CN110750575B - 基于拉格朗日状态估计的电热互联系统坏数据辨识方法 - Google Patents
基于拉格朗日状态估计的电热互联系统坏数据辨识方法 Download PDFInfo
- Publication number
- CN110750575B CN110750575B CN201910903383.6A CN201910903383A CN110750575B CN 110750575 B CN110750575 B CN 110750575B CN 201910903383 A CN201910903383 A CN 201910903383A CN 110750575 B CN110750575 B CN 110750575B
- Authority
- CN
- China
- Prior art keywords
- node
- measurement
- matrix
- supply network
- residual
- 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 48
- 238000005485 electric heating Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 238000005259 measurement Methods 0.000 claims abstract description 88
- 230000035945 sensitivity Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008878 coupling Effects 0.000 claims description 19
- 238000010168 coupling process Methods 0.000 claims description 19
- 238000005859 coupling reaction Methods 0.000 claims description 19
- 239000008400 supply water Substances 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 239000000243 solution Substances 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 abstract 2
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000087 stabilizing 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于拉格朗日状态估计的电热互联系统坏数据辨识方法,包括:(1)获取电热互联综合能源系统电网信息和热网信息;(2)建立并求解计及等式约束的电‑热互联综合能源系统拉格朗日状态估计模型;(3)计算残差灵敏度矩阵及各量测的正则化残差;(4)设置最大正则化残差阈值,判断正则化残差的最大值是否越限,若越限则判定该处量测位不良数据,并将其移除;(5)返回进行步骤(2)、(3)、(4),直至正则化残差的最大值小于设定阈值。本发明能够降低了系统中关键量测的数目,对电热互联综合能源系统中的各类坏数据进行有效的辨识。
Description
技术领域
本发明涉及电力系统的检测、分析和控制,具体涉及一种基于拉格朗日状态估计的电热互联系统坏数据辨识方法。
背景技术
电热互联综合能源系统在满足最常见的用户能源需求的同时,提高了能源系统的经济效益和环境效益,也有利于平抑间歇性新能源的出力波动,促进了可再生能源的发展。而系统的在线调度、控制和优化策略依赖于完整可靠的实时数据支持,由于经济、技术和量测环境等方面的原因,现有的量测数据集中不可避免的存在不良数据,在局部量测环境比较恶劣的热网中更加常见,阻碍了管理系统获取实时准确的系统状态。因此,坏数据辨识作为状态估计技术核心功能之一,致力于数据中存在的问题,为实现综合能源系统的协同优化控制提供全局、自洽的网络实时状态。
