CN115564310A - 一种基于卷积神经网络的新能源电力系统可靠性评估方法 - Google Patents

一种基于卷积神经网络的新能源电力系统可靠性评估方法 Download PDF

Info

Publication number
CN115564310A
CN115564310A CN202211399702.2A CN202211399702A CN115564310A CN 115564310 A CN115564310 A CN 115564310A CN 202211399702 A CN202211399702 A CN 202211399702A CN 115564310 A CN115564310 A CN 115564310A
Authority
CN
China
Prior art keywords
model
training
cnn
new energy
load
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
CN202211399702.2A
Other languages
English (en)
Inventor
邵成成
任孟极
徐天元
钱涛
王锡凡
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202211399702.2A priority Critical patent/CN115564310A/zh
Publication of CN115564310A publication Critical patent/CN115564310A/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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06N3/08—Learning methods
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

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

Abstract

本发明公开了一种基于卷积神经网络的新能源电力系统可靠性评估方法，包括：1)根据历史数据对新能源电力系统涉及的元件进行建模；2)抽样生成用于CNN回归模型训练的数据集，并将其分为训练集与测试集两部分；3)利用训练集训练CNN回归模型，待模型训练结束后在测试集中评估模型的性能；4)通过蒙特卡洛法生成待评估样本，利用训练好的CNN回归模型对待评估样本进行识别与切负荷量估计；5)统计结果，计算得到系统的可靠性指标。本发明能够在改进传统方法繁琐复杂的系统状态评估过程，在保证计算结果准确性的前提下，提升计算效率，使方法实施简单化、通用化。

