综合能源系统运行可靠性评估评述I：模型驱动法

朱继忠 骆腾燕 吴皖莉 李盛林 董瀚江

（华南理工大学电力学院 广州 510641）

0 引言

随着经济社会的快速发展，全球能源消耗量激增，能源压力正在逐步增大。传统的供能系统多以不可再生的化石能源为主，会导致环境问题加剧，并且各供能子系统之间的单独设计和运行也导致了能源利用率低下[1]，容易造成一次能源的浪费与可再生能源的消纳困难，这与可持续发展的理念背道而驰。现今，如何打破传统供能系统的壁垒，提高能源系统的综合利用率，保障其供能可靠性已然成为国内外的研究热点[2]。以电力系统为核心，由多种供能子系统耦合而成的综合能源系统（Integrated Energy Systems,IES）能够有机地协调各类能源的分配、转换、存储和消费，实现社会能源系统的转换利用、协同优化和耦合互补，将成为未来能源的主要承载形式[3-7]。

目前，对于IES 的研究已成为国内外能源领域未来发展的重要战略方向[8]。作为运行优化与稳定控制过程中的关键技术，IES 的运行可靠性评估方法得到了广泛的研究。运行可靠性定义为计及设备自身健康状况、外部环境条件、系统运行条件和系统运行行为时，系统在短期内按可接受的质量标准和所需数量不间断地向用户提供能量的度量[9]。与传统的可靠性评估不同，运行可靠性更关注设备在实时运行状态下的时变可靠性。IES 受设备故障及随机停运等内部因素的影响，同时外部的不确定性运行条件也给系统的可靠运行带来威胁。进行运行可靠性评估的主要目标不仅是实现对系统运行状态的实时评估与监测，而且可以基于系统运行实时状态信息，实现薄弱环节的精准快速定位，并对短期可能面临的运行风险进行科学预测，从而给出未来短时间内的综合控制方案、辅助决策、运行调度指导等关键信息，保障IES 持续高效安全的稳定运行。

IES 运行可靠性评估与电力系统运行可靠性评估的区别在于，IES 的运行可靠性评估中需考虑不同供能子系统的耦合带来的运行状态的改变，以及面临更多的运行不确定性。随着IES 内部设备数量的不断增加，以及子系统间耦合关系的日益紧密，影响系统运行稳定性的因素不断增多，系统运行数据库规模进一步扩大，因此，进行IES 的运行可靠性评估对多能耦合系统的故障定位、薄弱环节识别、保障系统安全稳定具有重要的指导意义。目前，电力系统及IES 的运行可靠性评估方法主要分为模型驱动和数据驱动两种。

模型驱动的运行可靠性评估主要借助具体数学模型对系统运行状态进行评估计算。文献[5]考虑系统的多时间尺度特性及热惯性和多能互济的运行策略，采用基于马尔可夫链的蒙特卡洛法评估IES的运行可靠性，但对热惯性的建模过程并未体现系统出力的实时特性。文献[10]分析了能源间的耦合逻辑关系和能源品味差异，建立考虑设备出力时序特性的IES 运行可靠性评估模型，但并未考虑供能子系统运行状态变化对整体运行可靠性的影响。文献[11]为量化多重不确定性因素对IES 运行可靠性的影响，提出了一种输配一体化的运行多指标评估方法。但在运行可靠性指标方面只采用传统的系统可靠性指标，在时间尺度上难以满足运行层面对系统可靠性进行实时评估的要求。

数据驱动的运行可靠性评估主要借助人工智能技术对系统运行状态进行评估。随着人工智能技术的发展，数据驱动的技术如机器学习法、模糊理论法等，因其强大的数据处理、非线性拟合能力及自学习能力，在电力系统及IES 的运行分析与可靠性评估方面得到了初步应用。文献[12]对IES 运行可靠性评估方法进行了综述，并提出了模型-数据混合驱动的评估新思路，但是在建模环节对耦合设备的考虑较少，且对混合驱动评估方法的研究现状介绍较少。文献[13]对机器学习在电力系统和IES 中的应用进行了综述，主要介绍了机器学习的原理及在系统调度优化和控制决策方面的应用，未对利用机器学习进行运行可靠性评估的问题进行阐述。文献[14]对数据驱动的IES 评估进行了研究现状的总结，但并未全面指出数据驱动技术在解决运行可靠性评估问题方面的局限性。文献[15]对典型的人工智能技术进行介绍，并综述了其在电力系统及IES中的应用，但对故障检测和可靠性评估方面的叙述并不全面。

