CN110096730A - 一种电网电压快速评估方法及系统 - Google Patents

Abstract

本发明涉及一种电网电压快速评估方法及系统。该方法先设计覆盖范围均匀的风光电出力场景，然后获取与输入的风光电出力场景数据对应的输出数据，进行多项式稀疏化得到稀疏多项式混沌展开模型，最后将待评估的风光电出力数据带入稀疏多项式混沌展开模型，得到电网电压快速评估结果。本发明是针对电网安全稳定运行评估问题，提升考虑运行不确定性的电网电压安全稳定裕度快速评估的效率。本发明的评估方法在电力系统安全风险评估中采用数据驱动的方法建立拟合模型，替代传统求解系统电压稳定性的连续潮流模型，提高了计算效率，同时模型具有较好的回归精度，对待评估电网场景的电压稳定性计算具有较高的准确率。

Description

一种电网电压快速评估方法及系统

技术领域

本发明涉及电网电压快速评估领域，尤其是涉及一种基于稀疏多项式混沌展开的电网电压快速评估方法及系统。

背景技术

由于可再生能源所具有的清洁环保特性，风光等可再生能源大量并网是过去十数年及未来发展的主要趋势。然而风光能源所具有的出力波动性造成其并网后为电网电压稳定性造成一系列不利影响。传统的确定性电网电压稳定分析方法难以应对风光电出力不确定场景下的电网电压稳定分析，为及时对电网运行状态做出可靠的电压稳定性评估，快速评估电网运行安全状态，需要一种考虑风光不确定性出力的快速电网电压稳定分析方法。

发明内容

发明目的：

本发明提供一种基于稀疏多项式混沌展开的电网电压快速评估方法及系统，其目的是解决上述存在的问题。针对电网安全稳定运行评估问题，提升考虑运行不确定性的电网电压稳定裕度快速评估的效率。

技术方案：

本发明的目的通过以下技术方案来实现：

一种电网电压快速评估方法，该方法包括如下步骤：

(1)根据风光电出力历史数据，得到新能源出力的概率分布情况；基于分布情况重新采样，设计覆盖范围均匀的风光电出力场景；

(2)基于预先构建的负荷裕度计算模型，获取与输入的风光电出力场景对应的输出数据；

(3)基于风光电出力场景数据和对应的输出数据进行多项式稀疏化，得到稀疏多项式混沌展开模型；

(4)将待评估的风光电出力数据带入稀疏多项式混沌展开模型，得到电网电压快速评估结果。

进一步的，步骤(1)中所述的得到新能源出力的概率分布情况是通过核密度估计方法获取的；

所述的核密度估计方法公式为：

其中，N为样本量，h为带宽，K为核函数；x为待估计概率分布的变量，X_i为x的风光电出力历史数据；

同时选取多个场景分配作为后续稀疏多项式混沌展开模型训练场景，选取不同于训练场景的多个场景作为模型精度验证的测试场景。

进一步的，进一步包括：

在电网运行环境发生改变时，重新构建负荷裕度计算模型。

进一步的，所述的负荷裕度计算模型是基于获取的风光电额定出力及机组参数构建的；

所述的负荷裕度计算模型的公式：

f(V,X,λ)＝0

P_L,i＝P_L,i(0)+λk_L,iP_L,i(0)

Q_L,i＝Q_L,i(0)+λk_L,iQ_L,i(0)

P_G,i＝P_G,i(0)+λk_G,iP_G,i(0)

其中，λ为负荷裕度，其含义为增加负荷和发电机功率直至系统电压崩溃的最大负荷增长倍数；V表示为节点电压幅值和相角，X表示输入随机变量；P_L,i，Q_L,i为负荷有功、无功功率修正值，P_G,i为发电机有功出力修正值，P_L,i(0)，Q_L,i(0)为初始状态负荷有功、无功功率，P_G,i(0)为初始状态发电机有功出力；k_L,i及k_G,i分别为负荷和发电机出力随λ变化的常数。

进一步的，步骤(3)在稀疏化前，进一步包括：基于选定的正交多项式基类型建立多项式混沌展开集；

所述的选定的正交多项式基类型采用正态分布形式的Hermit正交多项式基类型；建立Hermite多项式混沌展开集：

其中，X∈R^M为M维输入变量；Y_n(X)为多元多项式，由变量多项式的张量积表示；y_n(x_i)为变量x_i的Hermite正交多项式；α_n为对应的多项式系数，n∈N^M为表示多项式序号，N^M大小与多项式混沌展开阶数相关。

