一种电力系统的风险评估方法、装置、设备及存储介质与流程

1.本发明涉及数字电网与人工智能的技术领域，特别是涉及一种电力系统的风险评估方法、装置、设备及存储介质。


背景技术：

2.随着化石能源的衰竭以及环境气候的渐渐恶劣，能源转型不得不加快步伐，以风能、太阳能为代表的可再生新能源大量连接电网，可再生能源的发电天然具有随机性和不确定性，这进一步扩大了电力系统运行的不确定性，一旦电力系统出现严重故障，将对经济和社会产生巨大的冲击和损失。
3.电力系统的规模和复杂度急剧增加，这也增加了电网风险评估的难度，传统的电力系统风险评估方法主要采用概率统计方法和基于物理模型的仿真方法，其中，概率统计方法通常基于历史数据，利用概率论和统计学原理建立数学模型来预测未来风险，然而，这种方法的不足之处在于难以准确描述各历史变量之间的复杂依赖关系，以及无法应对新能源大规模接入所带来的新挑战；基于物理模型的仿真方法则需要建立精确的电力系统物理模型，模型参数和模型结构的不确定性很大，模型的复杂度和计算成本也很高。
4.为此，为了更加准确地评估电力系统风险，目前亟需开发一种新的方法和技术，为电力系统的安全稳定运行和可持续发展提供科学的支撑。


技术实现要素：

5.本发明要解决的技术问题是：提供一种电力系统的风险评估方法、装置、设备及存储介质，提高风险评估计算的速度及准确度。
6.为了解决上述技术问题，本发明提供了一种电力系统的风险评估方法，包括：
7.获取电力系统的多类历史数据，对每类历史数据进行数据预处理，以使将所述多类历史数据转换为均匀分布历史序列；
8.计算所述均匀分布历史序列中任意两个第一变量的最大互信息值，并基于所述最大互信息值，得到所述任意两个第一变量的信息系数，并基于所述信息系数，确定最大信息系数；
9.基于所述最大信息系数，构建贝叶斯网络模型；
10.基于所述贝叶斯网络模型，得到多个均匀分布离散样本，并对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据；
11.对所述原始历史数据进行系统状态采样，计算所述每个系统状态对应的累计风险值，整合所有系统状态对应的所述累计风险值，得到电力系统的风险评估值。
12.在一种可能的实现方式中，对每类历史数据进行数据预处理，以使将所述多类历史数据转换为均匀分布历史序列，具体包括：
13.基于核密度估计，计算每类历史数据的边缘概率密度估计值；
14.对所述边缘概率密度估计值进行积分处理，得到每类历史数据的边缘分布函数，
并计算所述边缘分布函数的反函数；
15.基于所述反函数，计算每类历史数据对应的第一变量，整合所有第一变量，生成均匀分布历史序列。
16.在一种可能的实现方式中，基于核密度估计，基于核密度估计，计算每类历史数据的边缘概率密度估计值，其中，所述边缘概率密度估计值的计算方式如下所示：
[0017][0018]
式中，f
x
(αi)为边缘概率密度估计值，α
ij
为历史数据αi的第j个数据点；n为数据量；h为带宽；k为核函数，取为正态分布函数。
[0019]
在一种可能的实现方式中，计算所述均匀分布历史序列中任意两个第一变量的最大互信息值，并基于所述最大互信息值，得到任意两个第一变量的信息系数，具体包括：
[0020]
选取所述均匀分布历史序列中任意两个第一变量，生成第一网格，对所述第一网格进行x轴和y轴划分，得到网格划分数；
[0021]
基于所述网格划分数，设置多种划分方式，并计算每种划分方式下任意两个第一变量对应的最大互信息值；
[0022]
对所述最大互信息值进行归一化处理，得到归一化互信息值，选取所述归一化互信息值中的最大值，得到任意两个第一变量的信息系数。
[0023]
在一种可能的实现方式中，基于所述最大信息系数，构建贝叶斯网络模型，具体包括：
[0024]
将所述均匀分布历史序列中的所有第一变量作为网络节点，并将所述最大信息系数对应的两个第一变量作为边，随机生成多个贝叶斯网络结构；
[0025]
基于评分搜索函数，计算每个贝叶斯网络结构对应的搜索评分，选取搜索评分最高值对应的贝叶斯网络结构为最优贝叶斯网络结构；
[0026]
基于最大似然估计方法，计算所述最优贝叶斯网络结构的网络参数，基于所述最优贝叶斯网络结构和所述网络参数，构建贝叶斯网络模型。
[0027]
在一种可能的实现方式中，对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据，具体包括：
[0028]
基于随机数生成器，生成每个均匀分布离散样本对应的随机数，将所述随机数输入到预设数据转换公式中，以使将所述随机数转换成原始历史数据，其中，所述预设数据转换公式如下所示：
[0029][0030]
式中，为第ns次抽样得到的第w个均匀分布离散样本对应的随机数，为第ns次抽样得到的第w个均匀分布离散样本对应的原始历史数据，为反函数。
[0031]
在一种可能的实现方式中，对所述原始历史数据进行系统状态采样，计算所述每个系统状态对应的累计风险值，具体包括：
[0032]
建立电网风险评估指标体系，其中，所述电网风险评估指标体系包括年停电电量期望值和电力不足概率；
[0033]
将每个原始历史数据分类为独立变量和非独立变量；
[0034]
