CN112884601B - 一种基于天气区划策略的电力系统运行风险评估方法 - Google Patents

Abstract

本发明涉及一种基于天气区划策略的电力系统运行风险评估方法，其包括步骤：采用基于数值天气预报(NWP)与指标相似度的天气区划策略，选择能够表征所在区域天气趋势特征的气象站用于后续分析预测模型输入；使用基于核密度估计的气象数据统计分析与概率预测方法，预测气象站未来时刻的天气状态；利用非线性有源自回归(NARX)神经网络算法构建可再生能源功率概率预测模型，实现区域可再生能源发电(含风力发电与光伏发电)功率的概率预测；通过基于累积前景理论的风险评估方法，评估含高比例可再生能源的电力系统未来时刻的运行风险。该方法可以应用于在线监测并增强电力系统运行人员的风险评估能力。

Description

一种基于天气区划策略的电力系统运行风险评估方法

技术领域

本发明涉及电力系统领域，特别是涉及一种基于天气区划策略的电力系统运行风险评估方法。

背景技术

随着电力系统中可再生能源比例的不断增长，由于随机性、波动性和不确定性的特征，电力系统更加容易受到天气状态的影响，使可再生能源发电功率发生大幅度波动，进而对电力系统的安全运行产生威胁。因此，必须提出考虑天气状态的电力系统运行风险评估方法，以适应电力系统不断提高的可再生能源比例。

天气区划策略一般应用在气象或地理领域，通常统计数年或数十年的气象数据，对研究区域的气候进行划分，时间跨度较长，无法表征因短期天气事件引起的天气区域的变化。在区域可再生能源预测方面，一方面通过从机组发电功率开始，经由场站、子区域、区域，对研究区域的可再生能源进行逐层累加，垂直化的预测架构使预测管理更加复杂低效，并且会受到单场站预测精度低的影响而降低整个区域的预测精度。另一方面，选择典型可再生能源电站利用升尺度方法预测区域可再生能源发电功率，同样受到所选取的电站预测精度以及代表性的影响，此外，天气状态的变化也会引起代表电站的变化。对于电力系统的风险评估方法，目前的方法未能对含高比例可再生能源的电力系统进行研究，仍以传统的元件可靠性、线路负载状态研究为主。因此，量化天气状态对于可再生能源发电的影响，构建天气状态与可再生能源发电功率的映射关系，结合考虑调度人员的非理性心理因素，提出能够实时评估电力系统运行风险的方法，对于维持电力系统安全可靠运行有重大意义。

发明内容

基于此，为了评估含高比例可再生能源电力系统的运行风险，本发明提出了一种基于天气区划策略的电力系统运行风险评估方法。

一种基于天气区划策略的电力系统运行风险评估方法，包括如下步骤：

1)采用基于数值天气预报(Numerical Weather Prediction，NWP)与指标相似度的天气区划策略，选择能够表征所在区域天气趋势特征的气象站作为后续用于确定预测模型输入的基础，以减少数据规模，从而提升预测模型的训练效率；

2)使用基于核密度估计的气象数据统计分析与概率预测方法，预测气象站未来时刻的天气状态；

3)利用非线性有源自回归(Nonlinear Autoregressive with External Input，NARX)神经网络算法构建可再生能源功率概率预测模型，利用所选出的气象站的历史天气状态值和可再生能源发电功率历史数据对模型进行训练，将预测的天气状态值作为外部输入数据，实现区域可再生能源发电(含风力发电与光伏发电)功率的概率预测。

4)通过基于累积前景理论的风险评估方法，评估含高比例可再生能源的电力系统未来时刻的运行风险。

上述技术方案中，步骤1)中采用基于数值天气预报与指标相似度的天气区划策略，选择能够表征所在区域天气趋势特征的气象站作为预测模型输入，具体如下：

包括美国全球天气预报系统(Global Forecasting System,GFS)和中国T639全球集合预报在内的NWP数据集能够覆盖全球，并具有网格化的特点，即将全球划分为等经纬度的网络。假设第l个网格点G_l的地理坐标为(λ_l,φ_l)，式中，λ和φ分别为经度和纬度；G_l在t时刻的天气状态为W_l(t)，包含气温、风速、辐射强度、湿度等多个气象要素，即式中w_l(t)代表气象要素，N为所采用的NWP数据集涵盖的气象要素总数。虽然NWP数据集所提供的气象要素多达几十个，但是大多数与可再生能源发电无关或相关度较低，为了避免无关数据的干扰并降低计算量，只保留与可再生能源发电相关度较高的气象要素，则G_l在t时刻的简化天气状态为/> 式中/>分别为温度、湿度、风的u分量、风的v分量和地表太阳辐射。

