CN114139964A - 一种电气综合能源***可靠性评估方法及装置 - Google Patents
一种电气综合能源***可靠性评估方法及装置 Download PDFInfo
- Publication number
- CN114139964A CN114139964A CN202111460543.8A CN202111460543A CN114139964A CN 114139964 A CN114139964 A CN 114139964A CN 202111460543 A CN202111460543 A CN 202111460543A CN 114139964 A CN114139964 A CN 114139964A
- Authority
- CN
- China
- Prior art keywords
- state
- data
- gas
- dimensional
- transition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000007704 transition Effects 0.000 claims abstract description 98
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000003064 k means clustering Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims description 42
- 230000005611 electricity Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 88
- 238000010168 coupling process Methods 0.000 description 14
- 238000005859 coupling reaction Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000008878 coupling Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005311 autocorrelation function Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明属于能源***评估技术领域,具体公开了一种电气综合能源***可靠性评估方法及装置,其中方法包括S1,采用K‑means聚类方法对电能、气能组成的二维样本数据进行聚类,并采用邓恩法则选择最优聚类数;S2,建立各类下的电能、气能的二维马尔科夫状态转移矩阵,然后进行降维编码生成状态转移矩阵;S3,采用逆高斯分布对状态持续时间进行模拟,改善状态转移矩阵因“脊背”性导致的局部状态难以转移的特点;S4,对状态转移矩阵升维解码,叠加序列波动白噪声,生成历史数据以对IES的供能可靠性指标进行评估。该方案的供能不足率和负载超80%、90%情况均比常规MCMC‑Kmeans发生情况少,且IES在电力***的电压、电流和频率,燃气***的节点气压越限情况更优。
Description
技术领域
本发明属于能源***评估技术领域,特别是关于一种电气综合能源***可靠性评估方法及装置。
背景技术
当前国内外电气综合能源***(Integrated energy system,IES)的可靠性评估主要研究内容为建立***或元件的可靠性概率模型、采用模拟法或解析法分析***可能的运行状态、构建可靠性评估指。其中,模拟法采用特征模拟或解析法进行理论分析,分别对***运行状态进行评估,从而有效预判***的高风险运行状态。但是解析法存在模型复杂度高、不确定性大的缺点,难以建立准确的分析模型,而模拟法以数据为驱动,挖掘客观历史数据的关联性和分布规律,全面、快速的模拟各种运行状态,从而有效评估***的可靠性,避免的了复杂的建模过程。比如现有技术针对风光和负荷序列的随机性,采用两阶段聚类生成典型运行场景,从而提高可靠性评估准确性。又比如通过大量历史数据进行训练学习,得到关键的修正灵敏度和可靠性评估参数,从而对电网实时停电风险进行评估。还有基于密度的含噪声应用空间的聚类方法,根据历史数据生成了典型场景及其场景概率,考虑风光不确定性情况下指导多能***规划和可靠性评估。
