CN117973859A - 一种主配电网的风险防控方法、装置、设备和介质 - Google Patents
一种主配电网的风险防控方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117973859A CN117973859A CN202410123032.4A CN202410123032A CN117973859A CN 117973859 A CN117973859 A CN 117973859A CN 202410123032 A CN202410123032 A CN 202410123032A CN 117973859 A CN117973859 A CN 117973859A
- Authority
- CN
- China
- Prior art keywords
- wind
- light output
- power
- scene
- distribution network
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 206
- 230000002265 prevention Effects 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 230000009467 reduction Effects 0.000 claims abstract description 36
- 239000002245 particle Substances 0.000 claims description 76
- 230000004044 response Effects 0.000 claims description 41
- 238000004146 energy storage Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 35
- 238000005457 optimization Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007599 discharging Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 239000003990 capacitor Substances 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000000691 measurement method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种主配电网的风险防控方法、装置、设备和介质。该方法包括获取预设时间段内的风光出力预测数据以及风光出力实测数据;根据风光出力预测数据、风光出力实测数据、预先添加的随机噪声以及预先训练的WGAN‑GP模型确定风光出力场景集;根据预设聚类算法对风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集;基于预先构建的风险防控模型对目标风光出力场景集内各风光出力场景中的主配电网进行风险防控;本发明通过上述技术方案,能够改善传统仅依靠可控机组调节的情况,可以有效地降低主配电网运行风险。
Description
技术领域
本发明涉及配电网的安全技术领域,尤其涉及一种主配电网的风险防控方法、装置、设备和存储介质。
背景技术
近年来光伏发电技术已经逐步趋于成熟和完善,集中式和分布式光伏的并网容量逐渐增大,占比不断提升,同时,随着顶分布式光伏大规模推动,分布式将继续大规模发展,这也对加强电网调度管理水平提出了新的要求。如何实时获取分布式新能源运行状态信息,分析分布式新能源运行风险点,采取调度控制策略消除电网运行风险,提高主配电网运行的稳定性和可靠性,是调度决策人员急需解决的问题。目前,近年来分布式新能源迅猛发展,一些地区的布式装机容量超过1000万千瓦,还有一些地区的装机超过150万千瓦。由于并网电压等级低,调度并未完全掌握其运行信息,对电网运行带来极大的安全隐患,主要体现在安全、平衡和消纳三个方面,具体如下:
增加电网安全运行风险,分布式新能源大规模发展,将主配电网由“无源网”逐步发展为“有源网”。部分台区光伏发电量超过所在台区用户消纳能力,电能大量上送,造成台区及低压线路过载,甚至导致110(35)千伏、220千伏变电站或线路反向过载,危及电网安全稳定运行。分布式光伏输出有功功率较大时易抬高配电线路、台区的末端电压,增大电网调压难度。此外,分布式新能源大量接入,还将导致低频低压可切馈线有源化加剧,存在可切负荷量不足的风险,影响系统三道防线安全。
目前,有源主配电网风险评估主要是研究一些计及多种不确定性因素的影响,主要是包括受到多类型电动汽车接入主配电网时电动汽车充放电影响、对于光伏等新能源接入主配电网的影响。但是,此类风险评估方法尽管可以对这种不确定性因素的概率特性和它造成影响的程度,但是均未给出一个合理的措施来降低主配电网的运行风险。
发明内容
有鉴于此,本发明提供一种主配电网的风险防控方法、装置、设备和存储介质,能够改善传统仅依靠可控机组调节的情况,可以有效地降低主配电网运行风险。
根据本发明的一方面,本发明实施例提供了一种主配电网的风险防控方法,该方法包括:
获取预设时间段内的风光出力预测数据以及风光出力实测数据;
根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的具有梯度惩罚的生成对抗网络WGAN-GP模型确定风光出力场景集;
根据预设聚类算法对所述风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集;
基于预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控;其中,所述风险防控模型为以最小综合运行风险指标和最小综合运行成本为目标的主配电网风险防控模型。
在一实施例中,所述根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的WGAN-GP模型确定风光出力场景集,进一步包括:
将所述风光出力预测数据以及至少两组随机噪声输入预先训练的WGAN-GP模型中的生成器中得到生成数据,并将所述生成数据输入预先训练的WGAN-GP模型中的判别器中;其中,所述随机噪声为符合正态分布;
将所述风光出力实测数据输入预先训练的WGAN-GP模型中的判别器中;
从所述判别器输出得到至少两个风光出力场景,并将所述至少两个风光出力场景构成风光出力场景集。
在一实施例中,所述WGAN-GP模型的训练过程包括:
获取预设地区的历史风光出力数据作为样本集;其中,所述样本集中包括历史风光出力预测值和历史风光出力实测值;
将预先添加的随机噪声与所述历史风光出力预测值进行拼接后输入所述WGAN-GP模型的生成器中输出生成样本;
将所述历史风光出力实测值输入所述WGAN-GP模型的判别器中,并将所述生成样本输入判别器中,输出对历史风光出力实测值和生成样本的判别值;
在所述判别器的损失函数中添加有梯度惩罚项,所述梯度惩罚项具有权重系数,采用预设深度学习优化算法分别更新所述权重系数,返回所述获取预设地区的历史风光出力数据作为样本集的步骤,直至判别器输出的生成样本与所述历史风光出力实测值的差距达到最小。
在一实施例中,所述判别器中的目标函数,用公式表示为:其中,E(·)表示期望值;D(G(z))为生成的数据G(z)在所述判别器中判别为真的概率;D(x)代表真实数据x在所述判别器中判别为真的概率;所述真实数据x的分布为x~pdata(x);z表示所述随机噪声,所述随机噪声的分布为z~Pz;PX为风光数据x的真实分布;x'=εx+(1-ε)G(z);ε表示随机数;λ表示所述梯度惩罚项的权重系数;||*||表示为范数,是一种数学计算方法;▽表示为哈密顿算子。
在一实施例中,所述根据预设聚类算法对所述风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集,进一步包括:
从所述风光出力场景集中选取预设数量的风光出力场景作为初始聚类中心;
采用预设相似性度量方法确定所述风光出力场景集中其他风光出力场景至所述初始聚类中心的第一距离,并依据所述第一距离将所述其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心;其中,所述第一距离表征相似度;
对于每个第一聚类中心,分别计算各所述第一聚类中心中的风光出力场景的第二距离,依据所述第二距离更新所述第一聚类中心得到新聚类中心,并返回所述依据所述第一距离将所述其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心的步骤,直到所述第一聚类中心不再发生变化,或达到预设迭代次数为止,得到目标聚类结果;其中,所述第二距离表征所述第一聚类中心中的风光出力场景的总距离;
依据所述目标聚类结果确定缩减后的目标风光出力场景集;
其中,所述目标聚类结果包括:每个聚类所包括的样本数量或样本权重;所述目标风光出力场景集中的每个风光出力场景对应场景概率,所有风光出力场景的场景概率总和为1。
在一实施例中,所述风险防控模型的构建,进一步包括:
获取各所述风光出力场景下配电网运行时的潮流参数数据;
针对所述目标风光出力场景集中的每个风光出力场景,基于各所述风光出力场景分别对应的场景概率以及所述潮流参数数据确定预设时间粒度内所述风光出力场景对应的至少两个配电网安全风险指标;
依据各所述配电网安全风险指标构建所述风光出力场景对应的风险防控模型;其中,所述配电网安全风险指标至少包括:节点电压越限风险指标、线路功率越限风险指标和系统失负荷风险指标。
在一实施例中,所述潮流参数数据包括:配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限的情况下,所述节点电压越限风险指标,用公式表示为:其中,ρ(Ek)为配电网节点系统状态Ek的场景概率;ND为所述配电网节点系统的节点总数;Vi为节点i的电压幅值;/> V i分别为节点i电压幅值的上限和下限;
