CN109066651A - 风电-负荷场景的极限传输功率的计算方法 - Google Patents

Abstract

本发明公开了一种风电‑负荷场景的极限传输功率的计算方法，其包括获取在线的风电‑负荷、存储的所有场景簇及每个场景簇的聚类中心；采用滤波式特征选择算法提取风电‑负荷的所有运行特征参数中与极限传输功率相关的相关运行特征参数；计算风电‑负荷与每个场景簇的聚类中心的距离，并将距离风电‑负荷场景最近的聚类中心所在的场景簇作为风电‑负荷的归属场景；根据所述归属场景，获取与其对应场景簇的极限传输功率模型；根据提取的相关运行特征参数和极限传输功率模型计算风电‑负荷场景的极限传输功率。

Description

风电-负荷场景的极限传输功率的计算方法

技术领域

本发明涉及含风电的电网系统，具体涉及一种风电-负荷场景的极限传输功率的计算方法。

背景技术

电网实时运行中，调度运行人员常常依赖于一系列安全稳定运行规则来判断和维持电力系统安全性。互联电网关键输电断面的极限传输功率(total transfercapability,TTC)即是其中一种重要运行指标。长期以来，包括输电断面TTC在内的各类安全稳定运行规则往往是在离线阶段以典型运行工况来计算制定的。然而，大规模间歇性清洁能源接入电网以后，电网运行方式具有随机性和不确定性。为了保证电网稳定性，只能以保守运行规则来运行，容易导致弃光弃风，并且造成电网运行效率下降。

发明内容

针对现有技术中的上述不足，本发明提供的风电-负荷场景的极限传输功率的计算方法能够实现含风电系统输电断面极限传输功率的快速准确估计。

为了达到上述不足，本发明采用的技术方案为：

提供一种风电-负荷场景的极限传输功率的计算方法，其包括：

获取在线的风电-负荷、存储的所有场景簇及每个场景簇的聚类中心；

采用滤波式特征选择算法提取风电-负荷的所有运行特征参数中与极限传输功率相关的相关运行特征参数；

计算风电-负荷与每个场景簇的聚类中心的距离，并将距离风电-负荷场景最近的聚类中心所在的场景簇作为风电-负荷的归属场景；

根据所述归属场景，获取与其对应场景簇的极限传输功率模型：

E(x)＝φ(ω·x+b)β

其中，ω，b分别为单层前馈网络的输入层到隐层的权值矩阵和阈值向量；β为单层前馈网络的隐层到输出层的权值矩阵，φ(·)为单层前馈网络的输入层到隐层的激励函数；x为相关运行特征参数；

根据提取的相关运行特征参数和极限传输功率模型计算风电-负荷场景的极限传输功率。

进一步地，所述场景簇的极限传输功率模型的构建方法包括：

获取若干历史记录的风电-负荷数据，并采用K-medoids聚类方法对所有的风电-负荷进行场景聚类，得到若干场景簇；

计算每个场景簇的最大偏移半径并使风电出力和负荷需求分别在和范围内随机波动；

采用潮流计算工具计算初始出力在[80％,120％]倍范围内波动的发电机与每个风电-负荷构成的随机工况的潮流，并记录该随机工况下的风电-负荷的全部运行特征参数；

采用极限传输功率计算方法计算每个风电-负荷的极限传输功率，并计算风电-负荷的每个运行特征参数与风电-负荷所在场景簇的聚类中心相对应的运行特征参数间的参数偏差；

采用预测目标和参数偏差作为输入特征，采用同一场景簇的所有风电-负荷构建大数据知识表：

其中，F_i ^k为第i个风电-负荷的第k个运行特征参数；为第i个风电-负荷所在场景簇的聚类中心与F_i ^k相对应的运行特征参数；T_i为第i个风电-负荷的预测目标；P_i ^TTC为第i个风电-负荷的极限传输功率；为所在场景簇的聚类中心样本的目标特征，本发明中即指代TTC；