上述现有技术都是根据历史数据生成历史典型场景,然后对***可靠性有效评估,但是IES***目前处于初步的研究应用阶段,难以具备大体量、完整、准确的多能源历史数据。针对该问题,基于马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)数据模拟方法可根据有限历史数据生成任意体量、具有历史数据特征和性质的数据样本,近年来正被广泛研究应用。比如采用K-means和MCMC方法将序列进行分类模拟,引入了优选状态方法和随机波动量的拟合方法,使新生成的序列延续了历史风电序列的特征。再比如根据季节特征按月份进行分类和采用MCMC方法模拟。还有根据自相关函数的误差平方和选择最优的MCMC的状态数。以及根据光伏波动功率采用Alpha和Silhouette指数、贝叶斯准则进行聚类,再构建天气、功率的双层马尔科夫模型,能保持光伏的天气特征和序列特性。上述基于MCMC的数据模拟方法能最大可能保持原始序列数据特征,从而快速、准确模拟***运行状态。但上述方法生成的模拟数据其时序为随机的,即气能、电可能时序错位,因此难以保证IES的气能、电能间的高度耦合性。
发明内容
本发明的目的在于提供一种电气综合能源***可靠性评估方法及装置,其能够保证IES的气能、电能间的高度耦合性。
本发明提供了一种电气综合能源***可靠性评估方法,包括以下步骤:
S1,采用K-means聚类方法对电能、气能组成的二维样本数据进行聚类,并采用邓恩法则选择最优聚类数;
S2,建立各类下的电能、气能的二维马尔科夫状态转移矩阵,然后进行降维编码生成状态转移矩阵;
S3,采用逆高斯分布对状态持续时间进行模拟,改善状态转移矩阵因“脊背”性导致的局部状态难以转移的特点;
S4,对状态转移矩阵升维解码,叠加序列波动白噪声,生成历史数据以对IES的供能可靠性指标进行评估。
优选地,所述S1具体包括:
以电负荷功率为x轴,气负荷功率为y轴,构建历史的气、电净负荷功率的二维样本数据,其DVI的公式如下:
式中,DIV(K)表示当聚类数为K时的邓恩指数,分子表示当聚类数为K时的最短类间距,分母表示聚类数为K时的最大类内距,K、k分别为K-means算法的聚类数及其变量,k1和k2分别为聚类中心变量,取值范围为[1,K];Nk和nk分别为第k类的数据总数及其变量,max和min分别为取数据序列的最大值和最小值。
优选地,所述S2具体包括:
设第k类数据中第nk的二维数据为Z(P(nk),G(nk)),则二维数据的状态划分公式如下:
式中,P(nk)、G(nk)分别为k类中第nk个数据的净电负荷功率和净气负荷功率;MP和MG分别为电负荷、气负荷的状态数;ΔPk、ΔGk分别为净电负荷和净气负荷的状态间隔;PM(nk)和GM(nk)分别为第nk个数据的净电负荷、净气负荷的状态编号;ceil为向上取整计算;
通过公式(2)至公式(5)可得到二维数据Z(P(nk),G(nk))的二维状态为ZM(PM(nk),GM(nk))。
优选地,所述S2具体包括:
首先对二维马尔科夫状态转移矩阵进行降维编码,具体采用的公式(6)如下:
Sr(nk)=(PM(nk)-1)*MG+GM(nk) (6)
式中,Sr(nk)为降维后的离散状态编号;
然后按照公式(6)将第k类中Nk个数据进行全部降维编码,得到Nk个一维离散状态点;一维状态矩阵Num为长度(MP·MG)×1;在一维状态矩阵Sr中,由某一状态转移到另一状态,需要(MP·MG)×(MP·MG)的二维状态转移矩阵来刻画;设矩阵St中元素为sij,则状态转移过程如下:
sij=St(Sr(nk)=j|Sr(nk-1)=i) (7)
式中,i,j分别表示第nk-1状态和第nk状态;sij为状态nk-1转移到状态nk的状态转移数量;
则状态转移矩阵Pr中元素pij定义如下:
式中,pij为由状态i转移到状态j的转移概率;分子∑sij为状态i转移到状态j的数量;分子表示在状态i下向其他状态转移的总数量;
累计概率转移矩阵Pm元素pmi,j定义如下:
式中,pmij为由状态i转移到状态j的累计转移概率。
优选地,所述S2之后且在S3之前还包括:根据累计概率状态转移矩阵,按照以下步骤即可模拟生成新的数据状态:
(1)给定一个初始状态Sr(1),即当前状态i=Sr(1);
(2)随机产生一个[0,1]的状态随机数rand,计算rand在状态i时对应的累计转移概率区间:
式中,因数据降维后状态转移矩阵为稀疏矩阵,设定判断条件,若pmiM=0,说明没有数据落在状态i上,此时取相连状态i+1继续模拟生成;若pmiM≠0,则J1和J1+1为转移概率区间对应的状态,即J1为下一转移状态;
(3)重复步骤(1)至步骤(2),直到产生预设量的转移状态。
优选地,所述S3具体包括:首先对原始数据状态Sr(nk)的每一状态持续时间进行统计,并计算持续时间的概率分布,针对每一状态的概率分布采用逆高斯分布进行拟合,其拟合函数公式如下:
式中,x为状态持续时间概,μ和λ为逆高斯分布,其中μ=1,然后选择最优的λ进行拟合,参数λ的确定采用试探法,以0.01的间隔计算不同λ的逆高斯分布与原始分布的均方差,选择最小均方差的λ为最终高斯分布参数,即得到每一状态的持续时间概率分布函数F(Sr);
按照F(Sr)分布生成当前状态持续时间L,即当前数据状态保持L个时刻,当状态长度大于L后必须转跳下一状态,状态间的转跳仍按照累计概率转移矩阵Pm进行,生成新的状态,设定下一状态不得与当前状态一致。
优选地,所述S4具体包括:先将一维状态进行解码操作,对应还原到气-电二维数据平面中,然后再在每一维的气负荷功率、净电负荷功率上叠加波动分量。
优选地,所述S4中供能可靠性指标包括:IES供能不足率、供电可靠性指标及供气可靠性指标。
本发明还提供了一种装置,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现电气综合能源***可靠性评估方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现电气综合能源***可靠性评估方法的步骤。
与现有技术相比,根据本发明的一种电气综合能源***可靠性评估方法及装置,其中方法包括S1,采用K-means聚类方法对电能、气能组成的二维样本数据进行聚类,并采用邓恩法则选择最优聚类数;S2,建立各类下的电能、气能的二维马尔科夫状态转移矩阵,然后进行降维编码生成状态转移矩阵;S3,采用逆高斯分布对状态持续时间进行模拟,改善状态转移矩阵因“脊背”性导致的局部状态难以转移的特点;S4,对状态转移矩阵升维解码,叠加序列波动白噪声,生成历史数据以对IES的供能可靠性指标进行评估。该方案的供能不足率和负载超80%、90%情况均比常规MCMC-Kmeans发生情况少,且IES在电力***的电压、电流和频率,燃气***的节点气压越限情况均优于常规常规MCMC-Kmeans方法。此外,通过采取无功投切、外接电源或气源,可以降低风险点越限隐患。
附图说明
图1为本发明提供的一种电气综合能源***可靠性评估方法流程图;
图2为本发明提供的一种可能的装置的硬件结构示意图;
图3为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图;
图4为本发明提供的电气综合能源***结构图;
图5为本发明提供的不同聚类数下的DIV指标;
图6为本发明提供的基于DIV的K-means聚类结果图;
图7为本发明提供的状态数为20的持续时间拟合结果对比图;
图8为本发明提供的净电负荷模拟的数据曲线图;
图9为本发明提供的净气负荷模拟的数据曲线图;
图10为本发明提供的气、电模拟数据耦合性分析图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
如图1所示,根据本发明优选实施方式的一种电气综合能源***可靠性评估方法及装置,其中方法包括S1,采用K-means聚类方法对电能、气能组成的二维样本数据进行聚类,并采用邓恩法则选择最优聚类数;S2,建立各类下的电能、气能的二维马尔科夫状态转移矩阵,然后进行降维编码生成状态转移矩阵;S3,采用逆高斯分布对状态持续时间进行模拟,改善状态转移矩阵因“脊背”性导致的局部状态难以转移的特点;S4,对状态转移矩阵升维解码,叠加序列波动白噪声,生成历史数据以对IES的供能可靠性指标进行评估。该方案的供能不足率和负载超80%、90%情况均比常规MCMC-Kmeans发生情况少,且IES在电力***的电压、电流和频率,燃气***的节点气压越限情况均优于常规常规MCMC-Kmeans方法。此外,通过采取无功投切、外接电源或气源,可以降低风险点越限隐患。
K-means聚类方法是对相似分布特征的样本数据进行聚类,通常以样本的中心距作为分类标准,通过该方法可保证同一类样分布更集中,不同类样本差异性更大。采样数据分类模拟有利于提高模拟效果。但采用K-means方法的前提是聚类数需提前给定,不同的聚类数K对聚类效果影响较大,因此需要科学的聚类数评定方法。
邓恩指数(DunnValidity Index,DVI)是以类间相似度最小、类内相似度最大为目标,即该值越大说明类间距越大、类内距越小,从而聚类效果更佳。该方法具有很好的离散点的聚类效果。本实施例中以电负荷功率为x轴,气负荷功率为y轴,构建历史的气、电净负荷功率的二维样本数据。其邓恩指数DVI的公式如下:
式中,DIV(K)表示当聚类数为K时的邓恩指数,分子表示当聚类数为K时的最短类间距,分母表示聚类数为K时的最大类内距,K、k分别为K-means算法的聚类数及其变量,k1和k2分别为聚类中心变量,取值范围为[1,K];Nk和nk分别为第k类的数据总数及其变量,max和min分别为取数据序列的最大值和最小值。