所述潮流参数数据包括:线路l传输的有功功率和为线路l所允许传输的最大有功功率的情况下,所述线路功率越限风险指标,用公式表示为:其中,ρ(Ek)为系统状态Ek的场景概率;NL为系统线路总数;Pl为线路l传输的有功功率;/>为线路l所允许传输的最大有功功率;
所述潮流参数数据包括:节点i的有功失负荷量和节点i的有功负荷值的情况下,所述系统失负荷风险指标,用公式表示为:其中,ρ(Ek)为系统状态Ek的场景概率;Pcut,i为节点i的有功失负荷量;Pd,i为节点i的有功负荷值。
在一实施例中,所述预先构建的风险防控模型,用公式表示为:
其中,表示为最小综合运行风险;/>表示为最小综合运行成本;RV为节点电压越限风险指标;RL为线路功率越限风险指标;RC为系统失负荷风险指标;其中,ρt为不同时间段的购电单价;Ploss(t)为网损;SGi(t)为可控机组成本;ZPi(t)为中断成本;NG表示为可控机组的数量;Nl表示为用户可中断负荷数;
所述风险防控模型的约束条件包括:需求响应约束、储能系统ESS约束、风机约束、光伏约束、发电机约束、无功补偿装置SVC约束、电容器CB约束、节点电压约束以及支路电流约束。
在一实施例中,所述需求响应约束,用公式表示为:和其中,/>为n节点t时刻需求侧响应产生的变化量;/>为n节点t时刻需求侧响应前的负荷量;/>和/>分别为n节点t时刻需求侧响应产生变化量的上下限;κ为用户一个周期内用电量允许的可变范围;T表示为一天的小时数,取值为24;Nb表示为节点的总数;
所述储能系统ESS约束中的充放电状态约束,用公式表示为:其中,/>和/>分别是储能j在t时刻充电和放电状态,当约束限制在1以内时表明充电、放电和不充不放3种状态;NES是主配电网中储能装置的数量;
所述风机约束,用公式表示为:其中,/>和/>分别为风机j在t时刻发出的有功功率和无功功率;/>为风机j在t时刻发出的最大有功功率;tanθWT为风机功率因数;NWT为主配电网中风机数量;
所述光伏约束,用公式表示为:其中,/>和/>分别为风机j在t时刻发出的有功功率和无功功率;/>为风机j在t时刻发出的最大有功功率;tanθPV为光伏功率因数;NPV为主配电网中风机数量;
所述发电机约束,用公式表示为:其中,/>为发电机j在t时刻发出的有功功率;/>为发电机j在t时刻发出的最大有功功率;NMT为主配电网中发电机数量;
所述无功补偿装置SVC约束,用公式表示为:其中,/>为连续无功补偿装置j在t时刻的无功补偿量;/>和/>为连续无功补偿装置j无功补偿上下限;NSVC为主配电网中连续无功补偿装置数量;
所述电容器CB约束,用公式表示为:其中,/>为离散无功补偿装置j在t时刻的无功补偿量;/>为离散无功补偿装置j在t时刻投切组数;为离散无功补偿装置j单组投切的无功补偿量;/>为离散无功补偿装置j最大投切组数;NCB为主配电网中离散无功补偿装置数量;
所述节点电压约束,用公式表示为:其中,Vn,t为节点n在t时刻的电压;/>和/>为节点n上电压允许的上下限;
所述支路电流约束,用公式表示为:其中,/>和/>为支路l允许流过电流的上下限;Il,t表示为支路l在t时刻流过的电流值。
在一实施例中,所述基于预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控,包括:
采用预设粒子群算法求解所述风险防控模型的最优潮流;
依据所述最优潮流调整各所述风光出力场景下主配电网的储能和需求响应,以对主配电网进行风险防控。
在一实施例中,所述采用预设粒子群算法求解所述风险防控模型的最优潮流,包括:
随机初始化初始群粒子的当前位置和当前速度;其中,所述初始群粒子表示可能解;每个粒子的位置表示电力系统中节点电压和发电机出力参数的一组解,每个粒子的速度表示粒子在解空间中搜索的方向和速度;
依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新所述当前位置,得到更新后的新位置;
依据所述新位置计算所述风险防控模型的输出值;其中,所述输出值表征最优潮流问题的适应度;
根据所述适应度更新每个粒子的个体最优解,选择最优的解作为群体最优解;
判断所述群体最优解是否满足停止条件,若满足,则返回最优解;若不满足,则返回所述依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新所述当前位置,得到更新后的新位置的步骤,继续更新粒子位置和速度,直至满足所述停止条件;其中,所述停止条件包括下述之一:目标函数值收敛到预设阈值、目标函数值满足约束条件、达到预设迭代次数。
根据本发明的另一方面,本发明实施例还提供了一种主配电网的风险防控装置,所述装置,包括:
获取模块,用于获取预设时间段内的风光出力预测数据以及风光出力实测数据;
确定模块,用于根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的WGAN-GP模型确定风光出力场景集;
缩减模块,用于根据预设聚类算法对所述风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集;
防控模块,用于基于预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控;其中,所述最小风险防控模型为以综合运行风险指标和最小综合运行成本为目标的主配电网风险防控模型。
根据本发明的另一方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的主配电网的风险防控方法。
根据本发明的另一方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的主配电网的风险防控方法。
本发明实施例的技术方案,通过获取的风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的WGAN-GP模型确定风光出力场景集,根据预设聚类算法对所述风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集,能够进行场景缩减,缩减后的场景更能较好描述风光出力的典型特征,体现风光出力的波动性;通过预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控,能够改善传统仅依靠可控机组调节的情况,可以有效地降低主配电网运行风险。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种主配电网的风险防控方法的流程图;
图2为本发明一实施例提供的一种WGAN-GP模型的基本结构;
图3为本发明一实施例提供的另一种主配电网的风险防控方法的流程图;
图4为本发明一实施例提供的一种缩减后5个典型风电出力场景图;
图5为本发明一实施例提供的一种缩减后5个典型光伏出力场景图;
图6为本发明一实施例提供的一种可中断负荷24h功率变化趋势图;
图7为本发明一实施例提供的一种可时移负荷24h功率变化趋势图;
图8为本发明一实施例提供的一种储能装置24h电量变化趋势图;
图9为本发明一实施例提供的一种主配电网进行风险防控的拓扑结构图;
图10为本发明一实施例提供的一种主配电网的风险防控装置的结构框图;
图11为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在一实施例中,图1为本发明一实施例提供的一种主配电网的风险防控方法的流程图,本实施例可适用于对电力物联网中的主配电网的风险防控时的情况,该方法可以由主配电网的风险防控装置来执行,该主配电网的风险防控装置可以采用硬件和/或软件的形式实现,该主配电网的风险防控装置可配置于电子设备中。
如图1所示,本实施例中的主配电网的风险防控方法,具体步骤包括:
S110、获取预设时间段内的风光出力预测数据以及风光出力实测数据。
其中,预设时间段可以理解为历史某一段时间。风光出力预测数据指的是某地区在历史某一段时间内的风电和光伏分别对应的功率预测数据;风光出力实测数据指的是某地区在历史某一段时间内的风电和光伏分别对应的功率实测数据,即为该地区实时测试的功率数据。
在本实施例中,可以获取某地区在历史某一段时间内的风电、光伏分别对应的功率预测数据和功率实测数据,可以通过功率预测数据和功率实测数据构建出对应的风光出力场景。示例性的,一年内的每一天的风电发电预测数据、光伏发电预测数据以及风电发电实测数据、光伏发电实测数据。
S120、根据风光出力预测数据、风光出力实测数据、预先添加的随机噪声以及预先训练的具有梯度惩罚的生成对抗网络WGAN-GP模型确定风光出力场景集。
其中,预先添加的随机噪声指的是人为添加的随机噪声,该随机噪声为符合正态分布。示例性的,添加n个符合正态分布的高维噪声。风光出力场景集可以由一个或多个风光出力场景所组成,可以理解为,n个风光出力场景构成风光出力场景集。
在本实施例中,具有梯度惩罚的生成对抗网络(Wasserstein GAN with GradientPenalty,WGAN-GP)模型即为引入梯度惩罚的WGAN模型,WGAN-GP使用Wasserstein距离来测量生成的数据分布和实际数据分布之间的距离。在定义的域中引入函数D的梯度惩罚项,以确保鉴别器函数近似满足利普希茨Lipschitz连续体。
在本实施例中,可以将风光出力预测数据以及多组随机噪声输入预先训练的WGAN-GP模型中的生成器中得到生成数据,并将生成数据输入预先训练的WGAN-GP模型中的判别器中,将风光出力实测数据输入预先训练的WGAN-GP模型中的判别器中,从判别器输出得到多个风光出力场景构成风光出力场景集。
在一些实施例中,WGAN-GP模型的训练过程包括:
获取预设地区的历史风光出力数据作为样本集;其中,样本集中包括历史风光出力预测值和历史风光出力实测值;
将预先添加的随机噪声与历史风光出力预测值进行拼接后输入WGAN-GP模型的生成器中输出生成样本;
将历史风光出力实测值输入WGAN-GP模型的判别器中,并将生成样本输入判别器中,输出对历史风光出力实测值和生成样本的判别值;
在判别器的损失函数中添加有梯度惩罚项,梯度惩罚项具有权重系数,采用预设深度学习优化算法分别更新权重系数,返回获取预设地区的历史风光出力数据作为样本集的步骤,直至判别器输出的生成样本与历史风光出力实测值的差距达到最小。
