[发明专利]用神经网络和交叉熵采样的风电电力系统可靠性估测方法

说明书

本发明公开了一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法。利用历史风电数据，对电力系统网络模型进行训练，对风电场风速的概率分布进行估计；对高斯随机噪声进行采样，将采样后的高斯随机噪声通过电力系统网络模型的生成网络处理输出风速，通过求解计算电力不足时间概率和电力不足期望的两个可靠性参数，实现对含风电场电力系统的高效可靠性估测。本发明在考虑多个风电场风速大小的空间相关性的前提下，对风电场风速的概率分布进行估测，并实现高效的系统状态采样和可靠性估测。

技术领域

本发明属于电力系统领域的一种电力数据估测方法，具体是涉及一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法。

背景技术

由于风电具有很强的随机性和不稳定性，其接入将会对电力系统的供需平衡造成扰动，从而影响电力系统的可靠性。因此对含风电场的电力系统的可靠性估测具有重要意义。

目前对含风电场的电力系统的可靠性估测，主流的方法是用蒙特卡洛法对电力系统运行的状态进行采样，并计算对应的可靠性参数。但是该方法存在的问题是，对于高可靠性系统，蒙特卡洛法需要通过大量的采样以达到收敛，对计算资源的要求很高。

因此，现有技术中针对含风电场的电力系统缺少了有效的可靠性估测，也缺少了能根据准确的可靠性结果进行稳定提高。

发明内容

为了解决背景技术中存在的问题，本发明目的在于提供了一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法，在考虑多个风电场风速大小的空间相关性的前提下，对风电场风速的概率分布进行估测，并实现高效的系统状态采样和可靠性估测。本发明考虑的电力系统中的发电机组，包含火电机组和风电机组。

为解决上述的技术问题，本发明采用以下技术方案：

1)利用历史风电数据，对电力系统网络模型进行训练，对风电场风速的概率分布进行估计；

2)利用交叉熵(Cross entropy，CE)采样对高斯随机噪声进行采样，将采样后的高斯随机噪声通过电力系统网络模型的生成网络处理输出风速，通过求解计算电力不足时间概率(Loss-of-load probability，LOLP)和电力不足期望(Expected power not served，EPNS)的两个可靠性参数，实现对含风电场电力系统的高效可靠性估测。

所述1)具体为：

1.1)建立电力系统网络模型，电力系统网络模型是由生成网络和判别网络的两部分连接构成，判别网络的输入是生成网络的输出，生成网络的输入是判别网络的输出；以历史风速数据集W＝{S₁,S₂,…,S_n}作为电力系统网络模型的训练数据集，S_i表示i时刻的风速矢量，N_W为风电场的总数，为第i时刻第j个风电场的风速；

生成网络输入高斯随机噪声，高斯随机噪声为满足独立同分布的多维随机矢量V。

1.2)从历史风速数据集W中随机采样k组数据{S₍₁₎,S₍₂₎,…,S_(k)}，同时随机生成k组高斯随机噪声{V₍₁₎,V₍₂₎,…,V_(k)}；

1.3)利用梯度上升法进行判别网络的训练：

θ_D+γ_Dg_D→θ_D (2)