CN112232714A - 一种基于深度学习的结构参数不完备下配电网风险评估方法 - Google Patents

一种基于深度学习的结构参数不完备下配电网风险评估方法 Download PDF

Info

Publication number
CN112232714A
CN112232714A CN202011296072.7A CN202011296072A CN112232714A CN 112232714 A CN112232714 A CN 112232714A CN 202011296072 A CN202011296072 A CN 202011296072A CN 112232714 A CN112232714 A CN 112232714A
Authority
CN
China
Prior art keywords
distribution network
power distribution
parameter information
power
structural parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011296072.7A
Other languages
English (en)
Other versions
CN112232714B (zh
Inventor
肖浩
裴玮
杨艳红
马腾飞
孔力
王新迎
张国宾
王天昊
马世乾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Institute of Electrical Engineering of CAS
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Institute of Electrical Engineering of CAS
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Institute of Electrical Engineering of CAS, China Electric Power Research Institute Co Ltd CEPRI, State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011296072.7A priority Critical patent/CN112232714B/zh
Publication of CN112232714A publication Critical patent/CN112232714A/zh
Application granted granted Critical
Publication of CN112232714B publication Critical patent/CN112232714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于深度学习的结构参数不完备下配电网风险评估方法，步骤为：1)统计配电网中结构参数信息不完备区域的外部可获取历史运行数据，采用深度学习训练建立其等值封装模型；2)根据日前预测的区域所在地气象数据以及电价数据，代入等值模型，预测结构参数信息不完备区域与配电网之间的关口交互功率的概率分布；3)构造等效估计点并进行配电网概率潮流计算；4)统计配电网中状态变量的概率分布，完成配电网整体运行风险评估。本发明可实现配电网在结构参数不完备下的运行风险评估，避免了传统解析法与随机抽样法需要完备信息进行概率潮流计算和风险评估的问题，有助于提高配电网分布式可再生能源的接入水平、提升配电网运行安全性和可靠性。

