一种计及不确定性因素的电网态势预测方法与终端

技术领域

本发明涉及电力系统态势感知技术领域，特别涉及一种计及不确定性因素的电网态势预测方法与终端。

背景技术

电力数字孪生是电力模型日渐复杂、数据呈现井喷趋势以及数字孪生技术发展完善等多方背景共同作用下的新兴产物。相比于侧重实时操控实体的信息物理系统或经典模型驱动的仿真软件，电力数字孪生能够高效利用数智电网中的大数据特别是时空大数据，充分挖掘时空大数据的深层信息，自适应地解决多元主体建模分析、具有不确定性的环境因素感知分析等难题。

电力数字孪生通过明确数据驱动、实时交互和闭环反馈三大特点，激发电网中固有的时空大数据福利；基于高维统计分析、人工智能等数据科学，全面、透明、多层次的观测/推演视角建模电网中各功能单元及其交互机制。基于实体系统的数字孪生建模，电力数字孪生以实时态势感知、超实时虚拟推演两种手段实现电网的认知功能，继而辅助其运管调控的决策制定、策略优化等，提升电网运行的稳定性与经济性。另一方面，电力数字孪生也兼容传统的物理机理模型、低维统计模型、专家系统等，采用经典模型与高维数据模型双驱动，可以对电网参与主体特性及其互动机制进行深入实验与研究。

在新能源大量接入电网的现状下，由于风光等能源受天气影响大，出力不稳定，波动性随机性高，会导致电网电压波动以及引发谐波、不对称、闪变等电能质量问题。海量异构的数据、气候的随机性、用户侧负荷的变化都为电网的建模仿真带来了不确定性。

传统的针对数字孪生电力系统的态势感知方法没有考虑不确定性因素，模型描述存在准确度低的问题。

发明内容

本发明所要解决的技术问题是：提供一种计及不确定性因素的电网态势预测方法与终端，在电力系统态势的感知预测时计及不确定性因素，更加准确。

为了解决上述技术问题，本发明采用的技术方案为：

一种计及不确定性因素的电网态势预测方法，包括步骤：

S1、获取历史工程数据，并根据所述历史工程数据进行不确定性集合建模；

S2、建立影响因素灵敏度分析模型，确定预选出的影响因素与态势感知参数的映射关系；

S3、根据所述不确定性集合以及所述映射关系，建立基于CVaR-IGDT的RIES扩展规划模型，得到电力系统孪生模型；

S4、基于所述电力系统孪生模型，采用深度学习以及概率预测的方法进行电网态势预测。

为了解决上述技术问题，本发明采用的另一种技术方案为：

一种计及不确定性因素的电网态势预测终端，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

S1、获取历史工程数据，并根据所述历史工程数据进行不确定性集合建模；

S2、建立影响因素灵敏度分析模型，确定预选出的影响因素与态势感知参数的映射关系；

S3、根据所述不确定性集合以及所述映射关系，建立基于CVaR-IGDT的RIES扩展规划模型，得到电力系统孪生模型；

S4、基于所述电力系统孪生模型，采用深度学习以及概率预测的方法进行电网态势预测。

本发明的有益效果在于：本发明的一种计及不确定性因素的电网态势预测方法与终端，基于历史工程数据进行，从数据中挖掘机理，无需了解复杂物理机制，避免繁琐的建模过程或以损失精确性为代价简化模型，且考虑不确定性因素，电力系统孪生模型更能反映电网的实际运行情况，对各种可能出现的场景有更高精度的预测、演绎，从而使电力系统态势的感知预测具有更高的准确度。

附图说明

图1为本发明实施例的一种计及不确定性因素的电网态势预测方法的流程图；

图2为本发明实施例的一种计及不确定性因素的电网态势预测终端的结构图；

图3为本发明实施例的一种计及不确定性因素的电网态势预测方法中的一种双输出神经网络的简易模型示例图；

图4为本发明实施例的一种计及不确定性因素的电网态势预测方法中NSGA2算法的优化求解流程示例图；

标号说明：

1、一种计及不确定性因素的电网态势预测终端；2、处理器；3、存储器。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1，一种计及不确定性因素的电网态势预测方法，包括步骤：