在本实施例中,WGAN-GP模型即在判别器函数D定义域内选取部分采样点进行梯度计算计入损失函数惩罚项中,采样点分布在每次训练的生成样本和真实样本的连线上。在进行WGAN-GP模型的训练时,将预测和实测样本进行归一化处理,提取符合标准正态分布的高维噪声,将噪声与训练样本中的预测值进行纵向拼接后输入生成器,生成器输出生成样本。将预测值(就是图中的生成样本)与实测值纵向拼接后输入判别器,并将预测值与生成样本纵向拼接后输入判别器,判别器输出对真实样本和生成样本的判别值,选取梯度惩罚采样点,计算生成器与判别器的损失函数,采用均方根传播RMSprop优化算法分别更新生成器、判别器网络权重,重复整个过程,直至判别器输出的生成样本与历史风光出力实测值的差距达到最小,结束训练。
在本实施例中,判别器中的目标函数,用公式表示为:其中,E(·)表示期望值;D(G(z))为生成的数据G(z)在判别器中判别为真的概率;D(x)代表真实数据x在判别器中判别为真的概率;真实数据x的分布为x~pdata(x);z表示随机噪声,所述随机噪声的分布为z~Pz;PX为风光数据x的真实分布;x'=εx+(1-ε)G(z);ε表示随机数;λ表示梯度惩罚项的权重系数;||*||表示为范数,是一种数学计算方法;▽表示为哈密顿算子。
示例性的,为便于更好的理解WGAN-GP模型的基本结构,图2为本发明一实施例提供的一种WGAN-GP模型的基本结构。本实施例中,通过对目标函数的设定,可获得对应的损失函数;在之后训练的过程中,将生成器GN与判别器DN交替训练,使得生成能力与判别能力不断增强,生成器能够更好地学习到训练样本空间的特征。风光出力具有丰富的特征,WGAN-GP的特点正好适用于提取风光出力曲线的动态信息,使得风光出力生成的样本质量更高。
S130、根据预设聚类算法对风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集。
其中,预设聚类算法可以包括K-medoids聚类方法、K-means聚类方法,该K-medoids聚类方法是一种基于样本之间相似度的聚类算法。场景概率指的是缩减后的目标风光出力场景集中所包括的每个风光出力场景所对应的场景概率,目标风光出力场景集可以包括至少两个风光出力场景;可以理解为,每个风光出力场景对应一个场景概率,所有场景概率之和为1。
在本实施例中,可以从风光出力场景集中选取预设数量的风光出力场景作为初始聚类中心,采用预设相似性度量方法确定风光出力场景集中其他风光出力场景至初始聚类中心的距离并依据距离进行场景划分,以形成聚类中心,该距离表征相似度,更新聚类中心得到新聚类中心,直到聚类中心不再发生变化,或达到预设迭代次数为止,得到目标聚类结果,依据目标聚类结果确定缩减后的场景集;在一些实施例中,也可以基于Kmeans算法,分别对风光场景进行聚类,从而实现大规模场景的削减,削减到消减后的目标场景,最后得出每个场景的概率与每个对应场景相乘求和得到不确定性出力;本实施例在此不做限制。
S140、基于预先构建的风险防控模型对目标风光出力场景集内各风光出力场景中的主配电网进行风险防控。
其中,风险防控模型为以综合运行风险指标最小和综合运行成本最小为目标的主配电网风险防控模型。
在本实施例中,可以使用数学优化算法求解最优潮流问题,优化算法通过迭代计算,调整电源和负荷的功率值,以满足目标函数和约束条件,对最优潮流求解结果进行评估和验证;在一些实施例中,可以采用预设粒子群算法求解风险防控模型的最优潮流,以依据最优潮流调整各风光出力场景下主配电网的储能和需求响应,以对主配电网进行风险防控;在另一些实施例中,也可以用半不变量和Gram-Charlie级数展开法来求解随机潮流,得出全网各节点的电压概率分布,得出全网各节点的电压概率密度分布,依据电压概率密度,计算相应的电压越限风险概率与严重度,进而求取风险指标值,实现风险定量评,本实施例在此不做限制。
在一实施例中,风险防控模型的构建,进一步包括:
获取各风光出力场景下配电网运行时的潮流参数数据;
针对目标风光出力场景集中的每个风光出力场景,基于各风光出力场景分别对应的场景概率以及潮流参数数据确定预设时间粒度内风光出力场景对应的至少两个配电网安全风险指标;
依据各配电网安全风险指标构建风光出力场景对应的风险防控模型。
其中,潮流参数数据可以理解为配电网运行时的各个节点所包含的参数数据,该参数数据可以包括但不限于:配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限;线路l传输的有功功率和为线路l所允许传输的最大有功功率;节点i的有功失负荷量和节点i的有功负荷值。
在本实施例中,配电网安全风险指标至少包括:节点电压越限风险指标、线路功率越限风险指标和系统失负荷风险指标。针对目标风光出力场景集中的每个风光出力场景,可以基于各风光出力场景分别对应的场景概率,以及潮流参数数据,确定预设时间粒度内风光出力场景对应的至少两个配电网安全风险指标,依据各配电网安全风险指标构建风光出力场景对应的风险防控模型。本实施例中,不同的潮流参数数据可以构成不同的风险指标,具体的,根据配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限可以构建节点电压越限风险指标;根据线路l传输的有功功率和为线路l所允许传输的最大有功功率可以构建线路功率越限风险指标;根据节点i的有功失负荷量和节点i的有功负荷值可以构建系统失负荷风险指标;本实施例在此不做限制。
在一实施例中,潮流参数数据包括:配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限的情况下,节点电压越限风险指标,用公式表示为:其中,ρ(Ek)为配电网节点系统状态Ek的场景概率;ND为所述配电网节点系统的节点总数;Vi为节点i的电压幅值;/> V i分别为节点i电压幅值的上限和下限;
潮流参数数据包括:线路l传输的有功功率和为线路l所允许传输的最大有功功率的情况下,线路功率越限风险指标,用公式表示为:/>其中,ρ(Ek)为系统状态Ek的场景概率;NL为系统线路总数;Pl为线路l传输的有功功率;/>为线路l所允许传输的最大有功功率;
潮流参数数据包括:节点i的有功失负荷量和节点i的有功负荷值的情况下,系统失负荷风险指标,用公式表示为:其中,ρ(Ek)为系统状态Ek的场景概率;Pcut,i为节点i的有功失负荷量;Pd,i为节点i的有功负荷值。
在本实施中,风光出力波动性的主配电网风险防控方法的风险指标体系建立,可以从电压、功率、负荷三个角度建立短期安全风险指标体系,建立涵盖节点电压越限风险RV、线路有功功率越限风险RL和系统失负荷RC的运行风险指标体系,具体的,节点电压越限风险指标,用公式表示为:其中,ρ(Ek)为配电网节点系统状态Ek的场景概率;ND为所述配电网节点系统的节点总数;Vi为节点i的电压幅值;/> V i分别为节点i电压幅值的上限和下限;线路功率越限风险指标,用公式表示为:其中,ρ(Ek)为系统状态Ek的场景概率;NL为系统线路总数;Pl为线路l传输的有功功率;/>为线路l所允许传输的最大有功功率;系统失负荷风险指标,用公式表示为:/>其中,ρ(Ek)为系统状态Ek的场景概率;Pcut,i为节点i的有功失负荷量;Pd,i为节点i的有功负荷值。
在一实施例中,预先构建的风险防控模型,用公式表示为:
其中,表示为综合运行风险最小;/>表示为综合运行成本最小;RV为节点电压越限风险指标;RL为线路功率越限风险指标;RC为系统失负荷风险指标;其中,ρt为不同时间段的购电单价;Ploss(t)为网损;SGi(t)为可控机组成本;ZPi(t)为中断成本;NG表示为可控机组的数量;Nl表示为用户可中断负荷数;
风险防控模型的约束条件包括:需求响应约束、储能系统(EnergyStorageSystem,ESS)约束、风机约束、光伏约束、发电机约束、无功补偿装置(StaticVar Compensator,SVC)约束、电容器(Capacitor Bing,CB)约束、节点电压约束以及支路电流约束。
在本实施例中,同时兼顾安全性和经济性两方面,建立了以综合运行风险指标最小和综合运行成本最小为目标的主配电网风险防控模型,求出各系统状态和运行条件下对应的发电机出力、节点电压及线路传输功率,具体的,首先,对配电网进行建模,包括电源、负荷、变电站、开关设备、线路和变压器等元件的数学描述。这些模型用于描述网络的拓扑结构和电气参数;数据采集与验证:收集配电网的实时数据,包括线路阻抗、变压器参数、负荷需求、电源状态等。通过对数据的验证和校正,确保所使用的数据的准确性和可靠性;目标函数定义:确定优化问题的目标函数。最常见的目标是最小化配电网的功率损耗,也可以考虑最小化电压偏差、负荷不平衡等其他因素。目标函数的选择根据具体情况和优化目标来确定;约束条件定义:定义优化问题的约束条件。这些约束条件包括电压、电流、功率因数等电气限制条件,以及线路负载限制、开关状态约束等设备运行限制。这些约束条件用于确保优化解满足电网安全和设备运行的限制;优化算法求解:使用数学优化算法求解最优潮流问题。
在一实施例中,由于风险防控模型的约束条件包括:需求响应约束、储能系统ESS约束、风机约束、光伏约束、发电机约束、无功补偿装置SVC约束、电容器CB约束、节点电压约束以及支路电流约束,下面对每个约束条件进行一一说明;需求响应约束,用公式表示为:和/>其中,/>为n节点t时刻需求侧响应产生的变化量;/>为n节点t时刻需求侧响应前的负荷量;/>和分别为n节点t时刻需求侧响应产生变化量的上下限;κ为用户一个周期内用电量允许的可变范围;T表示为一天的小时数,取值为24;Nb表示为节点的总数;
储能系统ESS约束中的充放电状态约束,用公式表示为:其中,/>和/>分别是储能j在t时刻充电和放电状态,当约束限制在1以内时表明充电、放电和不充不放3种状态;NES是主配电网中储能装置的数量;
风机约束,用公式表示为:其中,/>和/>分别为风机j在t时刻发出的有功功率和无功功率;/>为风机j在t时刻发出的最大有功功率;tanθWT为风机功率因数;NWT为主配电网中风机数量;
光伏约束,用公式表示为:其中,/>和/>分别为风机j在t时刻发出的有功功率和无功功率;/>为风机j在t时刻发出的最大有功功率;tanθPV为光伏功率因数;NPV为主配电网中风机数量;