Description

一种基于深度学习的结构参数不完备下配电网风险评估方法
技术领域
本发明涉及一种结构参数不完备下配电网风险评估方法。
背景技术
近年来，分布式光伏、风电等分布式电源发展迅猛，在配电网中接入渗透率逐年增长。由于分布式光伏、风电的强随机性和不确定性，导致配电网运行的风险也大幅攀升。与此同时，由于配电网信息化建设的相对滞后，尤其是农村配电网，仍存在大量信息采集的‘盲区’，使得配电网在风险评估中很难获取完备的系统结构参数信息，这对于地区配电网的风险管控和安全稳定运行带来了严峻的挑战，因此如何合理有效地评估随机性分布式电源大量接入以及网络结构参数不明晰的情形下的配电网运行风险成为地区电网调控中心迫切需要解决的关键问题。
目前，针对配电网运行风险的评估，主要的分析评估方法包括解析法与随机抽样法两大类。第一类解析法主要通过分析分布式能源和负荷随机变量的概率密度函数，求取各阶矩信息来获取各节点输入功率波动量的半不变量或估计点，然后代入半不变量或估计点进行确定性潮流计算，获取输出节点电压幅值、相角等状态变量的半不变量或估计点，最后再根据级数展开方法拟合状态变量的概率分布以及评估系统运行风险。第二类随机抽样法则通过随机抽样生成大量描述分布式能源和负荷出力不确定性的样本，然后针对这些样本进行大量潮流计算，最后再统计潮流结果拟合输出节点电压幅值、相角等状态变量的概率分布。但不论上述哪种方式，均需要获悉全部的网络结构参数信息，进而才能进行完整潮流计算来获取输出节点电压幅值、相角等状态变量，因此其针对结构参数信息不完备下的配电网风险评估分析很难继续适用。
发明内容
本发明的目的克服现有技术的不足，提供一种基于深度学习配电网风险评估方法，实现结构参数不完备下的配电网运行风险建模，解决传统解析法与随机抽样法需要完备信息进行概率潮流计算和风险评估的问题，为配电网风险管控策略的制定奠定基础，有助于提升配电网运行可靠性，提升分布式可再生能源的接入水平，对分布式能源及配电网的合理有序发展具有重要的理论和现实意义。
本发明基于深度学习的结构参数不完备下配电网风险评估方法，包括以下步骤：
(1)统计结构参数信息不完备区域的外部可获取历史运行数据，如当地历史风速、光照、电价、温度以及该区域与配电网之间的关口交互功率，训练建立结构参数信息不完备区域的等值模型；
(2)预测日前的风速、光照、温度等气象数据以及电价数据的概率分布，代入结构参数信息不完备区域的等值模型，计算该区域与配电网之间的关口交互功率的概率分布；
(3)根据预测的结构参数信息不完备区域与配电网之间的关口交互功率概率分布，构造等效估计点，进行配电网概率潮流计算；
(4)统计配电网概率潮流计算结果，分析配电网中各节点电压幅值、相角等状态变量的概率分布，评估配电网整体运行风险。
所述步骤(1)中，统计结构参数信息不完备区域的外部可获取历史运行数据，包括当地历史风速、光照、电价、温度以及该区域与配电网之间的关口交互功率，训练建立结构参数信息不完备区域的等值模型；具体包括数据的预处理、区域等值模型封装训练、训练模型的测试验证与更新等步骤：
步骤(1-1)：统计分析结构参数信息不完备区域的外部可获取历史运行数据，如当地历史光照、风速、温度、电价以及该区域与配电网之间的关口交互功率，对其进行数据标幺化、训练集与测试集划分等预处理，如式(1)所示：
Figure BDA0002785346460000021
式中，Ds代表光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率的历史数据集合，M为历史数据的总天数，Lk、Wk、Tk、Ek、Pg,k分别代表第k天的光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率数据集，
Figure BDA0002785346460000031
分别代表第k天第d时段的光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率，N代表每天数据集的总时段数，
Figure BDA0002785346460000032
代表历史数据集合标幺化之后的数据集合，min(·)代表取极小值，max(·)代表取极大值，
Figure BDA0002785346460000033
代表从标幺化之后的数据集合中取出的训练集，
Figure BDA0002785346460000034
代表从标幺化之后的数据集合中取出的测试集，ε代表训练集所占的比例。
步骤(1-2)：采用长短时记忆神经网络(LSTM)对训练集数据进行学习训练，建立结构参数信息不完备区域的等值封装模型，如公式(2)所示：
Figure BDA0002785346460000035
式中，xt代表当前迭代第t步从训练数据集
Figure BDA0002785346460000036
中取出的光照、风速、温度以及电价的数据集合；ht-1代表当前迭代第t步之前从训练数据集
Figure BDA0002785346460000037
中累积取出的结构参数信息不完备区域与配电网之间的关口交互功率集合；ft代表当前迭代第t步对应的遗忘门输出，wf和bf为遗忘层中各神经元的权值系数和偏置系数，σ(·)代表s型曲线函数，it代表当前迭代第t步输入层的输出，wi和bi为输入层中各神经元的权值系数和偏置系数，
Figure BDA0002785346460000038
代表当前迭代第t步卷积层的预估输出，wc和bc为卷积层中各神经元的权值系数和偏置系数，tanh(·)代表双曲正切函数，ct代表当前迭代第t步卷积层的实际输出，ot代表当前迭代第t步输出层输出，wo和bo为输出层中各神经元的权值系数和偏置系数，ht代表当前迭代第t步实际预测得到的结构参数信息不完备区域与配电网之间的关口交互功率。
步骤(1-3)：代入测试集数据对等值封装模型进行测试验证，根据反馈结果优化计算并更新长短时记忆神经网络(LSTM)的各层神经元的权值系数和偏置系数，直至均方根误差收敛：
1)首先代入测试集数据到等值封装模型，计算结构参数信息不完备区域与配电网之间的关口交互功率的预测值：
Figure BDA0002785346460000039
式中，
Figure BDA0002785346460000041
代表结构参数信息不完备区域与配电网之间的关口交互功率的预测值；xtest代表从测试数据集
Figure BDA0002785346460000042
中取出的光照、风速、温度以及电价的数据集合；Fgrid(·)代指步骤(1-2)计算得到的参数信息不完备区域的等值封装模型。
2)将结构参数信息不完备区域与配电网之间的关口交互功率的预测值与实际值比较，计算当前封装模型的预测均方根误差，如下式所示：
Figure BDA0002785346460000043
式中，RMSE代表当前训练封装等值模型的预测均方根误差；M为预测总时段数，t为时段编号，
Figure BDA0002785346460000044
代表从测试数据集
Figure BDA0002785346460000045
中取出的结构参数信息不完备区域与配电网之间的关口交互功率实际采样值，
Figure BDA0002785346460000046
代表采用公式(3)预测得到的结构参数信息不完备区域与配电网之间的关口交互功率预测值。
3)以统计得到的当前封装模型的预测均方根误差为目标，以长短时记忆神经网络(LSTM)的各层神经元的权值系数为优化决策变量，采用粒子群算法优化计算并调整长短时记忆神经网络(LSTM)的各层神经元的权值系数和偏置系数，直至目标收敛。如下式所示：
Figure BDA0002785346460000047
式中，RMSE指代采用等值封装模型进行功率预测的均方根误差；
Figure BDA0002785346460000048
分别为卷积层权值系数的最小和最大取值；
Figure BDA0002785346460000049
分别为卷积层偏置系数的最小最大取值；
Figure BDA00027853464600000410
Figure BDA00027853464600000411
分别为输入层权值系数的最小和最大取值；
