[发明专利]一种电力系统备用不足风险场景辨识方法

说明书

一种电力系统备用不足风险场景辨识方法，包括以下步骤：S1：选取影响正负备用的样本特征，构建初始样本集；S2：筛选互信息较大的样本特征作为训练样本特征，构建训练样本集；S3：构建决策树模型，根据训练样本集在各个训练样本特征划分下的基尼指数确定决策树模型的最优划分特征；S4：采用交叉验证法选取最优叶节点最小样本数；S5：生成带纠错机制的决策树序列；S6：对决策树序列进行剪枝，生成最优的带纠错编码的决策树序列；S7：对带纠错机制的决策树模型进行评估；S8：利用评估后的决策树模型进行电力系统备用不足风险场景辨识。本发明能实现对电力系统可能出现的正、负备用不足风险进行预判，从而保证电力系统的安全。

技术领域

本发明涉及电力系统安全技术领域，具体是涉及一种电力系统备用不足风险场景辨识方法。

背景技术

近年来，各国风力发电量占电力系统总发电量的比例逐渐升高。然而，风电功率具有波动性和不确定性，这给电力系统的运行带来了极大的安全风险，比如功率不平衡、线路过载、正负备用不足等问题。在系统实时运行中，常规机组组合和调度计划已经提前确定，但由于风电出力的波动性和预测准确性有限，对于含有大规模风电接入的电力系统，经常因为风电出力的极端情况导致系统出现风险。例如，若实际风电出力远小于预测出力，即使开机的常规机组均达到最大出力也无法满足负荷需求，就会出现供电不足风险；若实际风电出力远大于预测出力，即使开机的常规机组均压到最小出力也无法满足风/光全额消纳，造成限电情况，出现负备用不足风险。

然而，针对电力系统备用不足风险，目前常通过用随机模拟方法模拟大量场景，然后用复杂且费时的计算方法来确定是否存在备用不足风险，整个过程非常费时，效率比较低，难以满足实时性的需求，因此亟需提出一种高效的满足实时性的在线风险场景辨识方法以保证电力系统的安全。

发明内容

本发明所要解决的技术问题是，克服上述背景技术的不足，提供一种电力系统备用不足风险场景辨识方法，能快速有效的辨识由于风电波动极端情况导致的电力系统备用不足风险，实现对电力系统可能出现的正、负备用不足风险进行预判，从而保证电力系统的安全。

本发明解决其技术问题采用的技术方案是，一种电力系统备用不足风险场景辨识方法，包括以下步骤：

S1：根据历史数据构建样本集合，选取影响正负备用的样本特征，得到候选的样本特征集合；设置样本集合中各样本的正、负备用不足风险类别标记，根据候选的样本特征集合和风险类别标记构建初始样本集；

S2：根据初始样本集，利用互信息法分别计算各个样本的样本特征X和风险类别标记Y之间的互信息，筛选互信息较大的样本特征作为训练样本特征，构建训练样本集D；

S3：基于训练样本特征和训练样本集D构建基于CART准则的决策树模型，采用连续型特征数据处理方法对取值为连续值的训练样本特征进行离散处理，根据训练样本集D在各个训练样本特征划分下的基尼指数确定决策树模型的最优划分特征；

S4：基于步骤S2构建的训练样本集D和步骤S3构建的基于CART准则的决策树模型，采用交叉验证法选取最优叶节点最小样本数；

S5：利用步骤S2构建的训练样本集D对步骤S3构建的基于CART准则的决策树模型进行训练从而生成二分类决策树T_s1，并利用步骤S4获得的最优叶节点最小样本数对决策树模型进行参数设置，经过多次训练生成带纠错机制的决策树序列T_st＝{T_s1,T_s2,…,T_sn}；

S6：采用迭代式后剪枝法对步骤S5生成的决策树序列T_st进行剪枝，最终生成最优的带纠错编码的决策树序列T_op；

S7：根据最优的带纠错机制的决策树序列T_ops，对带纠错机制的决策树模型进行评估，采用预测精度、查准率、查全率和F1度量对决策树模型进行评估；