CN119419720A 一种基于光伏出力预测误差的配电网风险评估方法 （南京理工大学）

一种基于光伏出力预测误差的配电网风险本发明公开了一种基于光伏出力预测误差型，其中基于自适应K_means聚类算法划分出配电网光伏典型出力场景，根据气象条件采用光伏出力的预测曲线，采用KDE对光伏出力预测压的概率分布；计算配电网的节点电压越限概够确定配电网运行状态的变化中的关键不确定2步骤1、构建孤立森立算法的孤立树，对海量分布式光伏出力的历史数据进行融合处适应K_means聚类算法划分出配电网光伏典型出力场景，根据气象条件采用BiLSTM对分布首先从海量光伏出力数据中随机选择n个样本数据点作为子采样集，并构造一棵初始所有h(x)的平均值为E(h(x))结合标准平均搜索长度l(n)和调和数H(x)，计算待测数据的到可用于光伏出力典型场景划分和预测误差建模的良好的光伏3K_means算法采用欧氏距离来评价两个样本的相似程度，随机选取样本中光伏出力值xi与xj之间的欧式距离计算公式如式(4最小值时说明光伏出力的聚类中心已经不再变化，平方准则误差函数的计算公式如式(5).-,-ii表示光伏出力的实际值；4iij分别为导纳矩阵元素的实部和虚部；在随机潮流模型中，节点注入量包括节点注入的有功功率0对于节点负荷功率来说，其随机成分视为由光伏出力的预测误差对于正态分布的注入功率，其一阶半不变量等于期望值，二阶半5通过概率潮流计算得到配电网各节点电压的概率分布i,t表示t时刻节点i的电压；umax、umin分别表示系统电压约束的上限和下限；R8.一种计算机可读存储介质，其上存储有计算机6力发展分布式新能源，高比例分布式电源接入配电网已逐渐成为未来电力系统的关键特增加的背景下，传统的风险评估方法往往难以准确评估配电网在实际运行中的风险情况，证光伏出力预测误差扰动时配电网的电压风险评估精度并尽可能缩短风险于自适应K_means聚类算法划分出配电网光伏典型出力场景，根据气象条件采用BiLSTM对7[0012]首先从海量光伏出力数据中随机选择n个样本数据点作为子采样集，并构造一棵的数据空间划分为两个子空间，把指定q属性值小于p的数据项放入当前节点的左子空间计算所有h(x)的平均值为E(h(x))结合标准平均搜索长度l(n)和调和数H(x)，计算待测数[0023]K_means算法采用欧氏距离来评价两个样本的相似程度，随机选取光伏出力数据中的k个点作为初始聚类中心，通过计算各个时刻的光伏出力值到该中心的欧式距离不断8出力的预测曲线，将预测值与典型出力场景的实际值进行对比计算形成预测误差的分布9[0065]通过概率潮流计算得到配电网各节点电压的概率分布，[0083](1)从光伏出力历史数据集中有放回或不放回地抽取n个样本数据，构造数据子于当前节点数据特征q的最大值与最小值之[0085](3)在p点将当前光伏出力数据空间划分为左右两个子空间。将小于p的属性值数[0094]当u(x,n)大于0.75时，将该数据光伏出力典型场景划分和预测误差建模的良好的光伏出[0096]基于修正后的的光伏出力历史数据，采用自适应K_means聚类算法进行聚类得到[0149]考虑不同典型出力场景下的光伏出力预测误差的随机性，结合半不变量和Gram_Charher展开级数的方法得到配电网各节点电压的概率分布，包括点电压概率密度曲线和[0151]通过概率潮流计算得到配电网各节点电压的概率分布，[0154]采用自适应K_means算法对分布式光伏出力历史数据进行聚类，分布式光伏典型BiLSTM神经网络进行光伏出力预测的残差分[0156]基于KDE对光伏出力误差进行概率密度分布建模，预测误差的概率分布如图3所限概率接近0.3；虽然半不变量和Gram_Charher展开级数的概率潮流计算精度比蒙特卡洛法的计算