将目标区域第k个气象站所处的网格G_h作为区划中心，并把与气象站天气状态相似度高、地理邻近的网格合并为一个区域，则目标地区将分割为与气象站数量相等的子区域。因此，基于数值天气预报与指标相似度的天气区划策略步骤为：

a)构建天气区划集合Ω＝{ω₁,ω₂,......,ω_k}，式中ω_k代表第k个气象站所在区域包含的网格点集合。此时，ω_k＝{G_h}，仅包含气象站所处的网格。

b)为保证所划分的区域在地理上相连，不会出现大块飞地，根据网格地理距离进行预区划，计算每一网格点与全部气象站的地理距离，并把每一网格点归入与其地理距离最近的气象站所处区域，形成预区划方案，其公式为：

式中，表示第x个网格点与第k个气象站所处的网格的地理距离，min{·}为最小值函数。

c)计算每一网格点与全部气象站的综合相似度，综合相似度由地理距离与天气状态相似度两部分构成，其公式为：

式中，表示标准化后的G_l第i个气象要素，L为网格点数目，/>为第x个网格点与第k个气象站所处的网格的天气状态相似度，/>为第x个网格点与第k个气象站的综合相似度，λ为比例系数。

d)根据综合相似度更新预区划方案，按照经度、纬度从小到大的顺序将预区划方案中位于区域交界处的网格重新划分到与其综合相似度最小的气象站所处的区域中。

e)重复d)步骤直到网格归属不再发生变化，形成最后的天气区划方案，此时，可认为单点气象站的天气状态观测数据能够表征该气象站所处区域的天气状态，即：

天气区划方案中每一气象站所在网格的气象数据将用于后续分析。

步骤2)中使用基于核密度估计的气象数据统计分析与概率预测方法，预测气象站未来时刻的天气状态，具体如下：

通过对区域气象历史数据库进行数据分析与挖掘，提炼历史数据库—实时观测值—未来预测值的发展态势规律。基于核密度估计的气象数据统计分析与概率预测方法的具体步骤为：

a)将一段时间历史气象数据中气象要素(温度、湿度、风的u分量、风的v分量和地表太阳辐射)的预报值与观测值作为统计样本，计算预报误差和当前时刻变化量，其公式为：

e^s(t)＝W^s,p(t)-W^s,o(t)

ΔW^s,o(t)＝W^s,o(t)-W^s,o(t-1)

式中，W^s,p(t)与W^s,o(t)分别为天气状态的预测值和观测值；e^s(t)为天气状态预报误差；ΔW^s,o(t)为天气状态当前时刻变化量；t∈T，T代表选择的历史气象数据集包含的时段数。

b)采用复合分组体系对统计数据进行划分，以W^s,o、e^s和ΔW^s,o三个统计量作为标志进行分组。数据分组使用组距分组，组距可根据标志统计量的最大值、最小值以及组数决定，其公式为：

式中，为标志统计量Y的组距；/>为标志统计量Y的组数，根据统计量分布特征及规律决定，一般为5到15组；/>为采用复合分组体系的总组数。然后，检查落入每个分组的样本点是否满足样本数目要求，将样本点过少的分组并入相邻分组，直到所有分组满足要求。

c)对于每一个分组，计算历史气象数据集中天气状态下一时刻变化量的一维核密度估计，得到概率密度函数以及对应的累积分布函数，其公式为：

ΔW^s,o(t+1)＝W^s,o(t+1)-W^s,o(t)

式中，ΔW^s,o(t+1)为天气状态下一时刻变化量；为ΔW^s,o(t+1)的概率密度函数；M为组内气象数据样本数；h为带宽；K(x_W)为采用的核函数，在此采用高斯核函数；F_h(ΔW^s,o(t+1))为ΔW^s,o(t+1)的累积分布函数。

d)根据气象站所实时获取的当前时刻观测值、NWP预报值以及计算得到的统计量，根据累积分布函数，在给定的置信度下，得到下一时刻天气状态预测值区间以及对应的发生概率。

e)利用d)得到的概率预测值进一步外推，可以得到未来多个时刻天气状态的天气状态预测值区间以及对应的发生概率。考虑到预测时间点越多，预测区间会变得越宽，概率预测聚集概率信息的能力下降，在此仅考虑未来两个时间点的概率预测，即超前两步预测。

步骤3)中利用NARX神经网络算法构建可再生能源功率概率预测模型，实现区域可再生能源发电(含风力发电与光伏发电)功率的概率预测，具体如下：

NARX神经网络是一种动态递归网络，结合非线型自回归与非线性输入—输出两类神经网络建立模型，适用于存在外部数据影响的时间序列预测。可再生能源发电功率就是前后数据具有高度的依赖性，并且气象数据对其有直接影响的时间序列数据。NARX神经网络可以表示为：

y_D(t)＝f_NN{x_D(t),x_D(t-1),...,x_D(t-d),y_D(t-1),...,y_D(t-d)}

式中，f_NN表示NARX神经网络模型；x_D(t)代表t时刻的外部输入数据，即气象数据；y_D(t)代表t时刻的输出数据，即可再生能源发电功率；NARX神经网络含有延时模块，d为延时量。此外，综合考虑训练时间、内存消耗等因素，本发明中选择莱文伯格-马夸特算法作为NARX神经网络的训练算法。