现有技术中有将基于加权最小二乘(weighted least squares,WLS)状态估计的最大正则化残差(largest normalized residual test,LNR)坏数据辨识方法应用到电-热综合能源系统中。该方法虽然简单,但并不能对热网中的温度量测坏数据(即不良数据)进行辨识,从而导致WLS估计失去其优良特性,难以获取系统的全局实时状态;其次,直接基于传统WLS的坏数据辨识方法未考虑系统的自洽性,忽略了子系统内和子系统间的约束关系,对于耦合节点处的坏数据不能做出有效的辨识。
发明内容
发明目的:本发明的目的在于提供一种基于拉格朗日状态估计的电热互联系统坏数据辨识方法,用于解决现有技术中无法对电热互联综合能源系统坏数据就行有效辨识的问题。
技术方案:一方面,本申请提供了一种基于拉格朗日状态估计的电热互联系统坏数据辨识方法,包括以下步骤:
(1)分别获取电热互联综合能源系统的电网信息和热网信息;
(2)根据电网信息和热网信息建立并求解计及等式约束的电热互联综合能源系统拉格朗日状态估计模型;
进一步地,在步骤(1)中,电网信息包括:电网拓扑、支路参数信息、发电机参数信息及电网量测信息;热网信息包括:各管道长度、直径、粗糙度、阻抗系数,耦合元件的热电比及热网量测信息。
进一步地,在步骤(2)中,电热互联综合能源系统拉格朗日状态估计模型具体为:
s.t εe=ze-hx(xe)
εh=zh-hh(xh)
c(x)=0
式中,x=[xe,xh],xe和xh分别为电网和热网中的状态变量,we、wh分别为电网、热网中量测误差的权重列向量,c(x)为系统中的约束方程,ze、zh分别为电网、热网中的量测值,εe、εh分别为电网、热网中的量测误差,he(xe)、hh(xh)分别为电网、热网中的量测方程,且具体为:
式中下标i、j表示电网节点编号,下标ij表示节点i和节点j之间的线路或支路,下标k表示管道编号,下标l表示热网节点编号,V、θ为节点电压幅值和相角,Pi为节点注入有功功率,Qi为节点注入无功功率,Pij为支路有功功率,Qij为支路无功功率,G、D为导纳矩阵的实部和虚部,g、b为线路电导和电纳,yc为对地导纳;m为管道流量,mq为节点注入流量,hf为压强损失,T为节点温度,A为热网节点-支路关联矩阵,K为管道阻力系数,Φsource为热源功率,fh(·)为管道温降方程,Ts为负荷节点供水温度,Tr为负荷节点回水温度,Tr_source,p为热源节点的回水温度;
约束方程c(x)具体为:
式中,Y为电网节点导纳矩阵,上标*表示复数的共轭,real{·}表示复数的实部,imag{·}表示复数虚部,Ts′表示节点供水温度与环境温度的差值,Ap表示零注入功率节点的节点-支路关联矩阵,Psource表示耦合元件功率,(As,bs,Ar,br)为温度系数,B为支路-回路关联矩阵,Φ为节点热功率,ζ为耦合系数。
进一步地,电热互联综合能源系统拉格朗日状态估计模型通过以下步骤求解:
1)建立拉格朗日函数:L(x)=J(x)-λTc(x);
2)拉格朗日函数的一阶最优条件可表示为下列非线性方程组:
式中,W为量测误差的权重矩阵;H为雅克比矩阵,是目标函数J(x)的一阶导数;
3)为了便于求解残差灵敏度矩阵和正则化残差,将求解方式做以下变形:将估计模型的目标函数写为显性形式:
式中ρ权重因子,远大于权重矩阵中任意数值;h(x)为电热互联系统的量测方程,包括电网、热网中的量测方程he(xe)、hh(xh);
目标函数J(x)的一阶最优条件可以写为:
HTW[z-h(x)]-ρCTc(x)=0
转换为:
HTW[z-h(x)]+CTλ=0
迭代方程可以写为:
消去λ可以得到[HTWH+ρCTC]Δx=HTWΔzk-ρCTc(xk)。
进一步地,在步骤(3)中,残差灵敏度矩阵S及各量测的正则化残差ri N通过下述公式计算而得:
S=I-H(HTR-1H)-1HTR-1
另一方面,本申请还公开了一种基于拉格朗日状态估计的电热互联系统坏数据辨识装置,包括:
信息获取模块,用于分别获取电热互联综合能源系统的电网信息和热网信息;
模型构建及求解模块,用于根据电网信息和热网信息建立并求解计及等式约束的电热互联综合能源系统拉格朗日状态估计模型;