当原始历史数据被分类为独立变量时，基于非序贯蒙特卡洛模拟对所述独立变量进行系统状态抽样，得到第一状态采样数据；
[0035]
当确定电力系统的发电总容量不满足负荷，且电力系统中出现潮流越限及节点电压越限情况时，基于预设的负荷切除策略，对所述第一状态采样数据进行负荷消减处理，得到每个系统状态对应的第一负荷削减量；
[0036]
基于所述第一状态采样数据和所述第一负荷削减量，计算第一年停电电量期望值和第一电力不足概率，基于所述第一年停电电量期望值和所述第一电力不足概率，得到每个系统状态对应的第一累计风险值；
[0037]
当原始历史数据分类为非独立变量时，基于所述最优贝叶斯网络结构对所述非独立变量进行系统状态采样，得到第二状态采样数据；
[0038]
当确定电力系统的发电总容量不满足负荷，且电力系统中出现潮流越限及节点电压越限情况时，基于预设的负荷切除策略，对所述第二状态采样数据进行负荷消减处理，得到每个系统状态对应的第二负荷削减量；
[0039]
基于所述第二状态采样数据和所述第二负荷削减量，计算第二年停电电量期望值和第二电力不足概率，基于所述第二年停电电量期望值和所述第二电力不足概率，得到每个系统状态对应的第二累计风险值。
[0040]
本发明还提供了一种电力系统的风险评估装置，包括：数据预处理模块、数据计算模块、模型构建模块、数据还原模块和风险评估值计算模块；
[0041]
其中，所述数据预处理模块，用于获取电力系统的多类历史数据，对每类历史数据进行数据预处理，以使将所述多类历史数据转换为均匀分布历史序列；
[0042]
所述数据计算模块，用于计算所述均匀分布历史序列中任意两个第一变量的最大互信息值，并基于所述最大互信息值，得到所述任意两个第一变量的信息系数，并基于所述信息系数，确定最大信息系数；
[0043]
所述模型构建模块，用于基于所述最大信息系数，构建贝叶斯网络模型；
[0044]
所述数据还原模块，用于基于所述贝叶斯网络模型，得到多个均匀分布离散样本，并对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据；
[0045]
所述风险评估值计算模块，用于对所述原始历史数据进行系统状态采样，计算所述每个系统状态对应的累计风险值，整合所有系统状态对应的所述累计风险值，得到电力系统的风险评估值。
[0046]
在一种可能的实现方式中，所述数据预处理模块，用于对每类历史数据进行数据预处理，以使将所述多类历史数据转换为均匀分布历史序列，具体包括：
[0047]
基于核密度估计，计算每类历史数据的边缘概率密度估计值；
[0048]
对所述边缘概率密度估计值进行积分处理，得到每类历史数据的边缘分布函数，并计算所述边缘分布函数的反函数；
[0049]
基于所述反函数，计算每类历史数据对应的第一变量，整合所有第一变量，生成均
匀分布历史序列。
[0050]
在一种可能的实现方式中，所述数据预处理模块，用于基于核密度估计，基于核密度估计，计算每类历史数据的边缘概率密度估计值，其中，所述边缘概率密度估计值的计算方式如下所示：
[0051][0052]
式中，f
x
(αi)为边缘概率密度估计值，α
ij
为历史数据αi的第j个数据点；n为数据量；h为带宽；k为核函数，取为正态分布函数。
[0053]
在一种可能的实现方式中，所述数据计算模块，用于计算所述均匀分布历史序列中任意两个第一变量的最大互信息值，并基于所述最大互信息值，得到任意两个第一变量的信息系数，具体包括：
[0054]
选取所述均匀分布历史序列中任意两个第一变量，生成第一网格，对所述第一网格进行x轴和y轴划分，得到网格划分数；
[0055]
基于所述网格划分数，设置多种划分方式，并计算每种划分方式下任意两个第一变量对应的最大互信息值；
[0056]
对所述最大互信息值进行归一化处理，得到归一化互信息值，选取所述归一化互信息值中的最大值，得到任意两个第一变量的信息系数。
[0057]
在一种可能的实现方式中，所述模型构建模块，用于基于所述最大信息系数，构建贝叶斯网络模型，具体包括：
[0058]
将所述均匀分布历史序列中的所有第一变量作为网络节点，并将所述最大信息系数对应的两个第一变量作为边，随机生成多个贝叶斯网络结构；
[0059]
基于评分搜索函数，计算每个贝叶斯网络结构对应的搜索评分，选取搜索评分最高值对应的贝叶斯网络结构为最优贝叶斯网络结构；
[0060]
基于最大似然估计方法，计算所述最优贝叶斯网络结构的网络参数，基于所述最优贝叶斯网络结构和所述网络参数，构建贝叶斯网络模型。
[0061]
在一种可能的实现方式中，所述数据还原模块，用于对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据，具体包括：
[0062]
基于随机数生成器，生成每个均匀分布离散样本对应的随机数，将所述随机数输入到预设数据转换公式中，以使将所述随机数转换成原始历史数据，其中，所述预设数据转换公式如下所示：
[0063][0064]
式中，为第ns次抽样得到的第w个均匀分布离散样本对应的随机数，为第ns次抽样得到的第w个均匀分布离散样本对应的原始历史数据，为反函数。
[0065]
在一种可能的实现方式中，所述风险评估值计算模块，用于对所述原始历史数据进行系统状态采样，计算所述每个系统状态对应的累计风险值，具体包括：