优选的方案,基于MCMC的数据模拟方法可保证模拟序列具备原始数据的均值、标准差、概率密度分布和自相关性的优点。常规MCMC方法是针对一维数据序列的模拟,且模拟数据的时序是随机的,但IES中每个时刻的电负荷和气负荷具有耦合性,若独立模拟将导致时序不匹配的问题,例如冬季采暖期的高峰气负荷与夏季高峰电负荷列在同一时刻,该气、电负荷“双最高”场景下的可靠性评估结果将扩大IES的供能风险,因此亟需建立二维马尔可夫链,保证每一时刻的气、电负荷数据具有耦合性。
根据K-means聚类后在每一类k中分别建立气、电二维马尔科夫链。MCMC的状态数对模拟结果影响较大,当选取的状态数较少时模拟结果稳定,但序列曲线与原始数据差异较大;反之,状态数较多时模拟结果不稳定,序列曲线与原始数据接近。本实施例中拟构建的二维马尔科夫链,其状态数是一维序列的二次方倍,例如一维状态数M取值为20,则在二维平面中状态数为M2,即400个状态数。在已经数据分类的基础上,考虑降低计算规模和保证模拟结果的稳定性,气、电每一维的状态数不宜过多。
设第k类数据中第nk的二维数据为Z(P(nk),G(nk)),则二维数据的状态划分公式如下:
式中,P(nk)、G(nk)分别为k类中第nk个数据的净电负荷功率和净气负荷功率;MP和MG分别为电负荷、气负荷的状态数;ΔPk、ΔGk分别为净电负荷和净气负荷的状态间隔;PM(nk)和GM(nk)分别为第nk个数据的净电负荷、净气负荷的状态编号;ceil为向上取整计算;
通过公式(2)至公式(5)可得到二维数据Z(P(nk),G(nk))的二维状态为ZM(PM(nk),GM(nk))。
但是二维状态转移过程是在平面内进行转移,生产状态转移函数和模拟下一个转移状态的过程将极为复杂,为降低计算复杂度,本实施例中提出将二维状态进行降维编码,具体采用的公式(6)如下:
Sr(nk)=(PM(nk)-1)*MG+GM(nk) (6)
式中,Sr(nk)为降维后的离散状态编号。
然后按照公式(6)将第k类中Nk个数据进行全部降维编码,得到Nk个一维离散状态点;一维状态矩阵Num为长度(MP·MG)×1;在一维状态矩阵Sr中,由某一状态转移到另一状态,需要(MP·MG)×(MP·MG)的二维状态转移矩阵来刻画;设矩阵St中元素为sij,则状态转移过程如下:
sij=St(Sr(nk)=j|Sr(nk-1)=i) (7)
式中,i,j分别表示第nk-1状态和第nk状态;sij为状态nk-1转移到状态nk的状态转移数量;
则状态转移矩阵Pr中元素pij定义如下:
式中,pij为由状态i转移到状态j的转移概率;分子∑sij为状态i转移到状态j的数量;分子表示在状态i下向其他状态转移的总数量;
累计概率转移矩阵Pm元素pmi,j定义如下:
式中,pmij为由状态i转移到状态j的累计转移概率。
根据累计概率状态转移矩阵,按照以下步骤即可模拟生成新的数据状态:
(1)给定一个初始状态Sr(1),即当前状态i=Sr(1);
(2)随机产生一个[0,1]的状态随机数rand,计算rand在状态i时对应的累计转移概率区间:
式中,因数据降维后状态转移矩阵为稀疏矩阵,设定判断条件,若pmiM=0,说明没有数据落在状态i上,此时取相连状态i+1继续模拟生成;若pmiM≠0,则J1和J1+1为转移概率区间对应的状态,即J1为下一转移状态;
(3)重复步骤(1)至步骤(2),直到产生预设量的转移状态。
优选的方案,传统MCMC模拟方法可生产大体量的转移状态,但是存在容易陷入局部高概率的状态中难以跳出,导致转移矩阵形成“脊背”特征是数据分布的多样性降低,以电负荷为例的,状态数M为20,其状态转移概率分布为现有技术,本领域技术人员可以得知传统MCMC生成的状态转移矩阵,其数据主要分布在对角线元素,而非对角线元素的概率分布较少,即模拟的数据状态易陷入对角线的数据状态中。为改善该问题,本实施例中提出基于逆高斯分布的状态持续时间拟合方法,对原始数据中状态的持续时间进行拟合,得到状态持续的时间,避免长期陷入局部状态。
首先对原始数据状态Sr(nk)的每一状态持续时间进行统计,并计算持续时间的概率分布,针对每一状态的概率分布采用逆高斯分布进行拟合,其拟合函数公式如下:
式中,x为状态持续时间概,μ和λ为逆高斯分布,其中μ=1,然后选择最优的λ进行拟合,参数λ的确定采用试探法,以0.01的间隔计算不同λ的逆高斯分布与原始分布的均方差,选择最小均方差的λ为最终高斯分布参数,即得到每一状态的持续时间概率分布函数F(Sr);
按照F(Sr)分布生成当前状态持续时间L,即当前数据状态保持L个时刻,当状态长度大于L后必须转跳下一状态,状态间的转跳仍按照累计概率转移矩阵Pm进行,生成新的状态,且设定下一状态不得与当前状态一致。