区域可再生能源发电功率的概率预测具体步骤为：

a)根据可再生能源电站的地理位置，选择天气区划方案中所有内部包含可再生能源电站的区域。

b)以这些区域的气象站所在网格的气象数据作为外部输入数据，并利用可再生能源发电功率的历史值，训练NARX神经网络模型。值得一提的是，对于内部只含有风电场的区域，气象数据选择风的u分量、风的v分量，其他气象要素置为0；对于内部只含有光伏电场的区域，气象数据选择温度、湿度、地表太阳辐射，其他气象要素置为0；对于内部同时含有风电场与光伏电场的区域，选择全部气象要素。然后，利用目前预测时段的若干个预测时段功率数据与天气数据更新NARX神经网络模型的状态。

c)根据每一气象站的NWP预报值以及实时观测值，计算标志统计量，根据标志统计量选择相对应分组的F_h(ΔW^s,o(t+1))。然后，通过蒙特卡洛采样算法，采样得到目标预测时刻的天气状态值。将天气状态值作为外部输入数据，结合可再生能源发电功率序列，预测目标时刻可再生能源发电功率值。

d)重复步骤c)，直到达到蒙特卡洛采样算法设定的次数。然后，统计可再生能源功率预测值，得到可再生能源功率—频率分布表，包含可再生能源发电功率预测值及其概率。

步骤4)通过基于累积前景理论的风险评估方法，评估含高比例可再生能源的电力系统未来时刻的运行风险，具体如下：

对于含高比例可再生能源的电力系统，可再生能源的间歇性、不确定性为电力系统的运行引入新的风险。风险评估是对事件的可能性与严重性的综合度量，采用累积前景理论对可再生能源功率爬坡事件的概率与损失进行修正，充分考虑调度人员的非理性心理因素为风险评估带来的影响。

由于可再生能源功率的变化会使电力系统遭受损失，因此构建累积前景理论损失模型的效用函数，其公式为：

u(v)＝λv^α

式中，U为累积前景理论损失模型的效用函数；p和v分别为概率序列和结果序列；v_q为第q种可能的结果；p_q为v_q对应的概率；Q代表可出现结果的总数；ω(p)为概率p的决策权重，表示决策者对客观概率的主观评价；u(v)为价值函数，表示决策者面临损失时主观感受对应的价值；γ为模型参数，λ为损失厌恶系数，α为损失敏感系数。

考虑到可再生能源发电功率变化可能导致可再生能源出力削减和电力负荷损失两种情况，结合累积前景理论，得到两种风险指标，其具体为：

a)可再生能源削减价值期望

式中，R为可再生能源种类，在此考虑风力发电和光伏发电两类，即R＝1,2；V_R为可再生能源的单位削减成本序列，为可再生能源削减功率序列。

b)电力负荷损失价值期望

式中，V_L为单位负荷损失费用，为损失负荷功率序列。

风险评估方法的计算需要考虑电力系统的约束条件，具体如下：

a)有功功率平衡约束

P_L(t)＝P_L,Local(t)+P_L,AC(t)+P_L,DC(t)

式中，P_G,n(t)为第n台常规机组在t时刻的发电功率,常规机组总数为N_f；P_W(t)为全部风电机组在t时刻的总发电功率；P_S(t)为全部光伏机组在t时刻的发电功率；P_L(t)为t时刻的总等效负荷，其包含本地总负荷P_L,Local(t)、交流断面有功功率P_L,AC(t)以及直流送出功率P_L,DC(t)。

b)常规机组出力范围约束

式中，和/>分别为第n台常规机组的发电功率的上下限。

c)常规机组爬坡速率约束

式中，η_R,n为第n台常规机组的爬坡率，单位为p.u./min；为第n台常规机组的额定功率；T_G代表一个电力系统运行风险评估时段。

本发明的方法可以动态感知天气状态对含高比例可再生能源电力系统的影响，可以应用于在线监测并增强电力系统运行人员的风险评估能力。

附图说明

图1为一个实施例的基于天气区划策略的电力系统运行风险评估方法流程图；

图2为一个实施例的预区划方案；

图3为一个实施例的根据综合相似度更新后的天气区划方案；

图4为一个实施例的典型日风的u分量超前两步概率预测值；

图5为一个实施例的典型日地表太阳辐射值超前两步概率预测值；

图6为一个实施例的典型日区域可再生能源发电功率超前两步概率预测值；

图7为一个实施例的典型日可再生能源削减价值期望风险值；

图8为一个实施例的典型日电力负荷损失价值期望风险值。

具体实施方式

为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图对本发明进行进一步的讲解说明。

参考图1，图1所示为一个实施例的基于天气区划策略的电力系统运行风险评估方法流程图，包括如下步骤：

S1，采用基于数值天气预报(Numerical Weather Prediction，NWP)与指标相似度的天气区划策略，选择能够表征所在区域天气趋势特征的气象站用于后续分析；在一个实施例中：

