CN110503268B - 一种模型数据联合驱动的综合能源系统态势感知方法 - Google Patents
一种模型数据联合驱动的综合能源系统态势感知方法 Download PDFInfo
- Publication number
- CN110503268B CN110503268B CN201910809481.3A CN201910809481A CN110503268B CN 110503268 B CN110503268 B CN 110503268B CN 201910809481 A CN201910809481 A CN 201910809481A CN 110503268 B CN110503268 B CN 110503268B
- Authority
- CN
- China
- Prior art keywords
- matrix
- measurement
- energy system
- pipeline
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000008447 perception Effects 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 122
- 238000005259 measurement Methods 0.000 claims abstract description 74
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000011217 control strategy Methods 0.000 claims abstract description 6
- 230000003416 augmentation Effects 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001983 electron spin resonance imaging Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种模型数据联合驱动的综合能源系统态势感知方法,涉及一种综合能源系统状态感知技术,包括以下步骤:步骤1、基于随机矩阵理论的异常量测检测方法,确定异常量测;步骤2、剔除步骤1中的异常量测,读取线路连接关系,生成综合能源系统的阻抗矩阵;执行综合能源系统的态势理解方法,实现对综合能源系统的量测的准确感知;步骤3、利用基于PID控制策略的超短期预测方法预测电网有功功率值和热网管道的流量,再次执行步骤2中的态势理解方法,预估综合能源系统下一时段的运行状态。本发明具有更高的检测精度和鲁棒性,可同时考虑模型的动态特性和模型的静态特性,且基于PID控制策略提出的超短期预测方法具有更强的动态跟踪能力。
Description
技术领域
本发明涉及一种综合能源系统状态感知技术,尤其涉及一种模型数据联合驱动的综合能源系统态势感知方法。
背景技术
态势感知是指在特定的时空范围内,觉察、理解环境因素,并预测未来的发展趋势(参考文献:王守相,梁栋,葛磊蛟.智能配电网态势感知和态势利导关键技术[J].电力系统自动化,2016,40(12):2-8.)。电力系统态势感知采集、理解各类涉及电网运行状态的因素,对电网发展趋势进行预测,通过高效的大数据统计分析能力、丰富的可视化技术和强大的决策支持能力,及时掌控电力系统运行态势,准确预判电力系统安全运行趋势,主动采取系统安全措施,保障系统稳定运行。
目前,电力系统态势感知的研究还处于起步阶段(参考文献:Panteli M,KirschenD S.Situation awareness in power systems:Theory,challenges and applications[J].Electric Power Systems Research,2015,122:140-151.),主要应用于广域数据采集、运行调度领域和输配电自动化等领域。美国较早开始研究电力系统态势感知,一些科研机构已有一定应用成果。美国电科院(EPRI)于2008年进行电力系统运行态势感知项目,从状态信息展示、自动化态势感知、态势预测三个方面展开研究并提出建议,旨在通过态势感知技术减轻运行故障对电力系统的影响(参考文献:EPRI Product-Situation Awarenessin Power System Operations.[EB/OL].https://www.epri.com/#/pages/product/1015990/,2017-08-21.)。美国太平洋西北国家实验室(PNNL)根据指标制定了一种意义构建态势感知的方法,与传统态势感知方法相比,不仅涉及可视化展示,而且存在潜在的“目标导向”行为,更注重用户的目标、假设、期望和偏差(参考文献:PNNL:EIOC-SituationalAwareness.[EB/OL].http://eioc.pnnl.gov/research/sitawareness.stm,2017-08-21.)。近年来,国内学者对态势感知技术的重视程度也越来越高,主要涉及电力系统广域安全防御体系、电网调度可视化、电网运行轨迹表征方法等领域(参考文献:杨菁,张鹏飞,徐晓伟,等.电网态势感知技术国内外研究现状初探[J].华东电力,2013,41(8):1575-1581.)。
