基于概率預(yù)測的電網(wǎng)靜態(tài)安全運(yùn)行風(fēng)險(xiǎn)評估及主動(dòng)調(diào)控策略

　　摘要：近年來，隨著電網(wǎng)互聯(lián)層級和規(guī)模的高速發(fā)展以及新能源、電力電子設(shè)備的大規(guī)模接入，電力系統(tǒng)的不確定性和調(diào)控需求都在持續(xù)增加。為解決當(dāng)前電網(wǎng)調(diào)度控制方式基于聯(lián)絡(luò)線越限等經(jīng)驗(yàn)特征量異常觸發(fā)、缺乏主動(dòng)性和預(yù)見性調(diào)控手段的問題，提出了一種基于概率預(yù)測的電網(wǎng)安全運(yùn)行風(fēng)險(xiǎn)評估及主動(dòng)調(diào)控方法。首先，構(gòu)建了基于長短期記憶網(wǎng)絡(luò)和支持向量機(jī)的滾動(dòng)概率預(yù)測模型。然后，從充裕度的角度建立了常見風(fēng)險(xiǎn)事件的嚴(yán)重度函數(shù)，從而實(shí)現(xiàn)對關(guān)鍵元件的越限概率預(yù)測，并計(jì)算得到量化風(fēng)險(xiǎn)以形成觸發(fā)機(jī)制，實(shí)現(xiàn)電力系統(tǒng)面對風(fēng)險(xiǎn)事件的主動(dòng)調(diào)控。最后，在IEEE39節(jié)點(diǎn)系統(tǒng)上結(jié)合中國某省電網(wǎng)的實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行仿真，計(jì)算結(jié)果驗(yàn)證了所提方法和模型能夠?qū)崿F(xiàn)提前主動(dòng)調(diào)控，有效規(guī)避安全運(yùn)行風(fēng)險(xiǎn)。

　　關(guān)鍵詞：概率預(yù)測;風(fēng)險(xiǎn)預(yù)警;主動(dòng)調(diào)控;長短期記憶網(wǎng)絡(luò);支持向量機(jī);時(shí)序預(yù)測;機(jī)器學(xué)習(xí);數(shù)據(jù)驅(qū)動(dòng)

　　0引言

　　隨著特高壓交直流混聯(lián)大電網(wǎng)和可再生能源的快速發(fā)展，新能源出力特性給電網(wǎng)帶來的影響和挑戰(zhàn)日益加劇[1]，電力系統(tǒng)特性發(fā)生了深刻變化。電網(wǎng)運(yùn)行全局監(jiān)視、全網(wǎng)防控、集中決策的需求日益突出[2]，研究電網(wǎng)主動(dòng)調(diào)度控制(以下簡稱“調(diào)控”)策略是提升調(diào)控水平、促進(jìn)經(jīng)驗(yàn)型調(diào)控向分析型和智能型轉(zhuǎn)變的重要手段[3]。一般來說，面對源荷雙重不確定性，現(xiàn)有調(diào)控方式仍主要停留在被動(dòng)控制階段[4-5]，即等需要調(diào)控的場景或故障到來之后再制定策略并實(shí)施。然而，此控制方式往往會錯(cuò)過最佳的預(yù)先調(diào)控時(shí)間，無法充分利用調(diào)控時(shí)間常數(shù)較大的資源，使得電網(wǎng)安全處于被動(dòng)位置[6]。

　　考慮現(xiàn)有調(diào)控方式所缺乏的主動(dòng)性，若能在調(diào)控場景到來之前對其進(jìn)行預(yù)測[7-9]，提前制定策略，便可為系統(tǒng)調(diào)節(jié)爭取更多的資源以及準(zhǔn)備時(shí)間[10]。目前，這方面的研究主要集中在態(tài)勢感知[6-11]、暫態(tài)穩(wěn)定評估[12-14]等方面，其評估結(jié)果往往是未來電力系統(tǒng)所屬的狀態(tài)類型[15]。然而一般情況下，僅有類型信息難以反映場景的危急程度，無法幫助調(diào)度運(yùn)行人員準(zhǔn)確判斷局勢，導(dǎo)致類別信息起不到理想作用，工作人員依然需要憑自身經(jīng)驗(yàn)重新判斷并制定策略。于是，許多學(xué)者開始進(jìn)行風(fēng)險(xiǎn)預(yù)警研究，以此來輔助調(diào)度人員進(jìn)行更精確的決策。