进一步的，步骤(3)中所述的多项式稀疏化的实现是采用最小角回归方法选取与输出量最大相关性的多项式基，同时保证模型留一检验误差最小条件下，筛选出对应正交多项式基作为稀疏多项式混沌展开模型的成分。

进一步的，最小角回归方法的操作流程如下：

Step 0：初始化，系数初值为0，候选集为多项式混沌展开集，有效集初始为空集，残差初值为风光电出力场景数据对应的输出数据；

Step 1：找到对当前残差最相关的多项式基；

Step 2：选入当前有效集下，多项式基对残差等相关时的系数；这些多项式基在下一次迭代时仍对残差有最大相关性；

Step 3：计算并储存当前有效集下的留一检验误差；

Step 4：更新有效集系数，将Step 2步骤中当前相关性最大的系数和对应正交多项式基移入有效集

Step 5：重复前序步骤，直到留一检验误差最小；

完成迭代后，有效集扩充过程中留一检验误差最小的有效集情形选为稀疏多项式混沌展开模型。

进一步的，找当前残差最相关的多项式基及对应系数，包括：

待选多项式基集表示多项式混沌展开集中除去对当前残差最相关的多项式基，待选多项式基集X的多项式{x₁,x₂,…,x_m}都是线性无关的；记A是{1,2,…,m}的一个子集，定义矩阵：

X_A＝(…s_jx_j…)_j∈A

其中，x_j为待选多项式集合X中的第j个元素，符号s_j＝±1；定义G_A＝X_A’X_A，以及A_A＝(1_A’G_A ^-11_A)^-1/2；其中，1_A表示全1向量，长度和A中元素个数一样；对于X_A的角平分线方向上单位向量_uA表示为：

u_A＝X_Aω_A,其中定义

使得和每一个x_j都有相同的角度，并且满足：

X'_Au_A＝A_A1_A,且||u_A||²＝1

定义μ为LAR拟合值，γ为使得μ等于输出响应的值；选取合适的γ使得下一个列向量与当前集合A中向量与残差相关度相等；若当前步骤下的LAR预测结果为μA，所以当前多项式基的相关系数为：

其中，y为当前残差向量；集合A是其中拥有最大相关系数的维度标号集合，满足：

C为最大相关系数的系数集合，为集合的第j个相关系数；由此计算出u_a，同时定义：

α＝X^Tu_A

下一步LARS更新μ_A采用：

μ_A+＝μ_A+γu_A

其中，min⁺表示取正数部分的最小值；α_j为α向量中的第j个元素并且会把这个最小γ对应的j这个维度加入到选出来的特征维度集合A，形成新的有效集A₊＝A∪{j}；对应m维问题，最多m步结束特征维选取算法，得到当前残差最相关的多项式基及对应系数。

一种电网电压快速评估系统，该系统包括：

历史数据模块，用于存储风光电出力历史数据；

概率分布处理模块，用于根据所述风光电出力历史数据获取新能源出力的概率分布情况；

风光电出力场景模块，用于基于概率分布情况将风光电出力历史数据重新采样，设计覆盖范围均匀的风光电出力场景；

输出数据模块，用于利用预先构建的负荷裕度计算模型，获取与输入的风光电出力场景数据对应的输出数据；

多项式稀疏化处理模块，用于基于风光电出力场景数据和对应的输出数据特征进行多项式稀疏化，得到稀疏多项式混沌展开模型；

电网电压快速评估模块，用于将待评估的风光电出力数据带入稀疏多项式混沌展开模型得到电网电压快速评估结果。

进一步的，还包括：

负荷裕度计算模型构建模块，用于基于获取的风光电额定出力以及机组参数构建负荷裕度计算模型；以及在电网运行环境发生改变时重新构建负荷裕度计算模型。

优点效果：

与现有技术相比，本发明具有如下优点：在电力系统安全风险评估中采用数据驱动的方法建立拟合模型，替代传统求解系统电压稳定性的连续潮流模型，提高了计算效率，同时模型具有较好的回归精度，对待评估电网场景的电压稳定性计算具有较高的准确率。

数据驱动采用了SPCE代理模型，该模型包含了对电网安全稳定运行特征量的提取过程，满足了实时评估模型高速计算要求，具有“稀疏化”特性。算例测试中，评估速度及精度效果较为理想。