Description

一种基于卷积神经网络的新能源电力系统可靠性评估方法
技术领域
本发明属于电力系统可靠性分析领域，具体涉及一种基于卷积神经网络(convolutional neural network，CNN)的新能源电力系统可靠性评估方法。
背景技术
风电、光伏的大规模接入给电力系统可靠性评估带来了巨大挑战。新能源电力随机性、波动性显著，这一方面使得Monte Carlo模拟(Monte Carlo Simulation，MCS)特别是序贯MCS成为电力系统可靠性评估的必然选择；另一方面又使系统运行的不确定性增强、潜在运行场景数量显著增加，影响MCS方法的计算效率。因此，针对不确定性日益增强的电力系统，开发一种准确、快速的可靠性评估方法具有重要的现实意义。
MCS方法通常需要采样大量的系统状态并进行复杂的最优切负荷计算进而得到可靠性指标。为提升MCS方法效率，目前可从以下两种途径入手：一是通过代表性样本的生成和选取，减少获得特定精度可靠性评估结果所需评估的样本数量，从而减少计算量，提升评估效率。但仍需对所抽样的样本进行复杂的最优切负荷计算。提升MCS方法效率的另一种途径是减少单个样本评估所需时间。其主要利用数据驱动算法实现对系统能否可靠供电进行快速判别，从而加快LOLP指标计算。但这些基于样本分类的工作无法直接提供EENS等与失负荷量相关的指标。
综上，提升MCS法的效率是新能源电力系统可靠性评估的关键问题，在众多研究和应用中发挥基础性作用，但现有的方法仍无法避免复杂耗时的系统状态评估，尤其是最优切负荷计算。
发明内容
本发明的目的在于针对现有新能源电力系统可靠性评估常用方法-MCS法的不足，在序贯MCS框架下引入卷积神经网络加速系统状态评估环节进而提升序贯MCS法的效率，提供了一种基于卷积神经网络的新能源电力系统可靠性评估方法。此发明旨在改进传统方法繁琐复杂的系统状态评估过程，在保证计算结果准确性的前提下，提升计算效率，使方法实施简单化、通用化。
为实现上述目的，本发明采用的技术方案是：
一种基于卷积神经网络的新能源电力系统可靠性评估方法，包括：
1)根据历史数据对新能源电力系统涉及的元件进行建模；
2)抽样生成用于CNN回归模型训练的数据集，并将其分为训练集与测试集两部分；
3)利用训练集训练CNN回归模型，待模型训练结束后在测试集中评估模型的性能；
4)通过蒙特卡洛法生成待评估样本，利用训练好的CNN回归模型对待评估样本进行识别与切负荷量估计；
5)统计结果，计算得到系统的可靠性指标。
本发明进一步的改进在于，步骤1)中，根据元件参数和新能源出力统计数据，进行新能源电力系统各元件的可靠性及新能源出力建模，其中火电机组考虑装机容量、最小技术出力、故障率和修复率，建立两状态模型；变压器、线路考虑容量、电纳值、停运率和停运持续时间，建立两状态模型；风电、光伏电站采用时序模型。
本发明进一步的改进在于，步骤2)中，根据系统各类型元件的模型，抽样生成系统状态进而得到用于CNN回归模型训练的数据集，将获得的数据集进一步分为训练集与测试集，来训练与测试CNN回归模型。
本发明进一步的改进在于，步骤3)中，CNN回归模型输入特征矩阵如式(1)所示：
Figure BDA0003934489290000031
式中PRi表示节点i并网新能源电力的可用功率；Ei表示节点i并网常规机组的可用容量；Bii为B的第i个对角元，即节点i的自电纳；
其输出为系统切负荷量的预测值
Figure BDA0003934489290000032
本发明进一步的改进在于，CNN回归模型的输出为最优切负荷量的预测值；CNN回归模型的训练标签为系统真实的最优切负荷量，该真实值通过求解如下的最优切负荷模型来获得：
目标函数为全系统切负荷量或切负荷成本最低：
Figure BDA0003934489290000033
其中PC为系统切负荷总量，ND为负荷节点集合，PCi为节点i的切负荷量；相关的约束条件如式(3)-(8)所示；
功率平衡约束
PG+PW+PPV-PD+PC＝Bθ (3)
其中PG、PW、PPV分别为常规机组、风电、光伏出力变量的向量，PC为切负荷变量向量，PD为有功负荷参数向量，B为用于直流潮流计算的节点电纳矩阵，θ为节点电压相角变量的向量；
各类机组有功出力约束
Figure BDA0003934489290000041
Figure BDA0003934489290000042
Figure BDA0003934489290000043
式中NG、NW和NPV表示常规机组、风电场、光伏电站的集合；变量PGg、PWh和PPVk表示常规机组g，风电场h和光伏电站k的出力；参数
Figure BDA0003934489290000044
