[發(fā)明專利]一種基于動(dòng)態(tài)時(shí)序預(yù)測(cè)的電力系統(tǒng)典型場(chǎng)景概率預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210877305.5
• 申請(qǐng)日: 2022-07-25
• 公開(kāi)（公告）號(hào): CN115293249A
• 公開(kāi)（公告）日: 2022-11-04
• 發(fā)明（設(shè)計(jì)）人: 廖思陽(yáng);姜新雄;徐箭;李琰;王新迎;尚學(xué)軍;王天昊
• 申請(qǐng)（專利權(quán)）人: 武漢大學(xué);中國(guó)電力科學(xué)研究院有限公司;國(guó)網(wǎng)天津市電力公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G06Q10/04;G06Q50/06
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 魯力

本發(fā)明涉及一種基于動(dòng)態(tài)時(shí)序預(yù)測(cè)的電力系統(tǒng)典型場(chǎng)景概率預(yù)測(cè)方法，首先構(gòu)建針對(duì)于特征變量的動(dòng)態(tài)時(shí)序預(yù)測(cè)模型；使用支持向量機(jī)對(duì)數(shù)據(jù)知識(shí)進(jìn)行建模，獲取數(shù)據(jù)樣本決策分?jǐn)?shù)；采用sigmoid函數(shù)對(duì)樣本決策分?jǐn)?shù)進(jìn)行修改，將其映射至區(qū)間[0,1]；最后利用極大似然估計(jì)確定sigmoid參數(shù)取值，實(shí)現(xiàn)對(duì)目標(biāo)典型場(chǎng)景的定量概率預(yù)測(cè)。本發(fā)明使用最大互信息對(duì)原始數(shù)據(jù)進(jìn)行了降維，將動(dòng)態(tài)時(shí)序預(yù)測(cè)模型與場(chǎng)景分類模型相結(jié)合，并使用基于極大似然估計(jì)的決策分?jǐn)?shù)概率轉(zhuǎn)化方法，將電力系統(tǒng)典型場(chǎng)景的分類信息轉(zhuǎn)化為概率信息，更有利于調(diào)度運(yùn)行人員評(píng)估系統(tǒng)未來(lái)風(fēng)險(xiǎn)，制定更為準(zhǔn)確的調(diào)度運(yùn)行計(jì)劃。

技術(shù)領(lǐng)域

本發(fā)明屬于電力系統(tǒng)典型場(chǎng)景概率預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于動(dòng)態(tài)時(shí)序預(yù)測(cè)的電力系統(tǒng)典型場(chǎng)景概率預(yù)測(cè)方法。

背景技術(shù)

隨著新能源以及隨機(jī)性負(fù)荷的快速發(fā)展，在大規(guī)模接入電網(wǎng)時(shí)，其隨機(jī)性與間歇性會(huì)大大提升電網(wǎng)規(guī)劃與調(diào)度的難度，也可能會(huì)造成電網(wǎng)出現(xiàn)嚴(yán)重故障、重要斷面重載、電力供需失衡、新能源消納受阻等不同場(chǎng)景。然而目前的調(diào)度為被動(dòng)等待式調(diào)度模式，不能滿足主動(dòng)調(diào)度要求，主要表現(xiàn)為被動(dòng)等待電網(wǎng)事故到來(lái)，對(duì)自然災(zāi)害等可預(yù)知的風(fēng)險(xiǎn)預(yù)警預(yù)防還有提升空間；對(duì)機(jī)組功率波動(dòng)沒(méi)有有效監(jiān)控手段，依賴電廠匯報(bào)；對(duì)電網(wǎng)突發(fā)輿情事件沒(méi)有監(jiān)控手段，依賴下級(jí)調(diào)度匯報(bào)；技術(shù)支持系統(tǒng)信息紛繁分散，缺乏集中監(jiān)視功能等。若能對(duì)上述的典型運(yùn)行場(chǎng)景進(jìn)行有效預(yù)測(cè)，提前預(yù)警調(diào)度運(yùn)行人員，盡早調(diào)動(dòng)可控資源參與電力系統(tǒng)主動(dòng)調(diào)節(jié)，便可以大大提高電力系統(tǒng)對(duì)于異常狀態(tài)的監(jiān)測(cè)及預(yù)測(cè)能力，提高電網(wǎng)的安全穩(wěn)定運(yùn)行水平。

