[发明专利]一种基于深度学习的结构参数不完备下配电网风险评估方法

权利要求书

1.一种基于深度学习的结构参数不完备下配电网风险评估方法，其特征在于，所述的深度学习的结构参数不完备下配电网风险评估方法包括以下步骤：

(1)统计结构参数信息不完备区域的外部可获取历史运行数据：当地历史风速、光照、电价、温度以及该区域与配电网之间的关口交互功率，训练建立结构参数信息不完备区域的等值模型；

(2)预测日前的风速、光照、温度以及电价数据的概率分布，代入结构参数信息不完备区域的等值模型，计算该区域与配电网之间的关口交互功率的概率分布；

(3)根据预测的结构参数信息不完备区域与配电网之间的关口交互功率概率分布，构造等效估计点，进行配电网概率潮流计算；

(4)统计配电网概率潮流计算结果，分析配电网中各节点电压幅值、相角状态变量的概率分布，评估配电网整体运行风险；

所述步骤(1)中，统计结构参数信息不完备区域的外部可获取历史运行数据，当地历史风速、光照、电价、温度以及该区域与配电网之间的关口交互功率，训练建立结构参数信息不完备区域的等值模型的步骤如下：

步骤(1-1)：统计分析结构参数信息不完备区域的外部可获取历史运行数据，当地历史光照、风速、温度、电价以及该区域与配电网之间的关口交互功率，对其进行数据标幺化、训练集与测试集划分预处理，如式(1)所示：

式中，D_s代表光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率的历史数据集合，M为历史数据的总天数，L_k、W_k、T_k、E_k、P_g,k分别代表第k天的光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率数据集，分别代表第k天第d时段的光照、风速、温度、电价以及结构参数信息不完备区域与配电网之间的关口交互功率，N代表每天数据集的总时段数，代表历史数据集合标幺化之后的数据集合，min(·)代表取极小值，max(·)代表取极大值，代表从标幺化之后的数据集合中取出的训练集，代表从标幺化之后的数据集合中取出的测试集，ε代表训练集所占的比例；

步骤(1-2)：采用长短时记忆神经网络LSTM对训练集数据进行学习训练，建立结构参数信息不完备区域的等值封装模型，如公式(2)所示：

式中，x_t代表当前迭代第t步从训练数据集中取出的光照、风速、温度以及电价的数据集合；h_t-1代表当前迭代第t步之前从训练数据集中累积取出的结构参数信息不完备区域与配电网之间的关口交互功率集合；f_t代表当前迭代第t步对应的遗忘门输出，w_f和b_f为遗忘层中各神经元的权值系数和偏置系数，σ(·)代表s型曲线函数，i_t代表当前迭代第t步输入层的输出，w_i和b_i为输入层中各神经元的权值系数和偏置系数，代表当前迭代第t步卷积层的预估输出，w_c和b_c为卷积层中各神经元的权值系数和偏置系数，tanh(·)代表双曲正切函数，c_t代表当前迭代第t步卷积层的实际输出，o_t代表当前迭代第t步输出层输出，w_o和b_o为输出层中各神经元的权值系数和偏置系数，h_t代表当前迭代第t步实际预测得到的结构参数信息不完备区域与配电网之间的关口交互功率；

步骤(1-3)：代入测试集数据，对等值封装模型进行测试验证，根据反馈结果优化计算并更新长短时记忆神经网络LSTM的各层神经元的权值系数和偏置系数，直至均方根误差收敛：

1)首先代入测试集数据到等值封装模型，计算结构参数信息不完备区域与配电网之间的关口交互功率的预测值：

式中，代表结构参数信息不完备区域与配电网之间的关口交互功率的预测值；x_test代表从测试数据集中取出的光照、风速、温度以及电价的数据集合；F_grid(·)代指步骤(1-2)计算得到的参数信息不完备区域的等值封装模型；

2)将结构参数信息不完备区域与配电网之间的关口交互功率的预测值与实际值比较，计算当前封装模型的预测均方根误差，如下式所示：

式中，RMSE代表当前训练封装等值模型的预测均方根误差；M为预测总时段数，t为时段编号，代表从测试数据集中取出的结构参数信息不完备区域与配电网之间的关口交互功率实际采样值，代表采用公式(3)预测得到的结构参数信息不完备区域与配电网之间的关口交互功率预测值；

3)以统计得到的当前封装模型的预测均方根误差为目标，以长短时记忆神经网络LSTM的各层神经元的权值系数为优化决策变量，采用粒子群算法优化计算并调整长短时记忆神经网络LSTM的各层神经元的权值系数和偏置系数，直至目标收敛，如下式所示：

式中，RMSE指代采用等值封装模型进行功率预测的均方根误差；分别为卷积层权值系数的最小和最大取值；分别为卷积层偏置系数的最小最大取值；分别为输入层权值系数的最小和最大取值；分别为输入层偏置系数的最小最大取值；分别为遗忘层权值系数的最小和最大取值；分别为遗忘层偏置系数的最小最大取值；分别为输出层权值系数的最小和最大取值；分别为输出层偏置系数的最小最大取值；

所述步骤(2)中，预测日前的光照、风速、温度以及电价数据的概率分布，代入结构参数信息不完备区域的等值模型，计算该区域与配电网之间的关口交互功率的概率分布，具体如下：