附图说明

图1为本发明电网电压快速评估方法的流程图；

图2为基于最小角回归方法对多项式混沌展开的多项式基稀疏化结果；

图3为SPCE计算结果对比常规模型计算结果部分展示图；

图4为本发明电网电压快速评估系统结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

评估电网电压稳定性的经典指标为计算系统负荷裕度，常用连续潮流方法来求取。通过内点法求解系统的最大负荷裕度优化问题也可以获取系统的电压稳定性评价指标。近年来随着机器学习技术的发展，神经网络、支持向量机等学习算法应用于在线负荷裕度评估的技术也逐渐成熟并不断改进。数据驱动的电力网络分析问题，其中一类是不依赖电力系统的物理模型。这类问题可以概括为借助一定关联关系，依据已知数据求解未知数据(data to data，D2D)的过程。通过量测数据求解潮流映射关系等，则属于从数据中挖掘物理模型(data to model，D2M)的问题，是数据驱动的建模。有研究对潮流计算等电网传统问题基于数据驱动方式进行模型拟合，获得了较为理想的效果。因此，本研究基于提升模型对样本的拟合速度及对新样本输出结果的效率目的，提出一种基于稀疏多项式混沌展开的电网电压快速评估方法。

目前对于基于稀疏多项式混沌展开训练样本数据获取模型具有较高的训练效率，同时对于测试样本具有较高的结果输出效率和计算精度。能够应对具有不确定性的电网运行电压稳定性快速评估要求。

实施例1

如图1所示，一种电网电压快速评估方法，该方法包括如下步骤：

步骤1：

根据风光电出力历史数据，通过核密度估计方法获取新能源出力的概率分布情况。基于分布重新采样，设计覆盖范围均匀的风光电出力下的电网运行场景。所述的风光电出力历史数据是风机、光伏电站出力历史数据；历史数据指风光电机组在过去一段时间，时间断面上的发电量。作用在于，基于历史时间上的发电量，建立发电力的概率分布模型，用于训练场景风光电机组发电量的采样。意义在于，通过实际运行数据刻画风光电机组发电量的概率分布，更符合实际运行情况。

其中核密度估计方法公式描述为：

其中，N为样本量，h为带宽，K为核函数；x为待估计概率分布的变量，X_i为x的风光电出力历史数据。

同时选取多个场景分配作为后续稀疏多项式混沌展开模型训练场景，选取不同于训练场景的多个场景作为模型精度验证的测试场景；

步骤2：

基于预先构建的负荷裕度计算模型，获取与输入的风光电出力场景数据对应的输出数据。

所述的负荷裕度计算模型是基于获取的风光电额定出力及机组参数构建的；

获取风光电额定出力及机组参数，即获取电网系统数据，包括电网拓扑描述，线路参数，发电机参数，负荷大小等运行数据，建立常规评价电网电压稳定性的负荷裕度计算模型。这些电网系统数据用于搭建电压运行模型，建立传统电网电压稳定裕度模型。得到风光电出力训练场景对应的电网电压稳定裕度。

其中，负荷裕度的概念描述为：

f(V,X,λ)＝0

P_L,i＝P_L,i(0)+λk_L,iP_L,i(0)

Q_L,i＝Q_L,i(0)+λk_L,iQ_L,i(0)

P_G,i＝P_G,i(0)+λk_G,iP_G,i(0)

其中，λ为负荷裕度，其含义为增加负荷和发电机功率直至系统电压崩溃的最大负荷增长倍数，即同等倍数增长负荷及发电机的功率，直至系统到达临界电压稳定点的负荷可增长量。V表示为节点电压幅值和相角，X表示输入随机变量；P_L,i，Q_L,i为负荷有功、无功功率修正值，P_G,i为发电机出力修正值，P_L,i(0)，Q_L,i(0)为初始状态负荷有功、无功功率，P_G,i(0)为发电机出力修正值；k_L,i及k_G,i分别为负荷和发电机出力随λ变化的常数。

在电网运行环境发生改变时，重新构建负荷裕度计算模型。也就是说，在不同电网运行环境中需要重新构建负荷裕度计算模型，在同一电网运行环境中不需重复构建负荷裕度计算模型。

步骤2中获取的所有数据为后续训练模型的训练样本和测试模型精度的测试样本。将所设计多组的风光电出力作为SPCE模型输入数据，获取对应的负荷裕度作为SPCE模型输出数据。