S1、获取历史工程数据，并根据所述历史工程数据进行不确定性集合建模；

S2、建立影响因素灵敏度分析模型，确定预选出的影响因素与态势感知参数的映射关系；

S3、根据所述不确定性集合以及所述映射关系，建立基于CVaR-IGDT的RIES扩展规划模型，得到电力系统孪生模型；

S4、基于所述电力系统孪生模型，采用深度学习以及概率预测的方法进行电网态势预测。

从上述描述可知，本发明的有益效果在于：本发明的一种计及不确定性因素的电网态势预测方法与终端，基于历史工程数据进行，从数据中挖掘机理，无需了解复杂物理机制，避免繁琐的建模过程或以损失精确性为代价简化模型，且考虑不确定性因素，电力系统孪生模型更能反映电网的实际运行情况，对各种可能出现的场景有更高精度的预测、演绎，从而使电力系统态势的感知预测具有更高的准确度。

进一步地，所述步骤S1包括步骤：

S11、获取历史工程数据，并按日划分，将每一日的所述历史工程数据作为一个历史场景；

S12、基于高维的闭包椭球算法，求解一个高维的椭球来包围所有的历史场景，即求解优化如下问题：

minρdetQ

s.t.(w

(w

...

其中，ρ为常数，w

得到的高维椭球的表达式：

E(Q,c)＝{w|(w-c)

S13、在得到的高维椭球的基础上，构造一个多面体集合对不确定集合进行描述，采用由高维椭球顶点所围成的多面体方程进行表示：

ω＝c+P

其中，ω'是椭球顶点值，P为变换矩阵；

S14、引入放大倍数对该多面体凸包进行放缩，因此最终得到的不确定性集合可以表示为：

由上述描述可知，通过上述步骤，实现不确定性集合建模。

进一步地，所述步骤S2具体为：

建立影响因素灵敏度分析模型，确定影响因素与态势感知参数的映射模型，所述影响因素灵敏度分析模型的输入向量为预筛选出的影响因素，包括天气、温度、光照以及电价，表示为：

x＝[x

输出为态势感知参数y，包括运行成本、联络线功率偏差以及峰值负荷量；

并构造灵敏度向量α：

不确定性优化的数学模型可以表示为：

minf(X)

s.t.g

X

其中，X为决策变量；

根据上述灵敏度的定义，修改目标函数为：

minf(X)+α；

计及约束条件的鲁棒性，转换约束条件为：

其中，

由上述描述可知，通过建立决策量和影响因素之间的映射关系，并构造灵敏度向量，感知影响因素的灵敏度。

进一步地，所述步骤S3具体为：

成本优化问题的目标函数为：

其中，f是目标函数，x是决策变量，ψ是长期不确定量，Γ是长期不确定量的集合，如下：

其中

上述优化问题的IGDT模型为：

ω

s

其中，Λ

采用蒙特卡洛法模拟第t年、典型日d下的风速以及光照强度场景集ω

计及CVaR的年运行成本函数由两部分组成，第一部分是运行成本的期望值，第二部分是CVaR和权重系数β的乘积，定义w是第ω

CVaR模型如下：

其中，

引入中间变量：

则可定义表达式：

由上述描述可知，对不确定性建模的过程中，有必有同时考虑短期不确定性与长期不确定性。鉴于长期预测精度较低，不确定量信息较少，拟采用IGDT来处理冷热电负荷增长的长期不确定性；鉴于可再生能源出力概率刻画较为准确,采用CVaR来调节规划方案应对风电光伏短期不确定性的适应程度。