进一步地,电网信息包括:电网拓扑、支路参数信息、发电机参数信息及电网量测信息;热网信息包括:各管道长度、直径、粗糙度、阻抗系数,耦合元件的热电比及热网量测信息。
进一步地,电热互联综合能源系统拉格朗日状态估计模型具体为:
s.t εe=ze-hx(xe)
εh=zh-hh(xh)
c(x)=0
式中,x=[xe,xh],xe和xh分别为电网和热网中的状态变量,we、wh分别为电网、热网中量测误差的权重列向量,c(x)为系统中的约束方程,ze、zh分别为电网、热网中的量测值,εe、εh分别为电网、热网中的量测误差,he(xe)、hh(xh)分别为电网、热网中的量测方程,且具体为:
式中下标i、j表示电网节点编号,下标ij表示节点i和节点j之间的线路或支路,下标k表示管道编号,下标l表示热网节点编号,V、θ为节点电压幅值和相角,Pi为节点注入有功功率,Qi为节点注入无功功率,Pij为支路有功功率,Qij为支路无功功率,G、D为导纳矩阵的实部和虚部,g、b为线路电导和电纳,yc为对地导纳;m为管道流量,mq为节点注入流量,hf为压强损失,T为节点温度,A为热网节点-支路关联矩阵,K为管道阻力系数,Φsource为热源功率,fh(·)为管道温降方程,Ts为负荷节点供水温度,Tr为负荷节点回水温度,Tr_source,p为热源节点的回水温度;
约束方程c(x)具体为:
式中,Y为电网节点导纳矩阵,上标*表示复数的共轭,real{·}表示复数的实部,imag{·}表示复数虚部,Ts′表示节点供水温度与环境温度的差值,Ap表示零注入功率节点的节点-支路关联矩阵,Psource表示耦合元件功率,(As,bs,Ar,br)为温度系数,B为支路-回路关联矩阵,Φ为节点热功率,ζ为耦合系数。
进一步地,模型求解模块通过以下步骤求解电热互联综合能源系统拉格朗日状态估计模型:
1)建立拉格朗日函数:L(x)=J(x)-λTc(x);
2)拉格朗日函数的一阶最优条件可表示为下述非线性方程组:
式中,W为量测误差的权重矩阵;H为雅克比矩阵,是目标函数J(x)的一阶导数;
3)为了便于求解残差灵敏度矩阵和正则化残差,将求解方式做以下变形:将估计模型的目标函数写为显性形式:
式中ρ权重因子,远大于权重矩阵中任意数值;h(x)为电热互联系统的量测方程,包括电网、热网中的量测方程he(xe)、hh(xh);
目标函数J(x)的一阶最优条件可以写为:
HTW[z-h(x)]-ρCTc(x)=0
转换为:
HTW[z-h(x)]+CTλ=0
迭代方程可以写为:
消去λ可以得到[HTWH+ρCTC]Δx=HTWΔzk-ρCTc(xk)。
进一步地,残差灵敏度矩阵计算模块和正则化残差计算模块分别通过下述公式计算残差灵敏度矩阵S及各量测的正则化残差ri N:
S=I-H(HTR-1H)-1HTR-1
有益效果:与现有技术相比,针对电-热互联综合能源系统状态估计方法中现存的问题,本发明提出了基于拉格朗日状态估计器的电热互联综合能源系统坏数据辨识方法,首先建立了计及等式约束的电热互联综合能源系统拉格朗日状态估计模型,使估计结果严格满足两系统约束和耦合约束;然后通过基于增广拉格朗日状态估计器的LNR坏数据辨识方法,对量测系统中的各类坏数据进行有效的辨识,提高了估计精度;经过由IEEE-33节点和巴厘岛算例构成的电-热互联综合能源系统测试结果表明,本发明提出方法简便易行,效率满足工程需求,能够对系统中的各类有效数据进行有效的辨识。
附图说明
图1为本发明的电热互联综合能源系统坏数据辨识方法流程图;
图2为本发明的电热互联综合能源系统坏数据辨识装置结构框图;
图3为本发明实施例中IEEE-33节点与巴厘岛系统构成的电热互联综合能源系统图;
图4为基于拉格朗日状态估计器的LNR法辨识残差过程图。
具体实施方式
下面结合附图和实施例对本发明做进一步描述:
本申请公开了一种基于拉格朗日状态估计的电热互联系统坏数据辨识方法,包括以下步骤:
(1)分别获取电热互联综合能源系统的电网信息和热网信息。其中,获取的电网信息包括:电网拓扑、支路参数信息、发电机参数信息及电网量测信息;热网信息包括:各管道长度、直径、粗糙度、阻抗系数,耦合元件的热电比及热网量测信息。
