[发明专利]一种大电网风险快速评估方法

说明书

本发明涉及一种大电网风险快速评估方法，为：采用改进交叉熵算法同时对大电网的行离散型元件状态变量和相关性连续变量进行重要抽样得到系统状态样本，基于系统状态样本利用非序贯蒙特卡洛仿真得到大电网的风险水平参数；改进交叉熵算法中，离散型元件状态变量的重要抽样方法同传统交叉熵算法，相关性连续变量的重要抽样方法为：采用高斯混合模型对相关性连续变量的联合概率分布进行密度评估；将高斯混合模型作为相关性连续变量的重要抽样函数，迭代更新高斯混合模型的参数并得到相关性连续变量的近似最优的重要抽样函数；对相关性连续变量进行重要抽样，得到相关性连续变量的样本。本发明具有方便灵活、效率和精度较高、适用范围广等优点。

技术领域

本发明属于电力系统风险评估技术领域，特别是涉及一种基于改进交叉熵算法的大电网风险快速评估方法。

背景技术

大电网(发输电系统)风险评估能够辨识发输电系统在不确定性运行环境下的风险水平，对于大电网的规划和运行具有重要的参考意义。然而，由于大电网元件众多、考虑因素极为复杂，大电网风险评估具有高度的计算复杂性，这一缺陷严重阻碍了其工程应用。

蒙特卡洛仿真(Monte Carlo Simulation，简称为MCS)能够计及系统复杂的运行策略，其计算速度受系统规模影响较小，是大电网风险评估的主要方法。根据是否计及系统行为的时序性，蒙特卡洛仿真可进一步分为序贯和非序贯蒙特卡洛仿真。其中，非序贯蒙特卡洛仿真基于系统状态的随机抽样，其计算效率远高于序贯蒙特卡洛仿真，一般更为广泛应用。然而，在规模庞大、结构复杂的现代电力系统中，即使是非序贯蒙特卡洛仿真也难以满足工程应用对计算速度的需求，尤其当系统可靠性高时。在高可靠性系统中，为了捕捉足够的系统失效状态以累计系统可靠性指标，蒙特卡洛仿真方法往往抽取数量巨大的系统状态样本，耗费大量机时。

交叉熵算法用于实现抽样得到样本，其通过估计系统状态的最优重要抽样概率分布密度函数，能够有效降低系统失效状态的稀疏性，从而显著加速蒙特卡洛仿真的收敛，尤其是在高可靠性系统中。由于序贯蒙特卡洛仿真中时序建模的复杂性，目前交叉熵算法主要应用于非序贯蒙特卡洛仿真中，其基本思路是采用交叉熵最小化作为优化目标对系统状态中随机变量(如离散型元件状态变量和连续型负荷及可再生能源变量)的概率分布参数进行寻优，得到系统状态的近似最优的重要抽样概率分布函数，用该函数代替系统状态的原始概率分布对系统状态进行高效抽样。

然而，目前的交叉熵算法只是对离散型元件状态变量进行参数寻优，没有对连续型的随机变量(如负荷或可再生能源等)进行参数寻优，因此只能通过改变离散型元件状态变量的概率分布来改变系统状态的概率分布空间，降低系统失效事件稀疏性的效果有限，尤其当系统失效事件的概率空间分布受连续变量的概率分布空间影响较大时。少数现有的交叉熵算法考虑到了连续变量的参数寻优，但往往假设连续变量完全独立、完全相关或服从某一相关类型，并假设连续变量的概率分布类型属于指数分布族。这些假设能够使得连续变量在交叉熵算法中的参数更新公式具有解析形式，但对于实际电力系统中的连续变量不一定适用。

综上所述，虽然现有的交叉熵算法能够有效提高解决大电网风险评估的效率，但目前难以对相关性类型或概率分布类型未知的连续变量进行参数寻优，从而加速效果有限。因此，有必要研究一种能够对任意相关类型和分布类型的连续变量进行参数寻优的交叉熵算法，扩大交叉熵算法的适用范围，进一步提升交叉熵算法的效率，进而实现对大电网的快速风险评估。

发明内容

本发明的目的是提供一种适用范围广、效率高的大电网风险快速评估方法。

为达到上述目的，本发明采用的技术方案是：

一种大电网风险快速评估方法，用于评估大电网的风险水平，所述大电网风险快速评估方法为：采用改进交叉熵算法对所述大电网的离散型元件状态变量和相关性连续变量进行重要抽样而得到系统状态样本，基于所述系统状态样本并利用非序贯蒙特卡洛仿真得到所述大电网的风险水平参数；所述相关性连续变量的重要抽样方法包括三个实施阶段，分别为建模阶段、交叉熵参数寻优阶段和重要抽样阶段；