本發(fā)明涉及配網(wǎng)電壓分析，尤其涉及一種新能源配電系統(tǒng)節(jié)點(diǎn)電壓不確定性量化方法、裝置、終端及介質(zhì)。

背景技術(shù)：

1、分布式光伏發(fā)電具有環(huán)境良好、運(yùn)行靈活、易于組裝并網(wǎng)等特性，逐步成為電力生產(chǎn)和清潔能源消納的重要模式。但隨著低壓配電網(wǎng)中分布式光伏等新能源滲透率不斷增加，產(chǎn)生的電壓越限、潮流過載等安全性問題也愈發(fā)嚴(yán)峻，嚴(yán)重影響了配電系統(tǒng)電壓的安全穩(wěn)定。因此，量化新能源配電系統(tǒng)節(jié)點(diǎn)電壓的不確定性，對準(zhǔn)確分析區(qū)域內(nèi)電壓的時空波動特性、提前進(jìn)行配電系統(tǒng)的風(fēng)險評估及安全預(yù)警具有重要意義。

2、電壓不確定性量化問題本質(zhì)上是建立配電網(wǎng)中各節(jié)點(diǎn)功率與電壓之間的映射關(guān)系。不少學(xué)者利用概率預(yù)測模型對電壓不確定性進(jìn)行量化，康涅狄格大學(xué)團(tuán)隊(duì)將dropout方法與改進(jìn)的圖卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，提高了電壓不確定性量化的魯棒性，蒙斯大學(xué)團(tuán)隊(duì)使用聯(lián)邦學(xué)習(xí)模型對能源社區(qū)的電壓進(jìn)行不確定性量化，并在聯(lián)邦學(xué)習(xí)框架中引入差分隱私技術(shù)實(shí)現(xiàn)社區(qū)用戶的隱私保護(hù)，但現(xiàn)有電壓不確定性量化思路均為直接構(gòu)建從新能源出力到節(jié)點(diǎn)電壓的預(yù)測模型，預(yù)測方法的可解釋性不足。電壓-功率靈敏度矩陣可用來表征負(fù)荷、新能源出力的變化對電壓變化的近似線性關(guān)系，廣泛應(yīng)用于配電系統(tǒng)規(guī)劃、新能源消納能力評估、分布式配網(wǎng)電壓控制等領(lǐng)域。如何高效獲取電壓-功率靈敏度矩陣也是當(dāng)前的熱門研究之一，但未見將其與電壓不確定性量化問題相結(jié)合。

3、現(xiàn)有的方法中，存在的主要問題在于：1)現(xiàn)有電壓不確定性量化方法多為直接構(gòu)建光伏出力到節(jié)點(diǎn)電壓的數(shù)據(jù)驅(qū)動映射模型，存在物理意義不明確、可解釋性不足等問題。2)現(xiàn)有電壓不確定性分析方法在機(jī)器學(xué)習(xí)模型參數(shù)未收斂等情況下會影響預(yù)測結(jié)果的合理性，并對配電系統(tǒng)的穩(wěn)定運(yùn)行造成沖擊。3)對配電系統(tǒng)中新能源出力不確定性的處理較為簡單，如采用直接預(yù)測、模型擬合預(yù)測等方法，僅考慮了過去的信息對當(dāng)前時刻的影響，無法全面考慮光伏處理波動特性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種新能源配電系統(tǒng)節(jié)點(diǎn)電壓不確定性量化方法、裝置、終端及介質(zhì)，通過建立基于bootstrap方法的雙向長短期記憶神經(jīng)網(wǎng)絡(luò)區(qū)間預(yù)測模型，實(shí)現(xiàn)了新能源出力的非參數(shù)概率預(yù)測；利用電壓-功率靈敏度矩陣構(gòu)建了從配網(wǎng)功率不確定性到節(jié)點(diǎn)電壓不確定性的線性映射模型，提升了電壓不確定性模型的可解釋性；構(gòu)建包含可靠性、銳度、綜合性能三種不同角度的評價指標(biāo)體系，對不確定性量化結(jié)果進(jìn)行較為全面的對比分析。

2、為了實(shí)現(xiàn)上述目的，第一方面，本發(fā)明實(shí)施例提供了一種新能源配電系統(tǒng)節(jié)點(diǎn)電壓不確定性量化方法，包括以下步驟：

