一种基于刀闸远方确认失效的电力系统评估方法及系统与流程

本发明属于电力系统评估，尤其涉及一种基于刀闸远方确认失效的电力系统评估方法及系统。

背景技术：

1、电力系统的运行方式因分布式电源的大规模接入而日趋复杂。风电、光伏出力的间歇性与波动性，叠加电动汽车充电负荷的时空不确定性，使得电力系统运行状态偏离传统单电源辐射状网络的确定性运行模式。因此，对电力系统运行风险进行评估，从而为调度运行人员提供电网安全态势的全局感知能力，是保障电力系统安全且稳定运行的重要方式。

2、现有电力系统运行风险评估方法主要聚焦于风光出力波动和负荷随机性等常规不确定性因素，采用场景模拟法或解析法进行概率潮流计算，并结合期望值型风险指标实现运行风险评估。然而，由于电力系统中的刀闸容易因为位置信号传输中断、误报或者超时等原因产生远方确认失效的情况，导致实际的电力系统拓扑产生了变化，从而改变了电力系统的潮流分布并引起风险。而且，目前的潮流计算大多是采用简单的正交变换或独立假设，难以准确反映电力系统中风电出力、光伏出力及负荷之间等多种因素之间的复杂相关结构，影响了运行风险的评估准确。除此之外，目前的期望值型风险指标难以准确的感知电力系统中极端风险带来的实际威胁，导致运行风险评估产生偏差。

技术实现思路

1、本发明旨在提供一种基于刀闸远方确认失效的电力系统评估方法及系统，以解决上述技术问题，提高了电力系统运行风险评估的准确性。

2、为了解决上述技术问题，本发明实施例提供了一种基于刀闸远方确认失效的电力系统评估方法，包括：

3、获取电力系统内刀闸远方确认失效的概率值和每种运行指标的运行数据；基于所述刀闸远方确认失效的概率值构建所述电力系统的若干运行场景；

4、基于所述运行数据构建所述电力系统内每种所述运行指标的概率密度模型；

5、将各种所述运行指标的概率密度模型映射至预设标准正态空间，以确定每种所述运行指标对应的标准正态运行指标和每两种所述运行指标之间的等效相关性系数；

6、基于所述标准正态运行指标和等效相关性系数对所述电力系统进行线性化潮流计算，得到所述电力系统在每个所述运行场景的若干运行状态变量概率密度函数；

7、基于所述运行状态变量概率密度函数对所述电力系统进行条件风险评估，得到所述电力系统在每个所述运行场景的若干条件风险值；

8、基于所述电力系统在每个所述运行场景的若干条件风险值，得到所述电力系统的运行风险评估结果。

9、可以理解的是，相较于现有技术，本发明通过获取刀闸远方确认失效的概率值并据此构建若干运行场景，使得电力系统运行风险评估能够计及因刀闸位置信号传输中断、误报或确认超时导致的拓扑误判风险；接着，通过构建各运行指标的概率密度模型并映射至标准正态空间以确定等效相关性系数，能够准确刻画风电出力、光伏出力及负荷之间实际存在的复杂相关结构，避免了传统方法因采用独立假设或简单正交变换导致的相关性失真问题；在此基础上，基于标准正态运行指标和等效相关性系数进行线性化潮流计算得到运行状态变量概率密度函数，再结合条件风险评估得到各场景下的条件风险值，以条件风险评估的方式能够有效克服传统期望值型风险指标对极端事件不敏感的固有缺陷；最终基于各场景条件风险值得到综合评估结果，提高了电力系统运行风险评估的准确性。

10、作为优选方案，所述运行指标包括：分布式风电出力、分布式光伏出力、电动汽车充电功率和负荷预测误差；所述分布式风电出力的运行数据包括：历史风速和实时风速；所述分布式光伏出力的运行数据包括：光照强度数据和分布式光伏最大出力；所述电动汽车充电功率的运行数据包括：历史充电功率；所述负荷预测误差的运行数据包括：负荷预测误差值；所述基于所述运行数据构建所述电力系统内每种所述运行指标的概率密度模型，包括：

