CN110991122B - 用神经网络和交叉熵采样的风电电力系统可靠性估测方法 - Google Patents

Abstract

本发明公开了一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法。利用历史风电数据，对电力系统网络模型进行训练，对风电场风速的概率分布进行估计；对高斯随机噪声进行采样，将采样后的高斯随机噪声通过电力系统网络模型的生成网络处理输出风速，通过求解计算电力不足时间概率和电力不足期望的两个可靠性参数，实现对含风电场电力系统的高效可靠性估测。本发明在考虑多个风电场风速大小的空间相关性的前提下，对风电场风速的概率分布进行估测，并实现高效的系统状态采样和可靠性估测。

Description

用神经网络和交叉熵采样的风电电力系统可靠性估测方法

技术领域

本发明属于电力系统领域的一种电力数据估测方法，具体是涉及一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法。

背景技术

由于风电具有很强的随机性和不稳定性，其接入将会对电力系统的供需平衡造成扰动，从而影响电力系统的可靠性。因此对含风电场的电力系统的可靠性估测具有重要意义。

目前对含风电场的电力系统的可靠性估测，主流的方法是用蒙特卡洛法对电力系统运行的状态进行采样，并计算对应的可靠性参数。但是该方法存在的问题是，对于高可靠性系统，蒙特卡洛法需要通过大量的采样以达到收敛，对计算资源的要求很高。

因此，现有技术中针对含风电场的电力系统缺少了有效的可靠性估测，也缺少了能根据准确的可靠性结果进行稳定提高。

发明内容

为了解决背景技术中存在的问题，本发明目的在于提供了一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法，在考虑多个风电场风速大小的空间相关性的前提下，对风电场风速的概率分布进行估测，并实现高效的系统状态采样和可靠性估测。本发明考虑的电力系统中的发电机组，包含火电机组和风电机组。

为解决上述的技术问题，本发明采用以下技术方案：

1)利用历史风电数据，对电力系统网络模型进行训练，对风电场风速的概率分布进行估计；

2)利用交叉熵(Cross entropy，CE)采样对高斯随机噪声进行采样，将采样后的高斯随机噪声通过电力系统网络模型的生成网络处理输出风速，通过求解计算电力不足时间概率(Loss-of-load probability，LOLP)和电力不足期望(Expected power not served，EPNS)的两个可靠性参数，实现对含风电场电力系统的高效可靠性估测。

所述1)具体为：

1.1)建立电力系统网络模型，电力系统网络模型是由生成网络和判别网络的两部分连接构成，判别网络的输入是生成网络的输出，生成网络的输入是判别网络的输出；以历史风速数据集W＝{S₁,S₂,…,S_n}作为电力系统网络模型的训练数据集，S_i表示i时刻的风速矢量，

N_W为风电场的总数，

为第i时刻第j个风电场的风速；

生成网络输入高斯随机噪声，高斯随机噪声为满足独立同分布的多维随机矢量V。

1.2)从历史风速数据集W中随机采样k组数据{S₍₁₎,S₍₂₎,…,S_(k)}，同时随机生成k组高斯随机噪声{V₍₁₎,V₍₂₎,…,V_(k)}；

1.3)利用梯度上升法进行判别网络的训练：

θ_D+γ_Dg_D→θ_D (2)

其中，D(x；θ_D)是判别网络的输出，表示输入数据x来自历史风速数据集W的概率，θ_D为判别网络的网络权重；G(V_(j)；θ_G)是生成网络的输出，θ_G为生成网络的网络权重；γ_D为判别网络的学习率；输入数据x为判别网络的输入/生成网络的输出，向左箭头表示赋值，g_D表示判别网络的梯度，

表示对θ_D的求导计算；

由上述公式可见，通过判别网络训练把正确判断所有输入数据的类型(来自历史风速数据集W或来自生成网络)的概率最大化。

1.4)再次随机生成k组高斯随机噪声{V₍₁₎,V₍₂₎,…,V_(k)}；

1.5)利用梯度下降法进行生成网络的训练：

θ_G←θ_G-γ_Gg_G (4)

