CN110601185B - 一种基于统一潮流模型的综合能源***薄弱点辨识方法 - Google Patents

Abstract

本发明公开了一种基于统一潮流模型和随机矩阵的综合能源***薄弱点辨识方法，包括以下步骤：(1)建立综合能源***统一潮流模型；(2)选取潮流数据并建立随机矩阵；(3)标准化预处理随机矩阵；(4)识别***异常状态；(5)辨识***薄弱点。本发明的方法可以。本发明将随机矩阵理论引入综合能源***薄弱辨识中，以数据驱动的方式分析***运行状态，不需要对综合能源***物理结构进行辨识，避免了对综合能源***的建模过程，克服了综合能源***物理结构和建模过程的复杂性，提高***状态识别和薄弱点辨识的准确性和快速性。

Description

一种基于统一潮流模型的综合能源***薄弱点辨识方法

技术领域

本发明涉及综合能源***薄弱环节辨识技术领域，具体涉及一种基于统一潮流模型的综合能源***薄弱点辨识方法。

背景技术

随着化石能源日益稀缺和环境恶化，运用综合能源***实现对电、热、气等多种能源的一体化规划设计和运行优化，提高能源的综合利用效率，已经成为人类社会能源领域变革的必由之路。然而多种能源***的紧密耦合，使得IES(综合能源***)需考虑不同能源***的线路或管道传输速率、不同能源的相互转换及供能效益等方面。这些使综合能源***较于单一***能源，物理结构更复杂，模型构建更困难，从而使综合能源***薄弱分析更困难。因此，对IES薄弱点能快速有效地辨识具有重要的理论和应用研究价值。

现有技术中，对于单一电力***的薄弱辨识主要有潮流熵、复杂网络理论、信息熵等方法。潮流熵结合熵理论，定量分析了***功率分布的不均衡性；复杂理论基于***结构，可构造网络连锁故障模型。这些方法都是基于***物理结构来对***运行状态进行分析的。对于单一热力***和单一天然气***的薄弱辨识主要有敏感性分析、重要度、可靠性跟踪等方法。敏感性分析计算敏感性系数，作为***薄弱指标；可靠性跟踪基于最小割集对***元件进行不可靠性分配，判断元件薄弱性。这些方法都要对管网***各层级进行可靠性计算分析，才能评价***和元件的薄弱性。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

对于综合能源***的薄弱辨识，由于***结构复杂且模型构建困难，现有技术中对IES薄弱性分析的研究只处于初步探索阶段。目前可利用潮流数据，计算节点薄弱指标，对含电-气耦合的能源***进行初步研究。该方法表明从数据分析角度对***进行薄弱辨识是可行的，但对于大型或含更多能源耦合的***，该方法潮流模型复杂，仍难以实现快速响应。

由此可知，现有技术中的方法存在模型复杂和响应速度较慢的技术问题。

发明内容

有鉴于此，本发明提供了一种基于统一潮流模型的综合能源***薄弱点辨识方法，用以解决或者至少部分解决现有技术中的方法存在的模型复杂和响应速度较慢的技术问题。

为了解决上述技术问题，本发明提供了一种基于统一潮流模型的综合能源***薄弱点辨识方法，包括：

步骤S1：分别构建电***模型、热***模型以及气***模型，加入耦合元件模型后建立综合能源***统一潮流模型，其中，综合能源***统一潮流模型包括不平衡量的初值，用以表征综合能源***运行状态；

步骤S2：采集综合能源***统一潮流模型中不平衡量初值的历史数据和实时数据，并利用实时分离窗技术构建随机矩阵；

步骤S3：对随机矩阵中的所有数据进行标准化预处理；

步骤S4：计算随机矩阵的M-P率和圆环率，基于M-P率和圆环率对综合能源***进行异常状态识别；

步骤S5：对随机矩阵中与待分析节点对应的数据进行复制，构建增广矩阵，并计算增广矩阵的平均谱半径MSR，MSR用以表征特征值的统计特性，根据平均谱半径的分布情况以及步骤S4中识别的异常状态对综合能源***薄弱点进行辨识。

