一种基于极限学习机的综合能源系统可靠性在线评估方法与流程

1.本发明属于综合能源系统可靠性评估技术领域，涉及一种综合能源系统可靠性评估方法，尤其是一种基于极限学习机的综合能源系统可靠性在线评估方法。


背景技术：

2.综合能源系统(integrated energy systems,ies)有着广阔的前景。以光伏和风电为主的清洁能源在电力系统中接入规模不断扩大。相比于传统化石能源，可再生清洁能源具有绿色环保、分布广泛、蕴藏量大等优点，但其随机性和不确定性将给电力系统安全可靠运行带来严重威胁。同时，随着电、气、热等多种能源系统耦合程度的不断提升，传统电力系统正逐渐向综合能源系统方向转变。然而，不同种类能源的互联可能会导致意外故障，降低能源供应的可靠性。例如，天然气管道堵塞导致2021德克萨斯州发生大规模停电。新加坡和英国也发生过类似事件。因此，综合能源可靠性问题变得非常重要。
3.与电力系统可靠性评估相比，综合能源系统可靠性评估主要研究双向能量相互作用和物理特性，以评估可靠性水平。与最优潮流(optimal power flow,opf)类似，在综合能源系统中最优能量流(optimal energy flow,oef)用于优化发电调度。当设备发生故障后，oef用于计算综合能源系统的最小负荷削减量。文献提出了一个两阶段随机规划模型，用于评估可再生能源高度渗透下综合能源系统的运行风险。文献考虑了经济因素，提出了一种适用于热电系统的能量共享框架。文献提出了一种日前交易策略，以同时实现高效的能源使用和经济运行。除了针对不同优化目标展开研究，博弈论和契约理论也用于优化和分析ies的可靠性。文献基于博弈论模型提出了多能量流协调模型。文献构建了基于契约理论的闭环能量协调框架。综上所述，现有的研究主要集中于提高oef的准确性，但模型的复杂性导致了计算量的激增和计算速度的降低。
4.随着人工智能技术的兴起，深度学习方法能够取代传统物理模型解决oef问题。文献提出一种基于深度学习的方法优化建筑物的热能系统。文献通过深度学习方法对电力系统负荷需求进行预测。随着工业物联网(industrial internet of things,iiot)的发展，文献将iiot与强化学习相结合来提高能源的利用效率。尽管深度学习方法已经表现出很高的效率，但在现有的ies中，可靠性指标通常是使用蒙特卡洛模拟(monte carlo simulation,mcs)和能量流模型来计算的。关于深度学习评估综合能源可靠性的研究较少，有着广阔的研究前景。
5.综上所述，随着综合能源系统的发展与能源耦合程度的不断加深，综合能源系统中的能源设备越来越多，更容易受到能量供需变化的影响；此外，风电、光伏等可再生能源的接入，也使系统部分出力变化频繁快速，对可靠性评估提出了更高的效率要求。而现有的的传统分析方法需要对大量状态反复进行最优多能流分析，计算耗时长，难以适应可靠性的在线评估需求。
6.经检索未发现和本发明相同或相似的现有技术的公开文献。


技术实现要素：

7.本发明的目的在于克服现有技术的不足，提出一种基于极限学习机的综合能源系统可靠性在线评估方法，针对综合能源系统的能量供需不确定性，能够解决现有技术中对负荷削减量计算效率低的技术问题。
8.本发明解决其现实问题是采取以下技术方案实现的：
9.一种基于极限学习机的综合能源系统可靠性在线评估方法，包括以下步骤：
10.步骤1、对系统状态数据进行预处理；
11.步骤2、获取标签数据；
12.步骤3、建立elm模型；
13.步骤4、无监督预训练elm模型；
14.步骤5、有监督训练elm模型。
15.而且，所述步骤1的具体步骤包括：
16.(1)采集系统的状态数据包括负荷需求、风速、太阳辐射、能量输出和能量分布；
17.(2)通过蒙特卡洛模拟法仿真生成海量系统状态数据，作为步骤(1)所积累的历史运行数据的补充，加入到数据集；
18.(3)使用欠采样方法使有负荷削减状态与无负荷削减状态比例为1:1。
19.而且，所述步骤2的具体步骤包括：
20.(1)确定输出样本：通过传统最优能量流模型计算步骤1中各种状态的运行结果，将求解得到的最佳能量流、负荷削减和可再生能源损失标记为模型的输出样本；
21.(2)确定输入量：模型的输入量表示综合能源系统状态，由各设备的最大可用容量、各种能源负荷，以及光照、风速参数构成；
22.该输入量的具体表示为：
