[发明专利]一种基于DNN的电热综合能源系统快速状态估计方法及介质

说明书

本发明公开一种基于DNN的电热综合能源系统快速状态估计方法及介质，该方引入数据驱动理论，利用蒙特卡洛采样方法模拟电、热负荷分布，通过对负荷数据耦合潮流计算获得电‑热耦合IES运行数据。利用子网络参数之间的相关性分析进行特征提取，根据特征提取结果划分数据集，向数据集中的量测量叠加高斯白噪声模拟实际量测量，训练并测试深度神经网络。根据相关性分析结果提取实际量测量，输入快速状态估计模型，获得状态量。本发明所提电‑热综合能源系统快速状态估计模型能够有效提高状态估计精度，减少状态估计时间，为电‑热综合能源系统的调度提供实时、准确的运行数据。

技术领域

本发明涉及电力系统领域，具体是一种基于DNN的电热综合能源系统快速状态估计方法及介质。

背景技术

风电、光伏等能源存在随机性和间歇性的特点，发电量不易控制，容易引起电网波动。可见，仅依赖电能进行能源传输难以最大化利用清洁能源。综合能源系统(integratedenergy system，IES)通过引入热能、天然气等能源形式，使得电能可以多种形式存储和传输，提高清洁能源利用率。

对综合能源能源系统引入状态估计(state estimation，SE)，可以利用量测量的冗余，得到更准确的估计值，获取更准确的系统运行状态。董今妮、孙宏斌等人提出了将加权最小二乘法(weighted least square，WLS)运用于电-气IES 和电-热IES状态估计，结果表明相对于电网的独立状态估计，联合热网或气网进行状态估计可以增加网络的冗余度，从而提高估计效果，减少白噪声对量测量的影响。针对WLS抗差性能较差的问题，陈艳波、郑顺林等将加权最小绝对值方法(weighted least absolute value，WLAV)应用于电-气综合能源系统状态估计，其研究结果证明了WLAV对于不良数据的辨识能力。但是该方法在求解过程中仍存在计算效率低的问题。WLS和WLAV都属于模型驱动的方法，以模型为核心，通过代数方程来映射量测量与状态量之间的关系。随着模型的复杂化和计算机性能的限制，该类方法计算效率成比例地下降，阻碍了其在实际工程中的应用。

基于数据驱动的状态估计方法也在不断发展。IES相比于单一的电力系统，增加了大量的多源异构数据，充分利用这些数据可以提高IES的联合状态估计精度和抗差能力。俞文帅等人分析电力系统中量测量与状态量的线性关系并进行特征提取，利用深度神经网络学习量测量与状态量的映射。兰浦哲等人将电- 气综合能源系统运行数据编为序列数据，利用长短期记忆深度学习网络学习量测量与状态量之间的时序关系，验证了该基于数据驱动方法的有效性与鲁棒性。

利用传统方法的电-热综合能源系统状态估计模型缺乏对电网和热网、量测量与状态量耦合特性分析和数据挖掘手段，电-热综合能源系统的状态量不能进行快速、实时估计。

发明内容

本发明的目的在于提供一种基于DNN的电热综合能源系统快速状态估计方法及介质，通过蒙特卡洛采样方法模拟扩充量测量与状态量数据集，其次通过相关性分析挖掘电网数据、热网数据和热电联产机组数据、量测量与状态量的关系并进行特征提取，最后划分数据集训练DNN，将实际量测量输入训练好的 DNN输出状态量估计值，利用相关性分析获得电网、热网和热电联产机组的相关性，量测量与状态量的相关性，并进行特征提取，挖掘了数据的耦合特性，降低了模型的维度，提高了估计效率；通过深度神经网络自学习量测量与状态量的非线性关系，在应用时可以快速准确的输出结果。

本发明的目的可以通过以下技术方案实现：

一种基于DNN的电热综合能源系统快速状态估计方法，所述估计方法包括以下步骤：

S1:对电热综合能源系统实际负荷进行蒙特卡洛采样，经过电-热耦合潮流计算扩充系统运行数据，对系统运行数据设置各参数的阈值，去除不符合收敛条件的样本；

S2:利用皮尔逊相关系数对系统运行数据进行相关性分析，选择相关系数绝对值大于等于0.4的量测量作为对应状态量的特征；