一种考虑不确定性的电网运行方式调整方法及系统

1.本发明属于电力系统调度领域，具体涉及一种考虑不确定性的电网运行方式调整方法及系统，节省电力企业方式计算部门的人力开销和运行成本。


背景技术：

2.以新能源为主体的新型电力系统运行问题凸显。新能源海量场景下，电网已从单一或少量目标的优化问题发展为复杂场景下多层多区优化问题，电网运行方式调整是方式计算中任务量最大、重复度最高的内容。人工手动调整的传统运行方式不但耗时耗力，而且新能源出力和负荷设定较为固定，难以反映和解决高比例新能源电力系统在实际运行场景中源荷双侧不确定性所带来的平衡和消纳问题。


技术实现要素：

3.本发明的目的在于提供一种考虑不确定性的电网运行方式调整方法及系统，以克服高比例新能源电力系统中源荷双侧不确定性带来的平衡和消纳问题，本发明能够实现考虑不确定性的电网运行方式自动调整，节省电力企业方式计算部门的人力开销和运行成本。
4.一种考虑不确定性的电网运行方式调整方法，包括以下步骤：
5.s1，根据电网各元件的历史数据，对含有不确定性的元件进行概率建模，拟合含有不确定性的元件的概率分布；
6.s2，根据拟合含有不确定性的元件的概率分布中获取包含各元件具体数值的典型场景，并调试这些典型场景的运行方式；
7.s3，建立基于机器学习的电网运行方式自动调整模型，使用调试后的典型场景运行方式训练自动调整模型，训练完成的自动调整模型能自动处理包含具有高度不确定性的任意随机场景，实现考虑不确定性的电网运行方式自动调整。
8.优选的，针对单元件不确定性建模，根据单元件历史数据，使用单变量核密度估计方法，拟合单元件概率分布。
9.优选的，针对多元件不确定性建模，根据多元件历史数据，使用多变量核密度估计方法，拟合多元件联合概率分布。
10.优选的，基于欧式距离和最大距离两种带宽评价指标对多变量核密度多变量核密度估计方法的带宽进行优化。
11.优选的，设典型场景为各含有不确定性的元件的一例具体数值集合，设运行方式为各火力发电机的一例数值集合；使用拉丁超立方分层抽样方法从拟合的概率分布中抽样得到随机场景；
12.使用基于欧氏距离的聚类方法，对得到的随机场景进行场景消去，最终得到相互之间具有较大差异性的典型场景。
13.优选的，依据领域专家知识设置典型场景的运行方式。
14.优选的，使用多个监督机器学习模型建立从场景到运行方式的映射关系；每个监督机器学习模型仅负责学习一台火力发电机出力，其接受包含多个元件信息的向量格式场景数据，输出标量格式火力发电机出力数据；监督机器学习模型数量等同于系统内火力发电机数量，多个监督机器学习模型的输出共同组成完整的运行方式。
15.优选的，使用得到的典型场景及其对应运行方式数据，构建训练集和测试集，训练电网运行方式自动调整模型。
16.一种考虑不确定性的电网运行方式调整系统，包括不确定性建模模块，优化模块和自动调整模块；
17.不确定性建模模块，根据电网各元件的历史数据，对含有不确定性的元件进行概率建模，拟合含有不确定性的元件的概率分布；
18.优化模块，根据拟合含有不确定性的元件的概率分布中获取包含各元件具体数值的典型场景，并调试这些典型场景的运行方式；
19.自动调整模块，建立基于机器学习的电网运行方式自动调整模型，使用调试后的典型场景运行方式训练自动调整模型，训练完成的自动调整模型能自动处理包含具有高度不确定性的任意随机场景，实现考虑不确定性的电网运行方式自动调整。
20.优选的，采用多变量核密度估计方法，根据历史时序数据得到单元件的概率密度分布和多元件的联合概率密度分布。
21.与现有技术相比，本发明具有以下有益的技术效果：
22.本发明一种考虑不确定性的电网运行方式调整方法，根据电网各元件的历史数据，对含有不确定性的元件进行概率建模，拟合含有不确定性的元件的概率分布；考虑不确定性的电网运行方式自动调整方法，该方法能够实现电网运行方式自动调整，有效地解决高比例新能源电力系统中源荷双侧不确定性带来的平衡和消纳问题，在保障电网安全稳定运行的条件下实现新能源的最大消纳。
