[发明专利]一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法

说明书

本发明提出了一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法。考虑设备实时故障率以及运行方式变化，首先使用拉丁超立方算法优化的蒙特卡洛法生成风险样本数据，可在有限的计算时间内搜索出多重故障，全面反映电网故障情况；并使用高斯扰动粒子群优化的最小二乘支持向量机对风险样本进行训练，达到大幅降低计算时间的目的。在保证风险计算准确度的情况下，本文方法可以做到电网风险与灵敏度的在线计算，为风险来源追踪、设备差异化运维等提供参考依据。

技术领域

本发明属于电网风险评估技术领域，尤其是涉及一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法。

背景技术

对电力系统风险评估的研究，目前主要分为解析法和蒙特卡洛模拟法。其中蒙特卡罗法的模拟抽样次数不受电网规模影响，且容易体现各种运行控制策略和负荷变化等实际情况，并可处理多重、相关和连锁故障。使用蒙特卡洛法可以解决目前大型电网的风险库缺乏多重故障情况处理方法的问题。但是蒙特卡洛法仍会产生大量重复抽样场景，且需要对每个场景进行拓扑分析、潮流计算、负荷削减等重复性计算，不能满足电网在线运行的要求。

使用机器学习方法，对大量样本进行训练分析，可得到变量与结果之间的直接关联关系，省去复杂的中间过程，大幅降低计算时间。目前已有成熟使用云理论进行故障率推理预测，进而进行电网综合风险评估；以及使用神经网络训练N-1断线故障样本，建立电力系统风险评估模型。但是现有的电网风险评估研究并未考虑全面性和实时性的综合优化。

于是使用改进的蒙特卡洛方法生成全面准确的风险样本，并应用改进的最小二乘支持向量机进行样本训练，得到电网风险在线计算模型成为一种全面有效的评估方法。该方法可根据电网实时状态信息，实现准确、快速的电网风险及灵敏度在线计算，为风险来源追踪、设备差异化运维等提供参考依据。

发明内容

本发明主要针对现有的风险评估方法不能全面的考虑设备状态的改变以及无法实时完成评估的不足，引入最小二乘支持向量机利用蒙特卡洛法来对电网的风险进行评估。蒙特卡洛方法使用抽样方法模拟系统可能出现的状态，进而计算状态后果、风险指标。抽样过程中每台设备按照故障率进行动作，可以处理多重故障情况，准确地反映电网风险。而最小二乘支持向量机将标准支持向量机中的求解二次规划问题转化为求解线性问题，使计算过程更加方便快捷。利用蒙特卡洛法和最小二乘支持向量机的结合，提供了一种新的电网风险评估方法。

本发明的上述技术问题主要通过以下技术方案得以解决：

一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法，使用拉丁超立方优化的蒙特卡洛法生成风险样本数据，使用高斯扰动粒子群优化的最小二乘支持向量机方法进行样本训练，得到电网风险计算模型与灵敏度计算模型。并且考虑多重故障情况，实现在线运用。其步骤包括：

步骤1：生成M×N电网状态样本数据，根据电网状态样本数据构建电网元件向量、电网元件向量的集合、故障率向量、故障率向量的集合；

步骤2：对电网状态样本数据进行抽样，对抽样结果进行归一化得到风险样本数据；

步骤3：使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型；

步骤4：根据电网风险评估计算模型，使用摄动法得到电网设备灵敏度计算模型。

作为优选，步骤1中所述电网状态样本数据为：

x_i,ji∈[1,M],j∈[1,N]

其中，x_i,j为第i个元件的第j种故障率，M表示电网元件的数量，N表示每个电网元件的对应状态下的故障率的数量；

电网元件i向量可表示为y_i＝(x_i,1,x_i,2,…,x_i,N)；