CN117078123A - 一种电-气综合能源系统可用输电能力计算方法及系统 - Google Patents
一种电-气综合能源系统可用输电能力计算方法及系统 Download PDFInfo
- Publication number
- CN117078123A CN117078123A CN202311054435.XA CN202311054435A CN117078123A CN 117078123 A CN117078123 A CN 117078123A CN 202311054435 A CN202311054435 A CN 202311054435A CN 117078123 A CN117078123 A CN 117078123A
- Authority
- CN
- China
- Prior art keywords
- calculation
- data
- model
- atc
- transmission capacity
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000004364 calculation method Methods 0.000 claims abstract description 200
- 230000008569 process Effects 0.000 claims abstract description 34
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 106
- 239000003345 natural gas Substances 0.000 claims description 53
- 239000007789 gas Substances 0.000 claims description 51
- 238000013527 convolutional neural network Methods 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 16
- 230000001419 dependent effect Effects 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004904 shortening Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 230000005283 ground state Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 210000002569 neuron Anatomy 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000407 epitaxy Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于综合能源系统技术领域,公开了一种电‑气综合能源系统可用输电能力计算方法及系统,首先将数据驱动和模型驱动进行融合,充分挖掘隐藏在海量状态数据下的信息,进而简化传统物理模型迭代计算的过程,缩短计算时间;其次构建数字孪生模型以实时处理综合能源系统内不断更新的状态量数据,实现最大输电能力的在线计算并提取系统运行状态的特征;最后利用提取出来的特征进行综合能源系统的ATC计算。本发明通过分析数字孪生在EGIES中的适用性,提出了一种在EGIES中以ATC计算为目标的数字孪生理念应用形式。可用于计算其他反映系统当前运行状态指标的实时值或预测值,为建立起以EGIES安全评估为目标的评估体系奠定基础。
Description
技术领域
本发明属于综合能源系统技术领域,尤其涉及一种电-气综合能源系统可用输电能力计算方法及系统。
背景技术
目前,能源是世界经济与社会发展的坚实基础,是国家未来发展的重要动力。电-气综合能源系统(electricity-gas integrated energy system,EGIES)可以对电力系统和天然气系统进行统一规划、调度和管理,以实现能源的综合利用,从而大大提高社会资源的利用率。作为确保电网持续安全可靠运行的重要参考信息,实时准确的可用输电能力(Available Transfer Capability,ATC)计算可以帮助电网运维人员掌握电网实时状态,维持电力系统的安全稳定运行。然而,在电力系统和天然气系统深度耦合及EGIES规模不断扩大的背景下,EGIES中可以影响ATC计算的因素增多,分析这些因素的影响原理有助于更加深入地了解EGIES。故以电力系统为核心的EGIES受到了广泛关注,电-气综合能源系统中电力系统的ATC计算也值得关注。
作为新兴技术,数字孪生相关理论方法受到了来自不同行业、不同领域的关注。与传统基于物理模型对电力系统进行分析不同,数字孪生在电力系统运行状态分析领域中更侧重于数据与机理的交互融合驱动。数字孪生可采用人工智能分析方法对系统运行所产生的有效运行数据进行学习,对系统的运行状态进行精细刻画,以反映出系统当前的运行状态。文献(卫志农,仲磊磊,薛溟枫.基于数据驱动的电-热互联综合能源系统线性化潮流计算[J].电力自动化设备,2019,39(8):31-37.)与文献(王成山,董博,于浩.智慧城市综合能源系统数字孪生技术及应用[J/OL].中国电机工程学报[2021-01-20].https://doi.org/10.13334/j.0258-8013.pcsee.201804)就综合能源系统数字孪生的建立原理、方法、应用场景和未来发展潜能进行了分析,并就需要进行突破的关键问题和技术进行描述,为未来智慧城市EGIES的发展提供了一定的参考。
上述文献总结了构建EGIES的数字孪生模型的可用方法,分析了数字孪生的相关原理应用于EGIES的状态分析的前景。然而,当前对于数字孪生技术在EGIES中的应用与探索主要体现在发展形势和未来可用技术的综述和展望方法。基于工程实际和现存技术基础上的数字孪生技术仍尚待开发,而数字孪生可以实时甚至预先精细描绘系统状态的特性,因此利用数字孪生方法对ATC等反映系统状态的指标进行计算可有效对电-气综合能源系统的状态进行实时评估及预测,提前制定控制策略,并提升系统数据利用率,满足系统运维人员实时掌握系统当前运行状态的要求。
通过上述分析,现有技术存在的问题及缺陷为:
当前基于工程实际和现存技术基础上的数字孪生技术仍尚待开发。
发明内容
针对现有技术存在的问题,本发明提供了一种电-气综合能源系统可用输电能力计算方法及系统。
本发明是这样实现的,一种电-气综合能源系统可用输电能力计算方法,所述方法首先将数据驱动和模型驱动进行融合,充分挖掘隐藏在海量状态数据下的信息,进而简化传统物理模型迭代计算的过程,缩短计算时间;其次,构建数字孪生模型以实时处理综合能源系统内不断更新的状态量数据,实现最大输电能力的在线计算并提取系统运行状态的特征;最后,利用提取出来的特征进行综合能源系统的ATC计算。
进一步,所述方法具体包括以下步骤:
S101:针对实际系统建立自变量数据库和因变量数据库,利用安装在EGIES中关键节点上的传感器搜集系统的状态量,经过计算机以拉依达准则筛选掉其中的坏数据后,将其传送到自变量数据库;同时记录历史PTTC变化以及系统历史潮流分布变化形成因变量数据库,自变量数据库和因变量数据库合称为自更新数据库;
S102:基于流处理原理,利用SOINN对实时数据进行特征提取;基于历史数据利用CNN提取出用于PETC计算的特征值,从而改进机理模型中的PTTC和PETC的计算环节,以达到牺牲少量计算精度,缩短大量计算时间的目的;
S103:由机理模型和数据模型组成的融合模型公式通过CNN对可用输电能力计算中的PETC值进行计算,由数据驱动模型通过SOINN对最大输电能力PTTC进行计算,以满足不同系统安全性指标计算速度和精度要求;
S104:在数字孪生体中建立数据-机理融合模型,分别对EGIES中呈现不同特性的部分进行计算,使用CNN离线方法和机理模型结合之后的融合模型对与系统参数相关的基础变量进行离线计算,满足在线计算要求;采用以流计算为原理的实时计算方法SOINN实时计算与系统时变量有关的系统量,满足实时性要求,实现综合能源系统的ATC实时计算;
S105:构建由融合模型和数据驱动模型组成的全数字孪生模型,根据最新一次更新的自变量数据库将最新的计算结果输出,并进行可视化;由系统运维人员根据计算结果对模型进行修正和维护以在长时间尺度上抑制系统运行所导致的熵增效用,提高数字孪生系统的运行可靠性,进而对实际系统的运行进行及时指导和维护。
进一步,所述S101中系统的状态量包括但不限于电力系统中的各个节点的负荷、发电机出力、分布式能源的出力曲线;天然气系统中的节点的天然气负荷、节点气压和气源出力。
进一步,所述S104中实现综合能源系统的ATC实时计算具体包括以下步骤:
S201:SOINN在数字孪生模型构建中的应用,数字孪生模型需能够和实际模型同步运行并基于数据实现对实际模型的预测,SOINN能够在线处理数据并实现对系统当前状态的即时计算与预测,故系统状态发生改变时,SOINN仍可实时给出可信的结果;
S202:CNN在数字孪生模型构建中的应用,采用CNN对现存输电容量的计算环节进行改进,在数据特征满足计算精度的需求的基础上降低训练成本;
S203:面向数字孪生综合能源系统的ATC计算方法,将传统的机理模型和数据驱动环节进行融合,在保留物理模型可解释性的基础上对模型运行速度进行加速,由此形成针对综合能源系统的ATC计算的数字孪生模型;
S204:改进PTTC计算方法,根据电力系统中各节点已知量的不同,将节点进行分类;
S205:离散程度衡量指标,在模型正式运行之前对模型所用的系统数据离散程度进行计算。
进一步,所述S202在数字孪生体中建立数据-机理融合模型的过程中,CNN的应用过程分为离线训练和在线应用两个部分,具体应用方法分为以下三步:
(1)数据库形成,从真实系统中采集包括但不限于负荷需求和发电机出力的海量数据以形成数据库,同时采用仿真计算产出的数据作为补充;
(2)系统特征提取,通过CNN对采集得到的数据库进行学习,对其中隐含的特征进行提取并固定,根据不同指标需求,提取出不同的系统特征;
(3)特征在线应用,使用CNN提取出的特征进行在线应用,该部分在数字孪生ATC计算过程中主要解决现存输电容量的计算问题,根据预先提取好的特征,输入当前的系统状态数值即可得到现存输电容量的实时变化数据。
进一步,所述S203面向数字孪生综合能源系统的ATC计算方法具体为:
ATC计算公式如下:
PATC=PTTC-PTRM-(PETC+PCBM) (1)
式中:PATC为考虑网络中现存潮流分布前提下,输电网络中剩余的传输容量;PTTC为满足系统静态安全约束的前提下,送电区域和受电区域之间最大可交换的功率,即最大传输容量;PTRM为输电可靠性裕度,是考虑系统中如新能源出力或者负荷变化的不确定性所带来的影响;PETC为现存输电协议容量,是输电交易双方合同中签订的输电量,一般情况下和系统当前潮流分布相同;PCBM为容量效益裕度,是为了补偿因发电机意外停机所导致的发电区域向受电区域传输功率降低而预留的功率余量;其中,输电可靠性裕度PTRM和容量效益裕度PCBM一般取最大传输容量PTTC的5%;
对最大传输容量PTTC的计算和现存输电协议容量PETC的计算进行改进:
现有区域A具有多种大容量发电机组,是发电区域;区域B则安装了分布式发电机组,相对区域A,区域B是主要的用电区域;
若忽略掉系统的网络损耗,可使用区域A内所有发电节点有功出力和区域B内所有负荷节点有功需求累加值最大化来确定EGIES最大输电能力;目标函数为:
约束:
若有两个区域EGIES进行电能交互,在确定反方向的输电能力时,由于客户需求和两个区域内的输发电设备、区域系统运行状态和关键设备停电条件、输电线路发生故障的概率相同的机率极小,因此两方向上的ATC数值并不相同,需分别进行计算确定,由于改进后模型对两方向上的计算ATC数值的原理和过程相同,因此只对发电区域向用电区域这一方向上的ATC计算结果进行讨论;
为了简化计算,忽略天然气系统压缩机所带来的影响;此时天然气网络模型如公式(12)所示;
式中:fr表示管道中流经的天然气流量;Kr表示不同型号天然气管道的管道系数;pi和pj分别代表天然气管道首末端压力值大小;sij表示管道中天然气的流向,当pi>pj时取值为+1,否则取-1;
涉及的电力系统和天然气系统间耦合元件为燃气轮机,模型如公式(13)所示;
式中:fG为燃气轮机消耗的天然气流量,PG为燃气轮机发出的电功率,aG、bG、cG分别为燃气轮机的消耗系数。
7、如权利要求4所述电-气综合能源系统可用输电能力计算方法,其特征在于,所述S204改进的PTTC计算方法,根据电力系统中各节点已知量的不同,将节点进行分类:以下标1、2、3分别代表系统中的平衡节点、PQ节点和PV节点,如公式(14)所示;
式中:P、V、Q、θ分别代表电力系统中的有功功率、节点电压、无功功率和节点相角,其右上角的T表示时间;基于长时间对系统运行状态中的信息记录,利用卷积神经网络将由已知量求解未知量的迭代过程进行改进化简化为一次函数Y=KX+B的形式,如公式(15)所示;关系矩阵K和修正矩阵B可使用CNN对历史数据进行特征提取而获得;
在潮流计算中,θ2、θ3、P1、V1、V2、V3均为未知量,P2、P3、Q1、Q2、Q3为已知量,按照节点种类进行变量分类,有:
进而,将公式(16)带入公式(15)中后,公式(15)可被改写为:
利用神经网络类方法,从数据层面上对PTTC和PETC的计算流程进行了改进,使二者的计算流程从之前的以模型为核心转变为以数据为核心;从全模型的构造角度上来看,融合模型以数据模型来计算ATC的各个环节数值,以机理模型来对最终的ATC结果进行把控,仅由网络中各节点的已知量便可求得节点未知量和网络基态下的潮流分布,提升了数据资源利用率和模型整合程度,缩短了计算时间。
进一步,所述S205离散程度衡量指标,为衡量数据库中数据的离散程度所选取的指标为标准差,其计算公式如式(19)所示;在一般情况下,当数据库中保存的系统数据标准差指数小于5时,表明所述构建模型可用于该系统ATC的计算,当标准差指数小于0.5时,表明所述构建模型可精确描绘系统ATC的变化趋势;