同时，基于SPCE模型的要求，需要匹配输入的风光电出力数据的分布和所选择的SPCE的正交多项式基类型。本方法中选择Hermite多项式，因此输入数据需处理为正态分布形式。

步骤3：

为避免高维模型中的维数灾难，并且减少弱相关、不相关多项式基对输出量造成影响，采用最小角回归方法选取相关性强的部分并使模型留一检验误差最小，实现PCE模型的稀疏化，即通过优先选取与输出量最大相关性的多项式基，同时保证模型留一检验误差最小条件下，筛选出对应的多项式基作为SPCE模型的成分，稀疏化结果如图2所示。

步骤3在稀疏化前，需要基于选定的正交多项式基类型建立多项式混沌展开集；所述的选定的正交多项式基类型采用正态分布形式的Hermit正交多项式基类型；建立Hermite多项式混沌展开集：

其中，X∈R^M为M维输入变量；Y_n(X)为多元多项式，由变量多项式的张量积表示；y_n(x_i)为变量x_i的Hermite正交多项式；α_n为对应的多项式系数，n∈N^M为表示多项式序号，N^M大小与多项式混沌展开阶数相关，一般情况下采用三阶展开。在电网运行环境发生改变时需要对步骤3得到的系数多项式混沌展开模型进行训练，该训练基于步骤1得到的风光电出力场景。为了确保精度和计算效率，通过步骤1得到的区别于训练稀疏多项式混沌展开模型所用的风光电出力场景验证模型计算效率与精度。也就是说对比分析SPCE模型输出和常规计算模型获得结果数值和计算速度，即对比SPCE的电网电压稳定性计算结果与传统基于潮流的电压稳定性计算结果偏差。对比SPCE的电网电压稳定性计算结果与传统基于潮流的电压稳定性计算时间，验证SPCE模型的精度和效率。

步骤3中最小角回归LAR算法的流程如下：

Step 0:初始化，系数初值为0，候选集为多项式混沌展开集，有效集初始为空集，残差初值为风光电出力场景数据对应的输出数据；

Step 1:找到对当前残差最相关的多项式基；

Step 2:选入当前有效集下，多项式基对残差等相关时的系数。这些多项式基在下一次迭代时仍对残差有最大相关性；

Step 3：计算并储存当前有效集下的留一检验误差；

Step 4：更新有效集系数，将当前相关性最大系数及对应的正交多项式基移入有效集；

Step 5：重复前序步骤，直到留一检验误差实现最小；

完成迭代后，有效集扩充过程中留一检验误差最小的有效集情形被选为最佳稀疏基，也就是稀疏多项式混沌展开模型。

找当前残差最相关的多项式基及对应系数的包括：

待选多项式基集表示多项式混沌展开集中除去对当前残差最相关的多项式基，待选多项式基集X的列向量x1,x2,…,xm都是线性无关的。记A是{1,2,…,m}的一个子集，定义矩阵：

X_A＝(…s_jx_j…)_j∈A

其中，x_j为待选多项式集合X中的第j个元素，符号s_j＝±1；定义G_A＝X_A ^TX_A，以及A_A＝(1_A ^TG_A ^-11_A)^-1/2；其中，1_A表示全1向量，长度和A中元素个数一样；对于X_A的角平分线方向上单位向量u_A可以表示为：

u_A＝X_Aω_A,其中定义

使得和每一个x_j都有相同的角度，并且满足：

X'_Au_A＝A_A1_A,且||u_A||²＝1

定义μ为LAR拟合值，γ为使得μ等于输出响应的值；选取合适的γ使得下一个列向量与当前集合A中向量与残差相关度相等。若当前步骤下的LA预测结果为μ_A，所以多项式基的相关系数为

其中，y为当前残差向量；集合A是其中拥有最大相关系数的维度标号集合，满足：

C为最大相关系数的系数集合，为集合的第j个相关系数；由此计算出u_a，同时定义：

α＝X^Tu_A

下一步LARS更新μ_A采用：

μ_A+＝μ_A+γu_A

其中，min⁺表示取正数部分的最小值，α_j为α向量中的第j个元素并且会把这个最小γ对应的j这个维度加入到选出来的特征维度集合A，形成新的有效集A₊＝A∪{j}；对应m维问题，最多m步就可以结束特征维选取算法。

