基于改进蒙特卡洛和LSSVM的电网风险评估算法

随着电网互联规模、用户负荷、新能源并网量的持续增加,电网的安全稳定运行有了新的挑战,对调度控制方法的精确性和实时性要求提高。传统的基于时域仿真分析的方法对于大电网的情况计算速度较慢,已经不能满足当前的需求。随着电网信息系统的建设,可以较方便的获取系统与电力元件的实时数据,而机器学习方法的新进展和计算机技术的进步,也使得这些实时数据能够实际应用起来,为在线的安全稳定运行分析与控制提供新的手段。风险的概念兼具了事件概率和后果,比较适合用来描述电力系统可靠供电的能力。本文首先研究了蒙特卡洛法,并对其进行改进,以获得准确有效的电网风险信息。选取失负荷量作为风险指标,采用拉丁超立方抽样技术生成一定规模的场景集,以全面反映系统的状态分布情况。进行重复场景合并,然后对场景集进行风险后果分析,包括拓扑结构分析、线路潮流越限判断、内点法最优切负荷三个步骤,得到每个场景的风险后果。最后统计场景的数量和对应的后果,得到系统整体风险值。使用机器学习的方法可以避免传统方法的计算负担,将原本非线性、高维度的问题转化为较简单的学习机计算模型,从而大大提高了风险评估在线应用的效率。其中,最小二乘支持向量机(LSSVM)是目前最为常用,效果最好的方法之一,其泛化能力优秀,且在小样本的训练集上也可以取得比其他算法好很多的结果。本文对LSSVM的原理和参数寻优方法进行了研究,给出了一种高斯粒子群优化的LSSVM方法。本文据此提出了一种基于改进LSSVM的电网风险评估快速算法,首先通过改进的蒙特卡洛法生成电网风险的数据样本,使用公共场景集方法来避免样本生成过程中场景的重复计算;然后使用数据样本进行机器学习训练;训练结束后即可根据系统在线数据,在电网运行过程中进行在线风险分析,以及时得到电网的风险水平等信息。风险灵敏度反映了电网风险受设备参数变化的影响程度,使用灵敏度指标可以有效发现与电网风险紧密相关的设备参数,从而找到影响电网风险的关键环节。本文使用摄动法进行电力系统元件的风险灵敏度计算,结合基于改进LSSVM的风险评估方法,可以简便快速的得到风险灵敏度计算结果。最终根据风险灵敏度对设备进行聚类分级,得到设备的检修运维等级。本文方法的应用,可以使电力系统在实时运行过程中能及时发现问题,并做出快速反应,为电网安全稳定运行的调度控制过程发挥重要的辅助决策作用。