基于概率预测的电网静态安全运行风险评估及主动调控策略

　　摘要：近年来，随着电网互联层级和规模的高速发展以及新能源、电力电子设备的大规模接入，电力系统的不确定性和调控需求都在持续增加。为解决当前电网调度控制方式基于联络线越限等经验特征量异常触发、缺乏主动性和预见性调控手段的问题，提出了一种基于概率预测的电网安全运行风险评估及主动调控方法。首先，构建了基于长短期记忆网络和支持向量机的滚动概率预测模型。然后，从充裕度的角度建立了常见风险事件的严重度函数，从而实现对关键元件的越限概率预测，并计算得到量化风险以形成触发机制，实现电力系统面对风险事件的主动调控。最后，在IEEE39节点系统上结合中国某省电网的实际负荷数据进行仿真，计算结果验证了所提方法和模型能够实现提前主动调控，有效规避安全运行风险。

　　关键词：概率预测;风险预警;主动调控;长短期记忆网络;支持向量机;时序预测;机器学习;数据驱动

　　0引言

　　随着特高压交直流混联大电网和可再生能源的快速发展，新能源出力特性给电网带来的影响和挑战日益加剧[1]，电力系统特性发生了深刻变化。电网运行全局监视、全网防控、集中决策的需求日益突出[2]，研究电网主动调度控制(以下简称“调控”)策略是提升调控水平、促进经验型调控向分析型和智能型转变的重要手段[3]。一般来说，面对源荷双重不确定性，现有调控方式仍主要停留在被动控制阶段[4-5]，即等需要调控的场景或故障到来之后再制定策略并实施。然而，此控制方式往往会错过最佳的预先调控时间，无法充分利用调控时间常数较大的资源，使得电网安全处于被动位置[6]。

　　考虑现有调控方式所缺乏的主动性，若能在调控场景到来之前对其进行预测[7-9]，提前制定策略，便可为系统调节争取更多的资源以及准备时间[10]。目前，这方面的研究主要集中在态势感知[6-11]、暂态稳定评估[12-14]等方面，其评估结果往往是未来电力系统所属的状态类型[15]。然而一般情况下，仅有类型信息难以反映场景的危急程度，无法帮助调度运行人员准确判断局势，导致类别信息起不到理想作用，工作人员依然需要凭自身经验重新判断并制定策略。于是，许多学者开始进行风险预警研究，以此来辅助调度人员进行更精确的决策。

　　目前，风险评估在电力领域的研究主要集中于概念建立及必要性分析[16-17]、风险指标改进[18-22]、以及基于风险的调度决策[23-26]等方面。其通常采用可能性与可靠性并重的模式，其中对可靠性的研究主要集中于严重度建模方面，文献[19]较早提出了风险评估的相关概念，并建立线路过载、电压越限等事件的风险评估指标;文献[20-21]进一步加入设备重载、失负荷等指标，丰富了评估体系。上述研究虽然对严重度进行了建模，但随着大量新能源及电力电子设备的接入，系统动态特性愈加复杂，这类基于确定性假设和模型驱动的风险评估方法已较难准确估计系统真实风险。

　　于是，基于数据驱动的风险评估方法近年来受到了广泛关注[27-32]，但其中大部分仍主要针对数据驱动方式下的指标改进[27]且基于确定性故障进行假设[28]，未涉及各类可能事件的概率获取方法[29-30]。仅有少量研究将场景概率与风险评估相结合[31-32]，如文献[31]采用生成对抗网络来考虑系统各可能事件的概率及对应后果，实现配电网运行风险分级;文献[32]基于迭代随机森林，利用实时数据对系统风险进行动态评估，具有良好的鲁棒性。但上述研究仍局限于对系统当前状态的评估，没有量度未来场景下的风险，也未利用安全风险评估结果指导调控。

　　因此，本文基于电网中关键变量的时序预测信 息，沿用文献[19]提出的电压、潮流等风险指标，并加入对变压器越限事件的考虑，构建典型场景的概率预测模型，输出关键元件在未来时刻的越限概率，计算系统安全风险，从而辅助调度运行人员提前进行系统调控，增强电网安全运行主动性。

　　1基于时序预测及支持向量机(SVM)的概率预测模型

　　本文所提出的安全风险评价模型的评估对象为系统未来的运行状态，需要滚动地对系统关键变量(如新能源发电、负荷功率等)进行超短期时序预测，并将其作为目标场景(指线路过载、电压越限等)概率预测模型的输入，从而得到系统未来各假设场景的概率结果，作为安全风险评价模型的输入，并最终集成为系统量化风险值，从而指导主动调控。本文采用长短期记忆网络(LSTM)对系统关键变量进行超短期时序预测[33]，作为场景概率预测模型的基础。