目前，关于IES 运行可靠性评估的研究工作主要在设备运行可靠性建模方法、系统运行可靠性评估方法及运行可靠性评估指标体系三方面存在不足：

（1）在设备运行可靠性建模方面，现有的设备故障停运模型很难反映设备在可再生能源接入、负荷多样性等多重不确定因素下运行的时变特性，需深入挖掘导致设备故障停运的各因素之间的内在联系，建立全面考虑运行不确定性因素影响的符合设备运行层面要求与定位的运行可靠性模型；且随着系统规模逐渐扩大，电力系统中仅对独立设备进行运行可靠性建模的方法已经不适用于IES 的建模评估，对IES 中耦合设备及耦合环节进行准确的建模问题亟需解决。

（2）在系统运行可靠性评估方法方面，单纯依靠模型驱动的运行可靠性评估方法易受到计算速度与精度间矛盾的限制，已不适用于处理计算高维非线性系统的运行数据；数据驱动的可靠性评估方法虽然有处理速度与计算精度的优势，但其可解释性较弱，限制了其发展与应用。兼顾速度、精度与可解释性的运行可靠性评估算法尚待发展。

（3）在运行可靠性评估指标体系方面，考虑IES内部天然气与热力系统的传输具有明显的时延特性，现有指标体系尚不能实现IES 运行可靠性的多维度、多时间尺度的全面评估，且对于衡量多能耦合程度及能源出力优先级和在线识别系统薄弱环节等核心问题的IES 运行可靠性评估环节尚没有认可度较高的指标；另外，现有指标存在多样化且标准不统一的现象，存在大量信息重叠，指标体系内部的权重分配与重要程度排序尚未实现，上述指标体系内容的缺失与信息冗余均会导致最终评估结果较为粗糙。

本文对现有的IES 运行可靠性评估研究现状进行了进一步梳理，在此基础上提出了IES 运行可靠性评估的新思路。首先，从模型驱动及数据驱动两方面详细介绍了IES 设备运行可靠性建模的研究现状及各种建模方法存在的问题；然后，从模型驱动、数据驱动、模型-数据混合驱动三个方面详细梳理了IES 运行可靠性评估方法的研究现状，并分析总结其优势和不足；最后，对IES 运行可靠性分析建模与评估方法中的现存关键科学问题进行展望，并提出人工智能背景下模型-数据混合驱动的IES 运行可靠性建模与评估的新思路。为保证文章内容的完整性与连贯性，笔者组织了上下两篇系列论文，本文为上篇，主要内容为对模型驱动的IES 设备运行可靠性建模及IES 运行可靠性评估进行研究现状的综述，并对现存问题进行归纳总结。

1 模型驱动的IES 设备运行可靠性建模

对设备状态概率的时变特性及供需不确定性进行建模，是设备运行可靠性评估的内在需求，也是其区别于常规可靠性评估的特点[12]。设备的时变特性由运行条件的多样性等外部因素和设备本身故障的随机性等内部因素共同决定，而设备运行时的供需不确定性主要由负荷的多样性及可再生能源接入等带来的运行不确定性引起。对设备进行运行可靠性建模，是分析系统运行状态、评估系统运行可靠性的基础。

按照是否参与异质能流间的耦合转换与互补利用，IES 中的设备可分为独立设备及耦合设备两种。独立设备中电/气/冷/热各类能源维持自身特有的能质属性，不存在异质能流间的耦合转换问题，而耦合设备可以实现不同种能量间的转换利用[16]。如图1 所示，常见的独立设备有输电线路、燃气管道、热力管网及储能装置等；常见的耦合设备如参与电-气耦合的电转气（Power to Gas,P2G）装置、燃气轮机，参与气-热耦合的燃气锅炉，参与电-气-热耦合的热电联产（Combined Heat and Power,CHP）机组，参与电-气-冷-热耦合的冷热电联供）Combined Cooling Heating and Power,CCHP）机组，参与冷-热耦合的吸收式制冷机等。