按照F(Sr)分布生成当前状态持续时间L,即当前数据状态保持L个时刻,当状态长度大于L后必须转跳下一状态,状态间的转跳仍按照累计概率转移矩阵Pm进行,生成新的状态。而且本实施例中设定下一状态不得与当前状态一致,避免陷入局部状态难以跳转。
优选的方案,在生成大量的一维数据状态后,需要将一维状态进行解码操作,对应还原到气-电二维数据平面中,然后再在每一维的气负荷功率、净电负荷功率上叠加波动分量。解码操作为公式(6)的逆过程,其公式如下:
根据公式(12)可得到还原后的气-电二维数据状态ZM(PM(nk),GM(nk))。再将二维数据状态ZM根据状态距离计算实际负荷数据,再叠加波动分量得到最终的模拟的气电数据。公式如下:
P(nk)=(PM(nk)-1)*ΔPk+rand*ΔPk (13)
G(nk)=(GM(nk)-1)*ΔGk+rand*ΔGk (14)
式中,rand为[0,1]之间的随机数,rand*ΔPk、rand*ΔGk分别为电、气负荷的随机分量。
优选的方案,针对模拟数据的质量状况,本实施例中采用了常规的数据评估方法,如采用均值、方差指标判断模拟数据和历史数据的数值情况、数据分布差异。
概率密度函数(Probability density function,PDF)用来衡量变量在某个指定区间内的概率,通过对概率密度在该区间积分求得。本实施例中利用概率密度将得到不同取值范围内,模拟数据与历史数据的分布差异。
自相关系数(Autocorrelation Function,ACF)是用来衡量序列在不同时期之间的相关程度,ACF值越大说明数据序列的前后相关性越强。给定序列X(x1,x2,……,xn),关于序列X的时移d的序列AFC自相关系数公式如下:
式中,cov和var分别为计算卷积和方差;其中Xt和Xt+d分别为长度t的序列及其时移d后的序列。
为衡量每一时刻模拟数据的气、电净负荷耦合情况,本实施例中采用同一时刻模拟数据与真实数据的欧式距离进行衡量,公式如下:
式中,Dcoupling(t)表示t时刻模拟气、电数据与真实数据间的欧式距离;Psim(t)、Gsim(t)分别表示为t时刻的模拟电、气数据。
优选的方案,本实施例中用供能质量用来评估***运行可靠性,其气、电能源供应质量直接影响***的安全性。在电力***中电能质量的主要指标有电压偏差、频率偏差、电流越限、电压波动与闪变等,燃气***气能质量指标有气压节点、管道载流量等。
(1)IES供能不足率:
式中,Se为IES供能不足率;P(t)、G(t)为t时刻的电、气净负荷总功率;SP、SG分别为电、气额定总容量;η为IES能量利用率,本实施例中取值为0.85;T为IES运行总时刻;St为净负荷功率大于IES总供能功率时刻。
(2)供电可靠性指标:
式中,Usafe、Isafe和fsafe分别为节点电压、线路电流、***频率的越限程度;Un(t)为电网中节点n的电压;Il(t)为电网中l线路的电压;f(t)为电网***的频率;Umax和Umin为电压上下限值;Imax为线路允许通过的电流;f0为***而定频率;Δf为频率偏差允许范围。
(3)供气可靠性指标:
式中,Pasafe、Igsafe分别为节点气压、管道流量的越限统计概率;Pm(t)为气网中节点n的气压;Igc(t)为气网中c燃气管道的流量;Pamax为燃气节点最大的气压;Igmax为燃气管线允许通过的最大流量。
在一个具体的实施场景中,以IEEE39标准电网算例与比利时20节点燃气***构建气、电IES算例,通过燃气轮机、G2P(Powerto Gas)功率耦合设备构建互联关系,其IES供能结构如图4所示。气网49和56节点出线接有燃气轮机,燃气发电的功率输入到电网33和38节点;电网13和25节点接有P2G设备,向气网44和53节点注入燃气;电网20和21节点向气网的2台电动压缩机供电。压缩机参数、气网信息、管道参数相关信息见表1至表3。
表1压缩机参数
表2比利时20节点气网信息
表3比利时气网管道参数
算例以IEEE39电网数据与20节点气网数据为基准,叠加北方某地区的气、电历史负荷标幺值,构建历史负荷序列。选取一年的历史数据,时间间隔为1h。根据邓恩指标对气、电净负荷构建的二维数据进行聚类。当聚类数K取值时,DIV数值如图5所示。
从图5可以看出不同的聚类数下,K取4时指标DVI最大,说明此聚类数下类间距离最大、类内距离最下,聚类效果相对最优。在K=4时对原始序列进行聚类,为清晰展示,每隔9个时刻选取1个数据,共计876个时刻的数据,其聚类结果如图6所示。
从图6中的聚类结果可知,净气负荷与净电负荷在平面中大致呈现正相关关系,其原因一方面为用电量较大时刻对应的用气量较大,如冬季供暖季,用气、用电量均会较大;另一方面为气、电某一负荷较大时,会通过功率耦合设备进行转换供给,导致呈现耦合正相关。从图6的分类结果可知,二维数据基本按照气、电净负荷功率值进行划分,各类间的边界划分清晰,类内较为紧密,聚类效果较为理想,其中电负荷功率值跨度较大,是聚类的主要因素。