　　1.1SVM原理介绍

　　SVM在电力系统中应用广泛，在暂态稳定评估、变压器故障诊断等方面都展现出了较好的预测性能，具有训练样本少、泛化能力强等特点[34-35]。同时，对于一个任意的样本x，SVM可以获取其与分类超平面的距离，从而定义分类结果的置信程度，具有概率意义[36]。因此，本文采用SVM对特定场景的未来状态进行预测。

　　1.2SVM多分类概率输出

　　实际上，电力系统中存在的绝大多数预测问题属于多分类问题，二分类模型通常难以表示系统元件或者态势的完整状态[28]，如一条线路在其负载率超过重载阈值之后便属于重载线路，但重载的严重程度却无法表述出来。通常期望获取的不仅仅是变量的二分类信息，而是变量处于某个范围或者超出某个阈值多少之类的信息。因此，本文将电力系统目标场景分类模型扩展至多分类模型，同时计算各假设场景的多分类概率输出作为安全风险评估模型的输入，为调度运行人员提供全面精准的辅助信息。

　　2考虑风险评估的电网主动调控模型

　　风险评估的意义在于将以往只能定性分析或根据运行经验判断的电网场景和事件予以量化，从而更加明了地评估风险大小。本章依据上文介绍的概率预测方法，构建考虑关键对象越限概率的风险量化指标，作为电网主动调控的触发指令。

　　综上所述，优化调度模型的实质是以机组发电量及负荷调整量为决策变量的二次规划模型，通过基于LSTM-SVM的概率预测模型得出下一时刻目标事件的发生概率，经由风险评估模型定量计算并判断该风险能否接受，并以此触发主动调控手段，合理避免电网运行过程中重大风险事故的出现。

　　在计算用时方面，由于关键变量的时序预测模型及关键对象的概率预测模型均为离线构建，故模型在线计算的耗时主要集中于优化策略的制定部分。针对本文提前式的静态预防控制场景，利用模型预测所带来的缓冲处理时间(与预测时间尺度相同)，优化程序可获得较长时间制定策略，因而在计算时间方面较为充裕，可满足在线主动控制的尺度要求。当系统规模扩大时，也可通过调节预测时间尺度进一步获取更长的处理时间。

　　3算例分析

　　为验证所提方法的有效性，本文采用IEEE39节点标准系统结合中国某省网负荷实际数据进行算例测试。

　　3.1模型样本制作

　　利用从中国某省网收集的实际负荷数据作为波动源，接入标准系统中，可产生线路潮流、节点电压和变压器负载波动数据，生成线路过载、电压越限、变压器过载等场景数据，从而得到时序预测模型及概率预测模型的训练及测试样本。

　　本文选取时间跨度360d、间隔5min的负荷数据，作为潮流断面样本生成的输入，共计生成103678个时间断面的潮流样本，该数据样本充分考虑了来自波动源的一年内的所有波动模式，包含单线路过载、多线路过载、单节点电压越限、多节点电压越限，以及上述过载事件并存的多重越限场景。基于潮流样本数据，计算得到系统历史严重度数值序列，并通过基于相关性分析的特征选择方法筛选了15个关键变量。

　　本文为这15个关键变量构建了时序预测模型(共计13个，包含2个不需要预测的时间和季度特征)。与此同时，依据在历史上是否出现过越限事件，可筛选出部分关键线路、关键电压节点以及变压器支路，并为每一个对象构建一个概率预测模型(共计21个)，用于对未来时刻的系统安全风险进行评价。

　　3.2时序预测模型构建

　　在时序预测模型构建过程中，选取70%的样本进行模型的构建和选择，剩余30%的样本作为时序预测模型的测试集。需要说明的是，时序预测模型在测试集上的输出叠加时间特性取值之后，将作为概率预测模型的测试输入，而其余30%样本(原测试数据集)将不会作为概率预测模型的测试数据，为了区分，先前预留的30%样本称为测试集，而利用时序预测模型得到的数据集为预测数据集，测试集可作为预测数据集的校验。预测数据集考虑了预测误差，将更加有效地评估概率预测模型的表现，关于预测数据集的描述详见附录B。