根据大数据知识表，采用滤波式特征选择算法提取风电-负荷的所有运行特征参数中与极限传输功率相关的相关运行特征参数；

将同一场景簇中所有风电-负荷的相关运行特征参数输入差分进化极限学习机，并采用差分进化极限学习机构建每个场景簇的极限传输功率模型：

E(x)＝φ(ω·x+b)β。

进一步地，所述极限传输功率计算方法包括：

S1、初始化每个风电-负荷中负荷增长因子的二分搜索区间[λ_s,λ_u]；

S2、计算二分搜索区间的中间值λ_L＝(λ_s+λ_u)/2，并采用中间值更新受端负荷需求，同时调整送端发电机出力，更新受端负荷需求的计算公式为：

送端发电机出力的计算公式为：

其中，P_Li为受端负荷需求；k_Li为受端电网负荷i的增长速度因子；为初始工况下负荷i的有功负荷量；Q_Li为受端无功负荷需求；为初始工况下负荷i的无功负荷量；P_Gj调整后送端发电机j的有功出力；为送端发电机j初始有功出力；ΔP_L为受端电网负荷总增量；为送端电网发电机j的有功备用；为送端电网发电机总有功备用；

S3、计算负荷-发电机同步增长后的电网潮流，基于断面任一输电线路发生三相短路的故障场景集合，逐一进行时域仿真并进行暂态稳定校核：

其中，Δδ_max为任一仿真时步的最大机组对功角差；当S小于0时，故障后电网为失稳；否则，故障后电网能保持稳定；

S4、当电网运行工况满足断面故障集的暂稳约束，则令λ_s＝λ_L更新二分搜索区间；否则，令λ_u＝λ_L更新二分搜索区间；

S5、当更新后的二分搜索区间的λ_u-λ_s≥Δλ_th时，返回步骤S2；

S6、当更新后的二分搜索区间的λ_u-λ_s<Δλ_th时，则计算临界负荷增长因子λ_cr＝(λ_s+λ_u)/2；

S7、根据临界负荷增长因子，计算临界运行工况的潮流，并采用临界运行工况的潮流中的断面总传输功率作为风电-负荷的极限传输功率。

进一步地，所述受端电网负荷总增量的计算公式为：

送端电网发电机总有功备用的计算公式为：

进一步地，所述场景簇的最大偏移半径的计算公式为：

fluc_s＝max{min(dist1_s)/2,max(dist2_s)}

其中，dist1_s是第s个场景簇中心和其他场景簇中心的欧式距离；dist2_s是第s个场景簇中心和属于该类的风电-负荷之间的欧式距离。

进一步地，采用滤波式特征选择算法提取风电-负荷场景中与极限传输功率相关的相关运行特征参数进一步包括：

A1、选取样本R_i，样本为风电-负荷的所有运行特征参数，i的初始值为1；

A2、查找样本R_i的K个最近邻样本I＝{I_j|j＝1,2,…,K}；

A3、设置j为1；

A4、选择第j个近邻样本I_j，并更新N_dP：

N_dP＝N_dP+abs(f(R_i)-f(I_j))*d(i,j)

其中，N_dP为样本R_i与近邻样本I_j下同一特征值F不同值的概率，其初始值为零；f(R_i)为样本R_i的目标值；f(I_j)为近邻样本I_j的目标值；rank(R_i,I_j)为按照近邻样本I_j和样本R_i的距离大小进行排序的位置序列，σ为自定义参数，σ＝50；

A5、设置F为1；

A6、按下式更新N_dF(F)和N_dPdF(F)：

N_dF(F)＝N_dF(F)+diff(F,R_i,I_j)*d(i,j)

N_dPdF(F)＝N_dPdF(F)+abs(f(R_i)-f(I_j))*diff(F,R_i,I_j)*d(i,j)