[0023][0024]
其中，c
chp
,c
gb
,c
ec
,c
ashp
,c
ghp
,c
ac
,c
cvt
分别表示热电联产机组、燃气锅炉、电动制冷机、空气源热泵、地热泵、吸收式制冷机、转换器的最大可用容量；p
wt,max
,p
pv,max
分别是风电、光伏的最大可用容量；l
d,e
,l
d,h
,l
d,c
分别表示电负荷、热负荷和冷负荷；φ表示太阳光照强度；v表示风速。
[0025]
(3)确定输出量：模型的输出量为希望由极限学习机预测的各种变量，包括各设备的有功或无功输出、以及负荷削减量，具体表示为：
[0026][0027]
其中，表示从电网购入的电量预测值；分别表示热电联产机组、空气源热泵、地热泵、电动制冷机的输出功率预测值；表示燃气锅炉的热能产出预测值；q
ac
表示吸收式制冷机的热能消耗预测值；表示风能和太阳能的注入功率预测值；表示电能、热能、冷能的负荷削减量预测值和弃风量预测值、弃光量预测值。
[0028]
(4)确定标签量：模型的标签量表示步骤(3)所确定输出量的理想值，即为各设备的有功或无功输出、以及负荷削减量的理论值，具体表示为：
[0029][0030]
其中，p
grid
表示从电网购入的电量；p
chp
,p
ashp
,p
ghp
,p
ec
分别表示热电联产机组、空气源热泵、地热泵、电动制冷机的输出功率；q
gb
表示燃气锅炉的热能产出；q
ac
表示吸收式制冷机的热能消耗；p
wt
,p
pv
表示风能和太阳能的注入功率；l
c,h
,l
c,e
,l
c,c
,l
c,wt
和l
c,pv
表示热能、电能、冷能、风能和太阳能的负荷削减量。
[0031]
而且，所述步骤3的具体步骤包括：
[0032]
(1)进行腐蚀操作，得到腐蚀输入量：
[0033]
其腐蚀过程表示为：
[0034]
x
noise
＝ηxe noise(r-p)+x
ꢀꢀ
(4)
[0035]
其中，x是输入量；x
noise
是腐蚀后的输入量；η为高斯分布噪声比；noise(
·
)是噪声函数；r是随机向量；p是产生噪声概率向量；
[0036]
(2)基于步骤(1)腐蚀操作所得的输入量，通过隐藏层提取输入数据的特征，并通过特征重构过程检验特征提取的有效性；
[0037]
从输入量到特征重构的过程表示为：
[0038][0039]
其中，n表示隐藏层层数；g(
·
)表示网络隐藏层的激活函数；表示输入数据经过预训练网络提取到的重构特征；h表示所提取的特征；β表示网络参数。
[0040]
而且，所述步骤4的具体方法为：
[0041]
预训练的损失函数和目标函数可由输入数据与重构特征构成，表示为：
[0042][0043][0044]
其中，λ是惩罚因子，一般取较大的常数；||g||2表示二范数运算；lh是损失函数。
[0045]
根据正交投影法和岭回归理论，将公式(5)带入到公式(7)中，可解得：
[0046][0047]
其中，上标t表示转置操作，f(x)是无监督预训练阶段希望得到的标签量，由于无监督训练的目标是使重构特征尽可能接近输入量，故该标签量即为elm模型的输入量；
[0048]
将公式(8)带入到公式(5)中，输入数据重构特征可表示为：
[0049][0050]
所述步骤5的具体步骤包括：
[0051]
(1)以步骤4所得参数结果初始化极限学习机模型；
[0052]
(2)由一个单隐层elm模型进行训练，有监督训练没有数据腐蚀过程，基于极限学习机的当前参数，得到网络的输出量；
[0053]
网络的输出量可表示为：
[0054][0055]
其中，是网络的输出量。
[0056]
(3)建立有监督训练的损失函数该损失函数可由步骤5的第(2)步所得的模型输出量和步骤1中的理论量构造，其计算表达式为：
[0057][0058]
其中，是基于特征计算的网络输出量，是标签量。
[0059]
(4)以最小化该损失函数作为参数优化的目标函数，计算表达式为：
[0060][0061]
(5)基于步骤5的第(2)步和第(3)步的结果更新极限学习机模型的参数，返回步骤5的第(2)步；参数更新公式由公式(10)带入公式(12)得到，可表示为：
[0062][0063]
而且，所述步骤5之后还包括：
[0064]
步骤6、检验训练效果；
[0065]
所述步骤6的具体步骤包括：
[0066]
