[發明專利]基于JDAN-NFN的電力系統在線安全評估方法及裝置

在審

• 申請號: 202110687591.4
• 申請日: 2021-06-21
• 公開（公告）號: CN113449467A
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 孫宏斌;孟子超;唐文俊;郭燁;黃文琦
• 申請（專利權）人: 清華大學;南方電網數字電網研究院有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08;H02J3/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 孫立波

本申請公開了一種基于JDAN?NFN的電力系統在線安全評估方法及裝置，其中，方法包括：通過多維密度預測模型預測系統安全裕度的聯合分布，其中，多維密度預測模型包括聯合分布近似網絡與網絡預測網絡；根據系統安全裕度的聯合分布計算安全評估指標，以評估未來時刻電力系統的運行狀況。由此，無需對預測的聯合分布引入任何先驗假設，通過增大模型容量可以保證模型的預測范圍可以始終包括真實的聯合分布。

技術領域

本申請涉及電力系統安全技術領域，特別涉及一種基于JDAN-NFN的電力系統在線安全評估方法及裝置。

背景技術

隨著越來越多的可再生新能源以及靈活負荷接入電力系統，兼具安全性與經濟性的調度計劃的制定以及系統的安全評估變得越來越困難。不正確或者不充足的電力系統安全評估會導致錯誤的控制決策甚至嚴重的事故，因此電力系統安全評估是十分重要的一個步驟。

傳統的電力系統安全評估基于物理模型，根據代數方程/微分方程以及優化方法進行安全評估。但隨著電網復雜度的不斷增大，其受以下原因限制難以實時應用：1、模型驅動的安全評估方法需要求解大規模的代數方程/微分方程以及優化問題；2、由于系統中存在數以千計的發電設備以及傳輸線路，對于每種運行場景均需要進行大量的N-1預想事故分析。因此，基于模型驅動的安全評估計算復雜度過高，計算時間代價過大，難以滿足實時應用的需求。

近年來，數據驅動方法為電力系統在線安全評估提供了新思路，其可以從仿真工具生成的海量系統運行數據中獲取安全知識，建立不依賴具體物理模型的安全評估模型，對各種運行場景快速響應。因此，在電網模型復雜且不確定性顯著的電網運行環境下，數據驅動方法開始廣泛地應用于電力系統的在線安全評估中。

安全裕度是電力系統安全評估的重要指標，相關技術發展介紹主要針對該主題展開。為聚焦研究內容，在此主要對數據驅動的電力系統安全裕度分析的相關方法進行介紹，具體分為以下兩類：點估計方法，密度估計方法。

在點估計方法中，研究目標為安全裕度的期望值。多種機器學習算法已被應用于電力系統安全裕度或安全邊界的評估中，包括集成學習(ensemble learning)、群丟失學習(group loss learning)、多任務學習(multitask learning)、混合深度學習(hybrid deeplearning)等。且得益于高計算性能的分布式計算平臺，這些方法的計算效率可以得到顯著提高。

在密度估計方法中，研究目標為安全裕度的概率密度函數(probability densityfunction， PDF)或累積分布函數(cumulative distribution function，CDF)。現有研究主要聚焦于負荷裕度、可用輸電能力(available transfer capability，ATC)、極限傳輸容量(total transfer capability，TTC) 等評估電力系統安全裕度的相關指標。如采用基于高斯過程仿真器的方法來評估負荷裕度的概率分布；利用參數自舉技術來估計ATC的分布信息；使用多項式混沌展開算法以及稀疏技術實現概率TTC評估等。

密度預測方法，包括了單維密度預測與多維密度預測。密度預測方法可以預測目標未來的分布信息，其對電力系統安全風險的預警具有重要意義，但在安全評估中還應用尚少。現有的密度預測模型主要針對單變量情況，其中分布近似網絡—網絡預測網絡(distribution approximation network-network forecast network，DAN-NFN)是預測風電和電價分布信息最有效的模型之一。DAN-NFN無需對預測分布引入先驗假設，其可通過深度神經網絡(neural networks，NNs)得到較好的預測分布估計結果。現有的多維密度預測模型主要通過多維核密度估計或者高維copula實現，需要事前設定核密度函數的類型和copula的所屬簇。