常见的态势感知模型(参考文献:Stanton N A,Chambers P,PiggottJ.Situational awareness and safety[J].Safety Science,2001,39(3):189-204.)有感知循环模型(参考文献:Smith K,Hancock P A.Situation awareness is adaptive,externally directed consciousness.[J].Human Factors the Journal of the HumanFactors&ErgonomicsSociety,1995,37(1):137-148.),三层次模型(参考文献:Endsley MR.Toward a Theory of Situation Awareness in Dynamic Systems[J].Human Factorsthe Journal of the Human Factors&Ergonomics Society,1995,37(1):32-64.)和活动理论模型(参考文献:Gregory Bedny,David Meister.Theory of Activity andSituation Awareness[J].International Journal of Cognitive Ergonomics,1999,3(1):63-72)。感知循环模型认为态势感知既不属于环境,也不属于用户,而是人与环境之间的动态互动,因人与环境的相互作用而存在,通常用于解释态势感知的动态过程,例如解释态势信息的实时更新过程。活动理论模型认为态势感知是用户对态势的有意识的动态反应,模型包含8个功能模块,每个模块各自具有特定的任务,通过前馈和反馈回路相连,通常用于解释底层模块的相互作用。三层次模型是电力系统中最为常用的态势感知模型,将态势感知分为三个层次:感知层(perception)、理解层(comprehension)、预测层(projection),每一层是下一层的必要前提。感知层感知环境中的元素,仅包含数据的接收,不对数据进行整合。理解层整合与分析数据,衡量环境因素的重要程度,并通过一定技术方法理解当前环境因素,明确当前态势。预测层是态势感知的最高层次,高度依赖于感知层和理解层的结果,通过预测未来的状态,增加处理问题的时间,更好地维持环境的稳定性。相应的,电力系统态势感知也分为态势要素采集、实时态势理解、未来态势预测三个阶段,如附图1所示。
但现有技术存在以下缺点:
1、配电网规模庞大、结构复杂,数据采集和监控设备的全面覆盖难以实现,配电网相较于输电网量测严重不足,仅利用传统电网状态估计方法难以实现系统运行状态的准确感知;
2、传统状态估计方法仅适用于电网系统并不适用于含热网的综合能源系统,传统方法未实现热网管道的运行状态评估;
3、传统状态估计方法仅从运行机理角度构建量测之间的相关性,具有一定的局限性,方法适用对象单一。
因此,本领域的技术人员致力于开发一种新的针对综合能源系统的态势感知方法,解决现有技术中存在的缺点。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何提高综合能源系统感知准确度,准确评估综合能源系统运行状态,从而实现综合能源系统运行状态的趋势预测。
为实现上述目的,本发明提供了一种模型驱动和数据驱动相结合的综合能源系统态势感知技术,通过采集分析热、电、气系统量测数据,实现系统运行状态理解、评估、预测。在态势理解层,利用基于随机矩阵的数据驱动方法实现异常量测辨识,并结合基于模型驱动的状态估计方法实现综合能源系统量测的准确感知(包括电网运行状态和热网管道状态),其中热网部分通过感知管道压力实现管道运行状态评估。在态势预测层,基于PID控制方式提出一种超短期预测方法,该方法包括:数据惯性、数据修正和超前观测三个环节。将预测结果再次代入模型驱动的状态估计方法,可实现综合能源系统未来运行状态趋势预测。
本发明提供的一种基于随机矩阵理论的异常量测检测方法,所述方法包括以下步骤:
步骤1.1、从电网量测中获取全网的量测值,并基于所述量测值构造全网电压矩阵、台区电压矩阵、台区负荷向量及用户负荷向量;
步骤1.2、针对每个台区,利用所述全网电压矩阵和所述台区负荷向量构造增广矩阵和对比增广矩阵;
步骤1.3、基于移动时间窗和随机矩阵理论,计算所述增广矩阵和所述对比增广矩阵的高维统计指标,所述高维统计指标用于辨识存在异常量测的所述台区;
步骤1.4、若所述台区不存在所述异常量测,则重复所述步骤1.1-所述步骤1.3,继续进行检测;若所述台区存在所述异常量测,则修改所述步骤1.2中的数据源,利用所述台区电压矩阵和所述用户负荷向量重新构造所述增广矩阵和所述对比增广矩阵,再次执行所述步骤1.3,进一步确定所述异常量测的位置。