　　目前，風(fēng)險(xiǎn)評估在電力領(lǐng)域的研究主要集中于概念建立及必要性分析[16-17]、風(fēng)險(xiǎn)指標(biāo)改進(jìn)[18-22]、以及基于風(fēng)險(xiǎn)的調(diào)度決策[23-26]等方面。其通常采用可能性與可靠性并重的模式，其中對可靠性的研究主要集中于嚴(yán)重度建模方面，文獻(xiàn)[19]較早提出了風(fēng)險(xiǎn)評估的相關(guān)概念，并建立線路過載、電壓越限等事件的風(fēng)險(xiǎn)評估指標(biāo);文獻(xiàn)[20-21]進(jìn)一步加入設(shè)備重載、失負(fù)荷等指標(biāo)，豐富了評估體系。上述研究雖然對嚴(yán)重度進(jìn)行了建模，但隨著大量新能源及電力電子設(shè)備的接入，系統(tǒng)動(dòng)態(tài)特性愈加復(fù)雜，這類基于確定性假設(shè)和模型驅(qū)動(dòng)的風(fēng)險(xiǎn)評估方法已較難準(zhǔn)確估計(jì)系統(tǒng)真實(shí)風(fēng)險(xiǎn)。

　　于是，基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)險(xiǎn)評估方法近年來受到了廣泛關(guān)注[27-32]，但其中大部分仍主要針對數(shù)據(jù)驅(qū)動(dòng)方式下的指標(biāo)改進(jìn)[27]且基于確定性故障進(jìn)行假設(shè)[28]，未涉及各類可能事件的概率獲取方法[29-30]。僅有少量研究將場景概率與風(fēng)險(xiǎn)評估相結(jié)合[31-32]，如文獻(xiàn)[31]采用生成對抗網(wǎng)絡(luò)來考慮系統(tǒng)各可能事件的概率及對應(yīng)后果，實(shí)現(xiàn)配電網(wǎng)運(yùn)行風(fēng)險(xiǎn)分級;文獻(xiàn)[32]基于迭代隨機(jī)森林，利用實(shí)時(shí)數(shù)據(jù)對系統(tǒng)風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)評估，具有良好的魯棒性。但上述研究仍局限于對系統(tǒng)當(dāng)前狀態(tài)的評估，沒有量度未來場景下的風(fēng)險(xiǎn)，也未利用安全風(fēng)險(xiǎn)評估結(jié)果指導(dǎo)調(diào)控。

　　因此，本文基于電網(wǎng)中關(guān)鍵變量的時(shí)序預(yù)測信 息，沿用文獻(xiàn)[19]提出的電壓、潮流等風(fēng)險(xiǎn)指標(biāo)，并加入對變壓器越限事件的考慮，構(gòu)建典型場景的概率預(yù)測模型，輸出關(guān)鍵元件在未來時(shí)刻的越限概率，計(jì)算系統(tǒng)安全風(fēng)險(xiǎn)，從而輔助調(diào)度運(yùn)行人員提前進(jìn)行系統(tǒng)調(diào)控，增強(qiáng)電網(wǎng)安全運(yùn)行主動(dòng)性。