[0066]
建立电网风险评估指标体系，其中，所述电网风险评估指标体系包括年停电电量期望值和电力不足概率；
[0067]
将每个原始历史数据分类为独立变量和非独立变量；
[0068]
当原始历史数据被分类为独立变量时，基于非序贯蒙特卡洛模拟对所述独立变量进行系统状态抽样，得到第一状态采样数据；
[0069]
当确定电力系统的发电总容量不满足负荷，且电力系统中出现潮流越限及节点电压越限情况时，基于预设的负荷切除策略，对所述第一状态采样数据进行负荷消减处理，得到每个系统状态对应的第一负荷削减量；
[0070]
基于所述第一状态采样数据和所述第一负荷削减量，计算第一年停电电量期望值和第一电力不足概率，基于所述第一年停电电量期望值和所述第一电力不足概率，得到每个系统状态对应的第一累计风险值；
[0071]
当原始历史数据分类为非独立变量时，基于所述最优贝叶斯网络结构对所述非独立变量进行系统状态采样，得到第二状态采样数据；
[0072]
当确定电力系统的发电总容量不满足负荷，且电力系统中出现潮流越限及节点电压越限情况时，基于预设的负荷切除策略，对所述第二状态采样数据进行负荷消减处理，得到每个系统状态对应的第二负荷削减量；
[0073]
基于所述第二状态采样数据和所述第二负荷削减量，计算第二年停电电量期望值和第二电力不足概率，基于所述第二年停电电量期望值和所述第二电力不足概率，得到每个系统状态对应的第二累计风险值。
[0074]
本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的电力系统的风险评估方法。
[0075]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的电力系统的风险评估方法。
[0076]
本发明实施例一种电力系统的风险评估方法、装置、设备及存储介质，与现有技术相比，具有如下有益效果：
[0077]
通过获取电力系统的多类历史数据，将多类历史数据转换为均匀分布历史序列；计算均匀分布历史序列中任意两个第一变量的最大互信息值，基于最大互信息值，得到并基于任意两个第一变量的信息系数，确定最大信息系数；基于最大信息系数，构建贝叶斯网络模型；基于贝叶斯网络模型，得到多个均匀分布离散样本，对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据；对原始历史数据进行系统状态采样，计算每个系统状态对应的累计风险值，整合所有系统状态对应的累计风险值，得到电力系统的风险评估值；与现有技术相比，本发明的技术方案能提高风险评估计算的速度及准确度。
附图说明
[0078]
图1是本发明提供的一种电力系统的风险评估方法的一种实施例的流程示意图；
[0079]
图2是本发明提供的一种电力系统的风险评估装置的一种实施例的结构示意图。
具体实施方式
[0080]
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0081]
实施例1，参见图1，图1是本发明提供的一种电力系统的风险评估方法的一种实施例的流程示意图，如图1所示，该方法包括步骤101-步骤105，具体如下：
[0082]
步骤101：获取电力系统的多类历史数据，对每类历史数据进行数据预处理，以使将所述多类历史数据转换为均匀分布历史序列。
[0083]
一实施例中，所述多类历史数据包括但不限于风光出力数据，数值天气预报数据，其中，所述数值天气预报数据包括风速、风向、温度和湿度。
[0084]
一实施例中，对于获取的每类历史数据生成历史序列，其中，所述历史序列可能为具有任意概率分布的历史序列，因此，需要将每类历史数据转换为均匀分布的序列。
[0085]
一实施例中，基于核密度估计，计算每类历史数据的边缘概率密度估计值。
[0086]
具体的，所述边缘概率密度估计值的计算方式如下所示：
[0087][0088]
式中，f
x
(αi)为边缘概率密度估计值，α
ij
为第i类历史数据αi的第j个数据点；n为数据量；h为带宽；k为核函数，取为正态分布函数。
[0089]
一实施例中，对所述边缘概率密度估计值进行积分处理，得到每类历史数据的边缘分布函数，并计算所述边缘分布函数的反函数。
[0090]
具体的，基于积分计算公式，对所述边缘概率密度估计值进行积分处理，其中，所述积分计算公式如下所示：
[0091][0092]
式中，f
x
(αi)为边缘分布函数，f
x
(αi)为边缘概率密度估计值。
[0093]
一实施例中，基于所述反函数，计算每类历史数据对应的第一变量，其中，第一变量的计算公式如下所示：
[0094][0095]
式中，β1为第1类历史数据α1对应的第一变量，βw为第w类历史数据αw对应的第一变量，为反函数。
[0096]
一实施例中，将每类历史数据转换为第一变量后，整合所有第一变量，生成均匀分布历史序列。
[0097]
步骤102：计算所述均匀分布历史序列中任意两个第一变量的最大互信息值，并基于所述最大互信息值，得到所述任意两个第一变量的信息系数，并基于所述信息系数，确定
最大信息系数。
[0098]