Figure BDA00027853464600000412
分别为输入层偏置系数的最小最大取值；
Figure BDA00027853464600000413
分别为遗忘层权值系数的最小和最大取值；
Figure BDA00027853464600000414
分别为遗忘层偏置系数的最小最大取值；
Figure BDA00027853464600000415
分别为输出层权值系数的最小和最大取值；
Figure BDA00027853464600000416
分别为输出层偏置系数的最小最大取值。
所述步骤(2)中，预测日前的光照、风速、温度等气象数据以及电价数据的概率分布，代入结构参数信息不完备区域的等值模型，计算该区域与配电网之间的关口交互功率的概率分布，主要包括依据日前预测的光照、风速、温度等气象数据以及电价数据的概率分布进行数据样本抽样、结构参数信息不完备区域与配电网之间的关口交互功率的模拟计算、结构参数信息不完备区域与配电网之间的关口交互功率的概率分布统计等步骤：
步骤(2-1)：依据日前预测的光照、风速、温度等气象数据以及电价数据的概率分布，采用拉丁方抽样生成大量模拟数据样本，如式(6)所示：
Figure BDA0002785346460000051
其中，xpv、xwind、xTP、xprice分别代表第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本，
Figure BDA0002785346460000052
分别为日前预测的风速、光照、温度以及电价数据的概率分布函数，N为拉丁方抽样的总样本规模数，rn代表服从均匀分布的0到1之间的随机数，k为拉丁方抽样的次序编号。
步骤(2-2)：调用步骤(1)得到的结构参数信息不完备区域的等值模型，模拟计算和预测该区域与配电网之间的关口交互功率：
Figure BDA0002785346460000053
其中，xpv、xwind、xTP、xprice分别代表第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本，Fgrid(·)代指步骤(1-2)计算得到的参数信息不完备区域的等值封装模型，xpre代指由第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本所构成的数据集；
Figure BDA0002785346460000054
代表模拟计算得到的结构参数信息不完备区域与配电网之间的关口交互功率所构成的数据集。
步骤(2-3)：统计所预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集，拟合其概率分布：
Figure BDA0002785346460000061
其中，
Figure BDA0002785346460000062
别代表预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集中第1个、第2个、第j个以及第N个分量的取值；N为预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集的维度；μ、σ、λ分别为预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集的均值、方差以及偏度，E[·]为求期望算子。
所述步骤(3)中，根据预测的结构参数信息不完备区域与配电网之间的关口交互功率概率分布，构造等效估计点，进行配电网概率潮流计算。具体包括等效估计点的构造、点估计的配电网概率潮流计算等步骤：
步骤(3-1)：根据步骤(2)预测得到的结构参数信息不完备区域与配电网之间的关口交互功率概率分布的统计信息，构造等效估计点，如公式(9)所示：
zk＝μ+ξkσ k＝1,2 (9)
其中，zk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点，这里k的取值为1或2；ξk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个位置度量系数，由结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度λ通过公式(10)计算得到：
Figure BDA0002785346460000063
其中，ξk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个位置度量系数，k表示估计点编号，取值为1或2；λ为结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度。
步骤(3-2)：以构造的结构参数信息不完备区域与配电网之间的关口交互功率数据集的等效估计点为输入，进行配电网潮流计算。
1)对于构造的结构参数信息不完备区域与配电网之间的关口交互功率数据集的等效估计点，通过公式(11)计算这些估计点在配电网潮流计算中所占权重系数：
Figure BDA0002785346460000071
其中，θk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点在潮流计算中所占的权重系数，π为计算中间变量，由结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度λ计算得到，k表示估计点编号。
2)导入结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的估计点zk，进行配电网潮流计算；如公式(12)所示：
Pj(k)＝f(z1,k,…,zi,k,…,zM,k,…,zM+1,k,…,z2M,k) k＝1,2 (12)
其中，Pj(k)为配电网在第k个估计点为输入时的第j个输出状态变量的取值；f(·)为配电网潮流计算方程；M为结构参数信息不完备区域的个数，k表示估计点编号。
所述步骤(4)中，统计配电网概率潮流计算结果，分析配电网中各节点电压幅值、相角等输出状态变量的概率分布，评估配电网整体运行风险。具体包括各输出状态变量的各阶矩概率分布信息统计、各输出状态变量越限值及越限严重度计算、配电网整体运行风险评估等步骤：
步骤(4-1)：根据步骤(3)配电网概率潮流计算结果，统计分析配电网各节点电压幅值、相角等输出状态变量的各阶矩概率分布信息，如公式(13)所示：
Figure BDA0002785346460000072
其中，Pj(k)为配电网在第k个估计点为输入时的第j个输出状态变量的取值。[Pj(k)]p代表对Pj(k)求取p次幂，θk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点在潮流计算中所占的权重系数，M为结构参数信息不完备区域的个数；
Figure BDA0002785346460000073
代指配电网中第j个输出状态变量Pj的p阶矩，p取1时E(Pj)代表第j个输出状态变量Pj的一阶矩，取2时
Figure BDA0002785346460000074
代表第j个输出状态变量Pj的二阶矩，
Figure BDA0002785346460000075
为配电网中第j个输出状态变量Pj的方差。
步骤(4-2)：计算配电网中各节点电压、支路电流等输出状态变量的越限值和越限严重度，如下式所示：
Figure BDA0002785346460000081
Figure BDA0002785346460000082
Figure BDA0002785346460000083
其中，i为配电网中节点的编号，j为配电网中支路的编号；Vout,i为节点i的电压越限值，Iout,j为支路j的电流越限值，Ui、Ui,min、Ui,max分别为节点i的实际电压值、最小允许电压幅值及最大允许电压幅值；Ij为支路j的实际运行电流、Ij,max为支路j的最大允许电流幅值；Sev(Vout,i)为第i个节点的电压越限严重度，Sev(Iout,j)为第j条支路的电流越限严重度，Ai、Bi、Ci分别为第i个节点的电压越限严重度函数的拟合参数，αj、βj、δj分别为第j条支路的电流越限严重度函数拟合参数，exp(·)代表以自然常数e为底的指数函数，Out表示电压或电流的越限值。
