基于概率預測的電網(wǎng)靜態(tài)安全運行風險評估及主動調(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。為解決當前電網(wǎng)調(diào)度控制方式基于聯(lián)絡線越限等經(jīng)驗特征量異常觸發(fā)、缺乏主動性和預見性調(diào)控手段的問題，提出了一種基于概率預測的電網(wǎng)安全運行風險評估及主動調(diào)控方法。首先，構(gòu)建了基于長短期記憶網(wǎng)絡和支持向量機的滾動概率預測模型。然后，從充裕度的角度建立了常見風險事件的嚴重度函數(shù)，從而實現(xiàn)對關鍵元件的越限概率預測，并計算得到量化風險以形成觸發(fā)機制，實現(xiàn)電力系統(tǒng)面對風險事件的主動調(diào)控。最后，在IEEE39節(jié)點系統(tǒng)上結(jié)合中國某省電網(wǎng)的實際負荷數(shù)據(jù)進行仿真，計算結(jié)果驗證了所提方法和模型能夠?qū)崿F(xiàn)提前主動調(diào)控，有效規(guī)避安全運行風險。

　　關鍵詞：概率預測;風險預警;主動調(diào)控;長短期記憶網(wǎng)絡;支持向量機;時序預測;機器學習;數(shù)據(jù)驅(qū)動

　　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)主動調(diào)度控制(以下簡稱“調(diào)控”)策略是提升調(diào)控水平、促進經(jīng)驗型調(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施。然而，此控制方式往往會錯過最佳的預先調(diào)控時間，無法充分利用調(diào)控時間常數(shù)較大的資源，使得電網(wǎng)安全處于被動位置[6]。

　　考慮現(xiàn)有調(diào)控方式所缺乏的主動性，若能在調(diào)控場景到來之前對其進行預測[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備時間[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)度運行人員準確判斷局勢，導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)驗重新判斷并制定策略。于是，許多學者開始進行風險預警研究，以此來輔助調(diào)度人員進行更精確的決策。

　　目前，風險評估在電力領域的研究主要集中于概念建立及必要性分析[16-17]、風險指標改進[18-22]、以及基于風險的調(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重度建模方面，文獻[19]較早提出了風險評估的相關概念，并建立線路過載、電壓越限等事件的風險評估指標;文獻[20-21]進一步加入設備重載、失負荷等指標，豐富了評估體系。上述研究雖然對嚴重度進行了建模，但隨著大量新能源及電力電子設備的接入，系統(tǒng)動態(tài)特性愈加復雜，這類基于確定性假設和模型驅(qū)動的風險評估方法已較難準確估計系統(tǒng)真實風險。

　　于是，基于數(shù)據(jù)驅(qū)動的風險評估方法近年來受到了廣泛關注[27-32]，但其中大部分仍主要針對數(shù)據(jù)驅(qū)動方式下的指標改進[27]且基于確定性故障進行假設[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險評估相結(jié)合[31-32]，如文獻[31]采用生成對抗網(wǎng)絡來考慮系統(tǒng)各可能事件的概率及對應后果，實現(xiàn)配電網(wǎng)運行風險分級;文獻[32]基于迭代隨機森林，利用實時數(shù)據(jù)對系統(tǒng)風險進行動態(tài)評估，具有良好的魯棒性。但上述研究仍局限于對系統(tǒng)當前狀態(tài)的評估，沒有量度未來場景下的風險，也未利用安全風險評估結(jié)果指導調(diào)控。

　　因此，本文基于電網(wǎng)中關鍵變量的時序預測信 息，沿用文獻[19]提出的電壓、潮流等風險指標，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測模型，輸出關鍵元件在未來時刻的越限概率，計算系統(tǒng)安全風險，從而輔助調(diào)度運行人員提前進行系統(tǒng)調(diào)控，增強電網(wǎng)安全運行主動性。

　　1基于時序預測及支持向量機(SVM)的概率預測模型

　　本文所提出的安全風險評價模型的評估對象為系統(tǒng)未來的運行狀態(tài)，需要滾動地對系統(tǒng)關鍵變量(如新能源發(fā)電、負荷功率等)進行超短期時序預測，并將其作為目標場景(指線路過載、電壓越限等)概率預測模型的輸入，從而得到系統(tǒng)未來各假設場景的概率結(jié)果，作為安全風險評價模型的輸入，并最終集成為系統(tǒng)量化風險值，從而指導主動調(diào)控。本文采用長短期記憶網(wǎng)絡(LSTM)對系統(tǒng)關鍵變量進行超短期時序預測[33]，作為場景概率預測模型的基礎。

