CN110619487A - 一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法 - Google Patents
一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法 Download PDFInfo
- Publication number
- CN110619487A CN110619487A CN201910968540.1A CN201910968540A CN110619487A CN 110619487 A CN110619487 A CN 110619487A CN 201910968540 A CN201910968540 A CN 201910968540A CN 110619487 A CN110619487 A CN 110619487A
- Authority
- CN
- China
- Prior art keywords
- network
- state estimation
- state
- natural gas
- power network
- 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.)
- Granted
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 54
- 238000010168 coupling process Methods 0.000 title claims abstract description 54
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001914 filtration Methods 0.000 title claims abstract description 23
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 132
- 239000003345 natural gas Substances 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000003068 static effect Effects 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于卡尔曼滤波的电‑气‑热耦合网络动态状态估计方法,属于电力系统分析和监测技术领域,为解决现有电‑气‑热耦合网络动态状态估计存在的问题,本发明采用基于卡尔曼滤波的电‑气‑热耦合网络的状态估计全局一致算法进行动态状态估计,根据电力网络、天然气网络以及热力网络的动态性速度不同,为三个子网络赋予不同的时间尺度,而在进行快速系统的状态估计时,将慢速系统视为稳态。并且对于热能网络的动态状态估计获得的新的热负荷与温度状态量,又为下一次水力网络的状态估计提供了新的数据来源。
Description
技术领域
本发明涉及一种动态状态估计方法,具体而言,尤其涉及一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法。
背景技术
随着能源互联网以及热电联产的迅速发展,电力网络、天然气网络以及热力网络的耦合越来越紧密,传统的电力系统状态估计方法已经无法适应目前电力系统的运行环境,虽然近两年有部分电-气-热耦合网络静态状态估计方法,但是目前如何实现电-气-热耦合网络动态状态估计的问题仍未被解决。
电-气-耦合网络各个子网络动态响应时间长短有很大差异。电力网络具有最小的惯性,传输速度极快,可接近于光速,其时间尺度一般为秒级。相比于电力网络,天然气网络具有一定的延时性,其时间尺度通常为分钟级甚至为小时级。热力网络的传输速度比天然气网络更慢,因此如果对电-气-耦合网络各个子网络采用统一时间尺度进行动态状态估计,如果以动态变化最快的电力网络的时间尺度为标准的话,那么天然气网络以及热力网络的动态性在该时间尺度下基本可以忽略不计,此时若进行统一时间尺度的动态状态估计,会产生大量无作用的计算,导致状态估计算法的效率降低。同样的,若以热力网络和天然气网络的时间尺度作为标准进行统一的动态状态估计,那么在该时间尺度下电网的动态性难以体现,导致状态估计算法的精度降低。
相比于电力网络与天然气网络,热力网络需要以水为载体才能实现对热力的传输,因此热力网络实际可以解耦为热能网络以及水力网络两部分,对于水力网络,压力(和流量)变化在水力网络中的传播速度比热能网络中温度变化快1000倍左右,因为压力波以大约1200m/s的声速在水中传播,而热能网络中,温度的变化的速度是接近于水流速的。但是,从实际运行与系统优化调度的角度来看与温度变化即热能的动态相比,网络中的流量动态的重要性较小,所以,对于热力网络中水力网络的状态估计的动态性要求也比较小。由于对热力网络中个状态量的动态性要求是不一样的,如果直接采用传统的方法对热力网络进行全动态的状态估计,会导致计算的复杂性与计算耗时过高。