(2)根据电网信息和热网信息建立并求解计及等式约束的电热互联综合能源系统拉格朗日状态估计模型。
其中,电热互联综合能源系统拉格朗日状态估计模型具体为:
式(1)中,x=[xe,xh],xe和xh分别为电网和热网中的状态变量,we、wh分别为电网、热网中量测误差的权重列向量,c(x)为系统中的约束方程,ze、zh分别为电网、热网中的量测值,εe、εh分别为电网、热网中的量测误差,he(xe)、hh(xh)分别为电网、热网中的量测方程,且具体为:
式(2)(3)中下标i、j表示电网节点编号,下标ij表示节点i和节点j之间的线路或支路,下标k表示管道编号,下标l表示热网节点编号,V、θ为节点电压幅值和相角,Pi为节点注入有功功率,Qi为节点注入无功功率,Pij为支路有功功率,Qij为支路无功功率,G、D为导纳矩阵的实部和虚部,g、b为线路电导和电纳,yc为对地导纳;n为管道流量,mq为节点注入流量,hf为压强损失,T为节点温度,A为热网节点-支路关联矩阵,K为管道阻力系数,Φsource为热源功率,fh(·)为管道温降方程,Ts为负荷节点供水温度,Tr为负荷节点回水温度,Tr_source,p为热源节点的回水温度;
约束方程c(x)具体为:
式(4)中,Y为电网节点导纳矩阵,上标*表示复数的共轭,real{·}表示复数的实部,imag{·}表示复数虚部,Ts′表示节点供水温度与环境温度的差值,Ap表示零注入功率节点的节点-支路关联矩阵,Psource表示耦合元件功率,(As,bs,Ar,br)为温度系数,B为支路-回路关联矩阵,Φ为节点热功率,ζ为耦合系数。
上述电热互联综合能源系统拉格朗日状态估计模型通过以下步骤求解:
1)建立拉格朗日函数:L(x)=J(x)-λTc(x) (5);
2)拉格朗日函数的一阶最优条件可表示为下列非线性方程组:
式(7)中,W为量测误差的权重矩阵;H为雅克比矩阵,是目标函数J(x)的一阶导数;
3)为了便于求解残差灵敏度矩阵和正则化残差,将求解方式做以下变形:将估计模型的目标函数写为显性形式:
式(8)中ρ权重因子,远大于权重矩阵中任意数值;h(x)为电热互联系统的量测方程,包括电网、热网中的量测方程he(xe)、hh(xh);
目标函数J(x)的一阶最优条件可以写为:
HTW[z-h(x)]-ρCTc(x)=0 (9)
转换为:
HTW[z-h(x)]+CTλ=0
迭代方程可以写为:
消去λ可以得到
[HTWH+ρCTC]Δx=HTWΔzk-ρCTc(xk) (12)
残差灵敏度矩阵S及各量测的正则化残差ri N通过下述公式计算而得:
S=I-H(HTR-1H)-1HTR-1 (13)
另一方面,本申请还公开了一种基于拉格朗日状态估计的电热互联系统坏数据辨识装置,包括:信息获取模块201、模型构建及求解模块202、参数计算模块203、不良数据判断模块204、循环模块205。
信息获取模块201,用于获取电热互联综合能源系统的电网信息和热网信息。电网信息包括:电网拓扑、支路参数信息、发电机参数信息及电网量测信息;热网信息包括:各管道长度、直径、粗糙度、阻抗系数,耦合元件的热电比及热网量测信息。
模型构建及求解模块202,用于根据电网信息和热网信息建立并求解计及等式约束的电热互联综合能源系统拉格朗日状态估计模型。
电热互联综合能源系统拉格朗日状态估计模型具体为:
式(1)中,x=[xe,xh],xe和xh分别为电网和热网中的状态变量,we、wh分别为电网、热网中量测误差的权重列向量,c(x)为系统中的约束方程,ze、zh分别为电网、热网中的量测值,εe、εh分别为电网、热网中的量测误差,he(xe)、hh(xh)分别为电网、热网中的量测方程,且具体为:
式(2)(3)中下标i、j表示电网节点编号,下标ij表示节点i和节点j之间的线路或支路,下标k表示管道编号,下标l表示热网节点编号,V、θ为节点电压幅值和相角,Pi为节点注入有功功率,Qi为节点注入无功功率,Pij为支路有功功率,Qij为支路无功功率,G、D为导纳矩阵的实部和虚部,g、b为线路电导和电纳,yc为对地导纳;m为管道流量,mq为节点注入流量,hf为压强损失,T为节点温度,A为热网节点-支路关联矩阵,K为管道阻力系数,Φsource为热源功率,fh(·)为管道温降方程,Ts为负荷节点供水温度,Tr为负荷节点回水温度,Tr_source,p为热源节点的回水温度;
约束方程c(x)具体为:
式(4)中,Y为电网节点导纳矩阵,上标*表示复数的共轭,real{·}表示复数的实部,imag{·}表示复数虚部,Ts′表示节点供水温度与环境温度的差值,Ap表示零注入功率节点的节点-支路关联矩阵,Psource表示耦合元件功率,(As,bs,Ar,br)为温度系数,B为支路-回路关联矩阵,Φ为节点热功率,ζ为耦合系数。
模型求解模块通过以下步骤求解电热互联综合能源系统拉格朗日状态估计模型:
1)建立拉格朗日函数:L(x)=J(x)-λTc(x) (5)
2)拉格朗日函数的一阶最优条件可表示为下述非线性方程组:
式(7)中,W为量测误差的权重矩阵;H为雅克比矩阵,是目标函数J(x)的一阶导数;
3)为了便于求解残差灵敏度矩阵和正则化残差,将求解方式做以下变形:将估计模型的目标函数写为显性形式:
式(8)中ρ权重因子,远大于权重矩阵中任意数值;h(x)为电热互联系统的量测方程,包括电网、热网中的量测方程he(xe)、hh(xh);
目标函数J(x)的一阶最优条件可以写为:
HTW[z-h(x)]-ρCTc(x)=0 (9)
转换为:
HTW[z-h(x)]+CTλ=0
迭代方程可以写为:
消去λ可以得到
[HTWH+ρCTC]Δx=HTWΔzk-ρCTc(xk) (12)
S=I-H(HTR-1H)-1HTR-1 (13)
下对本发明的辨识方法进行仿真测试:
本发明测试的算例如图3所示,由IEEE-33节点和巴厘岛系统构成的电-热互联综合能源系统。本发明的辨识坏数据的效果通过与基于WLS的LNR法在5个场景下进行对比验证:
(1)单个不良数据测试:
场景1:在电网节点3(P3)处设置值为130%正常量测值大小的坏数据;
场景2:在热网节点3(hf3)处设置值为130%正常量测值大小的坏数据;
场景3:在热网节点6(Ts,6)处设置值为130%正常量测值大小的坏数据;
(2)多个不良数据测试:
场景4:将量测系统中Q2,P6-7,P4,Φ7,Φ20,hf1的值设置为0;
场景5:将量测系统中P3,Q6-7,Q5,Ts,7,Φ20,hf1的值设置为0;
本发明与基于WLS的LNR法对比结果如表1所示,从表中可以看出基于WLS的LNR法辨识能力有限,在场景3下由于模型缺乏温度量测之间的约束导致辨识失败,而本发明通过计及等式约束的增广拉格朗日模型解决了该问题,增强了坏数据辨识的能力。而在场景5下,如图3所示,基于WLS的LNR法出现了残差污染的现象,导致坏数据辨识模块出现紊乱。
表1两方法在不同场景下辨识结果对比
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于拉格朗日状态估计的电热互联系统坏数据辨识方法,其特征在于,包括以下步骤:
(1)分别获取电热互联综合能源系统的电网信息和热网信息;
(2)根据所述电网信息和所述热网信息建立并求解计及等式约束的电热互联综合能源系统拉格朗日状态估计模型;
所述电热互联综合能源系统拉格朗日状态估计模型具体为:
s.t εe=ze-hx(xe)
εh=zh-hh(xh)
c(x)=0
式中,x=[xe,xh],xe和xh分别为电网和热网中的状态变量,we、wh分别为电网、热网中量测误差的权重列向量,c(x)为系统中的约束方程,ze、zh分别为电网、热网中的量测值,εe、εh分别为电网、热网中的量测误差,he(xe)、hh(xh)分别为电网、热网中的量测方程,且具体为:
式中下标i、j表示电网节点编号,下标ij表示节点i和节点j之间的线路或支路,下标k表示管道编号,下标l表示热网节点编号,V、θ为节点电压幅值和相角,Pi为节点注入有功功率,Qi为节点注入无功功率,Pij为支路有功功率,Qij为支路无功功率,G、D为导纳矩阵的实部和虚部,g、b为线路电导和电纳,yc为对地导纳;m为管道流量,mq为节点注入流量,hf为压强损失,T为节点温度,A为热网节点-支路关联矩阵,K为管道阻力系数,Φsource为热源功率,fh(·)为管道温降方程,Ts为负荷节点供水温度,Tr为负荷节点回水温度,Tr_source,p为热源节点的回水温度;
约束方程c(x)具体为:
式中,Y为电网节点导纳矩阵,上标*表示复数的共轭,real{·}表示复数的实部,imag{·}表示复数虚部,Ts′表示节点供水温度与环境温度的差值,Ap表示零注入功率节点的节点-支路关联矩阵,Psource表示耦合元件功率,(As,bs,Ar,br)为温度系数,B为支路-回路关联矩阵,Φ为节点热功率,ζ为耦合系数;
所述残差灵敏度矩阵S及各量测的正则化残差ri N通过下述公式计算而得:
S=I-H(HTR-1H)-1HTR-1
2.根据权利要求1所述的方法,其特征在于,在步骤(1)中,所述电网信息包括:电网拓扑、支路参数信息、发电机参数信息及电网量测信息;所述热网信息包括:各管道长度、直径、粗糙度、阻抗系数,耦合元件的热电比及热网量测信息。
3.根据权利要求1所述的方法,其特征在于,所述电热互联综合能源系统拉格朗日状态估计模型通过以下步骤求解:
1)建立拉格朗日函数:L(x)=J(x)-λTc(x);
2)所述拉格朗日函数的一阶最优条件可表示为下列非线性方程组:
式中,W为量测误差的权重矩阵;H为雅克比矩阵,是目标函数J(x)的一阶导数;
3)为了便于求解残差灵敏度矩阵和正则化残差,将求解方式做以下变形:将估计模型的目标函数写为显性形式:
式中ρ权重因子,远大于权重矩阵中任意数值;h(x)为电热互联系统的量测方程,包括电网、热网中的量测方程he(xe)、hh(xh);
目标函数J(x)的一阶最优条件可以写为:
HTW[z-h(x)]-ρCTc(x)=0
转换为:
HTW[z-h(x)]+CTλ=0
迭代方程可以写为:
消去λ可以得到[HTWH+ρCTC]Δx=HTWΔzk-ρCTc(xk)。
4.一种基于拉格朗日状态估计的电热互联系统坏数据辨识装置,其特征在于,包括:
信息获取模块,用于分别获取电热互联综合能源系统的电网信息和热网信息;
模型构建及求解模块,用于根据所述电网信息和所述热网信息建立并求解计及等式约束的电热互联综合能源系统拉格朗日状态估计模型;
所述电热互联综合能源系统拉格朗日状态估计模型具体为:
s.t εe=ze-hx(xe)
εh=zh-hh(xh)
c(x)=0
式中,x=[xe,xh],xe和xh分别为电网和热网中的状态变量,we、wh分别为电网、热网中量测误差的权重列向量,c(x)为系统中的约束方程,ze、zh分别为电网、热网中的量测值,εe、εh分别为电网、热网中的量测误差,he(xe)、hh(xh)分别为电网、热网中的量测方程,且具体为:
式中下标i、j表示电网节点编号,下标ij表示节点i和节点j之间的线路或支路,下标k表示管道编号,下标l表示热网节点编号,V、θ为节点电压幅值和相角,Pi为节点注入有功功率,Qi为节点注入无功功率,Pij为支路有功功率,Qij为支路无功功率,G、D为导纳矩阵的实部和虚部,g、b为线路电导和电纳,yc为对地导纳;m为管道流量,mq为节点注入流量,hf为压强损失,T为节点温度,A为热网节点-支路关联矩阵,K为管道阻力系数,Φsource为热源功率,fh(·)为管道温降方程,Ts为负荷节点供水温度,Tr为负荷节点回水温度,Tr_source,p为热源节点的回水温度;
约束方程c(x)具体为:
式中,Y为电网节点导纳矩阵,上标*表示复数的共轭,real{·}表示复数的实部,imag{·}表示复数虚部,Ts′表示节点供水温度与环境温度的差值,Ap表示零注入功率节点的节点-支路关联矩阵,Psource表示耦合元件功率,(As,bs,Ar,br)为温度系数,B为支路-回路关联矩阵,Φ为节点热功率,ζ为耦合系数;
所述残差灵敏度矩阵计算模块和正则化残差计算模块分别通过下述公式计算残差灵敏度矩阵S及各量测的正则化残差ri N:
S=I-H(HTR-1H)-1HTR-1
5.根据权利要求4所述的装置,其特征在于,所述电网信息包括:电网拓扑、支路参数信息、发电机参数信息及电网量测信息;所述热网信息包括:各管道长度、直径、粗糙度、阻抗系数,耦合元件的热电比及热网量测信息。
6.根据权利要求4所述的装置,其特征在于,所述模型求解模块通过以下步骤求解电热互联综合能源系统拉格朗日状态估计模型:
1)建立拉格朗日函数:L(x)=J(x)-λTc(x);
