[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

说明书

本发明公开了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，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。本发明能够在改进传统方法繁琐复杂的系统状态评估过程，在保证计算结果准确性的前提下，提升计算效率，使方法实施简单化、通用化。

技术领域

本发明属于电力系统可靠性分析领域，具体涉及一种基于卷积神经网络(convolutional neural network，CNN)的新能源电力系统可靠性评估方法。

背景技术

风电、光伏的大规模接入给电力系统可靠性评估带来了巨大挑战。新能源电力随机性、波动性显著，这一方面使得Monte Carlo模拟(Monte Carlo Simulation，MCS)特别是序贯MCS成为电力系统可靠性评估的必然选择；另一方面又使系统运行的不确定性增强、潜在运行场景数量显著增加，影响MCS方法的计算效率。因此，针对不确定性日益增强的电力系统，开发一种准确、快速的可靠性评估方法具有重要的现实意义。

MCS方法通常需要采样大量的系统状态并进行复杂的最优切负荷计算进而得到可靠性指标。为提升MCS方法效率，目前可从以下两种途径入手：一是通过代表性样本的生成和选取，减少获得特定精度可靠性评估结果所需评估的样本数量，从而减少计算量，提升评估效率。但仍需对所抽样的样本进行复杂的最优切负荷计算。提升MCS方法效率的另一种途径是减少单个样本评估所需时间。其主要利用数据驱动算法实现对系统能否可靠供电进行快速判别，从而加快LOLP指标计算。但这些基于样本分类的工作无法直接提供EENS等与失负荷量相关的指标。

综上，提升MCS法的效率是新能源电力系统可靠性评估的关键问题，在众多研究和应用中发挥基础性作用，但现有的方法仍无法避免复杂耗时的系统状态评估，尤其是最优切负荷计算。

发明内容

本发明的目的在于针对现有新能源电力系统可靠性评估常用方法-MCS法的不足，在序贯MCS框架下引入卷积神经网络加速系统状态评估环节进而提升序贯MCS法的效率，提供了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。此发明旨在改进传统方法繁琐复杂的系统状态评估过程，在保证计算结果准确性的前提下，提升计算效率，使方法实施简单化、通用化。

为实现上述目的，本发明采用的技术方案是：

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，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。

本发明进一步的改进在于，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。

本发明进一步的改进在于，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。