其中，N_dF(F)为K近邻样本中特征F不同值的概率估计值；N_dPdF(F)为K近邻样本中特征值F不同值的样本集合下目标值不同的概率估计值；N_dF(F)和N_dPdF(F)的初始值均为零；value(F,R_i)为样本R_i中第F个特征的值；value(F,I_j)为样本I_j中第F个特征的值；max(F)为第F个特征向量的最大值；min(F)为第F个特征向量的最小值；

A7、更新F＝F+1，若F小于等于特征数，返回步骤A6，否则执行步骤A8；

A8、更新j＝j+1，若j小于等于K，返回步骤A4，否则执行步骤A9；

A9、更新i＝i+1，若i小于等于m，返回步骤A1，否则执行步骤A10；

A10、重置F为1；

A11、按下式计算G(F)：

G(F)＝N_dPdF(F)/N_dP–(N_dF(F)-N_dPdF(F))/(m-N_dP)

其中，G(F)为特征评估值；m为最大循环次数；

A12、更新F＝F+1，若F小于等于特征数，返回步骤A11，否则，输出G(F)；

A13、根据G(F)中中每个运行特征参数的评分，选取评分大于设置值的运行特征参数为相关运行参数。

本发明的有益效果为：本方案通过滤波式特征选择算法能够快速准确地提取出与风电-负荷的极限传输功率息息相关的相关运行特征参数，之后通过风电-负荷与各场景簇的聚类中心，快速找到风电-负荷所属的场景簇，之后再通过构建的极限传输功率模型和相关运行特征参数，实现输电端面极限传输功率的快速准确估计。

采用含风电的NewEngland 39节点算例验证本方案，发现本方案的计算方法具有较强的关联拟合能力和非线性泛化能力，能够实现含风电系统输电断面极限传输功率的快速准确估计。

附图说明

图1为风电-负荷场景的极限传输功率的计算方法的流程图。

图2为风电集中接入的IEEE 39节点测试系统。

图3为运行特征参数关于目标值的预测相关性的评估值。

图4为实施例中场景簇3预测误差直方图。

图5为本方案的计算方法应用于所有场景簇的测试误差分布。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

参考图1，图1示出了风电-负荷场景的极限传输功率的计算方法的流程图，如图1所示，该方法100包括步骤101至步骤105。

在步骤101中，获取在线的风电-负荷、存储的所有场景簇及每个场景簇的聚类中心；此处的场景簇是采用“风电-负荷”二维特征表征任一运行工况，利用历史记录的“风电-负荷”数据构成场景全集，基于K-medoids聚类方法将若干风电-负荷聚类成几个场景簇。

在步骤102中，采用滤波式特征选择算法提取风电-负荷的所有运行特征参数中与极限传输功率相关的相关运行特征参数。

在本发明的一个实施例中，采用滤波式特征选择算法提取风电-负荷场景中与极限传输功率相关的相关运行特征参数进一步包括：

A1、选取样本R_i，样本为风电-负荷的所有运行特征参数，i的初始值为1；

A2、查找样本R_i的K个最近邻样本I＝{I_j|j＝1,2,…,K}；

A3、设置j为1；

A4、选择第j个近邻样本I_j，并更新N_dP：

N_dP＝N_dP+abs(f(R_i)-f(I_j))*d(i,j)

其中，N_dP为样本R_i与近邻样本I_j下同一特征值F不同值的概率，其初始值为零；f(R_i)为样本R_i的目标值；f(I_j)为近邻样本I_j的目标值；rank(R_i,I_j)为按照近邻样本I_j和样本R_i的距离大小进行排序的位置序列，σ为自定义参数，σ＝50；

A5、设置F为1；

A6、按下式更新N_dF(F)和N_dPdF(F)：

N_dF(F)＝N_dF(F)+diff(F,R_i,I_j)*d(i,j)