图1 IES 耦合结构示意图 Fig.1 Schematic diagram of IES coupling structure

模型驱动的IES 设备运行可靠性建模方法主要有模型解析法及马尔可夫多状态法两种，其研究现状总结见表1。

表1 模型驱动的设备运行可靠性建模方法研究现状 Tab.1 Research status of model-driven equipment operational reliability modeling methods

1.1 模型解析法

基于模型解析法的设备运行可靠性建模通过建立故障设备的状态合集，以设备的实际运行状态和期望状态的偏差最小为目标建立优化模型，进而实现设备故障诊断与建模[17-18]。现有研究通常采用分段解析模型[18-19]或全解析模型[20]进行设备运行可靠性建模分析。

基于模型解析法的设备运行可靠性建模依靠较强的理论依据与数学基础，具有易实现、模型稳定、可靠性高等优点。但是，随着系统维度增高、运行状态增加及运行不确定性因素的影响，会导致设备模型过于复杂，造成求解困难等问题。在建模过程中，如果将高维影响因素和不确定性因素理想化处理，又会使建模不准确。利用模型解析法对设备进行建模时，如何在构建考虑多故障信息影响因素的同时提高模型的精度和效率，是后续需要重点研究的问题。

1.2 马尔可夫多状态法

基于历史数据的传统可靠性建模方法无法刻画设备及系统故障的实时特性。而马尔可夫过程认为系统下一时刻的状态只能与当前状态有关，而与历史状态无关，具有典型的“无记忆性”特点[35]。其数学表达式为

式中，Pr(tk+1)为系统在tk+1时刻所处的状态概率。马尔可夫过程适用于建立基于实时运行条件的设备时变可靠性模型[36]，为系统运行状态的实时监测和可靠性建模提供了新思路。现有研究通常采用马尔可夫两状态[37-38]或多状态[39-40]法对设备进行建模。马尔可夫状态转移图如图2 所示。

图2 马尔可夫状态转移图 Fig.2 Markov state transition diagram

图2a 中，λ和μ分别为元件的故障率和故障的修复率；元件的平均无故障工作时间MTTF 和平均故障修复时间MTTR 与λ和μ的关系为[37]

图2b 中，λi和μi（i=1,2,3,…,n）分别表示故障因素i所引起的故障率和故障的修复率。马尔可夫多状态模型的状态概率转移矩阵为[35]

马尔可夫多状态法可以实现设备实时故障信息的定位，非常适用于考虑时变特性的设备运行可靠性建模。但是，马尔可夫多状态法认为导致设备停运的各个影响因素是相互独立的，忽略了故障因素内部的关联性[12]。随着IES 内部和外部影响因素逐渐增多，影响设备实时可靠性的因素大大增加，各因素相互关联且共同对设备运行可靠性产生影响，使用马尔可夫多状态法可能会导致模型不清晰，从而使运行可靠性模型存在局限性。

IES 的设备运行可靠性建模从建模原理上可分为模型驱动的建模及数据驱动的建模两种。关于基于数据驱动方法进行建模的研究现状及对现有建模方法所存不足的阐述，将在本系列论文的下篇中进行详细总结评述。

2 模型驱动的IES 运行可靠性评估

模型驱动的运行可靠性评估是一种具有广泛研究基础的评估方法，大部分依靠概率与数理统计等数学知识和数学模型来实现，具有简明便捷、容易应用的特点，模型推导过程缜密严谨，较为成熟。模型驱动的运行可靠性评估如图3 所示，模型驱动的IES 运行可靠性评估方法通常包括系统状态生成与选取、系统状态分析与评估、可靠性指标建立与计算三个主要步骤。下文对模型驱动的IES 运行可靠性评估的研究现状与存在问题进行详细综述。

图3 模型驱动的运行可靠性评估 Fig.3 Model-driven operational reliability assessment

2.1 研究现状

2.1.1 系统状态生成与选取

基于运行可靠性实时数据库及评估模型，系统状态生成与选取通常采用蒙特卡洛（Monte Carlo,MC）模拟法来实现。MC 模拟是使用概率分布函数来确定随机变量值的随机抽样模拟技术[43]，是在领域内生成海量仿真系统运行状态的理论基础[44]。MC 模拟可以通过仿真生成大量的运行可靠性场景数据，如系统的负荷大小、随机行为或者供能可用性等，为后续系统状态的分析提供了数据来源，在IES 的可靠性评估工作中起到了巨大的推动作用。