步骤(4-3)：依据配电网中各节点电压、支路电流等输出状态变量的越限值、越限严重度、越限概率，计算评估配电网整体运行风险，如下式所示：
Figure BDA0002785346460000084
其中，R为系统总运行风险值，i为配电网中节点的编号，D为配电网总节点数，j为配电网中支路的编号，L为配电网总支路数；
Figure BDA0002785346460000088
为节点i的电压累积分布函数，
Figure BDA0002785346460000085
为支路j的电流累积分布函数，Sev(Vout,i)为节点i的电压越限严重度，Sev(Iout,j)为支路j的电流越限严重度。
Figure BDA0002785346460000086
可由公式(13)中各节点电压状态变量的概率分布信息，计算相应的节点电压概率密度函数，然后再对概率密度函数积分求解得到。
Figure BDA0002785346460000087
可由公式(13)中各支路电流状态变量的概率分布信息，计算相应的支路电流概率密度函数，然后再对概率密度函数积分求解得到。
附图说明
图1为基于深度学习的结构参数不完备下配电网风险评估流程图。
具体实施方式
本发明基于深度学习的结构参数不完备下配电网风险评估方法主要包括：
(1)统计结构参数信息不完备区域的外部可获取历史运行数据，如当地历史风速、光照、电价、温度以及该区域与配电网之间的关口交互功率，训练建立结构参数信息不完备区域的等值模型；
(2)预测日前的风速、光照、温度等气象数据以及电价数据的概率分布，代入结构参数信息不完备区域的等值模型，计算该区域与配电网之间的关口交互功率的概率分布；
(3)根据预测的结构参数信息不完备区域与配电网之间的关口交互功率概率分布，构造等效估计点，进行配电网概率潮流计算；
(4)统计配电网概率潮流计算结果，分析配电网中各节点电压幅值、相角等状态变量的概率分布，评估配电网整体运行风险。
本发明可实现配电网在结构参数不完备下的运行风险评估，有效避免传统解析法与随机抽样法需要完备信息进行概率潮流计算和风险评估的问题，有助于提升配电网运行可靠性，提升分布式可再生能源的接入水平，具有较好的应用前景。
本发明风险评估流程如图1所示，包括以下步骤：
1、统计结构参数信息不完备区域的外部可获取历史运行数据，如当地历史风速、光照、电价、温度以及该区域与配电网之间的关口交互功率，训练建立结构参数信息不完备区域的等值模型。
(1)统计分析结构参数信息不完备区域的外部可获取历史运行数据，如当地历史光照、风速、温度、电价以及该区域与配电网之间的关口交互功率，对其进行数据标幺化、训练集与测试集划分等预处理，如式(1)所示：
Figure BDA0002785346460000091
式中，Ds代表光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率的历史数据集合，M为历史数据的总天数，Lk、Wk、Tk、Ek、Pg,k分别代表第k天的光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率数据集，
Figure BDA0002785346460000101
分别代表第k天第d时段的光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率，N代表每天数据集的总时段数，
Figure BDA0002785346460000102
代表历史数据集合标幺化之后的数据集合，min(·)代表取极小值，max(·)代表取极大值，
Figure BDA0002785346460000103
代表从标幺化之后的数据集合中取出的训练集，
Figure BDA0002785346460000104
代表从标幺化之后的数据集合中取出的测试集，ε代表训练集所占的比例。
(2)采用长短时记忆神经网络(LSTM)对训练集数据进行学习训练，建立结构参数信息不完备区域的等值封装模型，如公式(2)所示：
Figure BDA0002785346460000105
式中，xt代表当前迭代第t步从训练数据集
Figure BDA0002785346460000106
中取出的光照、风速、温度以及电价的数据集合；ht-1代表当前迭代第t步之前从训练数据集
Figure BDA0002785346460000107
中累积取出的结构参数信息不完备区域与配电网之间的关口交互功率集合；ft代表当前迭代第t步对应的遗忘门输出，wf和bf为遗忘层中各神经元的权值系数和偏置系数，σ(·)代表s型曲线函数，it代表当前迭代第t步输入层的输出，wi和bi为输入层中各神经元的权值系数和偏置系数，
Figure BDA0002785346460000108
代表当前迭代第t步卷积层的预估输出，wc和bc为卷积层中各神经元的权值系数和偏置系数，tanh(·)代表双曲正切函数，ct代表当前迭代第t步卷积层的实际输出，ot代表当前迭代第t步输出层输出，wo和bo为输出层中各神经元的权值系数和偏置系数，ht代表当前迭代第t步实际预测得到的结构参数信息不完备区域与配电网之间的关口交互功率。
(3)代入测试集数据对等值封装模型进行测试验证，根据反馈结果优化计算并更新长短时记忆神经网络(LSTM)的各层神经元的权值系数和偏置系数，直至均方根误差收敛：
1)首先代入测试集数据到等值封装模型，计算结构参数信息不完备区域与配电网之间的关口交互功率的预测值：
Figure BDA0002785346460000111
式中，
Figure BDA0002785346460000112
代表结构参数信息不完备区域与配电网之间的关口交互功率的预测值；xtest代表从测试数据集
Figure BDA0002785346460000113
中取出的光照、风速、温度以及电价的数据集合；Fgrid(·)代指步骤(1-2)计算得到的参数信息不完备区域的等值封装模型。
2)将结构参数信息不完备区域与配电网之间的关口交互功率的预测值与实际值比较，计算当前封装模型的预测均方根误差，如下式所示：
Figure BDA0002785346460000114
式中，RMSE代表当前训练封装等值模型的预测均方根误差；M为预测总时段数，t为时段编号，
Figure BDA0002785346460000115
代表从测试数据集
Figure BDA0002785346460000116
中取出的结构参数信息不完备区域与配电网之间的关口交互功率实际采样值，
Figure BDA0002785346460000117
代表采用公式(3)预测得到的结构参数信息不完备区域与配电网之间的关口交互功率预测值。
3)以统计得到的当前封装模型的预测均方根误差为目标，以长短时记忆神经网络(LSTM)的各层神经元的权值系数为优化决策变量，采用粒子群算法优化计算并调整长短时记忆神经网络(LSTM)的各层神经元的权值系数和偏置系数，直至目标收敛。如下式所示：
Figure BDA0002785346460000118
式中，RMSE指代采用等值封装模型进行功率预测的均方根误差；
Figure BDA0002785346460000119
分别为卷积层权值系数的最小和最大取值；
Figure BDA00027853464600001110
分别为卷积层偏置系数的最小最大取值；
Figure BDA00027853464600001111
Figure BDA00027853464600001112
分别为输入层权值系数的最小和最大取值；
Figure BDA00027853464600001113
分别为输入层偏置系数的最小最大取值；
Figure BDA0002785346460000121
分别为遗忘层权值系数的最小和最大取值；
Figure BDA0002785346460000122
分别为遗忘层偏置系数的最小最大取值；
Figure BDA0002785346460000123
分别为输出层权值系数的最小和最大取值；
Figure BDA0002785346460000124
分别为输出层偏置系数的最小最大取值。