进一步地，所述电网态势预测包括可再生能源的发电功率预测和负荷预测。

由上述描述可知，电网态势预测包括可再生能源的发电功率预测和负荷预测。

请参照图2，一种计及不确定性因素的电网态势预测终端，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

S1、获取历史工程数据，并根据所述历史工程数据进行不确定性集合建模；

S2、建立影响因素灵敏度分析模型，确定预选出的影响因素与态势感知参数的映射关系；

S3、根据所述不确定性集合以及所述映射关系，建立基于CVaR-IGDT的RIES扩展规划模型，得到电力系统孪生模型；

S4、基于所述电力系统孪生模型，采用深度学习以及概率预测的方法进行电网态势预测。

从上述描述可知，本发明的有益效果在于：本发明的一种计及不确定性因素的电网态势预测方法与终端，基于历史工程数据进行，从数据中挖掘机理，无需了解复杂物理机制，避免繁琐的建模过程或以损失精确性为代价简化模型，且考虑不确定性因素，电力系统孪生模型更能反映电网的实际运行情况，对各种可能出现的场景有更高精度的预测、演绎，从而使电力系统态势的感知预测具有更高的准确度。

进一步地，所述步骤S1包括步骤：

S11、获取历史工程数据，并按日划分，将每一日的所述历史工程数据作为一个历史场景；

S12、基于高维的闭包椭球算法，求解一个高维的椭球来包围所有的历史场景，即求解优化如下问题：

minρdetQ

s.t.(w

(w

...

其中，ρ为常数，w

得到的高维椭球的表达式：

E(Q,c)＝{w|(w-c)

S13、在得到的高维椭球的基础上，构造一个多面体集合对不确定集合进行描述，采用由高维椭球顶点所围成的多面体方程进行表示：

ω＝c+P

其中，ω'是椭球顶点值，P为变换矩阵；

S14、引入放大倍数对该多面体凸包进行放缩，因此最终得到的不确定性集合可以表示为：

由上述描述可知，通过上述步骤，实现不确定性集合建模。

进一步地，所述步骤S2具体为：

建立影响因素灵敏度分析模型，确定影响因素与态势感知参数的映射模型，所述影响因素灵敏度分析模型的输入向量为预筛选出的影响因素，包括天气、温度、光照以及电价，表示为：

x＝[x

输出为态势感知参数y，包括运行成本、联络线功率偏差以及峰值负荷量；

并构造灵敏度向量α：

不确定性优化的数学模型可以表示为：

minf(X)

s.t.g

X

其中，X为决策变量；

根据上述灵敏度的定义，修改目标函数为：

minf(X)+α；

计及约束条件的鲁棒性，转换约束条件为：

其中，

由上述描述可知，通过建立决策量和影响因素之间的映射关系，并构造灵敏度向量，感知影响因素的灵敏度。

进一步地，所述步骤S3具体为：

成本优化问题的目标函数为：

其中，f是目标函数，x是决策变量，ψ是长期不确定量，Γ是长期不确定量的集合，如下：

其中

上述优化问题的IGDT模型为：

ω

s

其中，Λ

采用蒙特卡洛法模拟第t年、典型日d下的风速以及光照强度场景集ω

计及CVaR的年运行成本函数由两部分组成，第一部分是运行成本的期望值，第二部分是CVaR和权重系数β的乘积，定义w是第ω

CVaR模型如下：

其中，

引入中间变量：

则可定义表达式：

由上述描述可知，对不确定性建模的过程中，有必有同时考虑短期不确定性与长期不确定性。鉴于长期预测精度较低，不确定量信息较少，拟采用IGDT来处理冷热电负荷增长的长期不确定性；鉴于可再生能源出力概率刻画较为准确,采用CVaR来调节规划方案应对风电光伏短期不确定性的适应程度。

