一种数据-模型混合驱动的电力系统安全评估方法及系统

1.本发明涉及电力系统安全评估领域，特别是涉及一种数据-模型混合驱动的电力系统安全评估方法及系统。


背景技术：

2.在能源结构低碳化转型的背景下，构建以新能源为主体的新型电力系统将成为实现“碳达峰碳中和”目标的重要手段，这使得电力系统从确定性系统向强不确定性系统转变。在电源侧，高比例可再生能源成为新型电力系统的主要特征；不同于常规水电、火电，可再生能源发电受到气象条件与环境因素的影响，其出力表现出间歇性与波动性的特点；大规模可再生能源接入使得电力系统运行具有显著的不确定性。在负荷侧，随着电动汽车的广泛接入，供需互动的日益频繁，以及用户侧光伏与储能的发展，负荷表现出主动性和复杂性的特征。在电网侧，输电网受到随机源荷的影响，会出现大范围潮流波动。随机扰动或故障对电力系统的影响主要表现为支路过载和节点电压越限，支路过载和节点电压越限会使电网受到冲击。随机潮流的结果能直接给出支路潮流与节点电压的数据，但是系统安全水平无法仅仅从这两方面的数据判断。为保证系统安全稳定运行，加快建立与此新环境相适应的电网分析计算方法、运行安全评估方法及相关标准已显得日益紧迫。
3.海量新能源与新型电力电子设备推动了新型电力系统的构建，同时也大大提升了系统能量流与信息流的复杂性，导致电力系统安全性评估计算时间的激增，这对大规模实际电力系统调度的影响不容忽视。


技术实现要素：

4.本发明的目的是提供一种数据-模型混合驱动的电力系统安全评估方法及系统，可提高电力系统安全评估的效率。
5.为实现上述目的，本发明提供了如下方案：
6.一种数据-模型混合驱动的电力系统安全评估方法，包括：
7.采集电网调度平台的多时间尺度数据集；所述多时间尺度数据集包括计划数据及日偶发故障数据；所述计划数据包括月时间尺度下的电网拓扑结构、周时间尺度下的机组开关机状态及日时间尺度下的电网运行数据；所述日偶发故障数据包括故障发生时的电网拓扑结构、电网运行数据及故障类型；
8.获取电力系统的历史负荷数据；
9.根据所述历史负荷数据，采用贝叶斯网络对电力系统的日前负荷进行预测，得到日前负荷预测数据；
10.根据所述多时间尺度数据集及所述日前负荷预测数据对所述电力系统进行潮流计算，得到日前潮流计算结果；所述日前潮流计算结果包括电力系统的有功功率、无功功率及电压分布数据；
11.获取日前故障类型及日前电网拓扑结构；
12.根据所述日前故障类型、所述日前电网拓扑结构及所述日前潮流计算结果，基于安全评估模型，确定电力系统的日前安全评估指标值；所述安全评估模型为预先采用训练样本集对xgboost进行训练得到的；所述训练样本集中包括多组特征值及各组特征值对应的安全评估指标值；每组特征值包括历史故障类型、历史电网拓扑结构及历史潮流计算结果；
13.获取电力系统的实时负荷；
14.根据所述实时负荷对所述电力系统进行潮流计算，得到实时潮流计算结果；
15.获取当前故障类型及当前电网拓扑结构；
16.根据所述当前故障类型、所述当前电网拓扑结构及所述实时潮流计算结果，基于所述安全评估模型，确定电力系统的实时安全评估指标值。
17.为实现上述目的，本发明还提供了如下方案：
18.一种数据-模型混合驱动的电力系统安全评估系统，包括：
19.多尺度数据采集单元，用于采集电网调度平台的多时间尺度数据集；所述多时间尺度数据集包括计划数据及日偶发故障数据；所述计划数据包括月时间尺度下的电网拓扑结构、周时间尺度下的机组开关机状态及日时间尺度下的电网运行数据；所述日偶发故障数据包括故障发生时的电网拓扑结构、电网运行数据及故障类型；
20.历史负荷获取单元，用于获取电力系统的历史负荷数据；
21.日前负荷预测单元，与所述历史负荷获取单元连接，用于根据所述历史负荷数据，采用贝叶斯网络对电力系统的日前负荷进行预测，得到日前负荷预测数据；
22.日前潮流计算单元，与所述多尺度数据采集单元及所述日前负荷预测单元连接，用于根据所述多时间尺度数据集及所述日前负荷预测数据对所述电力系统进行潮流计算，得到日前潮流计算结果；所述日前潮流计算结果包括电力系统的有功功率、无功功率及电压分布数据；
23.日前拓扑获取单元，用于获取日前故障类型及日前电网拓扑结构；
24.日前安全评估单元，与所述日前拓扑获取单元及所述日前潮流计算单元连接，用于根据所述日前故障类型、所述日前电网拓扑结构及所述日前潮流计算结果，基于安全评估模型，确定电力系统的日前安全评估指标值；所述安全评估模型为预先采用训练样本集对xgboost进行训练得到的；所述训练样本集中包括多组特征值及各组特征值对应的安全评估指标值；每组特征值包括历史故障类型、历史电网拓扑结构及历史潮流计算结果；