(1)在验证集和测试集上测试模型性能。若出现欠拟合问题，则进入步骤(2)；
[0067]
(2)增加模型训练次数，返回步骤4训练。
[0068]
(3)若发生过拟合问题，则返回步骤1扩大训练集规模。
[0069]
而且，在所述步骤5之后还包括：
[0070]
步骤7、调用步骤5所得模型，在线对综合能源系统进行可靠性评估；
[0071]
所述步骤7的具体步骤包括：
[0072]
(1)由ies的各类监测设备时刻传递状态信息并确定极限学习机的输入量。
[0073]
(2)用步骤5训练得完毕的极限学习机模型处理步骤7的第(1)步所得的输入量，得到elm网络的输出量的表达式为：
[0074][0075]
(3)基于步骤7的第(2)步所得的输出量计算可靠性指标，完成综合能源系统可靠性评估；以能量供应不足期望值作为综合能源系统的可靠性指标，表达式为：
[0076][0077]
其中，s是系统状态；ps是状态s发生的可能性；ω
t
是时间窗t之内系统可能状态的集合；分别是电负荷、热负荷、冷负荷的负荷削减量。
[0078]
本发明的优点和有益效果：
[0079]
1、本发明提出一种基于极限学习机的综合能源系统可靠性在线评估方法，所述步骤1根据电力系统的历史运行情况与仿真数据建立了训练样本集，是完成深度学习和极限学习机训练的数据基础，相比历史信息覆盖更广、类别更平衡。本发明针对供需不确定性，基于极限学习机的综合能源系统可靠性在线计算方法，对于分析综合能源系统的供能安全
性具有实际意义。
[0080]
2、本发明的步骤3中所提出的极限学习机模型与输入数据加噪相结合的方法，在不增加训练数据获取成本的同时，丰富训练样本，能够有效提升能量数据特征的提取能力。
[0081]
3、本发明的步骤4中所提出的极限学习机无监督预训练方法，可通过衡量重构特征与原输入量之间的差异反映极限学习机特征提取的效果，能够快速确定极限学习机的模型参数初值。
[0082]
4、本发明的步骤5中所提出的极限学习机有监督预训练方法，可以在特征提取的基础上，建立特征到负荷削减量等多能流变量之间的映射关系，能够准确地确定极限学习机的模型参数。
[0083]
5、本发明的步骤7中根据极限学习机的拟合能力，能够对当前系统状态下的负荷削减量进行高效准确的预测，从而加快计算综合能源系统可靠性指标的速度。
附图说明
[0084]
图1是步骤3中特征重构过程与步骤4无监督预训练所基于的网络结构图；
[0085]
图2是步骤5中有监督训练阶段所基于的网络结构图；
[0086]
图3是典型园区综合能源系统示意图；
[0087]
图4是典型园区综合能源系统实施例中各设备可靠性指标对比图。
具体实施方式
[0088]
以下结合附图对本发明实施例作进一步详述：
[0089]
一种基于极限学习机的综合能源系统可靠性在线评估方法，能够克服现有技术中对最优负荷削减量计算效率低的缺陷，以实现电力系统可靠性的在线评估为目标。
[0090]
基于上述目的，本发明提供了一种基于极限学习机针对供需不确定性的综合能源系统可靠性在线评估方法，包括以下7个步骤，其中，前6个步骤是离线进行，第7步为在线应用。
[0091]
步骤1、对系统状态数据进行预处理；
[0092]
所述步骤1的具体步骤包括：
[0093]
(1)采集系统的状态数据包括负荷需求、风速、太阳辐射、能量输出和能量分布等；
[0094]
(2)通过蒙特卡洛模拟法仿真生成海量系统状态数据，作为步骤(1)所积累的历史运行数据的补充，加入到数据集；
[0095]
(3)使用欠采样方法使有负荷削减状态与无负荷削减状态比例为1:1，提高故障样本的价值密度。
[0096]
步骤2、获取标签数据；
[0097]
所述步骤2的具体步骤包括：
[0098]
(1)确定输出样本：通过传统最优能量流模型计算步骤1中各种状态的运行结果，将求解得到的最佳能量流、负荷削减和可再生能源损失标记为模型的输出样本；
[0099]
(2)确定输入量：模型的输入量表示综合能源系统状态，由各设备的最大可用容量、各种能源负荷，以及光照、风速参数构成；
[0100]
该输入量的具体表示为：
[0101][0102]
其中，c
chp
,c
gb
,c
ec
,c
ashp
,c
ghp
,c
ac
,c
cvt
分别表示热电联产机组、燃气锅炉、电动制冷机、空气源热泵、地热泵、吸收式制冷机、转换器的最大可用容量；p