式中:σ为数据库标准差;x为数据库中数据;为数据库数据平均值;n为数据库中数据总数;
当数据库中的数据类型不唯一时,可以分别对不同类型的数据的标准差进行计算,而后求取平均值;以该标准差平均值作为最终的数据标准差指数;通过这种方式可以达到整合数据资源的目的,并可以使标准差指数可以更加直观地反映其和误差之间的关系。
本发明的另一目的在于提供一种实施所述电-气综合能源系统可用输电能力计算方法的电-气综合能源系统可用输电能力计算系统,所述系统包括:
数据采集模块:用于在电-气综合能源系统关键节点上安装传感器,实时采集系统状态量数据,包括电力系统节点负荷、发电机出力、分布式能源出力曲线,以及天然气系统节点天然气负荷、节点气压和气源出力;
数据处理模块:对采集的状态量数据进行预处理,使用拉依达准则筛选掉坏数据,并将筛选后的数据传送到自变量数据库;记录历史PTTC变化和系统历史潮流分布变化形成因变量数据库,形成自更新数据库;
特征提取模块:基于流处理原理,利用Self-Organizing Incremental NeuralNetwork(SOINN)对实时数据进行特征提取,同时使用Convolutional Neural Network(CNN)从历史数据中提取用于PETC计算的特征值;
数据-机理融合模型:建立数字孪生模型,将机理模型和数据模型融合,通过CNN计算可用输电能力计算中的PETC值,通过SOINN计算最大输电能力PTTC值;
ATC计算模块:利用融合模型和数据驱动模型,分别对电力系统和天然气系统中的节点未知量进行计算,通过改进的PTTC计算方法,求解输电容量,并计算可用输电能力;
输出与可视化模块:根据最新一次更新的自变量数据库,计算最新的ATC结果,并进行可视化,通过运维人员修正和维护模型,提高数字孪生系统的运行可靠性,为实际系统运行提供指导和维护。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述电-气综合能源系统可用输电能力计算方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述电-气综合能源系统可用输电能力计算系统。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
1、本发明通过分析数字孪生在EGIES中的适用性,提出了一种在EGIES中以ATC计算为目标的数字孪生理念应用形式。可以用于计算其他反映系统当前运行状态指标的实时值或预测值,为建立起以EGIES安全评估为目标的评估体系奠定基础。
2、本发明提出了一种数据-机理融合模型的建立方法。在传统ATC的机理计算逻辑基础上,面向数字孪生理念,采用神经网络类的数据处理方法对ATC计算中的计算时间长、迭代速度慢的环节进行改进,以达到数字孪生的技术指标要求。
3、本发明构造了用于综合能源系统ATC计算的数字孪生模型。该模型以数据驱动为技术核心,以历史数据为预测基础,能够快速精确地预测未来综合能源系统的ATC变化。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明构造了针对EGIES可用输电能力计算的数字孪生模型,并分别验证了EGIES在正常运行情况下和发生N-1故障情况下的系统可用输电能力变化情况,弥补了传统计算ATC方法中迭代次数过多、计算速度慢的缺陷,具有较强的通用性和实用性。
附图说明
图1是本发明实施例提供的综合能源系统数字孪生示意图;
图2是本发明实施例提供的SOINN结构图;
图3是本发明实施例提供的CNN结构示意图;
图4是本发明实施例提供的区域输电示意图;
图5是本发明实施例提供的基于SOINN的最大可用输电容量计算流程图;
图6是本发明实施例提供的数字孪生下ATC计算模型运行环节图;
图7是本发明实施例提供的IEEE30-NGS10节点系统示意图;
图8是本发明实施例提供的场景AN下ETC计算结果比较及误差值曲线;
图9是本发明实施例提供的场景AN下TTC计算结果比较及误差值曲线;
图10是本发明实施例提供的场景AN下ATC计算结果比较及误差值曲线;
图11是本发明实施例提供的场景AF下ATC计算结果比较;
图12是本发明实施例提供的场景BN下ATC计算结果比较;
图13是本发明实施例提供的场景BF下ATC计算结果比较;
图14是本发明实施例提供的场景AN及场景AF两种情况下的误差对比;
图15是本发明实施例提供的场景BN及场景BF两种情况下的误差对比;
图16是本发明实施例提供的天然气系统发生断线时ATC计算结果比较。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
本发明提出了一种面向数字孪生(Digital Twin)理念的电-气综合能源系统(electricity-gas integrated energy system,EGIES)的ATC计算方法。首先将数据驱动和模型驱动进行融合,充分挖掘隐藏在海量状态数据下的信息,进而简化传统物理模型迭代计算的过程,缩短计算时间;其次,构建数字孪生模型以实时处理综合能源系统内不断更新的状态量数据,实现最大输电能力的在线计算并提取系统运行状态的特征;然后,利用提取出来的特征进行综合能源系统的ATC计算,改方法弥补了蒙特卡洛法求解迭代次数过多、计算速度慢的缺陷,具有较强的通用性和实用性,详见下文描述:
实施例1
本发明实施例提供了一种面向数字孪生的电-气综合能源系统可用输电能力计算方法,如图1所示,该方法包括以下步骤:
101:针对实际系统建立起自变量数据库和因变量数据库两个数据库。利用安装在EGIES中关键节点上的传感器搜集系统的状态量,例如电力系统中的各个节点的负荷、发电机出力、分布式能源的出力曲线;天然气系统中的节点的天然气负荷、节点气压和气源出力等。经过计算机以拉依达准则筛选掉其中的坏数据后,将其传送到自变量数据库。同时记录历史PTTC变化以及系统历史潮流分布变化形成因变量数据库,二者合称为自更新数据库。此时,自变量数据库和因变量数据库的规模应该满足提取特征的最小数据量需求。
102:基于流处理的原理,利用SOINN对实时数据进行特征提取;基于历史数据利用CNN提取出用于PETC计算的特征值,从而改进机理模型中的PTTC和PETC的计算环节,以达到牺牲少量计算精度,缩短大量计算时间的目的。
103:由机理模型和数据模型组成的融合模型公式(15)-(18)通过CNN对可用输电能力计算中的PETC值进行计算,由数据驱动模型通过SOINN对最大输电能力PTTC进行计算。由于PTTC的求解过程是寻找在多约束条件下求最优解;PETC的求解过程是求解非线性方程组,以上两个求解过程形成数据库的速度和通过两种神经网络得出结果的速度均存在差异,故采用融合模型和数据驱动模型分开计算而后整合的方法以满足不同系统安全性指标计算速度和精度的要求。