其中，γ_G为生成网络的学习率，g_G表示生成网络的梯度，

表示对θ_G的求导计算；

由上述公式可见，通过生成网络训练把判别网络将所有生成网络生成的数据错判为来自历史风速数据集W的概率最大化。

1.6)不断重复上述步骤1.2)～1.5)进行迭代处理，如果已达到最大迭代次数，则结束训练，否则返回步骤2)开始下一次迭代训练。

1.7)训练获得了训练后的电力系统网络模型，即获得了判别网络的网络权重θ_D和生成网络的网络权重θ_G；。

通过训练，电力系统网络模型将实现对历史风速数据集W分布的估计，具体表现使得生成网络学习并建立一个从多维随机矢量V服从的分布到历史风速数据集W服从的分布的映射，电力系统网络模型以高斯随机噪声作为输入，通过训练能生成历史风速数据集的同样分布的数据集。

所述2)具体为：

2.1)采用交叉熵(Cross entropy，CE)采样对高斯随机噪声进行采样，对于采样得到的每一个噪声值，输入到电力系统网络模型的生成网络转化输出为风速w；然后建立以下风电转化模型，计算风速w下风电机组的功率出力P_w：

其中，w_ci、w_r、w_co分别为风电机组的切入风速、额定风速和切出风速，P_r为风电机组的风机额定功率，A、B、C分别为风电机组的第一、第二、三运行参数；

2.2)上述步骤每次采样并处理风电机组的功率出力P_w，采用以下方式处理：

对于第t次采样得到的风电机组的功率出力

采用求解以下最优潮流模型(Optimal power flow，OPF)计算得到对应的第t次采样的电力系统切负荷总量LC_t：

s.t.

|B_L(Θ_f-Θ_t)|≤F_max (9)

0≤P_LC≤P_d (12)

其中，Θ是电力系统中节点的电压相位角向量，P_g和

是分别是火电机组和风电机组的实际出力向量，P_LC是节点切负荷量向量，e是单位向量，B_bus和B_L分别是是节点导纳矩阵和线路导纳矩阵，Θ_f和Θ_t分别是节点送端电压向量和节点受端电压向量，C_g和C_w分别是火电机组和风电机组的连接矩阵，F_max是线路潮流上限矩阵；

和

分别是火电机组出力上限和下限向量，P_d表示电力系统的负荷向量，T表示矩阵转置；

电力系统是由多个节点，节点为电力系统网络中连接三个或三个以上支路的点，火电机组和风电机组连接在节点上。

2.3)利用各次采样获得的电力系统切负荷总量LC_t，通过以下公式计算电力不足时间概率参数(LOLP)和电力不足期望参数(EPNS)作为可靠性的估测：

其中，I(·)为指示函数(Indicator function)，N_z为总采样数，W_t为第t次采样对应的权重。

在获得计算电力不足时间概率(LOLP)和电力不足期望(EPNS)两个可靠性参数后，进行判断：

若电力不足时间概率参数(LOLP)和电力不足期望参数(EPNS)小于预设的可靠阈值，则认为电力系统稳定可靠。

若电力不足时间概率参数(LOLP)和电力不足期望参数(EPNS)大于可靠阈值，则认为电力系统不稳定可靠，进而提高电力系统的备用容量，进而使得电力系统稳定可靠，优化提高电力系统可靠性。