和
Figure BDA0003934489290000045
取值由抽样获得，与系统运行状态相关；
Figure BDA0003934489290000046
和
Figure BDA0003934489290000047
与之类似，若在状态s下，机组g处于故障状态，则
Figure BDA0003934489290000048
和
Figure BDA0003934489290000049
取值均为0；
线路传输容量约束
Figure BDA00039344892900000410
当线路ij无故障、正常运行时，需满足式(7)；式中Pij为支路ij通过的有功功率潮流，Pijmax为其传输容量极限；变量θi和θj表示节点i和j处的电压相位；
切负荷约束
0≤PCi≤PDi，i∈ND (8)
式中PDi为节点i的有功负荷；
若PC等于0，则系统能可靠供电；否则，供电不可靠，即
Figure BDA00039344892900000411
本发明进一步的改进在于，为提升CNN回归模型的预测精度引入CNN分类模型，形成CNN分类-回归模型，旨在先对系统状态进行识别再对不可靠供电的样本进行切负荷量的预测；定义CNN分类模型输出为2维，用ycl,1和ycl,2表示，其含义为系统是否可靠供电的置信度，根据两者比值Scl来确定样本是否可靠供电：
Figure BDA0003934489290000051
Figure BDA0003934489290000052
其中S0为阈值；
CNN分类模型的训练标签根据系统是否可靠供电采用one-hot编码来表示，即当系统可靠供电时标签为[1,0]，否则为[0,1]。
本发明进一步的改进在于，CNN分类-回归模型的训练与测试过程如下：
定义CNN分类模型的损失函数如式(12)所示：
Figure BDA0003934489290000053
其中Ncl为用于分类训练的样本数，
Figure BDA0003934489290000054
为0-1标签，ycl,o为分类模型的输出，β为权重系数，wcl为分类模型神经网络的权重矩阵；
定义CNN回归模型的损失函数如式(13)所示：
Figure BDA0003934489290000055
其中Nr为用于切负荷量回归训练的样本数量，
Figure BDA0003934489290000056
为实际切负荷量，PCr为CNN回归网络拟合的切负荷量，α为权重系数，wr为回归网络的权重矩阵；
根据损失函数利用梯度下降算法对模型进行训练，待训练完成后根据式(14)-(17)对模型进行评价，前两个用于评价分类性能，后两个用于评估回归性能；
Figure BDA0003934489290000057
Figure BDA0003934489290000058
Figure BDA0003934489290000061
Figure BDA0003934489290000062
其中Pacc为准确率，F1为F1 score，TP为判断正确的无法可靠供电样本，TN为判断正确的可靠供电样本，FP为错判的无法可靠供电样本，FN为错判的可靠供电样本，EMAPE为平均绝对百分比误差，EWMAPE为加权平均绝对百分比误差，其中Nt为测试样本数。
本发明进一步的改进在于，为提高CNN分类-回归模型的实用性，进一步引入分类结果矫正机制：利用分类器、回归器同时对部分待分类的样本进行分析，根据二者分类结果得到的系统失负荷概率LOLP预测值与LOLP真实值的关系，调整阈值S0的取值；当样本经分类器分类，回归器预测后所计算的LOLP预测值偏大时，则减小S0取值；反之，则增大S0取值。
本发明进一步的改进在于，步骤5)中，两种可靠性指标定义如下：
Figure BDA0003934489290000063
Figure BDA0003934489290000064
其中Ns为整个系统运行状态序列集合，Ts为运行状态s的持续时间，PCs为运行状态s下的切负荷量，T为模拟总时间，LOLP表示系统失负荷概率，EENS为年电量不足期望值。
与现有的电力系统可靠性评估的序贯MCS方法相比，本发明具有如下突出有益效果：
本发明将卷积神经网络这一深度学习方法引入序贯MCS新能源电力系统可靠性评估的框架中，能高效、准确地完成风光新能源接入以及电网拓扑的变化时最优切负荷计算过程，在保持可靠性指标精确性的同时，尽可能提升序贯MCS进行新能源可靠性评估的效率。此外卷积神经网络输入特征考虑到了节点处新能源的可用容量与接入该节点新能源的类型无关，故本方法对不同类型新能源具有普适性。与传统的序贯MCS法相比，该方法无需对所采样的样本进行复杂耗时的最优切负荷计算，极大减小了工作量，具有明显的优越性。