在一种实施方式中，步骤S1具体包括：

步骤S1.1：分别构建电***模型、热***模型以及气***模型；

步骤S1.2：采用耦合元件将电***模型、热***模型以及气***模型建综合能源***统一潮流模型，综合能源***统一潮流模型的不平衡量ΔF(χ)表示为：

其中，ΔF(χ)为不平衡量；ΔP和ΔQ为电***的有功和无功偏差；ΔΦ、Δp_h、ΔT_s、ΔT_r分别为热***的热功率、回路压降、供热温度、回热温度偏差；Δν_q和Δp_g为气***的管道流量和回路压降偏差；上标sp代表已知的给定值；下标load代表负荷节点；C_s、C_r为与供、回热网络结构和管道流量有关的矩阵，b_s、b_r为与供、回热温度有关的列向量，

综合能源***的状态变量χ为：

利用牛顿拉夫逊方法，求解综合能源***的不平衡量和状态变量：

χ⁽ⁱ⁺¹⁾＝χ⁽ⁱ⁾-J^-1ΔF(χ)

式中：i是迭代数；J是雅可比矩阵。

在一种实施方式中，步骤S2具体包括：

步骤S2.1：将每一个时间点的不平衡量初值构成一个列向量，x(t_i)＝[x₁(t_i),x₂(t_i),...x_N(t_i)]^T；

步骤S2.2：采集不平衡量初值列向量的历史数据和实时数据；

步骤S2.3：在历史数据的基础上进行实时分析的数据分割，通过采集第i时刻和第i时刻之前长度为T-1的数据后构建随机矩阵X_N×T：

X_N×T＝[x(t_i-T+1)...x(t_i)]

其中，T表示窗口宽度。

在一种实施方式中，步骤S3具体为采用下述方式对数据进行标准化预处理：

其中，1≤i≤N；1≤j≤T；

和

分别为矩阵

的标准差和均值，矩阵x_i的标准差σ(x_i)为1；均值

为0。

在一种实施方式中，步骤S4具体包括：

步骤S4.1：计算随机矩阵的M-P率，其中，M-P率用以表征随机矩阵奇异值的渐近行为，对于N×T阶非Hermitian矩阵X，该矩阵的样本协方差矩阵

相应协方差矩阵的经验谱分布收敛于M-P率：

其中，f_ESD(λ)为协方差矩阵SN的密度函数；λ为特征值；

步骤S4.2：计算随机矩阵的圆环率，其中，圆环率用以表征随机矩阵数据偏离随机程度的情况，对于L个非Hermitian矩阵

奇异值等价形式

的乘积为

的经验谱密度收敛于：

其中，

为矩阵Z的概率密度函数，圆环率定理表明Z的特征值在复平面上分布于内圆半径为(1-c)^L/2，外圆半径为1的圆环内；

步骤S4.3：对于M-P率，根据高斯核函数与M-P率对比情况，判定***是否存在异常状态，对于圆环率，根据特征值的分布情况判定***是否存在异常状态。

在一种实施方式中，步骤S5具体包括：

步骤S5.1：对随机矩阵中与待分析节点对应的数据复制k次，使待分析节点与原数据矩阵的关联性增强，得到原数据矩阵的增广矩阵

其中，

表示

与待分析节点所在行对应的数据；上角标k为复制次数；

为随机噪声，均值为0方差为1；

步骤S5.2：计算增广矩阵的平均谱半径MSR，MSR用以表征特征值的统计特性，具体为复平面上所有特征值距离中心点的平均值r_MSR：

其中，λ_i(i＝1,2,...N)为矩阵特征值；

步骤S5.3：采用熵理论，将MSR的分布情况数值化，熵用于度量一个***的无序程度，定义为：

其中，C为常数；l为状态数；p(ω_i)(i＝1,...,l)为状态出现概率；

结合MSR的分布情况和步骤S4中识别的异常状态，计算每个节点的评价值S，获得薄弱点辨识结果；

其中，M为权重因子；C为常数，S值表征了节点对***的影响程度，S值越大，则节点薄弱程度越高。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