23.本发明对系统中各元件进行了不确定性建模，使用非参数核密度估计方法拟合出了含有不确定性的元件的概率分布，将概率参数引入电网运行方式自动调整模型，实现了对系统中各元件不确定性的定量描述，帮助电力企业方式计算部门更为直观地了解系统中不确定性因素的影响。
24.优选的，本发明采用基于欧式距离和最大距离两种带宽评价指标的带宽优化模型，能够兼顾模型的精确性和平滑性。
附图说明
25.图1为本发明实施例中电网运行方式自动调整方法流程图。
26.图2为本发明实施例中单元件多变量核密度估计拟合概率分布图。
27.图3为本发明实施例中多元件多变量核密度估计拟合概率分布图。
28.图4为本发明实施例中运行方式平均线损率图。
具体实施方式
29.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。
30.本发明提供一种考虑不确定性的电网运行方式自动调整方法，依据基于机器学习的电网运行方式自动调整模型，实现考虑不确定性的电网运行方式自动调整，节省电力企业方式计算部门的人力开销和运行成本，为解决高比例新能源电力系统中源荷双侧波动性带来的平衡及消纳问题提供新的思路，具体包括以下步骤：
31.s1，根据电网各元件的历史数据，对含有不确定性的元件进行概率建模，拟合含有不确定性的元件的概率分布；
32.针对单元件不确定性建模，根据单元件历史数据，使用单变量核密度估计方法，拟合单元件概率分布。
33.针对多元件不确定性建模，根据多元件历史数据，使用多变量核密度估计方法，拟合多元件联合概率分布。
34.带宽优化模型，基于欧式距离和最大距离两种带宽评价指标对多变量核密度多变量核密度估计方法的带宽进行优化，兼顾多变量核密度估计方法的精确性和平滑性。
35.s2，根据拟合含有不确定性的元件的概率分布中获取包含各元件具体数值的典型场景，并调试这些典型场景的运行方式；
36.所述生成典型场景运行方式具体步骤为：
37.设典型场景为各含有不确定性的元件，即新能源发电机和负荷的一例具体数值集合，设运行方式为各火力发电机的一例数值集合。
38.设置不同抽样区间：使用拉丁超立方分层抽样方法从拟合的概率分布中抽样得到大量随机场景；
39.使用基于欧氏距离的聚类方法，对得到的随机场景进行场景消去，最终得到相互之间具有较大差异性的典型场景，根据典型场景，依据领域专家知识，设置典型场景的运行方式。
40.s3，建立基于机器学习的电网运行方式自动调整模型，使用调试后的典型场景运行方式训练自动调整模型，训练完成的自动调整模型能自动处理包含具有高度不确定性的任意随机场景，实现考虑不确定性的电网运行方式自动调整。
41.使用多个监督机器学习模型建立从场景到运行方式的映射关系；每个监督机器学习模型仅负责学习一台火力发电机出力，其接受包含多个元件信息的向量格式场景数据，输出标量格式火力发电机出力数据；监督机器学习模型数量等同于系统内火力发电机数量，多个监督机器学习模型的输出共同组成完整的运行方式。
42.使用得到的典型场景及其对应运行方式数据，构建训练集和测试集，训练电网运行方式自动调整模型。
43.训练完成的电网运行方式自动调整模型，接收含有不确定性的元件的任一随机场景，自动输出该场景运行方式。
44.实施例
45.1、元件不确定性建模方法：
46.海量可再生能源机组与灵活性负荷的接入导致电力系统源-荷不确定性日益加
剧，从而为电网运行方式调整带来新的挑战。
47.针对电力系统中的源-荷不确定性因素，采用多变量核密度估计方法，根据历史时序数据得到单元件的概率密度分布和多元件的联合概率密度分布，为后续场景生成提供基础。
48.使用多变量核密度估计方法进行概率分布拟合时，无需任何先验知识，仅依赖历史数据即可完成拟合。
49.针对单元件即单变量x，设其分布为p(x)，对其进行观测，采集到一系列历史数据x1，x2，x3…
xn，则在任一点x处，单变量x的一种核密度估计为：
[0050][0051]
其中，n为给定样本的个数，h为带宽，k被称为核函数，其满足：
[0052]
k(x)≥0,∫k(x)dx＝1
ꢀꢀꢀ
(2)