wt,max
,p
pv,max
分别是风电、光伏的最大可用容量；l
d，e
,l
d,h
,l
d,c
分别表示电负荷、热负荷和冷负荷；φ表示太阳光照强度；v表示风速。
[0103]
(3)确定输出量：模型的输出量为希望由极限学习机预测的各种变量，包括各设备的有功或无功输出、以及负荷削减量，具体表示为：
[0104][0105]
其中，表示从电网购入的电量预测值；分别表示热电联产机组、空气源热泵、地热泵、电动制冷机的输出功率预测值；表示燃气锅炉的热能产出预测值；q
ac
表示吸收式制冷机的热能消耗预测值；表示风能和太阳能的注入功率预测值；表示电能、热能、冷能的负荷削减量预测值和弃风量预测值、弃光量预测值。
[0106]
(4)确定标签量：模型的标签量表示子步骤(3)所确定输出量的理想值，即为各设备的有功或无功输出、以及负荷削减量的理论值，具体表示为：
[0107][0108]
其中，p
grid
表示从电网购入的电量；p
chp
,p
ashp
,p
ghp
,p
ec
分别表示热电联产机组、空气源热泵、地热泵、电动制冷机的输出功率；q
gb
表示燃气锅炉的热能产出；q
ac
表示吸收式制冷机的热能消耗；p
wt
,p
pv
表示风能和太阳能的注入功率；l
c,h
,l
c,e
,l
c,c
,l
c,wt
和l
c,pv
表示热能、电能、冷能、风能和太阳能的负荷削减量。
[0109]
步骤3、建立elm模型；
[0110]
所述步骤3的具体步骤包括：
[0111]
(1)确定腐蚀输入量：
[0112]
通过向elm模型的输入数据中随机添加高斯噪声来提高模型的鲁棒性。与随机置零的掩码技术相比，避免综合能源系统的关键状态的丢失。
[0113]
该腐蚀过程可以表示为：
[0114]
x
noise
＝ηxe noise(r-p)+x
ꢀꢀ
(4)
[0115]
其中，x是输入量；x
noise
是腐蚀后的输入量；η为高斯分布噪声比；noise(
·
)是噪声函数；r是随机向量；p是产生噪声概率向量。
[0116]
(2)基于步骤(1)腐蚀操作所得的输入量，通过隐藏层提取输入数据的特征，并通过特征重构过程检验特征提取的有效性。
[0117]
由于elm的单隐层结构缺乏特征提取能力，在无监督预训练阶段，通过使用多层无监督层提取输入量中有价值的信息，通过特征重构检验其特征提取能力。
[0118]
从输入量到特征重构的过程可表示为：
[0119][0120]
其中，n表示隐藏层层数；g(
·
)表示网络隐藏层的激活函数；表示输入数据经过预训练网络提取到的重构特征；h表示所提取的特征；β表示网络参数。
[0121]
步骤4、无监督预训练elm模型；
[0122]
所述步骤4的具体方法为：
[0123]
在无监督预训练阶段构建了无监督层提取原始输入特征，获得初始网络参数，并通过对输入样本进行腐蚀，提高模型的鲁棒性。
[0124]
进而预训练的损失函数和目标函数可由输入数据与重构特征构成，表示为：
[0125][0126][0127]
其中，λ是惩罚因子，一般取较大的常数；||g||2表示二范数运算；lh是损失函数。
[0128]
根据正交投影法和岭回归理论，将公式(5)带入到公式(7)中，可解得：
[0129][0130]
其中，上标t表示转置操作，f(x)是无监督预训练阶段希望得到的标签量，由于无监督训练的目标是使重构特征尽可能接近输入量，故该标签量即为elm模型的输入量。
[0131]
将公式(8)带入到公式(5)中，输入数据重构特征可表示为：
[0132][0133]
步骤5、有监督训练elm模型
[0134]
步骤5主要任务是实现极限学习机的有监督学习，模型学习输入(系统状态)和输出(最优负荷削减量)之间的非线性映射关系，共分为以下5个子步骤。
[0135]
(1)以步骤4所得参数结果初始化极限学习机模型，即以步骤4的结果作为步骤5的参数初始值。
[0136]
(2)由一个单隐层elm模型进行训练，有监督训练没有数据腐蚀过程，基于极限学习机的当前参数，得到网络的输出量；
[0137]
网络的输出量可表示为：
[0138][0139]
其中，是网络的输出量。
[0140]
(3)建立有监督训练的损失函数该损失函数可由步骤5的第(2)步所得的模型输出量和步骤1中的理论量构造，其计算表达式为：
[0141][0142]
