近年来,清洁低碳的电-气综合能源系统(electricity-gas integrated energy system,EGIES)受到了广泛关注。然而,EGIES涉及不同能源形式的设备量测与信息传输,数据误差的产生因素复杂且不确定性突出,导致确定性的点状态估计可信度不足,...近年来,清洁低碳的电-气综合能源系统(electricity-gas integrated energy system,EGIES)受到了广泛关注。然而,EGIES涉及不同能源形式的设备量测与信息传输,数据误差的产生因素复杂且不确定性突出,导致确定性的点状态估计可信度不足,为系统安全稳定运行带来严峻挑战。针对此问题,提出基于模型-数据联合驱动的EGIES区间状态估计方法。建立EGIES加权最小二乘(weighted least square,WLS)点状态估计模型,并利用人工鱼群算法(artificial fish swarms algorithm,AFSA)求解;考虑估计结果置信水平,利用核密度估计(kernel density estimation,KDE)构造点状态估计误差区间,进而得到区间状态估计结果;基于量测量样本与区间状态估计结果样本,训练长短期记忆(long short term memory,LSTM)神经网络得到EGIES快速区间状态估计模型。以30节点电力系统与14节点天然气系统耦合的EGIES进行算例分析,结果表明,所提区间状态估计方法的区间覆盖概率均保持在置信度水平之上。同时所提方法测试集在线估计时间仅为13.97s,相比于WLS-NR-KDE方法与WLS-AFSA-KDE方法分别降低76.44%与94.00%。展开更多
文摘近年来,清洁低碳的电-气综合能源系统(electricity-gas integrated energy system,EGIES)受到了广泛关注。然而,EGIES涉及不同能源形式的设备量测与信息传输,数据误差的产生因素复杂且不确定性突出,导致确定性的点状态估计可信度不足,为系统安全稳定运行带来严峻挑战。针对此问题,提出基于模型-数据联合驱动的EGIES区间状态估计方法。建立EGIES加权最小二乘(weighted least square,WLS)点状态估计模型,并利用人工鱼群算法(artificial fish swarms algorithm,AFSA)求解;考虑估计结果置信水平,利用核密度估计(kernel density estimation,KDE)构造点状态估计误差区间,进而得到区间状态估计结果;基于量测量样本与区间状态估计结果样本,训练长短期记忆(long short term memory,LSTM)神经网络得到EGIES快速区间状态估计模型。以30节点电力系统与14节点天然气系统耦合的EGIES进行算例分析,结果表明,所提区间状态估计方法的区间覆盖概率均保持在置信度水平之上。同时所提方法测试集在线估计时间仅为13.97s,相比于WLS-NR-KDE方法与WLS-AFSA-KDE方法分别降低76.44%与94.00%。