N_dPdF(F)＝N_dPdF(F)+abs(f(R_i)-f(I_j))*diff(F,R_i,I_j)*d(i,j)

其中，N_dF(F)为K近邻样本中特征F不同值的概率估计值；N_dPdF(F)为K近邻样本中特征值F不同值的样本集合下目标值不同的概率估计值；N_dF(F)和N_dPdF(F)的初始值均为零；value(F,R_i)为样本R_i中第F个特征的值；value(F,I_j)为样本I_j中第F个特征的值；max(F)为第F个特征向量的最大值；min(F)为第F个特征向量的最小值；

A7、更新F＝F+1，若F小于等于特征数，返回步骤A6，否则执行步骤A8；

A8、更新j＝j+1，若j小于等于K，返回步骤A4，否则执行步骤A9；

A9、更新i＝i+1，若i小于等于m，返回步骤A1，否则执行步骤A10；

A10、重置F为1；

A11、按下式计算G(F)：

G(F)＝N_dPdF(F)/N_dP–(N_dF(F)-N_dPdF(F))/(m-N_dP)

其中，G(F)为特征评估值；m为最大循环次数；

A12、更新F＝F+1，若F小于等于特征数，返回步骤A11，否则，输出G(F)；

A13、根据G(F)中中每个运行特征参数的评分，选取评分大于设置值的运行特征参数为相关运行参数。

由于样本数据集中包含大量冗余特征和噪声数据，这些会导致后续精细规则提取的计算负担大、规则精度下降，因此对原始样本集进行特征筛选非常必要。本发明采用的滤波式特征选择算法，不需要依赖后续学习器，适合用于含冗余特征和噪声数据的样本集的预处理，且实施过程简单明了，计算结果能够为特征选择提供有力依据。

在步骤103中，计算风电-负荷与每个场景簇的聚类中心的距离，并将距离风电-负荷场景最近的聚类中心所在的场景簇作为风电-负荷的归属场景；

在步骤104中，根据所述归属场景，获取与其对应场景簇的极限传输功率模型：

E(x)＝φ(ω·x+b)β

其中，ω，b分别为单层前馈网络的输入层到隐层的权值矩阵和阈值向量；β为单层前馈网络的隐层到输出层的权值矩阵，φ(·)为单层前馈网络的输入层到隐层的激励函数；x为相关运行特征参数；每个不同的场景簇，其ω，b和β的值均不相等。

在步骤105中，根据提取的相关运行特征参数和极限传输功率模型计算风电-负荷场景的极限传输功率。

在本发明的一个实施例中，场景簇的极限传输功率模型的构建方法200包括步骤201至步骤207：

在步骤201中，获取若干历史记录的风电-负荷数据，并采用K-medoids聚类方法对所有的风电-负荷进行场景聚类，得到若干场景簇；在聚类过程中需要保存每个场景簇的聚类中心，历史记录的风电-负荷数据为选取的过去一年的风电-负荷，其中一个风电-负荷代表一个小时的平均风功率负荷。

在步骤202中，计算每个场景簇的最大偏移半径并使风电出力和负荷需求分别在和范围内随机波动；本方案的所有运行工况均是在满足和的条件下进行的。

所述场景簇的最大偏移半径的计算公式为：

fluc_s＝max{min(dist1_s)/2,max(dist2_s)}

其中，dist1_s是第s个场景簇中心和其他场景簇中心的欧式距离；dist2_s是第s个场景簇中心和属于该类的风电-负荷之间的欧式距离。

在步骤203中，采用潮流计算工具计算初始出力在[80％,120％]倍范围内波动的发电机与每个风电-负荷构成的随机工况的潮流，并记录该随机工况下的风电-负荷的全部运行特征参数。

在步骤204中，采用极限传输功率计算方法计算每个风电-负荷的极限传输功率，并计算风电-负荷的每个运行特征参数与风电-负荷所在场景簇的聚类中心相对应的运行特征参数间的参数偏差。