3、基于深度學(xué)習(xí)模型構(gòu)建對新能源配電系統(tǒng)中光伏出力進(jìn)行確定性預(yù)測的模型，獲取光伏出力預(yù)測值，基于確定性預(yù)測的模型，采用自舉法(bootstrap)實(shí)現(xiàn)光伏出力的不確定性量化；

4、基于電壓-功率靈敏度，僅考慮光伏有功功率對于節(jié)點(diǎn)電壓的影響，構(gòu)建光伏出力不確定性到節(jié)點(diǎn)電壓不確定性的線性映射關(guān)系，求得節(jié)點(diǎn)電壓偏差的高斯分布；以光伏出力預(yù)測值為輸入，對配電系統(tǒng)開展確定性潮流運(yùn)算，求得當(dāng)前時刻節(jié)點(diǎn)電壓的期望值，將節(jié)點(diǎn)電壓偏差與電壓的期望值疊加得到節(jié)點(diǎn)電壓的不確定性量化結(jié)果。

5、進(jìn)一步的，所述方法具體包括：

6、1)獲取光伏輸入特征x，包括溫度、光伏歷史出力，并通過確定性潮流運(yùn)算獲取原始數(shù)據(jù)集d，包括節(jié)點(diǎn)電壓u及電壓-功率靈敏度矩陣su-p；

7、2)構(gòu)建對光伏出力進(jìn)行確定性預(yù)測的模型獲取當(dāng)前時刻光伏出力預(yù)測值與所述光伏輸入特征x合并作為確定性預(yù)測的模型的輸入特征，得到電壓-功率靈敏度矩陣的預(yù)測值

8、3)基于對光伏出力進(jìn)行確定性預(yù)測的模型，采用自舉法(bootstrap)對光伏出力的不確定性量化，得到給定標(biāo)稱覆蓋概率下功率偏差的期望值與方差；

9、4)基于所述從光伏出力不確定性到節(jié)點(diǎn)電壓不確定性的線性映射關(guān)系，求得節(jié)點(diǎn)電壓偏差的高斯分布；同時，以光伏出力預(yù)測值為輸入，對配電系統(tǒng)開展確定性潮流運(yùn)算，求得當(dāng)前時刻節(jié)點(diǎn)電壓的期望值

10、5)根據(jù)所得到的節(jié)點(diǎn)電壓偏差以及節(jié)點(diǎn)電壓的期望值，基于所述節(jié)點(diǎn)電壓不確定性的計算過程得到不同的給定置信水平下的節(jié)點(diǎn)電壓的不確定性量化結(jié)果。

11、進(jìn)一步的，所述確定性預(yù)測的模型采用雙向長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測模型(bidirectional?long?short?term?memory,bi-lstm)，所述bi-lstm包含前向、后向兩類長短期記憶神經(jīng)網(wǎng)絡(luò)模型，bi-lstm模型的輸出也由兩個不同方向的輸出拼接得到。

12、進(jìn)一步的，所述自舉法(bootstrap)實(shí)現(xiàn)光伏出力的不確定性量化具體包括：

13、1)將輸入特征x與光伏出力預(yù)測值合并作為訓(xùn)練集其中n為訓(xùn)練集樣本數(shù)量，xi為特征值向量，ti為光伏出力值；

14、2)從dt中有放回的進(jìn)行隨機(jī)重采樣k次，得到自舉樣本集

15、3)利用第l個自舉樣本集訓(xùn)練bi-lstm模型，輸出值為

16、4)重復(fù)步驟3)，獲得bm個估計值，將其取平均作為真回歸值y(xi)的估計值

17、

18、從而得到方差

19、

20、5)基于上述步驟的結(jié)果，保持輸入變量xi不變，將輸出值更新為構(gòu)造新的訓(xùn)練樣本

21、6)用步驟2)的方式對其進(jìn)行有放回的隨機(jī)重采樣，訓(xùn)練bn個新的bi-lstm模型，獲得數(shù)據(jù)噪聲誤差的方差和對應(yīng)的回歸模型的不確定性方差