包括美国全球天气预报系统(Global Forecasting System,GFS)和中国T639全球集合预报在内的NWP数据集能够覆盖全球，并具有网格化的特点，即将全球划分为等经纬度的网络。假设第l个网格点G_l的地理坐标为(λ_l,φ_l)，式中，λ和φ分别为经度和纬度；G_l在t时刻的天气状态为W_l(t)，包含气温、风速、辐射强度、湿度等多个气象要素，即式中w_l(t)代表气象要素，N为所采用的NWP数据集涵盖的气象要素总数。虽然NWP数据集所提供的气象要素多达几十个，但是大多数与可再生能源发电无关或相关度较低，为了避免无关数据的干扰并降低计算量，只保留与可再生能源发电相关度较高的气象要素，则G_l在t时刻的简化天气状态为/> 式中/>分别为温度、湿度、风的u分量、风的v分量和地表太阳辐射。

将目标区域第k个气象站所处的网格G_h作为区划中心，并把与气象站天气状态相似度高、地理邻近的网格合并为一个区域，则目标地区将分割为与气象站数量相等的子区域。因此，基于数值天气预报与指标相似度的天气区划策略步骤为：

a)构建天气区划集合Ω＝{ω₁,ω₂,......,ω_k}，式中ω_k代表第k个气象站所在区域包含的网格点集合。此时，ω_k＝{G_h}，仅包含气象站所处的网格。

b)为保证所划分的区域在地理上相连，不会出现大块飞地，根据网格地理距离进行预区划，计算每一网格点与全部气象站的地理距离，并把每一网格点归入与其地理距离最近的气象站所处区域，形成预区划方案，其公式为：

式中，表示第x个网格点与第k个气象站所处的网格的地理距离，min{·}为最小值函数。

c)计算每一网格点与全部气象站的综合相似度，综合相似度由地理距离与天气状态相似度两部分构成，其公式为：

式中，表示标准化后的G_l第i个气象要素，/>为第x个网格点与第k个气象站所处的网格的天气状态相似度，/>为第x个网格点与第k个气象站的综合相似度，λ为比例系数。

d)根据综合相似度更新预区划方案，按照经度、纬度从小到大的顺序将预区划方案中位于区域交界处的网格重新划分到与其综合相似度最小的气象站所处的区域中。

e)重复d)步骤直到网格归属不再发生变化，形成最后的天气区划方案，此时，可认为单点气象站的天气状态观测数据能够表征该气象站所处区域的天气状态，即：

天气区划方案中每一气象站所在网格的气象数据将用于后续分析。

S2，使用基于核密度估计的气象数据统计分析与概率预测方法，预测气象站未来时刻的天气状态；在一个实施例中：

通过对区域气象历史数据库进行数据分析与挖掘，提炼历史数据库—实时观测值—未来预测值的发展态势规律。基于核密度估计的气象数据统计分析与概率预测方法的具体步骤为：

a)将一段时间历史气象数据中气象要素(温度、湿度、风的u分量、风的v分量和地表太阳辐射)的预报值与观测值作为统计样本，计算预报误差和当前时刻变化量，其公式为：

e^s(t)＝W^s,p(t)-W^s,o(t)

ΔW^s,o(t)＝W^s,o(t)-W^s,o(t-1)

式中，W^s,p(t)与W^s,o(t)分别为天气状态的预测值和观测值；e^s(t)为天气状态预报误差；ΔW^s,o(t)为天气状态当前时刻变化量；t∈T，T代表选择的历史气象数据集包含的时段数。

b)采用复合分组体系对统计数据进行划分，以W^s,o、e^s和ΔW^s,o三个统计量作为标志进行分组。数据分组使用组距分组，组距可根据标志统计量的最大值、最小值以及组数决定，其公式为：

式中，为标志统计量Y的组距；/>为标志统计量Y的组数，根据统计量分布特征及规律决定，一般为5到15组；/>为采用复合分组体系的总组数。然后，检查落入每个分组的样本点是否满足样本数目要求，将样本点过少的分组并入相邻分组，直到所有分组满足要求。

c)对于每一个分组，计算历史气象数据集中天气状态下一时刻变化量的一维核密度估计，得到概率密度函数以及对应的累积分布函数，其公式为：

ΔW^s,o(t+1)＝W^s,o(t+1)-W^s,o(t)

式中，ΔW^s,o(t+1)为天气状态下一时刻变化量；为ΔW^s,o(t+1)的概率密度函数；M为组内气象数据样本数；h为带宽；K(x_W)为采用的核函数，在此采用高斯核函数；F_h(ΔW^s,o(t+1))为ΔW^s,o(t+1)的累积分布函数。

d)根据气象站所实时获取的当前时刻观测值、NWP预报值以及计算得到的统计量，根据累积分布函数，在给定的置信度下，得到下一时刻天气状态预测值区间以及对应的发生概率。

e)利用d)得到的概率预测值进一步外推，可以得到未来多个时刻天气状态的天气状态预测值区间以及对应的发生概率。考虑到预测时间点越多，预测区间会变得越宽，概率预测聚集概率信息的能力下降，在此仅考虑未来两个时间点的概率预测，即超前两步预测。