步骤4：

将待评估的风光电出力数据带入稀疏多项式混沌展开模型，得到电网电压快速评估结果。

如图4所示，一种电网电压快速评估系统，该系统包括：

历史数据模块，用于存储风光电出力历史数据；

概率分布处理模块，用于根据所述风光电出力历史数据获取新能源出力的概率分布情况；

风光电出力场景模块，用于基于概率分布情况将风光电出力历史数据重新采样，设计覆盖范围均匀的风光电出力场景；

输出数据模块，用于利用预先构建的负荷裕度计算模型，获取与输入的风光电出力场景数据对应的输出数据；

多项式稀疏化处理模块，用于基于风光电出力场景数据和对应的输出数据特征进行多项式稀疏化，得到稀疏多项式混沌展开模型；

电网电压快速评估模块，用于将待评估的风光电出力数据带入稀疏多项式混沌展开模型得到电网电压快速评估结果。

电网电压快速评估系统还包括：

负荷裕度计算模型构建模块，用于基于获取的风光电额定出力以及机组参数构建负荷裕度计算模型；以及在电网运行环境发生改变时重新构建负荷裕度计算模型。

以上连接方式一般采用数据通讯方式。

本实施例以基于IEEE-39节点标准测试系统修改成为的含风光并网的电力系统为例进行说明。将IEEE-39节点标准测试系统中的节点2，8，14，22引入风机机组，节点17，19引入光伏电站。风机及光伏出力基于中国西北某风电场和光伏电站的实测数据。

对改进39节点电网运行模型进行1000次运行场景采样，运行场景数据代入最大负荷裕度求解模型中以获取1000个场景下对应的电压稳定裕度，即获取1000组样本。通过1000组样本数据，训练SPCE模型，其中包含了对模型特征多项式基的选择和训练。

最终获得的SPCE模型可以替代传统负荷裕度求解模型计算系统电压稳定裕度的过程，可以对场景运行数据进行快速计算评估，获得场景电压稳定裕度。计算结果选择部分样本展示对比如图3所示。

表1常规方法计算负荷裕度和SPCE计算负荷裕度的效率和精度对比

本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种电网电压快速评估方法，其特征在于：该方法包括如下步骤：

(1)根据风光电出力历史数据，得到新能源出力的概率分布情况；基于分布情况重新采样，设计覆盖范围均匀的风光电出力场景；

(2)基于预先构建的负荷裕度计算模型，获取与输入的风光电出力场景对应的输出数据；

(3)基于风光电出力场景数据和对应的输出数据进行多项式稀疏化，得到稀疏多项式混沌展开模型；

(4)将待评估的风光电出力数据带入稀疏多项式混沌展开模型，得到电网电压快速评估结果。

2.根据权利要求1所述的电网电压快速评估方法，其特征在于：步骤(1)中所述的得到新能源出力的概率分布情况是通过核密度估计方法获取的；

所述的核密度估计方法公式为：

其中，N为样本量，h为带宽，K为核函数；x为待估计概率分布的变量，X_i为x的风光电出力历史数据；

同时选取多个场景分配作为后续稀疏多项式混沌展开模型训练场景，选取不同于训练场景的多个场景作为模型精度验证的测试场景。

3.根据权利要求1所述的电网电压快速评估方法，其特征在于：进一步包括：

在电网运行环境发生改变时，重新构建负荷裕度计算模型。

4.根据权利要求3所述的电网电压快速评估方法，其特征在于：所述的负荷裕度计算模型是基于获取的风光电额定出力及机组参数构建的；

所述的负荷裕度计算模型的公式：

f(V,X,λ)＝0

P_L,i＝P_L,i(0)+λk_L,iP_L,i(0)

Q_L,i＝Q_L,i(0)+λk_L,iQ_L,i(0)

P_G,i＝P_G,i(0)+λk_G,iP_G,i(0)

其中，λ为负荷裕度，其含义为增加负荷和发电机功率直至系统电压崩溃的最大负荷增长倍数；V表示为节点电压幅值和相角，X表示输入随机变量；P_L,i，Q_L,i为负荷有功、无功功率修正值，P_G,i为发电机有功出力修正值，P_L,i(0)，Q_L,i(0)为初始状态负荷有功、无功功率，P_G,i(0)为初始状态发电机有功出力；k_L,i及k_G,i分别为负荷和发电机出力随λ变化的常数。