其中，是基于特征计算的网络输出量，是标签量。
[0143]
(4)以最小化该损失函数作为参数优化的目标函数，计算表达式为：
[0144]
[0145]
(5)基于步骤5的第(2)步和第(3)步的结果更新极限学习机模型的参数，返回步骤5的第(2)步；参数更新公式由公式(10)带入公式(12)得到，可表示为：
[0146][0147]
步骤6、检验训练效果；
[0148]
所述步骤6的具体步骤包括：
[0149]
(1)在验证集和测试集上测试步骤5所得模型性能。若出现欠拟合问题，则进入步骤(2)。
[0150]
(2)增加模型训练次数，返回步骤4训练。
[0151]
(3)若发生过拟合问题，则返回步骤1扩大训练集规模。
[0152]
步骤7、调用步骤5所得模型，在线对综合能源系统进行可靠性评估。
[0153]
步骤7主要是调用步骤5训练完毕所得的极限学习机，用于综合能源系统可靠性在线评估。ies的各类监测设备时刻传递状态信息。在组件发生故障或维护后，该组件从系统中退出。通过状态信息的转递，获取当前系统的状态数据，传入到训练好的模型中。模型求解出该状态下的负荷削减量，并计算ies可靠性指标，分析综合能源系统的薄弱环节，相应地制定可靠性增强策略，共分为以下7个子步骤。
[0154]
所述步骤7的具体步骤包括：
[0155]
(1)由ies的各类监测设备时刻传递状态信息并确定极限学习机的输入量。在组件发生故障或维护后，该组件从系统中退出，该过程通过状态信息的转递，由运行监测设备获取当前系统的状态数据，作为输入量传入训练好的模型中。
[0156]
(2)用步骤5训练得完毕的极限学习机模型处理步骤7的第(1)步所得的输入量。即用步骤5最终确定的极限学习机参数与步骤7的第(1)步所得的输入量计算模型的实际输出量，作为模型的预测量。由公式(13)带入公式(10)，得到elm网络的输出量(包含各变量的预测量)的表达式为：
[0157][0158]
(3)基于步骤7的第(2)步所得的输出量计算可靠性指标，至此完成综合能源系统可靠性评估；该子步骤以能量供应不足期望值(expected demand not supplied,edns)作为综合能源系统的可靠性指标，表达式为：
[0159][0160]
其中，s是系统状态；ps是状态s发生的可能性；ω
t
是时间窗t之内系统可能状态的集合；分别是电负荷、热负荷、冷负荷的负荷削减量。
[0161]
下面通过具体算例对本发明作进一步说明：
[0162]
实施例1：
[0163]
本发明在一个典型园区综合能源系统中进行了测试。该系统能量来源主要包括传统发电机、光伏(photovoltaic,pv)、风机(wind turbines,wt)和天然气站，能源传递和转换设备主要包括地源热泵(geothermal pump,ghp)、空气源热泵(air source heat pump,ashp)、吸收式制冷机(absorption chiller,ac)、电动制冷机(electric chiller,ec)、燃
气锅炉(gas boiler,gb)和热电联产机组(combined heat and power,chp)。其中，光伏发电服从beta分布；风力发电服从weibull分布。各设备详细参数如表1所示。
[0164]
表1园区综合能源系统设备参数
[0165][0166]
步骤1：准备系统状态数据
[0167]
通过历史运行记录提取和蒙特卡洛模拟法仿真，生成系统的状态数据，包括负荷需求、风速、太阳辐射、能量输出和能量分布等，再选择有负荷削减状态与无负荷削减状态比例为1:1形成训练状态集。
[0168]
确定输入量，具体表示为：
[0169][0170]
其中，c
chp
,c
gb
,c
ec
,c
ashp
,c
ghp
,c
ac
,c
cvt
分别表示热电联产机组、燃气锅炉、电动制冷机、空气源热泵、地热泵、吸收式制冷机、转换器的最大可用容量；p
wt,max
,p
pv,max
分别是风电、光伏的最大可用容量；l
d,e
,l
d,h
,l
d,c
分别表示电负荷、热负荷和冷负荷；φ表示太阳光照强度；v表示风速。
[0171]
步骤2：获取标签数据
[0172]
通过传统最优能量流模型计算步骤1中各种状态的运行结果，将求解得到的最佳能量流、负荷削减和可再生能源损失标记为模型的标签量，具体表示为：