发明内容
根据上述提出的技术问题,而提供一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法。本发明采用基于卡尔曼滤波的电-气-热耦合网络的状态估计全局一致算法进行动态状态估计,根据电力网络、天然气网络以及热力网络的动态性速度不同,为三个子网络赋予不同的时间尺度,而在进行快速系统的状态估计时,将慢速系统视为稳态。并且对于热能网络的动态状态估计获得的新的热负荷与温度状态量,又为下一次水力网络的状态估计提供了新的数据来源。
本发明采用的技术手段如下:
一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法,包括如下步骤:
S1、初始化数据,定义tend为算法结束时间,te、tg、th分别为电力网络、天然气网络、热力网络状态估计的时间轴,Δte、Δtg、Δth分别为电力网络、天然气网络、热力网络状态估计每次动态状态更新的时间尺度,令te=tg=th=0;
S2、估计热力网络的动态状态,并根据此刻情况执行电-气-热耦合网络动态状态估计全局一致算法,以保证耦合网络动态状态估计结果的全局一致性,令th=th+Δth;
S3、判断是否tg≥th,若是,则返回步骤S2;若否,则执行步骤S4;
S4、估计天然气网络的动态状态,并根据此刻情况执行电-气-热耦合网络动态状态估计全局一致算法,以保证耦合网络动态状态估计结果的全局一致性,令tg=tg+Δtg;
S5、判断是否te≥tg,若是,则返回步骤S4;若否,则执行步骤S6;
S6、估计电力网络的动态状态,并根据此刻情况执行电-气-热耦合网络动态状态估计全局一致算法,以保证耦合网络动态状态估计结果的全局一致性,令tg=tg+Δtg;
S7、判断是否te≥tend,若是,则结束算法;若否,则返回步骤S5。
进一步地,所述步骤S2中估计热力网络的动态状态,具体为:
S21、将热力网络解耦为热能网络以及水力网络两部分并分别进行动态状态估计和静态状态估计;
S22、初始化时间参数,定义tw、tr为水力网络、热能网络状态估计的时间轴,tendh为算法结束时间,Δtw、Δtr为水力网络、热能网络状态估计每次动态状态更新的时间尺度,令tw=tr=0;
S23、对于水力网络,通过以Δtw为周期的基于加权最小二乘法的静态状态估计算法,更新水力网络的状态值,且在两次水力网络状态估计之间,假设水力网络的状态是静态稳定的,令tw=tw+Δtw;
S24、对于热能网络,其状态量包括供水温度回水温度热负荷将水力网络状态估计获得的状态值节点压力与流量视为已知静态量,通过基于卡尔曼滤波的动态状态估计算法,更新热能网络状态值,令tr=tr+Δtr;
S25、判断是否tr≥tendh,若是,则结束算法;若否,则返回步骤S26;
S26、判断是否tr≥tw,若是,则返回步骤S23;若否,则执行步骤S24。
进一步地,所述加权最小二乘法的静态状态估计算法,具体公式如下:
式中,zw表示热力网络的状态量,包括节点压力流量供水温度回水温度以及热负荷xw表示水力网络的状态量,包括节点压力与流量h(·)表示热力网络的量测函数,由网络的拓扑结构决定;
所述卡尔曼滤波的动态状态估计算法,其动态方程和量测方程具体如下:
xk=Fkxk-1+Bkuk+wk
zk=Hkxk+vk
式中,xk表示系统的状态向量,zk表示系统的量测向量,Fk表示系统状态转移矩阵,Bk表示外部控制矩阵,uk表示外部控制向量,wk表示系统误差,方差阵为Qk,wk~N(0,Qk);vk表示量测误差,方差阵为Rk,vk~N(0,Rk)。
进一步地,所述卡尔曼滤波的动态状态估计算法还包括预测步骤和更新步骤;
所述预测步骤的具体公式如下:
Pk=FkPk-1Fk+Qk
式中,表示被估计网络tk-1时刻的最佳估计值,Pk-1表示被估计网络tk-1时刻的估计值的协方差矩阵;
所述更新步骤的具体公式如下:
P′k=Pk-KHkPk
其中,为系统tk时刻的最佳估计值,为相应的协方差矩阵;K为卡尔曼增益,Hk为系统量测矩阵,Rk为系统量测误差的方差矩阵;和Pk分别为系统tk时刻的预测状态值,为系统的量测数据。
进一步地,所述电-气-热耦合网络动态状态估计全局一致算法,具体分为如下三种情况:
情况一:tk时刻,当只进行电力网络状态估计,未达到天然气网络以及热力网络更新所需的时间跨度要求时,对于电力网络,天然气网络以及热力网络都是慢速系统,此时天然气网络、热力网络的状态量都是稳态恒定的,此时,将天然气网络以及热力网络与电力网络耦合的状态值直接作为稳态量代入到电力网络的状态估计中;
情况二:tk时刻,当进行天然气网络状态估计,未达到热力网络更新所需的时间跨度要求时,由于电力网络动态状态估计间时间跨度远小于天然气网络,需要进行电力网络状态估计,对于天然气网络,电力网络属于快速系统,热力网络属于慢速系统,此时,将热力网络视为稳定状态,直接将热力网络的静态数据代入到天然气网络的状态估计中;