本发明提供了一种基于统一潮流模型的综合能源***薄弱点辨识方法，首先，分别构建电***模型、热***模型以及气***模型，加入耦合元件模型后建立综合能源***统一潮流模型；然后，采集综合能源***统一潮流模型中不平衡量初值的历史数据和实时数据，并利用实时分离窗技术构建随机矩阵；接着，对随机矩阵中的所有数据进行标准化预处理；接下来计算随机矩阵的M-P率和圆环率，基于M-P率和圆环率对综合能源***进行异常状态识别；最后对随机矩阵中与待分析节点对应的数据进行复制，构建增广矩阵，并计算增广矩阵的平均谱半径MSR，MSR用以表征特征值的统计特性，根据平均谱半径的分布情况以及步骤S4中识别的异常状态对综合能源***薄弱点进行辨识。

由于本发明将随机矩阵理论引入综合能源***薄弱辨识中，以数据驱动的方式分析***运行状态，不需要对综合能源***物理结构进行辨识，避免了对综合能源***的建模过程，无需考虑***物理结构，模型构建简单，可实现对复杂***薄弱点辨识的快速响应。

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作简单地介绍，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为本发明提供的一种基于统一潮流模型的综合能源***薄弱点辨识方法的整体流程示意图；

图2为本发明实施例中综合能源***示意图；

图3为本发明实施例中综合能源***算例模型图；

图4为本发明实施例中***初始状态的M-P率；

图5为本发明实施例中***初始状态的圆环率；

图6为本发明实施例中***负荷开始逐渐增加时的M-P率；

图7为本发明实施例中***负荷开始逐渐增加时的圆环率；

图8为本发明实施例中***接近崩溃的M-P率；

图9为本发明实施例中***接近崩溃的圆环率；

图10为本发明实施例中热节点1的MSR；

图11为本发明实施例中热节点9的MSR；

图12为本发明实施例中电节点10的圆环率；

图13为本发明实施例中电节点4的圆环率；

图14为本发明实施例中气节点5的圆环率；

图15为本发明实施例中热节点9的圆环率；

具体实施方式

本发明的目的是提出一种基于统一潮流模型和随机矩阵的电-热-气综合能源***薄弱点辨识方法，以数据驱动角度，对***无需进行物理结构辨识，同时也避免了***建模过程，为综合能源***薄弱辨识提供了新思路，可以简化建模的过程，并提高***状态识别和薄弱点辨识的准确性和快速性。

为达到上述目的，本发明的主要构思如下：

随机矩阵理论是一种具有高度普适性的大数据分析方法。本发明从数据驱动的角度，将随机矩阵理论引入到综合能源***中，提出一种基于统一潮流模型的综合能源***薄弱点辨识方法，以改进的综合能源***算例仿真，验证了所提方法的有效性。该方法无需考虑***物理结构，模型构建简单，可实现对复杂***薄弱点辨识的快速响应。

本发明的方法具体包括：(1)建立综合能源***统一潮流模型；(2)选取潮流数据并建立随机矩阵；(3)标准化预处理随机矩阵；(4)识别***异常状态；(5)辨识***薄弱点；本发明将随机矩阵理论引入综合能源***薄弱辨识中，以数据驱动的方式分析***运行状态，不需要对综合能源***物理结构进行辨识，避免了对综合能源***的建模过程，为综合能源***薄弱辨识提供了新思路。

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

本实施例提供了一种基于统一潮流模型的综合能源***薄弱点辨识方法，请参见图1，该方法包括：

步骤S1：分别构建电***模型、热***模型以及气***模型，加入耦合元件模型后建立综合能源***统一潮流模型，其中，综合能源***统一潮流模型包括不平衡量的初值，用以表征综合能源***运行状态。

在一种实施方式中，步骤S1具体包括：

步骤S1.1：分别构建电***模型、热***模型以及气***模型；

步骤S1.2：采用耦合元件将电***模型、热***模型以及气***模型建综合能源***统一潮流模型，综合能源***统一潮流模型的不平衡量ΔF(χ)表示为：

其中，ΔF(χ)为不平衡量；ΔP和ΔQ为电***的有功和无功偏差；ΔΦ、Δp_h、ΔT_s、ΔT_r分别为热***的热功率、回路压降、供热温度、回热温度偏差；Δν_q和Δp_g为气***的管道流量和回路压降偏差；上标sp代表已知的给定值；下标load代表负荷节点；C_s、C_r为与供、回热网络结构和管道流量有关的矩阵，b_s、b_r为与供、回热温度有关的列向量，

