一种基于预测分析和区间抽样的概率潮流计算方法及系统与流程

本发明涉及电力系统潮流计算，尤其涉及一种基于预测分析和区间抽样的概率潮流计算方法及系统。

背景技术：

1、电力负荷数据在电力系统中表现出明显的随机性和周期性特征。同时，众多因素如民众的电力消费习惯、社会经济活动、天气状况及政策导向等，均对负荷数据产生深远影响。因此，对电力负荷的特性和相关影响因素进行全面而深入的分析，能够更清晰地揭示负荷数据与各种影响因素之间的内在联系，为构建准确的负荷预测模型奠定扎实的基础。电力负荷预测技术的基础在于利用用户关口或各分项的过往负荷数据、历史与未来的气象信息，同时结合用户的生活与生产习惯以及宏观经济环境等其他相关因素。

2、对于含风力发电或太阳能发电等间歇性分布式供电系统的配电网，将受到双随机过程的影响：一方面发电系统的出力常常受到自然天气条件的影响，具有天然的波动性，另一方面配电网负荷自身具有随机波动性的特点。目前，针对分布式供电系统接入配电网潮流研究的方法均没有考虑间歇性能源出力随机波动性的特点。

3、现有技术中也有采用蒙特卡罗模拟法（mente carlo method）对含有分布式供电的配电网概率潮流进行分析的。蒙特卡罗模拟法是基于重复随机抽样的方法来统计最终结果，蒙特卡罗算法针对复杂系统需要较长计算时间。

技术实现思路

1、本发明要解决的技术问题在于考虑间歇性能源出力随机波动性以及配电网负荷自身具有随机波动性对配电网潮流分析的双随机过程影响, 利用蒙特卡罗抽样仿真法提出一种适应于间歇性分布式电源的概率潮流求解方法,通过随机出力的波动性与各节点电压的概率分布和各支路潮流分布的相互关系得到概率潮流分析结果，并对分布式供电系统进行潮流追踪分析；针对蒙特卡罗算法对复杂系统需要较长计算时间问题，对数据进行预处理以实现区间抽样优化。

2、为了解决上述技术问题，本发明所采用的一个技术方案是：一种基于预测分析和区间抽样的概率潮流计算方法，其包括：

3、获取历史数据，所述历史数据包括：风速历史数据、太阳能辐射历史数据和配电网负荷历史数据；

4、基于历史数据进行预测获得预测数据系列，所述预测数据系列包括：风速预测数据、太阳能辐射预测数据和配电网负荷预测数据；

5、对风速预测数据、太阳能辐射预测数据和配电网负荷预测数据设定抽样的区间，并得到风速跟太阳辐射以及风速跟配电网负荷之间的概率分布关系；

6、对风速区间进行抽样，分别计算出风力发电系统和太阳能发电系统的功率输出量；

7、读入各节点负荷数据，代入风力发电系统和太阳能发电系统的功率输出量，用前推回推算法计算潮流。

8、在一个优选的实施例中，所述基于历史数据进行预测获得预测数据系列步骤包括：将历史数据输入训练好的lstm神经网络预测模型进行预测得到预测数据序列。

9、在一个优选的实施例中，其还包括：训练lstm神经网络预测模型的步骤，具体包括：

10、将历史数据前80%作为数据的训练集，10%作为验证集，10%作为测试集，并转换为numpy数组；

11、利用keras搭建lstm神经网络模型；

12、将训练集的数据输入到lstm神经网络模型中进行训练，得到训练好的lstm神经网络预测模型。

13、在一个优选的实施例中，所述利用keras搭建lstm神经网络模型包括：

14、创建一个sequential模型实例，并添加两个包含64个神经元的lstm层，其中第一个lstm层的return_sequences参数设置为 true，第二个lstm层的return_sequences参数设置为 false；

15、添加一个包含10个神经元的dense层和一个输出层；

16、设置神经网络的优化器为adam优化器，学习率为 0.01，并使用均方误差作为loss损失函数进行模型编译。

17、在一个优选的实施例中，所述对风速预测数据、太阳能辐射预测数据和配电网负荷预测数据设定抽样的区间，并得到风速跟太阳辐射以及风速跟配电网负荷之间的概率分布关系步骤之前包括：

18、使用卡方检验和相关系数，分析风速跟太阳辐射以及风速跟配电网负荷之间的相关性，如果有相关性则执行所述对风速预测数据、太阳能辐射预测数据和配电网负荷预测数据设定抽样的区间，并得到风速跟太阳辐射以及风速跟配电网负荷之间的概率分布关系步骤。

