CN114862076A - 一种风险场景快速辨识方法和系统 - Google Patents

一种风险场景快速辨识方法和系统 Download PDF

Info

Publication number
CN114862076A
CN114862076A CN202110077181.8A CN202110077181A CN114862076A CN 114862076 A CN114862076 A CN 114862076A CN 202110077181 A CN202110077181 A CN 202110077181A CN 114862076 A CN114862076 A CN 114862076A
Authority
CN
China
Prior art keywords
scene
matrix
wind power
sequence
sampling
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.)
Pending
Application number
CN202110077181.8A
Other languages
English (en)
Inventor
白婕
黄越辉
李庆
王晶
刘思扬
梁昌波
高云峰
唐林
李丽
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
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Shandong 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, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110077181.8A priority Critical patent/CN114862076A/zh
Publication of CN114862076A publication Critical patent/CN114862076A/zh
Pending legal-status Critical Current

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种风险场景快速辨识方法和系统，包括：基于考虑风电预测误差置信度的风电功率概率预测结果获取风电功率概率预测采样值；采用预先计算的顺序矩阵对风电功率概率预测采样值进行排序，得到考虑时空相关性的风电出力场景序列；根据顺序矩阵提取所有极值场景；对每个极值场景进行风险评估，当评估结果为极值场景为安全场景则极值场景的相邻场景为安全场景；当极值场景具有风险时，对有风险的极值场景的相邻场景，以及有风险的相邻场景的相邻场景进行风险评估，直到评估得到安全场景时，结束评估。本发明考虑了风电功率预测的不确定性，可实现风险场景的快速判断，为调度决策者提供更为全面的风险评估结果，有助于系统安全稳定运行。