2)所述拉格朗日函数的一阶最优条件可表示为下述非线性方程组:
式中,W为量测误差的权重矩阵;H为雅克比矩阵,是目标函数J(x)的一阶导数;
3)为了便于求解残差灵敏度矩阵和正则化残差,将求解方式做以下变形:将估计模型的目标函数写为显性形式:
式中ρ权重因子,远大于权重矩阵中任意数值;h(x)为电热互联系统的量测方程,包括电网、热网中的量测方程he(xe)、hh(xh);
目标函数J(x)的一阶最优条件可以写为:
HTW[z-h(x)]-ρCTc(x)=0
转换为:
HTW[z-h(x)]+CTλ=0
迭代方程可以写为:
消去λ可以得到[HTWH+ρCTC]Δx=HTWΔzk-ρCTc(xk)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910903383.6A CN110750575B (zh) | 2019-09-24 | 2019-09-24 | 基于拉格朗日状态估计的电热互联系统坏数据辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910903383.6A CN110750575B (zh) | 2019-09-24 | 2019-09-24 | 基于拉格朗日状态估计的电热互联系统坏数据辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750575A CN110750575A (zh) | 2020-02-04 |
CN110750575B true CN110750575B (zh) | 2020-09-18 |
Family
ID=69276928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910903383.6A Active CN110750575B (zh) | 2019-09-24 | 2019-09-24 | 基于拉格朗日状态估计的电热互联系统坏数据辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750575B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112230087B (zh) * | 2020-10-13 | 2022-08-05 | 全球能源互联网研究院有限公司 | 一种线性状态估计方法、装置、电子设备及存储介质 |
CN112529391B (zh) * | 2020-12-02 | 2023-07-21 | 清华大学 | 一种适用于极寒自然灾害下的热电耦合系统状态估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8060349B2 (en) * | 2007-03-16 | 2011-11-15 | Chang Gung University | Method of designing a static synchronous compensator based on passivity-based control |
CN108494021A (zh) * | 2018-04-20 | 2018-09-04 | 东北大学 | 电-热-气综合能源系统的稳定评估与静态控制方法 |
CN109934386A (zh) * | 2019-01-30 | 2019-06-25 | 山西河坡发电有限责任公司 | 热电联供系统热负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106849188B (zh) * | 2017-01-23 | 2020-03-06 | 中国电力科学研究院 | 一种促进风电消纳的热电联合优化方法及系统 |
-
2019
- 2019-09-24 CN CN201910903383.6A patent/CN110750575B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8060349B2 (en) * | 2007-03-16 | 2011-11-15 | Chang Gung University | Method of designing a static synchronous compensator based on passivity-based control |