附图说明
图1为本发明的整体流程图；
图2为CNN分类-回归模型训练与测试框架示意图；
图3为阈值S0矫正流程图；
图4可靠性指标收敛过程示意图，其中图4(a)为LOLP的收敛过程，图4(b)为EENS的收敛过程；
图5为改编的IEEE-RTS79系统结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1和图2所示，本发明提供的一种基于卷积神经网络的新能源电力系统可靠性评估方法，包括：
首先，根据历史数据对系统涉及的元件进行建模；其次，抽样生成用于CNN回归模型训练的数据集，并将其分为训练集与测试集两部分；接着利用训练集训练CNN回归模型，待模型训练结束后在测试集中评估模型的性能；然后通过蒙特卡洛法生成待评估样本，利用训练好的CNN回归模型对待评估样本进行识别与切负荷量估计，最终计算得到系统的可靠性指标。
特别的，为提升CNN回归模型的精度，可引入CNN分类模型，形成CNN分类-回归模型；为提升CNN分类-回归模型在可靠性评估中的实用性，可进一步对CNN分类-回归模型引入分类结果矫正机制。
上述基于卷积神经网络的新能源电力系统可靠性评估方法，包括如下步骤，其流程图如附图1所示。
步骤一：根据元件参数和新能源出力统计数据，进行新能源系统各元件的可靠性及出力建模，如表1所示。
表1各类型元件的模型
Figure BDA0003934489290000081
步骤二：抽样生成用于CNN回归模型训练的数据集，并将其分为训练集与测试集。
步骤三：利用训练集训练CNN回归模型，待模型训练结束后在测试集中评估模型的性能。特别的，为提升CNN回归模型的预测精度引入CNN分类模型，形成CNN分类-回归模型，旨在先对系统状态进行识别再对不可靠供电的样本进行切负荷量的预测。
具体地说，CNN回归模型的输入特征矩阵如式(1)所示：
Figure BDA0003934489290000091
式中PRi表示节点i并网新能源电力的可用功率；Ei表示节点i并网常规机组的可用容量；Bii为B的第i个对角元，即节点i的自电纳。
CNN回归模型的输出为最优切负荷量的预测值；CNN回归模型的训练标签为系统真实的最优切负荷量，该真实值可通过求解如下的最优切负荷模型来获得：
目标函数为全系统切负荷量或切负荷成本最低：
Figure BDA0003934489290000092
其中PC为系统切负荷总量，ND为负荷节点集合，PCi为节点i的切负荷量。相关的约束条件如式(3)-(8)所示。
1)功率平衡约束
PG+PW+PPV-PD+PC＝Bθ (3)
其中PG、PW、PPV分别为常规机组、风电、光伏出力变量的向量，PC为切负荷变量向量，PD为有功负荷参数向量，B为用于直流潮流计算的节点电纳矩阵，θ为节点电压相角变量的向量。
2)各类机组有功出力约束
Figure BDA0003934489290000093
Figure BDA0003934489290000094
Figure BDA0003934489290000095
式中NG、NW和NPV表示常规机组、风电场、光伏电站的集合；变量PGg、PWh和PPVk表示常规机组g，风电场h和光伏电站k的出力。参数
Figure BDA0003934489290000096
和
Figure BDA0003934489290000097
取值由抽样获得，与系统运行状态相关。
Figure BDA0003934489290000101
和
Figure BDA0003934489290000102
与之类似，若在状态s下，机组g处于故障状态，则
Figure BDA0003934489290000103
和
Figure BDA0003934489290000104
取值均为0。
3)线路传输容量约束
Figure BDA0003934489290000105
当线路ij无故障、正常运行时，需满足式(7)。式中Pij为支路ij通过的有功功率潮流，Pijmax为其传输容量极限；变量i和j表示节点i和j处的电压相位。
4)切负荷约束
0≤PCi≤PDi，i∈ND (8)
式中PDi为节点i的有功负荷。
若PC等于0，则系统能可靠供电；否则，供电不可靠，即
Figure BDA0003934489290000106
特别的，为提高CNN回归模型精度而引入CNN分类模型时，定义CNN分类模型输出为2维，用ycl,1和ycl,2表示，其含义为系统是否可靠供电的置信度。通常根据其两者比值Scl来确定样本是否可靠供电：
Figure BDA0003934489290000107
Figure BDA0003934489290000108