步骤(2-1)：依据日前预测的光照、风速、温度以及电价数据的概率分布，采用拉丁方抽样生成大量模拟数据样本，如式(6)所示：

其中，x_pv、x_wind、x_TP、x_price分别代表第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本，分别为日前预测的光照、风速、温度以及电价数据的概率分布函数，N为拉丁方抽样的总样本规模数，r_n代表服从均匀分布的0到1之间的随机数，k为拉丁方抽样的次序编号；

步骤(2-2)：调用步骤(1)得到的结构参数信息不完备区域的等值模型，模拟计算和预测该区域与配电网之间的关口交互功率：

其中，x_pv、x_wind、x_TP、x_price分别代表第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本，F_grid(·)代指步骤(1-2)计算得到的参数信息不完备区域的等值封装模型，x_pre代指由第k次拉丁方抽样得到的光照、风速、温度以及电价数据样本所构成的数据集；代表模拟计算得到的结构参数信息不完备区域与配电网之间的关口交互功率所构成的数据集；

步骤(2-3)：统计所预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集，拟合其概率分布：

其中，别代表预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集中第1个、第2个、第j个以及第N个分量的取值；N为预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集的维度；μ、σ、λ分别为预测得到的结构参数信息不完备区域与配电网之间的关口交互功率数据集的均值、方差以及偏度，E[·]为求期望算子；

所述步骤(3)中，根据预测的结构参数信息不完备区域与配电网之间的关口交互功率概率分布，构造等效估计点，进行配电网概率潮流计算，具体如下：

步骤(3-1)：根据预测得到的结构参数信息不完备区域与配电网之间的关口交互功率概率分布的统计信息，构造等效估计点，如公式(9)所示：

z_k＝μ+ξ_kσ k＝1,2       (9)

其中，z_k为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点，这里k的取值为1或2；ξ_k为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个位置度量系数，由结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度λ通过公式(10)计算得到：

其中，ξ_k为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个位置度量系数，k表示估计点编号，取值为1或2；λ为结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度；

步骤(3-2)：以构造的结构参数信息不完备区域与配电网之间的关口交互功率数据集的等效估计点为输入，进行配电网潮流计算；

1)对于构造的结构参数信息不完备区域与配电网之间的关口交互功率数据集的等效估计点，通过公式(11)计算这些估计点在配电网潮流计算中所占权重系数：

其中，θ_k为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点在潮流计算中所占的权重系数，π为计算中间变量，由结构参数信息不完备区域与配电网之间的关口交互功率数据集的偏度λ计算得到，k表示估计点编号；

2)导入结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的估计点z_k，进行配电网潮流计算；如公式(12)所示：

P_j(k)＝f(z_1,k,…,z_i,k,…,z_M,k,…,z_M+1,k,…,z_2M,k) k＝1,2    (12)

其中，P_j(k)为配电网在第k个估计点为输入时的第j个输出状态变量的取值；f(·)为配电网潮流计算方程；M为结构参数信息不完备区域的个数，k表示估计点编号；

所述步骤(4)中，统计配电网概率潮流计算结果，分析配电网中各节点电压幅值、相角输出状态变量的概率分布，评估配电网整体运行风险，具体如下：

步骤(4-1)：根据配电网概率潮流计算结果，统计分析配电网各节点电压幅值、相角输出状态变量的各阶矩概率分布信息，如公式(13)所示：

其中，P_j(k)为配电网在第k个估计点为输入时的第j个输出状态变量的取值；[P_j(k)]^p代表对P_j(k)求取p次幂，θ_k为结构参数信息不完备区域与配电网之间的关口交互功率数据集对应的第k个估计点在潮流计算中所占的权重系数，M为结构参数信息不完备区域的个数；代指配电网中第j个输出状态变量P_j的p阶矩，p取1时E(P_j)代表第j个输出状态变量P_j的一阶矩，取2时代表第j个输出状态变量P_j的二阶矩，为配电网中第j个输出状态变量P_j的方差；

步骤(4-2)：计算配电网中各节点电压、支路电流输出状态变量的越限值和越限严重度，如下式所示：

其中，i为配电网中节点的编号，j为配电网中支路的编号；V_out,i为节点i的电压越限值，I_out,j为支路j的电流越限值，U_i、U_i,min、U_i,max分别为节点i的实际电压值、最小允许电压幅值及最大允许电压幅值；I_j为支路j的实际运行电流、I_j,max为支路j的最大允许电流幅值；S_ev(V_out,i)为第i个节点的电压越限严重度，S_ev(I_out,j)为第j条支路的电流越限严重度，A_i、B_i、C_i分别为第i个节点的电压越限严重度函数的拟合参数，α_j、β_j、δ_j分别为第j条支路的电流越限严重度函数拟合参数，exp(·)代表以自然常数e为底的指数函数，Out表示电压或电流的越限值；

步骤(4-3)：依据配电网中各节点电压、支路电流输出状态变量的越限值、越限严重度、越限概率，计算评估配电网整体运行风险，如下式所示：

其中，R为系统总运行风险值，i为配电网中节点的编号，D为配电网总节点数，j为配电网中支路的编号，L为配电网总支路数，为节点i的电压累积分布函数，为支路j的电流累积分布函数，S_ev(V_out,i)为节点i的电压越限严重度，S_ev(I_out,j)为支路j的电流越限严重度；

可由公式(13)中各节点电压状态变量的概率分布信息，计算相应的节点电压概率密度函数，然后再对概率密度函数积分求解得到，可由公式(13)中各支路电流状态变量的概率分布信息，计算相应的支路电流概率密度函数，然后再对概率密度函数积分求解得到。