多能源数据驱动的电力信息物理系统综合态势感知模型

罗 涛，孙 阔，张 章，迟福建，王广宗，佟卫超

（国网天津市电力公司 经济技术研究院，天津 300171）

0 引言

随着智能电网和信息技术的发展，电网信息物理融合不断加深，电力系统和信息系统的深度耦合互动为高比例可再生能源电网运行精细化调控提供了技术支撑[1]～[4]。以电网为核心，接入多类型能源转换设备，构建多能源系统，使高比例可再生能源电网具有更强的应对不确定性和随机性的能力。因此，集成了精准高效态势感知信息网络的多能源信息物理融合系统，将成为能源体 系 创 新 与 发 展 的 重 要 方 向[5]，[6]。

近年来，电力信息物理系统不断完善，能源互联网不断发展，电力信息系统状态评估面临巨大挑战。利用态势感知技术，对多能源信息物理融合系统进行综合运行状态分析是未来的重点研究方向。目前，针对电力信息物理系统运行状态分析方法主要有模型驱动和数据驱动两种类型。

模型驱动方法主要指利用系统详细拓扑结构建模，从而建立相关参数的动态变化过程模型，实现对系统的整体性能评估。文献[7]针对高比例风电接入电网的故障识别问题，研究含风电场的电网拓扑模型，并提出基于负载率基尼系数的风电电网健壮性分析方法。为提升多能源系统评估与运行优化结果的可靠性，文献[8]提出多能源系统运行优化控制模型及求解方法，其仿真结果表明，所建立的集群拓扑模型具有电网功率平衡协调的有效性和准确性。然而，模型驱动数学原理复杂，并难以应对高比例可再生能源以及多类型能源接入的复杂电网演化拓扑变化，其在线应用 具 有 一 定 困 难[9]，[10]。

数据驱动方法指利用有监督学习或无监督学习的方法，利用大数据对系统设备级或网络系统级进行建模。文献[11]针对高比例可再生能源电网状态感知问题，提出了基于核主成分分析法的电网状态感知模型，改善模型对于电网状态辨识具有较强的鲁棒性。文献[12]利用蒙特卡洛模拟方法对微电网运行可靠性进行评估，其结果表明该方法具有更高的计算精度。文献[13]针对智能发电系统特性，指出基于数据化特征的智能发电运行控制、公共服务和数据应用系统是未来电力发展的核心领域。因此，数据驱动的电网运行状态辨识模型在提升系统可靠性和降低建模成本方面具有明显优势。

本文在典型多能源信息物理融合系统的拓扑结构基础上，研究多能源数据对于电力信息物理系统运行状态分析的作用机理，提出了电力信息物理系统中用于可靠性评估的系统运行状态划分方法。针对电力信息物理系统正常状态、临界状态、紧急状态和恢复状态的辨识问题，研究基于改进鲁棒偏M估计算法的电力信息物理系统综合态势感知模型。本文以东北某地区电网运行数据为例进行仿真验证，表明所提方法能够实现以可靠性辨识为目标的电力信息物理系统综合态势感知，能够有效提升系统状态辨识的精度和速度。

1 电力信息物理系统态势感知框架

1.1 电力信息物理系统的运行

高比例可再生能源以及多类型负荷接入的电力信息物理系统，由大量电力物理设备和通信信息设备组成（图1）。其中，电力网络利用通信网络采集、传递、处理、计算交互信息，引导电网运行，电力网络为通信网络提供电力供应，从而实现电力信息物理系统协同运行。

图1 电力信息物理系统Fig.1 The structure of power cyber-physical system

电力信息物理系统依赖于电力网络能量流和信息网络信息流的交互体系。电力网络指物理层网络。由于多类型能源设备的接入以及燃气网络的耦合，物理层网络主要包括电锅炉、电转气、燃气轮机、电负荷、热负荷、气负荷以及电力网络和燃气网络。信息网络信息层主要是通过对关键设备的关键参数进行数据采集、传输及处理相关数据的通信网络，指导物理系统运行，对物理层相关设备进行调节。

1.2 电力信息物理系统运行状态分析

电力信息物理系统运行状态可分为正常状态、临界状态、紧急状态和恢复状态。在正常状态下，系统运行过程中主要保证多类型能源供应的质量和系统运行的经济性。在其他状态下，系统须要协调内部可控灵活性资源对状态进行调整，使系统恢复到正常状态。

电力信息物理系统包含多类型能源耦合、传递、消费过程。系统运行状态的改变主要受到电网、多类型负荷以及信息网中关键设备运行状态改变的影响。电力信息物理系统运行状态的主要影响因素如图2所示。

