基于新能源多场景风险特征导向的电力系统风险评估方法与流程

本发明涉及电力系统风险评估技术领域，更具体的说是涉及基于新能源多场景风险特征导向的电力系统风险评估方法。

背景技术：

新能源以其清洁可再生的优点受到世界各国能源改革的青睐，然而，新能源具有波动性、间歇性等特性，对其接入后的电力系统风险带来极大的挑战。因此，亟需对新能源接入的电力系统进行科学准确的风险评估。传统风险评估的方法主要分为两类：解析法和模拟法。解析法对系统状态进行枚举，数学模型精确，但其计算量随着系统规模的增大而呈指数增长，因此该方法仅适用于元件个数较少的小型电力系统。蒙特卡罗模拟法通过随机抽样的方式对系统指标进行估计，计算量主要与系统风险水平紧密相关，因此更适用于大型电力系统的风险评估。

在对象为大规模新能源接入后的电力系统风险评估的过程中，由于蒙特卡罗模拟法的抽样效率对故障事件发生的概率非常敏感，导致该方法在低风险事件系统中的收敛速度较慢，另一方面，随着电网中各种新能源的大量接入，其出力的不确定性使风险评估过程中系统状态发生“组合爆炸”，计算时间剧增，因此对于新能源接入的电力系统风险研究，亟需探究快速有效的评估算法。现有含新能源接入的电力系统风险评估的研究领域，大多数研究集中在新能源多场景出力方面，针对风光荷数据特性进行聚类并选取典型代表日来解决新能源接入的不确定性与相关性问题，然而仅对输入数据直接聚类的方法在风险评估中会导致选取的高风险事件数较少：蒙特卡罗模拟法通过采取随机抽样的方式对系统指标进行估计。因此针对每个历史场景都需要产生大量随机故障事件并计算潮流结果及风险指标，计算量巨大。此时，由于净负荷与系统风险指标不是线性相关，若直接使用聚类方法对历史数据进行典型场景提取，则无法考虑历史场景的风险特征，导致聚类结果不准确，而高风险事件对风险指标的贡献更大，会造成较大的风险指标计算误差。

因此，如何提高对象为大规模新能源接入后的电力系统风险评估的过程中聚类的准确性，进而降低风险指标计算误差，成为了本领域技术人员急需解决的问题。

技术实现要素：

有鉴于此，本发明提供了基于新能源多场景风险特征导向的电力系统风险评估方法，

为了实现上述目的，本发明采用如下技术方案：

基于新能源多场景风险特征导向的电力系统风险评估方法，包括以下步骤：

s1、获取电力系统m个场景的历史数据；

s2、基于所述历史数据提取电力系统的风险特征；

s3、对s2中所获得的风险特征进行聚类，得到聚类结果；

s4、基于所述聚类结果将所述历史数据进行分类，得到分类结果，并计算每个分类结果所对应的概率；

s5、基于所述分类结果及对应的概率计算电力系统风险指标。

优选的，s1中的电力系统m个场景的历史数据包括：m个场景中电力系统各节点的净负荷数据。

优选的，s2中采用解析法枚举各净负荷下前n阶故障事件风险特征eensi。

优选的，s3的具体步骤为：

s31、初始化样本集大小n、聚类个数k和收敛判据ε；

令迭代次数标志i＝1，从样本集中选取k个样本作为初始聚类中心zj(i)，j＝1,2,3，...k；

s32、计算各场景下的样本与所述初始聚类中心间的距离d(xi,zj(i))，i＝1,2,3，...n；

若d(xi,zk(i))＝min{d(xi,zj(i))}，则将当前场景划分到对应的聚类簇中，即将xi归为类ck，xi∈ck；

上式中，xi为样本向量，样本为eens，d(xi,zk(i))为各场景下的样本与第k个聚类中心间的距离；

s33、计算误差函数

若||jc(i)-jc(i-1)||＜ξ进行s34；

否则令迭代系数标志i＝i+1，计算k个新的聚类中心，则返回s32；

s34、输出k个聚类结果。

优选的，s4的具体内容为：基于所述聚类结果将待评估场景的数据进行分类，得到分类结果，针对每个分类结果内所对应的净负荷数据求取平均值，所述平均值为每个分类结果所对应的典型净负荷场景，并计算每个分类结果所对应的概率。

