基于模型-数据联合驱动的电-气综合能源系统区间状态估计

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%。

基于模型-数据联合驱动的电网扰动定位方法

快速准确的电力系统扰动定位是实施及时有效的控制措施的重要前提。广域同步相量量测为快速准确的扰动定位提供了数据基础,同时刻画扰动传播的连续体动力学模型为扰动定位提供模型支撑。结合同步相量测量单元(phasor measurement unit,PMU)量测数据和扰动传播模型,该文提出一种基于模型–数据联合驱动的电网扰动定位方法。首先通过对PMU量测数据进行奇异谱分析和计算累计平方和指标来实现扰动检测。进而在部分PMU确定的子拓扑内,分别通过量测数据和传播模型提取二维时空特征。最后根据扰动传播过程中时空特征之间的相关性,提出基于度量学习的双通道三元孪生网络的扰动定位方法,仅利用部分PMU量测信息即可快速定位扰动位置,为后续抑制扰动的主动控制策略的投切奠定基础。基于IEEE 10机39节点系统,验证所提方法的有效性和鲁棒性。