25.实时负荷获取单元，用于获取电力系统的实时负荷；
26.实时潮流计算单元，与所述实时负荷获取单元连接，用于根据所述实时负荷对所述电力系统进行潮流计算，得到实时潮流计算结果；
27.当前拓扑获取单元，用于获取当前故障类型及当前电网拓扑结构；
28.实时安全评估单元，与所述当前拓扑获取单元、所述实时潮流计算单元及所述日前安全评估单元连接，用于根据所述当前故障类型、所述当前电网拓扑结构及所述实时潮流计算结果，基于所述安全评估模型，确定电力系统的实时安全评估指标值。
29.根据本发明提供的具体实施例，本发明公开了以下技术效果：采集电网调度平台的多时间尺度数据集；根据历史负荷数据，采用贝叶斯网络对电力系统的日前负荷进行预测，得到日前负荷预测数据；根据多时间尺度数据集及日前负荷预测数据对电力系统进行
潮流计算，得到日前潮流计算结果；根据日前故障类型、日前电网拓扑结构及日前潮流计算结果，基于预先训练好的安全评估模型，确定电力系统的日前安全评估指标值；根据当前故障类型、当前电网拓扑结构及实时潮流计算结果，基于预先训练好的安全评估模型，确定电力系统的实时安全评估指标值。通过在线与离线的评估方式，将计算负担转移到离线训练中，实现日前与实时电力系统的安全性评估，提高了安全评估的效率。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
31.图1为本发明数据-模型混合驱动的电力系统安全评估方法的流程图；
32.图2为数据-模型混合驱动的电力系统安全评估过程的框图；
33.图3为线路故障的处理电路图；
34.图4为电力系统安全评估的框图；
35.图5为xgboost模型的训练流程图；
36.图6为本发明数据-模型混合驱动的电力系统安全评估系统的模块示意图。
37.符号说明：
38.多尺度数据采集单元-1，历史负荷获取单元-2，日前负荷预测单元-3，日前潮流计算单元-4，日前拓扑获取单元-5，日前安全评估单元-6，实时负荷获取单元-7，实时潮流计算单元-8，当前拓扑获取单元-9，实时安全评估单元-10。
具体实施方式
39.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，都属于本发明保护的范围。
40.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
41.如图1和图2所示，本发明提供的数据-模型混合驱动的电力系统安全评估方法包括：
42.s1：采集电网调度平台的多时间尺度数据集。所述多时间尺度数据集包括计划数据及日偶发故障数据。所述计划数据包括月时间尺度下的电网拓扑结构、周时间尺度下的机组开关机状态及日时间尺度下的电网运行数据。所述日偶发故障数据包括故障发生时的电网拓扑结构、电网运行数据及故障类型。
43.具体地，月时间尺度下，从电网调度平台采集线路与机组检修后的电网拓扑结构数据。周时间尺度下，从电网调度平台采集周内的机组开关机状态。日时间尺度下，从电网调度平台采集电网负荷、发电机节点的有功和无功等信息。当电网偶发故障时，实时从电网调度平台采集当前时刻的电网拓扑结构、机组与线路开断状态、发电机与负荷的有功无功
等。
44.当电网发生故障时，首先确认故障类型与当时电网拓扑结构，然后计算得到故障发生的概率：pri＝(d 1)/ds。式中ds为从电力系统正常运行日期开始至当前日期的天数，d为迄今为止故障发生的次数。
45.s2：获取电力系统的历史负荷数据。
46.s3：根据所述历史负荷数据，采用贝叶斯网络对电力系统的日前负荷进行预测，得到日前负荷预测数据。
47.s4：根据所述多时间尺度数据集及所述日前负荷预测数据对所述电力系统进行潮流计算，得到日前潮流计算结果。所述日前潮流计算结果包括电力系统的有功功率、无功功率及电压分布数据。
48.具体地，先根据所述多时间尺度数据集及所述日前负荷预测数据，建立随机潮流模型；再采用半不变量法对所述随机潮流模型求解，确定电力系统的有功功率、无功功率及电压分布数据。
49.s5：获取日前故障类型及日前电网拓扑结构。
50.s6：根据所述日前故障类型、所述日前电网拓扑结构及所述日前潮流计算结果，基于安全评估模型，确定电力系统的日前安全评估指标值。所述安全评估模型为预先采用训练样本集对xgboost进行训练得到的。所述训练样本集中包括多组特征值及各组特征值对应的安全评估指标值。每组特征值包括历史故障类型、历史电网拓扑结构及历史潮流计算结果。