情况三:tk时刻,当进行热力网络状态估计时,由于热力网络状态估计的时间尺度要远大于电力网络与天然气网络,需要进行电力网络与天然气网络的状态估计,对于热力网络,电力网络与天然气网络均属于快速系统,将热力网络解耦为热能网络与水力网络,水力网络只做定期的静态状态估计,所以热力网络与电力网络与天然气网络的耦合较弱,此时,进行热力网络的状态估计,并根据状态估计结果更新热力网络的数据,将热力网络视为静态并按照情况二处理电力网络与天然气网络。
进一步地,,所述情况二中,由于无法将电力网络也视为稳定状态,且在慢速系统进行状态估计时,快速系统也要同时进行状态估计,此时的处理方式如下:
步骤一:利用tk-1时刻的气网数据,计算与作为电网状态估计的控制向量;
步骤二:进行电网状态估计,根据状态估计结果计算潮流获得CHP机组产电功率与天然气网络中压缩机功率结合热网数据求得
步骤三:经过步骤一以及步骤二的相互作用,得到将作为预测步的控制向量,进行天然气网络状态估计,并根据状态估计结构计算出与
步骤四:判断是否若是,则表示此时状态估计结果符合全局一致性要求;若否,则将与替换为与作为控制向量代入到电力网络的状态估计中,重复步骤二。
较现有技术相比,本发明具有以下优点:
1、本发明提供的基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法,其状态估计合格率为99%,算法的平均运算时间为0.00126s,现有的估计方法,其平均运算时间为0.0324s。
2、本发明提供的基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法,其中热力网络的状态估计部分将热力网络解耦为热能网络和水力网络,根据不同的网络特性分别进行动态状态估计和静态状态估计,在保证估计动态性的同时简化了算法,提升了算法的效率。
3、本发明提供的基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法充分考虑了不同子系统间的相互作用,并提出全局一致性算法,在保证计算效率的同时令电-气-热耦合网络状态估计的结果具有全局一致性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的多时间尺度状态估计流程图。
图2为本发明实施例提供的热力网络的准动态状态估计流程图。
图3为本发明实施例提供的基于卡尔曼滤波原理的状态估计流程图。
图4为本发明实施例提供的电-气-热耦合网络间相互作用与状态估计的全局一致性示意图。
图5为本发明实施例提供的电-气-热耦合网络的状态估计全局一致算法中情况一的示意图。
图6为本发明实施例提供的电-气-热耦合网络的状态估计全局一致算法中情况二的示意图。
图7为本发明实施例提供的电-气-热耦合网络的状态估计全局一致算法中情况三的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明提供了一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法,包括如下步骤:
S1、初始化数据,定义tend为算法结束时间,te、tg、th分别为电力网络、天然气网络、热力网络状态估计的时间轴,Δte、Δtg、Δth分别为电力网络、天然气网络、热力网络状态估计每次动态状态更新的时间尺度,令te=tg=th=0;在快速系统进行状态估计时,可以假设其他慢速系统是处于稳定状态的;
S2、估计热力网络的动态状态,并根据此刻情况执行电-气-热耦合网络动态状态估计全局一致算法,以保证耦合网络动态状态估计结果的全局一致性,令th=th+Δth;
S3、判断是否tg≥th,若是,则返回步骤S2;若否,则执行步骤S4;
S4、估计天然气网络的动态状态,并根据此刻情况执行电-气-热耦合网络动态状态估计全局一致算法,以保证耦合网络动态状态估计结果的全局一致性,令tg=tg+Δtg;
S5、判断是否te≥tg,若是,则返回步骤S4;若否,则执行步骤S6;
S6、估计电力网络的动态状态,并根据此刻情况执行电-气-热耦合网络动态状态估计全局一致算法,以保证耦合网络动态状态估计结果的全局一致性,令tg=tg+Δtg;
S7、判断是否te≥tend,若是,则结束算法;若否,则返回步骤S5。
作为本发明优选的实施方式,由于对热力网络中个状态量的动态性要求是不一样的,如果直接采用传统的方法对热力网络进行全动态的状态估计,会导致计算的复杂性与计算耗时过高。为了解决此问题,如图2所示,步骤S2中估计热力网络的动态状态,具体为:
S21、将热力网络解耦为热能网络以及水力网络两部分并分别进行动态状态估计和静态状态估计;
S22、初始化时间参数,定义tw、tr为水力网络、热能网络状态估计的时间轴,tendh为算法结束时间,Δtw、Δtr为水力网络、热能网络状态估计每次动态状态更新的时间尺度,令tw=tr=0;