5.据权利要求1所述的电网电压快速评估方法，其特征在于：步骤(3)在稀疏化前，进一步包括：基于选定的正交多项式基类型建立多项式混沌展开集；

所述的选定的正交多项式基类型采用正态分布形式的Hermit正交多项式基类型；建立Hermite多项式混沌展开集：

其中，X∈R^M为M维输入变量；Y_n(X)为多元多项式，由变量多项式的张量积表示；y_n(x_i)为变量x_i的Hermite正交多项式；α_n为对应的多项式系数，n∈N^M为表示多项式序号，N^M大小与多项式混沌展开阶数相关。

6.根据权利要求1或5所述的电网电压快速评估方法，其特征在于：步骤(3)中所述的多项式稀疏化的实现是采用最小角回归方法选取与输出量最大相关性的多项式基，同时保证模型留一检验误差最小条件下，筛选出对应正交多项式基作为稀疏多项式混沌展开模型的成分。

7.根据权利要求6所述的电网电压快速评估方法，其特征在于：最小角回归方法的操作流程如下：

Step 0:初始化，系数初值为0，候选集为多项式混沌展开集，有效集初始为空集，残差初值为风光电出力场景数据对应的输出数据；

Step 1:找到对当前残差最相关的多项式基；

Step 2:选入当前有效集下，多项式基对残差等相关时的系数；这些多项式基在下一次迭代时仍对残差有最大相关性；

Step 3：计算并储存当前有效集下的留一检验误差；

Step 4：更新有效集系数，将Step 2步骤中当前相关性最大的系数和对应正交多项式基移入有效集

Step 5：重复前序步骤，直到留一检验误差最小；

完成迭代后，有效集扩充过程中留一检验误差最小的有效集情形选为稀疏多项式混沌展开模型。

8.根据权利要求7所述的电网电压快速评估方法，其特征在于：找当前残差最相关的多项式基及对应系数，包括：

待选多项式基集表示多项式混沌展开集中除去对当前残差最相关的多项式基，待选多项式基集X的多项式{x₁,x₂,…,x_m}都是线性无关的；记A是{1,2,…,m}的一个子集，定义矩阵：

X_A＝(…s_jx_j…)_j∈A

其中，x_j为待选多项式集合X中的第j个元素，符号s_j＝±1；定义G_A＝X_A’X_A，以及A_A＝(1_A’G_A ^-11_A)^-1/2；其中，1_A表示全1向量，长度和A中元素个数一样；对于X_A的角平分线方向上单位向量u_A表示为：

u_A＝X_Aω_A,其中定义

使得和每一个x_j都有相同的角度，并且满足：

X'_Au_A＝A_A1_A,且||u_A||²＝1

定义μ为LAR拟合值，γ为使得μ等于输出响应的值；选取合适的γ使得下一个列向量与当前集合A中向量与残差相关度相等；若当前步骤下的LAR预测结果为μ_A，所以当前多项式基的相关系数为：

其中，y为当前残差向量；集合A是其中拥有最大相关系数的维度标号集合，满足：

C为最大相关系数的系数集合，为集合的第j个相关系数；由此计算出u_a，同时定义：

α＝X^Tu_A

下一步LARS更新μ_A采用：

μ_A+＝μ_A+γu_A

其中，min⁺表示取正数部分的最小值；α_j为α向量中的第j个元素并且会把这个最小γ对应的j这个维度加入到选出来的特征维度集合A，形成新的有效集A₊＝A∪{j}；对应m维问题，最多m步结束特征维选取算法，得到当前残差最相关的多项式基及对应系数。

9.一种电网电压快速评估系统，其特征在于：该系统包括：

历史数据模块，用于存储风光电出力历史数据；

概率分布处理模块，用于根据所述风光电出力历史数据获取新能源出力的概率分布情况；

风光电出力场景模块，用于基于概率分布情况将风光电出力历史数据重新采样，设计覆盖范围均匀的风光电出力场景；

输出数据模块，用于利用预先构建的负荷裕度计算模型，获取与输入的风光电出力场景数据对应的输出数据；

多项式稀疏化处理模块，用于基于风光电出力场景数据和对应的输出数据特征进行多项式稀疏化，得到稀疏多项式混沌展开模型；

电网电压快速评估模块，用于将待评估的风光电出力数据带入稀疏多项式混沌展开模型得到电网电压快速评估结果。

10.根据权利要求9所述的电网电压快速评估系统，其特征在于：还包括：

负荷裕度计算模型构建模块，用于基于获取的风光电额定出力以及机组参数构建负荷裕度计算模型；以及在电网运行环境发生改变时重新构建负荷裕度计算模型。