其中S0为阈值，在训练过程中通常取1。
CNN分类模型的训练标签根据系统是否可靠供电采用one-hot编码来表示，即当系统可靠供电时标签为[1,0]，否则为[0,1]。
CNN分类、回归模型的损失函数如式(12)、(13)所示：
Figure BDA0003934489290000109
Figure BDA0003934489290000111
其中Ncl为用于分类训练的样本数，
Figure BDA0003934489290000112
为0-1标签，ycl,o为分类模型的输出，β为权重系数，wcl为分类模型神经网络的权重矩阵。Nr为用于切负荷量回归训练的样本数量，
Figure BDA0003934489290000113
为实际切负荷量，PCr为CNN回归网络拟合的切负荷量，α为权重系数，wr为回归网络的权重矩阵。
根据损失函数利用梯度下降算法对模型进行训练，待训练完成后根据式(14)-(17)对模型进行评价，前两个用于评价分类性能，后两个用于评估回归性能。
Figure BDA0003934489290000114
Figure BDA0003934489290000115
Figure BDA0003934489290000116
Figure BDA0003934489290000117
其中Pacc为准确率，F1为F1 score，TP为判断正确的无法可靠供电样本，TN为判断正确的可靠供电样本，FP为错判的无法可靠供电样本，FN为错判的可靠供电样本，EMAPE为平均绝对百分比误差，EWMAPE为加权平均绝对百分比误差，其中Nt为测试样本数。
步骤四：通过蒙特卡洛法生成待评估样本，利用训练好的CNN回归模型对待评估样本进行识别与切负荷量估计。
特别的，当模型采用CNN分类-回归模型时，为提高模型的实用性，进一步引入分类结果矫正机制：利用分类器、回归器同时对部分待分类的样本进行分析，根据二者分类结果得到的系统失负荷概率LOLP预测值与LOLP真实值的关系，调整S0取值；当样本经分类器分类，回归器预测后所计算的LOLP预测值偏大时，则减小S0取值；反之，则增大S0取值。矫正流程如图3所示：
步骤五：统计结果，计算得到系统的可靠性指标。
常见两种可靠性指标定义如下：
Figure BDA0003934489290000121
Figure BDA0003934489290000122
其中Ns为整个系统运行状态序列集合，Ts为运行状态s的持续时间，PCs为运行状态s下的切负荷量，T为模拟总时间，LOLP表示系统失负荷概率，EENS为年电量不足期望值。
实施例
下面以引入矫正机制的CNN分类-回归模型在改编的IEEE-RTS79系统上的仿真为例说明本方法实施流程。
该系统结构如图5所示，共包含32台火电机组，装机容量为3405MW，5个容量为70MW的风电场，5个容量为50MW的光伏电站，33条输电线路，5台变压器，峰荷为2850MW。
首先，算例中火电机组、线路、变压器的参数采用文献《IEEE reliability testsystem》(IEEE Trans on Power Apparatus and Systems，1979，98(6)：2047-2054)中相应元件参数，负荷曲线也采用该文献中所提供的时序负荷曲线，风电、光伏电站出力曲线采用我国西北某省统计数据，并按装机容量折算。
生成105个系统状态，基于所得系统状态得到用于训练卷积神经网络的样本集，并按照4：1划分训练集、测试集。根据损失函数利用梯度下降算法对CNN进行训练，待训练完成后在测试集中根据式(14)-(17)对模型进行评价，其效果如下表1所示：
表1测试集中模型的性能
Figure BDA0003934489290000131
可见模型具有较高的识别精度以及回归精度。
待CNN训练完成及性能评估后，利用序贯MCS法生成待评估样本，设置仿真年数为520年或EENS方差系数δEENS＜5％，样本时间分辨率为1h，取5年的样本用于阈值矫正，校正后的阈值S0取2。
利用矫正后的CNN分类-回归模型对剩余待评估样本进行识别与切负荷量预测，并根据式(18)、(19)计算该系统的可靠性指标。得到仿真年内可靠性指标的变化趋势如图4所示：
仿真年数达到520年时系统可靠性指标以及所耗时间如表2所示：
表2可靠性计算结果与计算耗时对比
Figure BDA0003934489290000132
可见，采用发明所提方法与传统MCS法相比，在保持高精度的同时有着更高的效率。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都属于本发明的保护范围。