对原始二维数据进行降维编码,设各维状态数M=6,即降维后状态数为64,数据状态转移矩阵Pr的大小为64×64,可以得到Pr概率分布。经分析得知,在气、电负荷功率降维编码后,虽然状态转移概率主要分布在对角线上,但“脊背”特性对传统的有明显改善。选取状态数为20的持续时间进行拟合,其概率分布如图7所示。
图7中实际数据的柱状图为状态20的持续时间分布。采用枚举试探法分别得到与实际数据拟合方差最小的四种分布函数,对比四种分布可知,当状态持续时间取为整数时,逆高斯分布与实际数据更接近,且拖尾部分更符合2个持续时间之后的分布。
采用本实施例中的MCMC模拟一年的净电负数据和净气负荷数据,同样为方便比对,按照每隔9个时刻选择876个数据,其数据对比曲线如图8和图9所示。实际数据和模拟数据分为K=4类,每类中模拟数据基本与实际数据的数值和分布特征一致,模拟结果较为理想。为进一步说明模拟数据保证了气、电耦合性,本实施例中首先采用常规的MCMC-Kmeans对电负荷、气负荷依次独立模拟,对比本实施例中的耦合模拟MCMC-Kmeans方法,按照公式(16)分别计算同一时刻与实际负荷的欧式距离,对比曲线如图10所示。
从图10可以看出,传统MCMC-Kmeans方法依次独立模拟气、电负荷数据,与原序列的欧式距离极大,其原因是模拟时序随机错位,气、电数据基本上不具备耦合性,因此而本实施例中方法构建气、电二维数据的状态转移方法,与原序列欧式距离相比更低,模拟数据在同一时刻保证了其气、电的耦合性。
对比传统MCMC-Kmeans方法和本实施例中方法与历史数据的均值、方差,以及按照公式(15)比较两种方法产生的序列与原始数据间的自相关系数,结果如表4所示。
表4模拟结果的指标对比分析
由表4可知,常规MCMC-Kmeans方法的气、电模拟数据均值均高于原始序列,且方差均小于原始序列,说明常规MCMC-Kmeans方法独立依次进行模拟,数据结果有所偏差,而本实施例中方法模拟的气、电数据均值与原始序列保持一致,方差相对接近,且本实施例中方法ACF值更高,说明与原始序列的相关程度越好,综上所述,本实施例中方法的模拟效果更好。
本实施例中进一步扩大模拟的数据体量,生成10年的气、电净负荷数据,并输入到IEEE39&比利时燃气20节点的IES***中,净负荷数据计算标幺值,然后赋予算例中的原始。计算的可靠性指标如表5所示。
表5 IES供能可靠性指标结果对比分析
从表5的对比结果可知,本实施例中的方法的供能不足率和负载超80%、90%情况均比常规MCMC-Kmeans发生情况少,且IES在电力***的电压、电流和频率,燃气***的节点气压越限情况均优于常规常规MCMC-Kmeans方法。其原因结合图8和表4,一方面是因为常规MCMC-Kmeans方法依次模拟组合的气、电数据时序不匹配,与真实数据有较大距离;另一方面是常规MCMC-Kmeans模拟的气、电负荷均值都偏高,因此IES运行指标结果偏大。此外,根据10年的模拟数据运行结果可知,电力***节点1至节点4的支路电流、27节点电压越限程度最大,燃气***54节点气压数值越限程度最大,上述支路和节点分别为IES的最大风险点,因此建议采取无功投切、外接电源或气源,降低风险点越限隐患。
请参阅图2为本发明实施例提供的装置的实施例示意图。如图2所示,本发明实施例提了一种装置,包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311,处理器1320执行计算机程序1311时实现以下步骤:S1,采用K-means聚类方法对电能、气能组成的二维样本数据进行聚类,并采用邓恩法则选择最优聚类数;
S2,建立各类下的电能、气能的二维马尔科夫状态转移矩阵,然后进行降维编码生成状态转移矩阵;
S3,采用逆高斯分布对状态持续时间进行模拟,改善状态转移矩阵因“脊背”性导致的局部状态难以转移的特点;
S4,对状态转移矩阵升维解码,叠加序列波动白噪声,生成历史数据以对IES的供能可靠性指标进行评估。
请参阅图3为本发明提供的一种计算机可读存储介质的实施例示意图。如图3所示,本实施例提供了一种计算机可读存储介质1400,其上存储有计算机程序1411,该计算机程序1411被处理器执行时实现如下步骤:S1,采用K-means聚类方法对电能、气能组成的二维样本数据进行聚类,并采用邓恩法则选择最优聚类数;
S2,建立各类下的电能、气能的二维马尔科夫状态转移矩阵,然后进行降维编码生成状态转移矩阵;
S3,采用逆高斯分布对状态持续时间进行模拟,改善状态转移矩阵因“脊背”性导致的局部状态难以转移的特点;