51.s7：获取电力系统的实时负荷。
52.s8：根据所述实时负荷对所述电力系统进行潮流计算，得到实时潮流计算结果。
53.s9：获取当前故障类型及当前电网拓扑结构。
54.s10：根据所述当前故障类型、所述当前电网拓扑结构及所述实时潮流计算结果，基于所述安全评估模型，确定电力系统的实时安全评估指标值。
55.进一步地，本发明步骤s3中基于贝叶斯神经网络实现考虑不确定性的日前负荷预测功能。贝叶斯网络由统计模型、神经网络与先验概率及似然概率组成。采用贝叶斯网络进行日前预测预测的步骤包括：
56.(1)网络模型搭建。设定模型训练集i，i
x
为特征值即历史负荷，iy为预测值。w表示神经网络网络参数，每一个网络权重wi∈w满足均值为μi、方差为δi的概率分布，且各个权重独立，由统计模型给定权重参数的先验概率p(w)。
57.基于贝叶斯定理后验概率的计算：
[0058][0059]
其中，p(w|i)表示网络参数的后验概率，p(iy|i
x
,w)是在权重w、样本i
x
下，iy的条件概率，能够反映网络估计性能。
[0060]
通过变分推断使变分分布q
φ
＝q(w|θ)逼近p(w|i)。首先计算kl散度得到d
kl
(q||p)，用于衡量不同概率分布距离。然后进一步计算函数elbo，通过backprop算法实现elbo最大化，以此间接得到p(w|i)。
[0061][0062][0063]
其中，p(i)为数据先验概率，通过概率统计方法基于历史负荷数据得到。
[0064]
(2)构建贝叶斯神经网络损失函数l(i
x,j
)。
[0065][0066][0067][0068][0069]
其中，n表示网络权重的个数，ε、γ、α、β均为预先设定的超参数，θi＝(μi,δi)，是第j个样本对应的预测结果，p(wi)为权重参数wi的先验概率。
[0070]
(3)模型训练与评估。基于历史数据进行贝叶斯神经网络模型训练。选用经典预测评估指标进行模型训练结果评估，指标包含平均绝对误差mae、均方误差mse、均方根误差rmse、r2_score，其中yi表示真实值，表示预测值，m为样本数。
[0071][0072][0073][0074]
[0075]
步骤s4中进行潮流计算时，固定基础数据来源于多时间尺度数据集，随机性数据来源于日前负荷预测数据。
[0076]
在本实施例中，只考虑各节点注入功率相互独立，随机潮流计算步骤如下：
[0077]
(1)输入原始数据，包括线路、发电机、节点相关数据。
[0078]
(2)确定有关负荷和发电机随机量的信息，均采用正态分布，需要确定期望值和方差等。
[0079]
(3)确定故障线路的信息，包括故障线路编号和故障率。
[0080]
(4)用牛顿-拉夫逊法计算潮流。计算出正常运行状态的潮流信息，即节点注入量w0(包括各节点注入的有功功率和无功功率)、状态变量x0(即各节点的电压幅值和电压相角相关信息)，支路潮流变量z0(包括支路有功功率p
ij
和支路无功功率q
ij
)。
[0081]
(5)根据牛顿-拉夫逊的潮流结果，即状态变量x0，求出牛顿-拉夫逊法最后一次迭代所用的雅可比矩阵j0和支路潮流方程的偏导矩阵g0。根据雅可比矩阵j0求出第一灵敏度矩阵s0(j0的逆矩阵)和第二灵敏度矩阵t0。
[0082]
支路潮流方程为：
[0083][0084]
其中，p
ij
为支路ij的有功功率，q
ij
为支路ij的无功功率，vi为节点i的电压幅值，g
ij
为电力网络中节点i和节点j之间线路的电导，θ
ij
为电力网络中节点i和节点j之间的电压相位差，b
ij
为电力网络中节点i和节点j之间线路的电感，t
ij
为变压器支路的变比，b
ij0
为支路ij容纳的一半。
[0085]
上式可表示为z＝g(x)，且支路潮流z＝z0 δz，将支路潮流方程线性化，可得：
[0086]
δz＝g0δx；
[0087][0088]
式中，δz为支路潮流z的随机扰动。
[0089]
g0中的元素与雅可比矩阵j0中的元素有如下的关系：
[0090][0091][0092][0093][0094][0095]
[0096][0097][0098][0099][0100][0101][0102]
式中，vi为节点i的电压幅值，vj为节点的电压幅值，vk为节点k的电压幅值，k≠i,j，θi为节点i的电压相角，θj为节点j的电压相角，θk为节点k的电压相角，h