11、对所述历史风速进行极大似然估计，得到第一形状参数和第一尺度参数；

12、基于所述实时风速、第一形状参数和第一尺度参数对所述分布式风电出力进行两参数威布尔分布建模，得到所述分布式风电出力的概率密度模型；

13、计算所述光照强度数据的均值和方差，并基于所述光照强度数据的均值和方差确定第二形状参数和第三形状参数；

14、基于所述分布式光伏最大出力、第二形状参数和第三形状参数对所述分布式光伏出力进行贝塔分布建模，得到所述分布式光伏出力的概率密度模型；

15、基于预设核密度估计法或高斯混合模型对所述历史充电功率进行拟合，得到所述电动汽车充电功率的概率密度模型；

16、对所述负荷预测误差值进行正态分布拟合，得到所述负荷预测误差的概率密度模型。

17、上述方案中，针对分布式风电出力的物理特性，通过对历史风速进行极大似然估计得到第一形状参数和第一尺度参数，并结合实时风速采用两参数威布尔分布进行建模，能够准确刻画风速的偏态分布特征及其与风电出力之间的非线性映射关系，从而为后续概率潮流计算提供符合实际物理规律的风电出力概率密度模型；针对分布式光伏出力的统计特性，通过计算光照强度数据的均值和方差确定第二形状参数和第三形状参数，并结合分布式光伏最大出力采用贝塔分布进行建模，能够准确描述光照强度在有限区间内的概率分布形态，克服了正态分布拟合有界物理量时产生的不合理尾部概率问题；针对电动汽车充电功率的复杂分布特征，采用核密度估计法或高斯混合模型对历史充电功率进行拟合，两者形成互补配合，能够适应不同充电行为模式下的分布建模需求；针对负荷预测误差，采用均值为零的正态分布进行拟合，充分利用了负荷预测误差围绕预测值对称分布且大误差出现概率低的统计规律；通过对四种不同类型运行指标分别采用与其物理统计特性相匹配的概率密度建模方法，为电力系统运行风险评估提供了准确的基础数据支撑，提高了电力系统运行风险评估的准确性。

18、作为优选方案，所述将各种所述运行指标的概率密度模型映射至预设标准正态空间，以确定每种所述运行指标对应的标准正态运行指标和每两种所述运行指标之间的等效相关性系数，包括：

19、对各种所述运行指标的概率密度模型进行积分，得到各种所述运行指标的累积分布函数；

20、基于预设纳塔夫变换算法将所述累积分布函数映射至预设标准正态空间，得到每种所述运行指标的标准正态运行指标；

21、基于预设相关性分析算法对各种所述运行指标的运行数据进行相关性计算，得到每两种所述运行指标之间的相关性系数；

22、基于每种所述运行指标的标准正态运行指标对每两种所述运行指标之间的相关性系数进行等效转换，得到每两种所述运行指标之间在所述标准正态空间的等效相关性系数。

23、上述方案中，通过对各运行指标的概率密度模型进行积分得到累积分布函数，再基于纳塔夫变换算法将累积分布函数映射至标准正态空间，能够在将具有任意分布形式的原始随机变量精确转换为标准正态变量的同时完整保留原始变量的所有概率信息，避免了传统正态化方法仅利用均值和方差进行转换所导致的信息损失问题；在此基础上，基于预设相关性分析算法对各运行指标的运行数据进行相关性计算，得到原始空间下各运行指标之间的相关性系数，再基于标准正态运行指标对相关性系数进行等效转换得到标准正态空间下的等效相关性系数，从而能够在将非正态相关的运行指标转换为标准正态运行指标的同时，完整保留原始变量的概率分布信息与相关性结构，从而能够准确刻画风电出力、光伏出力及负荷之间实际存在的复杂相关结构，避免了传统方法因采用独立假设或简单正交变换导致的相关性失真问题，进一步提高了电力系统运行风险评估的准确性。

24、作为优选方案，所述基于所述标准正态运行指标和等效相关性系数对所述电力系统进行线性化潮流计算，得到所述电力系统在每个所述运行场景的若干运行状态变量概率密度函数，包括：

