本發(fā)明涉及電力系統(tǒng)，尤其涉及一種考慮風(fēng)電不確定性的前瞻調(diào)度電力平衡預(yù)警方法和介質(zhì)。

背景技術(shù)：

1、目前，新能源裝機(jī)容量與電量占比不斷提升。風(fēng)力發(fā)電具有隨機(jī)性與反調(diào)峰特性，其大規(guī)模并網(wǎng)使得電網(wǎng)的下調(diào)峰能力不足，帶來嚴(yán)重的棄風(fēng)現(xiàn)象和電力電量雙缺矛盾。針對上述問題，傳統(tǒng)基于確定性的解決方法是通過預(yù)先設(shè)定足夠的正負(fù)旋轉(zhuǎn)備用容量，從而彌補(bǔ)調(diào)度中可能出現(xiàn)的機(jī)組發(fā)電量過剩或者不足。這種方法已無法全面應(yīng)對電力系統(tǒng)平衡安全。因此有必要通過前瞻性的視野對未來幾小時電網(wǎng)調(diào)度的平衡風(fēng)險進(jìn)行感知與預(yù)警，為后續(xù)的調(diào)度決策提供指導(dǎo)信息，以便調(diào)度機(jī)構(gòu)提前預(yù)留爬坡容量，在實時運(yùn)行時滿足預(yù)設(shè)調(diào)度目標(biāo)。

2、電力平衡風(fēng)險預(yù)警主要任務(wù)是對未來時刻可能出現(xiàn)的調(diào)度場景進(jìn)行預(yù)測與推演，辨識出存在不平衡風(fēng)險的調(diào)度場景，并對這些場景進(jìn)行風(fēng)險量化評估與等級劃分，為日內(nèi)調(diào)度計劃的滾動更新提供參考依據(jù)。現(xiàn)有風(fēng)險預(yù)警工作主要從負(fù)荷損失量、系統(tǒng)備用容量和控制措施等方面展開。然而，前兩種評估分級方法雖然能夠在一定程度上有效反映運(yùn)行場景的不安全程度，但是沒有體現(xiàn)當(dāng)前場景下需要調(diào)用何種類型的資源才能恢復(fù)穩(wěn)定運(yùn)行狀態(tài)，多資源協(xié)同考慮不充分，所以結(jié)果難以對后續(xù)實時調(diào)度決策提供更多信息。因此基于控制措施的風(fēng)險預(yù)警方法逐漸出現(xiàn)。當(dāng)運(yùn)行場景風(fēng)險等級較低時，采用較少的控制方式；如果風(fēng)險等級較高、僅靠少數(shù)的控制方式仍無法保證系統(tǒng)安全運(yùn)行，則需要投入更多且代價更高的控制手段。

3、最大可調(diào)容量是指電力系統(tǒng)為避免源荷波動引起的電力短缺，預(yù)留部分機(jī)組使其能夠在短時間提供發(fā)電容量。它能夠全面刻畫系統(tǒng)當(dāng)前狀態(tài)下的調(diào)節(jié)能力，作為電力平衡風(fēng)險等級的判斷標(biāo)準(zhǔn)。另外，由于電網(wǎng)的歷史序列數(shù)據(jù)間具有一定的時間相關(guān)性，在構(gòu)建預(yù)警模型時應(yīng)充分挖掘不同時刻量測數(shù)據(jù)間的時序特征。但是現(xiàn)有的電力平衡預(yù)警方法無法快速預(yù)測電網(wǎng)觀測時間窗內(nèi)各時刻的最大可調(diào)容量分布情況，并且無法快速且準(zhǔn)確地計算風(fēng)險等級。另外，現(xiàn)有的電力平衡預(yù)警方法所采用的深度學(xué)習(xí)模型，訓(xùn)練效果較差，且因訓(xùn)練樣本均衡性較差而缺乏有效性與泛化性。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題。為此，本發(fā)明的第一個目的在于提供一種考慮風(fēng)電不確定性的前瞻調(diào)度電力平衡預(yù)警方法，該方法能夠快速且準(zhǔn)確地計算風(fēng)險等級，從而能夠快速準(zhǔn)確的實現(xiàn)電力平衡預(yù)警。

2、本發(fā)明的第二個目的在于提供一種計算機(jī)可讀存儲介質(zhì)。

3、本發(fā)明的第三個目的在于提供一種電子設(shè)備。

4、為達(dá)到上述目的，本發(fā)明通過以下技術(shù)方案實現(xiàn)：

5、一種考慮風(fēng)電不確定性的前瞻調(diào)度電力平衡預(yù)警方法，包括：

6、步驟s1：在各電力不平衡場景下，計算各電力不平衡風(fēng)險等級和各電力不平衡風(fēng)險等級對應(yīng)的最大可調(diào)容量，并構(gòu)成電力不平衡場景、電力不平衡風(fēng)險等級和最大可調(diào)容量相互對應(yīng)的訓(xùn)練數(shù)據(jù)集；

7、步驟s2：構(gòu)建lstm和mdn聯(lián)合模型，并采用所述訓(xùn)練數(shù)據(jù)集對聯(lián)合模型進(jìn)行訓(xùn)練；其中，lstm模型用于動態(tài)提取訓(xùn)練數(shù)據(jù)集中預(yù)設(shè)時間窗電氣特征，以降低訓(xùn)練數(shù)據(jù)集的維度，并將降維后的訓(xùn)練數(shù)據(jù)集輸入至mdn模型中，以通過所述mdn模型處理得到最大可調(diào)容量概率分布；

8、步驟s3：獲取測試數(shù)據(jù)集，將所述測試數(shù)據(jù)集中的各樣本數(shù)據(jù)輸入至聯(lián)合模型中，得到各樣本數(shù)據(jù)各電力不平衡風(fēng)險等級下的各個最大可調(diào)容量概率分布，并基于各個最大可調(diào)容量概率分布得到預(yù)設(shè)置信度下的各最大可調(diào)容量值；

9、步驟s4：獲取測試數(shù)據(jù)集中各樣本數(shù)據(jù)的風(fēng)電預(yù)測偏差，比較各風(fēng)電預(yù)測偏差與對應(yīng)的各最大可調(diào)容量值的大小關(guān)系，以確定各風(fēng)電預(yù)測偏差所落預(yù)測區(qū)間，并根據(jù)各預(yù)測區(qū)間確定對應(yīng)的各樣本數(shù)據(jù)的電力不平衡風(fēng)險等級，其中，風(fēng)電預(yù)測偏差為風(fēng)電日前預(yù)測有功功率和風(fēng)電超短期預(yù)測有功功率的差值。

10、優(yōu)選的，所述步驟s1中，在各電力不平衡場景下，計算各電力不平衡風(fēng)險等級和各電力不平衡風(fēng)險等級對應(yīng)的最大可調(diào)容量時考慮的約束條件包括火電機(jī)組運(yùn)行邊界約束條件、火電機(jī)組爬坡約束條件、水電機(jī)組運(yùn)行邊界約束條件、抽水蓄能運(yùn)行邊界約束條件、光伏發(fā)電運(yùn)行邊界約束條件、直流聯(lián)絡(luò)線上有功功率約束條件、線路傳輸容量約束條件和發(fā)電側(cè)與負(fù)荷側(cè)總功率平衡約束條件。

11、優(yōu)選的，在對聯(lián)合模型進(jìn)行訓(xùn)練之前，所述方法還包括：

12、在各電力不平衡風(fēng)險等級對應(yīng)的訓(xùn)練數(shù)據(jù)集中，確定出含有少量數(shù)據(jù)的訓(xùn)練數(shù)據(jù)集，并將對應(yīng)的電力不平衡風(fēng)險等級確定為待數(shù)據(jù)增強(qiáng)風(fēng)險等級；

13、采用基于矩估計和矩陣正態(tài)分布的數(shù)據(jù)增強(qiáng)方法對所述待數(shù)據(jù)增強(qiáng)風(fēng)險等級對應(yīng)的訓(xùn)練數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，以實現(xiàn)各訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)均衡。

14、優(yōu)選的，基于矩估計和矩陣正態(tài)分布的數(shù)據(jù)增強(qiáng)方法包括：

15、對所述待數(shù)據(jù)增強(qiáng)風(fēng)險等級對應(yīng)的訓(xùn)練數(shù)據(jù)集計算協(xié)方差，并將協(xié)方差分解為兩個正定矩陣；

16、計算兩個正定矩陣的估計值，根據(jù)兩個正定矩陣的估計值重新計算得到對應(yīng)訓(xùn)練數(shù)據(jù)集的期望和協(xié)方差，并根據(jù)重新計算得到的期望和協(xié)方差構(gòu)建得到對應(yīng)訓(xùn)練數(shù)據(jù)集的矩陣正態(tài)分布函數(shù)；

17、從所述矩陣正態(tài)分布函數(shù)中抽樣得到若干個訓(xùn)練數(shù)據(jù)，并對若干個訓(xùn)練數(shù)據(jù)分別計算相應(yīng)的電力不平衡風(fēng)險等級，選取電力不平衡風(fēng)險等級為所述待數(shù)據(jù)增強(qiáng)風(fēng)險等級的訓(xùn)練數(shù)據(jù)，以擴(kuò)充所述待數(shù)據(jù)增強(qiáng)風(fēng)險等級對應(yīng)的訓(xùn)練數(shù)據(jù)集。

18、優(yōu)選的，所述步驟s2中，對聯(lián)合模型進(jìn)行訓(xùn)練包括：采用所述訓(xùn)練數(shù)據(jù)集，以最大似然估計為目標(biāo)，通過損失函數(shù)對聯(lián)合模型進(jìn)行訓(xùn)練。

19、優(yōu)選的，所述步驟s2中，對聯(lián)合模型進(jìn)行訓(xùn)練還包括：采用貝葉斯優(yōu)化方法對聯(lián)合模型進(jìn)行超參數(shù)尋優(yōu)，以訓(xùn)練優(yōu)化所述聯(lián)合模型。

20、優(yōu)選的，所述方法還包括采用預(yù)測評價指標(biāo)對預(yù)測結(jié)果進(jìn)行評價。

21、優(yōu)選的，所述預(yù)測評價指標(biāo)包括預(yù)測區(qū)間覆蓋率、預(yù)測區(qū)間標(biāo)準(zhǔn)均方根寬度和覆蓋帶寬綜合評價指標(biāo)，其中，預(yù)測區(qū)間覆蓋率用于衡量預(yù)測區(qū)間可靠性；預(yù)測區(qū)間標(biāo)準(zhǔn)均方根寬度用于衡量預(yù)測區(qū)間的銳度性能；覆蓋帶寬綜合評價指標(biāo)用于綜合衡量預(yù)測區(qū)間覆蓋率和預(yù)測區(qū)間標(biāo)準(zhǔn)均方根寬度兩指標(biāo)。

22、為達(dá)到上述目的，本發(fā)明第二方面提供了一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時，實現(xiàn)上述所述的考慮風(fēng)電不確定性的前瞻調(diào)度電力平衡預(yù)警方法。

23、為達(dá)到上述目的，本發(fā)明第三方面提供了一種電子設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時，實現(xiàn)上述所述的考慮風(fēng)電不確定性的前瞻調(diào)度電力平衡預(yù)警方法。

24、本發(fā)明至少具有以下技術(shù)效果：

25、本發(fā)明提供了一種考慮風(fēng)電不確定性的前瞻調(diào)度電力平衡預(yù)警方法，該方法利用lstm和mdn聯(lián)合模型快速預(yù)測電網(wǎng)觀測時間窗內(nèi)各時刻的最大可調(diào)容量分布情況，通過比較風(fēng)電預(yù)測偏差與最大可調(diào)容量來刻畫電力不平衡風(fēng)險，并根據(jù)風(fēng)電預(yù)測偏差和最大可調(diào)容量快速且準(zhǔn)確地計算風(fēng)險等級。另外，在訓(xùn)練聯(lián)合模型時，本發(fā)明采用automl中的貝葉斯優(yōu)化方法尋找模型最優(yōu)超參數(shù)，從而可提高模型訓(xùn)練效果。同時提出了基于矩估計與矩陣正態(tài)分布的數(shù)據(jù)增強(qiáng)方法，可提升模型的有效性與泛化性。

26、本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。