进一步地,所述步骤1.1中的所述量测值包括各用户电压量测值和有功功率量测值。
进一步地,所述步骤1.1中的所述全网电压矩阵为:
将所述全网电压矩阵依据台区位置进行划分,得到所述台区电压矩阵;所述台区电压矩阵为:
其中,nq,abc为第q台区内的节点总数;
所述台区负荷向量为:
所述用户负荷向量为:
进一步地,所述步骤1.2中的所述增广矩阵和所述对比增广矩阵是随机矩阵。
进一步地,所述步骤1.2中的所述增广矩阵为:
其中,Vabc、Pabc为所述全网电压矩阵和所述台区负荷向量;
所述步骤1.2中的所述对比增广矩阵为:
其中,Vabc、E为所述全网电压矩阵和台区负荷量测误差向量。
进一步地,所述步骤1.3中的所述高维统计指标的计算过程为:
步骤1.3.1、采用实时分离窗技术从所述增广矩阵和所述对比增广矩阵中获取Tw个采样时刻的量测数据,形成实时数据矩阵:
步骤1.3.5、计算所述高维统计指标,记为ESR指标,所述高维统计指标的计算公式为:
根据所述高维统计指标获取所述移动时间窗内观测数据的特征;
步骤1.3.6、计算所述增广矩阵和所述对比增广矩阵的所述ESR指标的差值,记为:
本发明还提供一种模型数据联合驱动的综合能源系统态势感知方法,所述方法包括以下步骤:
步骤1、根据权利要求1至6中任一权利要求所述的基于随机矩阵理论的异常量测检测方法,确定所述异常量测;
步骤2、剔除所述步骤1中的所述异常量测,读取线路连接关系,生成综合能源系统的阻抗矩阵;执行所述综合能源系统的态势理解方法,实现对所述综合能源系统的量测的准确感知;
步骤3、利用基于PID控制策略的超短期预测方法预测电网有功功率值和热网管道的流量,再次执行所述步骤2中的所述态势理解方法,预估所述综合能源系统下一时段的运行状态。
进一步地,所述步骤2中的所述态势理解方法包括电网状态估计方法和热网管道状态估计方法。
进一步地,所述电网状态估计方法的目标为:确定一组使测量残差为极小的状态量向量x;
目标函数为:
min J(x)=[z-h(x)]TR-1[z-h(x)]
其中:z为量测量向量;x为所述状态量向量;h(x)为量测量计算函数;R-1为电网量测误差的协方差矩阵;
采用牛顿迭代算法形成迭代方程,求解所述状态量向量x;
第k次迭代过程中的修正方程为:
Δx(k)=[HT(x(k))R-1H(x(k))]-1HT(x(k))R-1[z-h(x(k))]
x(k+1)=x(k)+Δx(k)
其中:H(x(k))为所述量测量计算函数h(x)的雅可比矩阵,具体元素如下:
不断迭代修正,直到目标函数J(x)接近至最小值;
收敛判据为:
max|Δx(k)|≤εx
其中:εx为按精度要求选取的收敛标准;
所述热网管道状态估计方法利用管道蒸汽流量方程估计管道压力,实现管道运行状态评估,具体步骤为:
首先,获取管道系数Kk、管道内平均温度Tka、管道入口处流量fi、管道两端压力πi、πj;
然后,若管道末端量测压力和计算压力偏差过大,则判断存在泄露,判断公式如下:
进一步地,所述步骤3中的所述超短期预测方法由3部分组成,分别为数据惯性环节、数据修正环节和超前环节;
所述数据惯性环节能自动更新真实数据队列,继承历史数据的基本特性;
所述数据修正环节能实时计算上一时段预测值与本时段真实值的偏差,加速预测值对真实值的偏差修正能力;
所述超前观测环节能通过对所述真实数据队列设置超前观测器,实时感知功率变化趋势,实现对下一时刻变化趋势的预知。
本发明所提供的一种模型数据联合驱动的综合能源系统态势感知方法存在以下技术效果:
1、本发明利用基于随机矩阵的数据驱动方法可有效辨识异常数据。相较于传统异常数据检测方法,本发明具有更高的检测精度和鲁棒性;
2、本发明利用数据驱动方法(随机矩阵理论)和模型驱动方法(状态估计方法)相结合实现态势感知技术,可同时考虑模型的动态特性和模型的静态特性;
3、本发明基于PID控制策略提出的超短期预测方法相较于传统的超短期预测方法具有更强的动态跟踪能力。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是三层次态势感知理论模型示意图;
图2是基于随机矩阵理论的异常量测检测流程图;
图3是数据驱动和模型驱动方法相结合的态势感知流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
如图2所示,本发明提供的一种基于随机矩阵理论的异常量测检测方法包括以下步骤:
步骤1.1、从电网量测中获取全网的量测值,并基于量测值构造全网电压矩阵、台区电压矩阵、台区负荷向量及用户负荷向量;
步骤1.2、针对每个台区,利用全网电压矩阵和台区负荷向量构造增广矩阵和对比增广矩阵;
步骤1.3、基于移动时间窗和随机矩阵理论,计算增广矩阵和对比增广矩阵的高维统计指标,高维统计指标用于辨识存在异常量测的台区;
步骤1.4、若台区不存在异常量测,则重复步骤1.1-步骤1.3,继续进行检测;若台区存在异常量测,则修改步骤1.2中的数据源,利用台区电压矩阵和用户负荷向量重新构造增广矩阵和对比增广矩阵,再次执行步骤1.3,进一步确定异常量测的位置。