25、根据预设累积量生成函数法对所述标准正态运行指标和等效相关性系数进行递推，得到各种所述运行指标在每个预设阶数的半不变量；

26、对各种所述运行指标在每个所述阶数的半不变量进行逆纳塔夫变换，得到所述电力系统的节点注入功率在每个所述阶数的半不变量；

27、对所述节点注入功率在每个所述阶数的半不变量进行线性化潮流计算，得到所述电力系统在每个所述运行场景的节点电压概率密度函数、支路潮流概率密度函数和失负荷量概率密度函数；

28、基于所述节点电压概率密度函数、支路潮流概率密度函数和失负荷量概率密度函数形成所述电力系统在每个所述运行场景的若干运行状态变量概率密度函数。

29、上述方案中，采用累积量生成函数法对标准正态运行指标和等效相关性系数进行递推，得到各运行指标在各预设阶数的半不变量，半不变量作为随机变量的高阶统计特征量，能够完整刻画非正态分布变量的偏度、峰度等分布形态信息，且其齐次可加性使得线性变换下的传播计算极为高效；然后对各运行指标在各阶的半不变量进行逆纳塔夫变换得到电力系统节点注入功率在各阶数的半不变量，确保节点注入功率的统计特征完整传递至潮流计算环节；最后对节点注入功率在各阶的半不变量进行线性化潮流计算，分别得到各运行场景下的节点电压概率密度函数、支路潮流概率密度函数和失负荷量概率密度函数，形成覆盖全电网运行状态的概率密度函数集合；通过将半不变量法与线性化潮流计算相结合，为后续条件风险评估提供了准确且完整的运行状态概率分布信息，进一步提高了电力系统运行风险评估的准确性。

30、作为优选方案，所述对所述节点注入功率在每个所述阶数的半不变量进行线性化潮流计算，得到所述电力系统在每个所述运行场景的节点电压概率密度函数、支路潮流概率密度函数和失负荷量概率密度函数，包括：

31、基于预设线性化潮流方程对所述节点注入功率在每个所述阶数的半不变量进行映射，得到所述电力系统内节点电压在每个所述阶数的半不变量与支路潮流在每个所述阶数的半不变量；

32、基于所述电力系统内节点电压在每个所述阶数的半不变量确定所述节点电压在每个所述运行场景的均值和标准差；

33、对所述节点电压在每个所述运行场景的均值和标准差进行概率密度拟合，得到所述电力系统在每个所述运行场景的节点电压概率密度函数；

34、基于所述支路潮流在每个所述阶数的半不变量确定所述支路潮流在每个所述运行场景的均值和标准差，并基于预设级数展开法对所述支路潮流在每个所述运行场景的均值和标准差进行拟合，得到所述电力系统在每个所述运行场景的支路潮流概率密度函数；

35、获取所述电力系统在每个所述运行场景的切负荷功率数据，根据预设核密度估计算法对所述切负荷功率数据进行拟合，得到所述电力系统在每个所述运行场景的失负荷量概率密度函数。

36、上述方案中，通过预设线性化潮流方程将节点注入功率在各阶的半不变量映射为节点电压和支路潮流在各阶数的半不变量，能够准确地将节点注入功率在各阶的半不变量的统计特征传递至节点电压和支路潮流；基于节点电压在各阶的半不变量确定其均值和标准差后进行概率密度拟合得到节点电压概率密度函数，能够保留半不变量携带的完整统计信息；基于支路潮流在各阶数的半不变量确定其均值和标准差后，采用预设级数展开法进行拟合得到支路潮流概率密度函数，能够在仅已知各阶数的半不变量的条件下重构出任意形态的非正态概率密度函数，从而兼顾拟合精度和计算简洁性；使用核密度估计算法对所述切负荷功率数据进行拟合，无需预设任何分布形式即可准确刻画失负荷量的实际概率分布特征，确保了各类运行状态变量概率密度函数的拟合精度，为后续条件风险值的准确计算提供了可靠的输入，提高了电力系统运行风险评估的准确性。

