基于机理和数据混合驱动的综合能源系统可靠性评估方法技术方案

本发明专利技术公开了一种基于机理和数据混合驱动的综合能源系统可靠性评估方法，包括：依据综合能源系统采集的历史运行数据和仿真生成的系统离线输入

【技术实现步骤摘要】
基于机理和数据混合驱动的综合能源系统可靠性评估方法


[0001]本专利技术属于综合能源系统
，具体涉及一种基于机理和数据混合驱动的综合能源系统可靠性评估方法。

技术介绍

[0002]近年来，我国为促进能源生产，实现消费转型，构建低碳、安全、可靠、高效的现代能源结构，加快了对综合能源系统的开发利用，实现多能源系统之间的互补互济。电力系统与天然气系统的耦合将会越来越紧密，传统单一的系统可靠性评估已经不适用，合理的可靠性评估是确保综合能源系统可靠运行的关键，针对综合能源系统可靠性评估的研究已经起步，主要包括可靠性评估模型、故障状态分析、可靠性评估算法和可靠性评价指标等方面。
[0003]随着经济社会的发展，人们对能源供给的可靠性要求越来越高，确保电、气、热、冷等综合能源系统的供能可靠性显得尤为重要，开展其可靠性评估研究具有十分重要的意义。现有的综合能源系统中影响运行可靠性的因素极为复杂多样，未能挖掘系统数据的深层特征，评估准确度较低。因此，如何对综合能源系统的可靠性进行评估，以保证综合能源系统的安全和高效运行是本领域技术人员需要解决的问题。
[0004]基于上述技术问题，需要设计一种新的基于机理和数据混合驱动的综合能源系统可靠性评估方法。

