一种电力系统的风险场景提取方法及系统与流程

本发明属于电力系统评估，尤其涉及一种电力系统的风险场景提取方法及系统。

背景技术：

1、随着高比例新能源接入电网，电力系统的惯量水平和频率调节能力显著下降，频率变化率增大，电力系统的频率稳定面临严峻挑战。为准确评估构网型储能等调节资源在不同运行状态下的频率支撑需求，需要对电力系统在多种源荷波动条件下的运行行为进行分析，从中提取具有代表性的运行场景。这些运行场景能够反映电力系统在不同风险水平下的动态特性，为构网型储能的优化配置、系统规划及运行策略制定提供关键依据。

2、现有技术中，电力系统典型场景的提取主要依赖直接统计方法、简单聚类算法以及基于物理模型的模拟技术，例如蒙特卡洛模拟、故障树分析或k-means聚类等。然而，直接统计或简单聚类难以全面反映电力系统复杂的数据之间的关系，导致提取的场景代表性不足；基于物理模型的模拟技术虽具有工程可解释性，但计算复杂度高，且忽略不同运行场景下电力系统复杂的数据各自对频率稳定的影响。除此之外，现有的简单聚类算法往往是直接进行聚类后选取风险场景，缺乏对聚类结果的处理，导致聚类得到的风险场景难以反映频率支撑需求的特性，无法得到更为准确的风险场景。

技术实现思路

1、本发明旨在提供一种电力系统的风险场景提取方法及系统，以解决上述技术问题，提高了风险场景提取的准确性。

2、为了解决上述技术问题，本发明实施例提供了一种电力系统的风险场景提取方法，包括：

3、构建电力系统的若干运行场景，并获取每个所述运行场景的电力运行数据；

4、对每个所述运行场景的的电力运行数据进行特征提取，得到每个所述运行场景在各个预设的频率稳定支撑指标的频率稳定支撑参数；

5、基于所述频率稳定支撑参数确定每个所述频率稳定支撑指标的数值离散度，并基于所述数值离散程度确定每个所述频率稳定支撑指标的频率稳定权重；

6、基于所述频率稳定权重和频率稳定支撑参数构建每个所述运行场景的加权频率稳定特征向量；基于所述加权频率稳定特征向量对所述运行场景进行聚类，得到所述电力系统的运行场景聚类结构；

7、对所述运行场景聚类结构进行切割，以确定所述电力系统的运行场景聚类值；基于所述运行场景聚类值从所述运行场景聚类结构中提取所述电力系统的风险场景。

8、可以理解的是，相较于现有技术，本发明通过构建多个运行场景并获取每个场景的电力运行数据，为后续分析提供了覆盖电力系统多种运行状态的基础样本集合；在此基础上，对每个运行场景的的电力运行数据进行特征提取，得到各运行场景在各个预设的频率稳定支撑指标的频率稳定支撑参数，以不同频率稳定支撑指标的频率稳定支撑参数从不同维度刻画电力系统面临频率稳定风险时的关键响应特征，接着，基于频率稳定支撑参数确定每个频率稳定支撑指标的数值离散度，并依据离散程度确定各频率稳定支撑指标的频率稳定权重，以数值离散度反映频率稳定支撑指标在不同运行场景下的变化剧烈程度，避免了传统方法中主观赋权或等权处理带来的频率稳定权重偏差；随后，利用频率稳定权重与频率稳定支撑参数构建运行场景特征矩阵，再基于所述运行场景特征矩阵对所述运行场景进行聚类，生成层次分明的运行场景聚类结构。最后，对该聚类结构进行切割以确定运行场景聚类值，并提取电力系统的风险场景，确保了所提取的风险场景在数量与代表性之间达到最佳平衡，提高了风险场景提取的准确性。

9、作为优选方案，所述电力运行数据包括：母线额定电压、母线电压标幺值、同步发电机基准容量、同步发电机惯量时间常数、负荷节点功率和发电节点功率；所述频率稳定支撑指标包括：电压偏差指标、电力系统等值惯量指标、负荷功率缺额指标和频率变化率指标；所述对每个所述运行场景的的电力运行数据进行特征提取，得到每个所述运行场景在各个预设的频率稳定支撑指标的频率稳定支撑参数，包括：