进一步地，所述电网态势预测包括可再生能源的发电功率预测和负荷预测。

由上述描述可知，电网态势预测包括可再生能源的发电功率预测和负荷预测。

本发明的一种计及不确定性因素的电网态势预测方法与终端，适用于由于新能源大量接入而带来不确定性因素的电网的态势感知预测。

请参照图1，本发明的实施例一为：

一种计及不确定性因素的电网态势预测方法，包括步骤：

S1、获取历史工程数据，并根据所述历史工程数据进行不确定性集合建模。

本实施例中，不确定性集合建模包括步骤：

历史数据的收集与划分：将所收集的历史数据按天进行划分，并将每一天收集到的数据作为一个历史场景。

基于历史数据的高维椭球集合构建：基于高维的闭包椭球算法，求解一个高维的椭球来包围所有的历史场景。

初始适应数据的不确定集合构建：在得到的高维椭球的基础上，构造一个多面体集合对不确定集合进行描述。

初始凸包的修正与极限场景的提取：由于所选取的高维椭球的顶点所围成的多面体不足以涵盖所有的历史场景，因此需要引入放大倍数对该多面体凸包进行放缩，因此最终得到的不确定性集合。

S2、建立影响因素灵敏度分析模型，确定预选出的影响因素与态势感知参数的映射关系。

本实施例中，主要是为分析影响因素对能源细胞决策的影响，研究影响因素灵敏度分析模型。该模型的输入向量为筛选得出的影响因素，如天气、温度、光照、电价等，该模型的输出为能源细胞的决策量如运行成本、联络线功率偏差、峰值负荷量等。通过建立决策量和影响因素之间的映射关系，并构造灵敏度向量，感知影响因素的灵敏度。

S3、根据所述不确定性集合以及所述映射关系，建立基于CVaR-IGDT的RIES扩展规划模型，得到电力系统孪生模型。

本实施例中，对不确定性建模的过程中，有必有同时考虑短期不确定性与长期不确定性。鉴于长期预测精度较低，不确定量信息较少，拟采用IGDT来处理冷热电负荷增长的长期不确定性；鉴于可再生能源出力概率刻画较为准确,采用CVaR来调节规划方案应对风电光伏短期不确定性的适应程度。由此可建立混合CVaR-IGDT的RIES扩展规划模型：首先,利用IGDT处理冷热电负荷增长的长期不确定性；其次,利用CVaR理论处理规划过程中运行成本的不确定性，也即短期不确定性。

至此，已充分考虑新能源出力、互动用电等各种不确定性因素的影响，搭建了电力系统孪生模型。

S4、基于所述电力系统孪生模型，采用深度学习以及概率预测的方法进行电网态势预测。

本实施例中，采用深度学习及概率预测的方法预测并模拟未来电网运行态势的发展，从而反映网络变化及故障的概率分布特征，以灵活应对未来电网运行状态的变化。具体预测内容包括新能源发电功率预测、负荷预测及其余状态参量预测等。

请参照图1、图3和图4，本发明的实施例二为：

一种计及不确定性因素的电网态势预测方法，其中步骤S1具体包括：

S11、历史数据的收集与划分：将所收集的历史数据按天进行划分，并将每一天收集到的工程数据(例如风机的桨距角、风机输出功率、电压、电流值)作为一个历史场景。

S12、基于历史数据的高维椭球集合构建：基于高维的闭包椭球算法，求解一个高维的椭球来包围所有的历史场景，即求解优化如下问题：

minρdetQ

s.t.(w

(w

...

其中，ρ为常数，w

求解完成后，最终得到的高维椭球的表达式：

E(Q,c)＝{w|(w-c)

S13、初始适应数据的不确定集合构建：在得到的高维椭球的基础上，构造一个多面体集合对不确定集合进行描述，采用由高维椭球顶点所围成的多面体方程进行表示：

ω＝c+P

其中，ω'是椭球顶点值，P为变换矩阵；

S14、初始凸包的修正与极限场景的提取：由于所选取的高维椭球的顶点所围成的多面体不足以涵盖所有的历史场景，因此需要引入放大倍数对该多面体凸包进行放缩，因此最终得到的不确定性集合可以表示为：