S3，利用NARX神经网络算法构建可再生能源功率概率预测模型，实现区域可再生能源发电(含风力发电与光伏发电)功率的概率预测；在一个实施例中：

NARX神经网络是一种动态递归网络，结合非线型自回归与非线性输入—输出两类神经网络建立模型，适用于存在外部数据影响的时间序列预测。可再生能源发电功率就是前后数据具有高度的依赖性，并且气象数据对其有直接影响的时间序列数据。NARX神经网络可以表示为：

y_D(t)＝f_NN{x_D(t),x_D(t-1),...,x_D(t-d),y_D(t-1),...,y_D(t-d)}

式中，f_NN表示NARX神经网络模型；x_D(t)代表t时刻的外部输入数据，即气象数据；y_D(t)代表t时刻的输出数据，即可再生能源发电功率；NARX神经网络含有延时模块，d为延时量。此外，综合考虑训练时间、内存消耗等因素，本发明中选择莱文伯格-马夸特算法作为NARX神经网络的训练算法。

区域可再生能源发电功率的概率预测具体步骤为：

a)根据可再生能源电站的地理位置，选择天气区划方案中所有内部包含可再生能源电站的区域。

b)以这些区域的气象站所在网格的气象数据作为外部输入数据，并利用可再生能源发电功率的历史值，训练NARX神经网络模型。值得一提的是，对于内部只含有风电场的区域，气象数据选择风的u分量、风的v分量，其他气象要素置为0；对于内部只含有光伏电场的区域，气象数据选择温度、湿度、地表太阳辐射，其他气象要素置为0；对于内部同时含有风电场与光伏电场的区域，选择全部气象要素。然后，利用目前预测时段的若干个预测时段功率数据与天气数据更新NARX神经网络模型的状态。

c)根据每一气象站的NWP预报值以及实时观测值，计算标志统计量，根据标志统计量选择相对应分组的F_h(ΔW^s,o(t+1))。然后，通过蒙特卡洛采样算法，采样得到目标预测时刻的天气状态值。将天气状态值作为外部输入数据，结合可再生能源发电功率序列，预测目标时刻可再生能源发电功率值。

d)重复步骤c)，直到达到蒙特卡洛采样算法设定的次数。然后，统计可再生能源功率预测值，得到可再生能源功率—频率分布表，包含可再生能源发电功率预测值及其概率。

S4，通过基于累积前景理论的风险评估方法，评估含高比例可再生能源的电力系统未来时刻的运行风险；在一个实施例中：

对于含高比例可再生能源的电力系统，可再生能源的间歇性、不确定性为电力系统的运行引入新的风险。风险评估是对事件的可能性与严重性的综合度量，采用累积前景理论对可再生能源功率爬坡事件的概率与损失进行修正，充分考虑调度人员的非理性心理因素为风险评估带来的影响。

由于可再生能源功率的变化会使电力系统遭受损失，因此构建累积前景理论损失模型的效用函数，其公式为：

u(v)＝λv^α

式中，U为累积前景理论损失模型的效用函数；p和v分别为概率序列和结果序列；v_q为第q种可能的结果；p_q为v_q对应的概率；Q代表可出现结果的总数；ω(p)为概率p的决策权重，表示决策者对客观概率的主观评价；u(v)为价值函数，表示决策者面临损失时主观感受对应的价值；γ为模型参数，λ为损失厌恶系数，α为损失敏感系数。

考虑到可再生能源发电功率变化可能导致可再生能源出力削减和电力负荷损失两种情况，结合累积前景理论，得到两种风险指标，其具体为：

a)可再生能源削减价值期望

式中，R为可再生能源种类，在此考虑风力发电和光伏发电两类，即R＝1,2；V_R为可再生能源的单位削减成本序列，为可再生能源削减功率序列。

b)电力负荷损失价值期望

式中，V_L为单位负荷损失费用，为损失负荷功率序列。

风险评估方法的计算需要考虑电力系统的约束条件，具体如下：

a)有功功率平衡约束

P_L(t)＝P_L,Local(t)+P_L,AC(t)+P_L,DC(t)