2、预测日前的光照、风速、温度等气象数据以及电价数据的概率分布，代入结构参数信息不完备区域的等值模型，计算该区域与配电网之间的关口交互功率的概率分布。
(1)依据日前预测的光照、风速、温度等气象数据以及电价数据的概率分布，采用拉丁方抽样生成大量模拟数据样本，如式(6)所示：
Figure BDA0002785346460000125
其中，xpv、xwind、xTP、xprice分别代表第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本，
Figure BDA0002785346460000126
分别为日前预测的风速、光照、温度以及电价数据的概率分布函数，N为拉丁方抽样的总样本规模数，rn代表服从均匀分布的0到1之间的随机数，k为拉丁方抽样的次序编号。
(2)调用步骤(1)得到的结构参数信息不完备区域的等值模型，模拟计算和预测该区域与配电网之间的关口交互功率：
Figure BDA0002785346460000127
其中，xpv、xwind、xTP、xprice分别代表第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本，Fgrid(·)代指步骤(1-2)计算得到的参数信息不完备区域的等值封装模型，xpre代指由第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本所构成的数据集；
Figure BDA0002785346460000128
代表模拟计算得到的结构参数信息不完备区域与配电网之间的关口交互功率所构成的数据集。
(3)统计所预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集，拟合其概率分布：
Figure BDA0002785346460000131
其中，
Figure BDA0002785346460000132
别代表预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集中第1个、第2个、第j个以及第N个分量的取值；N为预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集的维度；μ、σ、λ分别为预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集的均值、方差以及偏度，E[·]为求期望算子。
3、根据预测的结构参数信息不完备区域与配电网之间的关口交互功率概率分布，构造等效估计点，进行配电网概率潮流计算。
(1)根据预测得到的结构参数信息不完备区域与配电网之间的关口交互功率概率分布的统计信息，构造等效估计点，如公式(9)所示：
zk＝μ+ξkσ k＝1,2 (9)
其中，zk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点，这里k的取值为1或2；ξk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个位置度量系数，由结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度λ通过公式(10)计算得到：
Figure BDA0002785346460000133
其中，ξk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个位置度量系数，k表示估计点编号，取值为1或2；λ为结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度。
(2)以构造的结构参数信息不完备区域与配电网之间的关口交互功率数据集的等效估计点为输入，进行配电网潮流计算。
1)对于构造的结构参数信息不完备区域与配电网之间的关口交互功率数据集的等效估计点，通过公式(11)计算这些估计点在配电网潮流计算中所占权重系数：
Figure BDA0002785346460000141
其中，θk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点在潮流计算中所占的权重系数，π为计算中间变量，由结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度λ计算得到，k表示估计点编号。
2)导入结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的估计点zk，进行配电网潮流计算；如公式(12)所示：
Pj(k)＝f(z1,k,…,zi,k,…,zM,k,…,zM+1,k,…,z2M,k) k＝1,2 (12)
其中，Pj(k)为配电网在第k个估计点为输入时的第j个输出状态变量的取值；f(·)为配电网潮流计算方程；M为结构参数信息不完备区域的个数，k表示估计点编号。
4、统计配电网概率潮流计算结果，分析配电网中各节点电压幅值、相角等输出状态变量的概率分布，评估配电网整体运行风险。
(1)根据配电网概率潮流计算结果，统计分析配电网各节点电压幅值、相角等输出状态变量的各阶矩概率分布信息，如公式(13)所示：
Figure BDA0002785346460000142
其中，Pj(k)为配电网在第k个估计点为输入时的第j个输出状态变量的取值。[Pj(k)]p代表对Pj(k)求取p次幂，θk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点在潮流计算中所占的权重系数，M为结构参数信息不完备区域的个数；
Figure BDA0002785346460000143
代指配电网中第j个输出状态变量Pj的p阶矩，p取1时E(Pj)代表第j个输出状态变量Pj的一阶矩，取2时
Figure BDA0002785346460000144
代表第j个输出状态变量Pj的二阶矩，
Figure BDA0002785346460000145
为配电网中第j个输出状态变量Pj的方差。
(2)计算配电网中各节点电压、支路电流等输出状态变量的越限值和越限严重度，如下式所示：
Figure BDA0002785346460000146
Figure BDA0002785346460000151
Figure BDA0002785346460000152
其中，i为配电网中节点的编号，j为配电网中支路的编号；Vout,i为节点i的电压越限值，Iout,j为支路j的电流越限值，Ui、Ui,min、Ui,max分别为节点i的实际电压值、最小允许电压幅值及最大允许电压幅值；Ij为支路j的实际运行电流、Ij,max为支路j的最大允许电流幅值；Sev(Vout,i)为第i个节点的电压越限严重度，Sev(Iout,j)为第j条支路的电流越限严重度，Ai、Bi、Ci分别为第i个节点的电压越限严重度函数的拟合参数，αj、βj、δj分别为第j条支路的电流越限严重度函数拟合参数，exp(·)代表以自然常数e为底的指数函数，Out表示电压或电流的越限值。
(3)依据配电网中各节点电压、支路电流等输出状态变量的越限值、越限严重度、越限概率，计算评估配电网整体运行风险，如下式所示：
Figure BDA0002785346460000153
其中，R为系统总运行风险值，i为配电网中节点的编号，D为配电网总节点数，j为配电网中支路的编号，L为配电网总支路数。
Figure BDA0002785346460000157
为节点i的电压累积分布函数，
Figure BDA0002785346460000154
为支路j的电流累积分布函数，Sev(Vout,i)为节点i的电压越限严重度，Sev(Iout,j)为支路j的电流越限严重度。
Figure BDA0002785346460000155
可由公式(13)中各节点电压状态变量的概率分布信息，计算相应的节点电压概率密度函数，然后再对概率密度函数积分求解得到。
Figure BDA0002785346460000156
可由公式(13)中各支路电流状态变量的概率分布信息，计算相应的支路电流概率密度函数，然后再对概率密度函数积分求解得到。