S4,对状态转移矩阵升维解码,叠加序列波动白噪声,生成历史数据以对IES的供能可靠性指标进行评估。
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、***、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(***)、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。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种电气综合能源***可靠性评估方法,其特征在于,包括以下步骤:
S1,采用K-means聚类方法对电能、气能组成的二维样本数据进行聚类,并采用邓恩法则选择最优聚类数;
S2,建立各类下的电能、气能的二维马尔科夫状态转移矩阵,然后进行降维编码生成状态转移矩阵;
S3,采用逆高斯分布对状态持续时间进行模拟,改善状态转移矩阵因“脊背”性导致的局部状态难以转移的特点;
S4,对状态转移矩阵升维解码,叠加序列波动白噪声,生成历史数据以对IES的供能可靠性指标进行评估。
4.如权利要求3所述的电气综合能源***可靠性评估方法,其特征在于,所述S2具体包括:
首先对二维马尔科夫状态转移矩阵进行降维编码,具体采用的公式(6)如下:
Sr(nk)=(PM(nk)-1)*MG+GM(nk) (6)
式中,Sr(nk)为降维后的离散状态编号;
然后按照公式(6)将第k类中Nk个数据进行全部降维编码,得到Nk个一维离散状态点;一维状态矩阵Num为长度(MP·MG)×1;在一维状态矩阵Sr中,由某一状态转移到另一状态,需要(MP·MG)×(MP·MG)的二维状态转移矩阵来刻画;设矩阵St中元素为sij,则状态转移过程如下:
sij=St(Sr(nk)=j|Sr(nk-1)=i) (7)
式中,i,j分别表示第nk-1状态和第nk状态;sij为状态nk-1转移到状态nk的状态转移数量;
则状态转移矩阵Pr中元素pij定义如下:
式中,pij为由状态i转移到状态j的转移概率;分子∑sij为状态i转移到状态j的数量;分子表示在状态i下向其他状态转移的总数量;
累计概率转移矩阵Pm元素pmi,j定义如下:
式中,pmij为由状态i转移到状态j的累计转移概率。
5.如权利要求4所述的电气综合能源***可靠性评估方法,其特征在于,所述S2之后且在S3之前还包括:根据累计概率状态转移矩阵,按照以下步骤即可模拟生成新的数据状态:
(1)给定一个初始状态Sr(1),即当前状态i=Sr(1);
(2)随机产生一个[0,1]的状态随机数rand,计算rand在状态i时对应的累计转移概率区间:
式中,因数据降维后状态转移矩阵为稀疏矩阵,设定判断条件,若pmiM=0,说明没有数据落在状态i上,此时取相连状态i+1继续模拟生成;若pmiM≠0,则J1和J1+1为转移概率区间对应的状态,即J1为下一转移状态;
(3)重复步骤(1)至步骤(2),直到产生预设量的转移状态。
6.如权利要求4所述的电气综合能源***可靠性评估方法,其特征在于,所述S3具体包括:首先对原始数据状态Sr(nk)的每一状态持续时间进行统计,并计算持续时间的概率分布,针对每一状态的概率分布采用逆高斯分布进行拟合,其拟合函数公式如下:
式中,x为状态持续时间概,μ和λ为逆高斯分布,其中μ=1,然后选择最优的λ进行拟合,参数λ的确定采用试探法,以0.01的间隔计算不同λ的逆高斯分布与原始分布的均方差,选择最小均方差的λ为最终高斯分布参数,即得到每一状态的持续时间概率分布函数F(Sr);
按照F(Sr)分布生成当前状态持续时间L,即当前数据状态保持L个时刻,当状态长度大于L后必须转跳下一状态,状态间的转跳仍按照累计概率转移矩阵Pm进行,生成新的状态,设定下一状态不得与当前状态一致。
7.如权利要求1所述的电气综合能源***可靠性评估方法,其特征在于,所述S4具体包括:先将一维状态进行解码操作,对应还原到气-电二维数据平面中,然后再在每一维的气负荷功率、净电负荷功率上叠加波动分量。
8.如权利要求7所述的电气综合能源***可靠性评估方法,其特征在于,所述S4中供能可靠性指标包括:IES供能不足率、供电可靠性指标及供气可靠性指标。
