為1或2；λ為結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集的偏度；

步驟(3-2)：以構(gòu)造的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集的等效估計(jì)點(diǎn)為輸入，進(jìn)行配電網(wǎng)潮流計(jì)算；

1)對(duì)于構(gòu)造的結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集的等效估計(jì)點(diǎn)，通過(guò)公式(11)計(jì)算這些估計(jì)點(diǎn)在配電網(wǎng)潮流計(jì)算中所占權(quán)重系數(shù)：

其中，θ_k為結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集對(duì)應(yīng)的第k個(gè)估計(jì)點(diǎn)在潮流計(jì)算中所占的權(quán)重系數(shù)，π為計(jì)算中間變量，由結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集的偏度λ計(jì)算得到，k表示估計(jì)點(diǎn)編號(hào)；

2)導(dǎo)入結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集對(duì)應(yīng)的估計(jì)點(diǎn)z_k，進(jìn)行配電網(wǎng)潮流計(jì)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(wǎng)在第k個(gè)估計(jì)點(diǎn)為輸入時(shí)的第j個(gè)輸出狀態(tài)變量的取值；f(·)為配電網(wǎng)潮流計(jì)算方程；M為結(jié)構(gòu)參數(shù)信息不完備區(qū)域的個(gè)數(shù)，k表示估計(jì)點(diǎn)編號(hào)；

所述步驟(4)中，統(tǒng)計(jì)配電網(wǎng)概率潮流計(jì)算結(jié)果，分析配電網(wǎng)中各節(jié)點(diǎn)電壓幅值、相角輸出狀態(tài)變量的概率分布，評(píng)估配電網(wǎng)整體運(yùn)行風(fēng)險(xiǎn)，具體如下：

步驟(4-1)：根據(jù)配電網(wǎng)概率潮流計(jì)算結(jié)果，統(tǒng)計(jì)分析配電網(wǎng)各節(jié)點(diǎn)電壓幅值、相角輸出狀態(tài)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(wǎng)在第k個(gè)估計(jì)點(diǎn)為輸入時(shí)的第j個(gè)輸出狀態(tài)變量的取值；[P_j(k)]^p代表對(duì)P_j(k)求取p次冪，θ_k為結(jié)構(gòu)參數(shù)信息不完備區(qū)域與配電網(wǎng)之間的關(guān)口交互功率數(shù)據(jù)集對(duì)應(yīng)的第k個(gè)估計(jì)點(diǎn)在潮流計(jì)算中所占的權(quán)重系數(shù)，M為結(jié)構(gòu)參數(shù)信息不完備區(qū)域的個(gè)數(shù)；代指配電網(wǎng)中第j個(gè)輸出狀態(tài)變量P_j的p階矩，p取1時(shí)E(P_j)代表第j個(gè)輸出狀態(tài)變量P_j的一階矩，取2時(shí)代表第j個(gè)輸出狀態(tài)變量P_j的二階矩，為配電網(wǎng)中第j個(gè)輸出狀態(tài)變量P_j的方差；

步驟(4-2)：計(jì)算配電網(wǎng)中各節(jié)點(diǎn)電壓、支路電流輸出狀態(tài)變量的越限值和越限嚴(yán)重度，如下式所示：

其中，i為配電網(wǎng)中節(jié)點(diǎn)的編號(hào)，j為配電網(wǎng)中支路的編號(hào)；V_out,i為節(jié)點(diǎn)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(jié)點(diǎn)i的實(shí)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(shí)際運(yùn)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(gè)節(jié)點(diǎn)的電壓越限嚴(yán)重度，S_ev(I_out,j)為第j條支路的電流越限嚴(yán)重度，A_i、B_i、C_i分別為第i個(gè)節(jié)點(diǎn)的電壓越限嚴(yán)重度函數(shù)的擬合參數(shù)，α_j、β_j、δ_j分別為第j條支路的電流越限嚴(yán)重度函數(shù)擬合參數(shù)，exp(·)代表以自然常數(shù)e為底的指數(shù)函數(shù)，Out表示電壓或電流的越限值；

步驟(4-3)：依據(jù)配電網(wǎng)中各節(jié)點(diǎn)電壓、支路電流輸出狀態(tài)變量的越限值、越限嚴(yán)重度、越限概率，計(jì)算評(píng)估配電網(wǎng)整體運(yùn)行風(fēng)險(xiǎn)，如下式所示：

其中，R為系統(tǒng)總運(yùn)行風(fēng)險(xiǎn)值，i為配電網(wǎng)中節(jié)點(diǎn)的編號(hào)，D為配電網(wǎng)總節(jié)點(diǎn)數(shù)，j為配電網(wǎng)中支路的編號(hào)，L為配電網(wǎng)總支路數(shù)，為節(jié)點(diǎn)i的電壓累積分布函數(shù)，為支路j的電流累積分布函數(shù)，S_ev(V_out,i)為節(jié)點(diǎn)i的電壓越限嚴(yán)重度，S_ev(I_out,j)為支路j的電流越限嚴(yán)重度；

可由公式(13)中各節(jié)點(diǎn)電壓狀態(tài)變量的概率分布信息，計(jì)算相應(yīng)的節(jié)點(diǎn)電壓概率密度函數(shù)，然后再對(duì)概率密度函數(shù)積分求解得到，可由公式(13)中各支路電流狀態(tài)變量的概率分布信息，計(jì)算相應(yīng)的支路電流概率密度函數(shù)，然后再對(duì)概率密度函數(shù)積分求解得到。