S23、对于水力网络,通过以Δtw为周期的基于加权最小二乘法的静态状态估计算法,更新水力网络的状态值,且在两次水力网络状态估计之间,假设水力网络的状态是静态稳定的,令tw=tw+Δtw;所述加权最小二乘法的静态状态估计算法,具体公式如下:
式中,zw表示热力网络的状态量,包括节点压力流量供水温度回水温度以及热负荷xw表示水力网络的状态量,包括节点压力与流量h(·)表示热力网络的量测函数,由网络的拓扑结构决定;
S24、对于热能网络,其状态量包括供水温度回水温度热负荷将水力网络状态估计获得的状态值节点压力与流量视为已知静态量,通过基于卡尔曼滤波的动态状态估计算法,更新热能网络状态值,令tr=tr+Δtr;所述卡尔曼滤波的动态状态估计算法,其动态方程和量测方程具体如下:
xk=Fkxk-1+Bkuk+wk
zk=Hkxk+vk
式中,xk表示系统的状态向量,zk表示系统的量测向量,Fk表示系统状态转移矩阵,Bk表示外部控制矩阵,uk表示外部控制向量,wk表示系统误差,方差阵为Qk,wk~N(0,Qk);vk表示量测误差,方差阵为Rk,vk~N(0,Rk)。
S25、判断是否tr≥tendh,若是,则结束算法;若否,则返回步骤S26;
S26、判断是否tr≥tw,若是,则返回步骤S23;若否,则执行步骤S24。
作为本发明优选的实施方式,如图3所示,卡尔曼滤波的动态状态估计算法还包括预测步骤和更新步骤;
所述预测步骤的具体公式如下:
Pk=FkPk-1Fk+Qk
式中,表示被估计网络tk-1时刻的最佳估计值,Pk-1表示被估计网络tk-1时刻的估计值的协方差矩阵;
所述更新步骤的具体公式如下:
P′k=Pk-KHkPk
其中,为系统tk时刻的最佳估计值,为相应的协方差矩阵;K为卡尔曼增益,Hk为系统量测矩阵,Rk为系统量测误差的方差矩阵;和Pk分别为系统tk时刻的预测状态值,为系统的量测数据。
如图4所示,电-气-热耦合网络由电力网络、天然气网络以及热力网络耦合而成,其中,热网管道中液体流动需要循环泵的推动,循环泵消耗电网中的电能,在水管网络中各节点间产生压强差,推动液体在水管网络中的循环。循环泵推动液体循环所需电能为:
式中,Px表示循环泵消耗电能;mx为循环泵每秒送水流量;Hx为循环泵扬程,假设循环泵两侧每秒水流量不变,且不存在高度差,则ηx为循环泵效率。
压缩机是天然气网络中维持气体流动、保持管道内压力稳定的重要装置,其消耗电能产生动力。压缩机所消耗的电功率可以通过气网管道内的气体流量等参数计算得到,即:
式中,ηg代表的是压缩机的效率,p0、T0分别表示标准气压和标准温度,λg是天然气的热效率,Tg为压缩机处的天然气温度。
此外,CHP通过消耗天然气产生电力与热力供应给电力网络以及热力网络,假设在天然气网络i点连接CHP机组,则天然气网络i点的出口压力就等于CHP机组的入口压力,即:
p(t,xi)=pCHP(t)
在实际运行中,CHP机组的入口压力越大,则单位时间内注入到CHP机组的流量越大,因此,CHP机组的入口压力,即天然气网络i点的出口压力发生波动时,就会影响到CHP机组的出力进而造成电网的波动。相反,当电网功率发生波动时,也会影响到CHP机组的出力,进而造成天然气网络i点的出口压力的改变,即:
耦合网络中的各个子网络存在着相互作用的耦合关系,因此不同子网络的状态量也是存在耦合关系的。但由于状态估计的原理,状态估计只能将状态量的误差降低,而不能彻底地消除误差。因此,如果单独对各个子网络进行状态估计,由于没有考虑网络之间的耦合关系,不同子网络状态估计计算出的不同网络间的耦合节点两侧的状态值可能不符合耦合关系,这就导致各个网络之间的状态值之间可能存在矛盾,需要将电力网络、天然气网络以及热力网络视为一个完整的整体。因此,状态估计计算出的状态量需要具有的全局一致性。
作为本发明优选的实施方式,根据电力网络、天然气网络以及热力网络的动态性速度不同,为三个子网络赋予不同的时间尺度,而在进行快速系统的状态估计时,将慢速系统视为稳态。电-气-热耦合网络动态状态估计全局一致算法,具体分为如下三种情况:
情况一:如图5所示,tk时刻,当只进行电力网络状态估计,未达到天然气网络以及热力网络更新所需的时间跨度要求时,对于电力网络,天然气网络以及热力网络都是慢速系统,此时天然气网络、热力网络的状态量都是稳态恒定的,此时,将天然气网络以及热力网络与电力网络耦合的状态值直接作为稳态量代入到电力网络的状态估计中;
情况二:如图6所示,tk时刻,当进行天然气网络状态估计,未达到热力网络更新所需的时间跨度要求时,由于电力网络动态状态估计间时间跨度远小于天然气网络,需要进行电力网络状态估计,对于天然气网络,电力网络属于快速系统,热力网络属于慢速系统,此时,将热力网络视为稳定状态,直接将热力网络的静态数据代入到天然气网络的状态估计中;但是此时无法将电力网络也视为稳定状态,且由图6可以看出,在慢速系统进行状态估计时,快速系统也要同时进行状态估计。此时的处理方式如下:
步骤一:利用tk-1时刻的气网数据,计算与作为电网状态估计的控制向量;
步骤二:进行电网状态估计,根据状态估计结果计算潮流获得CHP机组产电功率与天然气网络中压缩机功率结合热网数据求得
步骤三:经过步骤一以及步骤二的相互作用,得到将作为预测步的控制向量,进行天然气网络状态估计,并根据状态估计结构计算出与
步骤四:判断是否若是,则表示此时状态估计结果符合全局一致性要求;若否,则将与替换为与作为控制向量代入到电力网络的状态估计中,重复步骤二。
情况三:如图7所示,tk时刻,当进行热力网络状态估计时,由于热力网络状态估计的时间尺度要远大于电力网络与天然气网络,需要进行电力网络与天然气网络的状态估计,对于热力网络,电力网络与天然气网络均属于快速系统,将热力网络解耦为热能网络与水力网络,水力网络只做定期的静态状态估计,所以热力网络与电力网络与天然气网络的耦合较弱,此时,进行热力网络的状态估计,并根据状态估计结果更新热力网络的数据,将热力网络视为静态并按照情况二处理电力网络与天然气网络。
如表1所示,采用本发明方法,其状态估计合格率为99%,算法平均运算时间为0.00126s,而现有的基于卡尔曼滤波的电-气-热耦合网络全网统一状态估计方法,其状态估计合格率为99%,但算法平均运算时间为0.0324s。
表1
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (6)
1.一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法,其特征在于,包括如下步骤:
S1、初始化数据,定义tend为算法结束时间,te、tg、th分别为电力网络、天然气网络、热力网络状态估计的时间轴,Δte、Δtg、Δth分别为电力网络、天然气网络、热力网络状态估计每次动态状态更新的时间尺度,令te=tg=th=0;
S2、估计热力网络的动态状态,并根据此刻情况执行电-气-热耦合网络动态状态估计全局一致算法,以保证耦合网络动态状态估计结果的全局一致性,令th=th+Δth;
S3、判断是否tg≥th,若是,则返回步骤S2;若否,则执行步骤S4;
S4、估计天然气网络的动态状态,并根据此刻情况执行电-气-热耦合网络动态状态估计全局一致算法,以保证耦合网络动态状态估计结果的全局一致性,令tg=tg+Δtg;
S5、判断是否te≥tg,若是,则返回步骤S4;若否,则执行步骤S6;
S6、估计电力网络的动态状态,并根据此刻情况执行电-气-热耦合网络动态状态估计全局一致算法,以保证耦合网络动态状态估计结果的全局一致性,令tg=tg+Δtg;
S7、判断是否te≥tend,若是,则结束算法;若否,则返回步骤S5。
2.根据权利要求1所述的基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法,其特征在于,所述步骤S2中估计热力网络的动态状态,具体为:
S21、将热力网络解耦为热能网络以及水力网络两部分并分别进行动态状态估计和静态状态估计;
S22、初始化时间参数,定义tw、tr为水力网络、热能网络状态估计的时间轴,tendh为算法结束时间,Δtw、Δtr为水力网络、热能网络状态估计每次动态状态更新的时间尺度,令tw=tr=0;
S23、对于水力网络,通过以Δtw为周期的基于加权最小二乘法的静态状态估计算法,更新水力网络的状态值,且在两次水力网络状态估计之间,假设水力网络的状态是静态稳定的,令tw=tw+Δtw;
S24、对于热能网络,其状态量包括供水温度回水温度热负荷将水力网络状态估计获得的状态值节点压力与流量视为已知静态量,通过基于卡尔曼滤波的动态状态估计算法,更新热能网络状态值,令tr=tr+Δtr;
S25、判断是否tr≥tendh,若是,则结束算法;若否,则返回步骤S26;
S26、判断是否tr≥tw,若是,则返回步骤S23;若否,则执行步骤S24。
3.根据权利要求2所述的基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法,其特征在于,所述加权最小二乘法的静态状态估计算法,具体公式如下:
式中,zw表示热力网络的状态量,包括节点压力流量供水温度回水温度以及热负荷xw表示水力网络的状态量,包括节点压力与流量h(·)表示热力网络的量测函数,由网络的拓扑结构决定;
所述卡尔曼滤波的动态状态估计算法,其动态方程和量测方程具体如下:
xk=Fkxk-1+Bkuk+wk
zk=Hkxk+vk
式中,xk表示系统的状态向量,zk表示系统的量测向量,Fk表示系统状态转移矩阵,Bk表示外部控制矩阵,uk表示外部控制向量,wk表示系统误差,方差阵为Qk,wk~N(0,Qk);vk表示量测误差,方差阵为Rk,vk~N(0,Rk)。
4.根据权利要求3所述的基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法,其特征在于,所述卡尔曼滤波的动态状态估计算法还包括预测步骤和更新步骤;