实施时，步骤204中的极限传输功率计算方法包括步骤S1至步骤S7：

S1、初始化每个风电-负荷中负荷增长因子的二分搜索区间[λ_s,λ_u]；

S2、计算二分搜索区间的中间值λ_L＝(λ_s+λ_u)/2，并采用中间值更新受端负荷需求，同时调整送端发电机出力，更新受端负荷需求的计算公式为：

送端发电机出力的计算公式为：

其中，P_Li为受端负荷需求；k_Li为受端电网负荷i的增长速度因子；为初始工况下负荷i的有功负荷量；Q_Li为受端无功负荷需求；为初始工况下负荷i的无功负荷量；P_Gj调整后送端发电机j的有功出力；为送端发电机j初始有功出力；ΔP_L为受端电网负荷总增量；为送端电网发电机j的有功备用；为送端电网发电机总有功备用；

实施时，本方案优选所述受端电网负荷总增量的计算公式为：

送端电网发电机总有功备用的计算公式为：

S3、计算负荷-发电机同步增长后的电网潮流，基于断面任一输电线路发生三相短路的故障场景集合，逐一进行时域仿真并进行暂态稳定校核：

其中，Δδ_max为任一仿真时步的最大机组对功角差；当S小于0时，故障后电网为失稳；否则，故障后电网能保持稳定；

S4、当电网运行工况满足断面故障集的暂稳约束，则令λ_s＝λ_L更新二分搜索区间；否则，令λ_u＝λ_L更新二分搜索区间；

S5、当更新后的二分搜索区间的λ_u-λ_s≥Δλ_th时，返回步骤S2；

S6、当更新后的二分搜索区间的λ_u-λ_s<Δλ_th时，则计算临界负荷增长因子λ_cr＝(λ_s+λ_u)/2；

S7、根据临界负荷增长因子，计算临界运行工况的潮流，并采用临界运行工况的潮流中的断面总传输功率作为风电-负荷的极限传输功率。

本发明提供的极限传输功率计算方法能够有效考虑各种动静态安全校核，如暂态稳定校核、电压稳定校核、小干扰稳定校核等，算法具有较强的电力系统模型适应性，即可耦合高精度、高阶的电力系统复杂模型，如发电机高阶模型、风机动态模型等。除此之外，相较于连续潮流算法，该算法避免了预测步模块，简化了极限传输功率计算流程，但计算精度并未降低。

在步骤205中，采用预测目标和参数偏差作为输入特征，采用同一场景簇的所有风电-负荷构建大数据知识表：

其中，F_i ^k为第i个风电-负荷的第k个运行特征参数；为风电-负荷对应的极限传输功率相对于中心运行场景；T_i为第i个风电-负荷的预测目标；P_i ^TTC为第i个风电-负荷的极限传输功率；为所在场景簇的聚类中心样本的目标特征，本发明中即指代TTC；

在步骤206中，根据大数据知识表，采用滤波式特征选择算法提取风电-负荷的所有运行特征参数中与极限传输功率相关的相关运行特征参数；

在步骤207中，将同一场景簇中所有风电-负荷的相关运行特征参数输入差分进化极限学习机，并采用差分进化极限学习机构建每个场景簇的极限传输功率模型：

E(x)＝φ(ω·x+b)β。

采用本方案提供的场景簇的极限传输功率模型的构建方法基于历史数据构建典型风电-负荷运行场景，由于风电出力的随机性和波动性使得电网运行工况快速变化，基于典型工况计算的TTC定值存在失效风险，可能造成稳定性误判；若采用考虑多种不确定因素影响下的全运行工况集，则极大地增加了运行规则拟合难度。