发电机约束,用公式表示为:其中,/>为发电机j在t时刻发出的有功功率;/>为发电机j在t时刻发出的最大有功功率;NMT为主配电网中发电机数量;
无功补偿装置SVC约束,用公式表示为:其中,/>为连续无功补偿装置j在t时刻的无功补偿量;/>和/>为连续无功补偿装置j无功补偿上下限;NSVC为主配电网中连续无功补偿装置数量;
电容器CB约束,用公式表示为:其中,/>为离散无功补偿装置j在t时刻的无功补偿量;/>为离散无功补偿装置j在t时刻投切组数;/>为离散无功补偿装置j单组投切的无功补偿量;/>为离散无功补偿装置j最大投切组数;NCB为主配电网中离散无功补偿装置数量;
节点电压约束,用公式表示为:其中,Vn,t为节点n在t时刻的电压;/>和/>为节点n上电压允许的上下限;
支路电流约束,用公式表示为:其中,/>和/>为支路l允许流过电流的上下限;Il,t表示为支路l在t时刻流过的电流值。
本发明实施例的技术方案,通过获取的风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的WGAN-GP模型确定风光出力场景集,根据预设聚类算法对所述风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集及其对应的场景概率,能够进行场景缩减,缩减后的场景更能较好描述风光出力的典型特征,体现风光出力的波动性;通过预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控,能够改善传统仅依靠可控机组调节的情况,可以有效地降低主配电网运行风险。
在一实施例中,图3为本发明一实施例提供的另一种主配电网的风险防控方法的流程图,本实施例在上述各实施例的基础上,对根据风光出力预测数据、风光出力实测数据、预先添加的随机噪声以及预先训练的WGAN-GP模型确定风光出力场景集;根据预设聚类算法对风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集及其对应的场景概率;以及基于预先构建的风险防控模型对目标风光出力场景集内各风光出力场景中的主配电网进行风险防控进行了进一步的细化。
如图3所示,本实施例中的主配电网的风险防控方法,具体可以包含如下步骤:
S310、获取预设时间段内的风光出力预测数据以及风光出力实测数据。
S320、将风光出力预测数据以及至少两组随机噪声输入预先训练的WGAN-GP模型中的生成器中得到生成数据,并将生成数据输入预先训练的WGAN-GP模型中的判别器中。
其中,随机噪声为符合正态分布。
在本实施例中,将风光出力预测数据以及至少两组随机噪声输入预先训练的WGAN-GP模型中的生成器中得到生成数据,并将生成数据输入预先训练的WGAN-GP模型中的判别器中。示例性的,提取生成器分别输入风电、光伏预测值与200组噪声,将噪声与预测值进行拼接后输入生成器生成基于预测值的光伏、风电出力场景集。
S330、将风光出力实测数据输入预先训练的WGAN-GP模型中的判别器中。
在本实施例中,将风光出力实测数据输入预先训练的WGAN-GP模型中的判别器中。
S340、从判别器输出得到至少两个风光出力场景,并将至少两个风光出力场景构成风光出力场景集。
在本实施例中,从WGAN-GP模型中的判别器中输出得到至少两个风光出力场景,并将至少两个风光出力场景构成风光出力场景集。
S350、从风光出力场景集中选取预设数量的风光出力场景作为初始聚类中心。
其中,初始聚类中心即为初始确定出的K个聚类中心,该初始聚类中心可以人为进行依据需求进行自定义设置。
在本实施例中,从风光出力场景集中选取预设数量的风光出力场景作为初始聚类中心,可以理解为,根据场景缩减的需求,选择适当的K值,即要缩减到的最终场景数量,从数据集中随机选择K个样本作为初始的聚类中心。
S360、采用预设相似性度量方法确定风光出力场景集中其他风光出力场景至初始聚类中心的第一距离,并依据第一距离将其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心。
其中,预设相似性度量方法可以包括欧氏距离、余弦相似度其中的一种计算相似度度量的方法。第一距离可以理解为除选取作为初始聚类中心的风光出力场景之外的其他风光出力场景至初始聚类中心的距离,该距离可以表征相似度。
在本实施例中,采用预设相似性度量方法,确定风光出力场景集中其他风光出力场景至初始聚类中心的第一距离,按照第一距离将其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心,可以理解为,可以使用适当的相似性度量方法(如欧氏距离、余弦相似度等),计算每个数据点与聚类中心之间的距离或相似性,根据距离或相似性,将每个数据点分配给最近的聚类中心,形成初始的聚类。
S370、对于每个第一聚类中心,分别计算各第一聚类中心中的风光出力场景的第二距离,依据第二距离更新第一聚类中心得到新聚类中心,并返回依据第一距离将其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心的步骤,直到第一聚类中心不再发生变化,或达到预设迭代次数为止,得到目标聚类结果。
其中,第二距离表征第一聚类中心中的风光出力场景的总距离。新聚类中心即为第一聚类中心进行更新所得到的新聚类中心;目标聚类结果即为最终形式的聚类结果。
在本实施例中,目标聚类结果包括:每个聚类中的样本数量或样本权重;所述目标风光出力场景集中的每个风光出力场景对应场景概率,所有风光出力场景的场景概率总和为1。
在本实施例中,对于每个第一聚类中心,分别计算各第一聚类中心中的风光出力场景的第二距离,依据第二距离更新第一聚类中心得到新聚类中心,并返回依据第一距离将其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心的步骤,直到第一聚类中心不再发生变化,或达到预设迭代次数为止,得到目标聚类结果,具体的,对于每个聚类,通过计算其中所有数据点的总体距离或相似性,选择代表性的样本作为新的聚类中心(K-medoids的特点是中心点选择为实际数据点),不断迭代更新聚类中心和重新分配数据点,直到聚类中心不再发生变化,或达到指定的迭代次数,得到目标聚类结果。
S380、依据目标聚类结果确定缩减后的目标风光出力场景集。
其中,目标聚类结果包括:每个聚类所包括的样本数量或样本权重;目标风光出力场景集中的每个风光出力场景对应场景概率,所有风光出力场景的场景概率总和为1。
在本实施例中,根据每个数据点的聚类分配结果,可以计算每个聚类的概率。例如,可以使用每个聚类中的样本数量或样本权重以作为概率的估计,根据需求,可以输出缩减后的场景集以及对应的概率权重。
示例性的,为便于更好的理解采用K-medoids聚类的方法进行场景缩减得到缩减后的场景集,图4为本发明一实施例提供的一种缩减后5个典型风电出力场景图;图5为本发明一实施例提供的一种缩减后5个典型光伏出力场景图;本实施例中,选取某日风电、光伏预测和实测值作为样本,该样本未经过训练,可对模型泛化性进行验证。提取生成器分别输入风电、光伏预测值与200组噪声,将噪声与预测值进行拼接后输入生成器生成基于预测值的光伏、风电出力场景集,在生成的200个风光典型场景的基础上,采用K-medoids聚类的方法进行场景缩减,缩减后的场景更能能较好描述风光出力的典型特征,体现风光出力的波动性,生成的风光出力典型场景如图4、图5所示。
S390、采用预设粒子群算法求解风险防控模型的最优潮流。
在本实施例中,预设粒子群算法即为一种粒子优化算法,可以预设粒子群算法求解风险防控模型的最优潮流,具体的,初始化粒子群:随机初始化一群粒子(代表可能解)的位置和速度。每个粒子的位置表示电力系统中节点电压和发电机出力等参数的一组解,速度表示粒子在解空间中搜索的方向和速度。更新粒子位置和速度:根据粒子群的当前位置和速度,通过更新公式计算新的位置和速度。更新公式通常包括考虑个体最优和群体最优的部分,即粒子根据自身的历史最优解和整个群体的历史最优解来更新位置和速度。评估目标函数:对于每个粒子的新位置,计算目标函数的值,即计算最优潮流问题的适应度。更新个体和群体最优:根据新的适应度值,更新每个粒子的个体最优解,选择最优的解作为群体最优解。判断停止条件:检查停止条件是否满足。停止条件可以是达到最大迭代次数、目标函数值收敛到某个阈值或满足约束条件等。终止或继续迭代:如果停止条件满足,则终止算法并返回最优解。否则,继续更新粒子位置和速度。
在一实施例中,采用预设粒子群算法求解风险防控模型的最优潮流,包括:
随机初始化初始群粒子的当前位置和当前速度;其中,初始群粒子表示可能解;每个粒子的位置表示电力系统中节点电压和发电机出力参数的一组解,每个粒子的速度表示粒子在解空间中搜索的方向和速度;
依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新当前位置,得到更新后的新位置;
依据新位置计算风险防控模型的输出值;其中,输出值表征最优潮流问题的适应度;
根据适应度更新每个粒子的个体最优解,选择最优的解作为群体最优解;
判断群体最优解是否满足停止条件,若满足,则返回最优解;若不满足,则返回依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新当前位置,得到更新后的新位置的步骤,继续更新粒子位置和速度,直至满足所述停止条件。
其中,停止条件包括下述之一:目标函数值收敛到预设阈值、目标函数值满足约束条件、达到预设迭代次数。
在本实施例中,随机初始化初始群粒子的当前位置和当前速度;其中,初始群粒子表示可能解;每个粒子的位置表示电力系统中节点电压和发电机出力参数的一组解,每个粒子的速度表示粒子在解空间中搜索的方向和速度;依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新当前位置,得到更新后的新位置;依据新位置计算风险防控模型的输出值;其中,输出值表征最优潮流问题的适应度;根据适应度更新每个粒子的个体最优解,选择最优的解作为群体最优解;判断群体最优解是否满足停止条件,若满足,则返回最优解;若不满足,则返回依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新当前位置,得到更新后的新位置的步骤,继续更新粒子位置和速度,直至满足所述停止条件。