所述预测步骤的具体公式如下:
Pk=FkPk-1Fk+Qk
式中,表示被估计网络tk-1时刻的最佳估计值,Pk-1表示被估计网络tk-1时刻的估计值的协方差矩阵;
所述更新步骤的具体公式如下:
P′k=Pk-KHkPk
其中,为系统tk时刻的最佳估计值,为相应的协方差矩阵;K为卡尔曼增益,Hk为系统量测矩阵,Rk为系统量测误差的方差矩阵;和Pk分别为系统tk时刻的预测状态值,为系统的量测数据。
5.根据权利要求1所述的基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法,其特征在于,所述电-气-热耦合网络动态状态估计全局一致算法,具体分为如下三种情况:
情况一:tk时刻,当只进行电力网络状态估计,未达到天然气网络以及热力网络更新所需的时间跨度要求时,对于电力网络,天然气网络以及热力网络都是慢速系统,此时天然气网络、热力网络的状态量都是稳态恒定的,此时,将天然气网络以及热力网络与电力网络耦合的状态值直接作为稳态量代入到电力网络的状态估计中;
情况二:tk时刻,当进行天然气网络状态估计,未达到热力网络更新所需的时间跨度要求时,由于电力网络动态状态估计间时间跨度远小于天然气网络,需要进行电力网络状态估计,对于天然气网络,电力网络属于快速系统,热力网络属于慢速系统,此时,将热力网络视为稳定状态,直接将热力网络的静态数据代入到天然气网络的状态估计中;
情况三:tk时刻,当进行热力网络状态估计时,由于热力网络状态估计的时间尺度要远大于电力网络与天然气网络,需要进行电力网络与天然气网络的状态估计,对于热力网络,电力网络与天然气网络均属于快速系统,将热力网络解耦为热能网络与水力网络,水力网络只做定期的静态状态估计,所以热力网络与电力网络与天然气网络的耦合较弱,此时,进行热力网络的状态估计,并根据状态估计结果更新热力网络的数据,将热力网络视为静态并按照情况二处理电力网络与天然气网络。
6.根据权利要求5所述的基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法,其特征在于,所述情况二中,由于无法将电力网络也视为稳定状态,且在慢速系统进行状态估计时,快速系统也要同时进行状态估计,此时的处理方式如下:
步骤一:利用tk-1时刻的气网数据,计算与作为电网状态估计的控制向量;
步骤二:进行电网状态估计,根据状态估计结果计算潮流获得CHP机组产电功率与天然气网络中压缩机功率结合热网数据求得
步骤三:经过步骤一以及步骤二的相互作用,得到将作为预测步的控制向量,进行天然气网络状态估计,并根据状态估计结构计算出与
步骤四:判断是否若是,则表示此时状态估计结果符合全局一致性要求;若否,则将与替换为与作为控制向量代入到电力网络的状态估计中,重复步骤二。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968540.1A CN110619487B (zh) | 2019-10-12 | 2019-10-12 | 一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968540.1A CN110619487B (zh) | 2019-10-12 | 2019-10-12 | 一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619487A true CN110619487A (zh) | 2019-12-27 |
CN110619487B CN110619487B (zh) | 2023-01-17 |
Family
ID=68925456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910968540.1A Active CN110619487B (zh) | 2019-10-12 | 2019-10-12 | 一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619487B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112039750A (zh) * | 2020-09-01 | 2020-12-04 | 四川大学 | 一种基于综合能源系统的电气联合系统网络状态预估方法 |
CN112163722A (zh) * | 2020-10-30 | 2021-01-01 | 中国石油大学(北京) | 天然气管网的供气状态预测方法及装置 |
CN112448403A (zh) * | 2020-11-16 | 2021-03-05 | 国网四川省电力公司经济技术研究院 | 对配电网储能的解耦配置方法 |
CN112906220A (zh) * | 2021-02-10 | 2021-06-04 | 海南省电力学校(海南省电力技工学校) | 综合能源微网园区系统状态的估计方法 |