通过场景聚类降低场景维度，提取典型工况，能够极大降低运行规则拟合难度，因此首先采用K-medoids聚类方法提取典型运行场景。然后针对每一个典型运行场景，采取数值摄动的方式，使得每一个典型场景的采样空间能够完整覆盖历史数据的运行场景，进而为后续构建强泛化能力的学习器奠定了基础。该样本构建方法易于实施，且通过“历史数据做基础，仿真数据做强化”的思想，间接提高了后续学习器的泛化能力。

下面结合具体的实例对本方案的极限传输功率的计算方法进行详细地说明：

采用改进的3分区New England 39节点系统，在母线17处集中接入风电场，装机容量为600MW，系统如图2所示；另外，平方相关系数(SCC)和均方差(MSE)指标用于衡量DE-ELM提取的极限传输功率模型精度。

对于标准算例系统，由于缺少历史数据，因而不能直接利用历史记录的“风功率-负荷”时序数据进行场景聚类。为了验证本方案的计算方法，采用时序模型来生成“风电-负荷”时序数据。经过时序模拟得到“风电-负荷”场景数据后，基于K-medoids方法的场景聚类和代表性典型场景提取，得到五类代表性场景中心由表1给出。

表1基于K-medoids聚类得到代表性场景中心

采用滤波式特征选择算法对场景簇3中训练样本进行运行特征参数的选择，可以得到各运行特征参数关于目标值的预测相关性的评估值G(F)，参考图3；为了验证运行特征参数选择的有效性，本方案选取最优的前5个和前10个运行特征参数以及最差的前5个和前10个特征运行参数输入差分进化极限学习机，得到表2。

表2特征选择有效性验证试验结果

从表2中可以明显看出，选择最优的特征进入最终差分进化极限学习机(DE-ELM)输入集得到的极限传输功率模型精度明显优于选择最差的特征进入最终DE-ELM输入集得到的极限传输功率模型精度。

且随着输入集中选择的运行特征参数数目增长，提取到的极限传输功率模型精度也随之上升，训练时间也相对递增，因此，通过特征选择筛选出既能保证输电断面极限传输功率模型精度又不会花费大量训练时间。

基于DE-ELM的场景簇的极限传输功率模型构建：

选取特征评估值G(F)大于0的运行特征参数作为最终输入DE-ELM的训练数据，通过DE-ELM建立场景簇3的极限传输功率模型，并采用该极限传输功率模型对测试集的极限传输功率TTC进行预测，结果MSE为0.054，SCC为0.9859，预测值和实际值之间的误差分布如图4所示。

同样地，对于其他聚类场景采用本方法所提算法也可以准确地提取极限传输功率模型。基于场景3的样本数量，根据聚类场景的覆盖大小按比例进行缩放得到其他场景簇的样本数，同样选取200个测试样本测试极限传输功率模型的性能。所有场景簇的规则预测性能如表3所示，误差分布如图5所示。

表3本文方法应用于所有场景簇的性能结果

由表3和图5可以看出，本方法所提的极限传输功率能够适应不同场景下的输电断面的极限传输功率模型的构建，通过DE-ELM构建的极限传输功率模型具有较强的泛化能力，能够快速精确地对断面TTC进行预测。

下面采用不同算法构建极限传输功率模型应用于场景簇3预测时的性能指标，各个算法输入的特征运行参数与表2中保持一致，不同算法的性能对比如表4所示。

表4不同算法性能对比

从表4中可以看出，传统BPNN，ELM具有更快的训练速度和更强的泛化能力，而本文所提算法训练速度相对较慢，这是由于本方案进行差分寻优时所有个体都需要进行ELM学习，降低了总体训练速度。

但是本方案相比于BPNN和ELM，DE-ELM具有更高的精度和更强的泛化能力，本方案的极限传输功率模型构建过程中通过离线的方式进行，仅在对在线获取的风电-负荷进行在线预测，这样预测时所需时间基本均在10e-1数量级。

综上所述，本方案通过构建的极限传输功率模型在实时运行阶段，可以通过提取的相关运行特征参数实现输电断面极限传输功率的快速准确估计；同时本方案的计算方法具有较强的关联拟合能力和非线性泛化能力。

