[发明专利]一种电力系统输电断面极限概率评估方法及电子设备

说明书

本发明公开了一种电力系统输电断面极限概率评估方法及电子设备，该方法采集电力系统当前运行状态数据，根据所述当前运行状态数据获得输入特征数据，将该输入特征数据输入到预先构建的深度不确定性神经网络模型ξ_d中；根据深度不确定性神经网络模型ξ_d输出电力系统给定输电断面的预测TTC概率分布。本发明能够输出电力系统输电断面TTC的概率分布，为考虑不确定性下的输电断面极限概率评估提供了实现方法。

技术领域

本发明属于电力系统安全分析技术领域，具体涉及一种基于深度不确定性神经网络的电力系统输电断面极限概率评估方法。

背景技术

电力系统是最大的能量系统之一。在传统的方式中，系统监控、安全分析和系统控制是调度员维持电力系统安全稳定的三个最主要步骤。通过系统监控，调度员可以实时获取电网的最新信息，并且直接判断当前电网是否处在正常运行状态。然后再通过安全分析，估计电网当前的运行情况，基于当前运行场景来检测电网在潜在运行场景下可能出现的薄弱环节，主要考虑的是N-1故障情况。最后，当电力系统被判断处于异常情况，或是在潜在运行场景中出现了薄弱环节，调度员就需要进行相应的调度控制，来避免电力系统出现安全问题。复杂电力系统具有海量运行状态，调度人员无法进行全局监控，电力系统调度中心的人员在运行方式编制、稳定限额制定以及调度台的监控过程中常用的做法是关注一系列输电断面，对其中比较容易越限的断面进行重点计算和监控。在电网安全评估中，输电断面的极限传输容量(Total Transfer Capability，TTC)评估是最核心的环节之一。

数据驱动的深度学习模型在输电断面TTC评估问题中表现出了较高的鲁棒性、较快的计算速度以及强大的非线性拟合能力，近年来在TTC评估问题中得到了越来越多的应用。然而，现有的大部分基于深度学习的TTC评估模型仅输出一个单一的预测值，缺少概率信息，考虑到新能源和灵活负荷不断接入带来的高不确定性，调度员难以基于单个TTC预测值进行风险决策。

发明内容

本发明所要解决的技术问题就是提供一种基于深度不确定性神经网络的电力系统输电断面极限概率评估方法，解决现有基于深度学习的TTC评估模型仅输出一个单一的预测值，缺少概率信息，难以基于单个TTC预测值进行风险决策的问题。

为解决上述技术问题，本发明采用如下技术方案：

基于神经网络的电力系统输电断面极限概率评估方法，采集电力系统当前运行状态数据，根据所述当前运行状态数据获得输入特征数据，将该输入特征数据输入到预先构建的深度不确定性神经网络模型ξ_d中；根据深度不确定性神经网络模型ξ_d输出电力系统给定输电断面的预测TTC概率分布。

优选的，所述输入特征数据的获得包括如下子步骤：

(1-1)从电力系统监控装置中采集电力系统特征数据，构成用于电力系统输电断面极限概率评估的深度不确定性神经网络模型的输入特征x＝[x^q,x^p]，其中，x^q表示电网拓扑结构特征向量，x^p表示电网潮流状态特征向量，x为输入特征向量，其构造方式如下：

(1-1-1)电网拓扑结构特征向量x^q的具体组成方式为：

其中，代表第s条线路的导纳；

(1-1-2)电网潮流状态特征向量x^p的具体组成方式为：

其中，为电网运行状态中第f个电网潮流状态特征量，电网潮流状态特征量由发电机有功功率、发电机机端电压幅值、负荷节点有功功率组成；

(1-2)对x^p进行标准化，具体步骤为：