根据是否考虑系统运行状态的时序，MC 模拟一般分为序贯MC 模拟和非序贯MC 模拟两种。序贯MC 是指对系统运行状态的时序模拟，非序贯MC虽然不考虑系统的时间状态序列，但计算速度较序贯MC 更快[45]。MC 模拟是一种有广泛研究基础的统计实验方法，被大量应用于系统的状态抽样及运行可靠性评估。在足够长的仿真时间里，使用MC模拟可以考虑系统几乎所有的运行状态，如负荷的时变特性、设备的修复特性、运行的随机性、供需不确定性等，获得很高的计算精度。但是，MC 模拟需要较长的计算时间和较大的计算规模来保证结果的可靠性，如何在保证模拟精度的同时提升模拟速度，是应用MC 模拟亟需解决的问题。文献[46]采用非序贯MC 模拟对考虑不同运行模式的系统在单一或多种意外情况下的可靠性进行了评估，并提出用两步状态采样、区域划分和最小路径搜索等技术来提高模拟速度。文献[47]提出一种计及多状态离散型和连续型随机变量的扩展交叉熵法，并通过算例验证了该方法可以有效克服传统非序贯MC 模拟收敛慢的特点，实现高效评估。文献[48]基于序贯MC 模拟，提出一种考虑最优负荷削减和热负荷惯性的IES 可靠性评估方法。

另外，MC 模拟随机采样所得到的只是独立样本序列，而未考虑系统各个样本间的相互影响，不符合IES 中各部分深度耦合、各运行状态相互影响的特点，使用独立元素的抽样方法必然会使模拟结果存在偏差。为解决上述问题，文献[49]提出马尔可夫链蒙特卡洛法（Markov Chain Monte Carlo,MCMC），它将随机过程中的马尔可夫过程引入MC过程，以实现动态MC 模拟。其基本思路是：通过重复抽样，建立一个平稳分布与系统先验概率分布相同的马尔可夫链，从而得到系统的状态样本，并基于样本进行可靠性评估。此方法突破了传统MC模拟的静态局限，实现了MC 模拟的动态采样。又由于每条马尔可夫链均收敛于同一分布，使得MCMC 算法具有很好的收敛性。文献[28]利用马尔可夫过程对IES 中的能量耦合设备状态变化过程建模，并通过MC 模拟对其状态进行选择，将其状态随机变量纳入能源集线器（Energy Hub,EH）的能量平衡方程来评估系统的运行可靠性。文献[50]基于MCMC 法模拟IES 在很长一段时间的状态变化，得到系统的状态样本，并使用区域划分和最小路径搜索法对系统状态进行选择。文献[51]用实际算例证明了MCMC 模拟在收敛速度和算法稳定性上均明显优于传统MC 模拟。文献[52]基于三维状态转移概率矩阵对MCMC 法进行改进，以优化MCMC 法状态转移概率随状态持续时间增长而变化的问题。

2.1.2 系统状态分析与评估

系统状态分析与评估包含两部分：能流计算与负荷削减计算[50]。能流计算相当于对IES 进行稳态潮流的建模与计算；而当系统发生故障，供能系统无法满足所有负荷时，需要削减负荷以使系统恢复稳定运行，此过程中所产生的计算称为负荷削减计算。在系统进行负荷削减时，要充分考虑负荷的相对重要程度差异，优先保障重要等级更高的负荷的运行可靠性[2]。究其本质，能流计算与负荷削减计算都是对最优能流问题的求解。