优选的，将每类所述典型净负荷场景分别代入基于非序贯蒙特卡洛法的风险评估模型，计算对应的风险指标，根据各类所述典型净负荷场景对应的概率确定其权重，加权计算电力系统风险指标。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了基于新能源多场景风险特征导向的电力系统风险评估方法，在大规模电力系统风险评估过程中，传统的评估方法针对每个历史场景都需要产生大量随机故障事件并计算潮流结果及风险指标，计算量巨大，由于净负荷与系统风险指标不是线性相关，若直接使用聚类方法对历史数据进行典型场景提取，则无法考虑历史场景的风险特征，导致聚类结果不准确，而本发明采用风险特征进行聚类，通过改变聚类的依据，达到聚类簇中数据风险特征相近的效果，相对于传统的技术方案来说，本发明中所采用方法有效提高了风险评估的计算速度，且聚类结果更加准确，降低了风险指标计算误差。

附图说明

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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的基于新能源多场景风险特征导向的电力系统风险评估方法的流程图；

图2为本发明提供的基于新能源多场景风险特征导向的电力系统风险评估方法中净负荷与eens的关系示意图；

图3为本发明提供的ieeerbts-6节点系统图；

图4为本发明提供的算例中两种方法的误差对比图；

图5为本发明提供的算例中两种方法的耗时对比图。

具体实施方式

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。

本发明实施例公开了基于新能源多场景风险特征导向的电力系统风险评估方法，如图1所示，包括以下步骤：

s1、获取电力系统m个场景的历史数据；

s2、基于历史数据提取电力系统的风险特征；

s3、对s2中所获得的风险特征进行聚类，得到聚类结果；

s4、基于聚类结果将历史数据进行分类，得到分类结果，并计算每个分类结果所对应的概率；

s5、基于分类结果及对应的概率计算电力系统风险指标。

为了进一步实现上述技术方案，s1中的电力系统m个场景的历史数据包括：m个场景中电力系统各节点的净负荷数据。

为了进一步实现上述技术方案，s2中采用解析法枚举各净负荷下前n阶故障事件风险特征eensi。

为了进一步实现上述技术方案，s3的具体步骤为：

s31、初始化样本集大小n、聚类个数k和收敛判据ε；

令迭代次数标志i＝1，从样本集中选取k个样本作为初始聚类中心zj(i)，j＝1,2,3，...k；

s32、计算各场景下的样本与初始聚类中心间的距离d(xi,zj(i))，i＝1,2,3，...n；

若d(xi,zk(i))＝min{d(xi,zj(i))}，则将当前场景划分到对应的聚类簇中，即将xi归为类ck，xi∈ck；

上式中，xi为样本向量，样本为eens，d(xi,zk(i))为各场景下的样本与第k个聚类中心间的距离；

s33、计算误差函数

若||jc(i)-jc(i-1)||＜ξ进行s34；

否则令迭代系数标志i＝i+1，计算k个新的聚类中心，则返回s32；

s34、输出k个聚类结果。

为了进一步实现上述技术方案，s4的具体内容为：基于聚类结果将待评估场景的数据进行分类，得到分类结果，针对每个分类结果内所对应的净负荷数据求取平均值，平均值为每个分类结果所对应的典型净负荷场景，并计算每个分类结果所对应的概率。

为了进一步实现上述技术方案，将每类典型净负荷场景分别代入基于非序贯蒙特卡洛法的风险评估模型，计算对应的风险指标，根据各类典型净负荷场景对应的概率确定其权重，加权计算电力系统风险指标。

基于非序贯蒙特卡洛模拟的风险评估步骤为：

(1)对元件两状态模型进行随机抽样，获取系统状态。

(2)采用直流最优削负荷模型对抽样的系统状态进行计算，得到该状态下的最优负荷削减量。

(3)累积计算风险评估指标。

直流最优削负荷模型为：

pgg^min≤pgg≤pgg^max

0≤lcd≤ldd

|pli(s)|≤pli^max

其中，cd表示负荷点d削负荷价格，lcd表示负荷点d的负荷削减量，pgg表示发电机g的有功出力，pdd表示负荷点d的负荷量；nd表示负荷集合,g表示发电机集合，nc表示节点集合，nl表示线路集合；pli(s)表示系统状态s下线路i的有功潮流,aij(s)表示系统状态s下有功潮流-注入功率关系矩阵的第i行第j列元素；pli^max表示线路i的有功潮流容量。