S3100、依据最优潮流调整各风光出力场景下主配电网的储能和需求响应,以对主配电网进行风险防控。
在本实施例中,依据最优潮流调整各风光出力场景下主配电网的储能和需求响应,以对主配电网进行风险防控,可以理解为,根据最优潮流结果,调整配电网的运行策略,如负荷调整、投运序列变更、开关状态调整等,本实施例中,主要就是储能和需求响应。
示例的,为便于更好的理解需求响应和储能的运行状况,即需求响应和储能的运行状况参与协调控制变化趋势图,图6为本发明一实施例提供的一种可中断负荷24h功率变化趋势图;图7为本发明一实施例提供的一种可时移负荷24h功率变化趋势图;图8为本发明一实施例提供的一种储能装置24h电量变化趋势图。
本发明实施例的技术方案,通过将风光出力预测数据以及至少两组随机噪声输入预先训练的WGAN-GP模型中的生成器中得到生成数据,并将生成数据输入预先训练的WGAN-GP模型中的判别器中;将风光出力实测数据输入预先训练的WGAN-GP模型中的判别器中,从判别器输出得到至少两个风光出力场景,并将至少两个风光出力场景构成风光出力场景集,能够更好的提取风光出力曲线的动态信息,使得风光出力生成的样本质量更高;通过采用预设相似性度量方法确定风光出力场景集中其他风光出力场景至初始聚类中心的第一距离,并依据第一距离将所述其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心,对于每个第一聚类中心,分别计算各第一聚类中心中的风光出力场景的第二距离,依据第二距离更新第一聚类中心得到新聚类中心,直到第一聚类中心不再发生变化,或达到预设迭代次数为止,得到目标聚类结果,依据目标聚类结果确定缩减后的场景集及其对应的概率权重,能够进行场景缩减,进行一步缩减后的场景更能较好描述风光出力的典型特征,体现风光出力的波动性;通过采用预设粒子群算法求解风险防控模型的最优潮流,依据最优潮流调整各所述风光出力场景下主配电网的储能和需求响应,以对主配电网进行风险防控,进一步能够改善传统仅依靠可控机组调节的情况,可以有效地降低主配电网运行风险。
示例性的,为便于更好的理解主配电网进行风险防控的拓扑结构。图9为本发明一实施例提供的一种主配电网进行风险防控的拓扑结构图,如图9所示,主网部分选择IEEE30节点系统,并在节点8、14接入配电网,配电网结构采用IEEE33节点系统,在配电网的节点13、16、19、23、31节点处接入柴油机、燃气轮机、储能装置、光伏以及风电机组,算例如图6所示。配电网部分算例基准电压为12.66kV,基准功率为10MW。常规负荷期望峰值总和取4.125MW。各负荷和电源的功率因数皆为0.95。在该情景下,可以得到主配电网电压越限风险值、潮流越限风险值和失负荷风险值如表所示。情况1为考虑风光出力波动性对主配电网运行风险指标的影响,情况2为不考虑风光出力波动性对主配电网运行风险指标的影响。通过表1可以看出风光出力的波动对于主配电网运行风险也会产生较大的影响,因此有必要采取合理的措施来降低主配电网的运行风险。
表1考虑风光波动性下的主配电网运行风险指标
并且考虑作为负荷侧可调度资源,灵活电负荷具备需求响应特性,通过引导灵活电负荷参与主配电网协调优化控制,改善传统仅依靠可控机组调节的情况,可以有效地降低主配电网运行风险,具体情况如表2所示。情况1为储能、需求响应均参与协调优化控制;情况2为储能、需求响应均不参与协调优化控制;情况3为只有需求响应参与协调优化控制;情况4为只有储能参与协调优化控制。通过表2可以看出,通过引导灵活电负荷参与主配电网协调优化控制,主配电网失负荷风险、电压越限风险以及潮流越限风险都有一定程度的降低,验证了所提风险防控方法的有效性。
表2考虑灵活电负荷下的主配电网的运行风险指标
在一实施例中,图10为本发明一实施例提供的一种主配电网的风险防控装置的结构框图,该装置适用于对电力物联网中的主配电网的风险防控时的情况,该装置可以由硬件/软件实现。可配置于电子设备中来实现本发明实施例中的一种主配电网的风险防控处理方法。
如图10所示,所述装置,包括:获取模块1010、确定模块1020、缩减模块1030和防控模块1040;
其中,获取模块1010,用于获取预设时间段内的风光出力预测数据以及风光出力实测数据;
确定模块1020,用于根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的具有梯度惩罚的生成对抗网络WGAN-GP模型确定风光出力场景集;
缩减模块1030,用于根据预设聚类算法对所述风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集及其对应的场景概率;
防控模块1040,用于基于预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控;其中,所述风险防控模型为以综合运行风险指标最小和综合运行成本最小为目标的主配电网风险防控模型。
本发明实施例,确定模块,通过获取的风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的WGAN-GP模型确定风光出力场景集,缩减模块,根据预设聚类算法对所述风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集,能够进行场景缩减,缩减后的场景更能较好描述风光出力的典型特征,体现风光出力的波动性;防控模块,通过预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控,能够改善传统仅依靠可控机组调节的情况,可以有效地降低主配电网运行风险。
在一实施例中,确定模块1020,进一步包括:
第一输入单元,用于将所述风光出力预测数据以及至少两组随机噪声输入预先训练的WGAN-GP模型中的生成器中得到生成数据,并将所述生成数据输入预先训练的WGAN-GP模型中的判别器中;其中,所述随机噪声为符合正态分布;
第二输入单元,用于将所述风光出力实测数据输入预先训练的WGAN-GP模型中的判别器中;
场景集确定单元,用于从所述判别器输出得到至少两个风光出力场景,并将所述至少两个风光出力场景构成风光出力场景集。
在一实施例中,所述WGAN-GP模型的训练过程包括:
获取预设地区的历史风光出力数据作为样本集;其中,所述样本集中包括历史风光出力预测值和历史风光出力实测值;
将预先添加的随机噪声与所述历史风光出力预测值进行拼接后输入所述WGAN-GP模型的生成器中输出生成样本;
将所述历史风光出力实测值输入所述WGAN-GP模型的判别器中,并将所述生成样本输入判别器中,输出对历史风光出力实测值和生成样本的判别值;
在所述判别器的损失函数中添加有梯度惩罚项,所述梯度惩罚项具有权重系数,采用预设深度学习优化算法分别更新所述权重系数,返回所述获取预设地区的历史风光出力数据作为样本集的步骤,直至判别器输出的生成样本与所述历史风光出力实测值的差距达到最小;
其中,所述判别器中的目标函数,用公式表示为:其中,E(·)表示期望值;D(G(z))为生成的数据G(z)在所述判别器中判别为真的概率;D(x)代表真实数据x在所述判别器中判别为真的概率;所述真实数据x的分布为x~pdata(x);z表示所述随机噪声,所述随机噪声的分布为z~Pz;PX为风光数据x的真实分布;x'=εx+(1-ε)G(z);ε表示随机数;λ表示所述梯度惩罚项的权重系数;||*||表示为范数,是一种数学计算方法;▽表示为哈密顿算子。/>
在一实施例中,缩减模块1030,进一步包括:
选取单元,用于从所述风光出力场景集中选取预设数量的风光出力场景作为初始聚类中心;
聚类中心确定单元,用于采用预设相似性度量方法确定所述风光出力场景集中其他风光出力场景至所述初始聚类中心的第一距离,并依据所述第一距离将所述其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心;其中,所述第一距离表征相似度;
结果确定单元,用于对于每个第一聚类中心,分别计算各所述第一聚类中心中的风光出力场景的第二距离,依据所述第二距离更新所述第一聚类中心得到新聚类中心,并返回所述依据所述第一距离将所述其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心的步骤,直到所述第一聚类中心不再发生变化,或达到预设迭代次数为止,得到目标聚类结果;其中,所述第二距离表征所述第一聚类中心中的风光出力场景的总距离;
场景集确定单元,用于依据所述目标聚类结果确定缩减后的目标风光出力场景集;
其中,所述目标聚类结果包括:每个聚类所包括的样本数量或样本权重;所述目标风光出力场景集中的每个风光出力场景对应场景概率,所有风光出力场景的场景概率总和为1。
在一实施例中,所述风险防控模型的构建,进一步包括:
获取各所述风光出力场景下配电网运行时的潮流参数数据;
针对所述目标风光出力场景集中的每个风光出力场景,基于各所述风光出力场景分别对应的场景概率以及所述潮流参数数据确定预设时间粒度内所述风光出力场景对应的至少两个配电网安全风险指标;
依据各所述配电网安全风险指标构建所述风光出力场景对应的风险防控模型;其中,所述配电网安全风险指标至少包括:节点电压越限风险指标、线路功率越限风险指标和系统失负荷风险指标。
在一实施例中,所述潮流参数数据包括:配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限的情况下,所述节点电压越限风险指标,用公式表示为:其中,ρ(Ek)为配电网节点系统状态Ek的场景概率;ND为所述配电网节点系统的节点总数;Vi为节点i的电压幅值;/> V i分别为节点i电压幅值的上限和下限;
所述潮流参数数据包括:线路l传输的有功功率和为线路l所允许传输的最大有功功率的情况下,所述线路功率越限风险指标,用公式表示为:/>其中,ρ(Ek)为系统状态Ek的场景概率;NL为系统线路总数;Pl为线路l传输的有功功率;/>为线路l所允许传输的最大有功功率;/>
