本文摘要：摘要：近年來，隨著電網互聯層級和規模的高速發展以及新能源、電力電子設備的大規模接入，電力系統的不確定性和調控需求都在持續增加。為解決當前電網調度控制方式基于聯絡線越限等經驗特征量異常觸發、缺乏主動性和預見性調控手段的問題，提出了一種基于概
摘要：近年來，隨著電網互聯層級和規模的高速發展以及新能源、電力電子設備的大規模接入，電力系統的不確定性和調控需求都在持續增加。為解決當前電網調度控制方式基于聯絡線越限等經驗特征量異常觸發、缺乏主動性和預見性調控手段的問題，提出了一種基于概率預測的電網安全運行風險評估及主動調控方法。首先，構建了基于長短期記憶網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，從而實現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機制，實現電力系統面對風險事件的主動調控。最后，在IEEE39節點系統上結合中國某省電網的實際負荷數據進行仿真，計算結果驗證了所提方法和模型能夠實現提前主動調控，有效規避安全運行風險。
關鍵詞：概率預測;風險預警;主動調控;長短期記憶網絡;支持向量機;時序預測;機器學習;數據驅動
0引言
隨著特高壓交直流混聯大電網和可再生能源的快速發展，新能源出力特性給電網帶來的影響和挑戰日益加劇[1]，電力系統特性發生了深刻變化。電網運行全局監視、全網防控、集中決策的需求日益突出[2]，研究電網主動調度控制(以下簡稱“調控”)策略是提升調控水平、促進經驗型調控向分析型和智能型轉變的重要手段[3]。一般來說，面對源荷雙重不確定性，現有調控方式仍主要停留在被動控制階段[4-5]，即等需要調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控時間，無法充分利用調控時間常數較大的資源，使得電網安全處于被動位置[6]。
考慮現有調控方式所缺乏的主動性，若能在調控場景到來之前對其進行預測[7-9]，提前制定策略，便可為系統調節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勢感知[6-11]、暫態穩定評估[12-14]等方面，其評估結果往往是未來電力系統所屬的狀態類型[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，系統動態特性愈加復雜，這類基于確定性假設和模型驅動的風險評估方法已較難準確估計系統真實風險。
于是，基于數據驅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據驅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合[31-32]，如文獻[31]采用生成對抗網絡來考慮系統各可能事件的概率及對應后果，實現配電網運行風險分級;文獻[32]基于迭代隨機森林，利用實時數據對系統風險進行動態評估，具有良好的魯棒性。但上述研究仍局限于對系統當前狀態的評估，沒有量度未來場景下的風險，也未利用安全風險評估結果指導調控。
因此，本文基于電網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，計算系統安全風險，從而輔助調度運行人員提前進行系統調控，增強電網安全運行主動性。
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未來的運行狀態，需要滾動地對系統關鍵變量(如新能源發電、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，從而得到系統未來各假設場景的概率結果，作為安全風險評價模型的輸入，并最終集成為系統量化風險值，從而指導主動調控。本文采用長短期記憶網絡(LSTM)對系統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在電力系統中應用廣泛，在暫態穩定評估、變壓器故障診斷等方面都展現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進行預測。
1.2SVM多分類概率輸出
實際上，電力系統中存在的絕大多數預測問題屬于多分類問題，二分類模型通常難以表示系統元件或者態勢的完整狀態[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主動調控模型
風險評估的意義在于將以往只能定性分析或根據運行經驗判斷的電網場景和事件予以量化，從而更加明了地評估風險大小。本章依據上文介紹的概率預測方法，構建考慮關鍵對象越限概率的風險量化指標，作為電網主動調控的觸發指令。
綜上所述，優化調度模型的實質是以機組發電量及負荷調整量為決策變量的二次規劃模型，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生概率，經由風險評估模型定量計算并判斷該風險能否接受，并以此觸發主動調控手段，合理避免電網運行過程中重大風險事故的出現。
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建，故模型在線計算的耗時主要集中于優化策略的制定部分。針對本文提前式的靜態預防控制場景，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。當系統規模擴大時，也可通過調節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節點標準系統結合中國某省網負荷實際數據進行算例測試。