37、作为优选方案，所述基于所述运行状态变量概率密度函数对所述电力系统进行条件风险评估，得到所述电力系统在每个所述运行场景的若干条件风险值，包括：

38、基于所述电力系统在每个所述运行场景的节点电压概率密度函数，结合预设节点电压限值构建所述电力系统在每个所述运行场景的电压越限严重度变量；

39、基于所述电压越限严重度变量对所述电力系统进行电压越限条件风险评估，得到所述电力系统在每个所述运行场景的电压越限风险值；

40、基于所述电力系统在每个所述运行场景的支路潮流概率密度函数，结合预设支路允许最大潮流值构建所述电力系统在每个所述运行场景的支路过载严重度变量，以基于所述支路过载严重度变量对所述电力系统进行支路过载条件风险评估，得到所述电力系统在每个所述运行场景的支路过载风险值；

41、基于所述电力系统在每个所述运行场景的失负荷量概率密度函数确定所述电力系统在每个所述运行场景的失负荷风险值。

42、上述方案中，基于节点电压概率密度函数，结合预设节点电压限值构建电压越限严重度变量，将电力系统节点电压转换为单一的电压越限严重度变量，使得严重度变量的概率分布能够集中反映电力系统处于电压不安全状态时的损失程度；基于支路潮流概率密度函数，结合预设支路允许最大潮流值构建支路过载严重度变量，能够准确的反映电力系统中支路潮流过载的风险程度；在此基础上，分别基于电压越限严重度变量、支路过载严重度变量和失负荷量概率密度函数进行条件风险评估，条件风险评估能够针对随机变量尾部损失进行期望计算，能够有效放大极端故障场景下严重度变量的尾部贡献，避免了传统期望值指标将尾部风险淹没于大概率安全场景中的固有不足，提高了电力系统运行风险评估的准确性。

43、作为优选方案，所述基于所述电力系统在每个所述运行场景的若干条件风险值，得到所述电力系统的运行风险评估结果，包括：

44、基于所述刀闸远方确认失效的概率值，对所述电力系统在每个所述运行场景的电压越限风险值进行加权融合，得到所述电力系统的电压越限综合风险值；

45、基于所述刀闸远方确认失效的概率值，对所述电力系统在每个所述运行场景的支路过载风险值进行加权融合，得到所述电力系统的支路过载综合风险值；

46、基于所述刀闸远方确认失效的概率值，对所述电力系统在每个所述运行场景的失负荷风险值进行加权融合，得到所述电力系统的失负荷综合风险值；

47、获取所述电压越限综合风险值、支路过载综合风险值和失负荷综合风险值的权重系数，以对所述电压越限综合风险值、支路过载综合风险值和失负荷综合风险值进行加权求和，得到所述电力系统的综合运行风险值；

48、将所述综合运行风险值与预设风险阈值进行比对，得到所述电力系统的运行风险评估结果。

49、上述方案中，基于刀闸远方确认失效的概率值，分别对电压越限风险值、支路过载风险值和失负荷风险值进行加权融合，分别得到电压越限综合风险值、支路过载综合风险值和失负荷综合风险值，以加权融合机制将刀闸远方确认失效的概率值作为风险量化因子直接嵌入综合风险值的计算过程，使得刀闸远方确认失效能够转化为可量化计算的定量风险贡献；接着，获取电压越限综合风险值、支路过载综合风险值和失负荷综合风险值的权重系数并据此进行加权求和得到综合运行风险值，通过权重分配能够自适应地反映不同运行场景下各风险类型的相对重要性；将综合运行风险值与预设风险阈值进行比对得到运行风险评估结果，提高了电力系统运行风险评估的准确性。

50、相应的，本发明实施例提供了一种基于刀闸远方确认失效的电力系统评估系统，包括：电力系统数据获取模块、概率密度模型构建模块、标准正态空间映射模块、线性化潮流计算模块、条件风险评估模块和电力系统运行风险评估模块；