其中,步骤1.1中的量测值包括各用户电压量测值和有功功率量测值。
其中,步骤1.1中的全网电压矩阵为:
将全网电压矩阵依据台区位置进行划分,得到台区电压矩阵;台区电压矩阵为:
其中,nq,abc为第q台区内的节点总数;
台区负荷向量为:
用户负荷向量为:
其中,步骤1.2中的增广矩阵和对比增广矩阵是随机矩阵。
其中,步骤1.2中的增广矩阵为:
其中,Vabc、Pabc为全网电压矩阵和台区负荷向量;
步骤1.2中的对比增广矩阵为:
其中,Vabc、E为全网电压矩阵和台区负荷量测误差向量。
其中,步骤1.3中的高维统计指标的计算过程为:
步骤1.3.1、采用实时分离窗技术从增广矩阵和对比增广矩阵中获取Tw个采样时刻的量测数据(包括当前采样时刻及Tw-1个历史采样时刻),形成实时数据矩阵:
步骤1.3.5、计算高维统计指标,记为ESR指标,高维统计指标的计算公式为:
根据高维统计指标获取移动时间窗内观测数据的特征;
步骤1.3.6、计算增广矩阵和对比增广矩阵的ESR指标的差值,记为:
数据驱动和模型驱动方法相结合的量测感知流程如图3所示,其中数据驱动部分由基于随机矩阵理论的异常量测检测完成。模型驱动主要由电网状态估计、热网管道运行状态评估和超短期预测组成。
本发明提供的一种模型数据联合驱动的综合能源系统态势感知方法包括以下步骤:
步骤1、根据权利要求1至6中任一权利要求的基于随机矩阵理论的异常量测检测方法,确定异常量测;
步骤2、剔除步骤1中的异常量测,读取线路连接关系,生成综合能源系统的阻抗矩阵(将数据清洗后的量测作为综合能源系统状态估计的输入参数);执行综合能源系统的态势理解方法,实现对综合能源系统的量测的准确感知;
步骤3、利用基于PID控制策略的超短期预测方法预测电网有功功率值和热网管道的流量,再次执行步骤2中的态势理解方法,预估综合能源系统下一时段的运行状态。
其中,步骤2中的态势理解方法包括电网状态估计方法和热网管道状态估计方法。
其中,电网状态估计的目的是通过建立量测量和状态量之间的关系,进而提高系统的可观测性。
电网状态估计方法的目标为:在理想情况下,确定一组使测量残差为极小的状态量向量x;
目标函数为:
min J(x)=[z-h(x)]TR-1[z-h(x)]
其中:z为量测量向量;x为状态量向量;h(x)为量测量计算函数;R-1为电网量测误差的协方差矩阵;
采用牛顿迭代算法形成迭代方程,求解状态量向量x;
第k次迭代过程中的修正方程为:
Δx(k)=[HT(x(k))R-1H(x(k))]-1HT(x(k))R-1[z-h(x(k))]
x(k+1)=x(k)+Δx(k)
其中:H(x(k))为量测量计算函数h(x)的雅可比矩阵,具体元素如下:
不断迭代修正,直到目标函数J(x)接近至最小值;
收敛判据为:
max|Δx(k)|≤εx
其中:εx为按精度要求选取的收敛标准;
热网管道状态估计方法利用管道蒸汽流量方程估计管道压力,实现管道运行状态评估,具体步骤为:
首先,获取管道系数Kk、管道内平均温度Tka、管道入口处流量fi、管道两端压力πi、πj;
然后,若管道末端量测压力和计算压力偏差过大,则判断存在泄露,判断公式如下:
其中,步骤3中的超短期预测方法由3部分组成,分别为数据惯性环节、数据修正环节和超前环节;
数据惯性环节能自动更新真实数据队列,继承历史数据的基本特性;
数据修正环节能实时计算上一时段预测值与本时段真实值的偏差,加速预测值对真实值的偏差修正能力;
超前观测环节能通过对真实数据队列设置超前观测器,实时感知功率变化趋势,实现对下一时刻变化趋势的预知。
态势预测部分的具体步骤如下:
首先,针对综合能源系统中电网有功功率值和热网管道的流量进行超短期预测。以电网有功功率预测为例,设节点有功功率量测形成的时间序列为y1,y2,…,yt,…,其计算公式为:
其次,将预测值作为伪量测重新代入步骤2中电网状态估计和热网状态方法,感知出下一时段的电网状态,包括:电压幅值、电压相角、节点功率、线路功率和热网状态,包括:热网管道末端压力。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种模型数据联合驱动的综合能源系统态势感知方法,其特征在于,所述方法包括以下步骤:
步骤1、根据基于随机矩阵理论的异常量测检测方法,确定所述异常量测;
所述基于随机矩阵理论的异常量测检测方法包括:
步骤1.1、从电网量测中获取全网的量测值,并基于所述量测值构造全网电压矩阵、台区电压矩阵、台区负荷向量及用户负荷向量;
步骤1.2、针对每个台区,利用所述全网电压矩阵和所述台区负荷向量构造增广矩阵和对比增广矩阵;
步骤1.3、基于移动时间窗和随机矩阵理论,计算所述增广矩阵和所述对比增广矩阵的高维统计指标,所述高维统计指标用于辨识存在异常量测的所述台区;
步骤1.4、若所述台区不存在所述异常量测,则重复所述步骤1.1-所述步骤1.3,继续进行检测;若所述台区存在所述异常量测,则修改所述步骤1.2中的数据源,利用所述台区电压矩阵和所述用户负荷向量重新构造所述增广矩阵和所述对比增广矩阵,再次执行所述步骤1.3,进一步确定所述异常量测的位置;