目前，能流计算较为常用的方法为牛顿-拉夫逊法和前推回代法。文献[39]对气电耦合IES 的运行方式进行研究，建立了其供电可靠性评估模型，并提出耦合系统可靠性评估的解析算法。文献[53]对电网、气网及水网分别进行稳态建模后，结合IES内部耦合设备及耦合方程，进一步提出电-气-水混合潮流模型。文献[54]综合考虑不同耦合形式及能源供应模式下电网与气网的约束条件，给出IES 的完全解耦、部分解耦及完全耦合三种运行模式，并提出对应的潮流算法。文献[55]同时考虑电-气互联IES 系统中的能源耦合设备的作用、新能源机组出力不确定性及负荷随机变化，提出一种新的潮流顺序求解方法。文献[56]根据耦合设备CHP 机组与P2G 机组是否参与系统工作将IES 的运行模式分为四种，并提出四种不同模式下的IES 多能潮流的交替迭代形式和求解方法。文献[57]提出了顺序计算法和一体化计算法两种混合潮流计算方法，分别对子系统的潮流问题进行单独求解和对耦合系统的潮流问题进行统一求解，进而对IES 进行能流分析。文献[58]提出一种基于聚类抽样的随机潮流计算方法来提高计算速度和精度。文献[59]基于加强非支配解占优关系的多目标差分进化算法进行电-气互联IES 的最优潮流计算。文献[60]提出了一种分层解耦优化算法来优化负荷削减模型，并引入基于影响增量的状态枚举法和高阶偶发事件的规约法，进一步提高可靠性评估的计算速度。

IES 复杂庞大的耦合结构使得其能流问题求解过程愈发复杂，需求解大量的高维非线性能量流方程组。采用传统的牛顿-拉夫逊法会造成数值稳定性的问题，导致计算精度下降。文献[61]考虑IES 中的强非线性模块，采用了一种采用多点线性半不变量法的电-热互联IES 概率潮流算法。文献[62]提出了一种电-热互联IES 潮流线性化模型，克服了传统物理模型的数值稳定性问题。将非线性模块强行线性化处理，虽然提高了计算速度，但会使得模型的计算精度下降。

除了上述基本潮流计算的衍生算法外，学术界也对IES 能流分析进行了诸多有益探索。文献[63-66]基于电路理论中“场”到“路”的推演方法论，提出统一能路理论，分别对气网和热网进行基于能路理论的建模和分析，导出了与电力网络在数学形式上统一的网络矩阵和网络方程，并对模型进行简化和计算，进而分析IES 的运行状态。

随着系统耦合程度及运行状态的增加，IES 的能流计算问题过程中的高维非线性分量逐渐增多，传统计算方法只能通过简化或忽略非线性分量进行混合潮流计算，计算过程繁杂，计算难度高，容易造成数值稳定性问题，同时计算精度也无法保证。

2.1.3 可靠性指标建立与计算

可靠性指标建立与计算旨在量化分析系统运行风险发生的可能性及可能导致的严重后果，是系统状态的判断依据。建立合理的运行可靠性评估指标体系，有利于及时发现系统中的薄弱环节，并对其改造建设及优化运行提供合理的参考和指导。基于指标体系的评估结果，可实现定量分析影响系统运行可靠性的关键因素，实现系统薄弱环节的快速定位，为后续控制决策方案的制定及运行可靠性的提高提供参考。运行可靠性评估指标体系不仅要反映系统的供能裕度信息，还要充分考虑运行约束条件；不仅要能评估系统整体的运行可靠性，也要能够对关键设备、重要节点、能源转换环节的运行可靠性进行描述；不仅要实现实时的可靠性的描述，也要对未来的运行状态进行风险预测[9]。

目前，对于IES 系统及其内部各供能子系统的运行可靠性评估指标体系均有一定程度的发展。参照文献[9,67]对电力系统运行可靠性评估指标的归类方法，将IES 运行可靠性评估指标整理为四维体系，包括状态维、程度维、层次维及时间维，见表2。

表2 IES 运行可靠性四维评估指标体系 Tab.2 IES operational reliability four-dimensional assessment indices system

状态维指标将系统分为健康、临界和风险三种状态，对系统运行可靠性进行宏观描述；程度维指标大多为表示供能可靠性的裕度指标，能够量化系统的运行可靠性；层次维指标包括设备级、节点级、区域级及系统级四个层次，且区域级和系统级运行可靠性指标包含程度维的所有子指标；时间维指标分为以分钟级、小时级指标为代表的短期指标，以及以日级、月级、年级指标为代表的长期指标。

为方便理解，根据表2 对指标的整理与分类，本文列出 IES 运行可靠性评估的关键指标与定义如下：

1）状态维关键指标定义

健康状态概率（Probability of Healthy State,PHS）、临界状态概率（Probability of Marginal State,PMS）与风险状态概率（Probability of Risk State,PRS）的表达式分别为

