一种电力系统输电断面极限概率评估方法及电子设备

摘要

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ξd中；根据深度不确定性神经网络模型ξd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。

说明书

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

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

(1-1-1)电网拓扑结构特征向量x

其中，

(1-1-2)电网潮流状态特征向量x

其中，

(1-2)对x

(1-2-1)对于第f个电网潮流状态特征量，针对所有样本计算平均绝对误差

其中，N为电网运行状态的样本数量，

(1-2-2)对

(1-2-3)基于(1-2-1)中的样本平均绝对误差计算和(1-2-2)中的标准化方法，对于第i个电网运行状态，得到标准化后电网潮流状态向量

(1-2-4)将步骤(1-1-1)中的电网潮流状态特征向量与步骤(1-2-3)中的标准化后电网潮流状态向量合并，形成标准化后的输入特征数据x′＝(x

优选的，所述深度不确定性神经网络模型ξ

(2-1)构建深度神经网络模型ξ

(2-2)构建深度不确定性神经网络模型ξ

(2-3)构建深度不确定性神经网络ξ

(2-4)构建深度不确定性神经网络ξ

(2-5)构建深度不确定性神经网络ξ

(2-6)构建深度不确定性神经网络ξ

(3)训练深度不确定性神经网络ξ

优选的，所述模式层包括1个模式向量层和1个模式输出层，模式向量层连接在最后一个隐含层h

模式输出层连接在模式向量层之后，模式输出层的神经元个数为p，每个模式向量对应一个模式输出神经元；记最后一个隐含层输出的向量为f，第i个模式的第k个模式向量记作

其中σ是平滑指数。

优选的，深度不确定性神经网络模型ξ

优选的，深度不确定性神经网络模型ξ

优选的，深度不确定性神经网络模型ξ

y＝[p(TTC∈[I

优选的，深度不确定性神经网络模型中参数的训练方法包括如下步骤：

(3-1)待训练的参数集为B，包括：

a、输入层神经元和第一个隐含层神经元之间的连接权重w

b、s个隐含层中的从输入层开始的第j层神经元与第j+1层神经元之间的连接权重w

c、最后一个隐含层神经元，即第s+1层与模式层神经元之间的连接权重w

(3-2)设定损失函数如下：

其中，对于第k个样本，x

(3-3)利用深度神经网络模型训练方法，对步骤(2)的深度不确定性神经网络ξ

(3-4)根据步骤(3-3)中的网络参数，得到一个深度不确定性神经网络模型ξ

本发明还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于神经网络的电力系统输电断面极限概率评估方法的步骤。

本发明还提供了一种介质，所述介质存储有计算机程序，所述计算机程序被处理器执行时能够实现如所述的基于神经网络的电力系统输电断面极限概率评估方法。

本发明考虑了调度员难以基于输电断面的单个TTC预测值进行风险决策的问题，提出了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及装置，具有如下有益效果：

基于电力系统大数据，建立数据驱动的深度不确定性神经网络模型，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。

本发明方法可以应用于电力系统安全评估领域中，提高安全评估的准确性和鲁棒性。

本发明方法为电力系统运行调度人员提供了更加丰富的预测信息与决策依据，提高了电力系统调度的安全性。

本发明的具体技术方案及其有益效果将会在下面的具体实施方式中进行详细的说明。

附图说明

下面结合附图和具体实施方式对本发明作进一步描述：

图1为本发明一种电力系统输电断面极限概率评估方法的流程图。

具体实施方式

下面将结合本发明实施例对本发明技术方案进行清楚、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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。

实施例一

本实施例一提出的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，包括以下步骤：

(1)确定电力系统安全预警模型的输入特征数据x以及给定输电断面的极限传输容量TTC，其中输电断面由运行方式人员人工给定。

具体步骤如下：

(1-1)从电力系统监控装置中采集电力系统特征数据，构成用于电力系统安全预警的深度神经网络模型的输入特征x＝[x

(1-1-1)电网拓扑结构特征向量x

其中，

(1-1-2)电网潮流状态特征向量x

其中，

(1-2)为避免对度量单位的依赖，需要对x

(1-2-1)对于第f个电网潮流状态特征量，针对所有样本计算平均绝对误差

其中，N为电网运行状态的样本数量，

(1-2-2)对

(1-2-3)基于(1-2-1)中的样本平均绝对误差计算和(1-2-2)中的标准化方法，对于第i个电网运行状态，得到标准化后电网潮流状态向量

(1-2-4)将步骤(1-1-1)中的电网潮流状态特征向量与步骤(1-2-3)中的标准化后电网潮流状态向量合并，形成标准化后的输入特征向量x′＝(x

(1-3)使用仿真工具计算得到第i个电网运行状态对应的断面TTC值P

(1-4)形成第i个电网运行状态对应的样本(P

(2)构建一个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ξ

(2-1)构建深度神经网络模型ξ

将经过步骤(1-2)预处理后的特征数据x′＝(x

(2-2)构建深度不确定性神经网络模型ξ

深度不确定性神经网络模型ξ

(2-3)构建深度不确定性神经网络ξ

(2-3-1)构建深度不确定性神经网络ξ

深度不确定性神经网络模型ξ

(2-3-2)构建深度不确定性神经网络ξ

深度不确定性神经网络模型ξ

其中σ是平滑指数，由人为指定，在本专利中取值为0.5。

(2-4)构建深度不确定性神经网络ξ

深度不确定性神经网络模型ξ

其中权重ω

(2-5)构建深度不确定性神经网络ξ

深度不确定性神经网络模型ξ

(2-6)构建深度不确定性神经网络ξ

深度不确定性神经网络模型ξ

y＝[p(TTC∈[I

(3)训练深度不确定性神经网络ξ

(3-1)待训练的参数集为B，其具体包括：

a、输入层神经元和第一个隐含层神经元之间的连接权重w

b、s个隐含层中的从输入层开始的第j层神经元与第j+1层神经元之间的连接权重w

c、最后一个隐含层神经元，即第s+1层与模式层神经元之间的连接权重w

(3-2)设定损失函数如下：

其中，对于第k个样本，x

(3-3)利用深度神经网络模型训练方法，对步骤(2)的深度不确定性神经网络ξ

(3-4)根据步骤(3-3)中的网络参数，得到一个深度不确定性神经网络模型ξ

(4)从电力系统监控装置采集电力系统当前运行状态，并按(1-1)中的方式形成特征向量，利用步骤(1-2)中的数据预处理方法，对电力系统特征向量进行预处理，得到用于输入网络的特征数据，将该特征数据输入到步骤(3)的深度不确定性神经网络模型ξ

本发明提出的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，其优点是，本发明方法中采用了深度神经网络模型，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。本发明方法考虑了调度员难以基于输电断面的单个TTC预测值进行风险决策的问题，引入了考虑不确定性的深度学习方法对输电断面TTC进行概率评估，弥补了这一缺陷，为调度员提供了更加丰富的预测信息与决策依据。本发明方法可以应用于电力系统安全评估领域中，提高安全评估的准确性和鲁棒性，为电力系统运行调度人员提供调度依据，提高了电力系统调度的安全性。

实施例二

一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例一所述的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。

本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、PDA(个人数字助理)、PAD(平板电脑)等的移动终端以及诸如台式计算机等的固定终端。

电子设备可以包括处理装置(例如中央处理器)，其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。

通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标等的输入装置；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。

承载在计算机可读介质上的计算机程序，包含用于执行所述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、系统或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、系统或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行装置、系统或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、步骤Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。