Claims (5)

1.一种基于深度学习的结构参数不完备下配电网风险评估方法，其特征在于，所述的深度学习的结构参数不完备下配电网风险评估方法包括以下步骤：
(1)统计结构参数信息不完备区域的外部可获取历史运行数据：当地历史风速、光照、电价、温度以及该区域与配电网之间的关口交互功率，训练建立结构参数信息不完备区域的等值模型；
(2)预测日前的风速、光照、温度这类气象数据以及电价数据的概率分布，代入结构参数信息不完备区域的等值模型，计算该区域与配电网之间的关口交互功率的概率分布；
(3)根据预测的结构参数信息不完备区域与配电网之间的关口交互功率概率分布，构造等效估计点，进行配电网概率潮流计算；
(4)统计配电网概率潮流计算结果，分析配电网中各节点电压幅值、相角等状态变量的概率分布，评估配电网整体运行风险。
2.如权利要求1所述的深度学习的结构参数不完备下配电网风险评估方法，其特征在于，所述步骤(1)中，统计结构参数信息不完备区域的外部可获取历史运行数据，如当地历史风速、光照、电价、温度以及该区域与配电网之间的关口交互功率，训练建立结构参数信息不完备区域的等值模型的步骤如下：
步骤(1-1)：统计分析结构参数信息不完备区域的外部可获取历史运行数据，如当地历史光照、风速、温度、电价以及该区域与配电网之间的关口交互功率，对其进行数据标幺化、训练集与测试集划分等预处理，如式(1)所示：
Figure FDA0002785346450000011
式中，Ds代表光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率的历史数据集合，M为历史数据的总天数，Lk、Wk、Tk、Ek、Pg,k分别代表第k天的光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率数据集，
Figure FDA0002785346450000021
分别代表第k天第d时段的光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率，N代表每天数据集的总时段数，
Figure FDA0002785346450000022
代表历史数据集合标幺化之后的数据集合，min(·)代表取极小值，max(·)代表取极大值，
Figure FDA0002785346450000023
代表从标幺化之后的数据集合中取出的训练集，
Figure FDA0002785346450000024
代表从标幺化之后的数据集合中取出的测试集，ε代表训练集所占的比例；
步骤(1-2)：采用长短时记忆神经网络(LSTM)对训练集数据进行学习训练，建立结构参数信息不完备区域的等值封装模型，如公式(2)所示：
Figure FDA0002785346450000025
式中，xt代表当前迭代第t步从训练数据集
Figure FDA0002785346450000026
中取出的光照、风速、温度以及电价的数据集合；ht-1代表当前迭代第t步之前从训练数据集
Figure FDA0002785346450000027
中累积取出的结构参数信息不完备区域与配电网之间的关口交互功率集合；ft代表当前迭代第t步对应的遗忘门输出，wf和bf为遗忘层中各神经元的权值系数和偏置系数，σ(·)代表s型曲线函数，it代表当前迭代第t步输入层的输出，wi和bi为输入层中各神经元的权值系数和偏置系数，
Figure FDA0002785346450000028
代表当前迭代第t步卷积层的预估输出，wc和bc为卷积层中各神经元的权值系数和偏置系数，tanh(·)代表双曲正切函数，ct代表当前迭代第t步卷积层的实际输出，ot代表当前迭代第t步输出层输出，wo和bo为输出层中各神经元的权值系数和偏置系数，ht代表当前迭代第t步实际预测得到的结构参数信息不完备区域与配电网之间的关口交互功率；
步骤(1-3)：代入测试集数据，对等值封装模型进行测试验证，根据反馈结果优化计算并更新长短时记忆神经网络(LSTM)的各层神经元的权值系数和偏置系数，直至均方根误差收敛：
1)首先代入测试集数据到等值封装模型，计算结构参数信息不完备区域与配电网之间的关口交互功率的预测值：
Figure FDA0002785346450000031
式中，
Figure FDA0002785346450000032
代表结构参数信息不完备区域与配电网之间的关口交互功率的预测值；xtest代表从测试数据集
Figure FDA0002785346450000033
中取出的光照、风速、温度以及电价的数据集合；Fgrid(·)代指步骤(1-2)计算得到的参数信息不完备区域的等值封装模型；
2)将结构参数信息不完备区域与配电网之间的关口交互功率的预测值与实际值比较，计算当前封装模型的预测均方根误差，如下式所示：
Figure FDA0002785346450000034
式中，RMSE代表当前训练封装等值模型的预测均方根误差；M为预测总时段数，t为时段编号，
Figure FDA0002785346450000035
代表从测试数据集
Figure FDA0002785346450000036
中取出的结构参数信息不完备区域与配电网之间的关口交互功率实际采样值，
Figure FDA0002785346450000037
代表采用公式(3)预测得到的结构参数信息不完备区域与配电网之间的关口交互功率预测值；
3)以统计得到的当前封装模型的预测均方根误差为目标，以长短时记忆神经网络(LSTM)的各层神经元的权值系数为优化决策变量，采用粒子群算法优化计算并调整长短时记忆神经网络(LSTM)的各层神经元的权值系数和偏置系数，直至目标收敛，如下式所示：
Figure FDA0002785346450000038
式中，RMSE指代采用等值封装模型进行功率预测的均方根误差；
Figure FDA0002785346450000039
分别为卷积层权值系数的最小和最大取值；
Figure FDA00027853464500000310
分别为卷积层偏置系数的最小最大取值；
Figure FDA00027853464500000311
Figure FDA00027853464500000312
分别为输入层权值系数的最小和最大取值；
Figure FDA00027853464500000313
分别为输入层偏置系数的最小最大取值；
Figure FDA0002785346450000041
分别为遗忘层权值系数的最小和最大取值；
Figure FDA0002785346450000042
分别为遗忘层偏置系数的最小最大取值；
Figure FDA0002785346450000043
分别为输出层权值系数的最小和最大取值；
Figure FDA0002785346450000044
分别为输出层偏置系数的最小最大取值。
3.如权利要求1所述的深度学习的结构参数不完备下配电网风险评估方法，其特征在于，所述步骤(2)中，预测日前的光照、风速、温度等气象数据以及电价数据的概率分布，代入结构参数信息不完备区域的等值模型，计算该区域与配电网之间的关口交互功率的概率分布，具体如下：
步骤(2-1)：依据日前预测的光照、风速、温度等气象数据以及电价数据的概率分布，采用拉丁方抽样生成大量模拟数据样本，如式(6)所示：
Figure FDA0002785346450000045
其中，xpv、xwind、xTP、xprice分别代表第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本，
Figure FDA0002785346450000046
分别为日前预测的风速、光照、温度以及电价数据的概率分布函数，N为拉丁方抽样的总样本规模数，rn代表服从均匀分布的0到1之间的随机数，k为拉丁方抽样的次序编号；
步骤(2-2)：调用步骤(1)得到的结构参数信息不完备区域的等值模型，模拟计算和预测该区域与配电网之间的关口交互功率：
Figure FDA0002785346450000047