[0053]
将式(2)代入(1)得：
[0054][0055]
式(3)可证明，式(1)所描述的p(x)符合概率密度函数的定义，是一种合理的概率密度估计。
[0056]
在满足式(2)情况下，选用核函数：
[0057]
均匀分布核函数
[0058]
高斯核函数
[0059]
余弦核函数
[0060]
三角核函数k(u)＝(1-|u|)i(|u|≤1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0061]
指数核函数k(u)＝exp(|u|)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0062]
其中，u为给定的随机变量，i为一个常数，exp是以自然常数e为底的指数函数。
[0063]
针对多变量，设有w个新能源机组/节点负荷，每个新能源机组/节点负荷有n个历史数据样本，且第i个样本的机组出力/负荷向量为xi＝[x
i1
,x
i2
,
…
,x
iw
]，i＝1,2,
…
n。这w个新能源机组/节点负荷的出力变化可用一个w维随机矢量x＝[x1,x2,
…
,xw]
t
来表示，它们的联合概率密度函数计作f(x)＝f(x1,x2,
…
,xw)，则此联合概率密度函数的多变量核密度估计为
[0064][0065]
其中，h为带宽矩阵，是一个w
×
w维的对称正定矩阵；k(x)表示多变量核函数，且满
足以下条件：
[0066][0067]
在满足条件(10)情况下，选择高斯函数作为核函数。由于多变量核密度估计的带宽矩阵中元素数量多，为了降低计算复杂度，通常将其限定为对称正定对角矩阵，即h＝diag[h1,h2,
…
,hw]。从而，式(9)可化简为：
[0068][0069]
式中：hj为第j个新能源机组/节点负荷的带宽
[0070]
在多变量核密度估计中，带宽矩阵h的选取是影响模型精确性和平滑性的关键因素。当选取的h值过大时，概率密度函数平滑性过高，而精确性不足；而当选取的h值过小时，虽然精确性能得到提高，但会导致概率密度函数的波动性过高。本发明采用基于欧式距离和最大距离两种带宽评价指标的带宽优化模型，能够兼顾模型的精确性和平滑性：
[0071]
min d(h)＝d2(h) d
∞
(h)
ꢀꢀ
(12)
[0072][0073][0074]
其中，d2(h)和d
∞
(h)表示核密度估计模型与样本累计分布函数的欧式距离和最大距离，在式(13)和(14)中分别用2范数||
·
||2和无穷范数||
·
||
∞
形式表示。
[0075]
2、场景生成与场景消去方法，生成典型场景及其运行方式
[0076]
场景生成：
[0077]
在通过多变量核密度估计得到可再生能源出力与节点负荷概率分布的基础上，采用拉丁超立方分层抽样方法进行随机抽样。如图1所示，首先将概率分布的累积概率[0,1]分成n个相等的区间，然后从各个分层中随机抽取样本并映射至横轴即可得到所需样本点，然后对得到的样本点进行排序，使样本点间的相关性趋于最小，最终形成满足已知概率分布的大量随机场景。
[0078]
场景消去：
[0079]
通过拉丁超立方抽样生成了大量场景，但这些场景是随机生成的，不可避免地会出现相似度较高的冗余场景。直接使用拉丁超立方抽样生成的大量随机场景，依托专家知识人工调试其对应运行方式就是一个困难的任务。即使投入大量人力调试出对应运行方式，据此构建起的训练集和测试集，不但会显著增加模型训练计算量，还会造成模型过拟合。因此需要对原始场景集进行场景缩减，用尽可能少的场景代表原始场景集。本文采用k-means聚类算法进行场景缩减，k-means聚类的算法复杂度低，在处理大规模场景的缩减问题时具有较好的效果，具体步骤如下：
[0080]
①
初始化k个样本作为初始聚类中心；
[0081]
②
针对原始场景集的每个样本，按照距离最小原则将其分配到对应聚类中心的类中；
[0082]
③
针对每个类别，重新计算它的聚类中心；
[0083]
④
重复步骤
②
和步骤
③
，直到最小误差的变化值小于给定阈值，即可得到典型场景。