步骤2、剔除所述步骤1中的所述异常量测,读取线路连接关系,生成综合能源系统的阻抗矩阵;执行所述综合能源系统的态势理解方法,实现对所述综合能源系统的量测的准确感知;
所述步骤2中的所述态势理解方法包括电网状态估计方法和热网管道状态估计方法;
所述电网状态估计方法的目标为:确定一组使测量残差为极小的状态量向量x;
目标函数为:
min J(x)=[z-h(x)]TR-1[z-h(x)]
其中:z为量测量向量;x为所述状态量向量;h(x)为量测量计算函数;R-1为电网量测误差的协方差矩阵;
采用牛顿迭代算法形成迭代方程,求解所述状态量向量x;
第k次迭代过程中的修正方程为:
Δx(k)=HT(x(k))R-1H(x(k))]-1HT(x(k))R-1z-h(x(k))
x(k+1)=x(k)+Δx(k)
其中:H(x(k))为所述量测量计算函数h(x)的雅可比矩阵,具体元素如下:
不断迭代修正,直到目标函数J(x)接近至最小值;
收敛判据为:
max|Δx(k)|≤εx
其中:εx为按精度要求选取的收敛标准;
所述热网管道状态估计方法利用管道蒸汽流量方程估计管道压力,实现管道运行状态评估,具体步骤为:
首先,获取管道系数Kk、管道内平均温度Tka、管道入口处流量fi、管道两端压力πi、πj;
然后,若管道末端量测压力和计算压力偏差过大,则判断存在泄露,判断公式如下:
步骤3、利用基于PID控制策略的超短期预测方法预测电网有功功率值和热网管道的流量,再次执行所述步骤2中的所述态势理解方法,预估所述综合能源系统下一时段的运行状态。
2.如权利要求1所述的模型数据联合驱动的综合能源系统态势感知方法,其特征在于,所述步骤1.1中的所述量测值包括各用户电压量测值和有功功率量测值。
4.如权利要求1所述的模型数据联合驱动的综合能源系统态势感知方法,其特征在于,所述步骤1.2中的所述增广矩阵和所述对比增广矩阵是随机矩阵。
6.如权利要求1所述的模型数据联合驱动的综合能源系统态势感知方法,其特征在于,所述步骤1.3中的所述高维统计指标的计算过程为:
步骤1.3.1、采用实时分离窗技术从所述增广矩阵和所述对比增广矩阵中获取Tw个采样时刻的量测数据,形成实时数据矩阵:
步骤1.3.5、计算所述高维统计指标,记为ESR指标,所述高维统计指标的计算公式为:
根据所述高维统计指标获取所述移动时间窗内观测数据的特征;
步骤1.3.6、计算所述增广矩阵和所述对比增广矩阵的所述ESR指标的差值,记为:
7.如权利要求1所述的模型数据联合驱动的综合能源系统态势感知方法,其特征在于,所述步骤3中的所述超短期预测方法由3部分组成,分别为数据惯性环节、数据修正环节和超前环节;
所述数据惯性环节能自动更新真实数据队列,继承历史数据的基本特性;
所述数据修正环节能实时计算上一时段预测值与本时段真实值的偏差,加速预测值对真实值的偏差修正能力;
所述超前环节能通过对所述真实数据队列设置超前观测器,实时感知功率变化趋势,实现对下一时刻变化趋势的预知。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910809481.3A CN110503268B (zh) | 2019-08-29 | 2019-08-29 | 一种模型数据联合驱动的综合能源系统态势感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910809481.3A CN110503268B (zh) | 2019-08-29 | 2019-08-29 | 一种模型数据联合驱动的综合能源系统态势感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503268A CN110503268A (zh) | 2019-11-26 |
CN110503268B true CN110503268B (zh) | 2022-09-27 |
Family
ID=68590491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910809481.3A Active CN110503268B (zh) | 2019-08-29 | 2019-08-29 | 一种模型数据联合驱动的综合能源系统态势感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503268B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673853B (zh) * | 2021-08-12 | 2024-03-05 | 华北电力大学 | 一种基于数据驱动的电-热综合能源系统状态估计方法 |
CN115022187B (zh) * | 2022-01-20 | 2023-12-08 | 长沙理工大学 | 一种电-气综合能源系统态势感知方法与装置 |
CN115063058B (zh) * | 2022-08-19 | 2022-12-09 | 东方电子股份有限公司 | 一种基于模型驱动和数据驱动的综合能源态势感知系统 |