一实施例中，选取所述均匀分布历史序列中任意两个第一变量，对所述任意两个第一变量进行离散化处理，生成第一网格，对所述第一网格进行x轴和y轴划分，得到网格划分数；基于所述网格划分数，设置多种划分方式，并计算每种划分方式下任意两个第一变量对应的最大互信息值。
[0099]
具体的，对所述均匀分布历史序列中的每两个第一变量，生成第一网格，对所述第一网格进行x轴和y轴划分，以使将第一网格划分为x,y个格子，得到网格划分数，并固定网格划分数，通过改变划分位置，生成多个划分方式，计算每种划分方法最大互信息值i[x；y]，其中，最大互信息值i[x；y]的计算分公式，如下所示：
[0100][0101]
式中，p(x),p(y)为选取的任意两个第一变量的独立概率，为落在某网格内数据量与总数据量的比值；p(x,y)为任意两个第一变量之间的联合概率，为落在某网格中的数据量与总数据量的比值，x,y分别指第一网格中的任一网格。
[0102]
一实施例中，对所述最大互信息值进行归一化处理，得到归一化互信息值，选取所述归一化互信息值中的最大值，得到任意两个第一变量的信息系数。
[0103]
具体的，对通过改变划分位置得到的最大互信息值进行归一化处理，并选择不同网格划分下归一化互信息的最大值作为信息系数mic值，表达式为：
[0104][0105]
式中，x,y是在两方向上划分的格数,b为变量，一般设置为数据量的0.6次方。
[0106]
一实施例中，获取均匀分布历史序列中的任意两个第一变量，得到第一变量搭配对，获取均匀分布历史序列中的所有第一变量搭配对，并计算所有第一变量搭配对对应的信息系数，从所有信息系数中，选取信息系数最大值，确信最大信息系数。
[0107]
步骤103：基于所述最大信息系数，构建贝叶斯网络模型。
[0108]
一实施例中，将所述均匀分布历史序列中的所有第一变量作为网络节点，并将所述最大信息系数对应的两个第一变量作为边，随机生成多个贝叶斯网络结构。
[0109]
一实施例中，还基于得到最大互信息值时对应的网格划分情况，确定每个第一变量的分割级数，并将每个第一变量的分割级数作为贝叶斯网络的输入样本集。
[0110]
一实施例中，基于评分搜索函数，计算每个贝叶斯网络结构对应的搜索评分，选取搜索评分最高值对应的贝叶斯网络结构为最优贝叶斯网络结构。
[0111]
具体的，随机生成多个贝叶斯网络结构后，以评分搜索函数为依据，搜索评分最高的网络结构作为最优结构；其中评分搜索函数计算表达式为：
[0112][0113]
式中，n为网络节点数；qi为节点xi的父节点取值组合的数量；ri为节点xi的取值数目；m
ijk
为样本集中节点xi为第k个取值，其父节点为第j种取值组合的样本数量；m
ij
为m
ijk
在k∈[1,ri]内的和。
[0114]
一实施例中，基于最大似然估计方法，计算所述最优贝叶斯网络结构的网络参数。
[0115]
具体的，利用最大似然估计方法计算网络参数计算表达式为：
[0116][0117]
式中，d为样本集；θ为参数；l(θ|d)为θ的似然度函数；θ
*
为令l(θ|d)取最大值时的θ值。
[0118]
一实施例中，基于所述最优贝叶斯网络结构和所述网络参数，构建贝叶斯网络模型，以使利用贝叶斯网络的估计来映射各类历史数据之间的统计依赖性。
[0119]
步骤104：基于所述贝叶斯网络模型，得到多个均匀分布离散样本，并对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据。
[0120]
一实施例中，根据贝叶斯网络模型的最优贝叶斯网络模型结构和条件概率分布，获取贝叶斯网络模型中每个网络节点的父节点和子节点，从父结点到子节点进行逐级采样，获得多个均匀分布离散样本，其中，所述多个均匀分布离散样本如下所示：
[0121][0122]
式中，ns为第ns次抽样，l
ns
为第ns次抽样下的多个均匀分布离散样本的集合。
[0123]
一实施例中，基于随机数生成器，生成每个均匀分布离散样本对应的随机数，将所述随机数输入到预设数据转换公式中，以使将所述随机数转换成原始历史数据，其中，所述预设数据转换公式如下所示：
[0124][0125]
式中，为第ns次抽样得到的第w个均匀分布离散样本对应的随机数，为第ns次抽样得到的第w个均匀分布离散样本对应的原始历史数据，为反函数。
[0126]
具体的，对抽样得到的每个均匀分布离散样本使用均匀分布的随机数生成器生成一个随机数，得到并将其转换成与历史序列具有相同分布的原始历史数据
[0127]
步骤105：对所述原始历史数据进行系统状态采样，计算所述每个系统状态对应的累计风险值，整合所有系统状态对应的所述累计风险值，得到电力系统的风险评估值。
[0128]
一实施例中，建立电网风险评估指标体系，其中，所述电网风险评估指标体系包括年停电电量期望值和电力不足概率。
[0129]
具体的，对于年停电电量期望值eens：
[0130][0131]
式中，n(s)是系统状态s的出现次数；ns是抽样的总数；ci(s)是第i次抽样中系统状态s下的负荷削减量(mw)。
[0132]
具体的，对于年停电电量期望值p
lolp
：
[0133]
[0134]
一实施例中，建立电网风险评估指标体系前，还包括，获取电力系统的基本参数数据，并设置仿真次数ns，其中，所述基本参数数据包括电网拓扑结构，所述电网拓扑结构包括发电机数据和线路数据。