10、基于每个所述运行场景的母线额定电压和母线电压标幺值确定每个所述运行场景在所述电压偏差指标的电压偏差参数；

11、基于每个所述运行场景的同步发电机基准容量和同步发电机惯量时间常数的乘积，确定每个所述运行场景在所述电力系统等值惯量指标的电力系统等值惯量参数；

12、根据所述负荷节点功率确定所述电力系统在每个所述运行场景的总负荷功率，并根据所述发电节点功率确定所述电力系统在每个所述运行场景的总发电功率；

13、基于所述总负荷功率和总发电功率的差值确定每个所述运行场景在所述负荷功率缺额指标的负荷功率缺额参数；

14、基于所述负荷功率缺额参数和电力系统等值惯量参数的比值确定每个所述运行场景在所述频率变化率指标的频率变化率参数；

15、基于所述电压偏差参数、电力系统等值惯量参数、负荷功率缺额参数和频率变化率参数，确定每个所述运行场景在各个所述频率稳定支撑指标的频率稳定支撑参数。

16、上述方案通过设定频率稳定支撑指标包括电压偏差指标、电力系统等值惯量指标、负荷功率缺额指标和频率变化率指标，通过母线额定电压和母线电压标幺值计算电压偏差参数，能够量化电力系统电压的整体偏移程度；通过同步发电机基准容量和同步发电机惯量时间常数的乘积确定等值惯量参数，能够表征电力系统抗频率变化的能力；通过负荷节点功率与发电节点功率得到负荷功率缺额参数，反映了电力系统的功率不平衡量；通过负荷功率缺额参数和电力系统等值惯量参数计算频率变化率参数，能够预估故障后的频率变化速率，使得每个运行场景下的频率稳定支撑参数能够全面且精确地反映电力系统在电压稳定性、惯量水平、功率不平衡程度以及频率变化速率四个维度的真实状态，从特征源头保障了风险场景提取的准确性。

17、作为优选方案，所述基于所述频率稳定支撑参数确定每个所述频率稳定支撑指标的数值离散度，并基于所述数值离散程度确定每个所述频率稳定支撑指标的频率稳定权重，包括：

18、对每个所述运行场景在各个所述频率稳定支撑指标的频率稳定支撑参数进行归一化处理，得到每个所述运行场景在各个所述频率稳定支撑指标的归一化频率稳定支撑参数；

19、基于所述归一化频率稳定支撑参数确定每个所述运行场景在各个所述频率稳定支撑指标的样本比重；

20、基于每个所述运行场景在各个所述频率稳定支撑指标的样本比重确定每个所述频率稳定支撑指标的数值离散度；

21、基于每个所述频率稳定支撑指标的数值离散度确定每个所述频率稳定支撑指标的差异度；

22、对每个所述频率稳定支撑指标的差异度进行归一化处理，得到每个所述频率稳定支撑指标的频率稳定权重。

23、上述方案通过归一化处理，消除了量纲差异对频率稳定权重计算的影响；基于归一化频率稳定支撑参数计算每个运行场景下在频率稳定支撑指标的样本比重，能够反映频率稳定支撑指标在不同运行场景中的分布情况；接着，依据样本比重确定数值离散度，离散度越小表明各运行场景在频率稳定支撑指标上的取值越均匀、信息量越少，离散度越大表明频率稳定支撑指标在运行场景间的差异越显著、携带的区分信息越丰富；再将离散度转换为差异度并归一化得到最终权重，避免了主观赋权或等权处理所导致的特征提取偏差，从而显著提升了风险场景提取的准确性。

24、作为优选方案，所述基于所述频率稳定权重和频率稳定支撑参数构建每个所述运行场景的加权频率稳定特征向量；基于所述加权频率稳定特征向量对所述运行场景进行聚类，得到所述电力系统的运行场景聚类结构，包括：

25、将每个所述运行场景在各个所述频率稳定支撑指标的频率稳定支撑参数对应的归一化频率稳定支撑参数与对应的频率稳定支撑指标的频率稳定权重进行相乘，得到每个所述运行场景在各个所述频率稳定支撑指标的加权频率稳定特征参数；

26、基于每个所述运行场景在各个所述频率稳定支撑指标的加权频率稳定特征参数构建每个所述运行场景的加权频率稳定特征向量；

27、基于每个所述运行场景的加权频率稳定特征向量初始化若干簇；

28、对所述簇进行迭代合并，得到所述电力系统的运行场景聚类结构。

29、上述方案通过将每个运行场景在各频率稳定支撑指标上的归一化频率稳定支撑参数乘以对应频率稳定权重，得到加权频率稳定特征参数，使得信息量大的频率稳定支撑指标在后续计算中获得更大的数值贡献；基于加权频率稳定特征参数构建加权频率稳定特征向量，再以加权频率稳定特征向量初始化若干簇，确保了迭代合并过程是建立在最能反映风险差异的加权频率稳定特征向量基础上，从而为生成高准确度的聚类结构奠定了坚实基础，进而提高了后续风险场景提取的准确性。