CN112906317A (zh) * | 2021-02-09 | 2021-06-04 | 南京信息工程大学 | 一种天然气管网的鲁棒动态状态估计方法 |
CN116415383A (zh) * | 2023-06-12 | 2023-07-11 | 南京师范大学 | 基于改进ukf的电热气耦合网络状态估计方法、系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130246006A1 (en) * | 2012-03-13 | 2013-09-19 | King Fahd University Of Petroleum And Minerals | Method for kalman filter state estimation in bilinear systems |
CN106022624A (zh) * | 2016-05-27 | 2016-10-12 | 清华大学 | 一种电-热耦合多能流网络状态估计方法 |
CN106777708A (zh) * | 2016-12-21 | 2017-05-31 | 天津大学 | 一种电力‑天然气区域综合能源系统的稳态分析方法 |
CN107563674A (zh) * | 2017-10-09 | 2018-01-09 | 清华大学 | 一种考虑管道动态特性的电‑热耦合系统状态估计方法 |
CN108596453A (zh) * | 2018-04-10 | 2018-09-28 | 山东大学 | 考虑网络动态特性的综合能源系统日前优化调度方法及系统 |
CN109978625A (zh) * | 2019-03-28 | 2019-07-05 | 河海大学 | 一种计及电热气网络的综合能源系统多目标运行优化方法 |
-
2019
- 2019-10-12 CN CN201910968540.1A patent/CN110619487B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130246006A1 (en) * | 2012-03-13 | 2013-09-19 | King Fahd University Of Petroleum And Minerals | Method for kalman filter state estimation in bilinear systems |
CN106022624A (zh) * | 2016-05-27 | 2016-10-12 | 清华大学 | 一种电-热耦合多能流网络状态估计方法 |
CN106777708A (zh) * | 2016-12-21 | 2017-05-31 | 天津大学 | 一种电力‑天然气区域综合能源系统的稳态分析方法 |
CN107563674A (zh) * | 2017-10-09 | 2018-01-09 | 清华大学 | 一种考虑管道动态特性的电‑热耦合系统状态估计方法 |
CN108596453A (zh) * | 2018-04-10 | 2018-09-28 | 山东大学 | 考虑网络动态特性的综合能源系统日前优化调度方法及系统 |
CN109978625A (zh) * | 2019-03-28 | 2019-07-05 | 河海大学 | 一种计及电热气网络的综合能源系统多目标运行优化方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112039750A (zh) * | 2020-09-01 | 2020-12-04 | 四川大学 | 一种基于综合能源系统的电气联合系统网络状态预估方法 |
CN112163722A (zh) * | 2020-10-30 | 2021-01-01 | 中国石油大学(北京) | 天然气管网的供气状态预测方法及装置 |
CN112448403A (zh) * | 2020-11-16 | 2021-03-05 | 国网四川省电力公司经济技术研究院 | 对配电网储能的解耦配置方法 |
CN112448403B (zh) * | 2020-11-16 | 2022-05-17 | 国网四川省电力公司经济技术研究院 | 对配电网储能的解耦配置方法 |
CN112906317A (zh) * | 2021-02-09 | 2021-06-04 | 南京信息工程大学 | 一种天然气管网的鲁棒动态状态估计方法 |
CN112906317B (zh) * | 2021-02-09 | 2023-08-22 | 南京信息工程大学 | 一种天然气管网的鲁棒动态状态估计方法 |
CN112906220A (zh) * | 2021-02-10 | 2021-06-04 | 海南省电力学校(海南省电力技工学校) | 综合能源微网园区系统状态的估计方法 |