[0084]
在得到了典型场景后，依托专家知识人工调试运行方式，以场景作为自变量，以各火力发电机出力作为目标量，分别构建各监督机器学习模型的训练集和测试集。
[0085]
3、建立基于机器学习的电网运行方式自动调整模型：
[0086]
根据系统内火力发电机数量，构建相应数量的监督机器学习模型，每个监督机器学习模型负责输出一台火力发电机的出力。
[0087]
在构建好的训练集和测试集上训练各监督机器学习模型，每个监督机器学习模型接收向量格式的全场景信息，输出其负责的标量格式火力发电机出力，学习一种从向量到标量的映射关系，得到训练完成的电网运行方式自动调整模型。
[0088]
训练完成的电网运行方式自动调整模型，可接收含有不确定性的元件的任一随机场景，自动输出该场景运行方式。
[0089]
由于每个监督机器学习模型学习的是单火力发电机出力，为一个连续量，故训练完成的电网运行方式自动调整模型自动生成的运行方式也由取值连续的各火力发电机出力组成，通过设置关机阈值，当电网运行方式自动调整模型自动生成的运行方式中有火力发电机出力取值低于设置的阈值时，则该火力发电机关机，将其出力置为0。关机阈值可根据实际需求自主选择，本技术设置的参考关机阈值为火力发电机容量的4-6％。
[0090]
针对本技术的电网运行方式自动调整方法，使用ieee标准算例case39系统网架，该系统含有39个节点、10台发电机组、46条输电线路和21个负荷，将其中7台机组设置为新能源机组。按照新能源出力和负荷波动特性，随机仿真生成8760小时的新能源出力和负荷数据作为历史数据；在多变量核密度估计中选用高斯核函数；使用拉丁超立方分层抽样得到104个随机场景，应用聚类方法消去为30个典型场景人工调试；监督机器学习模型选用xgboost回归树；使用579个随机场景测试训练好的电网运行方式自动调整模型。
[0091]
元件不确定性建模：
[0092]
图2为单元件多变量核密度估计拟合概率分布图。直方图为使用历史数据直接绘制的离散概率分布，曲线为使用单变量多变量核密度估计从历史数据中拟合出的连续概率密度分布。从图中可以看到，曲线和直方图吻合的较好，说明本发明采用的多变量核密度估计方法能从历史数据中拟合出含有不确定性的元件的概率分布，是一种有效的单元件不确定性建模方法。
[0093]
图3为多元件多变量核密度估计拟合概率分布图。图中绘制了两个负荷的联合概率分布曲面，该曲面在坐标轴方向上的截线即为图2所示单元件的连续概率分布曲线。图3可以看出，负荷1出力在200mw附近时，负荷2出力倾向分布于40mw附近；负荷1出力在300mw附近时，负荷2出力倾向分布于140mw附近。从多元件的联合分布中抽样得到的随机场景，较将各元件视为独立变量的单元件概率分布抽样而言，更能刻画整个系统的不确定性特征。
[0094]
电网运行方式自动调整模型有效性分析：
[0095]
图3为运行方式平均线损率图。在电力系统中，电能通过电力传输线时会产生损
耗，将电力传输线上的电能损耗率称为线损率，其含义为线路上的能量损耗功率占线路传输总能量的百分比。不同运行方式下，电网中的潮流分布有所不同，线损率也会有所不同。图中虚线为ieee标准算例case39中的平均线损率，实现为各个随机场景下电网运行方式自动调整模型自动生成的运行方式的平均线损率。图中可以看出，电网运行方式自动调整模型所生成的运行方式线损率水平略高于标准算例case39，仍有优化空间，但整体上已经达到了能够投入实运的水平。
[0096]
本发明提出了考虑不确定性的电网运行方式自动调整方法，该方法能够实现电网运行方式自动调整，有效地解决高比例新能源电力系统中源荷双侧不确定性带来的平衡和消纳问题，在保障电网安全稳定运行的条件下实现新能源的最大消纳。本发明对系统中各元件进行了不确定性建模，使用多变量核密度估计方法拟合出了含有不确定性的元件的概率分布，将概率参数引入电网运行方式自动调整模型，实现了对系统中各元件不确定性的定量描述，帮助电力企业方式计算部门更为直观地了解系统中不确定性因素的影响。