数据驱动的电力系统运行方式分析

　　摘要：随着电网中高比例可再生能源及电力电子设备渗透率的提高，电力系统的运行形态将发生深刻变化，基于经验选择的电力系统方式分析，越来越难以应对电力系统运行、规划、保护和稳定分析的要求。为此，该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。该方法首先对高维运行模拟数据进行预处理，通过聚类和紧密度指标饱和点分别辨识典型运行模式及其数量，利用SNE降维算法提取主要特征并可视化运行方式的时空变化规律;接着，从定量的角度，提出了描述电力系统运行方式分散性、季节一致性、时序多变性的评估指标。最后，以甘肃电网实际算例系统分析了高比例可再生能源对电力系统运行方式的影响，验证了文中数据驱动方法的有效性。实验结果表明，电力系统运行方式的分散性及典型运行方式的数量会随着可再生能源渗透率的上升而迅速增加。此外，电力系统运行方式与季节的耦合性逐渐减弱。

　　关键词：数据驱动;高比例可再生能源;电力系统运行方式;电力系统运行模拟;降维;聚类

　　0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[12]。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[34]。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[57]。这些新的因素开始主导电网的运行方式，传统基于模型和经验的电力系统分析方法越来越难以应对电力系统运行、规划、保护和稳定分析中海量多变的运行方式[89]。

　　电力系统论文范例： 电力系统继电保护与自动化装置的可靠性分析

　　由于传统电力系统的运行方式主要受负荷或季节性水电出力的影响，具有相对固定的模式，在电力系统规划中往往利用“冬大冬小，夏大夏小，丰水枯水”选取典型运行方式进行经济性、安全性和稳定性评估。但在高比例可再生能源和电力电子设备接入下，按传统方式选取的电力系统典型运行场景难以还原真实的情况。

　　因此，如何在运行和规划中确定典型运行方式及其数量如何在保护和稳定分析中确定极端运行方式均亟需研究未来高比例可再生能源等新因素接入下电力系统运行方式的变化机理。 学术界已经对数据驱动技术在电力系统中的应用进行了初步探索[10]。这些研究主要集中在个方面：预测，模式识别和决策分析。

　　预测主要包括负荷预测[1112]和可再生能源预测[1315]，基本思路是通过数据驱动的方法建立负荷或可再生能源出力与影响因素之间的相关模型而非因果模型进行预测，为负荷预测提供了新的思路。文献[12]先将负荷聚类分组，再通过集成学习的方法预测总负荷。文献[11]则将LST模型应用于个体概率性负荷预测。文献[15]通过深度学习的方法选取主要特征以提高风电短期出力预测精度。在模式识别方面，数据驱动的方法主要用于电力系统状态估计[16]，拓扑识别[1718]，和事故辨识[1921]等。

　　文献[16]通过数据驱动方法对历史数据进行学习以改善智能电网在线状态估计的效果。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。在实际电力系统规划中，仍然沿用“冬大冬小，夏大夏小，丰水枯水”等通过经验选取电力系统运行方式数量及模式的方法。

　　为此，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及框架;该方法首先对海量高维运行模拟数据进行预处理以压缩其中的冗余维度，提高后续算法的运行效率;接着利用聚类算法和紧密度指标饱和点分别在高维空间发现典型运行模式及其数量;然后通过降维可视化算法提取运行方式主要特征并在低维空间直观展示运行方式的高维空间分布及时序特点;接着，从定量的角度，本文提出了描述电力系统运行方式分散性、季节一致性、时序多变性等特点的数学指标。最后，以甘肃电网实际算例实证分析了高比例可再生能源对电力系统运行方式影响，验证了本文提出的框架和数据驱动方法的有效性。

　　本文的创新性主要体现在以下几个方面：

　　1)精细化运行模拟生成海量运行方式数据：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，本文的方法基于精细化运行模拟数据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;

　　2)数据驱动的新视角：通过紧密度指标饱和点和聚类等数据驱动算法分析电力系统运行方式数据，从而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目，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;

　　3)从定性和定量两个方面展示电力系统运行方式的特点：通过高维聚类和降维可视化，在低维展示了电力系统运行方式的高维空间分布及时序变化，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，同时通过对运行方式直观特点的定量描述，提出了运行方式分散性、季节一致性、时序多变性等严格指标，有助于我们将所得结论应用于电力系统运行规划;

　　4)适用于实际电力系统：电力系统数据具有高维复杂非线性相关的特点，特别是对于大型实际电力系统，本文通过甘肃省实际算例验证了所提方法的有效性并对比分析了不同可再生能源接入下甘肃电网运行方式的特点。实验结果表明电力系统运行方式的分散性及典型运行方式的数量会随着可再生能源渗透率的上升而迅速增加。此外，电力系统运行方式与季节的耦合性逐渐减弱。