综合能源***的状态变量χ为：

利用牛顿拉夫逊方法，求解综合能源***的不平衡量和状态变量：

χ⁽ⁱ⁺¹⁾＝χ⁽ⁱ⁾-J^-1ΔF(χ)

式中：i是迭代数；J是雅可比矩阵。

在具体的实施过程中，各个模型的构建方式如下：

1、电力***模型的构建

传统电力***潮流模型，节点的功率表达为：

式中：N_e为节点数；V为节点电压；I为节点电流；Y为节点导纳矩阵；S为复功率；P为有功功率；Q为无功功率。

2、热力***模型的构建

1)水力模型

节点满足流量连续性方程：

式中：A_h为节点-支路关联矩阵；

为各管道流量；

为各节点流出流量。

各回路满足回路压力方程：

B_hh_f＝0

式中：B_h为回路-支路关联矩阵；h_f为压头损失向量。

各管道流量和压头损失之间的关系为：

式中：K_h为管道阻力系数矩阵。

2)热力模型

热力模型用于确定每个节点的温度。每个热负荷节点有：供热温度T_s，输出温度T_o，回热温度T_r。各节点的热功率Φ为：

式中：C_p为水的比热。采用温降方程表示管道始末端温度的关系：

式中：L_h为管道长度；T_start和T_end为管道起始和末端节点的温度；T_a为环境温度；λ_h为管道热传导系数。热水在节点处混合前后的关系为：

式中：

T_in和

T_out分别为流入和流出管道中热水的流量、温度。

3、天然气***模型

天然气模型与热力网络水力模型相似，满足流量连续性方程：

A_gν_g＝ν_q

式中：A_g为节点-支路关联矩阵；ν_g为各管道气体流量；ν_q为各节点流出气体流量。回路压力方程表示为：

B_gΔp＝0

式中：B_g为回路-支路关联矩阵；Δp为管道压降向量。气体流量和管道压降之间的关系为：

式中：K_g为管道阻力系数，指数k与气网压力水平有关。

具体来说，本发明构建的模型包括电力***潮流模型、热***中的水力和热力潮流模型、天然气***潮流模型。

耦合元件是实现不同能源之间的转换的设备，包括热电联产、燃气锅炉、电锅炉等，其中热电联产(combined heat andpower,CHP)可利用燃气的高品位能量发电，低品位能量供热供冷，用能效率可达80％以上，是现今综合能源***中最具商业前景的一种运营模式，本发明建立含CHP机组的耦合模型；

式中：P_CHP和Φ_CHP为CHP机组输出的电功率和热功率；F_in为耗气量；c_m为CHP机组的热电比例系数；η_e为CHP机组的发电效率。

步骤S2：采集综合能源***统一潮流模型中不平衡量初值的历史数据和实时数据，并利用实时分离窗技术构建随机矩阵。

在一种实施方式中，步骤S2具体包括：

步骤S2.1：将每一个时间点的不平衡量初值构成一个列向量，x(t_i)＝[x₁(t_i),x₂(t_i),...x_N(t_i)]^T；

步骤S2.2：采集不平衡量初值列向量的历史数据和实时数据；

步骤S2.3：在历史数据的基础上进行实时分析的数据分割，通过采集第i时刻和第i时刻之前长度为T-1的数据后构建随机矩阵X_N×T：

X_N×T＝[x(t_i-T+1)...x(t_i)]

其中，T表示窗口宽度。

具体来说，把获取的历史数据和实时数据保留下来，添加高斯白噪声，用来模拟实际运行获得的数据构建矩阵X：

X＝[x(t₁),x(t₂),...x(t_i)...]