式中，PSk(t)为系统状态Sk在t时刻的概率；DH、DM、DR分别为系统处于健康状态、临界状态与风险状态的系统状态集合。

2）程度维关键指标定义

程度维中的供能不足期望（Expected Energy Not Supplied,EENS）、失负荷概率（Loss of Load Probability,LOLP）、系统平均停电频率（System Average Interruption Frequency Index，SAIFI）等指标均为衡量系统供能可靠性的经典指标，应用较为广泛，本文不再给出详细定义。下面依次介绍其他指标。

供能比例指标（Energy Supply Ratio,ESR）定义为

式中，NEN、NGN分别为电力网络、天然气网络中负荷点的个数；分别为初始状态和故障后，电力网络和天然气网络中第n个负荷点的功率。

平均缺供能量（Average Energy Shortage,AES）定义为

式中，Pn为负荷节点n的平均负荷；Tn为负荷节点n处的年平均停供时间；Nn为负荷节点n处的用户数。3）层次维关键指标定义 薄弱节点评估指标定义为

式中，εn为节点修正系数；λ1、λ2、λ3、λ4为权重系数；bn为节点n的绝对流介数；为节点n的M阶邻居数，旨在量化节点n在m步内可达到的节点总数；TFn与TPn分别为改进潮流冲击率泰尔熵及改进压力增长率泰尔熵，旨在进行IES 异质能源前提下的不平衡性分析。

介数权重节点度定义为

式中，VE、VG分别为电力网络节点、天然气网络节点集合，Vm为与节点n相连节点p的集合；KE,p与KG,p分别为节点p与电力网络、天然气网络其余节点相连的边数；BL(n，p)为线路（n，p）的边介数。

设备ei的阀级指标T(ei)定义为

式中，ψcmax为在所有设备完全可靠的前提下IES 所能供给的最大总能量；ψcmax(ei)为仅设备ei故障而其他设备完全可靠时，IES 所能供给的最大总能量。

综合能源自给率ωCESR及综合能源利用率ωCEUR分别定义为

式中，Ee、Eh和Eg分别为IES 输出的电能、热能及天然气量；vLHV为天然气燃烧低热值；vK为电能与热能的单位转换系数；Eres为可再生能源设备生产的电能；分别为IES 买、卖的电能和购入的天然气量。

4）时间维关键指标定义

系统平均停电持续时间（System Average Interruption Duration Index,SAIDI）及用户平均停电持续时间（Customer Average Interruption Duration Index,CAIDI）分别从系统级与用户级两个角度来衡量能量缺供对运行可靠性的影响。由于上述两指标较为经典，应用较为广泛，故本文亦不再给出详细定义。

IES 规模与功能的提升使得影响系统运行可靠性的不确定因素增多，具体表现为：①可再生能源接入系统带来的不确定性。由于可再生能源固有的随机性和波动性，以及在消纳可再生能源过程中为了降低弃风弃光率而采用的供能策略等问题，给系统运行可靠性带来了挑战，且可再生能源如风、光等在空间和时间尺度上存在天然的互补性，如何利用其互补性指导储能规划及系统运行优化问题，进而提高IES 的运行可靠性水平尚待解决。②供能子系统间的耦合问题。能源系统已经从传统的电力系统转换为IES，现有针对电力系统运行可靠性的指标体系已经较为完善，但冷、热、天然气系统在传输过程中有明显的时延特征，导致IES 的运行可靠性评估问题需要考虑各子系统的多时间尺度特性，且各个供能子系统之间的耦合关系、联合出力及能源优先级问题都给IES 的安全稳定运行带来约束。③信息系统对IES 运行可靠性的影响。与传统电力系统相比，现有的IES 的能量处理能力在很大程度上取决于信息系统的可靠性，对信息流进行可靠性建模与评估也是IES 中亟需解决的问题。建立新的IES 可靠性评估指标时，可以从上述三方面进行考虑。