104:数字孪生体中数据-机理融合模型的建立是为了分别对EGIES中呈现不同特性的部分进行计算。作为一个时变的庞杂系统,EGIES的能流分布、节点压力和节点负荷等反映系统当前状态的变量虽是随着时间的推移而不断变化,但上述类型的变量与节点上安装设备参数以及连接各个节点的线路参数直接相关,在系统整体未发生事故解列的前提下,利用海量历史离线数据所训练得出的结果可以面对未来的变化,因此使用CNN等离线方法和机理模型结合之后的融合模型可以满足在线计算综合能源系统的ATC要求。而诸如系统安全性指标等需要在基础变量之上进行进一步计算的系统量主要与系统时变量有关。为了对其进行实时计算,此时便需要采用以流计算为原理的实时计算方法如SOINN,或是计算速率足够快的数据驱动方法来满足实时性的要求。
105:由融合模型和数据驱动模型所构成的全数字孪生模型将根据最新一次更新的自变量数据库将最新的计算结果输出,并进行可视化;同时由系统运维人员根据计算结果对模型进行修正和维护以在长时间尺度上抑制系统运行所导致的熵增效用,提高数字孪生系统的运行可靠性,进而对实际系统的运行进行及时指导和维护。
综上所述,本发明实施例通过上述步骤101-步骤105提出了一种以ATC计算为目标的数字孪生理念应用形式。可以用于计算其他反映系统当前运行状态指标的实时值或预测值,为建立起以EGIES安全评估为目标的评估体系奠定基础。
实施例2
采用数字孪生对EGIES进行建模的过程如图1所示,通过在EGIES上安装的信息采集装置,用通讯装置将采集到的诸如发电变化、负荷变化等数据传输进虚拟模型以保持物理实体和数字模型的同步运转。运维人员可以首先在虚拟模型上验证上述策略,而后将其应用于物理实体中。本发明采用了自组织增量学习方法(Self-Organizing IncrementalNeural Network,SOINN)和卷积神经网络方法(Convolutional Neural Networks,CNN)来实现综合能源系统的ATC实时计算。
201:SOINN在数字孪生模型构建中的应用
数字孪生模型需能够和实际模型同步运行并基于数据实现对实际模型的预测。基于竞争学习的神经网络模型,SOINN的神经元拓扑分布是动态变化的,输入数据的特征是以神经元的分布情况来近似表达的,以此来达到对输入数据的在线增量学习的目的。所以SOINN可以在线处理数据并实现对系统当前状态的即时计算与预测,故系统状态发生改变时,SOINN仍可实时给出可信的结果。
SOINN中的神经元连接方法和神经元权重由输入数据和先前建立的规则集确定。图2所示为SOINN的结果图。通常来说,SOINN神经元的分布可以大致分为两层。第一层基于输入数据生成神经元之间的原始连接,而后第二层基于第一层的计算结果来计算输入数据的类间距离和类内距离。通过输入在第一层中生成的神经元的原始连接以及在第二层中计算的类间距离和类内距离再执行一次自组织算法,该步骤旨在稳定学习结果。当新输入的数据和先前输入的数据显著不同时,SOINN会执行类间节点的插入操作。为了自适应地减少神经元的量化误差,SOINN会插入类内节点以尽可能准确地模拟原始数据的分布。SOINN的实现过程主要分为神经元节点的分布、生成、拓扑表示及去噪四个步骤。
202:CNN在数字孪生模型构建中的应用
针对数字孪生计算的要求,SOINN可以实现大规模多变数据的在线处理,然而SOINN训练成本较高。对于系统数据特征较稳定的现存输电容量的计算环节,可采用CNN对现存输电容量的计算环节进行改进,在数据特征满足计算精度的需求的基础上降低训练成本。CNN是一种以卷积计算为原理的经典前馈神经网络,是由输入层、卷积层、池化层、激励层、全连接层和输出层组成,其中卷积层和池化层一般会交替出现。由于具有多个独立的神经元,CNN适用于大规模数据学习问题,其构造示意图如图3所示。
在数字孪生模型构建过程中,CNN的应用过程分为离线训练和在线应用两个部分,具体应用方法分为以下三步:
1)数据库形成。从真实系统中采集负荷需求和发电机出力等海量数据以形成数据库。这些数据易于获取,且能够反映系统的基本属性,但由于真实系统往往要求安全稳定运行,只从真实系统中采集数据无法全面覆盖系统的可能的运行状态,特别是难以覆盖故障状态或非正常状态,故可采用仿真计算产出的数据作为补充。
2)系统特征提取。通过CNN对采集得到的数据库进行学习,对其中隐含的特征进行提取并固定,根据不同指标需求,提取出不同的系统特征。
3)特征在线应用。使用CNN提取出的特征进行在线应用,该部分在数字孪生ATC计算过程中主要解决现存输电容量的计算问题,根据预先提取好的特征,输入当前的系统状态数值即可得到现存输电容量的实时变化数据。
203:面向数字孪生综合能源系统的ATC计算方法
本发明将传统的机理模型和数据驱动环节进行融合,在保留物理模型可解释性的基础上对模型运行速度进行加速,由此形成针对综合能源系统的ATC计算的数字孪生模型。
ATC计算公式如下:
PATC=PTTC-PTRM-(PETC+PCBM) (1)
式中:PATC为考虑网络中现存潮流分布前提下,输电网络中剩余的传输容量。PTTC为满足系统静态安全约束的前提下,送电区域和受电区域之间最大可交换的功率,即最大传输容量;PTRM为输电可靠性裕度,是考虑系统中如新能源出力或者负荷变化的不确定性所带来的影响;PETC为现存输电协议容量,是输电交易双方合同中签订的输电量,一般情况下和系统当前潮流分布相同;PCBM为容量效益裕度,是为了补偿因发电机意外停机所导致的发电区域向受电区域传输功率降低而预留的功率余量。其中,输电可靠性裕度PTRM和容量效益裕度PCBM一般取最大传输容量PTTC的5%。
由公式(1)和上述分析可知,在ATC计算的过程中,可以进行效率改进的计算环节有:
1)基于最优潮流的最大传输容量PTTC计算。
2)PETC的计算。
因此,本发明将综合能源系统的ATC计算改进分为两个部分:分别对最大传输容量PTTC的计算和现存输电协议容量PETC的计算进行改进。
以图4为例,区域A具有多种大容量发电机组,是发电区域;区域B则安装了分布式发电机组,相对区域A,区域B是主要的用电区域。
在上述模型的前提下,若忽略掉系统的网络损耗,可使用区域A内所有发电节点有功出力和区域B内所有负荷节点有功需求累加值最大化来确定EGIES最大输电能力。目标函数为:
约束:
需要注意的是:若有两个区域EGIES进行电能交互,在确定反方向的输电能力时,由于客户需求和两个区域内的输发电设备、区域系统运行状态和关键设备停电条件、输电线路发生故障的概率相同的机率极小,因此两方向上的ATC数值并不相同,需分别进行计算确定。由于采用本发明模型对两方向上的计算ATC数值的原理和过程相同,故本发明只对发电区域向用电区域这一方向上的ATC计算结果进行讨论。
3)天然气系统及燃气轮机模型
为了简化计算,本发明忽略了天然气系统压缩机所带来的影响。此时天然气网络模型如公式(12)所示。
式中:fr表示管道中流经的天然气流量;Kr表示不同型号天然气管道的管道系数;pi和pj分别代表天然气管道首末端压力值大小。sij表示管道中天然气的流向,当pi>pj时取值为+1,否则取-1。
涉及的电力系统和天然气系统间耦合元件为燃气轮机,模型如公式(13)所示。
式中:fG为燃气轮机消耗的天然气流量,PG为燃气轮机发出的电功率,aG、bG、cG分别为燃气轮机的消耗系数。
204:改进的PTTC计算方法
通过以公式(2)为目标函数,公式(3)-(11)为约束条件的最优潮流模型计算电-气综合能源系统下的PTTC速度较慢,时效性较差,因此针对PTTC的计算环节进行改进,其思路如图5所示。图5中的S1、S2是SOINN计算流程中的胜者基准点位置和亚军基准点位置,可通过第2.1节的流程进行计算。