[0135]
一实施例中，将每个原始历史数据分类为独立变量和非独立变量；优选的，独立变量如常规发电机，线路的随机故障停运；非独立变量如光伏出力与光照强度之间，风机出力与风速之间；可根据选取的变量对每个原始历史数据进行主观判断。
[0136]
一实施例中，当原始历史数据被分类为独立变量时，基于非序贯蒙特卡洛模拟对所述独立变量进行系统状态抽样，得到第一状态采样数据。
[0137]
一实施例中，当确定电力系统的发电总容量不满足负荷，且电力系统中出现潮流越限及节点电压越限情况时，基于预设的负荷切除策略，对所述第一状态采样数据进行负荷消减处理，得到每个系统状态对应的第一负荷削减量。
[0138]
一实施例中，基于系统交流潮流计算，判断电力系统中是否出现潮流越限及节点电压越限情况；具体的，对于一个包含n个节点的电力系统，其极坐标形式下的潮流方程如下：
[0139][0140]
式中，n是系统节点数；pi和qi依次是节点i的注入有功与注入无功；vi和δi依次是节点i电压的幅值与相角；δ
ij
＝δi―δj，g
ij
和b
ij
依次是节点导纳矩阵中导纳的实部与虚部。
[0141]
一实施例中，所述预设的负荷切除策略为基于交流的最优负荷削减模型，其中，所述最优负荷削减模型的目标函数为最小总负荷削减量。
[0142]
具体的，对于目标函数，如下所示：
[0143]
min∑
i∈ndci
。
[0144]
具体的，所述目标函数的约束条件，如下所示：
[0145][0146]
式中，ci是节点i处的削减负荷大小；pi和qi依次是节点i的注入有功与注入无功；v和δ依次是节点电压幅值向量与相角向量；vi是v的元素；pdi和qdi依次是节点i处负荷的有功与无功功率；功与无功功率；和依次是节点i的注入有功与注入无功功率的下限和上限；tk是支路k上的潮流；是支路k上的极限输送容量；和依次是节点i的电压幅值下限与上限；nd、ng、l和n依次是系统中负荷节点、电源节点、所有支路与所有节点的集合。
[0147]
一实施例中，基于所述第一状态采样数据和所述第一负荷削减量，计算第一年停
电电量期望值和第一电力不足概率，基于所述第一年停电电量期望值和所述第一电力不足概率，得到每个系统状态对应的第一累计风险值。
[0148]
具体的，基于第一状态采样数据，获取所述第一状态采样数据中每个系统状态s的第一出现次数，并将所述第一状态采样数据的总数设置为抽样的第一总数，将所述第一出现次数、所述第一总数和所述第一负荷削减量代入到年停电电量期望值计算公式中，得到第一年停电电量期望值，并将所述第一出现次数和所述第一总数代入到电力不足概率计算公式中，得到第一电力不足概率，整合所述第一年停电电量期望值和所述第一电力不足概率，得到每个系统状态对应的第一累计风险值。
[0149]
一实施例中，当原始历史数据分类为非独立变量时，基于所述最优贝叶斯网络结构对所述非独立变量进行状态采样，得到第二状态采样数据。
[0150]
一实施例中，当确定电力系统的发电总容量不满足负荷，且电力系统中出现潮流越限及节点电压越限情况时，基于预设的负荷切除策略，对所述第二状态采样数据进行负荷消减处理，得到每个系统状态对应的第二负荷削减量。
[0151]
一实施例中，基于所述第二状态采样数据和所述第二负荷削减量，计算第二年停电电量期望值和第二电力不足概率，基于所述第二年停电电量期望值和所述第二电力不足概率，得到每个非独立变量对应的第二累计风险值。
[0152]
具体的，基于第二状态采样数据，获取所述第一状态采样数据中每个系统状态s的第二出现次数，并将所述第二状态采样数据的总数设置为抽样的第二总数，将所述第二出现次数、所述第二总数和所述第二负荷削减量代入到年停电电量期望值计算公式中，得到第二年停电电量期望值，并将所述第二出现次数和所述第二总数代入到电力不足概率计算公式中，得到第二电力不足概率，整合所述第二年停电电量期望值和所述第二电力不足概率，得到每个系统状态对应的第二累计风险值。
[0153]
综上，本发明提供的一种电力系统的风险评估方法，通过先对各历史数据进行预处理，使可能具有任意概率分布的历史序列变换为均匀分布的序列；执行不同的划分方式计算任意两个第一变量之间的最大互信息值，进而获得任意两个第一变量之间的最大信息系数，即各历史数据之间的最大信息系数；基于最大信息系数，构建贝叶斯网络模型，实现对多个第一变量之间的关系进行建模；将由贝叶斯网络采样得到的均匀分布离散样本还原至最初的原始历史数据；并采用非序贯蒙特卡洛模拟对原始历史数据中的各个系统状态进行风险分析，得到累计风险指标；与现有技术方案相比，本实施例通过利用最大信息系数和贝叶斯网络描述各历史数据之间的条件依赖关系，能够准确地描述电力系统中各个变量之间的复杂依赖关系，同时利用非序贯蒙特卡洛模拟的高效性和灵活性，能够大大提升风险评估计算的速度及准确度，该方法的研究和开发对电力系统风险评估领域具有重要意义，能够为电力系统的安全稳定运行和可持续发展提供科学的支撑。
[0154]
实施例2，参见图2，图2是本发明提供的一种电力系统的风险评估装置的一种实施例的结构示意图，如图2所示，该装置包括数据预处理模块201、数据计算模块202、模型构建模块203、数据还原模块204和风险评估值计算模块205，具体如下：