图2 电力信息物理系统运行状态及主要影响因素Fig.2 Operation status and main influencing factors of power cyber-physical system

①正常状态：已处于正常状态的电力信息物理系统受到扰动后，仍可满足关键设备运行状态的所有等式和不等式约束，并且所有关键参数的改变均在允许偏差内。

②恢复状态：恢复状态是短时间内系统受到干扰后所处的状态。在该状态可采用集中、分布控制方法对系统进行恢复调节。

③临界状态：临界状态是存在能源质量波动与稳定性下降等问题的状态。此时系统运行在临界运行约束条件，须要采用稳定控制手段对系统进行调整。

④紧急状态：该状态下电力信息物理系统中的部分关键参数不能满足安全运行的约束条件，须要切除发生故障的能源设备，或者利用可控灵活能源设备的调整，维持整个系统的稳定。

2 基于改进鲁棒估计的综合态势感知模型

面向多能源数据驱动的电力信息物理系统运行状态感知问题是具有复杂过程的复杂系统运行状态评估问题，须要对电力信息物理系统关键参数进行定量划分，对输入和输出数据判别的准确性要求极高。

在多类型能源接入的电力信息物理系统中，由于电力、热力、燃气等多能源的相互协同，在提升网络复杂性的同时，也增强了系统在各种运行场景以及故障风险下的应对能力。例如，热力系统或燃气系统等具有较大惯性或恢复能力的系统，在发生能源供应设备故障、供需不平衡或信息传输设备故障时，对于整个电力信息物理系统的影响程度也不相同，此时系统状态评估结果不仅依赖于故障本身，也依赖于系统整体协调恢复能力。电力信息物理系统的正常状态、临界状态、紧急状态和恢复状态的评估，与单一设备故障或多个设备故障之间具有非线性关系，单一设备故障或多个设备故障所对应的权重也具有不确定性。由于传统最小二乘算法估计难以应对多能源数据驱动系统状态辨识的复杂性、协同性和不确定性，因此应当采用具有自适应能力的鲁棒估计算法。

鲁棒偏M估计算法是一种单输出变量的加权迭代偏最小二乘算法的鲁棒形式，能够有效解决输入和输出数据的高不确定性和高残差对评估结果所带来的影响。

设电力信息物理系统运行在不同状态下，电网电压、频率、热网管道流量、温度、燃气网管道流速、压力、信息网数据延时、数据缺失等关键设备运行数据矩阵为

式中：N为样本数；J为过程变量数。

输 出 矩 阵 为y=KN×1。

由于过程数据变量波动均涉及电力信息物理系统运行状态变化，当网络状态变量偏离各自允许范围时，电力信息物理系统运行状态发生相应变化，4种运行状态会循环或交替出现。确定各个状态之间的边界是整个系统运行状态精准辨识的关键环节，因此对X，y进行加权处理，对加权后的数据进行回归分析：

式（2）中，得 分 矩 阵T∈KN×A关 于X的 对 应 关系可以表示为

式中：W为原权重系数矩阵。

根据鲁棒偏M估计算法对于样本综合权值ωi的定义，综合权值代表单一设备故障或多个设备故障所对应的电力信息物理系统运行状态的动态权重：

式中：T为样本数据的得分矩阵，其第i行即为ti；medL1为T的空间中位值；‖·‖为欧几里得度量；ri为模型预测误差；为模型预测误差的估计值或中值，；c为自然常数。

反复迭代计算更新T，r，从而更新权值，直到满足收敛条件为止。收敛过程除了具有计算意义之外，也代表了多类型能源接入的电力信息物理系统在应对不同故障类型或能量流、信息流不平衡时的协同应对能力。对加权后的数据XW进一步分解，提取与输出相关的过程变量：

式中：twy为经过鲁棒偏M估计算法处理后的回归模型得分矩阵，与系统运行状态指标yw直接相关的过程变化信息；Tw0为回归模型得分矩阵T中与系统运行状态指标yW无关的内容；Twr为残差矩阵E中残留的过程信息；Ewy为白噪声部分；pwy，Pwo和Pwr为 相 应 的 负 载 矩 阵。