ij
、n
ij
、j
ij
、l
ij
为中间变量，θ
ij
为电力系统中节点i和节点j之间的电压相位差。
[0103]
将节点功率方程线性化，得到δw≌j0δx，式中δw为节点注入量w的随机扰动，δx为状态变量x的随机扰动，w＝w0 δw，x＝x0 δx。
[0104]
代入δz＝g0·
δx，得到δz＝g0s0δw＝t0·
δw，进而求出灵敏度矩阵t0＝g0·
s0。
[0105]
(6)负荷分布设为正态分布，求得负荷的各阶半不变量γ
wl(k)
。
[0106]
新能源出力也服从正态分布，求得新能源出力的各阶半不变量γ
wg(k)
。
[0107][0108][0109]
其中，μ
l
负荷的均值，μg为新能源出力的额定功率，σ
l
为负荷分布的标准差，σg为新能源出力的标准差，k表示半不变量的阶数。
[0110]
对线路故障的处理是一种离散分布，如图3所示，图中，zg为线路的阻抗，b0为支路ij容纳的一半。在故障支路的两侧节点各增加一个虚拟注入源，当注入的功率分别与从支路ij两端流出的功率相等时，系统的状态与支路ij断开后的状态是相同的。
[0111]
根据以下公式求出虚拟注入源的δpi、δqi、δpj、δqj：
[0112][0113]
其中，t4×4是第二灵敏度矩阵t0的一个子矩阵，提取第二灵敏度矩阵t0中的对应支路ij的元素，组成t4×4。线路故障等效成δpi、δqi、δpj、δqj的两个电源的二项分布，i4×4为单位矩阵。
[0114]
(7)线路故障等效为二项分布，可求出该二项分布的各阶中心矩qi为可用率，ci为虚拟注入源的δpi、δqi等。
[0115]
通过各阶中心矩αv与各阶半不变量γv的关系，求出各阶半不变量
[0116]
γ1＝α1＝μ；
[0117][0118][0119][0120][0121][0122]
(8)根据半不变量的可加性，得到δw的各阶半不变量。
[0123]
根据定理“独立随机变量之和的各阶半不变量等于各变量的各阶半不变量之和”，可得δw的各阶半不变量等于发电机注入功率的各阶半不变量和负荷注入功率的各阶半不变量之和。
[0124]
考虑线路故障时，还要加上线路故障时的半不变量
[0125][0126]
根据定理“随机变量α倍的k阶半不变量等于该变量k阶半不变量的αk倍”，可得：
[0127][0128]
[0129]
式中，和分别为第一灵敏度矩阵矩阵s0、第二灵敏度矩阵t0中元素的k次幂所构成的矩阵，γ
x(k)
和γ
z(k)
分别为δx和δz的各阶半不变量。
[0130]
(9)通过半不变量和中心矩的关系求出δx和δz的各阶中心矩βv。
[0131]
β1＝0；
[0132]
β2＝γ2＝σ2；
[0133]
β3＝γ3；
[0134][0135]
β5＝γ5 10γ3γ2；
[0136][0137][0138]
(10)根据中心矩和gram-charlier展开级数的系数之间的关系式，计算系数cv。
[0139]
c0＝1；
[0140]
c1＝0；
[0141]
c2＝0；
[0142][0143][0144][0145][0146][0147][0148]
(11)根据gram-charlier展开级数的系数cv，确定δx和δz的概率密度函数和累计分布函数：
[0149]
将随机变量x的概率密度函数和累计分布函数表示为如下的gram-charlier展开级数。
[0150]
f(x)＝φ(x) c1φ'(x) c2φ”(x) c3φ”'(x)
…
；
[0151][0152]
其中，f(x)为随机变量x的概率分布函数，f(x)为x的概率密度函数。φ(x)和分别为期望m＝0、标准差σ＝1的正态分布的分布函数和概率密度函数。
[0153]
利用hermite多项式求出gram-charlier级数展开式。
[0154]
h0(x)＝1；
[0155]
h1(x)＝-x；
[0156]
h2(x)＝x
2-1；
[0157]
h3(x)＝(x
3-3x)
×
(-1)；
[0158]
h4(x)＝x
4-6x 3；
[0159]
h5(x)＝(x
5-10x3 15x)
×
(-1)；
[0160]
h6(x)＝x
6-15x4 45x
2-15。
[0161]
由此可以得到随机变量分布函数的gram-charlier级数展开式：
[0162][0163][0164]
式中，是随机变量x标准化后的变量，