其中，xpv、xwind、xTP、xprice分别代表第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本，Fgrid(·)代指步骤(1-2)计算得到的参数信息不完备区域的等值封装模型，xpre代指由第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本所构成的数据集；
Figure FDA0002785346450000048
代表模拟计算得到的结构参数信息不完备区域与配电网之间的关口交互功率所构成的数据集；
步骤(2-3)：统计所预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集，拟合其概率分布：
Figure FDA0002785346450000051
其中，
Figure FDA0002785346450000052
别代表预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集中第1个、第2个、第j个以及第N个分量的取值；N为预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集的维度；μ、σ、λ分别为预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集的均值、方差以及偏度，E[·]为求期望算子。
4.如权利要求1所述的深度学习的结构参数不完备下配电网风险评估方法，其特征在于，所述步骤(3)中，根据预测的结构参数信息不完备区域与配电网之间的关口交互功率概率分布，构造等效估计点，进行配电网概率潮流计算，具体如下：
步骤(3-1)：根据预测得到的结构参数信息不完备区域与配电网之间的关口交互功率概率分布的统计信息，构造等效估计点，如公式(9)所示：
zk＝μ+ξkσ k＝1,2 (9)
其中，zk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点，这里k的取值为1或2；ξk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个位置度量系数，由结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度λ通过公式(10)计算得到：
Figure FDA0002785346450000053
其中，ξk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个位置度量系数，k表示估计点编号，取值为1或2；λ为结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度；
步骤(3-2)：以构造的结构参数信息不完备区域与配电网之间的关口交互功率数据集的等效估计点为输入，进行配电网潮流计算；
1)对于构造的结构参数信息不完备区域与配电网之间的关口交互功率数据集的等效估计点，通过公式(11)计算这些估计点在配电网潮流计算中所占权重系数：
Figure FDA0002785346450000061
其中，θk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点在潮流计算中所占的权重系数，π为计算中间变量，由结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度λ计算得到，k表示估计点编号；
2)导入结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的估计点zk，进行配电网潮流计算；如公式(12)所示：
Pj(k)＝f(z1,k,…,zi,k,…,zM,k,…,zM+1,k,…,z2M,k)k＝1,2 (12)
其中，Pj(k)为配电网在第k个估计点为输入时的第j个输出状态变量的取值；f(·)为配电网潮流计算方程；M为结构参数信息不完备区域的个数，k表示估计点编号。
5.如权利要求1所述的深度学习的结构参数不完备下配电网风险评估方法，其特征在于，所述步骤(4)中，统计配电网概率潮流计算结果，分析配电网中各节点电压幅值、相角等输出状态变量的概率分布，评估配电网整体运行风险，具体如下：
步骤(4-1)：根据配电网概率潮流计算结果，统计分析配电网各节点电压幅值、相角等输出状态变量的各阶矩概率分布信息，如公式(13)所示：
Figure FDA0002785346450000062
其中，Pj(k)为配电网在第k个估计点为输入时的第j个输出状态变量的取值；[Pj(k)]p代表对Pj(k)求取p次幂，θk为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点在潮流计算中所占的权重系数，M为结构参数信息不完备区域的个数；
Figure FDA0002785346450000063
代指配电网中第j个输出状态变量Pj的p阶矩，p取1时E(Pj)代表第j个输出状态变量Pj的一阶矩，取2时
Figure FDA0002785346450000064
代表第j个输出状态变量Pj的二阶矩，
Figure FDA0002785346450000065
为配电网中第j个输出状态变量Pj的方差；
步骤(4-2)：计算配电网中各节点电压、支路电流等输出状态变量的越限值和越限严重度，如下式所示：
Figure FDA0002785346450000071
Figure FDA0002785346450000072
Figure FDA0002785346450000073
其中，i为配电网中节点的编号，j为配电网中支路的编号；Vout,i为节点i的电压越限值，Iout,j为支路j的电流越限值，Ui、Ui,min、Ui,max分别为节点i的实际电压值、最小允许电压幅值及最大允许电压幅值；Ij为支路j的实际运行电流、Ij,max为支路j的最大允许电流幅值；Sev(Vout,i)为第i个节点的电压越限严重度，Sev(Iout,j)为第j条支路的电流越限严重度，Ai、Bi、Ci分别为第i个节点的电压越限严重度函数的拟合参数，αj、βj、δj分别为第j条支路的电流越限严重度函数拟合参数，exp(·)代表以自然常数e为底的指数函数，Out表示电压或电流的越限值；
步骤(4-3)：依据配电网中各节点电压、支路电流等输出状态变量的越限值、越限严重度、越限概率，计算评估配电网整体运行风险，如下式所示：
Figure FDA0002785346450000074
其中，R为系统总运行风险值，i为配电网中节点的编号，D为配电网总节点数，j为配电网中支路的编号，L为配电网总支路数，
Figure FDA0002785346450000076
为节点i的电压累积分布函数，
Figure FDA0002785346450000075
为支路j的电流累积分布函数，Sev(Vout,i)为节点i的电压越限严重度，Sev(Iout,j)为支路j的电流越限严重度；
Figure FDA0002785346450000077
可由公式(13)中各节点电压状态变量的概率分布信息，计算相应的节点电压概率密度函数，然后再对概率密度函数积分求解得到，
Figure FDA0002785346450000078
可由公式(13)中各支路电流状态变量的概率分布信息，计算相应的支路电流概率密度函数，然后再对概率密度函数积分求解得到。
CN202011296072.7A 2020-11-18 2020-11-18 一种基于深度学习的结构参数不完备下配电网风险评估方法 Active CN112232714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011296072.7A CN112232714B (zh) 2020-11-18 2020-11-18 一种基于深度学习的结构参数不完备下配电网风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011296072.7A CN112232714B (zh) 2020-11-18 2020-11-18 一种基于深度学习的结构参数不完备下配电网风险评估方法