技术实现思路

[0005]本专利技术所要解决的技术问题是，克服现有技术的不足，提供一种基于机理和数据混合驱动的综合能源系统可靠性评估方法，通过机理和数据混合驱动相结合的方法，采用深度学习算法和数学模型的设计，实现对综合能源系统的可靠性准确评估。/>[0006]为了解决上述技术问题，本专利技术的技术方案是：
[0007]本专利技术提供了一种基于机理和数据混合驱动的综合能源系统可靠性评估方法，它包括：
[0008]样本数据库构建：依据综合能源系统采集的历史运行数据和仿真生成的系统离线输入
‑
输出运行数据构建运行可靠性样本数据库，至少包括系统实时运行数据、气象信息、设备运行状态信息、不同状态下的运行数据和影响系统可靠性的仿真运行数据；
[0009]设备运行可靠性建模：利用数据驱动方法对设备元件运行的时变特性进行建模获得元件状态模型；考虑可再生能源出力和负荷不确定性建立供需不确定性模型；根据元件状态模型和供需不确定性模型获得元件可靠性参数和各类负荷值；
[0010]可靠性评估指标：采用机理模型驱动的可靠性评估方法计算最优负荷削减量和可靠性指标，包括负荷削减频率、负荷削减概率和能量供应不足期望值；
[0011]离线训练：选取适当的网络模型，将可靠性样本数据库中的数据集作为输入，可靠性指标作为输出，对网络参数进行训练获得可靠性评估模型；
[0012]在线评估：将综合能源系统的实时运行数据输入至训练完成的可靠性评估模型中，实时获得系统运行可靠性指标。
[0013]进一步，所述仿真生成的系统离线输入
‑
输出运行数据的实现过程，包括：
[0014]通过对综合能源系统各组成部分的工作原理进行分析，建立综合能源系统仿真模型；
[0015]通过向综合能源系统仿真模型输入指令信号，在时域和频域下对比仿真模型和实际系统对给定信号的响应，判断所建立的仿真模型能否准确模拟实际系统的工作状态；
[0016]根据综合能源系统可靠性评估的影响因素进行场景设置，包括系统运行在正常状态、故障状态、临界风险状态、环境情况、能量耦合程度、负荷水平和添加扰动信息；
[0017]通过综合能源系统仿真模型仿真模拟场景设置，获得在不同影响因素下的系统离线输入
‑
输出运行数据。
[0018]进一步，所述利用数据驱动方法对设备元件运行的时变特性进行建模获得元件状态模型，包括：
[0019]采用主成分分析法对运行可靠性样本数据库进行降维筛选处理，获得M个与影响元件状态关联度高的数据特征；
[0020]设置元件状态至少包括正常运行状态、故障状态和临界风险状态；
[0021]通过获取影响元件状态关联度高的数据特征历史运行数据和仿真运行数据，并进行归一化、标准化预处理后，获得用于DBN模型的训练数据集和测试数据集；
[0022]构建DBN模型框架，根据输入数据维度和输出元件状态类别数确定网络输入层和输出层的神经元个数，初始化模型学习率、激活函数和优化器；
[0023]利用训练数据集逐层训练每一层RBM模型，通过训练完的RBM模型参数初始化同层DBN神经元的权重与偏置，将上一层RBM输出作为下一层RBM输入，逐层无监督训练每一层RBM模型；
[0024]预训练完成后，通过带标签的训练数据集有监督地微调整个DBN模型，优化各神经元的权重和偏置；
[0025]微调结束后，通过DBN模型实现元件状态的识别。
[0026]进一步，所述考虑可再生能源出力和负荷不确定性建立供需不确定性模型，包括：
[0027]建立风力发电不确定性出力模型：
[0028]在不同时间尺度下，依据运行可靠性样本数据库中的历史数据选择对应的风速分布参数，获得各个时间段的风速，建立风速分布的概率分布模型，表示为：
[0029][0030]其中，k为风速分布系数；c为尺度系数，表明平均风速；
[0031]结合风力发电机组的出力特性建立出力模型，表示为：
[0032][0033]其中，V
r
为风机的额定风速；P
r
为风机的额定输出功率；V为当前风速；V
ci
为切入风
速；V
co
为切出风速；
[0034]建立光伏发电不确定性出力模型，表示为：
[0035][0036]其中，P
stc
为标准条件下光伏电池板的输出功率；I
stc
为标准太阳辐射度；I
t
为光伏阵列所在地的最大太阳辐照度；η
tl
为太阳能电池板的光电转换效率；
[0037]建立不确定电负荷模型、热负荷模型和气负荷模型，表示为：
[0038][0039][0040][0041]其中，P
E
(t)、P
G
(t)、P
H
(t)分别为t时刻实际需求电量、气量和热量；P
BE
(t)、P
BG
(t)、P
BH
(t)分别为t时刻电负荷、气负荷和热负荷需求均量；分别为电负荷、气负荷和热负荷均服从正态分布；σ
E
、σ
