[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

说明书

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，步骤为：1)统计配电网中结构参数信息不完备区域的外部可获取历史运行数据，采用深度学习训练建立其等值封装模型；2)根据日前预测的区域所在地气象数据以及电价数据，代入等值模型，预测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概率分布；3)构造等效估计点并进行配电网概率潮流计算；4)统计配电网中状态变量的概率分布，完成配电网整体运行风险评估。本发明可实现配电网在结构参数不完备下的运行风险评估，避免了传统解析法与随机抽样法需要完备信息进行概率潮流计算和风险评估的问题，有助于提高配电网分布式可再生能源的接入水平、提升配电网运行安全性和可靠性。

技术领域

本发明涉及一种结构参数不完备下配电网风险评估方法。

背景技术

近年来，分布式光伏、风电等分布式电源发展迅猛，在配电网中接入渗透率逐年增长。由于分布式光伏、风电的强随机性和不确定性，导致配电网运行的风险也大幅攀升。与此同时，由于配电网信息化建设的相对滞后，尤其是农村配电网，仍存在大量信息采集的‘盲区’，使得配电网在风险评估中很难获取完备的系统结构参数信息，这对于地区配电网的风险管控和安全稳定运行带来了严峻的挑战，因此如何合理有效地评估随机性分布式电源大量接入以及网络结构参数不明晰的情形下的配电网运行风险成为地区电网调控中心迫切需要解决的关键问题。

目前，针对配电网运行风险的评估，主要的分析评估方法包括解析法与随机抽样法两大类。第一类解析法主要通过分析分布式能源和负荷随机变量的概率密度函数，求取各阶矩信息来获取各节点输入功率波动量的半不变量或估计点，然后代入半不变量或估计点进行确定性潮流计算，获取输出节点电压幅值、相角等状态变量的半不变量或估计点，最后再根据级数展开方法拟合状态变量的概率分布以及评估系统运行风险。第二类随机抽样法则通过随机抽样生成大量描述分布式能源和负荷出力不确定性的样本，然后针对这些样本进行大量潮流计算，最后再统计潮流结果拟合输出节点电压幅值、相角等状态变量的概率分布。但不论上述哪种方式，均需要获悉全部的网络结构参数信息，进而才能进行完整潮流计算来获取输出节点电压幅值、相角等状态变量，因此其针对结构参数信息不完备下的配电网风险评估分析很难继续适用。

发明内容

本发明的目的克服现有技术的不足，提供一种基于深度学习配电网风险评估方法，实现结构参数不完备下的配电网运行风险建模，解决传统解析法与随机抽样法需要完备信息进行概率潮流计算和风险评估的问题，为配电网风险管控策略的制定奠定基础，有助于提升配电网运行可靠性，提升分布式可再生能源的接入水平，对分布式能源及配电网的合理有序发展具有重要的理论和现实意义。

本发明基于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，如当地历史风速、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、温度等气象数据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、相角等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，包括当地历史风速、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；具体包括数据的预处理、区域等值模型封装训练、训练模型的测试验证与更新等步骤：