現(xiàn)有涉及電力系統(tǒng)場(chǎng)景預(yù)測(cè)的研究主要集中于態(tài)勢(shì)感知與穩(wěn)定評(píng)估等方面。態(tài)勢(shì)感知即認(rèn)知大量的時(shí)間和空間中的環(huán)境要素，理解它們的意義，并預(yù)測(cè)它們?cè)诓痪玫膶?lái)的狀態(tài)，以實(shí)現(xiàn)決策優(yōu)勢(shì)。Endsley博士在1988年首次明確提出了態(tài)勢(shì)感知的定義，“態(tài)勢(shì)感知是指對(duì)一定時(shí)間與空間內(nèi)環(huán)境要素的提取、理解和對(duì)未來(lái)短期的預(yù)測(cè)”。其認(rèn)為態(tài)勢(shì)感知大體上可以分為3個(gè)層面，即“認(rèn)知、理解和預(yù)測(cè)”。態(tài)勢(shì)感知的核心部分包括：態(tài)勢(shì)要素的提取、對(duì)當(dāng)前態(tài)勢(shì)的理解、對(duì)未來(lái)態(tài)勢(shì)的預(yù)測(cè)、決策及行動(dòng)實(shí)施。穩(wěn)定評(píng)估方面的研究?jī)?nèi)容主要包含靜態(tài)穩(wěn)定評(píng)估以及暫態(tài)穩(wěn)定評(píng)估的相關(guān)內(nèi)容。現(xiàn)有靜態(tài)穩(wěn)定預(yù)測(cè)方面的研究包含線路潮流越限預(yù)測(cè)、節(jié)點(diǎn)電壓越限預(yù)測(cè)、極限傳輸容量預(yù)測(cè)等。這些方法大多基于系統(tǒng)可量測(cè)的部分變量，構(gòu)建基于數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)模型，從而達(dá)到預(yù)測(cè)的目的，但以上方法的評(píng)估結(jié)果往往是未來(lái)電力系統(tǒng)所屬的狀態(tài)類型或者是某個(gè)關(guān)注的指標(biāo)的數(shù)值，然而一般情況下，僅有類型信息或者是指標(biāo)取值難以反映電力系統(tǒng)場(chǎng)景的危急程度，就無(wú)法幫助調(diào)度運(yùn)行人員準(zhǔn)確判斷局勢(shì)，導(dǎo)致這些方法的輸出結(jié)果起不到理想作用，工作人員依然需要憑自身經(jīng)驗(yàn)重新判斷局勢(shì)并制定策略。

因此，基于以上分析和闡述，考慮到目前新能源快速發(fā)展的現(xiàn)狀，系統(tǒng)的運(yùn)行狀態(tài)變得更加復(fù)雜多變，為了能夠充分掌握系統(tǒng)的運(yùn)行發(fā)展態(tài)勢(shì)，為調(diào)度策略的制定提供更多的前饋信息，從而提升電力系統(tǒng)的態(tài)勢(shì)感知能力，本發(fā)明設(shè)計(jì)了一種基于支持向量機(jī)(SVM)決策分?jǐn)?shù)輸出聯(lián)合sigmoid函數(shù)修正概率的方式，實(shí)現(xiàn)了對(duì)目標(biāo)場(chǎng)景或者關(guān)鍵元件未來(lái)狀態(tài)的定量概率預(yù)警，從而為系統(tǒng)的運(yùn)行調(diào)度提供更加可靠的指示作用。在本發(fā)明中，首先基于長(zhǎng)短時(shí)期記憶網(wǎng)絡(luò)(LSTM)對(duì)典型場(chǎng)景關(guān)鍵變量構(gòu)建其時(shí)序預(yù)測(cè)模型，隨后利用SVM對(duì)所篩選特征的歷史樣本進(jìn)行分類學(xué)習(xí)，使其可以準(zhǔn)確地對(duì)樣本場(chǎng)景屬性做出分類，從而對(duì)未來(lái)的狀態(tài)進(jìn)行準(zhǔn)確的預(yù)測(cè)，并基于SVM模型輸出的決策分?jǐn)?shù)使用sigmoid函數(shù)進(jìn)行概率修正學(xué)習(xí)，結(jié)合極大似然法確定Sigmoid函數(shù)的參數(shù)，完成決策分?jǐn)?shù)到概率值的映射，從而最終實(shí)現(xiàn)對(duì)電力系統(tǒng)目標(biāo)典型場(chǎng)景的定量概率預(yù)測(cè)。

發(fā)明內(nèi)容