　　1基于時(shí)序預(yù)測及支持向量機(jī)(SVM)的概率預(yù)測模型

　　本文所提出的安全風(fēng)險(xiǎn)評價(jià)模型的評估對象為系統(tǒng)未來的運(yùn)行狀態(tài)，需要滾動(dòng)地對系統(tǒng)關(guān)鍵變量(如新能源發(fā)電、負(fù)荷功率等)進(jìn)行超短期時(shí)序預(yù)測，并將其作為目標(biāo)場景(指線路過載、電壓越限等)概率預(yù)測模型的輸入，從而得到系統(tǒng)未來各假設(shè)場景的概率結(jié)果，作為安全風(fēng)險(xiǎn)評價(jià)模型的輸入，并最終集成為系統(tǒng)量化風(fēng)險(xiǎn)值，從而指導(dǎo)主動(dòng)調(diào)控。本文采用長短期記憶網(wǎng)絡(luò)(LSTM)對系統(tǒng)關(guān)鍵變量進(jìn)行超短期時(shí)序預(yù)測[33]，作為場景概率預(yù)測模型的基礎(chǔ)。

　　1.1SVM原理介紹

　　SVM在電力系統(tǒng)中應(yīng)用廣泛，在暫態(tài)穩(wěn)定評估、變壓器故障診斷等方面都展現(xiàn)出了較好的預(yù)測性能，具有訓(xùn)練樣本少、泛化能力強(qiáng)等特點(diǎn)[34-35]。同時(shí)，對于一個(gè)任意的樣本x，SVM可以獲取其與分類超平面的距離，從而定義分類結(jié)果的置信程度，具有概率意義[36]。因此，本文采用SVM對特定場景的未來狀態(tài)進(jìn)行預(yù)測。

　　1.2SVM多分類概率輸出

　　實(shí)際上，電力系統(tǒng)中存在的絕大多數(shù)預(yù)測問題屬于多分類問題，二分類模型通常難以表示系統(tǒng)元件或者態(tài)勢的完整狀態(tài)[28]，如一條線路在其負(fù)載率超過重載閾值之后便屬于重載線路，但重載的嚴(yán)重程度卻無法表述出來。通常期望獲取的不僅僅是變量的二分類信息，而是變量處于某個(gè)范圍或者超出某個(gè)閾值多少之類的信息。因此，本文將電力系統(tǒng)目標(biāo)場景分類模型擴(kuò)展至多分類模型，同時(shí)計(jì)算各假設(shè)場景的多分類概率輸出作為安全風(fēng)險(xiǎn)評估模型的輸入，為調(diào)度運(yùn)行人員提供全面精準(zhǔn)的輔助信息。

　　2考慮風(fēng)險(xiǎn)評估的電網(wǎng)主動(dòng)調(diào)控模型

　　風(fēng)險(xiǎn)評估的意義在于將以往只能定性分析或根據(jù)運(yùn)行經(jīng)驗(yàn)判斷的電網(wǎng)場景和事件予以量化，從而更加明了地評估風(fēng)險(xiǎn)大小。本章依據(jù)上文介紹的概率預(yù)測方法，構(gòu)建考慮關(guān)鍵對象越限概率的風(fēng)險(xiǎn)量化指標(biāo)，作為電網(wǎng)主動(dòng)調(diào)控的觸發(fā)指令。

　　綜上所述，優(yōu)化調(diào)度模型的實(shí)質(zhì)是以機(jī)組發(fā)電量及負(fù)荷調(diào)整量為決策變量的二次規(guī)劃模型，通過基于LSTM-SVM的概率預(yù)測模型得出下一時(shí)刻目標(biāo)事件的發(fā)生概率，經(jīng)由風(fēng)險(xiǎn)評估模型定量計(jì)算并判斷該風(fēng)險(xiǎn)能否接受，并以此觸發(fā)主動(dòng)調(diào)控手段，合理避免電網(wǎng)運(yùn)行過程中重大風(fēng)險(xiǎn)事故的出現(xiàn)。

　　在計(jì)算用時(shí)方面，由于關(guān)鍵變量的時(shí)序預(yù)測模型及關(guān)鍵對象的概率預(yù)測模型均為離線構(gòu)建，故模型在線計(jì)算的耗時(shí)主要集中于優(yōu)化策略的制定部分。針對本文提前式的靜態(tài)預(yù)防控制場景，利用模型預(yù)測所帶來的緩沖處理時(shí)間(與預(yù)測時(shí)間尺度相同)，優(yōu)化程序可獲得較長時(shí)間制定策略，因而在計(jì)算時(shí)間方面較為充裕，可滿足在線主動(dòng)控制的尺度要求。當(dāng)系統(tǒng)規(guī)模擴(kuò)大時(shí)，也可通過調(diào)節(jié)預(yù)測時(shí)間尺度進(jìn)一步獲取更長的處理時(shí)間。