Claims (9)

1.一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，包括：
1)根据历史数据对新能源电力系统涉及的元件进行建模；
2)抽样生成用于CNN回归模型训练的数据集，并将其分为训练集与测试集两部分；
3)利用训练集训练CNN回归模型，待模型训练结束后在测试集中评估模型的性能；
4)通过蒙特卡洛法生成待评估样本，利用训练好的CNN回归模型对待评估样本进行识别与切负荷量估计；
5)统计结果，计算得到系统的可靠性指标。
2.根据权利要求1所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，步骤1)中，根据元件参数和新能源出力统计数据，进行新能源电力系统各元件的可靠性及新能源出力建模，其中火电机组考虑装机容量、最小技术出力、故障率和修复率，建立两状态模型；变压器、线路考虑容量、电纳值、停运率和停运持续时间，建立两状态模型；风电、光伏电站采用时序模型。
3.根据权利要求1所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，步骤2)中，根据系统各类型元件的模型，抽样生成系统状态进而得到用于CNN回归模型训练的数据集，将获得的数据集进一步分为训练集与测试集，来训练与测试CNN回归模型。
4.根据权利要求1所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，步骤3)中，CNN回归模型输入特征矩阵如式(1)所示：
Figure FDA0003934489280000021
式中PRi表示节点i并网新能源电力的可用功率；Ei表示节点i并网常规机组的可用容量；Bii为B的第i个对角元，即节点i的自电纳；
其输出为系统切负荷量的预测值
Figure FDA0003934489280000022
5.根据权利要求4所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，CNN回归模型的输出为最优切负荷量的预测值；CNN回归模型的训练标签为系统真实的最优切负荷量，该真实值通过求解如下的最优切负荷模型来获得：
目标函数为全系统切负荷量或切负荷成本最低：
Figure FDA0003934489280000023
其中PC为系统切负荷总量，ND为负荷节点集合，PCi为节点i的切负荷量；相关的约束条件如式(3)-(8)所示；
功率平衡约束
PG+PW+PPV-PD+PC＝Bθ (3)
其中PG、PW、PPV分别为常规机组、风电、光伏出力变量的向量，PC为切负荷变量向量，PD为有功负荷参数向量，B为用于直流潮流计算的节点电纳矩阵，θ为节点电压相角变量的向量；
各类机组有功出力约束
Figure FDA0003934489280000024
Figure FDA0003934489280000025
Figure FDA0003934489280000026
式中NG、NW和NPV表示常规机组、风电场、光伏电站的集合；变量PGg、PWh和PPVk表示常规机组g，风电场h和光伏电站k的出力；参数
Figure FDA0003934489280000031
和
Figure FDA0003934489280000032
取值由抽样获得，与系统运行状态相关；
Figure FDA0003934489280000033
和
Figure FDA0003934489280000034
与之类似，若在状态s下，机组g处于故障状态，则
Figure FDA0003934489280000035
和
Figure FDA0003934489280000036
取值均为0；
线路传输容量约束
Figure FDA0003934489280000037
当线路ij无故障、正常运行时，需满足式(7)；式中Pij为支路ij通过的有功功率潮流，Pijmax为其传输容量极限；变量θi和θj表示节点i和j处的电压相位；
切负荷约束
0≤PCi≤PDi，i∈ND (8)
式中PDi为节点i的有功负荷；
若PC等于0，则系统能可靠供电；否则，供电不可靠，即
Figure FDA0003934489280000038
6.根据权利要求5所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，为提升CNN回归模型的预测精度引入CNN分类模型，形成CNN分类-回归模型，旨在先对系统状态进行识别再对不可靠供电的样本进行切负荷量的预测；定义CNN分类模型输出为2维，用ycl,1和ycl,2表示，其含义为系统是否可靠供电的置信度，根据两者比值Scl来确定样本是否可靠供电：
Figure FDA0003934489280000039
Figure FDA0003934489280000041
其中S0为阈值；
CNN分类模型的训练标签根据系统是否可靠供电采用one-hot编码来表示，即当系统可靠供电时标签为[1,0]，否则为[0,1]。
7.根据权利要求6所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，CNN分类-回归模型的训练与测试过程如下：
定义CNN分类模型的损失函数如式(12)所示：
Figure FDA0003934489280000042
其中Ncl为用于分类训练的样本数，
Figure FDA0003934489280000043
为0-1标签，ycl,o为分类模型的输出，β为权重系数，wcl为分类模型神经网络的权重矩阵；
定义CNN回归模型的损失函数如式(13)所示：
Figure FDA0003934489280000044
其中Nr为用于切负荷量回归训练的样本数量，
Figure FDA0003934489280000045
为实际切负荷量，PCr为CNN回归网络拟合的切负荷量，α为权重系数，wr为回归网络的权重矩阵；
根据损失函数利用梯度下降算法对模型进行训练，待训练完成后根据式(14)-(17)对模型进行评价，前两个用于评价分类性能，后两个用于评估回归性能；
Figure FDA0003934489280000046
Figure FDA0003934489280000047
Figure FDA0003934489280000048
Figure FDA0003934489280000051
其中Pacc为准确率，F1为F1 score，TP为判断正确的无法可靠供电样本，TN为判断正确的可靠供电样本，FP为错判的无法可靠供电样本，FN为错判的可靠供电样本，EMAPE为平均绝对百分比误差，EWMAPE为加权平均绝对百分比误差，其中Nt为测试样本数。
8.根据权利要求7所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，为提高CNN分类-回归模型的实用性，进一步引入分类结果矫正机制：利用分类器、回归器同时对部分待分类的样本进行分析，根据二者分类结果得到的系统失负荷概率LOLP预测值与LOLP真实值的关系，调整阈值S0的取值；当样本经分类器分类，回归器预测后所计算的LOLP预测值偏大时，则减小S0取值；反之，则增大S0取值。
9.根据权利要求8所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，步骤5)中，两种可靠性指标定义如下：
Figure FDA0003934489280000052
Figure FDA0003934489280000053
其中Ns为整个系统运行状态序列集合，Ts为运行状态s的持续时间，PCs为运行状态s下的切负荷量，T为模拟总时间，LOLP表示系统失负荷概率，EENS为年电量不足期望值。
CN202211399702.2A 2022-11-09 2022-11-09 一种基于卷积神经网络的新能源电力系统可靠性评估方法 Pending CN115564310A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211399702.2A CN115564310A (zh) 2022-11-09 2022-11-09 一种基于卷积神经网络的新能源电力系统可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211399702.2A CN115564310A (zh) 2022-11-09 2022-11-09 一种基于卷积神经网络的新能源电力系统可靠性评估方法