步骤S2主要是为分析影响因素对态势感知的影响，研究影响因素灵敏度分析模型。该模型的输入向量x＝[x

传统的优化设计考虑的都是确定值情况下的最优解，而在实际的工程应用中系统参数往往存在不确定性鲁棒设计的目的是优化系统性能平均值和最小化由不确定因素变化引起的系统性能可变性。它实质是在不消除变量可能波动变化的前提下，寻求选择合理的设计变量值，来使设计对象的性能指标对各种变量的可能波动变化不敏感。

不确定性优化的数学模型可以表示为：

min f(X)

s.t.g

X

其中，X为决策变量；

为保证目标函数的鲁棒性，需在优化过程中增加一个关于目标函数灵敏度的新函数，构成一个多目标优化设计，因此，根据上述灵敏度的定义，修改目标函数为：

min f(X)+α；

除目标函数外，鲁棒优化设计同时强调约束条件的鲁棒性。在计及各种变量波动变化条件下，对约束条件可以容忍某种程度的破坏，约束边界仍在可行域内，则称约束条件具有鲁棒性。不同设计者对约束条件满足鲁棒可行性的要求是不一样的，计及约束条件的鲁棒性，转换约束条件为：

其中，

对目标函数和约束函数进行鲁棒性处理，可得到一具有区间参数的多目标鲁棒优化设计模型，通过最小化目标函数的灵敏度来降低性能指标受不确定因素影响的波动范围。

除上述基于鲁棒优化的分析外，条件数也能够衡量一个函数的输入的微小变化所引起输出变化的迅速程度。当输入扰动或者实际值偏离真实值时，条件数能表征函数输出迅速变化或偏离的程度。对于一个矩阵，其条件数k(A)可以表示为：

对于一般方程组Ax＝b，b是输入，x作为输出，条件数主要用于衡量求解方程组中的矩阵，如果向量b发生轻微变化，A又是病态矩阵(条件数较大)，此时求得的x的解会产生很大的变化。在对数字孪生系统的建模中，无论对于SISO还是MIMO系统，寻找到一组能表征系统状态的方程组Ax＝B是解决问题的关键，而对于某些在数字孪生系统中“不可被建模”的不确定性因素，引入条件数可有力地表征系统的稳定性。

相应的，对于机器学习模型而言，若神经网络的参数矩阵用W表示，输入样本用u表示，输出用y表示，则三者的关系为：

Wu＝y；

模型训练好之后，由于W不会改变，而将样本u作为输入以生成y，则存在以下对应关系：

步骤S3：对不确定性建模的过程中，有必有同时考虑短期不确定性与长期不确定性。鉴于长期预测精度较低，不确定量信息较少，拟采用IGDT来处理冷热电负荷增长的长期不确定性；鉴于可再生能源出力概率刻画较为准确,采用CVaR来调节规划方案应对风电光伏短期不确定性的适应程度。由此可建立混合CVaR-IGDT的RIES扩展规划模型：首先,利用IGDT处理冷热电负荷增长的长期不确定性；其次,利用CVaR理论处理规划过程中运行成本的不确定性，也即短期不确定性。

IGDT是一种基于不确定性集的建模理论,该方法可在不确定量概率分布和波动范围均未知的情况下量化不确定性,保证决策目标处于可接受范围内的同时,最大化不确定变量的变化范围。成本优化问题的目标函数为：

其中，f是目标函数，x是决策变量，ψ是长期不确定量，Γ是长期不确定量的集合，如下：

其中

上述优化问题的IGDT模型为：

ω

s

其中，Λ

CVaR作为常见的风险度量方法，可用于对短期不确定量的建模。通过对系统发生损失的概率及大小进行评价,从而准确衡量系统的运行风险。使用场景集法模拟风电、光伏机组出力的不确定性。为生成风速以及光照强度场景,采用蒙特卡洛法模拟第t年、典型日d下的风速以及光照强度场景集ω