[0155]
所述数据预处理模块201，用于获取电力系统的多类历史数据，对每类历史数据进行数据预处理，以使将所述多类历史数据转换为均匀分布历史序列。
[0156]
所述数据计算模块202，用于计算所述均匀分布历史序列中任意两个第一变量的
最大互信息值，并基于所述最大互信息值，得到所述任意两个第一变量的信息系数，并基于所述信息系数，确定最大信息系数。
[0157]
所述模型构建模块203，用于基于所述最大信息系数，构建贝叶斯网络模型。
[0158]
所述数据还原模块204，用于基于所述贝叶斯网络模型，得到多个均匀分布离散样本，并对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据。
[0159]
所述风险评估值计算模块205，用于对所述原始历史数据进行系统状态采样，计算所述每个系统状态对应的累计风险值，整合所有系统状态对应的所述累计风险值，得到电力系统的风险评估值。
[0160]
一实施例中，所述数据预处理模块201，用于对每类历史数据进行数据预处理，以使将所述多类历史数据转换为均匀分布历史序列，具体包括：基于核密度估计，计算每类历史数据的边缘概率密度估计值；对所述边缘概率密度估计值进行积分处理，得到每类历史数据的边缘分布函数，并计算所述边缘分布函数的反函数；基于所述反函数，计算每类历史数据对应的第一变量，整合所有第一变量，生成均匀分布历史序列。
[0161]
一实施例中，所述数据预处理模块201，用于基于核密度估计，基于核密度估计，计算每类历史数据的边缘概率密度估计值，其中，所述边缘概率密度估计值的计算方式如下所示：
[0162][0163]
式中，f
x
(αi)为边缘概率密度估计值，α
ij
为历史数据αi的第j个数据点；n为数据量；h为带宽；k为核函数，取为正态分布函数。
[0164]
一实施例中，所述数据计算模块202，用于计算所述均匀分布历史序列中任意两个第一变量的最大互信息值，并基于所述最大互信息值，得到任意两个第一变量的信息系数，具体包括：选取所述均匀分布历史序列中任意两个第一变量，生成第一网格，对所述第一网格进行x轴和y轴划分，得到网格划分数；基于所述网格划分数，设置多种划分方式，并计算每种划分方式下任意两个第一变量对应的最大互信息值；对所述最大互信息值进行归一化处理，得到归一化互信息值，选取所述归一化互信息值中的最大值，得到任意两个第一变量的信息系数。
[0165]
一实施例中，所述模型构建模块203，用于基于所述最大信息系数，构建贝叶斯网络模型，具体包括：将所述均匀分布历史序列中的所有第一变量作为网络节点，并将所述最大信息系数对应的两个第一变量作为边，随机生成多个贝叶斯网络结构；基于评分搜索函数，计算每个贝叶斯网络结构对应的搜索评分，选取搜索评分最高值对应的贝叶斯网络结构为最优贝叶斯网络结构；基于最大似然估计方法，计算所述最优贝叶斯网络结构的网络参数，基于所述最优贝叶斯网络结构和所述网络参数，构建贝叶斯网络模型。
[0166]
一实施例中，所述数据还原模块204，用于对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据，具体包括：基于随机数生成器，生成每个均匀分布离散样本对应的随机数，将所述随机数输入到预设数据转换公式中，以使将所述随机数转换成原始历史数据，其中，所述预设数据转换公式如下所示：
[0167][0168]
式中，为第ns次抽样得到的第w个均匀分布离散样本对应的随机数，为第ns次抽样得到的第w个均匀分布离散样本对应的原始历史数据，为反函数。
[0169]
一实施例中，所述风险评估值计算模块205，用于对所述原始历史数据进行系统状态采样，计算所述每个系统状态对应的累计风险值，具体包括：建立电网风险评估指标体系，其中，所述电网风险评估指标体系包括年停电电量期望值和电力不足概率。
[0170]
一实施例中，所述风险评估值计算模块205，用于将每个原始历史数据分类为独立变量和非独立变量。
[0171]
一实施例中，所述风险评估值计算模块205，用于当原始历史数据被分类为独立变量时，基于非序贯蒙特卡洛模拟对所述独立变量进行系统状态抽样，得到第一状态采样数据；当确定电力系统的发电总容量不满足负荷，且电力系统中出现潮流越限及节点电压越限情况时，基于预设的负荷切除策略，对所述第一状态采样数据进行负荷消减处理，得到每个系统状态对应的第一负荷削减量；基于所述第一状态采样数据和所述第一负荷削减量，计算第一年停电电量期望值和第一电力不足概率，基于所述第一年停电电量期望值和所述第一电力不足概率，得到每个系统状态对应的第一累计风险值。
[0172]
一实施例中，所述风险评估值计算模块205，用于当原始历史数据分类为非独立变量时，基于所述最优贝叶斯网络结构对所述非独立变量进行系统状态采样，得到第二状态采样数据；当确定电力系统的发电总容量不满足负荷，且电力系统中出现潮流越限及节点电压越限情况时，基于预设的负荷切除策略，对所述第二状态采样数据进行负荷消减处理，得到每个系统状态对应的第二负荷削减量；基于所述第二状态采样数据和所述第二负荷削减量，计算第二年停电电量期望值和第二电力不足概率，基于所述第二年停电电量期望值和所述第二电力不足概率，得到每个系统状态对应的第二累计风险值。