3.1模型樣本制作
利用從中國某省網收集的實際負荷數據作為波動源，接入標準系統中，可產生線路潮流、節點電壓和變壓器負載波動數據，生成線路過載、電壓越限、變壓器過載等場景數據，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的負荷數據，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，該數據樣本充分考慮了來自波動源的一年內的所有波動模式，包含單線路過載、多線路過載、單節點電壓越限、多節點電壓越限，以及上述過載事件并存的多重越限場景�；诔绷鳂颖緮祿嬎愕玫较到y歷史嚴重度數值序列，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，依據在歷史上是否出現過越限事件，可篩選出部分關鍵線路、關鍵電壓節點以及變壓器支路，并為每一個對象構建一個概率預測模型(共計21個)，用于對未來時刻的系統安全風險進行評價。
3.2時序預測模型構建
在時序預測模型構建過程中，選取70%的樣本進行模型的構建和選擇，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(原測試數據集)將不會作為概率預測模型的測試數據，為了區分，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據集為預測數據集，測試集可作為預測數據集的校驗。預測數據集考慮了預測誤差，將更加有效地評估概率預測模型的表現，關于預測數據集的描述詳見附錄B。
考慮到本文所提安全風險評估系統和實際生產調度相結合，采用過去8個時間點的實際數據來預測未來1個時間點。與此同時，利用交叉驗證及網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，對每種參數組合對應的模型進行評估，從而獲取最佳模型及參數設置。結果表明所構建的LSTM預測模型在訓練過程中損失函數值隨著迭代次數的增加快速下降，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概率預測模型構建
在滾動預測模型的構建過程中，70%的樣本用于模型訓練，30%的樣本用于模擬預測。于是，在分類模型的構建過程中，同樣只能使用前70%的樣本進行模型的擇優和訓練，在模型構建完畢后將使用上述預測數據集進行模型評價。本文采用交叉驗證以及網格搜索的方式，每次將輸入的70%樣本進一步拆分，以保證預測結果的客觀性。經過模型訓練和擇優，共計形成21個概率預測器，從而完成了安全穩定風險評估體系的構建。
在進行模型擇優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，在電力系統中正例的樣本數會遠大于負例，屬于不平衡分類問題，傳統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控仿真結果
在概率預測模型構建完成后，即可進行主動調控仿真驗證。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風險大于0.095時，進入優化調度步驟，使用Yalmip調用Cplex求解器對上文所述優化模型進行求解得到調控指令。考察樣本數據可發現，第696個時間步全網風險之和超過設定閾值，故在第695個時間步啟動優化調度程序，對風險進行規避。選取第1道調度指令下達的前后各12個時間點繪制全網風險嚴重度圖像進行比對。
電力論文投稿刊物：《南方電網技術》(雙月刊)創刊于2007年，是由中國南方電網有限責任公司主管，南方電網技術研究中心主辦的國內外公開發行的技術類科技期刊，主要刊登電力系統的科研、規劃、基建、生產運行和維護等方面的成果、經驗和動態，發行數量8000份以上。
4結語
本文構建了考慮概率預測的安全風險評估與主動調控模型，實現了基于時序預測輸出系統部分關鍵對象在未來的越限概率，并最終集成為系統量化風險，從而指導主動調控。仿真結果驗證了本文所提方法及模型的正確性和有效性。1)該模型能根據歷史數據對未來可能出現的場景進行預測，從而實現主動調控以規避風險。并且由于采用了數據驅動方式，避免了傳統參數模型受系統運行方式、物理參數變化而變化的弊端，增強了安全風險監測的魯棒性。
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，并作為評估電網未來場景安全運行風險的數據輸入。本文主要依靠電網靜態安全風險量化預測值進行主動調控策略制定，在后續研究工作中，可進一步考慮暫態安全風險，完善系統風險評估全面性，從而進行更加系統的主動調控策略制定。
參考文獻：
[1]周孝信，魯宗相，劉應梅，等.中國未來電網的發展模式和關鍵技術[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.能源互聯網——信息與能源的基礎設施一體化[J].南方電網技術，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.基于態勢感知的電網自動智能調度架構及關鍵技術[J].電網技術，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劃的含風電場電力系統動態經濟調度[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
轉載請注明來自發表學術論文網：http://www.bj-ticket.cn/dzlw/27444.html