2.2 现有研究存在的不足

本节详细分析了现有模型驱动的IES 运行可靠性评估方法存在的不足，总结为三点：

1）系统状态生成与选取阶段，现有研究主要存在以下两方面不足：①系统运行状态生成方面，使用MC 模拟进行系统的状态抽样，获取的只能是设备或系统运行状态的独立样本序列，且计算收敛速度慢；MCMC 模拟考虑了系统各个状态间的相互影响，准确度更高且稳定性更强，但基于马尔可夫过程平稳状态概率进行状态枚举与后果分析，在当前状态下反映系统的实时运行可靠性层面亦存在困难。②在运行数据库获取方面，随着IES 规模逐渐增大，耦合结构日益复杂，运行数据不断增加，在运行可靠性评估中需要考虑的随机因素和约束条件越来越多。模型驱动的评估方法数据获取渠道窄，数据集成处理能力弱，无法考虑运行中面临的不确定因素和实时运行条件的改变对可靠性的影响，在生成运行可靠性实时数据库方面无法实现快速获取与准确评估。

2）在系统的能流计算与负荷削减计算中，计算效率与计算精度无法兼顾。IES 内部复杂的耦合结构使得最优能流计算问题要同时处理海量数据并计算一系列高维非线性问题，使用模型驱动的计算方法如牛顿-拉夫逊法及前推回代法等计算方法在实际应用过程中不得不通过削减状态变量、线性化处理等牺牲精度的手段来提高计算效率，且求解过程中可能会出现迭代时间长、计算效率低、评估结果不准确等一系列问题。模型驱动的能流计算方法在处理IES 的高维非线性方程中所体现出的精度与速度的矛盾日益明显。

3）运行可靠性评估指标体系需充分考虑运行层面的要求和定位。现有指标存在的问题主要体现在四方面：

（1）考虑冷热供能子系统延迟特性的指标尚不完善。对于冷热供能子系统而言，用户用能的本质是在一段时间内获得或保持一定的温度约束范围，仅依靠热力系统状态分析进行供热运行可靠性指标计算，对运行可靠性的参考意义并不大。所以，需要根据热惯性方程，将能量流动过程中的物理量转换为基于用户立场的物理量，并以此作为运行可靠性的评估依据[82]。另外，充分考虑供冷和供热系统供能间断的延迟效应，及管道传输中的损耗特性，在系统的综合评估中充分考虑能源时间尺度的差异性[5]，会使IES 运行可靠性的评估更加准确。

（2）缺乏描述耦合设备运行状态及系统内部耦合程度的指标。耦合设备如P2G 装置、燃气电厂及CHP 机组等承担着不同子系统间的耦合及IES 内部的能质转换任务，其运行状态直接影响IES 的运行方式及供能可靠性。若耦合设备发生故障，可能会导致系统内部的能源转换环节发生局部解耦，运行方式发生改变，严重威胁IES 的运行安全。建立耦合设备运行状态评估指标，能够实现对耦合设备的实时监测和故障概率预测，从而进一步保障系统的运行可靠性；各子系统间的耦合程度反映了各子系统的供能优先级问题，并能间接反映联合出力的占比和效率，故对子系统间的耦合程度进行评估也对系统的运行可靠性具有重要意义。

（3）定量化评估设备重要程度的指标尚不完善。IES 内部存在大量设备，设备的重要程度指标越大，对 IES 运行可靠性的影响越大[80]。对系统的设备重要程度进行评估，有利于提高对重要等级高的设备进行监测与保护的优先级，加快系统薄弱环节的识别。

（4）考虑指标中信息的冗余，对指标体系中重要指标的提取亟需解决。现存的可靠性评估指标体系存在多样化且标准不统一的现象，各指标内部可能存在大量的信息重叠，如何挖掘不同指标的内在联系，实现不同指标之间的协调配合及指标权重的分配，对保障IES 运行可靠性的评估工作的客观准确性具有重要意义。

3 结论

对 IES 进行运行可靠性评估不仅可以实现系统实时可靠性信息的获取与感知，而且可对当前系统在未来短时段内可能面临的运行风险进行预测，对提升系统的安全稳定性具有重要意义。本文从模型驱动的 IES 设备运行可靠性建模方法和运行可靠性评估方法两方面进行研究现状的综述，并总结出现有研究存在的问题。本系列论文的下篇将会对数据驱动及模型-数据混合驱动的IES 运行可靠性评估做详细评述，并对 IES 运行可靠性评估工作进行展望，在此基础上，提出基于模型-数据混合驱动的IES 运行可靠性建模与评估新思路。