Publications (1)

Publication Number Publication Date
CN115564310A true CN115564310A (zh) 2023-01-03

Family

ID=84768799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211399702.2A Pending CN115564310A (zh) 2022-11-09 2022-11-09 一种基于卷积神经网络的新能源电力系统可靠性评估方法

Country Status (1)

Country Link
CN (1) CN115564310A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362628A (zh) * 2023-06-01 2023-06-30 华北电力科学研究院有限责任公司 电力系统运行状态分析评估方法和装置
CN117592376A (zh) * 2023-12-05 2024-02-23 哈尔滨工程大学 一种基于多模型的蒙特卡洛模拟数据不确定性评定方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362628A (zh) * 2023-06-01 2023-06-30 华北电力科学研究院有限责任公司 电力系统运行状态分析评估方法和装置
CN116362628B (zh) * 2023-06-01 2023-08-29 华北电力科学研究院有限责任公司 电力系统运行状态分析评估方法和装置
CN117592376A (zh) * 2023-12-05 2024-02-23 哈尔滨工程大学 一种基于多模型的蒙特卡洛模拟数据不确定性评定方法

Similar Documents

Publication Publication Date Title
CN107358060B (zh) 一种对风电功率预测误差区间进行估计的方法
CN115564310A (zh) 一种基于卷积神经网络的新能源电力系统可靠性评估方法
CN109308571B (zh) 配电线路线变关系检测方法
CN112632794B (zh) 基于交叉熵参数子集模拟优化的电网可靠性评估方法
CN109583520B (zh) 一种云模型与遗传算法优化支持向量机的状态评估方法
CN102478584B (zh) 基于小波分析的风电场风速预测方法及系统
CN103488869A (zh) 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN110570016B (zh) 一种计及多阶段性能的抗灾型骨干网架优化方法
CN114154716B (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN114035468B (zh) 基于XGBoost算法的风机检修流程预测性监控方法与系统
CN117669960A (zh) 一种基于多变量气象因子的新能源功率预测方法
CN112632840A (zh) 基于自适应差分进化算法与elm的电网暂态稳定评估方法
CN116167527A (zh) 纯数据驱动的电力系统静态安全运行风险在线评估方法
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
CN112183877A (zh) 一种基于迁移学习的光伏电站故障智能诊断方法
CN115587489A (zh) 制氢模型的确定方法及装置、非易失性存储介质、处理器
CN117350174B (zh) 预测智能电表剩余寿命的方法、系统、电子设备及介质
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN110956304A (zh) 一种基于ga-rbm的分布式光伏发电量短期预测方法
CN113991711A (zh) 一种光伏电站储能系统容量配置方法
CN117494545B (zh) 一种基于混合学习方法的断路器老化故障率预测方法
CN116307838A (zh) 一种电网可靠性评估中配电网精确等值方法及系统、介质
CN116131255A (zh) 基于时间序列概念漂移的电站未来发电量预测方法及装置
CN116415722A (zh) 一种光伏发电量预测方法
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法

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