　　3算例分析

　　為驗(yàn)證所提方法的有效性，本文采用IEEE39節(jié)點(diǎn)標(biāo)準(zhǔn)系統(tǒng)結(jié)合中國某省網(wǎng)負(fù)荷實(shí)際數(shù)據(jù)進(jìn)行算例測試。

　　3.1模型樣本制作

　　利用從中國某省網(wǎng)收集的實(shí)際負(fù)荷數(shù)據(jù)作為波動(dòng)源，接入標(biāo)準(zhǔn)系統(tǒng)中，可產(chǎn)生線路潮流、節(jié)點(diǎn)電壓和變壓器負(fù)載波動(dòng)數(shù)據(jù)，生成線路過載、電壓越限、變壓器過載等場景數(shù)據(jù)，從而得到時(shí)序預(yù)測模型及概率預(yù)測模型的訓(xùn)練及測試樣本。

　　本文選取時(shí)間跨度360d、間隔5min的負(fù)荷數(shù)據(jù)，作為潮流斷面樣本生成的輸入，共計(jì)生成103678個(gè)時(shí)間斷面的潮流樣本，該數(shù)據(jù)樣本充分考慮了來自波動(dòng)源的一年內(nèi)的所有波動(dòng)模式，包含單線路過載、多線路過載、單節(jié)點(diǎn)電壓越限、多節(jié)點(diǎn)電壓越限，以及上述過載事件并存的多重越限場景�；�于潮流樣本數(shù)據(jù)，計(jì)算得到系統(tǒng)歷史嚴(yán)重度數(shù)值序列，并通過基于相關(guān)性分析的特征選擇方法篩選了15個(gè)關(guān)鍵變量。

　　本文為這15個(gè)關(guān)鍵變量構(gòu)建了時(shí)序預(yù)測模型(共計(jì)13個(gè)，包含2個(gè)不需要預(yù)測的時(shí)間和季度特征)。與此同時(shí)，依據(jù)在歷史上是否出現(xiàn)過越限事件，可篩選出部分關(guān)鍵線路、關(guān)鍵電壓節(jié)點(diǎn)以及變壓器支路，并為每一個(gè)對象構(gòu)建一個(gè)概率預(yù)測模型(共計(jì)21個(gè))，用于對未來時(shí)刻的系統(tǒng)安全風(fēng)險(xiǎn)進(jìn)行評價(jià)。

　　3.2時(shí)序預(yù)測模型構(gòu)建

　　在時(shí)序預(yù)測模型構(gòu)建過程中，選取70%的樣本進(jìn)行模型的構(gòu)建和選擇，剩余30%的樣本作為時(shí)序預(yù)測模型的測試集。需要說明的是，時(shí)序預(yù)測模型在測試集上的輸出疊加時(shí)間特性取值之后，將作為概率預(yù)測模型的測試輸入，而其余30%樣本(原測試數(shù)據(jù)集)將不會作為概率預(yù)測模型的測試數(shù)據(jù)，為了區(qū)分，先前預(yù)留的30%樣本稱為測試集，而利用時(shí)序預(yù)測模型得到的數(shù)據(jù)集為預(yù)測數(shù)據(jù)集，測試集可作為預(yù)測數(shù)據(jù)集的校驗(yàn)。預(yù)測數(shù)據(jù)集考慮了預(yù)測誤差，將更加有效地評估概率預(yù)測模型的表現(xiàn)，關(guān)于預(yù)測數(shù)據(jù)集的描述詳見附錄B。