CN118249519A (zh) * | 2024-05-28 | 2024-06-25 | 国网江西省电力有限公司电力科学研究院 | 一种分布式新能源接入有源配电网状态感知方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324847A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 电力系统动态不良数据检测与辨识方法 |
CN104992010A (zh) * | 2015-06-25 | 2015-10-21 | 国电南瑞科技股份有限公司 | 一种基于拓扑分区的多断面联合参数估计方法 |
CN105069235A (zh) * | 2015-08-13 | 2015-11-18 | 西安电子科技大学 | 提取双频带频率选择表面等效电路参数的方法 |
CN106443285A (zh) * | 2016-11-30 | 2017-02-22 | 济南大学 | 基于总体最小二乘法的多谐波源谐波责任量化分析方法 |
CN107453357A (zh) * | 2017-08-24 | 2017-12-08 | 天津大学 | 一种基于分层求解的配电网状态估计方法 |
CN109376485A (zh) * | 2018-12-03 | 2019-02-22 | 上海无线电设备研究所 | 基于aca-mlfma加速的区域分解非共形网格的快速仿真建模方法 |
-
2019
- 2019-08-29 CN CN201910809481.3A patent/CN110503268B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324847A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 电力系统动态不良数据检测与辨识方法 |
CN103324847B (zh) * | 2013-06-17 | 2016-12-28 | 西南交通大学 | 电力系统动态不良数据检测与辨识方法 |
CN104992010A (zh) * | 2015-06-25 | 2015-10-21 | 国电南瑞科技股份有限公司 | 一种基于拓扑分区的多断面联合参数估计方法 |
CN104992010B (zh) * | 2015-06-25 | 2018-02-13 | 国电南瑞科技股份有限公司 | 一种基于拓扑分区的多断面联合参数估计方法 |
CN105069235A (zh) * | 2015-08-13 | 2015-11-18 | 西安电子科技大学 | 提取双频带频率选择表面等效电路参数的方法 |
CN106443285A (zh) * | 2016-11-30 | 2017-02-22 | 济南大学 | 基于总体最小二乘法的多谐波源谐波责任量化分析方法 |
CN107453357A (zh) * | 2017-08-24 | 2017-12-08 | 天津大学 | 一种基于分层求解的配电网状态估计方法 |
CN109376485A (zh) * | 2018-12-03 | 2019-02-22 | 上海无线电设备研究所 | 基于aca-mlfma加速的区域分解非共形网格的快速仿真建模方法 |
Non-Patent Citations (1)
Title |
---|
《在智能电网中进行用户异常用电行为辨识的研究》;柳林溪 等;《信息技术》;20181225(第12期);第97页-102页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110503268A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503268B (zh) | 一种模型数据联合驱动的综合能源系统态势感知方法 | |
JP5431178B2 (ja) | 発電所計測器性能監視予測方法 | |
CN103824137B (zh) | 一种复杂机械设备多工况故障预测方法 | |
CN106644162B (zh) | 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 | |
Camacho et al. | The best approaches in the on-line monitoring of batch processes based on PCA: Does the modelling structure matter? | |
Jiang et al. | Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring | |
KR100867938B1 (ko) | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 | |