　　1数据驱动的电力系统运行方式分析框架

　　电力系统运行方式数据具有高维且非线性相关的特点，利用数据驱动的方法分析电力系统的运行方式，需要解决以下个问题：

　　1)如何获取新因素作用下的海量运行方式数据，如何高效地对高维非线性相关的运行方式数据进行分析;2)如何定量地对电力系统运行方式的特性进行描述为此，图给出了数据驱动的电力系统运行方式分析框架：3)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;4)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[3。

　　2数据驱动方法

　　2.1电力系统运行方式数据的特点及数据驱动算法选取原则

　　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。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。此外，随着高比例可再生能源、储能等新因素的接入下，电力系统运行方式呈现进一步多样化的趋势，因此，需要仿真更多的运行方式样本分析其规律，这种新的特点进一步增大了所需电力系统运行方式数据的规模。

　　如果使用电力系统历史数据，则由于实际电力系统中广泛存在的量测设备，仍然面临数据规模大、维度高的问题。因此，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。同时需要降维可视化算法解耦其在高维空间的相关性并投影到二维平面进行直观展示。如综上所示，本文采用了预处理、聚类、降维可视化的思路对海量运行方式数据进行分析。

　　预处理、聚类、可视化降维等数据驱动方法应当通过以下原则选取：预处理算法应当能快速处理大规模高维运行方式数据，能对运行方式的冗余维度进行压缩并表示其压缩程度，对于实际数据需要能辨识异常运行方式，以提升后续算法的运行效率;聚类算法应当能快速处理大规模样本，鲁棒性高，同时应当通过适当的指标合理确定电力系统运行方式数量;降维可视化算法应当能够解耦高维非线性相关运行方式数据，同时能在低维平面反映数据在高维空间的分布，例如在高维空间聚在一类的运行方式在低维空间应当相互邻近。下面将具体介绍各环节的典型算法。

　　2.2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[3。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电力系统运行方式特征指标

　　通过数据驱动的方法对电力系统运行方式进行聚类、降维、可视化分析可以得到对电力系统运行方式空间分布的直观理解。为了定量描述电力系统的运行方式的特征以进一步将指导电力系统运行规划，本文提出个指标分别描述电力系统运行方式的分散性、季节的一致性以及时序多变性。

　　4算例分析

　　4.1甘肃电网算例数据

　　为研究高比例可再生能源渗透率对电力系统运行方式的影响，本文以甘肃省电网实际数据进行实证分析。截止020年上半年，甘肃省可再生能源最大出力超过1000MW，占甘肃电网用电负荷7.3，占当时总发电出力的7.240。随着可再生能源渗透率的提高，甘肃电网运行方式面临巨大挑战。本文以甘肃电网实际数据和网架结构为基准，设计了低比例(0%)，中比例20%)，高比例(3%)等种可再生能源渗透率情景，分别代表过去、当前、及未来电网的形态。

　　5结论

　　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、聚类、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，接着设计定量指标描述电力系运行方式及其变化的特点，以指导实际电力系统运行规划。

　　6展望

　　本文重点对高比例可再生能源接入下电力系统运行方式及其变化规律进行了定性和定量的分析。但电网中各类新的要素不断增加，例如大量储能以及电动汽车逐渐接入电网。电热气等多种能源系统的耦合增加，电力系统的运行方式和形态可能发生新的变化。

　　因此，未来的研究可以从以下两个方面展开：1)利用本文提出的数据驱动方法分析高比例集中式或分散式储能的接入电网以及多能源系统耦合等因素对电力系统运行方式的影响。2)将本文的结论应用于实际电力系统运行规划中选取典型和极端运行方式。

　　参考文献

　　[1]国家发改委能源研究所.中国2050高比例可再生能源发展情景暨路径研究[J].北京：国家发改委能源研究所，2015.Instituteofenergyresearchofnationaldevelopmentandreformcommission.China2050highrenewableenergypenetrationscenarioandroadmapstudy[J].Beijing:Instituteofenergyresearchofnationaldevelopmentandreformcommission，2015(inChinese).

　　[2]KROPOSKIB，JOHNSONB，ZHANGYingchen，etal.Achievinga100%renewablegrid：operatingelectricpowersystemswithextremelyhighlevelsofvariablerenewableenergy[J].IEEEPowerandEnergyMagazine，2017，15(2)：6173.

　　[3]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)：11.KANGChongqing，YAOLiangzhong.Keyscientificissuesandtheoreticalresearchframeworkforpowersystemswithhighproportionofrenewableenergy[J].AutomationofElectricPowerSystems，2017，41(9)：11(inChinese).

　　[4]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].中国电机工程学报，2016，36(19)：51455154.

　　作者：侯庆春，杜尔顺1*，田旭，刘飞，张宁，康重庆