[0173]
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不在赘述。
[0174]
需要说明的是，上述电力系统的风险评估装置的实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0175]
在上述的电力系统的风险评估方法的实施例的基础上，本发明另一实施例提供了一种电力系统的风险评估终端设备，该电力系统的风险评估终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现本发明任意一实施例的电力系统的风险评估方法。
[0176]
示例性的，在这一实施例中所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述
计算机程序在所述电力系统的风险评估终端设备中的执行过程。
[0177]
所述电力系统的风险评估终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电力系统的风险评估终端设备可包括，但不仅限于，处理器、存储器。
[0178]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电力系统的风险评估终端设备的控制中心，利用各种接口和线路连接整个电力系统的风险评估终端设备的各个部分。
[0179]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电力系统的风险评估终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0180]
在上述电力系统的风险评估方法的实施例的基础上，本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时，控制所述存储介质所在的设备执行本发明任意一实施例的电力系统的风险评估方法。
[0181]
在这一实施例中，上述存储介质为计算机可读存储介质，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0182]
综上，本发明提供的一种电力系统的风险评估方法、装置、设备及存储介质，通过获取电力系统的多类历史数据，将多类历史数据转换为均匀分布历史序列；计算均匀分布历史序列中任意两个第一变量的最大互信息值，基于最大互信息值，得到并基于任意两个第一变量的信息系数，确定最大信息系数；基于最大信息系数，构建贝叶斯网络模型；基于贝叶斯网络模型，得到多个均匀分布离散样本，对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据；对原始历史数据进行系统状态采样，计算每个系统状态对应的累计风险值，整合所有系统状态对应的累计风险值，得到电力系统的风险评估值；与现有技术相比，本发明的技术方案能提高风险评估计算的速度及准确度。
[0183]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人
员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

技术特征：
1.一种电力系统的风险评估方法，其特征在于，包括：获取电力系统的多类历史数据，对每类历史数据进行数据预处理，以使将所述多类历史数据转换为均匀分布历史序列；计算所述均匀分布历史序列中任意两个第一变量的最大互信息值，并基于所述最大互信息值，得到所述任意两个第一变量的信息系数，并基于所述信息系数，确定最大信息系数；基于所述最大信息系数，构建贝叶斯网络模型；基于所述贝叶斯网络模型，得到多个均匀分布离散样本，并对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据；对所述原始历史数据进行系统状态采样，计算所述每个系统状态对应的累计风险值，整合所有系统状态对应的所述累计风险值，得到电力系统的风险评估值。2.如权利要求1所述的一种电力系统的风险评估方法，其特征在于，对每类历史数据进行数据预处理，以使将所述多类历史数据转换为均匀分布历史序列，具体包括：基于核密度估计，计算每类历史数据的边缘概率密度估计值；对所述边缘概率密度估计值进行积分处理，得到每类历史数据的边缘分布函数，并计算所述边缘分布函数的反函数；基于所述反函数，计算每类历史数据对应的第一变量，整合所有第一变量，生成均匀分布历史序列。3.如权利要求2所述的一种电力系统的风险评估方法，其特征在于，基于核密度估计，基于核密度估计，计算每类历史数据的边缘概率密度估计值，其中，所述边缘概率密度估计值的计算方式如下所示：式中，f
x
(α
i
)为边缘概率密度估计值，α
ij
为历史数据α
i