[0173][0174]
其中，p
grid
表示从电网购入的电量；p
chp
,p
ashp
,p
ghp
,p
ec
分别表示热电联产机组、空气源热泵、地热泵、电动制冷机的输出功率；q
gb
表示燃气锅炉的热能产出；q
ac
表示吸收式制冷机的热能消耗；p
wt
,p
pv
表示风能和太阳能的注入功率；l
c,h
,l
c,e
,l
c,c
,l
c,wt
和l
c,pv
表示热能、电能、冷能、风能和太阳能的负荷削减量。
[0175]
步骤3：建立elm模型
[0176]
腐蚀输入量，基于腐蚀操作后的输入量，以隐藏层提取输入数据的特征，并通过特征重构过程检验特征提取的有效性。
[0177]
该腐蚀过程可以表示为：
[0178]
x
noise
＝ηxenoise(r-p)+x
ꢀꢀ
(3)
[0179]
其中，x是输入量；x
noise
是腐蚀后的输入量；η为高斯分布噪声比；noise(
·
)是噪声函数；r是随机向量；p是产生噪声概率向量。
[0180]
从输入量到特征重构的过程可表示为：
[0181][0182]
其中，n表示隐藏层层数；g(
·
)表示网络隐藏层的激活函数；表示输入数据经过预训练网络提取到的重构特征；h表示所提取的特征；β表示网络参数。
[0183]
步骤4：无监督预训练elm模型，如图1所示：
[0184]
在无监督预训练阶段构建了无监督层提取原始输入特征，以最小化重构特征与原输入量的差异为目标，确定elm模型参数的初值。
[0185][0186]
其中，λ是惩罚因子，一般取较大的常数；||g||2表示二范数运算；lh是损失函数。
[0187][0188]
其中，上标t表示转置操作，f(x)是无监督预训练阶段希望得到的标签量，由于无监督训练的目标是使重构特征尽可能接近输入量，故该标签量即为elm模型的输入量。
[0189]
步骤5：有监督训练elm模型，如图2所示，描绘了模型通过监督学习过程学习输入量x(系统状态)和输出量(包括最优负荷削减量预测值)之间的非线性映射关系。
[0190]
实现极限学习机的有监督学习，模型学习输入(系统状态)和输出(最优负荷削减量)之间的非线性映射关系，并最终用于确定elm的模型参数。
[0191]
网络的输出量可表示为：
[0192][0193]
其中，是网络的输出量。
[0194]
所用损失函数为
[0195][0196]
其中，是基于特征计算的网络输出量，是标签量。
[0197]
子步骤4)：以最小化该损失函数作为参数优化的目标函数，计算表达式为：
[0198][0199]
子步骤5)：基于步骤1)和步骤3)的结果更新极限学习机模型的参数，返回子步骤2)。参数更新公式由公式(10)带入公式(12)得到，可表示为：
[0200][0201]
步骤6：检验训练效果。
[0202]
在验证集和测试集上测试模型性能。若出现欠拟合问题，则增加模型训练次数，返回步骤4训练。若发生过拟合问题，则返回步骤1扩大训练集规模。若没有欠拟合或过拟合问题，则训练完毕。
[0203]
步骤7：综合能源系统可靠性评估在线应用。
[0204]
步骤7主要是将步骤5训练完毕所得的极限学习机应用于综合能源系统可靠性在线评估。ies的各类监测设备时刻传递状态信息。在组件发生故障或维护后，该组件从系统
中退出。通过状态信息的转递，获取当前系统的状态数据，传入到训练好的模型中。模型求解出该状态下的负荷削减量，并计算ies可靠性指标。
[0205]
该可靠性指标的计算式为：
[0206][0207]
其中，s是系统状态；ps是状态s发生的可能性；ω
t
是时间窗t之内系统可能状态的集合；分别是电负荷、热负荷、冷负荷的负荷削减量。
[0208]
本发明的应用实施结果如表2所示。m4在可靠性评估中的平均准确率为95.41％，且计算速度比传统模型提升了80280倍，满足在线计算的要求。
[0209]
表2综合能源系统应用典型例的可靠性评估结果
[0210][0211]
本发明提出的模型通过计算可靠性指标，可以在一秒内识别系统弱点，如表3和图3所示。在该算例中，电动制冷机和吸收式制冷机是这个园区综合能源系统的薄弱环节，它们的中断会对供冷产生巨大影响，并对整个能源供应构成严重的威胁。除此之外，地源热泵对供热的影响最大，热电联产机组对供电影响最大。
[0212]
表3各设备可靠性指标计算结果
[0213][0214]