　　考虑到本文所提安全风险评估系统和实际生产调度相结合，采用过去8个时间点的实际数据来预测未来1个时间点。与此同时，利用交叉验证及网格搜索的方式每次将70%的样本进一步拆分为训练集和验证集，对每种参数组合对应的模型进行评估，从而获取最佳模型及参数设置。结果表明所构建的LSTM预测模型在训练过程中损失函数值随着迭代次数的增加快速下降，且验证集误差始终略大于训练集误差，但差别不大，模型具有良好的泛化能力[37]。

　　3.3概率预测模型构建

　　在滚动预测模型的构建过程中，70%的样本用于模型训练，30%的样本用于模拟预测。于是，在分类模型的构建过程中，同样只能使用前70%的样本进行模型的择优和训练，在模型构建完毕后将使用上述预测数据集进行模型评价。本文采用交叉验证以及网格搜索的方式，每次将输入的70%样本进一步拆分，以保证预测结果的客观性。经过模型训练和择优，共计形成21个概率预测器，从而完成了安全稳定风险评估体系的构建。

　　在进行模型择优时需要依靠一定的评价方式，对于二分类问题，常常采用混淆矩阵来判断模型的好坏，并引申出查全率、查准率等评价准则[37]。正例通常代表非正常情况，而负例则代表正常情况，在电力系统中正例的样本数会远大于负例，属于不平衡分类问题，传统的依靠精度的方式已不再适用。

　　3.4基于安全风险评估的主动调控仿真结果

　　在概率预测模型构建完成后，即可进行主动调控仿真验证。本实验设定严重度可接受阈值为0.095，即当预测出下一时间点全网风险大于0.095时，进入优化调度步骤，使用Yalmip调用Cplex求解器对上文所述优化模型进行求解得到调控指令。考察样本数据可发现，第696个时间步全网风险之和超过设定阈值，故在第695个时间步启动优化调度程序，对风险进行规避。选取第1道调度指令下达的前后各12个时间点绘制全网风险严重度图像进行比对。

　　电力论文投稿刊物：《南方电网技术》(双月刊)创刊于2007年，是由中国南方电网有限责任公司主管，南方电网技术研究中心主办的国内外公开发行的技术类科技期刊，主要刊登电力系统的科研、规划、基建、生产运行和维护等方面的成果、经验和动态，发行数量8000份以上。

　　4结语

　　本文构建了考虑概率预测的安全风险评估与主动调控模型，实现了基于时序预测输出系统部分关键对象在未来的越限概率，并最终集成为系统量化风险，从而指导主动调控。仿真结果验证了本文所提方法及模型的正确性和有效性。1)该模型能根据历史数据对未来可能出现的场景进行预测，从而实现主动调控以规避风险。并且由于采用了数据驱动方式，避免了传统参数模型受系统运行方式、物理参数变化而变化的弊端，增强了安全风险监测的鲁棒性。

　　2)该模型在分类标签以外，增加概率输出，从而为调度运行人员决策提供更具参考价值的辅助信息，并作为评估电网未来场景安全运行风险的数据输入。本文主要依靠电网静态安全风险量化预测值进行主动调控策略制定，在后续研究工作中，可进一步考虑暂态安全风险，完善系统风险评估全面性，从而进行更加系统的主动调控策略制定。

　　参考文献：

　　[1]周孝信，鲁宗相，刘应梅，等.中国未来电网的发展模式和关键技术[J].中国电机工程学报，2014，34(29)：4999-5008.ZHOUXiaoxin，LUZongxiang，LIUYingmei，etal.DevelopmentmodelsandkeytechnologiesoffuturegridinChina[J].ProceedingsoftheCSEE，2014，34(29)：4999-5008.

　　[2]曹军威，杨明博，张德华，等.能源互联网——信息与能源的基础设施一体化[J].南方电网技术，2014，8(4)：1-10.CAOJunwei，YANGMingbo，ZHANGDehua，etal.Energyinternet：aninfrastructureforcyber-energyintegration[J].SouthernPowerSystemTechnology，2014，8(4)：1-10.

　　[3]杨胜春，汤必强，姚建国，等.基于态势感知的电网自动智能调度架构及关键技术[J].电网技术，2014，38(1)：3635-3641.YANGShengchun，TANGBiqiang，YAOJianguo，etal.Architectureandkeytechnologiesforsituationalawarenessbasedautomaticintelligentdispatchingofpowergrid[J].PowerSystemTechnology，2014，38(1)：3635-3641.

　　[4]孙元章，吴俊，李国杰，等.基于风速预测和随机规划的含风电场电力系统动态经济调度[J].中国电机工程学报，2009，29(4)：41-47.

　　作者：徐浩1，姜新雄2，刘志成1，邹曜坤2，廖思阳2，徐箭2

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/27444.html