所述潮流参数数据包括:节点i的有功失负荷量和节点i的有功负荷值的情况下,所述系统失负荷风险指标,用公式表示为:其中,ρ(Ek)为系统状态Ek的场景概率;Pcut,i为节点i的有功失负荷量;Pd,i为节点i的有功负荷值。
在一实施例中,所述预先构建的风险防控模型,用公式表示为:
其中,表示为最小综合运行风险;/>表示为最小综合运行成本;RV为节点电压越限风险指标;RL为线路功率越限风险指标;RC为系统失负荷风险指标;其中,ρt为不同时间段的购电单价;Ploss(t)为网损;SGi(t)为可控机组成本;ZPi(t)为中断成本;NG表示为可控机组的数量;Nl表示为用户可中断负荷数;
所述风险防控模型的约束条件包括:需求响应约束、储能系统ESS约束、风机约束、光伏约束、发电机约束、无功补偿装置SVC约束、电容器CB约束、节点电压约束以及支路电流约束。
在一实施例中,所述需求响应约束,用公式表示为:和其中,/>为n节点t时刻需求侧响应产生的变化量;/>为n节点t时刻需求侧响应前的负荷量;/>和/>分别为n节点t时刻需求侧响应产生变化量的上下限;κ为用户一个周期内用电量允许的可变范围;T表示为一天的小时数,取值为24;Nb表示为节点的总数;
所述储能系统ESS约束中的充放电状态约束,用公式表示为:其中,/>和/>分别是储能j在t时刻充电和放电状态,当约束限制在1以内时表明充电、放电和不充不放3种状态;NES是主配电网中储能装置的数量;
所述风机约束,用公式表示为:其中,/>和/>分别为风机j在t时刻发出的有功功率和无功功率;/>为风机j在t时刻发出的最大有功功率;tanθWT为风机功率因数;NWT为主配电网中风机数量;
所述光伏约束,用公式表示为:其中,/>和/>分别为风机j在t时刻发出的有功功率和无功功率;/>为风机j在t时刻发出的最大有功功率;tanθPV为光伏功率因数;NPV为主配电网中风机数量;
所述发电机约束,用公式表示为:其中,/>为发电机j在t时刻发出的有功功率;/>为发电机j在t时刻发出的最大有功功率;NMT为主配电网中发电机数量;
所述无功补偿装置SVC约束,用公式表示为:其中,/>为连续无功补偿装置j在t时刻的无功补偿量;/>和/>为连续无功补偿装置j无功补偿上下限;NSVC为主配电网中连续无功补偿装置数量;
所述电容器CB约束,用公式表示为:其中,/>为离散无功补偿装置j在t时刻的无功补偿量;/>为离散无功补偿装置j在t时刻投切组数;为离散无功补偿装置j单组投切的无功补偿量;/>为离散无功补偿装置j最大投切组数;NCB为主配电网中离散无功补偿装置数量;
所述节点电压约束,用公式表示为:其中,Vn,t为节点n在t时刻的电压;/>和/>为节点n上电压允许的上下限;
所述支路电流约束,用公式表示为:其中,/>和/>为支路l允许流过电流的上下限;Il,t表示为支路l在t时刻流过的电流值。
在一实施例中,防控模块1040,包括:
潮流确定单元,用于采用预设粒子群算法求解所述风险防控模型的最优潮流;
防控单元,用于依据所述最优潮流调整各所述风光出力场景下主配电网的储能和需求响应,以对主配电网进行风险防控。
在一实施例中,潮流确定单元,包括:
初始化子单元,用于随机初始化初始群粒子的当前位置和当前速度;其中,所述初始群粒子表示可能解;每个粒子的位置表示电力系统中节点电压和发电机出力参数的一组解,每个粒子的速度表示粒子在解空间中搜索的方向和速度;
更新子单元,用于依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新所述当前位置,得到更新后的新位置;
输出值确定子单元,用于依据所述新位置计算所述风险防控模型的输出值;其中,所述输出值表征最优潮流问题的适应度;
最优解确定子单元,用于根据所述适应度更新每个粒子的个体最优解,选择最优的解作为群体最优解;
判断子单元,判断所述群体最优解是否满足停止条件,若满足,则返回最优解;若不满足,则返回所述依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新所述当前位置,得到更新后的新位置的步骤,继续更新粒子位置和速度,直至满足所述停止条件;其中,所述停止条件包括下述之一:目标函数值收敛到预设阈值、目标函数值满足约束条件、达到预设迭代次数。
本发明实施例所提供的主配电网的风险防控处理装置可执行本发明任意实施例所提供的应用于金融系统的主配电网的风险防控处理方法,具备执行方法相应的功能模块和有益效果。
在一实施例中,图11为本发明实施例提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图11所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如主配电网的风险防控方法。
在一些实施例中,主配电网的风险防控处理方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的主配电网的风险防控方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行主配电网的风险防控方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程主配电网的风险防控装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (24)
1.一种主配电网的风险防控方法,其特征在于,包括:
获取预设时间段内的风光出力预测数据以及风光出力实测数据;
根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的具有梯度惩罚的生成对抗网络WGAN-GP模型确定风光出力场景集;
根据预设聚类算法对所述风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集;
基于预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控;其中,所述风险防控模型为以最小综合运行风险指标和最小综合运行成本为目标的主配电网风险防控模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的WGAN-GP模型确定风光出力场景集,进一步包括:
将所述风光出力预测数据以及至少两组随机噪声输入预先训练的WGAN-GP模型中的生成器中得到生成数据,并将所述生成数据输入预先训练的WGAN-GP模型中的判别器中;其中,所述随机噪声为符合正态分布;
将所述风光出力实测数据输入预先训练的WGAN-GP模型中的判别器中;
从所述判别器输出得到至少两个风光出力场景,并将所述至少两个风光出力场景构成风光出力场景集。
3.根据权利要求1或2任一所述的方法,其特征在于,所述WGAN-GP模型的训练过程包括:
获取预设地区的历史风光出力数据作为样本集;其中,所述样本集中包括历史风光出力预测值和历史风光出力实测值;
将预先添加的随机噪声与所述历史风光出力预测值进行拼接后输入所述WGAN-GP模型的生成器中输出生成样本;
将所述历史风光出力实测值输入所述WGAN-GP模型的判别器中,并将所述生成样本输入判别器中,输出对历史风光出力实测值和生成样本的判别值;
在所述判别器的损失函数中添加有梯度惩罚项,所述梯度惩罚项具有权重系数,采用预设深度学习优化算法分别更新所述权重系数,返回所述获取预设地区的历史风光出力数据作为样本集的步骤,直至判别器输出的生成样本与所述历史风光出力实测值的差距达到最小。
4.根据权利要求3所述的方法,其特征在于,所述判别器中的目标函数,用公式表示为:其中,E(·)表示期望值;D(G(z))为生成的数据G(z)在所述判别器中判别为真的概率;D(x)代表真实数据x在所述判别器中判别为真的概率;所述真实数据x的分布为x~pdata(x);z表示所述随机噪声,所述随机噪声的分布为z~Pz;PX为风光数据x的真实分布;x'=εx+(1-ε)G(z);ε表示随机数;λ表示所述梯度惩罚项的权重系数;||*||表示为范数,是一种数学计算方法;▽表示为哈密顿算子。
5.根据权利要求1所述的方法,其特征在于,所述根据预设聚类算法对所述风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集,进一步包括:
从所述风光出力场景集中选取预设数量的风光出力场景作为初始聚类中心;
采用预设相似性度量方法确定所述风光出力场景集中其他风光出力场景至所述初始聚类中心的第一距离,并依据所述第一距离将所述其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心;其中,所述第一距离表征相似度;
对于每个第一聚类中心,分别计算各所述第一聚类中心中的风光出力场景的第二距离,依据所述第二距离更新所述第一聚类中心得到新聚类中心,并返回所述依据所述第一距离将所述其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心的步骤,直到所述第一聚类中心不再发生变化,或达到预设迭代次数为止,得到目标聚类结果;其中,所述第二距离表征所述第一聚类中心中的风光出力场景的总距离;
依据所述目标聚类结果确定缩减后的目标风光出力场景集;
其中,所述目标聚类结果包括:每个聚类所包括的样本数量或样本权重;所述目标风光出力场景集中的每个风光出力场景对应场景概率,所有风光出力场景的场景概率总和为1。
6.根据权利要求1所述的方法,其特征在于,所述风险防控模型的构建,进一步包括:
获取各所述风光出力场景下配电网运行时的潮流参数数据;
针对所述目标风光出力场景集中的每个风光出力场景,基于各所述风光出力场景分别对应的场景概率以及所述潮流参数数据确定预设时间粒度内所述风光出力场景对应的至少两个配电网安全风险指标;
依据各所述配电网安全风险指标构建所述风光出力场景对应的风险防控模型;其中,所述配电网安全风险指标至少包括:节点电压越限风险指标、线路功率越限风险指标和系统失负荷风险指标。
7.根据权利要求6所述的方法,其特征在于,所述潮流参数数据包括:配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限的情况下,所述节点电压越限风险指标,用公式表示为:其中,ρ(Ek)为配电网节点系统状态Ek的场景概率;ND为所述配电网节点系统的节点总数;Vi为节点i的电压幅值;/> V i分别为节点i电压幅值的上限和下限;