　　考慮到本文所提安全風(fēng)險(xiǎn)評估系統(tǒng)和實(shí)際生產(chǎn)調(diào)度相結(jié)合，采用過去8個(gè)時(shí)間點(diǎn)的實(shí)際數(shù)據(jù)來預(yù)測未來1個(gè)時(shí)間點(diǎn)。與此同時(shí)，利用交叉驗(yàn)證及網(wǎng)格搜索的方式每次將70%的樣本進(jìn)一步拆分為訓(xùn)練集和驗(yàn)證集，對每種參數(shù)組合對應(yīng)的模型進(jìn)行評估，從而獲取最佳模型及參數(shù)設(shè)置。結(jié)果表明所構(gòu)建的LSTM預(yù)測模型在訓(xùn)練過程中損失函數(shù)值隨著迭代次數(shù)的增加快速下降，且驗(yàn)證集誤差始終略大于訓(xùn)練集誤差，但差別不大，模型具有良好的泛化能力[37]。

　　3.3概率預(yù)測模型構(gòu)建

　　在滾動(dòng)預(yù)測模型的構(gòu)建過程中，70%的樣本用于模型訓(xùn)練，30%的樣本用于模擬預(yù)測。于是，在分類模型的構(gòu)建過程中，同樣只能使用前70%的樣本進(jìn)行模型的擇優(yōu)和訓(xùn)練，在模型構(gòu)建完畢后將使用上述預(yù)測數(shù)據(jù)集進(jìn)行模型評價(jià)。本文采用交叉驗(yàn)證以及網(wǎng)格搜索的方式，每次將輸入的70%樣本進(jìn)一步拆分，以保證預(yù)測結(jié)果的客觀性。經(jīng)過模型訓(xùn)練和擇優(yōu)，共計(jì)形成21個(gè)概率預(yù)測器，從而完成了安全穩(wěn)定風(fēng)險(xiǎn)評估體系的構(gòu)建。

　　在進(jìn)行模型擇優(yōu)時(shí)需要依靠一定的評價(jià)方式，對于二分類問題，常常采用混淆矩陣來判斷模型的好壞，并引申出查全率、查準(zhǔn)率等評價(jià)準(zhǔn)則[37]。正例通常代表非正常情況，而負(fù)例則代表正常情況，在電力系統(tǒng)中正例的樣本數(shù)會遠(yuǎn)大于負(fù)例，屬于不平衡分類問題，傳統(tǒng)的依靠精度的方式已不再適用。

　　3.4基于安全風(fēng)險(xiǎn)評估的主動(dòng)調(diào)控仿真結(jié)果

　　在概率預(yù)測模型構(gòu)建完成后，即可進(jìn)行主動(dòng)調(diào)控仿真驗(yàn)證。本實(shí)驗(yàn)設(shè)定嚴(yán)重度可接受閾值為0.095，即當(dāng)預(yù)測出下一時(shí)間點(diǎn)全網(wǎng)風(fēng)險(xiǎn)大于0.095時(shí)，進(jìn)入優(yōu)化調(diào)度步驟，使用Yalmip調(diào)用Cplex求解器對上文所述優(yōu)化模型進(jìn)行求解得到調(diào)控指令�？疾鞓颖緮�(shù)據(jù)可發(fā)現(xiàn)，第696個(gè)時(shí)間步全網(wǎng)風(fēng)險(xiǎn)之和超過設(shè)定閾值，故在第695個(gè)時(shí)間步啟動(dòng)優(yōu)化調(diào)度程序，對風(fēng)險(xiǎn)進(jìn)行規(guī)避。選取第1道調(diào)度指令下達(dá)的前后各12個(gè)時(shí)間點(diǎn)繪制全網(wǎng)風(fēng)險(xiǎn)嚴(yán)重度圖像進(jìn)行比對。

　　電力論文投稿刊物：《南方電網(wǎng)技術(shù)》(雙月刊)創(chuàng)刊于2007年，是由中國南方電網(wǎng)有限責(zé)任公司主管，南方電網(wǎng)技術(shù)研究中心主辦的國內(nèi)外公開發(fā)行的技術(shù)類科技期刊，主要刊登電力系統(tǒng)的科研、規(guī)劃、基建、生產(chǎn)運(yùn)行和維護(hù)等方面的成果、經(jīng)驗(yàn)和動(dòng)態(tài)，發(fā)行數(shù)量8000份以上。