51、所述电力系统数据获取模块用于获取电力系统内刀闸远方确认失效的概率值和每种运行指标的运行数据；基于所述刀闸远方确认失效的概率值构建所述电力系统的若干运行场景；

52、所述概率密度模型构建模块用于基于所述运行数据构建所述电力系统内每种所述运行指标的概率密度模型；

53、所述标准正态空间映射模块用于将各种所述运行指标的概率密度模型映射至预设标准正态空间，以确定每种所述运行指标对应的标准正态运行指标和每两种所述运行指标之间的等效相关性系数；

54、所述线性化潮流计算模块用于基于所述标准正态运行指标和等效相关性系数对所述电力系统进行线性化潮流计算，得到所述电力系统在每个所述运行场景的若干运行状态变量概率密度函数；

55、所述条件风险评估模块用于基于所述运行状态变量概率密度函数对所述电力系统进行条件风险评估，得到所述电力系统在每个所述运行场景的若干条件风险值；

56、所述电力系统运行风险评估模块用于基于所述电力系统在每个所述运行场景的若干条件风险值，得到所述电力系统的运行风险评估结果。

57、作为优选方案，所述概率密度模型构建模块包括：概率密度模型构建单元；

58、在所述概率密度模型构建单元中，所述运行指标包括：分布式风电出力、分布式光伏出力、电动汽车充电功率和负荷预测误差；所述分布式风电出力的运行数据包括：历史风速和实时风速；所述分布式光伏出力的运行数据包括：光照强度数据和分布式光伏最大出力；所述电动汽车充电功率的运行数据包括：历史充电功率；所述负荷预测误差的运行数据包括：负荷预测误差值；

59、所述概率密度模型构建单元用于对所述历史风速进行极大似然估计，得到第一形状参数和第一尺度参数；

60、基于所述实时风速、第一形状参数和第一尺度参数对所述分布式风电出力进行两参数威布尔分布建模，得到所述分布式风电出力的概率密度模型；

61、计算所述光照强度数据的均值和方差，并基于所述光照强度数据的均值和方差确定第二形状参数和第三形状参数；

62、基于所述分布式光伏最大出力、第二形状参数和第三形状参数对所述分布式光伏出力进行贝塔分布建模，得到所述分布式光伏出力的概率密度模型；

63、基于预设核密度估计法或高斯混合模型对所述历史充电功率进行拟合，得到所述电动汽车充电功率的概率密度模型；

64、对所述负荷预测误差值进行正态分布拟合，得到所述负荷预测误差的概率密度模型。

65、作为优选方案，所述标准正态空间映射模块包括：标准正态空间映射单元；

66、所述标准正态空间映射单元用于对各种所述运行指标的概率密度模型进行积分，得到各种所述运行指标的累积分布函数；

67、基于预设纳塔夫变换算法将所述累积分布函数映射至预设标准正态空间，得到每种所述运行指标的标准正态运行指标；

68、基于预设相关性分析算法对各种所述运行指标的运行数据进行相关性计算，得到每两种所述运行指标之间的相关性系数；

69、基于每种所述运行指标的标准正态运行指标对每两种所述运行指标之间的相关性系数进行等效转换，得到每两种所述运行指标之间在所述标准正态空间的等效相关性系数。

70、可以理解的是，相较于现有技术，本系统通过获取刀闸远方确认失效的概率值并据此构建若干运行场景，使得电力系统运行风险评估能够计及因刀闸位置信号传输中断、误报或确认超时导致的拓扑误判风险；接着，通过构建各运行指标的概率密度模型并映射至标准正态空间以确定等效相关性系数，能够准确刻画风电出力、光伏出力及负荷之间实际存在的复杂相关结构，避免了传统方法因采用独立假设或简单正交变换导致的相关性失真问题；在此基础上，基于标准正态运行指标和等效相关性系数进行线性化潮流计算得到运行状态变量概率密度函数，再结合条件风险评估得到各场景下的条件风险值，以条件风险评估的方式能够有效克服传统期望值型风险指标对极端事件不敏感的固有缺陷；最终基于各场景条件风险值得到综合评估结果，提高了电力系统运行风险评估的准确性。