[0165]
将随机变量δx和δz标准化后，求出δx和δz的概率密度函数和累计分布函数。因为状态变量x＝x0 δx和支路潮流z＝z0 δz，故将δx的概率密度函数和累计分布函数平移x0得到x的概率密度函数和累计分布函数，将δz的概率密度函数和累计分布函数平移z0个单位得到z的概率密度函数和累计分布函数。
[0166]
数据驱动方法出力不确定性变量完全从历史数据中推演，不再使用某种固定的概率密度函数类型，通过计算历史数据的均值与方差等变量，给出概率密度函数的范围。因此，能够更准确的描绘不确定性的分布。
[0167]
在本实施例中，采用偏离程度量度法建立元件级严重度指标，分别为支路的潮流越限严重度和节点的电压越限严重度，以评价支路潮流越限和节点电压越限后果。
[0168]
安全评估模型的训练过程包括：
[0169]
s101：获取多组特征值。每组特征值包括历史故障类型、历史电网拓扑结构及历史潮流计算结果；所述历史电网拓扑结构中包括多个节点及多个支路。
[0170]
s102：针对任一组特征值，根据所述历史故障类型及所述历史电网拓扑结构，确定预想故障集。所述预想故障集中包括多个预想故障。
[0171]
本发明分别从发电机和输电线路两个方面建立元件概率模型。其中发电机概率模型是指发电机在正常运行状态或事故状态的概率模型，按照是否考虑时段影响分成两种：单时段内的状态概率模型和考虑时序的多时段状态转移概率模型。在单个时段内，发电机的概率模型一般有两种：两状态模型和降额状态模型。
[0172]
两状态模型是指发电机只存在额定运行和停运两个状态，这种模型在做非序贯蒙特卡洛模拟时，假定发电机运行状态为si，pfi为失效概率，则对发电机i产生在[0，1]区间均匀分布的随机数ri:
[0173]
[0174]
降额状态模型又称为多状态模型。在多状态蒙特卡洛模拟抽样时，对发电机i产生在[0，1]区间均匀分布的随机数ri进行模拟:
[0175][0176]
在考虑连续的多个时段时，发电机运行状态会随着各个时段的调度情况而改变，可以用状态转移模型来表示，其中各状态转移参数分别表示发电机在运行、停运以及降额状态之间转移概率，基于历史数据或短期预测数据拟合获得。
[0177]
基于历史数据统计输电线路故障率λ(次/年)、修复率μ(次/年)，计算强迫停运率for＝λ/(λ μ)，抽取(0,1)均匀分布的随机数r，若r≤for，认为该线路故障。故障中开路和短路故障的比例分别为p0和ps，再次抽样r，进一步判断故障类型：当r《ps时，认为线路开路故障(断线)。
[0178]
进一步考虑天气因素对输电线路故障概率的影响，根据线路串联的特点，得到整条线路在恶劣气候和正常气候下故障率λ
1e
、修复时间r
1e
以及不可用率u
1e
：
[0179]
λ
1e
＝λ
ad
r λ
no
(1-r)；
[0180][0181]u1e
＝u
ad
u
no-u
aduno
；
[0182]
其中，λ
ad
为恶劣天气条件下的失效率，r为暴露在恶劣气候环境下的线路长度百分比值，λ
no
为正常气候条件下的失效率，r
ad
为恶劣天气条件下的修复时间，r
no
为正常气候条件下的修复时间，u
ad
为恶劣天气条件下的不可用率，u
no
为正常气候条件下的不可用率。
[0183]
基于发电机概率模型和输电线路概率模型，形成预想故障集，并计算各种故障情况下各条支路潮流不越限和各节点电压不越限概率。
[0184]
预想故障集e为：
[0185][0186]
其中，为发电机i处于停运状态或降额状态事件，e
line
为输电线路发生故障事件，各故障发生的概率由步骤s1中的公式计算。
[0187]
在本实施例中，在整个概率安全性分析周期足够小(如小于15分钟)时，按n-1法则确定预想故障集：
[0188][0189][0190]
其中，prob{
·
}为事件发生概率函数；f
pq
(
·
)为故障e下支路潮流有功与无功的概
率分布函数，f
vθ
(
·
)为节点电压幅值与相角的概率分布函数，σ
pj
为支路j的潮流标准差，σ
pj
为节点i的电压幅值的标准差。
[0191]
s103：根据所述预想故障集、所述历史电网拓扑结构及所述历史潮流计算结果，确定各支路的潮流越限严重度及各节点的电压越限严重度。
[0192]
支路潮流越限严重度表示每条线路的潮流占输送容量限值的百分数。定义为所有可能发生的k种故障情况下，支路ij潮流的越限程度。采用以下公式，确定支路ij的潮流越限严重度：