式中，P_G,n(t)为第n台常规机组在t时刻的发电功率,常规机组总数为N_f；P_W(t)为全部风电机组在t时刻的总发电功率；P_S(t)为全部光伏机组在t时刻的发电功率；P_L(t)为t时刻的总等效负荷，其包含本地总负荷P_L,Local(t)、交流断面有功功率P_L,AC(t)以及直流送出功率P_L,DC(t)。

b)常规机组出力范围约束

式中，和/>分别为第n台常规机组的发电功率的上下限。

c)常规机组爬坡速率约束

式中，η_R,n为第n台常规机组的爬坡率，单位为p.u./min；为第n台常规机组的额定功率；T_G代表一个电力系统运行风险评估时段。

为了进一步理解本发明，以下以CEPRI_RE标准算例系统中的局部电力系统作为研究算例进行分析，来解释本发明的实际应用。算例数据包括可再生能源功率、常规机组出力功率、负荷功率、断面潮流等电力系统信息，时间分辨率为15分钟。研究算例系统内部根据地理位置划分为5个区域，以子区域A～子区域E表示，每个子区域包含数量不一的气象站、风电场以及光伏电场。

本发明采用的NWP产品为GFS数据集，观测值数据则采用欧洲中期天气预报中心的ERA5再分析数据集。天气系统的再分析数据集是采用数据同化的数据处理技术将观测资料与NWP进行融合，为下一阶段的预报提供最优的初始条件，同时也弥补了观测数据时空分布不均的缺点。因此，再分析数据集在允许一定误差的情况可以作为算例系统的观测值使用。ERA5再分析数据集的时间分辨率为1小时，空间分辨率为0.25(经/纬)度。此外，为了与算例系统数据的时间分辨率相协调，对GFS和ERA5数据集进行插值处理，将两类数据集的时间分辨率转化为15分钟。为了最大程度保持数据集的原始形态，采用分段三次Hermite插值方法。GFS和ERA5数据集的空间维度除了经纬度外，还有大气垂直层次。考虑到风机轮毂的高度，风速和风向的大气垂直层次为离地高度100m，其余天气指标为离地高度2m。最后，对气象数据集进行时区校正。

在天气区划方案的算例分析中，本发明选取了算例系统中的子区域A作为典型区域。子区域A包含3个气象站、3个风电场以及3个光伏电场。首先，根据地理距离对子区域A进行预划分，图2为预区划方案。从中可以看出，气象站A1区域内存在1个风电场，气象站A2区域存在2个光伏电场，气象站A3区域存在2个风电场与1个光伏电场。根据预划分方案，气象站A1与A3的风的u分量、风的v分量数据，以及气象站A2与A3的温度、湿度、地表太阳辐射数据将作为NARX神经网络的外部输入。然后，利用综合相似度指标对预区划方案进行更新，得到更新后的区划方案如图3所示。与预划分结果进行对比，可以发现原属于A3区域的其中一个风电场由于该时段的天气状态与A2区域更为接近，因此被划分到A2区域。在NARX神经网络的训练与预测中，气象站A2的风的u分量、风的v分量数据也将作为外部输入参与其中。

选取气象站A3作为典型气象站，选取风的u分量与地表太阳辐射作为典型气象要素，显示4月1日天气状态预测结果。图4为风的u分量超前两步概率预测图，图5为地表太阳辐射值超前两步概率预测图，置信度为0.95，超前两步即提供30分钟后的预测值。从图中能够看出，GFS预报值虽然大体趋势上与实时数据保持一致，但是存在一定的时滞误差与幅值误差。本发明提出的方法可以有效实现天气状态的概率预测，实时观测值大多数落在预测上限与预测下限构成的区间，与GFS预报值相比，能够为区域可再生能源功率预测提供更为精确的天气信息。

将1月1日至3月1日的历史数据集(包括气象数据和可再生能源功率)作为训练样本对NARX神经网络进行训练，然后采用蒙特卡洛采样算法对4月1日的天气概率预测值进行采样，采样值作为NARX神经网络的外部输入，可以得到超前两步的区域可再生能源发电功率概率预测值，结果如图6所示，置信度为0.95。从图中可以看出，功率实际值基本落在预测区间内，区域可再生能源能发电功率的预测值能够较好的反应功率实际值，为实时调度留下足够时间。另一方面，4月1日7时至21时算例系统的区域可再生能源发电功率发生较大幅度的波动，可能为电力系统带来较大的运行风险。

最后，设定可再生能源的单位削减成本为40元/MW，单位负荷损失费用为1000元/MW。为验证本发明所提出电力系统运行风险评估方法的有效性与灵敏性，使用期望效用理论作为对比方法进行性能比较。期望效用理论没有考虑调度人员的非理性心理因素为风险评估带来的影响，未对小概率事件进行权重修正。基于超前两步概率预测的电力系统的可再生能源削减价值期望风险值与电力负荷损失价值期望风险值如图7和图8所示。

由图7可观察到，在11:15至19:30时间段，电力系统的可再生能源削减价值期望风险值先增大，达到峰值一段时间后迅速下降，与图5中地表太阳辐射值的变化规律相似，说明该时间段的风险值的变化主要是由光伏发电功率引起的，另一方面对比图6中7:45(日出前)与20:15(日落后)时刻的可再生能源发电功率，可以发现风电功率在11:15至19:30时间段也发生了一定程度的爬坡，因此该时间段风险值同时受到光伏与风电发电功率的影响。此外，由于该时间段风险值长期维持在一个较大值，表明此时的电力系统已经难以完全消纳可再生能源发电功率，因而造成严重的弃风弃光现象。