然后采用实时分离窗技术进行数据分割，采集第i时刻和第i时刻之前长度为T-1的数据，共同构建随机矩阵。

步骤S3：对随机矩阵中的所有数据进行标准化预处理。

具体来说，通过对随机矩阵标准化预处理包括对矩阵中所有数据进行去量纲化和数值归一化，可以使得各个指标具有可比性。

在一种实施方式中，步骤S3具体为采用下述方式对数据进行标准化预处理：

其中，1≤i≤N；1≤j≤T；

和

分别为矩阵

的标准差和均值，矩阵x_i的标准差σ(x_i)为1；均值

为0。

步骤S4：计算随机矩阵的M-P率和圆环率，基于M-P率和圆环率对综合能源***进行异常状态识别。

在一种实施方式中，步骤S4具体包括：

步骤S4.1：计算随机矩阵的M-P率，其中，M-P率用以表征随机矩阵奇异值的渐近行为，对于N×T阶非Hermitian矩阵X，该矩阵的样本协方差矩阵

相应协方差矩阵的经验谱分布收敛于M-P率：

其中，f_ESD(λ)为协方差矩阵SN的密度函数；λ为特征值；

步骤S4.2：计算随机矩阵的圆环率，其中，圆环率用以表征随机矩阵数据偏离随机程度的情况，对于L个非Hermitian矩阵

奇异值等价形式

的乘积为

的经验谱密度收敛于：

其中，

为矩阵Z的概率密度函数，圆环率定理表明Z的特征值在复平面上分布于内圆半径为(1-c)^L/2，外圆半径为1的圆环内；

步骤S4.3：对于M-P率，根据高斯核函数与M-P率对比情况，判定***是否存在异常状态，对于圆环率，根据特征值的分布情况判定***是否存在异常状态。

具体来说，步骤S4.1中，对于N×T阶非Hermitian矩阵X，当N,T→∞且比例系数c＝N/T∈(0,1]时，该矩阵的样本协方差矩阵

当矩阵X中的元素是独立同分布且为随机变量，并满足均值μ＝0、方差σ²＜∞时，相应协方差矩阵的经验谱分布收敛于M-P率。

步骤S4.2中，L个非Hermitian矩阵

其奇异值等价形式

的乘积为

Z的经验谱密度收敛于圆环率。

由于不平衡量的初值ΔF⁽⁰⁾(χ)数据为实数，需要将实数域的特征值映射到复数域，即进行奇异化处理。本发明采用酉矩阵U求取

的奇异值等价矩阵

U为满足Haar分布的酉阵，且可知

对于L个该矩阵，考虑其乘积

并进行标准化处理：

式中：z_i＝(z_i1,z_i2,...,z_iN)；σ(z_i)为矩阵z_i的标准差；

在具体实施过程中，步骤S4.3中，对于M-P率，本实施例采用高斯核函数与M-P率对比，其中，高斯核函数是对特征值分布进行非参数估计：

式中：f_n(x)为非参数函数；h为宽带参数；K(.)为核函数。

如果二者曲线吻合较好，则***稳定，若二者相差较大，则***存在异常情况。高斯核函数可以将数据映射到无穷维，是某种沿径向对称的标量函数。

对于圆环率，将特征值画在复平面上，若所有特征值都在圆环内，则***稳定；若仅有极少特征值(小于2.5％)落在圆环外，则认为是统计误差。相反，当出现预设数量的特征值落在内环时，可判断***出现异常。

步骤S5：对随机矩阵中与待分析节点对应的数据进行复制，构建增广矩阵，并计算增广矩阵的平均谱半径MSR，MSR用以表征特征值的统计特性，根据平均谱半径的分布情况以及步骤S4中识别的异常状态对综合能源***薄弱点进行辨识。