本发明中，我们提出了一种基于elm的ices可靠性快速评估方法。在所提供的实施例中应用本发明可将系统可靠性评估速度提高80280倍，同时准确率为95.41％，证明了本发明用于的高精度和鲁棒性。同时，在实施例中应用本发明可以在1秒内识别ices的弱点，满足在线应用的要求。
[0215]
实施例2：
[0216]
本发明中的cpu为6核i7-9750h，操作系统为windows10，仿真软件为matlab2021b，matpower工具包，gurobi优化求解器。
[0217]
算例所使用的数据集设置情况如下：训练和验证数据集的大小分别为4800和12000。elm模型的超参数设置如下：无监督学习网络的隐藏层层数为3，每层有400个神经元，并进行200次迭代训练；有监督学习网络的隐藏层层数为1，有500个神经元，并进行1000次迭代训练；惩罚因子λ设置为0.15；高斯噪声方差为0.06；优化器选择adam，学习率设置为
0.01。
[0218]
除了历史运行数据外，通过蒙特卡洛法模拟出系统运行可能的状态，作为输入样本xtrain,xtest。并通过传统最优能量流模型计算获得的最佳能量流、负荷削减和可再生能源损失标记为模型的输出样本ytrain,ytest。
[0219]
训练阶段，首先通过无监督预训练和有监督学习来训练elm模型，提取原始输入特征，获得初始网络参数，并通过腐蚀过程提高模型的鲁棒性。之后，在有监督学习阶段，模型学习输入(系统状态)和输出(最优负荷削减量)之间的非线性映射关系。
[0220]
最后，训练好的模型投入在线应用，根据实时监测的系统信息，求解出该系统状态下的负荷削减量，并计算ies可靠性指标，分析综合能源系统的薄弱环节。
[0221]
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

技术特征：
1.一种基于极限学习机的综合能源系统可靠性在线评估方法，其特征在于：包括以下步骤：步骤1、对系统状态数据进行预处理；步骤2、获取标签数据；步骤3、建立elm模型；步骤4、无监督预训练elm模型；步骤5、有监督训练elm模型。2.根据权利要求1所述的一种基于极限学习机的综合能源系统可靠性在线评估方法，其特征在于：所述步骤1的具体步骤包括：(1)采集系统的状态数据包括负荷需求、风速、太阳辐射、能量输出和能量分布；(2)通过蒙特卡洛模拟法仿真生成海量系统状态数据，作为步骤(1)所积累的历史运行数据的补充，加入到数据集；(3)使用欠采样方法使有负荷削减状态与无负荷削减状态比例为1:1。3.根据权利要求1所述的一种基于极限学习机的综合能源系统可靠性在线评估方法，其特征在于：所述步骤2的具体步骤包括：(1)确定输出样本：通过传统最优能量流模型计算步骤1中各种状态的运行结果，将求解得到的最佳能量流、负荷削减和可再生能源损失标记为模型的输出样本；(2)确定输入量：模型的输入量表示综合能源系统状态，由各设备的最大可用容量、各种能源负荷，以及光照、风速参数构成；该输入量的具体表示为：其中，c
chp
,c
gb
,c
ec
,c
ashp
,c
ghp
,c
ac
,c
cvt
分别表示热电联产机组、燃气锅炉、电动制冷机、空气源热泵、地热泵、吸收式制冷机、转换器的最大可用容量；p
wt,max
,p
pv,max
分别是风电、光伏的最大可用容量；l
d,e
,l
d,h
,l
d,c
分别表示电负荷、热负荷和冷负荷；φ表示太阳光照强度；v表示风速；(3)确定输出量：模型的输出量为希望由极限学习机预测的各种变量，包括各设备的有功或无功输出、以及负荷削减量，具体表示为：其中，表示从电网购入的电量预测值；分别表示热电联产机组、空气源热泵、地热泵、电动制冷机的输出功率预测值；表示燃气锅炉的热能产出预测值；q
ac
表示吸收式制冷机的热能消耗预测值；表示风能和太阳能的注入功率预测值；表示电能、热能、冷能的负荷削减量预测值和弃风量预测值、弃光量预测值；(4)确定标签量：模型的标签量表示步骤(3)所确定输出量的理想值，即为各设备的有
功或无功输出、以及负荷削减量的理论值，具体表示为：其中，p
grid
表示从电网购入的电量；p
chp
,p
ashp
,p
ghp
,p
ec
分别表示热电联产机组、空气源热泵、地热泵、电动制冷机的输出功率；q
gb
表示燃气锅炉的热能产出；q