从图8可以看出，在10:30至11:00以及20:00至21:15两个时间段，电力负荷损失价值期望风险值不为0，说明这两个时间段有一定可能性发生切负荷，但由于值较小，切负荷发生几率较低。对比累积前景理论与期望效用理论，可以发现累积前景理论能够突出小概率事件，为调度机构提供更贴近自身需求的决策参考。

Claims (5)

1.一种基于天气区划策略的电力系统运行风险评估方法，其特征在于，包括如下步骤：

1)采用基于数值天气预报NWP与指标相似度的天气区划策略，选择出能够表征所在区域天气趋势特征的气象站；

2)使用基于核密度估计的气象数据统计分析与概率预测方法，预测步骤1)选出的气象站未来时刻的天气状态；

3)利用非线性有源自回归NARX神经网络算法构建可再生能源功率概率预测模型，利用所选出的气象站的历史天气状态值和可再生能源发电功率历史数据对模型进行训练，将预测的天气状态值作为外部输入数据，预测目标时刻可再生能源发电功率值；

4)通过基于累积前景理论的风险评估方法，评估含高比例可再生能源的电力系统未来时刻的运行风险；

采用基于数值天气预报NWP与指标相似度的天气区划策略，选择能够表征所在区域天气趋势特征的气象站，具体如下：

所述NWP的数据集具有网格化特点，即将全球划分为等经纬度的网络，假设第l个网格点G_l的地理坐标为(λ_l,φ_l)，式中，λ和φ分别为经度和纬度；G_l在t时刻的天气状态为W_l(t)，式中w_l(t)代表气象要素，N为所采用的NWP数据集涵盖的气象要素总数，保留其中与可再生能源发电相关度较高的气象要素，则G_l在t时刻的简化天气状态为/>式中/>分别为温度、湿度、风的u分量、风的v分量和地表太阳辐射；

将目标区域第k个气象站所处的网格G_h作为区划中心，并把与气象站天气状态相似度高、地理邻近的网格合并为一个区域，则目标地区将分割为与气象站数量相等的子区域，因此，基于数值天气预报与指标相似度的天气区划策略具体为：

a)构建天气区划集合Ω＝{ω₁,ω₂,......,ω_k}，式中ω_k代表第k个气象站所在区域包含的网格点集合，此时，ω_k＝{G_h}，仅包含气象站所处的网格；

b)根据网格地理距离进行预区划，计算每一网格点与全部气象站的地理距离，并把每一网格点归入与其地理距离最近的气象站所处区域，形成预区划方案；

c)计算每一网格点与全部气象站的综合相似度，综合相似度由地理距离与天气状态相似度两部分构成；

d)根据综合相似度更新预区划方案，按照经度、纬度从小到大的顺序将预区划方案中位于区域交界处的网格重新划分到与其综合相似度最小的气象站所处的区域中；

e)重复步骤d)直到网格归属不再发生变化，形成最后的天气区划方案，此时，可认为单点气象站的天气状态观测数据能够表征该气象站所处区域的天气状态，即：

天气区划方案中每一气象站所在网格的气象数据将用于后续分析。

2.根据权利要求1所述的基于天气区划策略的电力系统运行风险评估方法，其特征在于，使用基于核密度估计的气象数据统计分析与概率预测方法，预测气象站未来时刻的天气状态，具体如下：

a)将一段时间历史气象数据中气象要素：温度、湿度、风的u分量、风的v分量和地表太阳辐射的预报值与观测值作为统计样本，计算预报误差和当前时刻变化量，其公式为：

e^s(t)＝W^s,p(t)-W^s,o(t)

ΔW^s,o(t)＝W^s,o(t)-W^s,o(t-1)

式中，W^s,p(t)与W^s,o(t)分别为天气状态的预测值和观测值；e^s(t)为天气状态预报误差；ΔW^s,o(t)为天气状态当前时刻变化量；t∈T，T代表选择的历史气象数据集包含的时段数；

b)采用复合分组体系对统计数据进行划分，以W^s,o、e^s和ΔW^s,o三个统计量作为标志进行分组，数据分组使用组距分组，组距可根据标志统计量的最大值、最小值以及组数决定，其公式为：

式中，为标志统计量Y的组距；/>为标志统计量Y的组数，取5到15组；/>为采用复合分组体系的总组数，然后，检查落入每个分组的样本点是否满足样本数目要求，将样本点过少的分组并入相邻分组，直到所有分组满足要求；

c)对于每一个分组，计算历史气象数据集中天气状态下一时刻变化量的一维核密度估计，得到概率密度函数以及对应的累积分布函数，其公式为：

ΔW^s,o(t+1)＝W^s,o(t+1)-W^s,o(t)