[0193][0194]
其中，为支路ij的潮流越限严重度，为引起支路ij潮流越限的故障集合，e为预想故障集，k为预想故障的总数，为支路ij在预想故障k发生时的有功功率，p
max
为支路ij允许传输的最大有功功率值，由热稳定极限电流得到，p
min
为支路ij允许传输的最小有功功率值，||为取绝对值。
[0195]
节点电压越限严重度表示每个节点电压幅值偏离正常幅值限制的百分数，定义为所有可能发生的k种故障情况下，节点i电压的越限程度。采用以下公式，确定节点i的电压越限严重度：
[0196][0197]
其中，为节点i的电压越限严重度，为引起节点i电压幅值越限的故障集合，e为预想故障事件集，k为预想故障的总数，vh为节点i允许的最大电压幅值，若超出最大电压幅值约束将引起电压崩溃，为节点i在预想故障k发生时的电压幅值，v
l
为节点i允许的最小电压幅值，若小于最小电压幅值约束将引起系统低电压失稳。
[0198]
s104：根据各支路的潮流越限严重度，确定支路过载严重度指标值。
[0199]
电力系统过载风险指标反映了各支路过载风险的平均水平，且考虑了最大风险值的影响。采用以下公式，确定支路过载严重度指标值：
[0200][0201]
其中，r
ol
为支路过载严重度指标值，α和β为权重系数，α β＝1，m为电力系统中的支路总数，sev
branch
为各支路的潮流越限严重度组成的矩阵，sev
branch
||1表示对sev
branch
求1范数，||sev
branch
||
∞
表示对sev
branch
求∞范数。
[0202]
s105：根据各节点的电压越限严重度，确定节点越限严重度指标值。
[0203]
电力系统节点越限严重度指标反映了各节点电压幅值越限严重度平均水平，且考
虑了对系统影响最大的元件故障事件影响。采用以下公式，确定节点越限严重度指标值:
[0204][0205]
其中，r
ov
为节点越限严重度指标值，α和β为权重系数，α β＝1，n为电力系统中节点的总数，sev
voltage
为各节点的电压越限严重度组成的矩阵，||sev
voltage
||1表示对sev
voltage
求1范数，||sev
voltage
||
∞
表示对sev
voltage
求∞范数。
[0206]
s106：计算各预想故障发生的概率、各预想故障发生时电力系统的安全概率和无故障时电力系统的安全概率。
[0207]
电力系统的安全概率为对于全部预想故障，计算出电力系统发生支路潮流过载或节点电压越限的概率。在预想事故ei发生后，电力系统不满足安全约束的概率为：
[0208][0209]
认为假设事件ei的发生服从泊松分布，且各事件相互独立，则各故障发生的概率为：
[0210][0211]
对于每一个预想故障ek(k＝1,2,..,n)计算都得到其所对应的系统满足潮流安全约束的概率pr
s1
,pr
s2
,
…
,pr
sn
和无故障发生情况下系统满足潮流安全约束得到概率pr
s0
。
[0212]
s107：根据各预想故障发生的概率、各预想故障发生时电力系统的安全概率和无故障时电力系统的安全概率，确定不安全概率指标值。
[0213]
具体地，采用以下公式，计算不安全概率指标值：
[0214][0215]
其中，pr
ins
为不安全概率指标值，pr
s0
为无故障时电力系统的安全概率，k为预想故障的总数，为预想故障ek发生的概率，pr
sk
为预想故障ek发生时电力系统的安全概率。
[0216]
s108：根据所述支路过载严重度指标值、所述节点越限严重度指标值及所述不安全概率指标值，确定对应组特征值的安全评估指标值。
[0217]
具体地，采用以下公式，确定安全评估指标值：
[0218]
s0＝w1·
pr
ins
w2·rol
w3·rov
；
[0219]
其中，s0为安全评估指标值，w1为不安全概率指标的权重，w2为支路过载严重度指标的权重，w3为节点越限严重度指标的权重，pr
ins
为不安全概率指标值，r
ol
为支路过载严重度指标值，r
ov
为节点越限严重度指标值。权重可以通过主客观赋权等方法确定。
[0220]
s109：根据各组特征值及各组特征值的安全评估指标值，对xgboost进行训练，得到安全评估模型。
[0221]
本发明所构建的安全评估模型一方面包括了日前随机性预测的贝叶斯神经网络，另一方面包括了安全性评估的xgboost网络。在日前，根据贝叶斯神经网络对风光负荷随机