Description

一种风险场景快速辨识方法和系统
技术领域
本发明属于风电预测技术领域，具体涉及一种风险场景快速辨识方法和系统。
背景技术
近年来，随着风电并网容量的增大，风电出力的不确定性对系统静态安全的影响也越来越严重。虽然学者针对含大规模风电并网的电力系统风险评估做了大量的研究工作，但都没有考虑风电出力的不确定性和相关性对风险评估结果准确性的影响。
传统的确定性评估方法在分析电力系统行为的特性中存在诸多不足，不能完全揭示电力系统在实际运行中存在的随机概率行为，也不能准确的反映和预知电力系统可能遭受的事故及其后果。同时，目前的研究都主要关注于如何给出风险评估结果，忽略了风电出力的相关性，由于对考虑相关性的随机变量进行计算本身就是非常耗时的，难以兼顾计算精度与计算效率。
发明内容
为克服上述现有技术的不足，本发明提出一种风险场景快速辨识方法，包括：
基于考虑风电预测误差置信度的风电功率概率预测结果获取风电功率概率预测采样值；
采用预先计算的顺序矩阵对所述风电功率概率预测采样值进行排序，得到考虑时空相关性的风电出力场景序列；
根据所述顺序矩阵提取所有极值场景；
对每个极值场景进行风险评估，当评估结果为极值场景为安全场景则所述极值场景的相邻场景为安全场景；当评估结果为极值场景具有风险时，对有风险的极值场景的相邻场景，以及有风险的相邻场景的相邻场景进行风险评估，直到评估得到安全场景时，结束评估；
其中，所述相邻场景为基于相关性在所述风电出力场景序列中相邻的场景。
优选的，所述顺序矩阵的计算，包括：
获取多日风电出力的历史数据，所述风电出力包括一个或多个风电场的出力；
根据所述历史数据拟合计算风电出力的累积概率密度函数；
根据所述累积概率密度函数对所述历史数据进行采样，得到历史采样矩阵，其中所述历史采样矩阵的行表示风机场，所述历史采样矩阵的列表示对应所述累积概率密度函数的风机场的出力的取值空间；
计算各风机组出力间的相关系数矩阵，结合所述相关系数矩阵采用Nataf变换方法计对所述历史采样矩阵进行排序，得到历史场景矩阵序列；
根据所述历史场景矩阵序列得到顺序矩阵，所述顺序矩阵的各行分别表示对应风机场的各采样值的时空相关性排列位置。
优选的，所述根据所述历史场景矩阵序列得到顺序矩阵，包括：
获取所述历史场景矩阵序列中各场景矩阵的排序顺序；
记录场景矩阵的排序顺序，得到顺序矩阵。
优选的，所述根据所述顺序矩阵提取所有极值场景，包括：
提取所述顺序矩阵的各列数据；
分别以各列数据对应的风电出力场景作为极值场景。
优选的，所述风险评估，包括：
采用风险趋向型的效用函数对风电出力场景进行计算，得到风险值；
若所述风险值超过预设标准，则评估结果为风电出力场景为具有风险的风险场景，否则评估结果为风电出力场景为安全场景。
优选的，所述基于考虑风电预测误差置信度的风电功率概率预测结果获取风电功率概率预测采样值，包括：
考虑风电预测误差置信度获取风电功率概率预测结果；
对所述风电功率概率预测结果进行拉丁超立方采样，得到风电功率概率预测采样值。
基于同一发明构思，本发明还提供了一种风险场景快速辨识系统，包括：数据采集模块、排序模块、极值场景模块和评估模块；
所述数据采集模块，用于基于考虑风电预测误差置信度的风电功率概率预测结果获取风电功率概率预测采样值；
所述排序模块，用于采用预先计算的顺序矩阵对所述风电功率概率预测采样值进行排序，得到考虑时空相关性的风电出力场景序列；
所述极值场景模块，用于根据所述顺序矩阵提取所有极值场景；
所述评估模块，用于对每个极值场景进行风险评估，当评估结果为极值场景为安全场景则所述极值场景的相邻场景为安全场景并结束评估；当评估结果为极值场景具有风险时，对有风险的极值场景的相邻场景，以及有风险的相邻场景的相邻场景进行风险评估，直到评估得到安全场景时，结束评估；
其中，所述相邻场景为基于相关性在所述风电出力场景序列中相邻的场景。
优选的，还包括用于计算顺序矩阵的顺序矩阵模块，所述顺序矩阵模块包括：历史数据单元、累积概率密度函数单元、历史采样矩阵单元、历史场景矩阵序列单元和顺序矩阵单元；
所述历史数据单元，用于获取多日风电出力的历史数据，所述风电出力包括一个或多个风电场的出力；
所述累积概率密度函数单元，用于根据所述历史数据拟合计算风电出力的累积概率密度函数；
所述历史采样矩阵单元，用于根据所述累积概率密度函数对所述历史数据进行采样，得到历史采样矩阵，其中所述历史采样矩阵的行表示风机场，所述历史采样矩阵的列表示对应所述累积概率密度函数的风机场的出力的取值空间；
所述历史场景矩阵序列单元，用于计算各风机组出力间的相关系数矩阵，结合所述相关系数矩阵采用Nataf变换方法计对所述历史采样矩阵进行排序，得到历史场景矩阵序列；
所述顺序矩阵单元，用于根据所述历史场景矩阵序列得到顺序矩阵，所述顺序矩阵的各行分别表示对应风机场的各采样值的时空相关性排列位置。