30、作为优选方案，所述对所述簇进行迭代合并，得到所述电力系统的运行场景聚类结构，包括：

31、在每次迭代合并中，基于当前每个所述簇内所有运行场景的加权频率稳定特征向量的算术平均值确定每个所述簇的簇均值向量；

32、针对每两个不同的簇，根据两个所述簇内的运行场景数量和两个所述簇的簇均值向量的欧氏距离，确定两个所述簇的合并代价；

33、将合并代价最小的两个所述簇进行合并，形成第一簇，并记录当次迭代合并中所述第一簇与合并代价最小的两个所述簇之间的层次关系；

34、将所述第一簇和其余的簇作为下次迭代合并的簇，直至迭代合并仅有一个簇；

35、根据所述层次关系，得到所述电力系统的运行场景聚类结构。

36、上述方案在每次迭代合并中，先计算每个簇内所有运行场景的加权频率稳定特征向量的算术平均值作为簇均值向量，均值向量能够代表该簇的整体风险特征；针对每两个不同的簇，综合考虑其各自的运行场景数量以及两个簇均值向量之间的欧氏距离来计算合并代价，运行场景数量对合并代价的修正使得小簇与大簇合并时不会因距离近而被过度优先合并，避免了聚类结果被大簇主导；每次选择合并代价最小的两个簇进行合并，能够确保每一步合并所引起的簇内离散程度增加最小，从而使得最终生成的聚类结构在整体上具有最优的簇内紧致性和簇间分离性，精准地揭示运行场景之间固有的风险层次关系，进而提高了后续风险场景提取的准确性。

37、作为优选方案，所述对所述运行场景聚类结构进行切割，以确定所述电力系统的运行场景聚类值；基于所述运行场景聚类值从所述运行场景聚类结构中提取所述电力系统的风险场景，包括：

38、获取若干备选运行场景聚类值，在所述运行场景聚类结构上选取每个所述备选运行场景聚类值的切割位置；

39、基于所述切割位置对所述运行场景聚类结构进行切割，得到每个所述备选运行场景聚类值对应的若干运行场景簇；

40、对于每个所述备选运行场景聚类值，计算每个所述运行场景到所属运行场景簇内其他运行场景的簇内平均距离，并计算每个所述运行场景到其他运行场景簇内所有运行场景的异簇平均距离最小值；

41、基于所述簇内平均距离和异簇平均距离最小值确定每个所述运行场景的聚类质量评价值；

42、基于每个所述运行场景的聚类质量评价值进行求和后取平均，得到所述备选运行场景聚类值的整体聚类质量指标；

43、选取整体聚类质量指标最大的备选运行场景聚类值作为所述电力系统的运行场景聚类值；

44、获取所述运行场景聚类值对应的每个所述运行场景簇的簇中心，并基于所述簇中心确定每个所述运行场景簇的代表性场景；

45、基于所述运行场景簇的代表性场景确定所述电力系统的风险场景。

46、上述方案通过获取若干备选运行场景聚类值并在聚类结构上选取相应切割位置，能够遍历从细粒度到粗粒度的多种划分方案；对每个备选运行场景聚类值，计算每个运行场景到其所属运行场景簇内其他运行场景的平均距离（反映簇内紧密度）以及到其他运行场景簇的运行场景（反映簇间分离度），并基于两者确定运行场景的聚类质量评价值；将所有运行场景的评价值求和后取平均得到备选运行场景聚类值的整体聚类质量指标，以整体聚类质量指标综合衡量了备选运行场景聚类值下运行场景簇内样本的聚合程度与簇之间的区分程度；选取质量指标最大的备选值作为最优聚类数，基于各运行场景簇的簇中心选取代表性场景作为风险场景，确保每个被提取的代表性场景都是该运行场景簇中最能代表其风险特征的真实运行状态，从而提升了风险场景提取的代表性和准确性。

47、相应的，本发明实施例提供了一种电力系统的风险场景提取系统，包括：运行场景构建模块、频率稳定支撑参数获取模块、频率稳定权重确定模块、运行场景聚类结构构建模块和风险场景提取模块；

48、所述运行场景构建模块用于构建电力系统的若干运行场景，并获取每个所述运行场景的电力运行数据；

49、所述频率稳定支撑参数获取模块用于对每个所述运行场景的的电力运行数据进行特征提取，得到每个所述运行场景在各个预设的频率稳定支撑指标的频率稳定支撑参数；

50、所述频率稳定权重确定模块用于基于所述频率稳定支撑参数确定每个所述频率稳定支撑指标的数值离散度，并基于所述数值离散程度确定每个所述频率稳定支撑指标的频率稳定权重；

51、所述运行场景聚类结构构建模块用于基于所述频率稳定权重和频率稳定支撑参数构建每个所述运行场景的加权频率稳定特征向量；基于所述加权频率稳定特征向量对所述运行场景进行聚类，得到所述电力系统的运行场景聚类结构；