19、在一个优选的实施例中，所述使用卡方检验和相关系数，分析风速跟太阳辐射以及风速跟配电网负荷之间的相关性步骤包括：

20、采用卡方独立检验，检验风速、太阳能辐射与用户负荷两两之间的独立性，其检验统计量为：

21、（4），

22、式（4）中，，n为总数据量，为分割表的行数，为的列数，为分割表中第行第列的元；

23、对两两随机变量x与y，计算相关系数为：

24、       （5），

25、式（5）中，，而，，与分别对应了随机变量x和y的期望与标准差；

26、对于两组数据，｛xi｝与｛yi}，两者之间关联性系数的计算公式为：

27、     （6）。

28、在一个优选的实施例中，所述对风速预测数据、太阳能辐射预测数据和配电网负荷预测数据设定抽样的区间，并得到风速跟太阳辐射以及风速跟配电网负荷之间的概率分布关系步骤包括：

29、对风速预测数据设定抽样的区间：根据风机运行的特性曲线，确定其起动风速和切除风速，将风速区间划分为若干个区间，同时将风速和归为一个等级区间，将风速分为了m个区间，记为；

30、对太阳能辐射预测数据设定抽样的区间：将太阳能辐射预测数据的辐射量区间划分为k干个区间，记为；

31、对配电网负荷预测数据设定抽样的区间：在将配电网负荷预测数进行k均值聚类的基础上，对每类负荷进行区间化处理，按照最大负荷、最小负荷将负荷区间划分为n个等级区间，记为；

32、统计出太阳能辐射跟风速以及风速跟配电网负荷之间的概率分布关系：

33、（7），

34、（8），

35、进一步得到负荷值在风速值条件下的概率分布为：

36、（9），

37、得到太阳能辐射分布概率与风速之间的关系：

38、（10），

39、（11）。

40、在一个优选的实施例中，所述对风速区间进行抽样，分别计算出风力发电系统和太阳能发电系统的功率输出量步骤包括：

41、对风速区间进行抽样获得风速样本；

42、利用下式求出风力发电机输出功率：

43、（1），

44、式（1）中，p为发电功率，prate为额定功率，vrate为额定风速，vci是风机启动最大风速，vco是风机启动最大风速，v是当前风速；

45、风力发电机组输出的无功功率按照以下公式求解：

46、（2），

47、式（2）中：为功率因数角，qwtg、pwtg是风机无功和有功功率；

48、对太阳辐射预测数据设定抽样的区间，光伏电池的输出能量计算公式如下：

49、（3），

50、式（3）中，为光伏阵列的额定容量；为降额系数；为当前实际环境的辐射强度；为标准测试环境下的单位辐射强度；为光伏电力输出的温度系数；为光伏阵列当前的温度；为光伏阵列标准测试环境下的温度。

51、在一个优选的实施例中，其还包括：当检验计算潮流满足收敛条件时输出结果，对结果进行概率统计分析。

52、为了解决上述技术问题，本发明所采用的另一个技术方案是：一种基于预测分析和区间抽样的概率潮流计算系统，配置为能够实现如上一个技术方案中任一所述方法，所述系统包括：

53、获取模块，用于获取历史数据，所述历史数据包括：风速历史数据、太阳能辐射历史数据和配电网负荷历史数据；

54、预测模块，用于基于历史数据进行预测获得预测数据系列，所述预测数据系列包括：风速预测数据、太阳能辐射预测数据和配电网负荷预测数据；

55、概率分布关系计算模块，用于对风速预测数据、太阳能辐射预测数据和配电网负荷预测数据设定抽样的区间，并得到风速跟太阳辐射以及风速跟配电网负荷之间的概率分布关系；

56、功率输出量计算模块，用于对风速区间进行抽样，分别计算出风力发电系统和太阳能发电系统的功率输出量；

57、潮流计算模块，用于读入各节点负荷数据，代入风力发电系统和太阳能发电系统的功率输出量，用前推回推算法计算潮流。

58、本发明具有以下有益效果：

59、本发明使用lstm神经网络建立负荷预测模型进行预测分析，本发明针对分布式能源和负荷的随机性，利用其相互关系，从数据层面对蒙特卡罗抽样进行优化。在对数据进行预测分析的基础上，然后根据太阳辐射、风能以及配电网负荷的随机性以及伴随时间连续变化的特点，统计出太阳能辐射跟风速以及风速跟配电网负荷之间的概率关系，最后根据风速跟太阳辐射以及风速跟配电网负荷之间的概率分布关系就可以得到相应的太阳能辐射值和负荷值，大大减少了抽样次数和计算时间。