改进鲁棒偏M估计算法，将输入数据矩阵XW分解为4个子空间，因此，对于一个新的样本数据向量xw可以分解为

式中：xwy为样本数据中与系统运行状态指标xw直接相关的数据部分；xwo为与xw无关的数据部分；xwr为偏差数据中残留的过程数据部分；wr为白噪声数据部分。

改进鲁棒偏M估计算法能够准确地提取出与输出相关的电力信息物理系统在正常状态、临界状态、紧急状态和恢复状态等不同运行状态下的过程变化信息，实现电力信息物理系统综合态势感知，对于系统状态感知结果既具有较强的鲁棒性，又具备对过程变化信息精准提取的能力。

算法具体步骤如图3所示。

图3 改进鲁棒偏M估计算法流程图Fig.3 Algorithm flow chart of improved robust partial M estimation

3 算例分析

根据东北某地区电网实际运行数据，建立包含电锅炉、电转气、燃气轮机、电负荷、热负荷、气负荷以及电力网络和燃气网络的多能源电力信息物理系统仿真数据模型。模型调度周期为24 h，单位调度步长为1 h，调用CPLEX进行求解。

电力信息物理系统的运行状态与多类型能源设备、能源网络和可再生能源及负荷的不确定性相关。本文结合实际运行情况，选取电网电压、频率，热网管道流量、温度，燃气网管道流速、压力，信息网数据延时和数据缺失8个变量作为电力信息物理系统运行状态感知的监测变量。考虑系统运行实际情况，选取电力信息物理系统的正常状态、临界状态、紧急状态和恢复状态等4种状态作为系统运行状态综合态势感知的状态等级。采集800组运行数据建立多能源数据驱动型系统综合态势感知模型。

图4为电力信息物理系统的综合态势感知结果。

图4 综合态势感知结果Fig.4 Comprehensive situational awareness results of the system

由图4可知，模型对正常、临界、紧急和恢复等4种运行状态都能准确辨识。各个状态的相似度阈值在0.5以上，能够有效提升系统状态辨识精度，并且也能减少对于离群状态的误识别。

为验证所提出方法在多类型能源接入的电力信息物理系统动态过程中评估系统状态的有效性，设置了在正常状态下系统出现两种典型故障，即热网管道流量故障和燃气网管道压力故障，采用本文所提方法对系统动态状态进行分析。

图5和图6分别为热网管道流量故障、燃气网管道压力故障下系统综合态势感知结果。图中横轴为运行时间；纵轴为系统运行状态类型，即包括正常状态、临界状态、紧急状态和恢复状态，分别 用1，2，3，4表 示，阈 值 取ε≥0.5。

图5 热网管道流量故障下综合态势感知结果Fig.5 Comprehensive situational awareness results considering the flow failure of heating network

图6 燃气网管道压力故障下综合态势感知结果Fig.6 Comprehensive situational awareness results considering the pressure failure of gas network pipelines

由图5和图6可知，热网管道流量故障和燃气网管道压力故障会对系统状态产生影响，但由于多种类能源之间的耦合支撑作用，当系统中较大惯性能量流发生改变时，系统依靠不同能源之间的转换、传输，抵御系统进入紧急状态的风险，使系统整体可靠性增强，保持正常状态。本文所提出的基于鲁棒估计综合态势感知方法，也能对系统故障的动态过程进行正确辨识，从而得到实际状态下的精准状态评估结果。

为验证本文所提出的电力信息物理系统综合态势感知模型对系统运行状态在线评价以及系统动态过程评估的准确性，设置故障类型为正常状态下热网管道流量故障，并与传统最小二乘辨识方法进行比较。图7为本文所提方法和传统最小二乘辨识方法的相对误差收敛情况对比结果。由图7可知，传统最小二乘辨识方法收敛所需数据量大，表明本文所提出的方法对于系统态势感知泛化能力强，具有较快的收敛特性。本文所提出的鲁棒估计方法的相对误差比传统方法的相对误差更小，具有较强的适应性。由此显示本文所提出的方法能够为多类型能源接入的电力信息物理系统的稳定性辨识与评估提供理论依据。

图7 相对误差收敛情况对比结果Fig.7 Comparison result of relative error convergence

4 结论

本文考虑电力信息物理系统中影响系统运行状态的关键因素，研究面向可靠性评估的电力信息物理系统运行状态划分方法，提出了基于鲁棒估计的电力信息物理系统正常状态、临界状态、紧急状态和恢复状态等4种不同状态的辨识方法，建立了数据驱动的电力信息物理系统综合态势感知模型。以东北某地区电网运行数据为例对模型进行验证，通过算例仿真及其结果分析表明，本文所提出的方法能够实现以可靠性辨识为目标的电力信息物理系统综合态势感知，能够为电力系统稳定运行提供可靠的技术支撑。