数据驱动的电力系统运行方式分析--中国期刊网

字体：大中小

首页> 原创作品> 正文

数据驱动的电力系统运行方式分析

发表时间：2020/11/23 来源：《基层建设》2020年第22期作者：梁泽鑫1 程曦2

[导读] 摘要：本文基于电力系统时序运行模拟数据，提出了数据驱动的电力系统运行方式及其形态变化分析方法，以供参考。

        国网襄垣县供电公司山西省襄垣县 046200
        摘要：本文基于电力系统时序运行模拟数据，提出了数据驱动的电力系统运行方式及其形态变化分析方法，以供参考。
        关键词：数据驱动；电力系统运行；方式
        引言
        大力发展可再生能源成为构建新一代低碳化、清洁化电力系统重要趋势。但高比例可再生能源的强不确定性及电力电子设备的大量接入给电力系统带来了多重挑战，例如运行方式多样化、电网潮流双向化、稳定机理复杂化等。此外，可再生能源消纳的压力及日益增长的调峰调频需求使储能等灵活性资源在电力系统中的作用逐渐凸显。
        1电力系统运行方式变化具体表现
        电力系统运行方式的变化具体表现为线路潮流、机组出力、节点电压、相角等相关电气量运行规律的变化。实际电力系统中包含大量的元件（线路、机组、母线），多样的电气量（有功、无功、电压、电流、相角），不同的时间尺度（年、月、日）和时间粒度（小时级、分钟级、秒级），因此运行方式数据是高维且非线性相关的。例如江苏省220kV以上线路超过2500条，如果仅考虑小时级时间粒度，则全年存在365个60000维日潮流向量。这些向量内的不同维度之间存在时空及潮流方程耦合。因此，电力系统运行方式分析是典型的高维非线性数据分析问题。总的来说，已经有许多数据驱动的方法应用于运行规划过程中电力系统典型运行场景选取，但是缺少高比例可再生能源等新因素接入下电力系统运行方式及其模式变化规律的研究。
        2数据驱动的电力系统运行方式分析框架
        2.1确定边界条件
        根据研究因素（可再生能源、储能等）确定电力系统的边界条件，例如，研究高比例可再生能源时需要确定可再生能源机组容量、出力概率分布、时空相关性、季日特性、线路和负荷参数等。
        2.2电力系统精细化运行模拟
        数据驱动的方法需要足够的数据支撑，但是电力系统实验成本高昂且部分研究场景在当前实际系统中并不存在，例如超高比例可再生能源电力系统，因此，本框架基于电力系统精细化运行模拟产生海量运行方式数据，以解决实际电力系统中历史运行方式数据不足的问题。首先通过随机微分方程重构考虑时空相关性、季日特性的可再生能源时序出力，同时进行水电中长期运行模拟和火电全年检修模拟；通过可再生能源、水电、检修模拟得到的日边界条件，以最小化运行成本为目标，逐日模拟考虑多种电源类型和网络约束的电力系统优化调度，得到电力系统机组出力，线路潮流、负荷等运行方式数据。电力系统运行模拟方法较为成熟，目前已有一些商业软件，因此具体方法不再赘述。
        2.3运行方式特性定量分析基于运行方式
        可视化得到的直观认知，对运行方式的特性进行数学指标建模和定量描述，有助于我们将所得结论应用于电力系统运行规划。本文提出运行方式分散性、季节一致性、时序多变性等指标定量描述电力系运行方式的变化。
        2.4数据驱动的运行模式提取及可视化
        电力系统运行方式数据呈现海量高维且非线性相关的特点。因此，本框架基于电力系统精细化运行模拟的结果，首先对高维运行方式数据进行预处理，以排除不合理的运行状态和冗余维度以提高后续算法的运行效率；接着通过紧密度指标和聚类算法分析电力系统运行模拟数据，辨识高比例可再生能源、储能等新因素接入下电力系统典型运行方式及其数量，避免了基于经验选取典型运行方式的方法在筛选海量运行场景方面的不足；最后利用t-SNE或LargeVis等降维算法解耦高维向量的相关性、提取主要特征并进行可视化。通过运行方式散点图和时序图在低维空间展示电力系统运行方式及相关特性的变化，能够帮助我们直观分析和理解新因素对电力系统运行方式的影响。

期刊文章分类查询,尽在期刊图书馆

        3电力系统运行方式数据的特点及数据驱动算法选取原则
        3.1电力系统运行方式数据具有以下特点：
        （1）数据规模大，维度高：电力系统运行方式的变化具体表现为线路潮流、机组出力、节点电压相角等相关电气量运行规律的变化。实际电力系统中包含大量的元件，多样的电气量，不同的时间尺度和时间粒度。因此其数据维度高，数据规模大。一方面有必要对运行方式数据进行预处理以提高后续算法的效率，另一方面高维度运行方式数据难以直观理解，有必要通过聚类算法确定其在高维空间的聚类结构，并通过降维可视化的方法在低维空间直观展示其高维空间分布及时序特点，从而加深我们在新因素接入下对电力系统运行方式特点的理解。（2）不同维度之间非线性相关：电力系统运行方式数据的不同维度之间存在物理规律的时空耦合，例如基尔霍夫电流定律、电压定律、潮流方程的耦合等，因此不同维度之间存在时间和空间的复杂非线性相关性，同时存在一定的冗余性，例如机组出力、负荷及线路潮流数据只要知道前两者就可以通过潮流方程计算出线路潮流。因此我们有必要通过预处理算法对冗余维度进行压缩。
        3.2预处理
        由于电力系统实际和仿真数据往往存在坏数据或维度冗余的问题，通常需要对实际和仿真数据进行预处理。对于仿真数据，常用的预处理方法是降维压缩。降维压缩可以过滤掉电力系统实际和仿真数据中冗余的维度，提高后续聚类及可视化算法的效率，从而将数据驱动方法拓展到实际大型电力系统。常用的降维预处理算法有主成分分析（PCA），多维变量缩放等。本文使用效率较高且易于控制压缩程度的PCA算法对高维运行方式数据进行降维预处理。
        3.3聚类及典型运行方式提取
        在新的关键因素影响下，电力系统的运行方式呈海量多变的趋势，因此需要聚类发现典型运行模式。聚类的主要方法有原型聚类（k-Means）、密度聚类（DBSCAN）、分层聚类等。本文采用原型聚类中k-Means++算法，其收敛速度快，鲁棒性较好，适用于大规模实际数据。但在高比例可再生能源等场景下，难以经验地选取合适的聚类数目，本文提出了利用电力系统运行方式紧密度指标进行聚类数目选取的方法。电力系统运行方式紧密度定义为每一类中各运行方式点到聚类中心的平均距离。选取最优聚类数后，利用k-means++算法对预处理后电力系统运行方式数据P进行模式提取，其核心思想是使初始运行方式聚类中心之间的距离尽可能远。
        3.4降维可视化方法
        电力系统运行方式数据高维且非线性相关，难以直观理解电力系统运行方式的变化模式。因此，本文通过降维可视化算法提取电力系统运行方式的主要特征，将高维数据映射到2维空间实现电力系统高维非线性运行方式可视化。典型的高维数据可视化算法有t-SNE和LargeVis，其中t-SNE已经成功应用在自然语言处理、图像处理可视化等多个领域。t-SNE的基本思路是将高维运行方式数据和一个低维流形建立对应关系，并通过计算得到相应运行方式在低维流形中的具体位置。
        结束语
        综上可知，高比例可再生能源等新因素接入使得电力系统运行方式呈现多样化的趋势。本文基于电力系统精细化运行模拟仿真数据，提出了数据驱动的电力系统运行方式分析方法。该方法利用预处理、降维可视化算法直观分析和定性理解电力系统运行方式及其变化规律，以指导实际电力系统运行规划。
        参考文献：
        [1]康重庆，姚良忠.高比例可再生能源电力系统的关键科学问题与理论研究框架[J].电力系统自动化，2017，41（9）：10–11.
        [2]袁小明，程时杰，胡家兵.电力电子化电力系统多尺度电压功角动态稳定问题[J].电机工程学报，2016，36（19）：5145–5146.
        [3]薛禹胜，赖业宁.大能源思维与大数据思维的融合（二）应用及探索[J].电力系统自动化，2016，40（8）：12–13.