具体来说，步骤S5是利用随机矩阵中的MSR、增广矩阵，并结合熵理论对综合能源***薄弱点有效辨识。

在一种实施方式中，步骤S5具体包括：

步骤S5.1：对随机矩阵中与待分析节点对应的数据复制k次，使待分析节点与原数据矩阵的关联性增强，得到原数据矩阵的增广矩阵

其中，

表示

与待分析节点所在行对应的数据；上角标k为复制次数；

为随机噪声，均值为0方差为1；

步骤S5.2：计算增广矩阵的平均谱半径MSR，MSR用以表征特征值的统计特性，具体为复平面上所有特征值距离中心点的平均值r_MSR：

其中，λ_i(i＝1,2,...N)为矩阵特征值；

步骤S5.3：采用熵理论，将MSR的分布情况数值化，熵用于度量一个***的无序程度，定义为：

其中，C为常数；l为状态数；p(ω_i)(i＝1,...,l)为状态出现概率；

结合MSR的分布情况和步骤S4中识别的异常状态，计算每个节点的评价值S，获得薄弱点辨识结果；

其中，M为权重因子；C为常数，S值表征了节点对***的影响程度，S值越大，则节点薄弱程度越高。

具体来说，增广矩阵使MSR结果偏向于该节点的数据特征，本发明采用熵理论，将MSR的分布情况数值化。熵用于度量一个***的无序程度。然后选取节点的MSR波动值

作为状态量，

和

分别为正常和异常状态下第i个增广矩阵的MSR值。对ω_i进行归一化处理：

其中，μ_i为第i个节点的MSR概率化数值；n_h为矩阵行数。

接下来则计算每个节点的评价值S，由于每个节点会对***产生不同程度的影响，其薄弱性可利用MSR计算权重因子：

S值表征了节点对***的影响程度，S值越大则MSR值分布越无序，节点状态变化对***状态影响越大，节点薄弱程度越高。

下面结合具体实例和附图，对本发明的技术方案作进一步具体的说明。

如附图1所示，一种基于统一潮流模型和随机矩阵的电-热-气综合能源***薄弱点辨识方法，包括以下步骤：

步骤1，单独构建电***13节点潮流模型、热***13节点潮流模型、气***7节点潮流模型，加入2个CHP机组作为耦合元件的耦合元件模型，共同建立33节点综合能源***的统一潮流模型。附图2为综合能源***示意图，附图3为综合能源***算例模型图；

步骤2，采集综合能源***统一潮流模型中不平衡量初值的数据。通过不断改变***负荷大小来改变***状态，使得不平衡量初值不断被刷新，累计历史数据和实时数据。这些数据以时间为顺序排序，加上综合能源***中节点特征具有空间特性，构成具有时空特性的数据源。利用实时分离窗技术将数据源分解为一个个随机矩阵；

步骤3，对随机矩阵中的所有数据进行标准化预处理，即去量纲化和数值归一化；

步骤4，通过改变***负荷使***状态发生变化，计算M-P率和圆环率，分析M-P率曲线和圆环率特征值分布随***状态变化而变化的过程。

附图4是***初始状态的M-P率，附图5是***初始状态的圆环率，附图6是***负荷开始逐渐增加时的M-P率，附图7是***负荷开始逐渐增加时的圆环率。附图8是***接近崩溃的M-P率，附图9是***接近崩溃的圆环率。

对于M-P率，高斯核函数与其对比。若二者吻合较好，则***稳定，若二者相差较大，则***存在异常情况。对于圆环率，若所有特征值都在圆环内，则***稳定；当出现数量可观的特征值落在内环时，可判断***出现异常；

步骤5，改变某一节点的负荷大小，分别构建以每一节点为重点观察对象的增广矩阵，计算增广矩阵的MSR，分析某一节点变化对***的影响。附图10是热节点1的MSR，附图11是热节点9的MSR；

结合熵理论计算综合能源***中所有节点的薄弱值并进行排序。本发明通过圆环率对该薄弱点排序进行了验证，即改变某一节点的负荷大小，观察***同一时刻下的圆环率，验证表明了该方法的有效性。附图12是电节点10的圆环率，附图13是电节点4的圆环率，附图14是气节点5的圆环率，附图15是热节点9的圆环率；

本发明从数据驱动的角度，将随机矩阵理论引入到综合能源***中，提出一种基于统一潮流模型的综合能源***薄弱点辨识方法，以改进的综合能源***算例仿真，验证了所提方法的有效性。该方法无需考虑***物理结构，模型构建简单，可实现对复杂***薄弱点辨识的快速响应。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种基于统一潮流模型的综合能源***薄弱点辨识方法，其特征在于，包括：

步骤S1：分别构建电***模型、热***模型以及气***模型，加入耦合元件模型后建立综合能源***统一潮流模型，其中，综合能源***统一潮流模型包括不平衡量的初值，用以表征综合能源***运行状态；

步骤S2：采集综合能源***统一潮流模型中不平衡量初值的历史数据和实时数据，并利用实时分离窗技术构建随机矩阵；

步骤S3：对随机矩阵中的所有数据进行标准化预处理；

步骤S4：计算随机矩阵的M-P率和圆环率，基于M-P率和圆环率对综合能源***进行异常状态识别；

步骤S5：对随机矩阵中与待分析节点对应的数据进行复制，构建增广矩阵，并计算增广矩阵的平均谱半径MSR，MSR用以表征特征值的统计特性，根据平均谱半径的分布情况以及步骤S4中识别的异常状态对综合能源***薄弱点进行辨识；