52、所述风险场景提取模块用于对所述运行场景聚类结构进行切割，以确定所述电力系统的运行场景聚类值；基于所述运行场景聚类值从所述运行场景聚类结构中提取所述电力系统的风险场景。

53、作为优选方案，所述频率稳定支撑参数获取模块包括：频率稳定支撑参数获取单元；

54、在所述频率稳定支撑参数获取单元中，所述电力运行数据包括：母线额定电压、母线电压标幺值、同步发电机基准容量、同步发电机惯量时间常数、负荷节点功率和发电节点功率；所述频率稳定支撑指标包括：电压偏差指标、电力系统等值惯量指标、负荷功率缺额指标和频率变化率指标；

55、所述频率稳定支撑参数获取单元用于基于每个所述运行场景的母线额定电压和母线电压标幺值确定每个所述运行场景在所述电压偏差指标的电压偏差参数；

56、基于每个所述运行场景的同步发电机基准容量和同步发电机惯量时间常数的乘积，确定每个所述运行场景在所述电力系统等值惯量指标的电力系统等值惯量参数；

57、根据所述负荷节点功率确定所述电力系统在每个所述运行场景的总负荷功率，并根据所述发电节点功率确定所述电力系统在每个所述运行场景的总发电功率；

58、基于所述总负荷功率和总发电功率的差值确定每个所述运行场景在所述负荷功率缺额指标的负荷功率缺额参数；

59、基于所述负荷功率缺额参数和电力系统等值惯量参数的比值确定每个所述运行场景在所述频率变化率指标的频率变化率参数；

60、基于所述电压偏差参数、电力系统等值惯量参数、负荷功率缺额参数和频率变化率参数，确定每个所述运行场景在各个所述频率稳定支撑指标的频率稳定支撑参数。

61、作为优选方案，所述频率稳定权重确定模块包括：频率稳定权重确定单元；

62、所述频率稳定权重确定单元用于对每个所述运行场景在各个所述频率稳定支撑指标的频率稳定支撑参数进行归一化处理，得到每个所述运行场景在各个所述频率稳定支撑指标的归一化频率稳定支撑参数；

63、基于所述归一化频率稳定支撑参数确定每个所述运行场景在各个所述频率稳定支撑指标的样本比重；

64、基于每个所述运行场景在各个所述频率稳定支撑指标的样本比重确定每个所述频率稳定支撑指标的数值离散度；

65、基于每个所述频率稳定支撑指标的数值离散度确定每个所述频率稳定支撑指标的差异度；

66、对每个所述频率稳定支撑指标的差异度进行归一化处理，得到每个所述频率稳定支撑指标的频率稳定权重。

67、作为优选方案，所述运行场景聚类结构构建模块包括：运行场景聚类结构构建单元；

68、所述运行场景聚类结构构建单元用于将每个所述运行场景在各个所述频率稳定支撑指标的频率稳定支撑参数对应的归一化频率稳定支撑参数与对应的频率稳定支撑指标的频率稳定权重进行相乘，得到每个所述运行场景在各个所述频率稳定支撑指标的加权频率稳定特征参数；

69、基于每个所述运行场景在各个所述频率稳定支撑指标的加权频率稳定特征参数构建每个所述运行场景的加权频率稳定特征向量；

70、基于每个所述运行场景的加权频率稳定特征向量初始化若干簇；

71、对所述簇进行迭代合并，得到所述电力系统的运行场景聚类结构。

72、可以理解的是，相较于现有技术，本系统通过构建多个运行场景并获取每个场景的电力运行数据，为后续分析提供了覆盖电力系统多种运行状态的基础样本集合；在此基础上，对每个运行场景的的电力运行数据进行特征提取，得到各运行场景在各个预设的频率稳定支撑指标的频率稳定支撑参数，以不同频率稳定支撑指标的频率稳定支撑参数从不同维度刻画电力系统面临频率稳定风险时的关键响应特征，接着，基于频率稳定支撑参数确定每个频率稳定支撑指标的数值离散度，并依据离散程度确定各频率稳定支撑指标的频率稳定权重，以数值离散度反映频率稳定支撑指标在不同运行场景下的变化剧烈程度，避免了传统方法中主观赋权或等权处理带来的频率稳定权重偏差；随后，利用频率稳定权重与频率稳定支撑参数构建运行场景特征矩阵，再基于所述运行场景特征矩阵对所述运行场景进行聚类，生成层次分明的运行场景聚类结构。最后，对该聚类结构进行切割以确定运行场景聚类值，并提取电力系统的风险场景，确保了所提取的风险场景在数量与代表性之间达到最佳平衡，提高了风险场景提取的准确性。