优选的，所述顺序矩阵单元包括：排序顺序子单元和顺序矩阵子单元；
所述排序顺序子单元，用于获取所述历史场景矩阵序列中各场景矩阵的排序顺序；
所述顺序矩阵子单元，用于记录场景矩阵的排序顺序，得到顺序矩阵。
优选的，所述数据采集模块包括：风电功率概率预测结果获取单元和采样单元；
所述风电功率概率预测结果获取单元，用于考虑风电预测误差置信度获取风电功率概率预测结果；
所述采样单元，用于对所述风电功率概率预测结果进行拉丁超立方采样，得到风电功率概率预测采样值。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明提出了一种风险场景快速辨识方法和系统，包括：基于考虑风电预测误差置信度的风电功率概率预测结果获取风电功率概率预测采样值；采用预先计算的顺序矩阵对风电功率概率预测采样值进行排序，得到考虑时空相关性的风电出力场景序列；根据顺序矩阵提取所有极值场景；对每个极值场景进行风险评估，当极值场景为安全场景则极值场景的相邻场景为安全场景；当极值场景具有风险时，对有风险的极值场景的相邻场景，以及有风险的相邻场景的相邻场景进行风险评估，直到评估得到安全场景时，结束评估；其中，相邻场景为基于相关性在风电出力场景序列中相邻的场景。本发明考虑了风电功率预测的不确定性，可实现风险场景的快速判断，为调度决策者提供更为全面的风险评估结果，有助于系统安全稳定运行。
附图说明
图1为本发明提供的一种风险场景快速辨识方法流程示意图；
图2为本发明提供的一个风险场景快速辨识方法实施例流程示意图；
图3为本发明提供的风险场景分布示意图；
图4为本发明提供的一种风险场景快速辨识系统基本结构示意图；
图5为本发明提供的一种风险场景快速辨识系统详细结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
本发明提出了一种风险场景快速辨识方法，通过风电功率的概率预测结果采用拉丁超立方采样方法构造考虑风电相关性的风电出力场景。在此基础上，基于风险评估模型对所构造的出力场景进行评估查找到所有的风险场景，并进一步确定出一个不包含危险场景的系统运行静态安全域。在保证评估精度的同时，避免了对大量安全场景的冗余计算，实现风险场景的快速评估。本发明可以为调度决策者提供更为全面的风险评估结果，有助于抵御未来可能发生的风险，避免不必要的损失。本发明中的危险场景也即为风险场景。
实施例1：
本发明提供的一种风险场景快速辨识方法流程示意图如图1所示，包括：
步骤1：基于考虑风电预测误差置信度的风电功率概率预测结果获取风电功率概率预测采样值；
步骤2：采用预先计算的顺序矩阵对风电功率概率预测采样值进行排序，得到考虑时空相关性的风电出力场景序列；
步骤3：根据顺序矩阵提取所有极值场景；
步骤4：对每个极值场景进行风险评估，当评估结果为极值场景为安全场景则极值场景的相邻场景为安全场景；当评估结果为极值场景具有风险时，对有风险的极值场景的相邻场景，以及有风险的相邻场景的相邻场景进行风险评估，直到评估得到安全场景时，结束评估；
其中，相邻场景为基于相关性在风电出力场景序列中相邻的场景。
具体的，本发明涉及一种风险场景快速辨识方法，具体实施步骤如图2所示，包括：
S1、获得风电每日96点概率预测数据，计算用于相关性排序的顺序矩阵；
步骤S1中的风电每日96点概率预测数据即为附图2中的历史数据，是进行风险场景辨识的一个或多个风电场的多日历史出力数据。通过历史数据可以拟合出风电场出力的累计概率密度函数，用于顺序矩阵的计算。
顺序矩阵是一个排序矩阵，每行代表随机变量的N个采样值的排列位置，本实施例中表示对应该行的风电场的多个出力值按照相关性的排列位置。求取顺序矩阵是为了根据排列位置获得场景矩阵的快捷方法。一个场景包含n个随机变量即n个风电场，每个变量有N个取值空间。每n个随机变量在取值空间上随机取值，组成一个n行的列向量即构成一个场景。先让每个变量在N个取值空间上随机采样(取值空间对应累计概率密度函数，是递增的)，构成n*N的矩阵，这就形成了一个每行递增的采样矩阵。实际上，随机变量之间并非有同增同减的特性，而是具有一定的相关性。此时，应该计算随机变量间的相关系数矩阵，再采用Nataf变换方法计对采样矩阵进行排序，这样就得到新的场景矩阵。
顺序矩阵记录新的场景矩阵的排序顺序，即记录随机变量间的相关性，这样每次根据顺序矩阵对采样矩阵进行排序即可获得表征相关性的场景矩阵。
本实施例中，一个场景为n个风电场的出力。
步骤S1为预先进行的顺序矩阵计算。
S2、基于风电功率概率预测结果进行拉丁超立方采样(LHS采样)，并采用提前计算的顺序矩阵对拉丁超立方采样样本进行排序，以快速构造考虑相关性的风电出力场景；
步骤S2中，风电功率概率预测结果为附图2中的在线数据，是指风电出力的概率分布，是考虑了预测误差后得到的一定概率下可能的风电出力，即不同置信度水平下的风电功率(是一个区间)。