Garvey et al. | Validation of on-line monitoring techniques to nuclear plant data | |
Shang et al. | Incipient sensor fault diagnosis in multimode processes using conditionally independent Bayesian learning based recursive transformed component statistical analysis | |
Liu et al. | Combined forecasting method of dissolved gases concentration and its application in condition-based maintenance | |
Zhang et al. | Dynamical process monitoring using dynamical hierarchical kernel partial least squares | |
CN115759380A (zh) | 基于SHAP-XGBoost算法的电力系统惯量短期预测方法 | |
Zhang et al. | Assessment of T2-and Q-statistics for detecting additive and multiplicative faults in multivariate statistical process monitoring | |
Omitaomu et al. | Online support vector regression with varying parameters for time-dependent data | |
Yang et al. | A direct maximum likelihood optimization approach to identification of LPV time-delay systems | |
Kocijan et al. | Gas–liquid separator modelling and simulation with Gaussian-process models | |
Luzar et al. | Actuators and sensors fault diagnosis with dynamic, state-space neural networks | |
CN103928923B (zh) | 一种基于灵敏度分析的网络稳态电能质量预警方法 | |
Liu et al. | Fault diagnosis for TE process using RBF neural network | |
Wang et al. | Fault diagnosis for processes with feedback control loops by shifted output sampling approach | |
Hines et al. | Regularization methods for inferential sensing in nuclear power plants | |
Zhang et al. | Statistical analysis and adaptive technique for dynamical process monitoring | |
Zhang et al. | Fault detection for discrete-time uncertain LPV systems using non-minimal order filter | |
Qin et al. | Concurrent projection to latent structures for output-relevant and input-relevant fault monitoring | |
Eriksson et al. | Coordinated control design of multiple HVDC links based on model identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200102 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant after: GUANGZHOU POWER SUPPLY Co.,Ltd. Applicant after: SHANGHAI JIAO TONG University Address before: 200240 Dongchuan Road, Shanghai, No. 800, No. Applicant before: SHANGHAI JIAO TONG University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |