新能源消纳受阻影响因素重要性的评估方法、介质及系统

摘要

本发明公开一种新能源消纳受阻影响因素重要性的评估方法、介质及系统，包括：获取包含当地新能源消纳受阻影响因素和新能源断面受阻量的训练样本；建立影响因素和新能源断面受阻量之间的XGBoost预测模型；以训练样本中的影响因素为输入量，训练样本中的新能源断面受阻量作为输出量，训练XGBoost预测模型；获取训练后的XGBoost预测模型的每种影响因素的中间参数；根据每种影响因素的中间参数，计算每种影响因素的重要性综合指标；按照每种影响因素的重要性综合指标从大到小的顺序，将影响因素排序，以评估影响因素的重要性。本发明通过训练XGBoost预测模型得到中间变量以得到重要性综合指标来评估影响因素的重要性。

说明书

技术领域

本发明涉及新能源消纳技术领域，尤其涉及一种新能源消纳受阻影响因素重要性的评估方法、介质及系统。

背景技术

随着新能源的快速发展、装机容量不断增加，加剧了电网运行方式的不确定性以及多样性，调度运行人员无法准确挖掘新能源送出断面的功率传输潜力，只能采取过于保守的运行限制，从而造成断面输送能力的大量浪费以及不必要的新能源切机或受限。风、光等新能源出力具有随机性和波动性，大规模消纳一直是世界性难题。随着新能源大规模开发，局部地区消纳矛盾逐渐凸显，出现了弃风、弃光问题。探究新能源消纳问题的根源，可发现新能源装机分布不均衡，与负荷呈逆向分布，导致新能源送出往往需要经过长距离、链式接力的输电通道，然而，新能源高渗透跨地区的跨区外送输电能力非常有限，例如一些地区新能源外送消纳主要受到输送断面的影响。

传统的依赖于人工选取典型运行方式计算断面限额的方式，难以满足现代电力系统对于提升新能源消纳能力和安全稳定运行的要求。首先，在传统运行管理模式中，关键断面一般是由电网运行方式专家在长期电网运行经验积累的基础上根据对电网的离线分析人工选择而得到。在此基础上，运行人员基于一些典型和极端的电网运行方式，通过离线仿真的方法，计算得到断面极限传输容量，对其进行整理和存储，形成电网安全运行知识库来指导电网安全、稳定和经济运行。然而，这种传统的利用人工经验发现的关键断面通常只反映极端运行方式下电网的薄弱环节，对在线运行方式变化的适应性不强。其次，通道输送能力受到电网暂态约束、稳态约束等多方面系统情况影响。在输送通道容量充足情况下，实际输送功率则会受到电源发电能力、受端电网接纳能力、电力交易开展情况等多方面因素的影响。随着电网大规模新能源的接入和跨区域新能源现货市场的开展，不确定性因素对输电能力的影响越来越大，有必要针对新能源外送能力影响因素及其相关性指标计算方法进行研究，采用合适的方法对电网海量的特征进行智能筛选。

发明内容

本发明实施例提供一种新能源消纳受阻影响因素重要性的评估方法、介质及系统，以解决现有技术缺少对新能源消纳受阻影响因素重要性进行有效评估的问题。

第一方面，提供一种新能源消纳受阻影响因素重要性的评估方法，包括：

获取包含当地新能源消纳受阻影响因素和新能源断面受阻量的训练样本；

建立所述影响因素和所述新能源断面受阻量之间的XGBoost预测模型；

以所述训练样本中的所述影响因素为输入量，所述训练样本中的所述新能源断面受阻量作为输出量，训练所述XGBoost预测模型；

获取训练后的所述XGBoost预测模型的每种所述影响因素的中间参数；

根据每种所述影响因素的中间参数，计算每种所述影响因素的重要性综合指标；

按照每种所述影响因素的重要性综合指标从大到小的顺序，将所述影响因素排序，以评估所述影响因素的重要性。

第二方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述第一方面实施例所述的新能源消纳受阻影响因素重要性的评估方法。

第三方面，提供一种新能源消纳受阻影响因素重要性的评估系统，包括：如上述第二方面实施例所述的计算机可读存储介质。

第四方面，提供一种新能源消纳受阻影响因素重要性的评估系统，包括：

第一获取模块，用于获取包含当地新能源消纳受阻影响因素和新能源断面受阻量的训练样本；

模型建立模块，用于建立所述影响因素和所述新能源断面受阻量之间的XGBoost预测模型；

模型训练模块，用于以所述训练样本中的所述影响因素为输入量，所述训练样本中的所述新能源断面受阻量作为输出量，训练所述XGBoost预测模型；

第二获取模块，用于获取训练后的所述XGBoost预测模型的每种所述影响因素的中间参数；

指标计算模块，用于根据每种所述影响因素的中间参数，计算每种所述影响因素的重要性综合指标；

排序评估模块，用于按照每种所述影响因素的重要性综合指标从大到小的顺序，将所述影响因素排序，以评估所述影响因素的重要性。

这样，本发明实施例，能够通过训练XGBoost预测模型得到中间变量，并通过中间变量确定重要性综合指标以准确评估新能源消纳受阻影响因素的重要性，以便为新能源消纳、提高断面利用效率提供技术支持。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的新能源消纳受阻影响因素重要性的评估方法的流程图；

图2是本发明实施例的新能源消纳受阻影响因素分类示意图；

图3是本发明一具体应用例的某实际系统受阻分层图；

图4是本发明一具体应用例的影响因素重要性排序结果示意图；

图5是本发明一具体对比例的忽略750kV主变输送断面影响的影响因素重要性排序结果示意图；

图6是本发明一具体对比例的忽略传输断面受阻电力影响的影响因素重要性排序结果示意图；

图7是本发明实施例的新能源消纳受阻影响因素重要性的评估系统的结构框图。

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作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种新能源消纳受阻影响因素重要性的评估方法。如图1所示，该方法包括如下的步骤：

步骤S101：获取包含当地新能源消纳受阻影响因素和新能源断面受阻量的训练样本。

新能源比例较高的区域电网形成了长链、多阶段的输电通道。级联传输断面在运行期间相互耦合，之间存在较强的钳制效应，即存在较强的负相关性。整个传输通道中传输断面较多，运行模式组合较多，控制策略复杂。随着新能源接入规模的不断扩大以及特高压交流和直流输电通道的不断建设和投入运行，长距离、连锁输电通道断面的运行特性越来越复杂，长距离级联输电通道断面存在不确定场景。新能源输送的复杂性以及级联传输通道的时空协调困难，使得新能源消纳问题愈加严峻。一般来说，新能源消纳受阻因素可分为两类，即新能源场站内受阻和新能源场站外受阻。如图2所示，新能源场站内受阻包括新能源机组的缺陷和故障，新能源场站外受阻包括断面受阻和调峰受阻。

新能源场站内受阻是指新能源场站发电、传输和转换设备的故障、维护和中断造成的电力损失。场内弃电量的大小是衡量新能源发电企业经营管理水平的重要指标，如果场内弃电量较大，说明新能源发电公司及其电站的设备运维管理水平有待提高，场内弃电一般包括以下原因：

(1)风电场/光伏发电厂(包括输电线路)设备的缺陷、维护期间的故障和停电、未能连接到电网发电导致的电力中断。

(2)并网站技术条件不符合相关标准要求，处于整改期。

(3)根据相关法律、法规，确定厂站违反调度纪律，处于整改期。

(4)电站以临时方案连接到电力系统，未经电网批准。

新能源场站外受阻是指由于电网通道传输容量不足、调峰容量不足和电网故障导致的电力损失。场外弃电一般包括以下原因：

(1)电网通道输送能力不足而造成电力损失。

(2)市场消纳能力不足而造成电力损失。

(3)电网故障和紧急维修造成电力损失。

(4)电网公司的其他未解决问题而造成电力损失。

因此，基于大数据技术，对当地外送通道数据进行分析，从新能源场站内和场站外两个角度得到影响当地新能源外送受阻的因素。例如，通过分析当地某省级电网的实测数据，归纳得到新能源消纳受阻影响因素。

考虑到场内受阻因素与具体新能源场站运营商的经营策略相关，本发明实施例主要分析场外受阻因素，将影响因素分为调峰受阻、传输受阻和整体因素三类，如表1所示。

表1当地新能源消纳受阻影响因素

对于新能源断面受阻量，一般的，由于整体调峰受阻和整体断面受阻与新能源弃电直接相关，因此将整体调峰受阻、整体断面受阻、整体弃风和整体弃光作为新能源断面受阻量。

上述的训练样本数据可以每隔预设时间采集一次。

步骤S102：建立影响因素和新能源断面受阻量之间的XGBoost预测模型。

XGBoost(eXtreme Gradient Boosting)是一种基于梯度提升决策树(GradientBoosting Decision Tree)的集成学习方法，训练时采用前向分布算法进行贪婪学习，每次迭代都拟合之前k-1棵树的预测结果和训练样本真实值的残差，XGBoost预测模型的损失函数进行了二阶展开，使得模型更准确，还引入了正则项避免过拟合，XGBoost预测模型构造方法如下：

其中，

预测模型中新生成的树拟合之前预测模型预测的残差，迭代公式如下所示：

XGBoost预测模型中加入了正则项，为防止模型过拟合，对XGBoost预测模型进行训练的目标函数为：

其中，L表示目标函数；

模型通过加法学习的方式进行训练，将目标的优化转化成以下迭代格式：

为了求得最小化目标函数L

其中，

其中，I

则可以得到对于特定树结构的目标函数值计算公式如下：

步骤S103：以训练样本中的影响因素为输入量，训练样本中的新能源断面受阻量作为输出量，训练XGBoost预测模型。

计算通过XGBoost预测模型输出的每一断面受阻量与训练样本包含的对应的实际的每一断面受阻量的差，得到每一断面受阻量的误差，然后，将计算输出的所有的断面受阻量的误差平方和，作为评判值。若该评判值小于预设阈值，则训练完毕，得到训练后的XGBoost预测模型；否则继续训练，直到满足上述要求。

步骤S104：获取训练后的XGBoost预测模型的每种影响因素的中间参数。

训练后的XGBoost预测模型的各个中间参数确定，这些中间参数包括：影响因素在训练后的XGBoost预测模型中用于划分的集合，影响因素在训练后的XGBoost预测模型中每次用于划分时的增益，以及，影响因素在在训练后的XGBoost预测模型中每次用于划分时覆盖的训练样本数量。

步骤S105：根据每种影响因素的中间参数，计算每种影响因素的重要性综合指标。

XGBoost在模型建立过程中需要进行特征(即影响因素)划分，一般来说，越接近树根的特征越重要，本发明实施例确定三个重要性度量指标，分别为影响因素的划分次数、影响因素的平均增益、影响因素的平均覆盖量。基于这三个重要性度量指标，本发明实施例对其进行综合考虑，充分考虑训练样本数量的影响以及每种重要性度量指标的影响程度，提出了重要性综合指标，通过重要性综合指标来评估影响因素的重要性，使得评估结果更加准确。

具体的，重要性综合指标的计算式为：

S＝A

其中，W

第一预设系数、第二预设系数和第三预设系数可根据经验确定。在本发明一具体实施例中，第一预设系数为0.8，第二预设系数为0.1，第三预设系数为0.1。

具体的，第i个影响因素的划分次数的计算式为：

W

其中，F

具体的，第i个影响因素的平均增益的计算式为：

其中，G

具体的，第i个影响因素的平均覆盖量的计算式为：

其中，C

步骤S106：按照每种影响因素的重要性综合指标从大到小的顺序，将影响因素排序，以评估影响因素的重要性。

重要性综合指标的值越大，影响因素的重要性越高。

通过本发明实施例的方法，准确评估影响因素的重要性，可以有针对性地对比较重要的影响因素进行改造，例如，提升该影响因素相应的容量等等。

本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述实施例所述的新能源消纳受阻影响因素重要性的评估方法。

本发明实施例还公开了一种新能源消纳受阻影响因素重要性的评估系统，包括：如上述实施例所述的计算机可读存储介质。

本发明实施例还公开了一种新能源消纳受阻影响因素重要性的评估系统。如图7所示，该系统包括如下的模块：

第一获取模块701，用于获取包含当地新能源消纳受阻影响因素和新能源断面受阻量的训练样本。

模型建立模块702，用于建立影响因素和新能源断面受阻量之间的XGBoost预测模型。

模型训练模块703，用于以训练样本中的影响因素为输入量，训练样本中的新能源断面受阻量作为输出量，训练XGBoost预测模型。

第二获取模块704，用于获取训练后的XGBoost预测模型的每种影响因素的中间参数。

具体的，中间参数包括：影响因素在训练后的XGBoost预测模型中用于划分的集合，影响因素在训练后的XGBoost预测模型中每次用于划分时的增益，以及，影响因素在在训练后的XGBoost预测模型中每次用于划分时覆盖的训练样本数量。

指标计算模块705，用于根据每种影响因素的中间参数，计算每种影响因素的重要性综合指标。

具体的，重要性综合指标的计算式为：

S＝A

其中，W

具体的，第一预设系数为0.8，第二预设系数为0.1，第三预设系数为0.1。

具体的，第i个影响因素的划分次数的计算式为：

W

其中，F

具体的，第i个影响因素的平均增益的计算式为：

其中，G

具体的，第i个影响因素的平均覆盖量的计算式为：

其中，C

排序评估模块706，用于按照每种影响因素的重要性综合指标从大到小的顺序，将影响因素排序，以评估影响因素的重要性。

下面以一具体应用例对本发明的技术方案做进一步说明。

以某地电网某年实际运行数据为测试案例，采样时间间隔为15分钟，共有62个关于有功功率测量的时序数据集，包括20个110kV风电汇集线输送有功功率时序数据集；15个330kV送出线输送有功功率时序数据集；4个750kV主变输送有功功率时序数据集；6个传输断面输送有功功率时序数据集；5个传输断面受阻电力时序数据集；3个直流输电线路输送有功功率时序数据集；9个整体因素数据集(包括整体调峰受阻、整体断面受阻、整体弃风、弃光等)。由于整体调峰受阻和整体断面受阻与新能源弃电直接相关，因此将整体调峰受阻、整体断面受阻、整体弃风和整体弃光作为XGBoost预测模型的输出变量，剩下的58个影响因素作为模型的输入变量。如图3所示，为该地区实际系统受阻分层图，图中给出了所选影响因素的有功功率量测数据集对应的具体位置，涉及110kV、330kV和750kV三级受阻断面，其中L110、L330、T750、TS分别表示110kV风电汇集线、330kV送出线、750kV主变压器、传输断面。

对于建立的新能源消纳受阻影响因素和断面受阻量之间的XGBoost预测模型，选取的影响因素个数为58，对输入的数据进行了归一化，输出包含4个受阻电力，将误差平方和作为误差函数，树的数量为50，数据集中训练集和测试集的划分如表2所示。

表2训练集和测试集的设置

通过XGBoost预测模型，可以得到如图4所示影响因素的排序结果，可以看出330kV线路输送功率对受阻电力的特征划分次数得分明显大于110kV线路，排序在更前的位置，也就说明受阻电力与330kV线路输送情况关系更强，为关键因素。

为对比在忽略不同类型影响因素对模型排序结果的影响，设置对比例，图5和图6分别为忽略750kV主变输送断面影响和忽略传输断面受阻电力影响得到的影响因素重要度排序结果。通过图5与图4结果的对比，可以发现传输断面受阻电力影响因素排序偏差较大；图6与图4结果对比，750kV主变输送影响变化不大，但对于330kV线路输送功率影响因素排序结果相差较大，可以说明忽略部分影响因素会对整体的排序结果有较大影响，合理划分影响因素集合至关重要，按照图3分级划分影响因素具有较好效果。

综上，本发明实施例，能够通过训练XGBoost预测模型得到中间变量，并通过中间变量确定重要性综合指标以准确评估新能源消纳受阻影响因素的重要性，以便为新能源消纳、提高断面利用效率提供技术支持。

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，本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。