用LHS采样方法对风电功率概率预测结果进行采样，然后采用步骤S1得到的顺序矩阵对采样数据进行排序，可得到考虑相关性的风电出力场景。
步骤S2即为上述步骤1和步骤2。
S3、根据顺序矩阵提取极值场景，并对极值场景进行风险评估计算，如果未发现危险场景，则认为系统无运行风险，输出评估结果并退出；如果发现危险场景，执行步骤S4；
极值场景是顺序矩阵中每一个含1或n的列对应的场景。对每个极值场景，利用“风险趋向型的效用函数”进行风险评估，可发现极值场景是否为危险场景：若有危险场景，则执行步骤S4；否则辨识结果为包括一个或多个风电场的系统在预测的时间段内无运行风险，风电功率概率预测结果对应的各场景均为安全场景。其中利用风险趋向型的效用函数进行风险评估为现有技术，本发明不进行详细介绍。
本发明中的风险评估模型包括风险趋向型的效用函数和设置的评估指标。利用风险趋向型的效用函数计算出极值场景的风险值后，通过风险值与评估指标进行对比，进而判断极值场景是否为危险场景。
步骤S3中包括步骤3提取所有极值场景，也包括步骤4中的极值场景的风险评估。
S4、查找与危险场景相邻的风电出力场景，并对其中未评估过的场景进行风险评估计算，如果发现新的危险场景，则重复执行步骤S4；如果未发现新的危险场景，则执行步骤S5；
附图3示出了风险场景分布示意图。当在步骤S3中找的危险场景时，根据相关性在步骤S2中得到的风电出力场景中，找到该危险场景的未评估过的相邻风电出力场景并进行风险评估计算，直到相邻场景均为安全场景或所有场景都评估完毕。
步骤S4即前述步骤4中对风险的极值场景的相邻场景，以及有风险的相邻场景的相邻场景进行风险评估。
S5、将未评估的风电出力场景视为安全场景，对风险评估进行结果统计并输出。
即将未评估的风电出力场景视为安全场景后，统计出所有的风险场景并输出。
实施例2：
基于同一发明构思，本发明还提供了一种风险场景快速辨识系统。
该系统基本结构如图4所示，包括：数据采集模块、排序模块、极值场景模块和评估模块；
数据采集模块，用于基于考虑风电预测误差置信度的风电功率概率预测结果获取风电功率概率预测采样值；
排序模块，用于采用预先计算的顺序矩阵对风电功率概率预测采样值进行排序，得到考虑时空相关性的风电出力场景序列；
极值场景模块，用于根据顺序矩阵提取所有极值场景；
评估模块，用于对每个极值场景进行风险评估，当评估结果为极值场景为安全场景则极值场景的相邻场景为安全场景并结束评估；当评估结果为极值场景具有风险时，对有风险的极值场景的相邻场景，以及有风险的相邻场景的相邻场景进行风险评估，直到评估得到安全场景时，结束评估；
其中，相邻场景为基于相关性在风电出力场景序列中相邻的场景。
风险场景快速辨识系统详细结构如图5所示。
该系统还包括用于计算顺序矩阵的顺序矩阵模块，顺序矩阵模块包括：历史数据单元、累积概率密度函数单元、历史采样矩阵单元、历史场景矩阵序列单元和顺序矩阵单元；
历史数据单元，用于获取多日风电出力的历史数据，风电出力包括一个或多个风电场的出力；
累积概率密度函数单元，用于根据历史数据拟合计算风电出力的累积概率密度函数；
历史采样矩阵单元，用于根据累积概率密度函数对历史数据进行采样，得到历史采样矩阵，其中历史采样矩阵的行表示风机场，历史采样矩阵的列表示对应累积概率密度函数的风机场的出力的取值空间；
历史场景矩阵序列单元，用于计算各风机组出力间的相关系数矩阵，结合相关系数矩阵采用Nataf变换方法计对历史采样矩阵进行排序，得到历史场景矩阵序列；
顺序矩阵单元，用于根据历史场景矩阵序列得到顺序矩阵，顺序矩阵的各行分别表示对应风机场的各采样值的时空相关性排列位置。
其中，顺序矩阵单元包括：排序顺序子单元和顺序矩阵子单元；
排序顺序子单元，用于获取历史场景矩阵序列中各场景矩阵的排序顺序；
顺序矩阵子单元，用于记录场景矩阵的排序顺序，得到顺序矩阵。
其中，数据采集模块包括：风电功率概率预测结果获取单元和采样单元；
风电功率概率预测结果获取单元，用于考虑风电预测误差置信度获取风电功率概率预测结果；
采样单元，用于对风电功率概率预测结果进行拉丁超立方采样，得到风电功率概率预测采样值。
其中，极值场景模块包括：数列提取单元和极值场景单元；
数列提取单元，用于提取顺序矩阵的各列数据；
极值场景单元，用于分别以各列数据对应的风电出力场景作为极值场景。
其中，评估模块进行风险评估时，具体包括采用风险趋向型的效用函数对风电出力场景进行计算，得到风险值；
若风险值超过预设标准，则评估结果为风电出力场景为具有风险的风险场景，否则评估结果为风电出力场景为安全场景。
本领域内的技术人员应明白，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。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (10)