Claims (6)

1.风电-负荷场景的极限传输功率的计算方法，其特征在于，包括：

获取在线的风电-负荷、存储的所有场景簇及每个场景簇的聚类中心；

采用滤波式特征选择算法提取风电-负荷的所有运行特征参数中与极限传输功率相关的相关运行特征参数；

计算风电-负荷与每个场景簇的聚类中心的距离，并将距离风电-负荷场景最近的聚类中心所在的场景簇作为风电-负荷的归属场景；

根据所述归属场景，获取与其对应场景簇的极限传输功率模型：

E(x)＝φ(ω·x+b)β

其中，ω，b分别为单层前馈网络的输入层到隐层的权值矩阵和阈值向量；β为单层前馈网络的隐层到输出层的权值矩阵，φ(·)为单层前馈网络的输入层到隐层的激励函数；x为相关运行特征参数；

根据提取的相关运行特征参数和极限传输功率模型计算风电-负荷场景的极限传输功率。

2.根据权利要求1所述的风电-负荷场景的极限传输功率的计算方法，其特征在于，所述场景簇的极限传输功率模型的构建方法包括：

获取若干历史记录的风电-负荷数据，并采用K-medoids聚类方法对所有的风电-负荷进行场景聚类，得到若干场景簇；

计算每个场景簇的最大偏移半径并使风电出力和负荷需求分别在和范围内随机波动；

采用潮流计算工具计算初始出力在[80％,120％]倍范围内波动的发电机与每个风电-负荷构成的随机工况的潮流，并记录该随机工况下的风电-负荷的全部运行特征参数；

采用极限传输功率计算方法计算每个风电-负荷的极限传输功率，并计算风电-负荷的每个运行特征参数与风电-负荷所在场景簇的聚类中心相对应的运行特征参数间的参数偏差；

采用预测目标和参数偏差作为输入特征，采用同一场景簇的所有风电-负荷构建大数据知识表：

其中，F_i ^k为第i个风电-负荷的第k个运行特征参数；为所在场景簇的聚类中心样本的第k个运行特征参数；T_i为第i个风电-负荷的预测目标；P_i ^TTC为第i个风电-负荷的极限传输功率；为所在场景簇的聚类中心样本的目标特征，本发明中即指代TTC；

根据大数据知识表，采用滤波式特征选择算法提取风电-负荷的所有运行特征参数中与极限传输功率相关的相关运行特征参数；

将同一场景簇中所有风电-负荷的相关运行特征参数输入差分进化极限学习机，并采用差分进化极限学习机构建每个场景簇的极限传输功率模型：

E(x)＝φ(ω·x+b)β。

3.根据权利要求2所述的风电-负荷场景的极限传输功率的计算方法，其特征在于，所述极限传输功率计算方法包括：

S1、初始化每个风电-负荷中负荷增长因子的二分搜索区间[λ_s,λ_u]；

S2、计算二分搜索区间的中间值λ_L＝(λ_s+λ_u)/2，并采用中间值更新受端负荷需求，同时调整送端发电机出力，更新受端负荷需求的计算公式为：

送端发电机出力的计算公式为：

其中，P_Li为受端有功负荷需求；k_Li为受端电网负荷i的增长速度因子；为初始工况下负荷i的有功负荷量；Q_Li为受端无功负荷需求；为初始工况下负荷i的无功负荷量；P_Gj调整后送端发电机j的有功出力；为送端发电机j初始有功出力；ΔP_L为受端电网负荷总增量；为送端电网发电机j的有功备用；为送端电网发电机总有功备用；