的第j个数据点；n为数据量；h为带宽；k为核函数，取为正态分布函数。4.如权利要求1所述的一种电力系统的风险评估方法，其特征在于，计算所述均匀分布历史序列中任意两个第一变量的最大互信息值，并基于所述最大互信息值，得到任意两个第一变量的信息系数，具体包括：选取所述均匀分布历史序列中任意两个第一变量，生成第一网格，对所述第一网格进行x轴和y轴划分，得到网格划分数；基于所述网格划分数，设置多种划分方式，并计算每种划分方式下任意两个第一变量对应的最大互信息值；对所述最大互信息值进行归一化处理，得到归一化互信息值，选取所述归一化互信息值中的最大值，得到任意两个第一变量的信息系数。5.如权利要求4所述的一种电力系统的风险评估方法，其特征在于，基于所述最大信息系数，构建贝叶斯网络模型，具体包括：将所述均匀分布历史序列中的所有第一变量作为网络节点，并将所述最大信息系数对应的两个第一变量作为边，随机生成多个贝叶斯网络结构；基于评分搜索函数，计算每个贝叶斯网络结构对应的搜索评分，选取搜索评分最高值
对应的贝叶斯网络结构为最优贝叶斯网络结构；基于最大似然估计方法，计算所述最优贝叶斯网络结构的网络参数，基于所述最优贝叶斯网络结构和所述网络参数，构建贝叶斯网络模型。6.如权利要求1所述的一种电力系统的风险评估方法，其特征在于，对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据，具体包括：基于随机数生成器，生成每个均匀分布离散样本对应的随机数，将所述随机数输入到预设数据转换公式中，以使将所述随机数转换成原始历史数据，其中，所述预设数据转换公式如下所示：式中，为第ns次抽样得到的第w个均匀分布离散样本对应的随机数，为第ns次抽样得到的第w个均匀分布离散样本对应的原始历史数据，为反函数。7.如权利要求5所述的一种电力系统的风险评估方法，其特征在于，对所述原始历史数据进行系统状态采样，计算所述每个系统状态对应的累计风险值，具体包括：建立电网风险评估指标体系，其中，所述电网风险评估指标体系包括年停电电量期望值和电力不足概率；将每个原始历史数据分类为独立变量和非独立变量；当原始历史数据被分类为独立变量时，基于非序贯蒙特卡洛模拟对所述独立变量进行系统状态抽样，得到第一状态采样数据；当确定电力系统的发电总容量不满足负荷，且电力系统中出现潮流越限及节点电压越限情况时，基于预设的负荷切除策略，对所述第一状态采样数据进行负荷消减处理，得到每个系统状态对应的第一负荷削减量；基于所述第一状态采样数据和所述第一负荷削减量，计算第一年停电电量期望值和第一电力不足概率，基于所述第一年停电电量期望值和所述第一电力不足概率，得到每个系统状态对应的第一累计风险值；当原始历史数据分类为非独立变量时，基于所述最优贝叶斯网络结构对所述非独立变量进行系统状态采样，得到第二状态采样数据；当确定电力系统的发电总容量不满足负荷，且电力系统中出现潮流越限及节点电压越限情况时，基于预设的负荷切除策略，对所述第二状态采样数据进行负荷消减处理，得到每个系统状态对应的第二负荷削减量；基于所述第二状态采样数据和所述第二负荷削减量，计算第二年停电电量期望值和第二电力不足概率，基于所述第二年停电电量期望值和所述第二电力不足概率，得到每个系统状态对应的第二累计风险值。8.一种电力系统的风险评估装置，其特征在于，包括：数据预处理模块、数据计算模块、模型构建模块、数据还原模块和风险评估值计算模块；其中，所述数据预处理模块，用于获取电力系统的多类历史数据，对每类历史数据进行
数据预处理，以使将所述多类历史数据转换为均匀分布历史序列；所述数据计算模块，用于计算所述均匀分布历史序列中任意两个第一变量的最大互信息值，并基于所述最大互信息值，得到所述任意两个第一变量的信息系数，并基于所述信息系数，确定最大信息系数；所述模型构建模块，用于基于所述最大信息系数，构建贝叶斯网络模型；所述数据还原模块，用于基于所述贝叶斯网络模型，得到多个均匀分布离散样本，并对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据；所述风险评估值计算模块，用于对所述原始历史数据进行系统状态采样，计算所述每个系统状态对应的累计风险值，整合所有系统状态对应的所述累计风险值，得到电力系统的风险评估值。9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的电力系统的风险评估方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的电力系统的风险评估方法。

技术总结
本发明公开的一种电力系统的风险评估方法、装置、设备及存储介质，通过获取电力系统的多类历史数据，将多类历史数据转换为均匀分布历史序列；计算并基于均匀分布历史序列中任意两个第一变量的最大互信息值，得到任意两个第一变量的信息系数，并确定最大信息系数；基于最大信息系数，构建贝叶斯网络模型，基于贝叶斯网络模型，得到多个均匀分布离散样本，对每个均匀分布离散样本进行数据还原，得到每个均匀分布离散样本对应的原始历史数据；对原始历史数据进行系统状态采样，计算每个系统状态对应的累计风险值，整合所有系统状态对应的累计风险值，得到电力系统的风险评估值；与现有技术相比，本发明的技术方案能提高风险评估计算的速度及准确度。的速度及准确度。的速度及准确度。


技术研发人员：王乃啸 蔡新雷 喻振帆 崔艳林 孟子杰 程章颖 沈志钧 陈业夫 陈奎烨 周巍 吴龙腾
受保护的技术使用者：广东电网有限责任公司电力调度控制中心
技术研发日：2023.05.24
技术公布日：2023/7/21