1.一种风险场景快速辨识方法，其特征在于，包括：
基于考虑风电预测误差置信度的风电功率概率预测结果获取风电功率概率预测采样值；
采用预先计算的顺序矩阵对所述风电功率概率预测采样值进行排序，得到考虑时空相关性的风电出力场景序列；
根据所述顺序矩阵提取所有极值场景；
对每个极值场景进行风险评估，当评估结果为极值场景为安全场景则所述极值场景的相邻场景为安全场景；当评估结果为极值场景具有风险时，对有风险的极值场景的相邻场景，以及有风险的相邻场景的相邻场景进行风险评估，直到评估得到安全场景时，结束评估；
其中，所述相邻场景为基于相关性在所述风电出力场景序列中相邻的场景。
2.如权利要求1所述的方法，其特征在于，所述顺序矩阵的计算，包括：
获取多日风电出力的历史数据，所述风电出力包括一个或多个风电场的出力；
根据所述历史数据拟合计算风电出力的累积概率密度函数；
根据所述累积概率密度函数对所述历史数据进行采样，得到历史采样矩阵，其中所述历史采样矩阵的行表示风机场，所述历史采样矩阵的列表示对应所述累积概率密度函数的风机场的出力的取值空间；
计算各风机组出力间的相关系数矩阵，结合所述相关系数矩阵采用Nataf变换方法计对所述历史采样矩阵进行排序，得到历史场景矩阵序列；
根据所述历史场景矩阵序列得到顺序矩阵，所述顺序矩阵的各行分别表示对应风机场的各采样值的时空相关性排列位置。
3.如权利要求2所述的方法，其特征在于，所述根据所述历史场景矩阵序列得到顺序矩阵，包括：
获取所述历史场景矩阵序列中各场景矩阵的排序顺序；
记录场景矩阵的排序顺序，得到顺序矩阵。
4.如权利要求2所述的方法，其特征在于，所述根据所述顺序矩阵提取所有极值场景，包括：
提取所述顺序矩阵的各列数据；
分别以各列数据对应的风电出力场景作为极值场景。
5.如权利要求1所述的方法，其特征在于，所述风险评估，包括：
采用风险趋向型的效用函数对风电出力场景进行计算，得到风险值；
若所述风险值超过预设标准，则评估结果为风电出力场景为具有风险的风险场景，否则评估结果为风电出力场景为安全场景。
6.如权利要求1所述的方法，其特征在于，所述基于考虑风电预测误差置信度的风电功率概率预测结果获取风电功率概率预测采样值，包括：
考虑风电预测误差置信度获取风电功率概率预测结果；
对所述风电功率概率预测结果进行拉丁超立方采样，得到风电功率概率预测采样值。
7.一种风险场景快速辨识系统，其特征在于，包括：数据采集模块、排序模块、极值场景模块和评估模块；
所述数据采集模块，用于基于考虑风电预测误差置信度的风电功率概率预测结果获取风电功率概率预测采样值；
所述排序模块，用于采用预先计算的顺序矩阵对所述风电功率概率预测采样值进行排序，得到考虑时空相关性的风电出力场景序列；
所述极值场景模块，用于根据所述顺序矩阵提取所有极值场景；
所述评估模块，用于对每个极值场景进行风险评估，当评估结果为极值场景为安全场景则所述极值场景的相邻场景为安全场景并结束评估；当评估结果为极值场景具有风险时，对有风险的极值场景的相邻场景，以及有风险的相邻场景的相邻场景进行风险评估，直到评估得到安全场景时，结束评估；
其中，所述相邻场景为基于相关性在所述风电出力场景序列中相邻的场景。
8.如权利要求7所述的系统，其特征在于，还包括用于计算顺序矩阵的顺序矩阵模块，所述顺序矩阵模块包括：历史数据单元、累积概率密度函数单元、历史采样矩阵单元、历史场景矩阵序列单元和顺序矩阵单元；
所述历史数据单元，用于获取多日风电出力的历史数据，所述风电出力包括一个或多个风电场的出力；
所述累积概率密度函数单元，用于根据所述历史数据拟合计算风电出力的累积概率密度函数；
所述历史采样矩阵单元，用于根据所述累积概率密度函数对所述历史数据进行采样，得到历史采样矩阵，其中所述历史采样矩阵的行表示风机场，所述历史采样矩阵的列表示对应所述累积概率密度函数的风机场的出力的取值空间；
所述历史场景矩阵序列单元，用于计算各风机组出力间的相关系数矩阵，结合所述相关系数矩阵采用Nataf变换方法计对所述历史采样矩阵进行排序，得到历史场景矩阵序列；
所述顺序矩阵单元，用于根据所述历史场景矩阵序列得到顺序矩阵，所述顺序矩阵的各行分别表示对应风机场的各采样值的时空相关性排列位置。
9.如权利要求8所述的系统，其特征在于，所述顺序矩阵单元包括：排序顺序子单元和顺序矩阵子单元；
所述排序顺序子单元，用于获取所述历史场景矩阵序列中各场景矩阵的排序顺序；
所述顺序矩阵子单元，用于记录场景矩阵的排序顺序，得到顺序矩阵。
10.如权利要求7所述的系统，其特征在于，所述数据采集模块包括：风电功率概率预测结果获取单元和采样单元；
所述风电功率概率预测结果获取单元，用于考虑风电预测误差置信度获取风电功率概率预测结果；
所述采样单元，用于对所述风电功率概率预测结果进行拉丁超立方采样，得到风电功率概率预测采样值。
CN202110077181.8A 2021-01-20 2021-01-20 一种风险场景快速辨识方法和系统 Pending CN114862076A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110077181.8A CN114862076A (zh) 2021-01-20 2021-01-20 一种风险场景快速辨识方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110077181.8A CN114862076A (zh) 2021-01-20 2021-01-20 一种风险场景快速辨识方法和系统