式中，ΔW^s,o(t+1)为天气状态下一时刻变化量；为ΔW^s,o(t+1)的概率密度函数；M为组内气象数据样本数；h为带宽；K(x_W)为采用的核函数，在此采用高斯核函数；F_h(ΔW^s,o(t+1))为ΔW^s,o(t+1)的累积分布函数；

d)根据气象站所实时获取的当前时刻观测值、NWP预报值以及计算得到的统计量，根据累积分布函数，在给定的置信度下，得到下一时刻天气状态预测值区间以及对应的发生概率；

e)利用d)得到的概率预测值进一步外推，得到未来多个时刻天气状态的天气状态预测值区间以及对应的发生概率。

3.根据权利要求1所述的基于天气区划策略的电力系统运行风险评估方法，其特征在于，利用NARX神经网络算法构建可再生能源功率概率预测模型，实现区域可再生能源发电功率的概率预测，具体如下：

NARX神经网络为：

y_D(t)＝f_NN{x_D(t),x_D(t-1),...,x_D(t-d),y_D(t-1),...,y_D(t-d)}

式中，f_NN表示NARX神经网络模型；x_D(t)代表t时刻的外部输入数据，即气象数据；y_D(t)代表t时刻的输出数据，即可再生能源发电功率；NARX神经网络含有延时模块，d为延时量，采用莱文伯格-马夸特算法作为NARX神经网络的训练算法；

区域可再生能源发电功率的概率预测具体步骤为：

a)根据可再生能源电站的地理位置，选择天气区划方案中所有内部包含可再生能源电站的区域；

b)以这些区域的气象站所在网格的历史气象数据作为外部输入数据，并利用可再生能源发电功率的历史值，训练NARX神经网络模型；对于内部只含有风电场的区域，气象数据选择风的u分量、风的v分量，其他气象要素置为0；对于内部只含有光伏电场的区域，气象数据选择温度、湿度、地表太阳辐射，其他气象要素置为0；对于内部同时含有风电场与光伏电场的区域，选择全部气象要素，然后，利用目前预测时段的若干个预测时段功率数据与天气数据更新NARX神经网络模型的状态；

c)根据每一气象站的NWP预报值以及实时观测值，计算标志统计量，根据标志统计量选择相对应分组的F_h(ΔW^s,o(t+1))；然后，通过蒙特卡洛采样算法，采样得到目标预测时刻的天气状态值，将天气状态值作为外部输入数据，结合可再生能源发电功率序列，预测目标时刻可再生能源发电功率值；

d)重复步骤c)，直到达到蒙特卡洛采样算法设定的次数，然后，统计可再生能源功率预测值，得到可再生能源功率—频率分布表，包含可再生能源发电功率预测值及其概率。

4.根据权利要求1所述的基于天气区划策略的电力系统运行风险评估方法，其特征在于，通过基于累积前景理论的风险评估方法，评估含高比例可再生能源的电力系统未来时刻的运行风险，具体如下：

由于可再生能源功率的变化会使电力系统遭受损失，因此构建累积前景理论损失模型的效用函数，其公式为：

u(v)＝λv^α

式中，U为累积前景理论损失模型的效用函数；p和v分别为概率序列和结果序列；v_q为第q种可能的结果；p_q为v_q对应的概率；Q代表可出现结果的总数；ω(p)为概率p的决策权重，表示决策者对客观概率的主观评价；u(v)为价值函数，表示决策者面临损失时主观感受对应的价值；γ为模型参数，λ为损失厌恶系数，α为损失敏感系数；

考虑到可再生能源发电功率变化可能导致可再生能源出力削减和电力负荷损失两种情况，结合累积前景理论，得到两种风险指标，其具体为：

a)可再生能源削减价值期望

式中，R为可再生能源种类，在此考虑风力发电和光伏发电两类，即R＝1,2；V_R为可再生能源的单位削减成本序列，为可再生能源削减功率序列；

b)电力负荷损失价值期望

式中，V_L为单位负荷损失费用，为损失负荷功率序列。

5.根据权利要求4所述的基于天气区划策略的电力系统运行风险评估方法，其特征在于，风险评估方法的计算需要考虑电力系统的约束条件，具体如下：

a)有功功率平衡约束

P_L(t)＝P_L,Local(t)+P_L,AC(t)+P_L,DC(t)

式中，P_G,n(t)为第n台常规机组在t时刻的发电功率,常规机组总数为N_f；P_W(t)为全部风电机组在t时刻的总发电功率；P_S(t)为全部光伏机组在t时刻的发电功率；P_L(t)为t时刻的总等效负荷，其包含本地总负荷P_L,Local(t)、交流断面有功功率P_L,AC(t)以及直流送出功率P_L,DC(t)；

b)常规机组出力范围约束

式中，和/>分别为第n台常规机组的发电功率的上下限；

c)常规机组爬坡速率约束

式中，η_R,n为第n台常规机组的爬坡率，单位为p.u./min；为第n台常规机组的额定功率；T_G代表一个电力系统运行风险评估时段。