其中，步骤S1具体包括：

步骤S1.1：分别构建电***模型、热***模型以及气***模型；

步骤S1.2：采用耦合元件将电***模型、热***模型以及气***模型建综合能源***统一潮流模型，综合能源***统一潮流模型的不平衡量ΔF(χ)表示为：

其中，ΔF(χ)为不平衡量；ΔP和ΔQ为电***的有功和无功偏差；ΔΦ、Δp_h、ΔT_s、ΔT_r分别为热***的热功率、回路压降、供热温度、回热温度偏差；Δν_q和Δp_g为气***的管道流量和回路压降偏差；上标sp代表已知的给定值；下标load代表负荷节点；C_s、C_r为与供、回热网络结构和管道流量有关的矩阵，b_s、b_r为与供、回热温度有关的列向量，

综合能源***的状态变量χ为：

利用牛顿拉夫逊方法，求解综合能源***的不平衡量和状态变量：

χ⁽ⁱ⁺¹⁾＝χ⁽ⁱ⁾-J^-1ΔF(χ)

式中：i是迭代数；J是雅可比矩阵；

步骤S4具体包括：

步骤S4.1：计算随机矩阵的M-P率，其中，M-P率用以表征随机矩阵奇异值的渐近行为，对于N×T阶非Hermitian矩阵X，该矩阵的样本协方差矩阵

相应协方差矩阵的经验谱分布收敛于M-P率：

其中，f_ESD(λ)为协方差矩阵SN的密度函数；λ为特征值；

步骤S4.2：计算随机矩阵的圆环率，其中，圆环率用以表征随机矩阵数据偏离随机程度的情况，对于L个非Hermitian矩阵

奇异值等价形式

的乘积为

的经验谱密度收敛于：

其中，

为矩阵Z的概率密度函数，圆环率定理表明Z的特征值在复平面上分布于内圆半径为(1-c)^L/2，外圆半径为1的圆环内；

步骤S4.3：对于M-P率，根据高斯核函数与M-P率对比情况，判定***是否存在异常状态，对于圆环率，根据特征值的分布情况判定是否存在异常状态。

2.如权利要求1所述的方法，其特征在于，步骤S2具体包括：

步骤S2.1：将每一个时间点的不平衡量初值构成一个列向量，x(t_i)＝[x₁(t_i),x₂(t_i),…x_N(t_i)]^T；

步骤S2.2：采集不平衡量初值列向量的历史数据和实时数据；

步骤S2.3：在历史数据的基础上进行实时分析的数据分割，通过采集第i时刻和第i时刻之前长度为T-1的数据后构建随机矩阵X_N×T：

X_N×T＝[x(t_i-T+1)...x(t_i)]

其中，T表示窗口宽度。

3.如权利要求1所述的方法，其特征在于，步骤S3具体为采用下述方式对数据进行标准化预处理：

其中，1≤i≤N；1≤j≤T；

和

分别为矩阵

的标准差和均值，矩阵x_i的标准差σ(x_i)为1；均值

为0。

4.如权利要求1所述的方法，其特征在于，步骤S5具体包括：

步骤S5.1：对随机矩阵中与待分析节点对应的数据复制k次，使待分析节点与原数据矩阵的关联性增强，得到原数据矩阵的增广矩阵

其中，

表示

与待分析节点所在行对应的数据；上角标k为复制次数；

为随机噪声，均值为0方差为1；

步骤S5.2：计算增广矩阵的平均谱半径MSR，MSR用以表征特征值的统计特性，具体为复平面上所有特征值距离中心点的平均值r_MSR：

其中，λ_i(i＝1,2,...N)为矩阵特征值；

步骤S5.3：采用熵理论，将MSR的分布情况数值化，熵用于度量一个***的无序程度，定义为：

其中，C为常数；l为状态数；p(ω_i)(i＝1,...,l)为状态出现概率；

结合MSR的分布情况和步骤S4中识别的异常状态，计算每个节点的评价值S，获得薄弱点辨识结果；

其中，M为权重因子；C为常数，S值表征了节点对***的影响程度，S值越大，则节点薄弱程度越高。

Images