性预测的概率密度函数，结合调度平台提供的其他边界条件，最终构成了xgboost的输入，实现了对次日系统安全性的评估。一方面，网络架构、装机容量等边界条件的变化，可以依据调度平台输入、实际潮流情况统计动态的更新两个网络，实现上述两个神经网络参数的自适应更新；另一方面在发生故障时，依据故障类型和偶发频率可以用于更新xgboost的权重参数。
[0222]
为了提高安全预测的精度及速度，在对xgboost训练之前，首先对训练样本集中的特征值：历史潮流计算结果(支路有功潮流分布、电压幅值的均值与方差等)进行z-score标准化处理。
[0223][0224]
其中，x
′
为标准化后的数据，x为标准化前的数据，x
μ
为标准化前数据的均值，x
σ
为标准化前数据的标准差。
[0225]
采用上式对所有采集到的数据按照类别分别进行标准化，方差与均值是针对某类数据来说。比如对样本中的有功潮流方差做标准化过程是：计算有功潮流方差这一类数据的方差和均值，并对其进行标准化。
[0226]
本发明对电力系统的安全性评估包含日前评估和实时评估两部分内容，在离线训练的基础上完成在线推理，提升安全评估的评估效率。
[0227]
日前安全性评估中，离线训练过程中模型输入多时间尺度数据的故障类型与电网拓扑结构，随机潮流计算结果的历史潮流、电压分布均值、电压分布方差数据。在线推理过程中安全评估模型输入故障类型、电网拓扑结构、新计算的基于日前预测负荷计算出的潮流、电压分布均值及电压分布方差，安全评估模型输出日前安全评估结果。
[0228]
实时安全性评估功能中，离线训练过程中模型输入多时间尺度数据的故障类型与电网拓扑结构，随机潮流计算结果的模历史潮流、电压分布均值及电压分布方差数据。在线推理过程中安全评估模型输入故障类型、电网拓扑结构、基于实时负荷计算出的潮流、电压分布均值及电压分布方差，安全评估模型输出实时安全评估结果。
[0229]
具体地，基于xgboost建立安全评估模型时，首先设计系统安全评估场景，基于日前安全评估与实时安全评估所需数据，构造安全评估训练样本集。基于对应的故障集与数据采集点，构造正常运行状态和故障状态下表征随机潮流输入输出变化的样本集x＝[x1,...,xi,...,xn]∈rn×m。其中n表示样本个数即代表n种安全评估场景，m表示每一个样本特征向量的维度。样本xi的输入特征向量包含了支路有功潮流分布的均值{fh|h∈h}与方差{σh|h∈h}，以及节点电压的幅值{va|a∈a}与方差{εa|a∈a}，其维度数m为支路数h与节点数a之和。每一个样本xi对应的系统不安全概率yi组成了安全评估模型的输出y。
[0230]
基于上述的训练样本集，构建安全评估模型。系统安全评估框架如图4所示，对于给定数据集d＝{(xi,yi)}(|d|＝n,xi∈rm,yi∈r)，树的集成模型由下式表示：
[0231][0232]
式中，为模型的输出结果；tk(xi)表示第k棵决策树的预测结果；表
示节点输入样本到叶子节点的映射；每一棵树tk对应一个独立的树结构q和叶子的权重xi是第i个样本的特征向量；q表示每一棵树的结构映射到样本所对应的叶子的索引；λ为树上叶子的数量；是树的集合空间。
[0233]
xgboost训练的目标函数为：
[0234][0235]
式中，为模型参数；为模型在训练样本上的量化误差，n为训练样本数量；为模型复杂度正则化项，用以降低过拟合风险，k为模型基学习器数量。c为常数。γi(xi)表示确定的输入样本值到叶子节点的映射。
[0236]
xgboost算法中单个基学习器的模型复杂度为：
[0237][0238]
式中，m为基学习器tk的叶子节点数，λ表示l2正则化系数，γ表示节点切分难度，表示叶子节点权值的l2范数。
[0239]
xgboost模型在一般情况下，采用增量训练方法训练，即每一次都是在保留原有模型的基础上，添加一个新函数(即一棵新的树)到模型中去，通过集成一系列学习能力较弱的基学习器来获得较好的性能。的值越小表示树的结构越好。每一轮加入的增量函数尽可能使目标函数最大程度的减少，训练第k个基学习器tk时的学习目标函数为：
[0240][0241]
式中，为tk的参数；ω(tk)为tk的模型复杂度；为前一轮迭代的模型残差；为tk的输出；学习率ε取值范围(0,1)。
[0242]
基于训练样本集，不断训练cart基学习器拟合先前模型残差并集成入xgboost模型中，直至训练预设数量基学习器或模型残差小于设定阈值。
[0243]