22、

23、

24、則數(shù)據(jù)噪聲誤差的總方差為：

25、

26、7)綜上所述，光伏出力的不確定性量化即整體方差為：

27、

28、進(jìn)一步的，根據(jù)牛頓-拉夫遜算法進(jìn)行潮流計算推導(dǎo)得出電壓-功率靈敏度，快速構(gòu)建電壓-功率靈敏度矩陣，包括：

29、整理得到潮流修正方程：

30、

31、其中，j為雅克比矩陣；表示對變量求偏導(dǎo)，δp與δq分別為有功、無功矩陣，δθ與δu分別為節(jié)點(diǎn)相角與電壓幅值矩陣；

32、在所述潮流修正方程兩側(cè)同時左乘雅可比矩陣的逆矩陣j-1，整理得：

33、

34、其中，s為總靈敏度矩陣，將上式中節(jié)點(diǎn)電壓幅值計算方程單獨(dú)列出，得：

35、

36、式中，即為電壓-有功功率靈敏度；為電壓-無功功率靈敏度。

37、進(jìn)一步的，所述為線性映射關(guān)系具體為：

38、對于共有m個光伏的新能源配電系統(tǒng)，分別得到每個光伏的功率誤差的方差與期望值μm，其中，方差即為光伏出力的不確定性量化結(jié)果，期望值μm即為光伏出力預(yù)測值；根據(jù)獨(dú)立正態(tài)分布的線性可加性，代入線性方程δu＝su-pδp，構(gòu)建從光伏出力不確定性到節(jié)點(diǎn)電壓不確定性的線性映射關(guān)系，得到對應(yīng)節(jié)點(diǎn)i電壓的方差與期望值μi：

39、

40、進(jìn)一步的，在給定的置信水平(1-β)*100％下，電壓不確定性量化區(qū)間iβ＝[lβ,uβ]的上下邊界表示為：

41、

42、式中：z1-β/2是標(biāo)準(zhǔn)高斯分布下置信水平為(1-β)*100％所對應(yīng)的分位數(shù)。

43、第二方面，一種新能源配電系統(tǒng)節(jié)點(diǎn)電壓不確定性量化裝置，用于實(shí)現(xiàn)任一所述的方法，所述裝置包括：

44、光伏出力概率預(yù)測模塊，基于自舉法方法的bi-lstm概率預(yù)測模型，將總體誤差的方差分為觀測數(shù)據(jù)噪聲誤差的方差及模型誤差的方差，實(shí)現(xiàn)新能源出力的不確定性量化；

45、節(jié)點(diǎn)電壓不確定性量化模塊，引入配網(wǎng)潮流約束，利用電壓-功率靈敏度矩陣構(gòu)建從配網(wǎng)光伏出力不確定性到節(jié)點(diǎn)電壓不確定性的線性映射關(guān)系，實(shí)現(xiàn)配網(wǎng)節(jié)點(diǎn)電壓不確定性的量化。

46、第三方面，一種終端設(shè)備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執(zhí)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(shí)現(xiàn)任一所述的新能源配電系統(tǒng)節(jié)點(diǎn)電壓不確定性量化方法。

47、此外，一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)包括存儲的計算機(jī)程序，其中，在所述計算機(jī)程序運(yùn)行時控制所述計算機(jī)可讀存儲介質(zhì)所在設(shè)備執(zhí)行任意一項(xiàng)所述的新能源配電系統(tǒng)節(jié)點(diǎn)電壓不確定性量化方法。

48、有益效果：

49、與現(xiàn)有技術(shù)相比，本發(fā)明公開的一種新能源配電系統(tǒng)節(jié)點(diǎn)電壓不確定性量化方法、裝置、終端及介質(zhì)，建立基于bootstrap方法的bi-lstm概率預(yù)測模型，將總體誤差的方差分為觀測數(shù)據(jù)噪聲誤差的方差及模型誤差的方差，實(shí)現(xiàn)新能源出力的不確定性準(zhǔn)確量化；引入配網(wǎng)拓?fù)浣Y(jié)構(gòu)約束，利用電壓-功率靈敏度矩陣構(gòu)建從配網(wǎng)功率不確定性到節(jié)點(diǎn)電壓不確定性的線性映射關(guān)系，避免了傳統(tǒng)電壓不確定性量化方法對配網(wǎng)模型固有物理特性的忽視。

50、因此，本發(fā)明能夠基于非參數(shù)概率預(yù)測方法對光伏出力不確定性進(jìn)行量化，可以提升預(yù)測的精度，同時適應(yīng)不同運(yùn)行場景進(jìn)行調(diào)整；考慮配網(wǎng)潮流約束，提升了電壓不確定性模型的可解釋性；并通過建立綜合評價指標(biāo)體系，驗(yàn)證了所提方法可以實(shí)現(xiàn)配網(wǎng)節(jié)點(diǎn)電壓不確定性的有效量化，相比傳統(tǒng)方法具有更高的預(yù)測精度、更優(yōu)的銳度指標(biāo)及綜合性能，研究具有很強(qiáng)的完整性。