[发明专利]一种基于堆叠降噪自编码器的概率性暂态稳定预测方法

说明书

本发明公开了一种基于堆叠降噪自编码器的概率性暂态稳定预测方法，包括确定风电出力范围、发电机有功出力波动范围和负荷波动范围，使用Cholesky分解生成具有风速相关性的风电场风电出力数据，使用拉丁超立方抽样生成系统负荷数据，作为系统初始运行工况；通过电力系统时域仿真，计算系统初始工况对应的暂态稳定性，生成训练深度学习模型的样本数据；使用堆叠降噪自编码学习系统初始工况与暂态稳定性之间的映射关系，生成基于SDAE的暂态稳定预测器；基于系统当前运行工况和不同的置信水平，生成下一个预测区间可能的运行场景；将下一个预测区间可能的运行场景输入SDAE中，统计系统稳定与失稳概率，作为下一个预测区间系统暂态稳定安全风险评估结果。

技术领域

本发明涉及电力系统人工智能技术领域，具体是一种基于堆叠降噪自编码器的概率性暂态稳定预测方法。

背景技术

可再生能源有不确定和间歇性的特点，大规模可再生能源渗透增加了电力系统的安全风险。大多数暂态稳定性评估方法都是基于当前系统的运行场景。在线暂态稳定性分析可以及时发现系统安全风险，从而采取预防控制措施使系统恢复稳定。为了实现该目标，一系列人工智能方法被使用，包括决策树，支持向量机和卷积神经网络。但是，未考虑可再生能源和负荷的不确定性，因此会产生关于系统稳定性的误判。本发明考虑了风电和负荷的不确定性，提出了一种基于堆叠降噪自动编码器(SDAE)的电力系统概率性暂态稳定预测方法。确定性预测方法可能产生过于乐观的结果，而系统仍可能存在失稳概率，而本发明的主要贡献在于，概率预测能够全面了解不同置信度下的系统安全风险，使系统规划人员和操作人员更好地了解系统动态情况。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于堆叠降噪自编码器的概率性暂态稳定预测方法，包括如下步骤：

S1：确定风电出力范围、发电机有功出力波动范围和负荷波动范围，使用Cholesky分解生成具有风速相关性的风电场风电出力数据，使用拉丁超立方抽样生成系统负荷数据，作为系统初始运行工况；

S2：通过电力系统时域仿真，计算系统初始工况对应的暂态稳定性，生成训练深度学习模型的样本数据；

S3：使用堆叠降噪自编码学习系统初始工况与暂态稳定性之间的映射关系，生成基于SDAE的暂态稳定预测器；

S4：基于系统当前运行工况和不同的置信水平，生成下一个预测区间可能的运行场景；

S5：将下一个预测区间可能的运行场景输入SDAE中，得到对应的暂态稳定状态，统计系统稳定与失稳概率，作为下一个预测区间系统暂态稳定安全风险评估结果。

进一步的，所述的确定风电出力范围、发电机有功出力波动范围和负荷波动范围，使用Cholesky分解生成具有风速相关性的风电场风电出力数据，使用拉丁超立方抽样生成系统负荷数据，作为系统初始运行工况，包括如下过程：

确定风电出力范围、发电机有功出力波动范围和负荷波动范围，其取值范围取决于设备参数以及系统安全约束，表示为：

其中，P_Gw为风机出力，P_G为发电机出力，P_L为有功负荷，不等式P^max、P^min分别代表其取值的上下限；

风速的统计分布服从威布尔分布，其概率密度函数为：

其中v_w(t)表示风速；k是形状参数，λ是风速的比例参数；威布尔分布的累积分布函数为：