计及CVaR的年运行成本函数由两部分组成，第一部分是运行成本的期望值，第二部分是CVaR和权重系数β的乘积，定义w是第ω

综上，CVaR模型如下：

其中，

为便于求解，引入中间变量：

则可定义表达式：

至此，已充分考虑新能源出力、互动用电等各种不确定性因素的影响，搭建了电力系统孪生模型。

S4、计及不确定性因素的电网运行态势预测。基于步骤S1-S3的数字孪生模型，采用深度学习及概率预测的方法预测并模拟未来电网运行态势的发展，从而反映网络变化及故障的概率分布特征，以灵活应对未来电网运行状态的变化。具体预测内容包括新能源发电功率预测、负荷预测及其余状态参量预测等。

步骤S4以可再生能源发电功率为例构建多目标优化的深度学习区间预测模型。类似地，仅需对优化目标及网络输入输出进行适当修改即可将该模型可应用于负荷预测及其余状态参量预测。

首先，采用双输出神经网络直接输出发电功率预测区间的上下界，其简易模型如图3所示。对上述发电功率区间预测模型合理选取网络权值与阈值，可得到预测的最优区间预测模型。

其次，为保证计及不确定性因素的区间预测结果的全局最优性，预测区间评价指标考虑可靠性和准确性两个指标。为衡量预测区间的可靠性程度，引入置信度(predictioninterval coverage probability,PICP)，其公式为：

其中，Np代表总个数，Pi表示概率。

以可再生能源发电功率预测为例，考虑到可再生能源发电功率时间序列的强随机性和不确定性，可采用适当多目标优化算法如NSGA2进行优化求解，以期提高预测结果的精度和可靠性。

当采用NSGA2多目标优化算法进行求解时，求解过程的具体流程如图4所示。1、对数据进行初始化，包括对网络连接权值阈值参数以及NSGA-II算法参数的初始化。2、NSGA-II算法初始化，随机生成N个个体的初始种群pop，设置每个决策变量范围及种群代数gen。3、计算目标函数适应度。4、按秩小、拥挤距离小原则对初始化种群进行非支配排序。5、令种群代数gen为1。6、按二元锦标赛选择、交叉和变异的得到新种群newpop，合并父代与子代种群。7、计算目标函数适应度，进行非支配排序，给个体赋予秩。8、按秩小、拥挤距离小原则选择最好的N个个体组成新的pop。9、判断是否满足终止条件，若是则结束步骤，否则返回步骤6。

请参照图2，本发明的实施例三为：

一种计及不确定性因素的电网态势预测终端1，包括处理器2、存储器3以及存储在所述存储器3中并可在所述处理器2上运行的计算机程序，所述处理器2执行所述计算机程序时实现以上实施例一或二的一种计及不确定性因素的电网态势预测方法中的步骤。

综上所述，本发明提供的一种计及不确定性因素的电网态势预测方法与终端，基于历史工程数据进行，从数据中挖掘机理，无需了解复杂物理机制，避免繁琐的建模过程或以损失精确性为代价简化模型，且考虑不确定性因素，电力系统孪生模型更能反映电网的实际运行情况，对各种可能出现的场景有更高精度的预测、演绎，从而使电力系统态势的感知预测具有更高的准确度。

通过对不确定性因素集合建模、研究影响因素灵敏度分析模型以及针对多时间尺度不确定性因素的风险评估，搭建具有高鲁棒性、高精度的数字孪生电网模型，并基于模型采用深度学习和概率预测的方法模拟电网运行态势，实现对新能源状态参量的预测。

本发明具有以下有益效果：1、考虑了新能源等不确定性因素，采用此方法建模更精确更能反映电网的实际状态。2、有利于解决目前分布式能源高速发展，新能源高比例接入电网所造成的电网电压波动等一系列问题。3、本发明对于电网精准态势感知有着重要的实践意义。

本发明考虑了电网中新能源等不确定性因素进行建模，具有鲁棒性强、精确度高、适应性强等优势，对于目前风光等新能源比例逐渐升高的新型电力系统的态势感知有着重要意义。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。