将从系统中采集得到的如发电机出力变化、气源出力变化、电和气负荷变化形成的自变量数据库和由历史PTTC变化所形成的因变量数据库作为SOINN的训练数据集。在训练数据集规模达到要求后,判定如继续扩大数据库规模会发生过拟合现象则停止增大数据库,新采集的数据用来对数据库进行更新。
在将数据库中的数据输入网络进行训练之前,会先初始化网络参数,而后SOINN会根据数据库中的数据进行参数修正,修正过程如2.1节所示。当找到一组输出结果误差最小的年龄边界参数后,SOINN会将该参数固定作为训练结果,并将其应用到在线计算PTTC的过程中去。
当SOINN中的参数根据历史数据库中的数据初步训练完毕后,再将和数据库中相同数据类型的系统在线数据输入到SOINN中,SOINN会根据输入的系统在线数据,进行范围阈值的计算,以此为指标,查找输入SOINN的历史数据库中的PTTC值。并根据范围阈值的偏差量,对最终结果进行修正,以尽可能缩小最终得出的PTTC的误差。需要注意的是:在线计算的过程中,SOINN会根据每一次在线数据的输入对S1、S2进行调整,以得到最精确的PTTC结果。
在发展完备的综合能源数字孪生系统中,系统的基础状态量,诸如节点负荷、发电机出力和节点电压都应可以实时采集和传输。在未来的数字孪生系统中,潮流计算将会成为简单的代数计算,PETC的计算速度可以满足实时计算的要求。但是由于目前的工程实际暂时无法实现所有状态量的实时采集与处理,故仍需对现有的PETC计算方法进行改进,以达到实时计算的要求。计算电-气综合能源系统下的PETC,可看作在计及天然气系统约束的条件下,以电力系统的发电出力、节点负荷和线路参数为已知量,求解电力系统的潮流分布问题。牛顿-拉夫逊方法计算PETC的速度虽能满足大多数情况下的计算时效性需求,但是为了匹配PTTC的计算速度,避免出现因计算速度差异过大而出现迟滞现象,有必要对PETC的计算进行改进。针对该环节的改进思路如下。
根据电力系统中各节点已知量的不同,将节点进行分类:以下标1、2、3分别代表系统中的平衡节点、PQ节点和PV节点,如公式(14)所示。
式中:P、V、Q、θ分别代表电力系统中的有功功率、节点电压、无功功率和节点相角,其右上角的T表示时间。基于长时间对系统运行状态中的信息记录,利用卷积神经网络将由已知量求解未知量的迭代过程进行改进化简化为一次函数Y=KX+B的形式,如公式(15)所示。关系矩阵K和修正矩阵B可使用CNN对历史数据进行特征提取而获得。
在潮流计算中,θ2、θ3、P1、V1、V2、V3均为未知量,P2、P3、Q1、Q2、Q3为已知量,按照节点种类进行变量分类,有:
进而,将公式(16)带入公式(15)中后,公式(15)可被改写为:
至此,本发明利用神经网络类方法,从数据层面上对PTTC和PETC的计算流程进行了改进,使二者的计算流程从之前的以模型为核心转变为以数据为核心。从全模型的构造角度上来看,本发明的融合模型以数据模型来计算ATC的各个环节数值,以机理模型来对最终的ATC结果进行把控,仅由网络中各节点的已知量便可求得节点未知量和网络基态下的潮流分布,提升了数据资源利用率和模型整合程度,缩短了计算时间。
205:离散程度衡量指标
EGIES数据离散程度会在很大程度上决定本发明所构建模型的误差大小,故有必要在模型正式运行之前对模型所用的系统数据离散程度进行计算。本发明为衡量数据库中数据的离散程度所选取的指标为标准差,其计算公式如式(19)所示。在一般情况下,当数据库中保存的系统数据标准差指数小于5时,表明本发明构建模型可用于该系统ATC的计算,当标准差指数小于0.5时,表明本发明模型可精确描绘系统ATC的变化趋势。
式中:σ为数据库标准差;x为数据库中数据;为数据库数据平均值;n为数据库中数据总数。
当数据库中的数据类型不唯一时,可以分别对不同类型的数据的标准差进行计算,而后求取平均值。以该标准差平均值作为最终的数据标准差指数。通过这种方式可以达到整合数据资源的目的,并可以使标准差指数可以更加直观地反映其和误差之间的关系。
通过对PETC和PTTC的计算环节进行改进,可以降低模型运行时间成本并提高系统响应速度。为了进一步实现对系统ATC的超实时计算和预测,本发明建立了针对综合能源系统的ATC计算数字孪生模型。全模型的运行环节如图6所示。
该可用输电能力计算模型一次完整的信息流通途径为:依据EGIES的历史数据,对实时数据进行筛选并传输到数字孪生系统中,数字孪生系统中的数据驱动模型和机理-数据融合模型根据历史数据进行学习和分析,提取出历史数据中的数据特征用于接下来的在线ATC计算中,最后根据ATC计算结果对系统运行状态进行评估,以判断当前系统ATC变化的可能原因,并给维修人员排障给出参考。
实施例3
为了验证本发明所建立的可用输电能力计算模型及将数据驱动和模型驱动融合的模型构造方法的有效性,本发明采用IEEE30-NGS10电气综合能源系统进行仿真计算。系统共有6台发电机,41条线路,耦合元件为2台燃气轮机,耦合节点分别为电力系统的2号节点和8号节点。系统网络的接线形式如图7所示,图中虚线标注系统划分的两个区域,左侧为发电区域,右侧为受电区域。根据系统误差下降程度和数据过拟合程度,将自更新数据库的容量为一万组数据,如果系统判断有因数据量不足而导致的误差变大现象,则会将数据库规模继续扩大。设置系统采集数据频率为每一分钟一次,自变量数据库中储存的数据类型为各节点发电机出力变化、气源出力变化和各节点电、气负荷需求量变化;因变量数据库为对应的历史PTTC变化以及系统潮流分布变化。以此数据为训练集进行训练,并将训练结果用于未来一天24小时内的系统ATC计算。
在仿真计算时,分别设计了系统正常运行和发生故障后运行2种情况,用以验证本发明方法的适用性。具体场景设置如下。
场景AN:未考虑天然气系统耦合时,单电力系统正常运行。
场景AF:未考虑天然气系统耦合时,单电力系统发生N-1故障。
场景BN:考虑天然气系统耦合时,电-气综合能源系统正常运行。
场景BF:考虑天然气系统耦合时,电-气综合能源系统发生N-1故障。
301:IEEE30-NGS10节点系统算例分析
在四个场景下的最终结果对比中以最优潮流计算方法所得可用输电能力结果作为经典法与本发明所提方法得出结果进行对照。在对电力系统发生多种N-1断线故障情况下的ATC计算结果相对误差百分比进行对比之后,本发明选择了相对误差百分比最大的一种N-1断线故障进行深入分析,即电力系统节点7至节点6之间的联络线发生断线故障。其余情况下的本发明模型计算结果相对误差百分比更小。
图8所示为场景AN采用CNN方法计算未来二十四小时内的PETC的计算结果,此时计算相对误差百分比最大值为0.0498%,说明在计算PETC时采用离线训练模型,并将训练结构投入到在线计算的方式能够满足ATC整体的计算需求,且只需要离线训练后提取出相应的特征,即可进行未来一段时间内的PETC计算,计算成本小,计算速度快。
图9所示为场景AN采用SOINN方法计算未来二十四小时内的PTTC的计算结果,图中结果显示在预测过程中,所得结果的相对误差百分比的最大值为0.1742%。说明在系统数据发生变化时,基于SOINN方法对ATC计算过程中的PTTC值进行在线计算是可行的,所得结果在具有高精度的同时也达到了对系统状态进行预测的目的。