[0244][0245]
式中，是第i个样本在第t轮的模型预测值，保留t-1轮的模型预测值后，加入一个新的函数t
t
(xi)。训练流程图如图5所示。
[0246]
本方法通过结合在线与离线的模型-数据驱动评估，实现了适用于新型电力系统的安全性评估。首先通过在线采集电网调度平台数据，构建覆盖月、周、日电网架构与运行数据的多时间尺度新型电力系统安全性评估数据集；然后建立新能源电力系统的随机潮流模型并基于半不变量法求解随机潮流模型；最后通过与电网调度平台动态交互实时更新数据、训练数据驱动模型，使复杂的计算过程转变为矩阵运算，将计算负担转移到离线训练，实现了日前与实时多尺度新能源电力系统安全性评估，提升了新能源电力系统安全性评估计算效率。本发明包含多时间尺度数据模块，随机潮流计算模块，基于数据驱动的多时间尺度新能源电力系统安全性评估模块。
[0247]
本发明可以直接从调度平台导出年度跨省区输电线路潮流、月度检修计划、周度机组组合计划、日前市场出清结果等数据。一方面，上述数据构成了随机潮流计算中的系统运行边界条件，提供了随机潮流计算中不确定源(新能源发电、用户电力负荷、线路停运)的概率密度函数；另一方面，结合随机潮流模块输出，上述数据也可以作为xgboost网络的输入，用于训练网络和评估不同时间尺度下的典型日的系统安全性。简化了传统电力系统静态安全评估的计算过程，适用于新能源接入的新型电力系统安全评估场景，安全性评估速度快、鲁棒性强。
[0248]
如图6所示，本发明数据-模型混合驱动的电力系统安全评估系统包括：多尺度数据采集单元1、历史负荷获取单元2、日前负荷预测单元3、日前潮流计算单元4、日前拓扑获取单元5、日前安全评估单元6、实时负荷获取单元7、实时潮流计算单元8、当前拓扑获取单元9及实时安全评估单元10。
[0249]
其中，多尺度数据采集单元1用于采集电网调度平台的多时间尺度数据集。所述多时间尺度数据集包括计划数据及日偶发故障数据；所述计划数据包括月时间尺度下的电网拓扑结构、周时间尺度下的机组开关机状态及日时间尺度下的电网运行数据；所述日偶发故障数据包括故障发生时的电网拓扑结构、电网运行数据及故障类型。
[0250]
历史负荷获取单元2用于获取电力系统的历史负荷数据。
[0251]
日前负荷预测单元3与所述历史负荷获取单元2连接，日前负荷预测单元3用于根据所述历史负荷数据，采用贝叶斯网络对电力系统的日前负荷进行预测，得到日前负荷预测数据。
[0252]
日前潮流计算单元4与所述多尺度数据采集单元1及所述日前负荷预测单元3连接，日前潮流计算单元4用于根据所述多时间尺度数据集及所述日前负荷预测数据对所述电力系统进行潮流计算，得到日前潮流计算结果。所述日前潮流计算结果包括电力系统的
有功功率、无功功率及电压分布数据。
[0253]
日前拓扑获取单元5用于获取日前故障类型及日前电网拓扑结构。
[0254]
日前安全评估单元6与所述日前拓扑获取单元5及所述日前潮流计算单元4连接，日前安全评估单元6用于根据所述日前故障类型、所述日前电网拓扑结构及所述日前潮流计算结果，基于安全评估模型，确定电力系统的日前安全评估指标值；所述安全评估模型为预先采用训练样本集对xgboost进行训练得到的；所述训练样本集中包括多组特征值及各组特征值对应的安全评估指标值；每组特征值包括历史故障类型、历史电网拓扑结构及历史潮流计算结果。
[0255]
实时负荷获取单元7用于获取电力系统的实时负荷。
[0256]
实时潮流计算单元8与所述实时负荷获取单元7连接，实时潮流计算单元8用于根据所述实时负荷对所述电力系统进行潮流计算，得到实时潮流计算结果。
[0257]
当前拓扑获取单元9用于获取当前故障类型及当前电网拓扑结构。
[0258]
实时安全评估单元10与所述当前拓扑获取单元9、所述实时潮流计算单元8及所述日前安全评估单元6连接，实时安全评估单元10用于根据所述当前故障类型、所述当前电网拓扑结构及所述实时潮流计算结果，基于所述安全评估模型，确定电力系统的实时安全评估指标值。
[0259]
相对于现有技术，本发明提供的数据-模型混合驱动的电力系统安全评估系统与前文所述的数据-模型混合驱动的电力系统安全评估方法的有益效果相同，在此不再赘述。
[0260]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0261]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。