G
、σ
H
分别为各时段电负荷、气负荷和热负荷需求量数值的均值。
[0042]进一步，所述采用机理模型驱动的可靠性评估方法计算最优负荷削减量和可靠性指标，包括负荷削减频率、负荷削减概率和能量供应不足期望值，包括：
[0043]对综合能源系统分别进行电力系统最优潮流、天然气系统最优潮流和热力系统最优潮流计算，并根据获得最优负荷削减量，并根据最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机理和数据混合驱动的综合能源系统可靠性评估方法，其特征在于，它包括：机理模型拓展数据样本数据库构建：依据综合能源系统采集的历史运行数据和仿真生成的系统离线输入
‑
输出运行数据构建运行可靠性样本数据库，至少包括系统实时运行数据、气象信息、设备运行状态信息、不同状态下的运行数据和影响系统可靠性的仿真运行数据；设备运行可靠性建模：利用数据驱动方法对设备元件运行的时变特性进行建模获得元件状态模型；考虑可再生能源出力和负荷不确定性建立供需不确定性模型；根据元件状态模型和供需不确定性模型获得元件可靠性参数和各类负荷值；可靠性评估指标：采用机理模型驱动的可靠性评估方法计算最优负荷削减量和可靠性指标，包括负荷削减频率、负荷削减概率和能量供应不足期望值；离线训练：选取适当的网络模型，将可靠性样本数据库中的数据集作为输入，可靠性指标作为输出，对网络参数进行训练获得可靠性评估模型；在线评估：将综合能源系统的实时运行数据输入至训练完成的可靠性评估模型中，实时获得系统运行可靠性指标。2.根据权利要求1所述的综合能源系统可靠性评估方法，其特征在于，所述仿真生成的系统离线输入
‑
输出运行数据的实现过程，包括：通过对综合能源系统各组成部分的工作原理进行分析，建立综合能源系统仿真模型；通过向综合能源系统仿真模型输入指令信号，在时域和频域下对比仿真模型和实际系统对给定信号的响应，判断所建立的仿真模型能否准确模拟实际系统的工作状态；根据综合能源系统可靠性评估的影响因素进行场景设置，包括系统运行在正常状态、故障状态、临界风险状态、环境情况、能量耦合程度、负荷水平和添加扰动信息；通过综合能源系统仿真模型仿真模拟场景设置，获得在不同影响因素下的系统离线输入
‑
输出运行数据。3.根据权利要求1所述的综合能源系统可靠性评估方法，其特征在于，所述利用数据驱动方法对设备元件运行的时变特性进行建模获得元件状态模型，包括：采用主成分分析法对运行可靠性样本数据库进行降维筛选处理，获得M个与影响元件状态关联度高的数据特征；设置元件状态至少包括正常运行状态、故障状态和临界风险状态；通过获取影响元件状态关联度高的数据特征历史运行数据和仿真运行数据，并进行归一化、标准化预处理后，获得用于DBN模型的训练数据集和测试数据集；构建DBN模型框架，根据输入数据维度和输出元件状态类别数确定网络输入层和输出层的神经元个数，初始化模型学习率、激活函数和优化器；利用训练数据集逐层训练每一层RBM模型，通过训练完的RBM模型参数初始化同层DBN神经元的权重与偏置，将上一层RBM输出作为下一层RBM输入，逐层无监督训练每一层RBM模型；预训练完成后，通过带标签的训练数据集有监督地微调整个DBN模型，优化各神经元的权重和偏置；微调结束后，通过DBN模型实现元件状态的识别。4.根据权利要求1所述的综合能源系统可靠性评估方法，其特征在于，所述考虑可再生
能源出力和负荷不确定性建立供需不确定性模型，包括：建立风力发电不确定性出力模型：在不同时间尺度下，依据运行可靠性样本数据库中的历史数据选择对应的风速分布参数，获得各个时间段的风速，建立风速分布的概率分布模型，表示为：其中，k为风速分布系数；c为尺度系数，表明平均风速；结合风力发电机组的出力特性建立出力模型，表示为：其中，V
r
为风机的额定风速；P
r
为风机的额定输出功率；V为当前风速；V
ci
为切入风速；V
co
为切出风速；建立光伏发电不确定性出力模型，表示为：其中，P
stc
为标准条件下光伏电池板的输出功率；I
stc
为标准太阳辐射度；I
t
为光伏阵列所在地的最大太阳辐照度；η
tl
为太阳能电池板的光电转换效率；建立不确定电负荷模型、热负荷模型和气负荷模型，表示为：不确定电负荷模型、热负荷模型和气负荷模型，表示为：不确定电负荷模型、热负荷模型和气负荷模型，表示为：其中，P
E
(t)、P
G
(t)、P
H
(t)分别为t时刻实际需求电量、气量和热量；P
BE
(t)、P
BG
(t)、P
BH
(t)分别为t时刻电负荷、气...

【专利技术属性】
技术研发人员：金鹤峰，谢金芳，裘天阅，穆佩红，
申请(专利权)人：常州英集动力科技有限公司，
类型：发明
国别省市：