CN108494021A (zh) * | 2018-04-20 | 2018-09-04 | 东北大学 | 电-热-气综合能源系统的稳定评估与静态控制方法 |
CN109934386A (zh) * | 2019-01-30 | 2019-06-25 | 山西河坡发电有限责任公司 | 热电联供系统热负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
面向电_热综合能源系统的双线性抗差状态估计方法;陈艳波等;《电力自动化设备》;20190831;第47页至第54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110750575A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110750575B (zh) | 基于拉格朗日状态估计的电热互联系统坏数据辨识方法 | |
CN110428185B (zh) | 基于伪量测模型的电-热互联综合能源系统抗差状态估计方法 | |
CN107016622B (zh) | 一种含大用户用水信息的城市供水管网节点需水量反演方法 | |
CN107947182B (zh) | 一种动态潮流分析方法及动态潮流分析系统 | |
CN111898816A (zh) | 一种综合能源系统动态状态估计方法 | |
CN111797974B (zh) | 一种联合粒子滤波和卷积神经网络的电力系统状态估计方法 | |
CN112600191A (zh) | 基于非线性回归的低压配电网参数和拓扑联合辨识方法 | |
CN111780933A (zh) | 基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统 | |
CN108460547A (zh) | 热电联供系统热电联合状态估计方法及系统 | |
CN112362096B (zh) | 多能流运行状态监测方法、装置、终端设备及存储介质 | |
CN116738764B (zh) | 一种基于奇异值阈值算法的海洋平台舱室舒适度评估方法 | |
CN111412391B (zh) | 一种管网泄漏检测方法及系统 | |
CN106487002B (zh) | 一种广域阻尼控制安装地点与控制信号选取方法 | |
CN116611706A (zh) | 基于多能源主体的动态碳排放因子测算方法 | |
CN114372036B (zh) | 电力系统的状态估计方法、装置、设备和计算机存储介质 | |
Qin et al. | Hybrid physics and data-driven method for modeling and analysis of electricity–heat integrated energy systems | |
CN115081193A (zh) | 一种电网-热网模型构建方法、融合仿真方法及系统 | |
CN112510757B (zh) | 一种基于阻抗测量的逆变器电网稳定性校验方法 | |
CN114491378A (zh) | 一种基于迭代方法的汽机背压计算方法及电子装置 | |
CN115183884A (zh) | 电热协同系统的红外测温补偿方法及装置 | |
CN111199012B (zh) | 一种能源互联网热力网络潮流计算方法 | |
CN114549232A (zh) | 电-热综合能源系统混合能流计算方法 | |
CN109635404B (zh) | 蒸汽管道压降预估方法、装置及系统 | |
CN108418220A (zh) | 配电网节点电压检测方法和系统 | |
CN114219296B (zh) | 一种基于微分变换的电热综合能源系统动态能流计算方法 |
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 |