图10所示为场景AN未来二十四小时内ATC计算结果及其计算误差的变化趋势,此时计算误差的相对百分比最大值为0.1766%。说明本发明所提出的方法能够很好地应对未来系统数据更新所带来的变化,在电力系统中由传感器直接采集得到的数据如节点出力和节点负荷发生变化时,本发明方法能够快速给出可信的ATC结果预测。
系统在场景AF下的ATC计算结果如图11所示。AF场景下的故障发生在9时。人工排障时间为6小时,故图10中的ATC数值在15时才恢复到正常水平。在场景AF下本发明构建模型所得结果的相对误差百分比低于0.16%,满足精度要求。上述结果说明本发明的计算方法可以很好地应对系统中突如其来的故障所带来的ATC变化,运维人员可以根据计算结果及时对系统进行调控,以达到维护系统安全稳定运行的目的。
在场景BN及场景BF两种情况下的ATC计算结果如图12、13所示。场景BF中发生故障的时间与人工维修队排障所用时间与场景AF中一致。天然气系统的状态变化会使综合能源系统的ATC数据产生波动,如图12所示,场景BN下,天然气的耦合使得约束系统运行的条件增加,计算所得的ATC结果相对误差百分比大幅下降,该场景下相对误差百分比最大值为1.38*10-3%。如图13所示,在场景BF中,相对误差百分比的最大值为1.45%,然而依旧满足小于1.5%的系统安全稳定要求,因此从最终计算结果上来看,本发明所提出的方法依旧能满足电力市场交易和维持系统安全稳定运行要求。
图14、图15对AN、AF、BN、BF四种场景ATC计算结果的相对误差百分比按照是否接入了天然气系统分别进行了对比。结果说明:场景AN中ATC计算结果的相对误差百分比较场景AF中要高,而场景BN的ATC计算结果的相对误差百分比却比场景BF中所得结果相对误差百分比更低。这是因为对于采用神经网络学习原理来构建的数字孪生系统,影响误差值大小的主要是数据类型的离散程度,场景AF中的数据标准差指数较小,同时场景BN中的数据标准差指数相对较大。此外,在进行算例部分的仿真时,系统后台未记录到有自行扩大数据库的行为,所有的测试结果都是在一万组基础数据规模下得出的。
为衡量不同场景不同情况下的数据离散程度,本发明采用标准差指数作为衡量数据离散程度的指标。表1呈现的是四种场景下所得到数据库中不同类型的数据离散程度计算结果,并给出了相应场景下的最终数据标准差指数。表1中的结果说明,不同场景下的最大相对误差百分比和系统在该场景下所采集数据的标准差指数平均值有关。以场景BF为例,数据库中保存的系统出力与负荷数值的标准差指数较大,ATC值的相对误差百分比也较大。
302:天然气系统发生断线故障时对ATC结果的影响分析
为评估天然气系统断线故障对结果的影响,本发明设定在上午8时天然气系统节点3至节点4之间的管道发生断线故障,导致电力系统中2号节点燃气轮机出力下降。而2号节点的燃气轮机位于发电区域,是主要的电能来源之一,其出力下降会导致如图7所示断面下的ATC数值降低。故障设置为从9时开始,持续到下午15时,而由于天然气系统恢复正常运行的时间比电力系统更长,所以在16时后ATC才完全恢复到正常水平。在天然气系统发生断线故障时的ATC计算结果如图16所示。经过本发明模型计算后所得结果的相对误差百分比小于0.048%,满足系统运行要求。
303:模型参数对计算结果影响分析
为了横向对比模型参数的差异对最终结果的影响,本发明进行了多次仿真实验以分析神经网络法中神经元个数在场景BN下对最终结果的影响。不同神经元个数下本发明模型所得结果与最优潮流算法所得结果相比的平均准确度和缩短时间百分比。最优潮流法在场景BN下的耗时如表2所示,为2.292秒。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种电-气综合能源系统可用输电能力计算方法,其特征在于,所述方法首先将数据驱动和模型驱动进行融合,充分挖掘隐藏在海量状态数据下的信息,进而简化传统物理模型迭代计算的过程,缩短计算时间;其次,构建数字孪生模型以实时处理综合能源系统内不断更新的状态量数据,实现最大输电能力的在线计算并提取系统运行状态的特征;最后,利用提取出来的特征进行综合能源系统的ATC计算。
2.如权利要求1所述电-气综合能源系统可用输电能力计算方法,其特征在于,所述方法具体包括以下步骤:
S101:针对实际系统建立自变量数据库和因变量数据库,利用安装在EGIES中关键节点上的传感器搜集系统的状态量,经过计算机以拉依达准则筛选掉其中的坏数据后,将其传送到自变量数据库;同时记录历史PTTC变化以及系统历史潮流分布变化形成因变量数据库,自变量数据库和因变量数据库合称为自更新数据库;
S102:基于流处理原理,利用SOINN对实时数据进行特征提取;基于历史数据利用CNN提取出用于PETC计算的特征值,从而改进机理模型中的PTTC和PETC的计算环节,以达到牺牲少量计算精度,缩短大量计算时间的目的;
S103:由机理模型和数据模型组成的融合模型公式通过CNN对可用输电能力计算中的PETC值进行计算,由数据驱动模型通过SOINN对最大输电能力PTTC进行计算,以满足不同系统安全性指标计算速度和精度要求;
S104:在数字孪生体中建立数据-机理融合模型,分别对EGIES中呈现不同特性的部分进行计算,使用CNN离线方法和机理模型结合之后的融合模型对与系统参数相关的基础变量进行离线计算,满足在线计算要求;采用以流计算为原理的实时计算方法SOINN实时计算与系统时变量有关的系统量,满足实时性要求,实现综合能源系统的ATC实时计算;
S105:构建由融合模型和数据驱动模型组成的全数字孪生模型,根据最新一次更新的自变量数据库将最新的计算结果输出,并进行可视化;由系统运维人员根据计算结果对模型进行修正和维护以在长时间尺度上抑制系统运行所导致的熵增效用,提高数字孪生系统的运行可靠性,进而对实际系统的运行进行及时指导和维护。
3.如权利要求1所述电-气综合能源系统可用输电能力计算方法,其特征在于,所述S101中系统的状态量包括但不限于电力系统中的各个节点的负荷、发电机出力、分布式能源的出力曲线;天然气系统中的节点的天然气负荷、节点气压和气源出力。
4.如权利要求1所述电-气综合能源系统可用输电能力计算方法,其特征在于,所述S104中实现综合能源系统的ATC实时计算具体包括以下步骤:
S201:SOINN在数字孪生模型构建中的应用,数字孪生模型需能够和实际模型同步运行并基于数据实现对实际模型的预测,SOINN能够在线处理数据并实现对系统当前状态的即时计算与预测,故系统状态发生改变时,SOINN仍可实时给出可信的结果;
S202:CNN在数字孪生模型构建中的应用,采用CNN对现存输电容量的计算环节进行改进,在数据特征满足计算精度的需求的基础上降低训练成本;
S203:面向数字孪生综合能源系统的ATC计算方法,将传统的机理模型和数据驱动环节进行融合,在保留物理模型可解释性的基础上对模型运行速度进行加速,由此形成针对综合能源系统的ATC计算的数字孪生模型;
S204:改进PTTC计算方法,根据电力系统中各节点已知量的不同,将节点进行分类;