所述潮流参数数据包括:线路l传输的有功功率和为线路l所允许传输的最大有功功率的情况下,所述线路功率越限风险指标,用公式表示为:/>其中,ρ(Ek)为系统状态Ek的场景概率;NL为系统线路总数;Pl为线路l传输的有功功率;/>为线路l所允许传输的最大有功功率;
所述潮流参数数据包括:节点i的有功失负荷量和节点i的有功负荷值的情况下,所述系统失负荷风险指标,用公式表示为:其中,ρ(Ek)为系统状态Ek的场景概率;Pcut,i为节点i的有功失负荷量;Pd,i为节点i的有功负荷值。
8.根据权利要求1或7任一所述的方法,其特征在于,所述预先构建的风险防控模型,用公式表示为:
其中,表示为最小综合运行风险;/>表示为最小综合运行成本;RV为节点电压越限风险指标;RL为线路功率越限风险指标;RC为系统失负荷风险指标;其中,ρt为不同时间段的购电单价;Ploss(t)为网损;SGi(t)为可控机组成本;ZPi(t)为中断成本;NG表示为可控机组的数量;Nl表示为用户可中断负荷数;
所述风险防控模型的约束条件包括:需求响应约束、储能系统ESS约束、风机约束、光伏约束、发电机约束、无功补偿装置SVC约束、电容器CB约束、节点电压约束以及支路电流约束。
9.根据权利要求8所述的方法,其特征在于,所述需求响应约束,用公式表示为:和/>其中,/>为n节点t时刻需求侧响应产生的变化量;/>为n节点t时刻需求侧响应前的负荷量;/>和分别为n节点t时刻需求侧响应产生变化量的上下限;κ为用户一个周期内用电量允许的可变范围;T表示为一天的小时数,取值为24;Nb表示为节点的总数;
所述储能系统ESS约束中的充放电状态约束,用公式表示为:其中,/>和/>分别是储能j在t时刻充电和放电状态,当约束限制在1以内时表明充电、放电和不充不放3种状态;NES是主配电网中储能装置的数量;
所述风机约束,用公式表示为:其中,/>和/>分别为风机j在t时刻发出的有功功率和无功功率;/>为风机j在t时刻发出的最大有功功率;tanθWT为风机功率因数;NWT为主配电网中风机数量;
所述光伏约束,用公式表示为:其中,/>和/>分别为风机j在t时刻发出的有功功率和无功功率;/>为风机j在t时刻发出的最大有功功率;tanθPV为光伏功率因数;NPV为主配电网中风机数量;
所述发电机约束,用公式表示为:其中,/>为发电机j在t时刻发出的有功功率;/>为发电机j在t时刻发出的最大有功功率;NMT为主配电网中发电机数量;
所述无功补偿装置SVC约束,用公式表示为:其中,为连续无功补偿装置j在t时刻的无功补偿量;/>和/>为连续无功补偿装置j无功补偿上下限;NSVC为主配电网中连续无功补偿装置数量;
所述电容器CB约束,用公式表示为:其中,/>为离散无功补偿装置j在t时刻的无功补偿量;/>为离散无功补偿装置j在t时刻投切组数;/>为离散无功补偿装置j单组投切的无功补偿量;/>为离散无功补偿装置j最大投切组数;NCB为主配电网中离散无功补偿装置数量;
所述节点电压约束,用公式表示为:其中,Vn,t为节点n在t时刻的电压;/>和/>为节点n上电压允许的上下限;
所述支路电流约束,用公式表示为:其中,/>和/>为支路l允许流过电流的上下限;Il,t表示为支路l在t时刻流过的电流值。
10.根据权利要求1所述的方法,其特征在于,所述基于预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控,包括:
采用预设粒子群算法求解所述风险防控模型的最优潮流;
依据所述最优潮流调整各所述风光出力场景下主配电网的储能和需求响应,以对主配电网进行风险防控。
11.根据权利要求10所述的方法,其特征在于,所述采用预设粒子群算法求解所述风险防控模型的最优潮流,包括:
随机初始化初始群粒子的当前位置和当前速度;其中,所述初始群粒子表示可能解;每个粒子的位置表示电力系统中节点电压和发电机出力参数的一组解,每个粒子的速度表示粒子在解空间中搜索的方向和速度;
依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新所述当前位置,得到更新后的新位置;
依据所述新位置计算所述风险防控模型的输出值;其中,所述输出值表征最优潮流问题的适应度;
根据所述适应度更新每个粒子的个体最优解,选择最优的解作为群体最优解;
判断所述群体最优解是否满足停止条件,若满足,则返回最优解;若不满足,则返回所述依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新所述当前位置,得到更新后的新位置的步骤,继续更新粒子位置和速度,直至满足所述停止条件;其中,所述停止条件包括下述之一:目标函数值收敛到预设阈值、目标函数值满足约束条件、达到预设迭代次数。
12.一种主配电网的风险防控装置,其特征在于,包括:
获取模块,用于获取预设时间段内的风光出力预测数据以及风光出力实测数据;
确定模块,用于根据所述风光出力预测数据、所述风光出力实测数据、预先添加的随机噪声以及预先训练的具有梯度惩罚的生成对抗网络WGAN-GP模型确定风光出力场景集;
缩减模块,用于根据预设聚类算法对所述风光出力场景集进行场景缩减,得到场景缩减后的目标风光出力场景集;
防控模块,用于基于预先构建的风险防控模型对所述目标风光出力场景集内各风光出力场景中的主配电网进行风险防控;其中,所述风险防控模型为以最小综合运行风险指标和最小综合运行成本为目标的主配电网风险防控模型。
13.根据权利要求12所述的装置,其特征在于,确定模块,进一步包括:
第一输入单元,用于将所述风光出力预测数据以及至少两组随机噪声输入预先训练的WGAN-GP模型中的生成器中得到生成数据,并将所述生成数据输入预先训练的WGAN-GP模型中的判别器中;其中,所述随机噪声为符合正态分布;
第二输入单元,用于将所述风光出力实测数据输入预先训练的WGAN-GP模型中的判别器中;
场景集确定单元,用于从所述判别器输出得到至少两个风光出力场景,并将所述至少两个风光出力场景构成风光出力场景集。
14.根据权利要求12或13任一所述的装置,其特征在于,所述WGAN-GP模型的训练过程包括:
获取预设地区的历史风光出力数据作为样本集;其中,所述样本集中包括历史风光出力预测值和历史风光出力实测值;
将预先添加的随机噪声与所述历史风光出力预测值进行拼接后输入所述WGAN-GP模型的生成器中输出生成样本;
将所述历史风光出力实测值输入所述WGAN-GP模型的判别器中,并将所述生成样本输入判别器中,输出对历史风光出力实测值和生成样本的判别值;
在所述判别器的损失函数中添加有梯度惩罚项,所述梯度惩罚项具有权重系数,采用预设深度学习优化算法分别更新所述权重系数,返回所述获取预设地区的历史风光出力数据作为样本集的步骤,直至判别器输出的生成样本与所述历史风光出力实测值的差距达到最小。
15.根据权利要求13任一所述的装置,其特征在于,所述判别器中的目标函数,用公式表示为:
其中,E(·)表示期望值;D(G(z))为生成的数据G(z)在所述判别器中判别为真的概率;D(x)代表真实数据x在所述判别器中判别为真的概率;所述真实数据x的分布为x~pdata(x);z表示所述随机噪声,所述随机噪声的分布为z~Pz;PX为风光数据x的真实分布;x'=εx+(1-ε)G(z);ε表示随机数;λ表示所述梯度惩罚项的权重系数;||*||表示为范数,是一种数学计算方法;表示为哈密顿算子。
16.根据权利要求12所述的装置,其特征在于,缩减模块,进一步包括:
选取单元,用于从所述风光出力场景集中选取预设数量的风光出力场景作为初始聚类中心;
聚类中心确定单元,用于采用预设相似性度量方法确定所述风光出力场景集中其他风光出力场景至所述初始聚类中心的第一距离,并依据所述第一距离将所述其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心;其中,所述第一距离表征相似度;
结果确定单元,用于对于每个第一聚类中心,分别计算各所述第一聚类中心中的风光出力场景的第二距离,依据所述第二距离更新所述第一聚类中心得到新聚类中心,并返回所述依据所述第一距离将所述其他风光出力场景划分至距离最近的聚类中心,以形成第一聚类中心的步骤,直到所述第一聚类中心不再发生变化,或达到预设迭代次数为止,得到目标聚类结果;其中,所述第二距离表征所述第一聚类中心中的风光出力场景的总距离;
场景集确定单元,用于依据所述目标聚类结果确定缩减后的目标风光出力场景集;
其中,所述目标聚类结果包括:每个聚类所包括的样本数量或样本权重;所述目标风光出力场景集中的每个风光出力场景对应场景概率,所有风光出力场景的场景概率总和为1。
17.根据权利要求12所述的装置,其特征在于,所述风险防控模型的构建,进一步包括:
获取各所述风光出力场景下配电网运行时的潮流参数数据;
针对所述目标风光出力场景集中的每个风光出力场景,基于各所述风光出力场景分别对应的场景概率以及所述潮流参数数据确定预设时间粒度内所述风光出力场景对应的至少两个配电网安全风险指标;
依据各所述配电网安全风险指标构建所述风光出力场景对应的风险防控模型;其中,所述配电网安全风险指标至少包括:节点电压越限风险指标、线路功率越限风险指标和系统失负荷风险指标。
18.根据权利要求17所述的装置,其特征在于,所述潮流参数数据包括:配电网中节点i的电压幅值、所述节点i电压幅值的上限和下限的情况下,所述节点电压越限风险指标,用公式表示为:其中,ρ(Ek)为配电网节点系统状态Ek的场景概率;ND为所述配电网节点系统的节点总数;Vi为节点i的电压幅值;/>Vi分别为节点i电压幅值的上限和下限;
所述潮流参数数据包括:线路l传输的有功功率和为线路l所允许传输的最大有功功率的情况下,所述线路功率越限风险指标,用公式表示为:/>其中,ρ(Ek)为系统状态Ek的场景概率;NL为系统线路总数;Pl为线路l传输的有功功率;/>为线路l所允许传输的最大有功功率;
所述潮流参数数据包括:节点i的有功失负荷量和节点i的有功负荷值的情况下,所述系统失负荷风险指标,用公式表示为:其中,ρ(Ek)为系统状态Ek的场景概率;Pcut,i为节点i的有功失负荷量;Pd,i为节点i的有功负荷值。