S3、计算负荷-发电机同步增长后的电网潮流，基于断面任一输电线路发生三相短路的故障场景集合，逐一进行时域仿真并进行暂态稳定校核：

其中，Δδ_max为任一仿真时步的最大机组对功角差；当S小于0时，故障后电网为失稳；否则，故障后电网能保持稳定；

S4、当电网运行工况满足断面故障集的暂稳约束，则令λ_s＝λ_L更新二分搜索区间；否则，令λ_u＝λ_L更新二分搜索区间；

S5、当更新后的二分搜索区间的λ_u-λ_s≥Δλ_th时，返回步骤S2；

S6、当更新后的二分搜索区间的λ_u-λ_s<Δλ_th时，则计算临界负荷增长因子λ_cr＝(λ_s+λ_u)/2；

S7、根据临界负荷增长因子，采用潮流计算工具计算临界运行工况的潮流，并采用临界运行工况的潮流中的断面总传输功率作为风电-负荷的极限传输功率。

4.根据权利要求3所述的风电-负荷场景的极限传输功率的计算方法，其特征在于，所述受端电网负荷总增量的计算公式为：

送端电网发电机总有功备用的计算公式为：

5.根据权利要求2所述的风电-负荷场景的极限传输功率的计算方法，其特征在于，所述场景簇的最大偏移半径的计算公式为：

fluc_s＝max{min(dist1_s)/2,max(dist2_s)}

其中，dist1_s是第s个场景簇中心和其他场景簇中心的欧式距离；dist2_s是第s个场景簇中心和属于该类的风电-负荷之间的欧式距离。

6.根据权利要求1-5任一所述的风电-负荷场景的极限传输功率的计算方法，其特征在于，所述采用滤波式特征选择算法提取风电-负荷场景中与极限传输功率相关的相关运行特征参数进一步包括：

A1、选取样本R_i，所述样本为风电-负荷的所有运行特征参数，i的初始值为1；

A2、查找样本R_i的K个最近邻样本I＝{I_j|j＝1,2,…,K}；

A3、设置j为1；

A4、选择第j个近邻样本I_j，并更新N_dP：

N_dP＝N_dP+abs(f(R_i)-f(I_j))*d(i,j)

其中，N_dP为K近邻样本下目标值不相同的概率估计值，其初始值为零；f(R_i)为样本R_i的目标值；f(I_j)为近邻样本I_j的目标值；rank(R_i,I_j)为按照近邻样本I_j和样本R_i的距离大小进行排序的位置序列，σ为自定义参数，σ＝50；

A5、设置F为1；

A6、按下式更新N_dF(F)和N_dPdF(F)：

N_dF(F)＝N_dF(F)+diff(F,R_i,I_j)*d(i,j)

N_dPdF(F)＝N_dPdF(F)+abs(f(R_i)-f(I_j))*diff(F,R_i,I_j)*d(i,j)

其中，N_dF(F)为K近邻样本中特征F不同值的概率估计值；N_dPdF(F)为K近邻样本中特征值F不同值的样本集合下目标值不同的概率估计值；N_dF(F)和N_dPdF(F)的初始值均为零；value(F,R_i)为样本R_i中第F个特征的值；value(F,I_j)为样本I_j中第F个特征的值；max(F)为第F个特征向量的最大值；min(F)为第F个特征向量的最小值；

A7、更新F＝F+1，若F小于等于总的特征数，返回步骤A6，否则执行步骤A8；

A8、更新j＝j+1，若j小于等于K，返回步骤A4，否则执行步骤A9；

A9、更新i＝i+1，若i小于等于m，返回步骤A1，否则执行步骤A10；

A10、重置F为1；

A11、按下式计算G(F)：

G(F)＝N_dPdF(F)/N_dP–(N_dF(F)-N_dPdF(F))/(m-N_dP)

其中，G(F)为特征评估值；m为最大循环次数；

A12、更新F＝F+1，若F小于等于特征数，返回步骤A11，否则，输出G(F)；

A13、根据G(F)中中每个运行特征参数的评分，选取评分大于设置值的运行特征参数为相关运行参数。