S205:离散程度衡量指标,在模型正式运行之前对模型所用的系统数据离散程度进行计算。
5.如权利要求4所述电-气综合能源系统可用输电能力计算方法,其特征在于,所述S202在数字孪生体中建立数据-机理融合模型的过程中,CNN的应用过程分为离线训练和在线应用两个部分,具体应用方法分为以下三步:
(4)数据库形成,从真实系统中采集包括但不限于负荷需求和发电机出力的海量数据以形成数据库,同时采用仿真计算产出的数据作为补充;
(5)系统特征提取,通过CNN对采集得到的数据库进行学习,对其中隐含的特征进行提取并固定,根据不同指标需求,提取出不同的系统特征;
(6)特征在线应用,使用CNN提取出的特征进行在线应用,该部分在数字孪生ATC计算过程中主要解决现存输电容量的计算问题,根据预先提取好的特征,输入当前的系统状态数值即可得到现存输电容量的实时变化数据。
6.如权利要求4所述电-气综合能源系统可用输电能力计算方法,其特征在于,所述S203面向数字孪生综合能源系统的ATC计算方法具体为:
ATC计算公式如下:
PATC=PTTC-PTRM-(PETC+PCBM) (1)
式中:PATC为考虑网络中现存潮流分布前提下,输电网络中剩余的传输容量;PTTC为满足系统静态安全约束的前提下,送电区域和受电区域之间最大可交换的功率,即最大传输容量;PTRM为输电可靠性裕度,是考虑系统中如新能源出力或者负荷变化的不确定性所带来的影响;PETC为现存输电协议容量,是输电交易双方合同中签订的输电量,一般情况下和系统当前潮流分布相同;PCBM为容量效益裕度,是为了补偿因发电机意外停机所导致的发电区域向受电区域传输功率降低而预留的功率余量;其中,输电可靠性裕度PTRM和容量效益裕度PCBM一般取最大传输容量PTTC的5%;
对最大传输容量PTTC的计算和现存输电协议容量PETC的计算进行改进:
现有区域A具有多种大容量发电机组,是发电区域;区域B则安装了分布式发电机组,相对区域A,区域B是主要的用电区域;
若忽略掉系统的网络损耗,可使用区域A内所有发电节点有功出力和区域B内所有负荷节点有功需求累加值最大化来确定EGIES最大输电能力;目标函数为:
约束:
Vi min≤Vi≤Vi max (5)
若有两个区域EGIES进行电能交互,在确定反方向的输电能力时,由于客户需求和两个区域内的输发电设备、区域系统运行状态和关键设备停电条件、输电线路发生故障的概率相同的机率极小,因此两方向上的ATC数值并不相同,需分别进行计算确定,由于改进后模型对两方向上的计算ATC数值的原理和过程相同,因此只对发电区域向用电区域这一方向上的ATC计算结果进行讨论;
为了简化计算,忽略天然气系统压缩机所带来的影响;此时天然气网络模型如公式(12)所示;
式中:fr表示管道中流经的天然气流量;Kr表示不同型号天然气管道的管道系数;pi和pj分别代表天然气管道首末端压力值大小;sij表示管道中天然气的流向,当pi>pj时取值为+1,否则取-1;
涉及的电力系统和天然气系统间耦合元件为燃气轮机,模型如公式(13)所示;
式中:fG为燃气轮机消耗的天然气流量,PG为燃气轮机发出的电功率,aG、bG、cG分别为燃气轮机的消耗系数。
7.如权利要求4所述电-气综合能源系统可用输电能力计算方法,其特征在于,所述S204改进的PTTC计算方法,根据电力系统中各节点已知量的不同,将节点进行分类:以下标1、2、3分别代表系统中的平衡节点、PQ节点和PV节点,如公式(14)所示;
式中:P、V、Q、θ分别代表电力系统中的有功功率、节点电压、无功功率和节点相角,其右上角的T表示时间;基于长时间对系统运行状态中的信息记录,利用卷积神经网络将由已知量求解未知量的迭代过程进行改进化简化为一次函数Y=KX+B的形式,如公式(15)所示;关系矩阵K和修正矩阵B可使用CNN对历史数据进行特征提取而获得;
在潮流计算中,θ2、θ3、P1、V1、V2、V3均为未知量,P2、P3、Q1、Q2、Q3为已知量,按照节点种类进行变量分类,有:
进而,将公式(16)带入公式(15)中后,公式(15)可被改写为:
利用神经网络类方法,从数据层面上对PTTC和PETC的计算流程进行了改进,使二者的计算流程从之前的以模型为核心转变为以数据为核心;从全模型的构造角度上来看,融合模型以数据模型来计算ATC的各个环节数值,以机理模型来对最终的ATC结果进行把控,仅由网络中各节点的已知量便可求得节点未知量和网络基态下的潮流分布,提升了数据资源利用率和模型整合程度,缩短了计算时间。
8.如权利要求4所述电-气综合能源系统可用输电能力计算方法,其特征在于,所述S205离散程度衡量指标,为衡量数据库中数据的离散程度所选取的指标为标准差,其计算公式如式(19)所示;在一般情况下,当数据库中保存的系统数据标准差指数小于5时,表明所述构建模型可用于该系统ATC的计算,当标准差指数小于0.5时,表明所述构建模型可精确描绘系统ATC的变化趋势;
式中:σ为数据库标准差;x为数据库中数据;x为数据库数据平均值;n为数据库中数据总数;
当数据库中的数据类型不唯一时,可以分别对不同类型的数据的标准差进行计算,而后求取平均值;以该标准差平均值作为最终的数据标准差指数;通过这种方式可以达到整合数据资源的目的,并可以使标准差指数可以更加直观地反映其和误差之间的关系。
9.一种实施如权利要求1-8任意一项所述电-气综合能源系统可用输电能力计算方法的电-气综合能源系统可用输电能力计算系统,其特征在于,所述系统包括:
数据采集模块:用于在电-气综合能源系统关键节点上安装传感器,实时采集系统状态量数据,包括电力系统节点负荷、发电机出力、分布式能源出力曲线,以及天然气系统节点天然气负荷、节点气压和气源出力;
数据处理模块:对采集的状态量数据进行预处理,使用拉依达准则筛选掉坏数据,并将筛选后的数据传送到自变量数据库;记录历史PTTC变化和系统历史潮流分布变化形成因变量数据库,形成自更新数据库;
特征提取模块:基于流处理原理,利用Self-Organizing Incremental NeuralNetwork(SOINN)对实时数据进行特征提取,同时使用Convolutional Neural Network(CNN)从历史数据中提取用于PETC计算的特征值;
数据-机理融合模型:建立数字孪生模型,将机理模型和数据模型融合,通过CNN计算可用输电能力计算中的PETC值,通过SOINN计算最大输电能力PTTC值;
ATC计算模块:利用融合模型和数据驱动模型,分别对电力系统和天然气系统中的节点未知量进行计算,通过改进的PTTC计算方法,求解输电容量,并计算可用输电能力;
输出与可视化模块:根据最新一次更新的自变量数据库,计算最新的ATC结果,并进行可视化,通过运维人员修正和维护模型,提高数字孪生系统的运行可靠性,为实际系统运行提供指导和维护。
10.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-8任意一项所述电-气综合能源系统可用输电能力计算方法的步骤。