Publications (2)

Publication Number Publication Date
CN112232714A true CN112232714A (zh) 2021-01-15
CN112232714B CN112232714B (zh) 2023-06-20

Family

ID=74124307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011296072.7A Active CN112232714B (zh) 2020-11-18 2020-11-18 一种基于深度学习的结构参数不完备下配电网风险评估方法

Country Status (1)

Country Link
CN (1) CN112232714B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887141A (zh) * 2021-10-14 2022-01-04 中国科学院电工研究所 一种基于联邦学习的微电网群运行策略进化方法
CN116167527A (zh) * 2023-04-21 2023-05-26 南方电网数字电网研究院有限公司 纯数据驱动的电力系统静态安全运行风险在线评估方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455729A (zh) * 2013-09-17 2013-12-18 重庆市武隆县供电有限责任公司 一种光储并网联合发电调度值的计算方法
CN106684905A (zh) * 2016-11-21 2017-05-17 国网四川省电力公司经济技术研究院 一种考虑风电预测不确定性的风电场动态等值方法
US20170206467A1 (en) * 2014-07-17 2017-07-20 3M Innovative Properties Company Systems and methods for maximizing expected utility of signal injection test patterns in utility grids
CN109165846A (zh) * 2018-08-23 2019-01-08 国网上海市电力公司 一种含分布式光伏电源的配电网风险评估方法
CN109659933A (zh) * 2018-12-20 2019-04-19 浙江工业大学 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
CN109829587A (zh) * 2019-02-12 2019-05-31 国网山东省电力公司电力科学研究院 基于深度lstm网络的小区域级超短期负荷预测及可视化方法
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法
CN110378578A (zh) * 2019-07-03 2019-10-25 中国科学院电工研究所 一种基于点估计的交直流混联配电网风险评估方法
CN110969306A (zh) * 2019-12-05 2020-04-07 国网辽宁省电力有限公司沈阳供电公司 基于深度学习的配电低压台区负荷预测方法及装置
CN111598289A (zh) * 2020-03-30 2020-08-28 国网河北省电力有限公司 计及lstm光伏出力预测的综合能源系统分散式优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455729A (zh) * 2013-09-17 2013-12-18 重庆市武隆县供电有限责任公司 一种光储并网联合发电调度值的计算方法
US20170206467A1 (en) * 2014-07-17 2017-07-20 3M Innovative Properties Company Systems and methods for maximizing expected utility of signal injection test patterns in utility grids
CN106684905A (zh) * 2016-11-21 2017-05-17 国网四川省电力公司经济技术研究院 一种考虑风电预测不确定性的风电场动态等值方法
CN109165846A (zh) * 2018-08-23 2019-01-08 国网上海市电力公司 一种含分布式光伏电源的配电网风险评估方法
CN109659933A (zh) * 2018-12-20 2019-04-19 浙江工业大学 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
CN109829587A (zh) * 2019-02-12 2019-05-31 国网山东省电力公司电力科学研究院 基于深度lstm网络的小区域级超短期负荷预测及可视化方法
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法
CN110378578A (zh) * 2019-07-03 2019-10-25 中国科学院电工研究所 一种基于点估计的交直流混联配电网风险评估方法
CN110969306A (zh) * 2019-12-05 2020-04-07 国网辽宁省电力有限公司沈阳供电公司 基于深度学习的配电低压台区负荷预测方法及装置
CN111598289A (zh) * 2020-03-30 2020-08-28 国网河北省电力有限公司 计及lstm光伏出力预测的综合能源系统分散式优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
METEHAN GUZEL 等: "ANFIS and Deep Learning based missing sensor data prediction in IoT", CONCURRENCY AND COMPUTATION: PRACTICE AND EXPERIENCE, vol. 32, no. 2, pages 1 - 15 *
刘斌;刘锋;王程;梅生伟;魏;: "适用于鲁棒调度的风电场出力不确定性集合建模与评估", 电力系统自动化, no. 18, pages 8 - 14 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887141A (zh) * 2021-10-14 2022-01-04 中国科学院电工研究所 一种基于联邦学习的微电网群运行策略进化方法
CN116167527A (zh) * 2023-04-21 2023-05-26 南方电网数字电网研究院有限公司 纯数据驱动的电力系统静态安全运行风险在线评估方法
CN116167527B (zh) * 2023-04-21 2023-09-12 南方电网数字电网研究院有限公司 纯数据驱动的电力系统静态安全运行风险在线评估方法

Also Published As

Publication number Publication date
CN112232714B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN110110912B (zh) 一种光伏功率多模型区间预测方法
CN111428926B (zh) 一种考虑气象因素的区域电力负荷预测方法
US20230037193A1 (en) Wind power output interval prediction method
Liao et al. Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique
CN113537582B (zh) 一种基于短波辐射修正的光伏功率超短期预测方法
CN112232714A (zh) 一种基于深度学习的结构参数不完备下配电网风险评估方法
CN109242136A (zh) 一种微电网风电功率混沌遗传-bp神经网络预测方法
CN112508279B (zh) 基于空间相关性的区域分布式光伏预测方法及系统
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN112653198A (zh) 一种基于预测箱的风电出力场景生成方法及系统
CN113591957A (zh) 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法
CN112819189A (zh) 一种基于历史预测值的风力出力预测方法
CN116341613A (zh) 一种基于Informer encoder和LSTM的超短期光伏功率预测方法
Makhloufi et al. Wind speed and wind power forecasting using wavelet denoising-GMDH neural network
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
Alblawi et al. PV solar power forecasting based on hybrid MFFNN-ALO
CN111967660B (zh) 一种基于svr的超短期光伏预测残差修正方法
Su et al. A LSTM based wind power forecasting method considering wind frequency components and the wind turbine states
Boubaker et al. Prediction of Daily Global Solar Radiation using Resilient-propagation Artificial Neural Network and Historical Data: A Case Study of Hail, Saudi Arabia.
Hossain Application of Gaussian mixture regression model for short-term wind speed forecasting
CN115577854A (zh) 一种基于eemd-rbf组合的分位数回归风速区间预测方法
CN112949938B (zh) 改善训练样本类别不均衡的风电爬坡事件直接预报方法
CN115764855A (zh) 一种电动汽车快充站实时可调节能力及可用电量预测方法
Zhang et al. Research on the prediction of solar energy generation based on measured environmental data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant