[发明专利]一种基于卷积神经网络的新能源电力系统可靠性评估方法

权利要求书

1.一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，包括：

1)根据历史数据对新能源电力系统涉及的元件进行建模；

2)抽样生成用于CNN回归模型训练的数据集，并将其分为训练集与测试集两部分；

3)利用训练集训练CNN回归模型，待模型训练结束后在测试集中评估模型的性能；

4)通过蒙特卡洛法生成待评估样本，利用训练好的CNN回归模型对待评估样本进行识别与切负荷量估计；

5)统计结果，计算得到系统的可靠性指标。

2.根据权利要求1所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，步骤1)中，根据元件参数和新能源出力统计数据，进行新能源电力系统各元件的可靠性及新能源出力建模，其中火电机组考虑装机容量、最小技术出力、故障率和修复率，建立两状态模型；变压器、线路考虑容量、电纳值、停运率和停运持续时间，建立两状态模型；风电、光伏电站采用时序模型。

3.根据权利要求1所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，步骤2)中，根据系统各类型元件的模型，抽样生成系统状态进而得到用于CNN回归模型训练的数据集，将获得的数据集进一步分为训练集与测试集，来训练与测试CNN回归模型。

4.根据权利要求1所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，步骤3)中，CNN回归模型输入特征矩阵如式(1)所示：

式中P_Ri表示节点i并网新能源电力的可用功率；E_i表示节点i并网常规机组的可用容量；B_ii为B的第i个对角元，即节点i的自电纳；

其输出为系统切负荷量的预测值

5.根据权利要求4所述的一种基于卷积神经网络的新能源电力系统可靠性评估方法，其特征在于，CNN回归模型的输出为最优切负荷量的预测值；CNN回归模型的训练标签为系统真实的最优切负荷量，该真实值通过求解如下的最优切负荷模型来获得：

目标函数为全系统切负荷量或切负荷成本最低：

其中P_C为系统切负荷总量，N_D为负荷节点集合，P_Ci为节点i的切负荷量；相关的约束条件如式(3)-(8)所示；

功率平衡约束

P_G+P_W+P_PV-P_D+P_C＝Bθ (3)

其中P_G、P_W、P_PV分别为常规机组、风电、光伏出力变量的向量，P_C为切负荷变量向量，P_D为有功负荷参数向量，B为用于直流潮流计算的节点电纳矩阵，θ为节点电压相角变量的向量；

各类机组有功出力约束

式中N_G、N_W和N_PV表示常规机组、风电场、光伏电站的集合；变量P_Gg、P_Wh和P_PVk表示常规机组g，风电场h和光伏电站k的出力；参数和取值由抽样获得，与系统运行状态相关；和与之类似，若在状态s下，机组g处于故障状态，则和取值均为0；

线路传输容量约束

当线路ij无故障、正常运行时，需满足式(7)；式中P_ij为支路ij通过的有功功率潮流，P_ijmax为其传输容量极限；变量θ_i和θ_j表示节点i和j处的电压相位；

切负荷约束

0≤P_Ci≤P_Di，i∈N_D (8)

式中P_Di为节点i的有功负荷；

若P_C等于0，则系统能可靠供电；否则，供电不可靠，即