下面将对本发明技术方案进行进一步说明：

在大规模电力系统风险评估过程中，蒙特卡罗模拟法通过采取随机抽样的方式对系统指标进行估计。因此针对每个历史场景都需要产生大量随机故障事件并计算潮流结果及风险指标，计算量巨大。此时，由于净负荷与系统风险指标不是线性相关，若直接使用聚类方法对历史数据进行典型场景提取，则无法考虑历史场景的风险特征，导致聚类结果不准确。

比如，在直接聚类时，a场景和b场景的净负荷对系统风险指标的贡献可能是相近的，但可能会被分在不同的簇中，造成在风险评估过程中，不同簇中的净负荷产生了相同大小的系统风险指标。因此直接聚类的方法并不能很好的代表不同净负荷的风险特征，基于直接聚类法提取的典型场景，其得到的风险评估结果和真实结果相比有较大误差。因此，本发明通过改变聚类的依据，达到聚类簇中数据风险特征相近的效果。与现有技术相比，本发明采用风险特征进行聚类，聚类结果更加准确，降低了风险指标计算误差。

本发明中，采用eens作为风险特征，eens是指电力系统在给定时间区间内因发电容量短缺或电网约束造成负荷需求电量削减的期望数。

如图2所示，随着净负荷的增加，eens值呈非线性增长，即在低净负荷a2-b2区间，eens增长的较慢，在高净负荷c2-d2区间，eens增长的较快。使用直接聚类时，a2-b2段与c2-d2段的聚类数可能相等，但两段负荷水平产生的eens的实际大小不同。负荷水平较高的c2-d2段产生的eens变化较大，采用直接聚类方法容易忽略部分高负荷的风险事件，导致风险指标评估不准确。

其中,fi表示系统处于状态i的频率，pi表示系统处于状态i的概率，di表示状态i的持续时间，ci表示状态i条件下削减的负荷功率。

图3为ieeerbts-6节点系统图，本发明以ieeerbts-6节点系统为算例，并在1、3节点分别接入风电机组和光伏机组，采用某省级电网全年8760小时的风光荷数据作为初始输入数据。选取枚举前三阶故障状态，方差收敛系数为0.02。在3.2ghzcore-i56500cpu和8gram的台式计算机上采用matlab2018b对所提的风险评估方法进行计算。

为验证本发明所提出的以风险特征为导向的风险评估方法有效性，采用两种方法进行分析：方法一为以风险特征为导向的风险评估方法；方法二为含直接聚类的风险评估方法。

下面分别对方法一和方法二进行风险评估精度分析：

将各个典型净负荷事件下计算得到的风险指标与标准结果对比得到相对误差，其结果如图4所示。其中，方法一相对误差的中位数为0.0323、平均值为0.0695；方法二相对误差的中位数为0.0337、平均值为0.1316。方法一的平均相对误差比方法二减少47.2％，且场景一大部分事件的相对误差始终保持在一个较小的范围内，可以看出方法一在评估精度上有了较大提升。

下面分别对方法一和方法二进行计算时间分析：

图5表示方法一和方法二完成风险评估的计算时间。从图5可以看出，在不同典型净负荷事件下，方法一的计算时间始终低于方法二的计算时间。在典型净负荷事件数为4时，方法一计算时间为11303秒，方法二为11532秒，计算时间提升了1.98％；在典型净负荷事件数为40时，方法一计算时间为66170秒，方法二为98438秒，计算时间提升了32.78％，方法一的平均计算时间比方法二减少38.4％。在风险评估中，净负荷水平越高，系统风险指标越高，风险指标越易收敛。在以风险特征为导向进行聚类时，会筛选出更多的对风险指标贡献更高的高净负荷事件。而采用对风光荷数据直接聚类的方法，会在各个数据区域内较均匀的取值，无法有针对性的计及高净负荷事件，大大降低了风险指标的收敛速度。因此方法一加快了风险评估的计算速度，这也验证了本发明所提方法在计算速度方面的优越性。

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。对于实施例公开的装置而言，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。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。