9.一种装置,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-8任一项所述的电气综合能源***可靠性评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-8任一项所述的电气综合能源***可靠性评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111460543.8A CN114139964A (zh) | 2021-12-02 | 2021-12-02 | 一种电气综合能源***可靠性评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111460543.8A CN114139964A (zh) | 2021-12-02 | 2021-12-02 | 一种电气综合能源***可靠性评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139964A true CN114139964A (zh) | 2022-03-04 |
Family
ID=80387222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111460543.8A Pending CN114139964A (zh) | 2021-12-02 | 2021-12-02 | 一种电气综合能源***可靠性评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139964A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758736A (zh) * | 2022-11-21 | 2023-03-07 | 国网甘肃省电力公司营销服务中心 | 基于改进mcmc模拟数据对ies可靠性评估的方法 |
-
2021
- 2021-12-02 CN CN202111460543.8A patent/CN114139964A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758736A (zh) * | 2022-11-21 | 2023-03-07 | 国网甘肃省电力公司营销服务中心 | 基于改进mcmc模拟数据对ies可靠性评估的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175386B (zh) | 变电站电气设备温度预测方法 | |
CN111401757B (zh) | 一种计及时空相关性的多区域电力负荷时序场景建模方法 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
CN110443724B (zh) | 一种基于深度学习的电力***快速状态估计方法 | |
CN107133695A (zh) | 一种风电功率预测方法和*** | |
CN109492748B (zh) | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 | |
CN112883632B (zh) | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 | |
CN109038675B (zh) | 基于风电波动多尺度分解的建模方法 | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、***及设备 | |
CN114139964A (zh) | 一种电气综合能源***可靠性评估方法及装置 | |
AU2021106200A4 (en) | Wind power probability prediction method based on quantile regression | |
CN113312807B (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 | |
CN111199363A (zh) | 一种最大相关性筛选算法实现拓扑识别方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及*** | |
CN113884936B (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
CN110782080B (zh) | 一种基于种群性能排序选择的电力***结构优化方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及*** | |
CN114881176A (zh) | 一种基于自适应优化随机森林的非侵入式负荷识别方法 | |
CN115374823A (zh) | 一种基于tlbo算法的电能质量扰动分类方法及*** |
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 |