所述2)中采用交叉熵(Cross entropy，CE)采样对高斯随机噪声进行采样。

所述电力系统为含风电场的电力系统。

本发明在考虑多个风电场风速大小的空间相关性的前提下，对风电场风速的概率分布进行估测，并实现高效的系统状态采样和可靠性估测。

本发明的有益效果是：

本发明提出的含风电场的电力系统可靠性估测方法，解决了单纯的CE采样只能应用于对显式概率分布的采样的困难，从而提高了对含风电场电力系统的可靠性估测效率。

附图说明

图1为本发明方法估测流程图。

图2为典型IEEE RTS-79系统。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

以下结合实施例及其附图作进一步说明。

按照本发明内容完整方法实施的实施例如下：

1)利用历史风电数据，对电力系统网络模型进行训练，对风电场风速的概率分布进行估计；

1.1)建立电力系统网络模型，电力系统网络模型是由生成网络和判别网络的两部分连接构成，判别网络的输入是生成网络的输出，生成网络的输入是判别网络的输出；以历史风速数据集W＝{S₁,S₂,…,S_n}作为电力系统网络模型的训练数据集，S_i表示i时刻的风速矢量，

N_W为风电场的总数，

为第i时刻第j个风电场的风速。

1.2)从历史风速数据集W中随机采样k组数据{S₍₁₎,S₍₂₎,…,S_(k)}，同时随机生成k组高斯随机噪声{V₍₁₎,V₍₂₎,…,V_(k)}；

1.3)利用梯度上升法进行判别网络的训练：

1.4)再次随机生成k组高斯随机噪声{V₍₁₎,V₍₂₎,…,V_(k)}；

1.5)利用梯度下降法进行生成网络的训练：

1.6)不断重复上述步骤1.2)～1.5)进行迭代处理，如果已达到最大迭代次数，则结束训练，否则返回步骤2)开始下一次迭代训练。

1.7)训练获得了训练后的电力系统网络模型。

2)利用交叉熵采样对高斯随机噪声进行采样，将采样后的高斯随机噪声通过电力系统网络模型的生成网络处理输出风速，通过求解计算电力不足时间概率(Loss-of-loadprobability，LOLP)和电力不足期望(Expected power not served，EPNS)的两个可靠性参数，实现对含风电场电力系统的高效可靠性估测。

2.1)采用交叉熵(Cross entropy，CE)采样对高斯随机噪声进行采样，对于采样得到的每一个噪声值，输入到电力系统网络模型的生成网络转化输出为风速w；然后建立以下风电转化模型，计算风速w下风电机组的功率出力P_w。

2.2)上述步骤每次采样并处理风电机组的功率出力P_w，采用以下方式处理：

对于第i次采样得到的风电机组的功率出力

采用求解最优潮流模型计算得到对应的第i次采样的电力系统切负荷总量LC_i。

2.3)利用各次采样获得的电力系统切负荷总量LC_i，计算电力不足时间概率参数(LOLP)和电力不足期望参数(EPNS)作为可靠性的估测。

具体实施以典型IEEE RTS-79系统为例，计算典型IEEE RTS-79系统的可靠性，系统如附图2所示。系统中共有10台火电机组和8台风电机组，风电历史数据来自浙江电网真实运行数据，计算LOLP和EPNS的两个可靠性参数。

本发明方法的实施结果与文献《Integration Capability Evaluation of Windand Photovoltaic Generation in Power Systems Based on Temporal and SpatialCorrelations》(Energies,2019,12,(1),pp.171)中提出的方法进行对比。本发明的估测误差相对低14.2％，估测计算时间仅为其25.1％，由此可见估测准确性大大提高。

在具体实施中，根据两个可靠性参数可再对电力系统进行优化，在电力不足时间概率参数(LOLP)和电力不足期望参数(EPNS)大于可靠阈值情况下，采取提高电力系统的备用容量的措施，进而使得电力系统稳定可靠，优化提高电力系统可靠性。

由此可见本发明的方法可以更精确和高效地计算电力系统可靠性参数。

Claims (4)

1.一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法，其特征在于方法包括以下步骤：

1)利用历史风电数据，对电力系统网络模型进行训练，对风电场风速的概率分布进行估计；

所述1)具体为：

1.1)建立电力系统网络模型，电力系统网络模型是由生成网络和判别网络的两部分连接构成；以历史风速数据集W＝{S₁,S₂,…,S_n}作为电力系统网络模型的训练数据集，S_i表示i时刻的风速矢量，