　　1.1SVM原理介紹

　　SVM在電力系統(tǒng)中應用廣泛，在暫態(tài)穩(wěn)定評估、變壓器故障診斷等方面都展現(xiàn)出了較好的預測性能，具有訓練樣本少、泛化能力強等特點[34-35]。同時，對于一個任意的樣本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)進行預測。

　　1.2SVM多分類概率輸出

　　實際上，電力系統(tǒng)中存在的絕大多數(shù)預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]，如一條線路在其負載率超過重載閾值之后便屬于重載線路，但重載的嚴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，而是變量處于某個范圍或者超出某個閾值多少之類的信息。因此，本文將電力系統(tǒng)目標場景分類模型擴展至多分類模型，同時計算各假設場景的多分類概率輸出作為安全風險評估模型的輸入，為調(diào)度運行人員提供全面精準的輔助信息。

　　2考慮風險評估的電網(wǎng)主動調(diào)控模型

　　風險評估的意義在于將以往只能定性分析或根據(jù)運行經(jīng)驗判斷的電網(wǎng)場景和事件予以量化，從而更加明了地評估風險大小。本章依據(jù)上文介紹的概率預測方法，構(gòu)建考慮關鍵對象越限概率的風險量化指標，作為電網(wǎng)主動調(diào)控的觸發(fā)指令。

　　綜上所述，優(yōu)化調(diào)度模型的實質(zhì)是以機組發(fā)電量及負荷調(diào)整量為決策變量的二次規(guī)劃模型，通過基于LSTM-SVM的概率預測模型得出下一時刻目標事件的發(fā)生概率，經(jīng)由風險評估模型定量計算并判斷該風險能否接受，并以此觸發(fā)主動調(diào)控手段，合理避免電網(wǎng)運行過程中重大風險事故的出現(xiàn)。

　　在計算用時方面，由于關鍵變量的時序預測模型及關鍵對象的概率預測模型均為離線構(gòu)建，故模型在線計算的耗時主要集中于優(yōu)化策略的制定部分。針對本文提前式的靜態(tài)預防控制場景，利用模型預測所帶來的緩沖處理時間(與預測時間尺度相同)，優(yōu)化程序可獲得較長時間制定策略，因而在計算時間方面較為充裕，可滿足在線主動控制的尺度要求。當系統(tǒng)規(guī)模擴大時，也可通過調(diào)節(jié)預測時間尺度進一步獲取更長的處理時間。

　　3算例分析

　　為驗證所提方法的有效性，本文采用IEEE39節(jié)點標準系統(tǒng)結(jié)合中國某省網(wǎng)負荷實際數(shù)據(jù)進行算例測試。

　　3.1模型樣本制作

　　利用從中國某省網(wǎng)收集的實際負荷數(shù)據(jù)作為波動源，接入標準系統(tǒng)中，可產(chǎn)生線路潮流、節(jié)點電壓和變壓器負載波動數(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)，從而得到時序預測模型及概率預測模型的訓練及測試樣本。

　　本文選取時間跨度360d、間隔5min的負荷數(shù)據(jù)，作為潮流斷面樣本生成的輸入，共計生成103678個時間斷面的潮流樣本，該數(shù)據(jù)樣本充分考慮了來自波動源的一年內(nèi)的所有波動模式，包含單線路過載、多線路過載、單節(jié)點電壓越限、多節(jié)點電壓越限，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)，計算得到系統(tǒng)歷史嚴重度數(shù)值序列，并通過基于相關性分析的特征選擇方法篩選了15個關鍵變量。

　　本文為這15個關鍵變量構(gòu)建了時序預測模型(共計13個，包含2個不需要預測的時間和季度特征)。與此同時，依據(jù)在歷史上是否出現(xiàn)過越限事件，可篩選出部分關鍵線路、關鍵電壓節(jié)點以及變壓器支路，并為每一個對象構(gòu)建一個概率預測模型(共計21個)，用于對未來時刻的系統(tǒng)安全風險進行評價。