ac
表示吸收式制冷机的热能消耗；p
wt
,p
pv
表示风能和太阳能的注入功率；l
c,h
,l
c,e
,l
c,c
,l
c,wt
和l
c,pv
表示热能、电能、冷能、风能和太阳能的负荷削减量。4.根据权利要求1所述的一种基于极限学习机的综合能源系统可靠性在线评估方法，其特征在于：所述步骤3的具体步骤包括：(1)进行腐蚀操作，得到腐蚀输入量：其腐蚀过程表示为：x
noise
＝ηxe noise(r-p)+x
ꢀꢀꢀꢀꢀ
(4)其中，x是输入量；x
noise
是腐蚀后的输入量；η为高斯分布噪声比；noise(
·
)是噪声函数；r是随机向量；p是产生噪声概率向量；(2)基于步骤(1)腐蚀操作所得的输入量，通过隐藏层提取输入数据的特征，并通过特征重构过程检验特征提取的有效性；从输入量到特征重构的过程表示为：其中，n表示隐藏层层数；g(
·
)表示网络隐藏层的激活函数；表示输入数据经过预训练网络提取到的重构特征；h表示所提取的特征；β表示网络参数。5.根据权利要求1所述的一种基于极限学习机的综合能源系统可靠性在线评估方法，其特征在于：所述步骤4的具体方法为：预训练的损失函数和目标函数可由输入数据与重构特征构成，表示为：预训练的损失函数和目标函数可由输入数据与重构特征构成，表示为：其中，λ是惩罚因子，一般取较大的常数；||g||2表示二范数运算；l
h
是损失函数；根据正交投影法和岭回归理论，将公式(5)带入到公式(7)中，可解得：其中，上标t表示转置操作，f(x)是无监督预训练阶段希望得到的标签量，由于无监督训练的目标是使重构特征尽可能接近输入量，故该标签量即为elm模型的输入量；将公式(8)带入到公式(5)中，输入数据重构特征可表示为：6.根据权利要求1所述的一种基于极限学习机的综合能源系统可靠性在线评估方法，其特征在于：所述步骤5的具体步骤包括：(1)以步骤4所得参数结果初始化极限学习机模型；(2)由一个单隐层elm模型进行训练，有监督训练没有数据腐蚀过程，基于极限学习机
的当前参数，得到网络的输出量；网络的输出量可表示为：其中，是网络的输出量；(3)建立有监督训练的损失函数该损失函数可由步骤5的第(2)步所得的模型输出量和步骤1中的理论量构造，其计算表达式为：其中，是基于特征计算的网络输出量，是标签量；(4)以最小化该损失函数作为参数优化的目标函数，计算表达式为：(5)基于步骤5的第(2)步和第(3)步的结果更新极限学习机模型的参数，返回步骤5的第(2)步；参数更新公式由公式(10)带入公式(12)得到，可表示为：7.根据权利要求1所述的一种基于极限学习机的综合能源系统可靠性在线评估方法，其特征在于：所述步骤5之后还包括：步骤6、检验训练效果；所述步骤6的具体步骤包括：(1)在验证集和测试集上测试模型性能；若出现欠拟合问题，则进入步骤(2)；(2)增加模型训练次数，返回步骤4训练；(3)若发生过拟合问题，则返回步骤1扩大训练集规模。8.根据权利要求1所述的一种基于极限学习机的综合能源系统可靠性在线评估方法，其特征在于：在所述步骤5之后还包括：步骤7、调用步骤5所得模型，在线对综合能源系统进行可靠性评估；所述步骤7的具体步骤包括：(1)由ies的各类监测设备时刻传递状态信息并确定极限学习机的输入量；(2)用步骤5训练得完毕的极限学习机模型处理步骤7的第(1)步所得的输入量，得到elm网络的输出量的表达式为：(3)基于步骤7的第(2)步所得的输出量计算可靠性指标，完成综合能源系统可靠性评估；以能量供应不足期望值作为综合能源系统的可靠性指标，表达式为：其中，s是系统状态；p
s
是状态s发生的可能性；ω
t
是时间窗t之内系统可能状态的集合；分别是电负荷、热负荷、冷负荷的负荷削减量。

技术总结
本发明涉及一种基于极限学习机的综合能源系统可靠性在线评估方法，包括以下步骤：步骤1、对系统状态数据进行预处理；步骤2、获取标签数据；步骤3、建立ELM模型；步骤4、无监督预训练ELM模型；步骤5、有监督训练ELM模型。本发明针对综合能源系统的能量供需不确定性，能够解决现有技术中对负荷削减量计算效率低的技术问题。问题。问题。


技术研发人员：霍现旭 庞超 赵晨阳 丁一 魏立勇 张剑 王庆彪 王蒙 侯恺
受保护的技术使用者：国网天津市电力公司 国家电网有限公司
技术研发日：2023.04.28
技术公布日：2023/8/23