N_W为风电场的总数，

为第i时刻第j个风电场的风速；

1.2)从历史风速数据集W中随机采样k组数据{S₍₁₎,S₍₂₎,…,S_(k)}，同时随机生成k组高斯随机噪声{V₍₁₎,V₍₂₎,…,V_(k)}；

1.3)利用梯度上升法进行判别网络的训练：

θ_D+γ_Dg_D→θ_D (2)

其中，D(x；θ_D)是判别网络的输出，表示输入数据x来自历史风速数据集W的概率，θ_D为判别网络的网络权重；G(V_(j)；θ_G)是生成网络的输出，θ_G为生成网络的网络权重；γ_D为判别网络的学习率；输入数据x为判别网络的输入/生成网络的输出，箭头表示赋值，g_D表示判别网络的梯度，

表示对θ_D的求导计算；

1.4)再次随机生成k组高斯随机噪声{V₍₁₎,V₍₂₎,…,V_(k)}；

1.5)利用梯度下降法进行生成网络的训练：

θ_G←θ_G-γ_Gg_G (4)

其中，γ_G为生成网络的学习率，g_G表示生成网络的梯度，

表示对θ_G的求导计算；

1.6)不断重复上述步骤1.2)～1.5)进行迭代处理，如果已达到最大迭代次数，则结束训练，否则返回步骤2)开始下一次迭代训练；

1.7)训练获得了训练后的电力系统网络模型；

2)对高斯随机噪声进行采样，将采样后的高斯随机噪声通过电力系统网络模型的生成网络处理输出风速，通过求解计算电力不足时间概率和电力不足期望的两个可靠性参数，实现对含风电场电力系统的高效可靠性估测。

2.根据权利要求1所述的一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法，其特征在于：所述2)具体为：

2.1)对高斯随机噪声进行采样，对于采样得到的每一个噪声值，输入到电力系统网络模型的生成网络转化输出为风速w；然后建立以下风电转化模型，计算风速w下风电机组的功率出力P_w：

其中，w_ci、w_r、w_co分别为风电机组的切入风速、额定风速和切出风速，P_r为风电机组的风机额定功率，A、B、C分别为风电机组的第一、第二、三运行参数；

2.2)上述步骤每次采样并处理风电机组的功率出力P_w，采用以下方式处理：

对于第t次采样得到的风电机组的功率出力

采用求解以下最优潮流模型计算得到对应的第t次采样的电力系统切负荷总量LC_t：

|B_L(Θ_f-Θ_t)|≤F_max (9)

0≤P_LC≤P_d (12)

其中，Θ是电力系统中节点的电压相位角向量，P_g和

是分别是火电机组和风电机组的实际出力向量，P_LC是节点切负荷量向量，e是单位向量，B_bus和B_L分别是是节点导纳矩阵和线路导纳矩阵，Θ_f和Θ_t分别是节点送端电压向量和节点受端电压向量，C_g和C_w分别是火电机组和风电机组的连接矩阵，F_max是线路潮流上限矩阵；

和

分别是火电机组出力上限和下限向量，P_d表示电力系统的负荷向量，T表示矩阵转置；

2.3)利用各次采样获得的电力系统切负荷总量LC_t，通过以下公式计算电力不足时间概率参数(LOLP)和电力不足期望参数(EPNS)作为可靠性的估测：

其中，I(×)为指示函数(Indicator function)，N_z为总采样数，W_t为第t次采样对应的权重。

3.根据权利要求1所述的一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法，其特征在于：所述2)中采用交叉熵(Cross entropy，CE)采样对高斯随机噪声进行采样。

4.根据权利要求1所述的一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法，其特征在于：所述电力系统为含风电场的电力系统。

Images