CN116415383A (zh) * | 2023-06-12 | 2023-07-11 | 南京师范大学 | 基于改进ukf的电热气耦合网络状态估计方法、系统 |
CN116415383B (zh) * | 2023-06-12 | 2023-09-12 | 南京师范大学 | 基于改进ukf的电热气耦合网络状态估计方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110619487B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619487B (zh) | 一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法 | |
US8396572B2 (en) | System and method for energy plant optimization using mixed integer-linear programming | |
CN109726483B (zh) | 一种电热互联综合能源系统辐射状热网模型及其系统 | |
EP2469676A1 (en) | Demand-prediction device, program, and recording medium | |
EP2724200A1 (en) | Thermo-economic modeling and optimization of a combined cooling, heating, and power plant | |
TWI714757B (zh) | 生態效益特性分析工具 | |
KR20150009375A (ko) | 전력 사용량 예측 방법 및 그 장치 | |
Rao et al. | Modeling of room temperature dynamics for efficient building energy management | |
CN110688744A (zh) | 一种应用于热电耦合网络的异步分布式状态估计方法 | |
Kallesøe et al. | Adaptive reference control for pressure management in water networks | |
CN114818257A (zh) | 一种具有隐私保护作用的智能微网分布式动态跟踪方法 | |
Bao et al. | Control parameter optimization of thermostatically controlled loads using a modified state-queuing model | |
CN112182905B (zh) | 一种用于综合能源系统的供热管网仿真方法和装置 | |
JP2017049756A (ja) | 熱源機器ネットワークの運転計画を最適化するための方法及びシステム、及びプログラム | |
CN112528482A (zh) | 一种极寒灾害下热电耦合系统的连锁故障仿真方法 | |
CN110020506B (zh) | 基于电热型综合能源系统运行优化的差分格式选择方法 | |
CN111998423A (zh) | 电蓄热循环风量-水温控制系统及其预测控制方法 | |
Nogues et al. | Energy efficient scheduling of real time signal processing applications through combined DVFS and DPM | |
JP5949827B2 (ja) | エネルギー管理システム | |
JP4749685B2 (ja) | 燃料電池発電システム及びその制御方法 | |
Cavey et al. | Setting up a framework for model predictive control with moving horizon state estimation using JModelica | |
Jensen et al. | Iterative learning pressure control in water distribution networks | |
JP4664842B2 (ja) | エネルギープラントの最適運用システムと方法、およびプログラム | |
Bao et al. | Power fluctuation damping of thermostatically controlled loads based on state estimation | |
JP7434065B2 (ja) | 機械学習モデルを構築する装置、方法及びそのためのプログラム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |