[发明专利]一种基于多通道卷积的系统风险评估的计算方法及装置

说明书

本发明公开了一种基于多通道卷积的系统风险评估的计算方法，包括以下步骤：步骤1，数据积累：蒙特卡洛模拟系统运行状态并积累数据；步骤2，数据预处理：根据积累的数据建立数据仓库并进行数据筛选；步骤3，离线训练：深度学习训练LC预测器；步骤4，在线应用：模型的在线使用。本发明还公开了一种基于多通道卷积的系统风险评估的装置。本发明采用上述的一种基于多通道卷积的系统风险评估的计算方法及装置，在考虑系统分支电路故障消息与发电机故障消息的情况下，进行系统分析，确定负荷削减和系统状态数据之间的回归联系，并实现了对负荷削减预测。

技术领域

本发明涉及电力系统风险评估技术领域，尤其是涉及一种基于多通道卷积的系统风险评估的计算方法及装置。

背景技术

随着全球变暖，低碳生活已成为能源系统建设的目标，建设一种新型的电力系统变得越来越重要。因此，系统的风险慢慢出现在人们的视野中。随着新能源的出现和复合电力系统体系结构复杂性的增加，电力系统风险评估计算所涉及的时间成本是巨大的。因此，人们正在努力提高效率和精确度。

在一个典型的电力系统中，产生和消耗的电量是相等的。然而，由于不确定性，电力系统的运行中存在着各种可能，如频率偏移和电压波动。这可能会导致系统中的一个或多个组件超过安全水平，从而导致系统元件被损坏。因此，需要剥离一部分负荷，从而产生了负荷削减(Load curtailment,LC)。分析法和仿真法是评估一般电力系统风险的两种基本方法，分析法，也称为状态枚举法，是一种确定风险评估指标的方法。该方法包括列出所有可能的系统状态，并计算每个系统状态的风险评估指标。由于该方法中列出的系统状态数据随组件数量的增加呈指标增长，因此在现代电力系统中很少使用，而被仿真法所取代。仿真法是一种被称为蒙特卡罗模拟(Monte Carlo Simulation，MCS)的数值统计方法。在积极开发新能源和复合电力系统的前提下，对现有电力系统的风险进行快速动态评估是非常有必要的。尽管如此，蒙特卡罗方法的评估精度高度依赖于所测试状态的数量，从而导致该方法的计算成本更高。为了实现这一目标，已经开发了许多策略，这其中就包括数据驱动的策略。由于其在分类和回归任务方面的显著潜力，文献Q.Hou,E.Du,N.Zhang and C.Kang.(2020)“Impact of High Renewable Penetration on the Power System OperationMode:A DataDrivenApproach.”,IEEE Transactions on Power Systems 35.1(2020):731-741.和文献JIA Tianxia,GU Zhuoyuan.(2018)“Data-driven Research Method ForPower System Stability Detection.”,2018International Conference on PowerSystem Technology POWERCON(2018):3061-3069.提出了一种基于数据驱动方法的数据驱动风险评估技术。由于数据驱动的方法可以很好的挖掘出系统数据和LC之间的非线性回归关系，因此可以很好地减少计算的工作量。

利用样本数据作为输入，并输入到网络结构中，通过深度学习训练模型。在此过程中，神经元之间通常使用矩阵操作；对于矩阵操作，卷积神经网络是一种擅长处理矩阵数据的网络结构。卷积神经网络已被用于分析带电力系统分析。以往的卷积神经网络通过将系统状态数据分为成功状态和失败状态(即未产生LC，产生了LC)，计算风险评估指标，实现系统故障诊断，但无法预测具体的LC。现有文献中虽然也使用了卷积神经网络，但忽略了分支路上的信息。虽然在文献Md.Kamruzzaman,Narayan Bhusal,Mohammed Benidris.(2021)“Aconvolutional neural network-based approach to composite power systemreliability evaluation.”,International Journal ofElectrical PowerEnergySystems 135(2021):107468.中使用一维卷积神经网络完成了LC预测，但没有考虑到高低风险系统的状态。