19.根据权利要求12或18任一所述的装置,其特征在于,所述预先构建的风险防控模型,用公式表示为:
其中,表示为最小综合运行风险;/>表示为最小综合运行成本;RV为节点电压越限风险指标;RL为线路功率越限风险指标;RC为系统失负荷风险指标;其中,ρt为不同时间段的购电单价;Ploss(t)为网损;SGi(t)为可控机组成本;ZPi(t)为中断成本;NG表示为可控机组的数量;Nl表示为用户可中断负荷数;
所述风险防控模型的约束条件包括:需求响应约束、储能系统ESS约束、风机约束、光伏约束、发电机约束、无功补偿装置SVC约束、电容器CB约束、节点电压约束以及支路电流约束。
20.根据权利要求19所述的装置,其特征在于,所述需求响应约束,用公式表示为:和/>其中,/>为n节点t时刻需求侧响应产生的变化量;/>为n节点t时刻需求侧响应前的负荷量;和/>分别为n节点t时刻需求侧响应产生变化量的上下限;κ为用户一个周期内用电量允许的可变范围;T表示为一天的小时数,取值为24;Nb表示为节点的总数;
所述储能系统ESS约束中的充放电状态约束,用公式表示为:其中,/>和/>分别是储能j在t时刻充电和放电状态,当约束限制在1以内时表明充电、放电和不充不放3种状态;NES是主配电网中储能装置的数量;
所述风机约束,用公式表示为:其中,/>和/>分别为风机j在t时刻发出的有功功率和无功功率;/>为风机j在t时刻发出的最大有功功率;tanθWT为风机功率因数;NWT为主配电网中风机数量;
所述光伏约束,用公式表示为:其中,/>和/>分别为风机j在t时刻发出的有功功率和无功功率;/>为风机j在t时刻发出的最大有功功率;tanθPV为光伏功率因数;NPV为主配电网中风机数量;
所述发电机约束,用公式表示为:其中,/>为发电机j在t时刻发出的有功功率;/>为发电机j在t时刻发出的最大有功功率;NMT为主配电网中发电机数量;
所述无功补偿装置SVC约束,用公式表示为:其中,为连续无功补偿装置j在t时刻的无功补偿量;/>和/>为连续无功补偿装置j无功补偿上下限;NSVC为主配电网中连续无功补偿装置数量;
所述电容器CB约束,用公式表示为:其中,/>为离散无功补偿装置j在t时刻的无功补偿量;/>为离散无功补偿装置j在t时刻投切组数;/>为离散无功补偿装置j单组投切的无功补偿量;/>为离散无功补偿装置j最大投切组数;NCB为主配电网中离散无功补偿装置数量;
所述节点电压约束,用公式表示为:其中,Vn,t为节点n在t时刻的电压;/>和/>为节点n上电压允许的上下限;
所述支路电流约束,用公式表示为:其中,/>和/>为支路l允许流过电流的上下限;Il,t表示为支路l在t时刻流过的电流值。
21.根据权利要求12所述的装置,其特征在于,防控模块,进一步包括:
潮流确定单元,用于采用预设粒子群算法求解所述风险防控模型的最优潮流;
防控单元,用于依据所述最优潮流调整各所述风光出力场景下主配电网的储能和需求响应,以对主配电网进行风险防控。
22.根据权利要求21所述的装置,其特征在于,潮流确定单元,包括:
初始化子单元,用于随机初始化初始群粒子的当前位置和当前速度;其中,所述初始群粒子表示可能解;每个粒子的位置表示电力系统中节点电压和发电机出力参数的一组解,每个粒子的速度表示粒子在解空间中搜索的方向和速度;
更新子单元,用于依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新所述当前位置,得到更新后的新位置;
输出值确定子单元,用于依据所述新位置计算所述风险防控模型的输出值;其中,所述输出值表征最优潮流问题的适应度;
最优解确定子单元,用于根据所述适应度更新每个粒子的个体最优解,选择最优的解作为群体最优解;
判断子单元,用于判断所述群体最优解是否满足停止条件,若满足,则返回最优解;若不满足,则返回所述依据粒子的第一历史最优解和整个群体的第二历史最优解进行更新所述当前位置,得到更新后的新位置的步骤,继续更新粒子位置和速度,直至满足所述停止条件;其中,所述停止条件包括下述之一:目标函数值收敛到预设阈值、目标函数值满足约束条件、达到预设迭代次数。
23.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的主配电网的风险防控方法。
24.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-11中任一项所述的主配电网的风险防控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123032.4A CN117973859A (zh) | 2024-01-29 | 2024-01-29 | 一种主配电网的风险防控方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123032.4A CN117973859A (zh) | 2024-01-29 | 2024-01-29 | 一种主配电网的风险防控方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117973859A true CN117973859A (zh) | 2024-05-03 |
Family
ID=90848959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410123032.4A Pending CN117973859A (zh) | 2024-01-29 | 2024-01-29 | 一种主配电网的风险防控方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117973859A (zh) |
-
2024
- 2024-01-29 CN CN202410123032.4A patent/CN117973859A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679658B (zh) | 一种高比例清洁能源接入下的输电网规划方法 | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN105071433B (zh) | 一种分布式电源的优化配置方案 | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
CN112380694B (zh) | 一种基于差异化可靠性需求的配电网优化规划方法 | |
CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
CN115017854A (zh) | 一种基于多维评估指标体系的配电网dg最大准入容量计算方法 | |
Wang et al. | Dynamic equivalent method of PMSG‐based wind farm for power system stability analysis | |
Zhang et al. | Sequence control strategy for hybrid energy storage system for wind smoothing | |
CN109449923A (zh) | 一种有源配电系统运行灵活性的量化分析方法及相关产品 | |
CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
CN105162173A (zh) | 一种接入风力发电的电力系统备用容量确定方法 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
Zhang et al. | Short‐Term Power Prediction of Wind Power Generation System Based on Logistic Chaos Atom Search Optimization BP Neural Network | |
CN117973859A (zh) | 一种主配电网的风险防控方法、装置、设备和介质 | |
CN115271384A (zh) | 基于蝠鲼觅食优化算法的配电网新能源承载力评估方法 | |
CN115118015A (zh) | 一种基于融合终端的台区供电稳定性监测系统 | |
CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 | |
Ali et al. | Distributed generation sizing and placement using computational intelligence | |
Liu et al. | Coordinated voltage control for improved power system voltage stability by incorporating the reactive power reserve from wind farms | |
Liu et al. | Location and capacity determination of energy storage system based on improved whale optimization algorithm | |
Liu et al. | Active power dynamic interval control based on operation data mining for wind farms to improve regulation performance in AGC | |
Liu et al. | PSO-BP-Based Optimal Allocation Model for Complementary Generation Capacity of the Photovoltaic Power Station | |
CN108964134A (zh) | 基于面积灰色关联决策的分布式电源规划的概率分析方法 |
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 |