　　3.2時序預測模型構(gòu)建

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

　　考慮到本文所提安全風險評估系統(tǒng)和實際生產(chǎn)調(diào)度相結(jié)合，采用過去8個時間點的實際數(shù)據(jù)來預測未來1個時間點。與此同時，利用交叉驗證及網(wǎng)格搜索的方式每次將70%的樣本進一步拆分為訓練集和驗證集，對每種參數(shù)組合對應的模型進行評估，從而獲取最佳模型及參數(shù)設置。結(jié)果表明所構(gòu)建的LSTM預測模型在訓練過程中損失函數(shù)值隨著迭代次數(shù)的增加快速下降，且驗證集誤差始終略大于訓練集誤差，但差別不大，模型具有良好的泛化能力[37]。

　　3.3概率預測模型構(gòu)建

　　在滾動預測模型的構(gòu)建過程中，70%的樣本用于模型訓練，30%的樣本用于模擬預測。于是，在分類模型的構(gòu)建過程中，同樣只能使用前70%的樣本進行模型的擇優(yōu)和訓練，在模型構(gòu)建完畢后將使用上述預測數(shù)據(jù)集進行模型評價。本文采用交叉驗證以及網(wǎng)格搜索的方式，每次將輸入的70%樣本進一步拆分，以保證預測結(jié)果的客觀性。經(jīng)過模型訓練和擇優(yōu)，共計形成21個概率預測器，從而完成了安全穩(wěn)定風險評估體系的構(gòu)建。

　　在進行模型擇優(yōu)時需要依靠一定的評價方式，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、查準率等評價準則[37]。正例通常代表非正常情況，而負例則代表正常情況，在電力系統(tǒng)中正例的樣本數(shù)會遠大于負例，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基于安全風險評估的主動調(diào)控仿真結(jié)果

　　在概率預測模型構(gòu)建完成后，即可進行主動調(diào)控仿真驗證。本實驗設定嚴重度可接受閾值為0.095，即當預測出下一時間點全網(wǎng)風險大于0.095時，進入優(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個時間步全網(wǎng)風險之和超過設定閾值，故在第695個時間步啟動優(yōu)化調(diào)度程序，對風險進行規(guī)避。選取第1道調(diào)度指令下達的前后各12個時間點繪制全網(wǎng)風險嚴重度圖像進行比對。

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

　　4結(jié)語

　　本文構(gòu)建了考慮概率預測的安全風險評估與主動調(diào)控模型，實現(xiàn)了基于時序預測輸出系統(tǒng)部分關鍵對象在未來的越限概率，并最終集成為系統(tǒng)量化風險，從而指導主動調(diào)控。仿真結(jié)果驗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)的場景進行預測，從而實現(xiàn)主動調(diào)控以規(guī)避風險。并且由于采用了數(shù)據(jù)驅(qū)動方式，避免了傳統(tǒng)參數(shù)模型受系統(tǒng)運行方式、物理參數(shù)變化而變化的弊端，增強了安全風險監(jiān)測的魯棒性。

　　2)該模型在分類標簽以外，增加概率輸出，從而為調(diào)度運行人員決策提供更具參考價值的輔助信息，并作為評估電網(wǎng)未來場景安全運行風險的數(shù)據(jù)輸入。本文主要依靠電網(wǎng)靜態(tài)安全風險量化預測值進行主動調(diào)控策略制定，在后續(xù)研究工作中，可進一步考慮暫態(tài)安全風險，完善系統(tǒng)風險評估全面性，從而進行更加系統(tǒng)的主動調(diào)控策略制定。

　　參考文獻：

　　[1]周孝信，魯宗相，劉應梅，等.中國未來電網(wǎng)的發(fā)展模式和關鍵技術[J].中國電機工程學報，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)——信息與能源的基礎設施一體化[J].南方電網(wǎng)技術，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，姚建國，等.基于態(tài)勢感知的電網(wǎng)自動智能調(diào)度架構(gòu)及關鍵技術[J].電網(wǎng)技術，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.基于風速預測和隨機規(guī)劃的含風電場電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度[J].中國電機工程學報，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)表學術論文網(wǎng)：http://m.liangshanbai.cn/dzlw/27444.html