Publications (1)

Publication Number Publication Date
CN114862076A true CN114862076A (zh) 2022-08-05

Family

ID=82623398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110077181.8A Pending CN114862076A (zh) 2021-01-20 2021-01-20 一种风险场景快速辨识方法和系统

Country Status (1)

Country Link
CN (1) CN114862076A (zh)

Similar Documents

Publication Publication Date Title
CN110210660B (zh) 一种超短期风速预测方法
CN102521080A (zh) 电力用户用电信息采集系统的计算机数据修复方法
CN117556369B (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN111353232A (zh) 堆芯热工水力程序结果不确定性量化分析方法及装置
CN111368887A (zh) 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN114493006A (zh) 电网运行风险预测方法、系统、计算机设备及存储介质
CN113743661A (zh) 锂离子电池在线容量预测的方法、系统、设备及存储介质
CN114707739A (zh) 基于大数据的风光出力预测与市场风险管控方法和系统
CN117318033B (zh) 一种结合数据孪生的电网数据管理方法及系统
CN107644145B (zh) 一种基于蒙特卡洛和决策逻辑的故障行为仿真方法
CN116992274B (zh) 基于改进主成分回归模型的短期风速预测方法及系统
CN117833231A (zh) 基于Bi-LSTM和双重注意力机制的负荷预测方法
CN114862076A (zh) 一种风险场景快速辨识方法和系统
CN109902352B (zh) 一种暂态功角稳定分析关键特征量提取方法及系统
CN109840308B (zh) 一种区域风电功率概率预报方法及系统
CN115600143A (zh) 储能锂电池故障诊断方法及装置
CN116307139A (zh) 一种优化与改进极限学习机的风电功率超短期预测方法
CN114116853B (zh) 基于时序关联分析的数据安全分析方法及装置
CN111310121A (zh) 一种新能源出力概率预测方法和系统
CN115392101A (zh) 一种综合能源随机场景生成方法及系统
CN111861259B (zh) 一种考虑时序性的负荷建模方法、系统、存储介质
CN110008229B (zh) 基于计算机用于识别长时记忆语言单位信息的方法
CN112380748A (zh) 一种输电塔风致随机振动分析方法和相关装置
CN110309982A (zh) 基于矩阵分解的电力负荷预测方法、装置及设备

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