11.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求9所述电-气综合能源系统可用输电能力计算系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054435.XA CN117078123A (zh) | 2023-08-21 | 2023-08-21 | 一种电-气综合能源系统可用输电能力计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054435.XA CN117078123A (zh) | 2023-08-21 | 2023-08-21 | 一种电-气综合能源系统可用输电能力计算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117078123A true CN117078123A (zh) | 2023-11-17 |
Family
ID=88707573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311054435.XA Pending CN117078123A (zh) | 2023-08-21 | 2023-08-21 | 一种电-气综合能源系统可用输电能力计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078123A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272696A (zh) * | 2023-11-21 | 2023-12-22 | 国网信息通信产业集团有限公司 | 基于电力人工智能与数字孪生的数据互联交互平台 |
-
2023
- 2023-08-21 CN CN202311054435.XA patent/CN117078123A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272696A (zh) * | 2023-11-21 | 2023-12-22 | 国网信息通信产业集团有限公司 | 基于电力人工智能与数字孪生的数据互联交互平台 |
CN117272696B (zh) * | 2023-11-21 | 2024-01-26 | 国网信息通信产业集团有限公司 | 基于电力人工智能与数字孪生的数据互联交互平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Review on deep learning applications in frequency analysis and control of modern power system | |
CN107769202B (zh) | 计及天气模型的基于模糊Petri网的配电网可靠性评估方法 | |
CN116681187B (zh) | 一种基于企业经营数据的企业碳配额预测方法 | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
Tabar et al. | Increasing resiliency against information vulnerability of renewable resources in the operation of smart multi-area microgrid | |
CN117078123A (zh) | 一种电-气综合能源系统可用输电能力计算方法及系统 | |
CN112821424B (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
CN113505458A (zh) | 连锁故障关键触发支路预测方法、系统、设备及存储介质 | |
CN116167527B (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN115000968A (zh) | 基于博弈和风电出力相关性的海上风电接入系统规划方法 | |
Guan et al. | A GAN-based fully model-free learning method for short-term scheduling of large power system | |
CN117557009B (zh) | 一种电源效率监测方法及系统 | |
Al-Masri et al. | Development of adaptive artificial neural network security assessment schema for malaysian power grids | |
Assis et al. | Unsupervised machine learning techniques applied to composite reliability assessment of power systems | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
Kalyani et al. | Static security assessment in power systems using multi-class SVM with parameter selection methods | |
CN117696224A (zh) | 一种基于大模型的磨矿优化处理系统 | |
Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
Xiong et al. | Forecasting ultra‐short‐term wind power by multiview gated recurrent unit neural network | |
CN115051360A (zh) | 集成式知识迁移的电力系统运行风险在线计算方法与装置 | |
CN113793003A (zh) | 面向韧性提升的电力系统检修与运行协同决策方法 | |
Song et al. | A fast method for probabilistic reliability assessment of bulk power system using FSOM neural network as system states filters | |
Alvarez-Alvarado | Power system reliability enhancement with reactive power compensation and operational risk assessment with smart maintenance for power generators | |
Bi et al. | Explainable Artificial Intelligence for Power System Security Assessment: A Case Study on Short-Term Voltage Stability |
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 |