　　4結(jié)語

　　本文構(gòu)建了考慮概率預(yù)測的安全風(fēng)險(xiǎn)評估與主動(dòng)調(diào)控模型，實(shí)現(xiàn)了基于時(shí)序預(yù)測輸出系統(tǒng)部分關(guān)鍵對象在未來的越限概率，并最終集成為系統(tǒng)量化風(fēng)險(xiǎn)，從而指導(dǎo)主動(dòng)調(diào)控。仿真結(jié)果驗(yàn)證了本文所提方法及模型的正確性和有效性。1)該模型能根據(jù)歷史數(shù)據(jù)對未來可能出現(xiàn)的場景進(jìn)行預(yù)測，從而實(shí)現(xiàn)主動(dòng)調(diào)控以規(guī)避風(fēng)險(xiǎn)。并且由于采用了數(shù)據(jù)驅(qū)動(dòng)方式，避免了傳統(tǒng)參數(shù)模型受系統(tǒng)運(yùn)行方式、物理參數(shù)變化而變化的弊端，增強(qiáng)了安全風(fēng)險(xiǎn)監(jiān)測的魯棒性。

　　2)該模型在分類標(biāo)簽以外，增加概率輸出，從而為調(diào)度運(yùn)行人員決策提供更具參考價(jià)值的輔助信息，并作為評估電網(wǎng)未來場景安全運(yùn)行風(fēng)險(xiǎn)的數(shù)據(jù)輸入。本文主要依靠電網(wǎng)靜態(tài)安全風(fēng)險(xiǎn)量化預(yù)測值進(jìn)行主動(dòng)調(diào)控策略制定，在后續(xù)研究工作中，可進(jìn)一步考慮暫態(tài)安全風(fēng)險(xiǎn)，完善系統(tǒng)風(fēng)險(xiǎn)評估全面性，從而進(jìn)行更加系統(tǒng)的主動(dòng)調(diào)控策略制定。

　　參考文獻(xiàn)：

　　[1]周孝信，魯宗相，劉應(yīng)梅，等.中國未來電網(wǎng)的發(fā)展模式和關(guān)鍵技術(shù)[J].中國電機(jī)工程學(xué)報(bào)，2014，34(29)：4999-5008.ZHOUXiaoxin，LUZongxiang，LIUYingmei，etal.DevelopmentmodelsandkeytechnologiesoffuturegridinChina[J].ProceedingsoftheCSEE，2014，34(29)：4999-5008.

　　[2]曹軍威，楊明博，張德華，等.能源互聯(lián)網(wǎng)——信息與能源的基礎(chǔ)設(shè)施一體化[J].南方電網(wǎng)技術(shù)，2014，8(4)：1-10.CAOJunwei，YANGMingbo，ZHANGDehua，etal.Energyinternet：aninfrastructureforcyber-energyintegration[J].SouthernPowerSystemTechnology，2014，8(4)：1-10.

　　[3]楊勝春，湯必強(qiáng)，姚建國，等.基于態(tài)勢感知的電網(wǎng)自動(dòng)智能調(diào)度架構(gòu)及關(guān)鍵技術(shù)[J].電網(wǎng)技術(shù)，2014，38(1)：3635-3641.YANGShengchun，TANGBiqiang，YAOJianguo，etal.Architectureandkeytechnologiesforsituationalawarenessbasedautomaticintelligentdispatchingofpowergrid[J].PowerSystemTechnology，2014，38(1)：3635-3641.

　　[4]孫元章，吳俊，李國杰，等.基于風(fēng)速預(yù)測和隨機(jī)規(guī)劃的含風(fēng)電場電力系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度[J].中國電機(jī)工程學(xué)報(bào)，2009，29(4)：41-47.

　　作者：徐浩1，姜新雄2，劉志成1，鄒曜坤2，廖思陽2，徐箭2

轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/27444.html