(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211039715.9 (22)申请日 2022.08.29 (71)申请人 常州英集动力科技有限公司 地址 213002 江苏省常州市新北区华 山路8 号-5号楼 (72)发明人 金鹤峰　谢金芳　裘天阅　穆佩红　 (74)专利代理 机构 郑州博派知识产权代理事务 所(特殊普通 合伙) 41137 专利代理师 荣永辉 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 30/20(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 5/00(2006.01) G06N 20/20(2019.01) H02J 3/06(2006.01) G06F 111/10(2020.01) G06F 113/04(2020.01) G06F 119/02(2020.01) (54)发明名称 基于机理和数据混合驱动的综合能源系统 可靠性评估方法 (57)摘要 本发明公开了一种基于机理和数据混合驱 动的综合能源系统可靠性评估方法， 包括： 依据 综合能源系统采集的历史运行数据和仿真生成 的系统离线输入 ‑输出运行数据构建运行可靠性 样本数据库； 利用数据驱动方法对设备元件运行 的时变特性进行建模获得元件状态模 型； 考虑可 再生能源出力和负荷不确定性建立供需不确定 性模型； 根据元件状态模型和供需不确定性模型 获得元件可靠性参数和各类负荷值； 采用机理驱 动的可靠性评估方法计算最优负荷削减量和可 靠性指标； 选取适当的网络模型， 将可靠性样本 数据库中的数据集作为输入， 可靠性指标作为输 出， 对网络参数进行训练获得可靠性评估模型； 将实时运行数据输入至可靠性评估模 型中， 获得 系统运行 可靠性指标。 权利要求书4页 说明书12页 附图3页 CN 115409369 A 2022.11.29 CN 115409369 A 1.一种基于机理和数据混合驱动的综合能源系统可靠性评估方法， 其特征在于， 它包 括： 机理模型拓展数据 样本数据库构建： 依据综合能源系统采集的历史运行数据和仿真生成的系统离线输 入‑输出运行数据构建运行可靠性样本数据库， 至少包括系统实时运行数据、 气象信息、 设 备运行状态信息、 不同状态下的运行 数据和影响系统可靠性的仿真运行 数据； 设备运行可靠性建模： 利用数据驱动方法对设备元件运行的时变特性进行建模获得元 件状态模型； 考虑可再生能源出力和负荷不确定性建立供需不确定性模型； 根据元件状态 模型和供需不确定性模型获得 元件可靠性 参数和各类负荷值； 可靠性评估指标： 采用机理模型驱动的可靠性评估方法计算最优负荷削减量和可靠性 指标， 包括负荷削减频率、 负荷削减概 率和能量供应不足期望值； 离线训练： 选取适当的网络模型， 将可靠性样本数据库中的数据集作为输入， 可靠性指 标作为输出， 对网络参数进行训练获得 可靠性评估 模型； 在线评估： 将综合能源系统的实时运行数据输入至训练完成的可靠性评估模型中， 实 时获得系统运行 可靠性指标。 2.根据权利要求1所述的综合 能源系统可靠性评估方法， 其特征在于， 所述仿真生成的 系统离线输入 ‑输出运行 数据的实现过程， 包括： 通过对综合能源系统各组成部分的工作原理进行分析， 建立综合能源系统仿真模型； 通过向综合能源系统仿真模型输入指令信号， 在时域和频域下对比仿真模型和实际系 统对给定信号的响应， 判断所建立的仿真模型能否准确模拟实际系统的工作状态； 根据综合能源系统可靠性评估的影响因素进行场景设置， 包括系统运行在正常状态、 故障状态、 临界风险状态、 环境情况、 能量耦合 程度、 负荷水平和添加扰动信息； 通过综合 能源系统仿真模型仿真模拟场景设置， 获得在不同影响因素下的系统离线输 入‑输出运行 数据。 3.根据权利要求1所述的综合 能源系统可靠性评估方法， 其特征在于， 所述利用数据驱 动方法对设备 元件运行的时变特性进行建模获得 元件状态模型， 包括： 采用主成分分析法对运行可靠性样本数据库进行降维筛选处理， 获得M个与影响元件 状态关联度高的数据特 征； 设置元件状态至少包括 正常运行状态、 故障状态和临界风险状态； 通过获取影响元件状态关联度高的数据特征历史运行数据和仿真运行数据， 并进行归 一化、 标准化预处理后， 获得用于DBN模型的训练数据集和 测试数据集； 构建DBN模型框架， 根据输入数据维度和输出元件状态类别数确定网络输入层和输出 层的神经 元个数， 初始化模型 学习率、 激活函数和优化器； 利用训练数据集逐层训练每一层RBM模型， 通过训练完的RBM模型参数初始化同层DBN 神经元的权重与偏 置， 将上一层RBM输出作为下一层RBM输入， 逐层无监督训练每一层RBM模 型； 预训练完成后， 通过带标签的训练数据集有监督地微调整个DBN模型， 优化各神经元的 权重和偏置； 微调结束后， 通过DBN模型实现元件状态的识别。 4.根据权利要求1所述的综合 能源系统可靠性评估方法， 其特征在于， 所述考虑可再生权　利　要　求　书 1/4 页 2 CN 115409369 A 2能源出力和负荷不确定性建立供需不确定性模型， 包括： 建立风力发电不确定性出力模型： 在不同时间尺度 下， 依据运行可靠性样本数据库中的历史数据选择对应的风速分布参 数， 获得各个时间段的风速， 建立 风速分布的概 率分布模型， 表示 为： 其中， k为风速分布系数； c为尺度系数， 表明平均风速； 结合风力发电机组的出力特性建立出力模型， 表示 为： 其中， Vr为风机的额定风速； Pr为风机的额定输出功率； V为当前风速； Vci为切入风速； Vco为切出风速； 建立光伏发电不确定性出力模型， 表示 为： 其中， Pstc为标准条件下光伏电池板的输出功率； Istc为标准太阳辐射度； It为光伏阵列 所在地的最大太阳辐照度； ηtl为太阳能电池板的光电转换效率； 建立不确定电负荷模型、 热负荷模型和气负荷模型， 表示 为： 其中， PE(t)、 PG(t)、 PH(t)分别为t时刻实 际需求电量、 气量和热量； PBE(t)、 PBG(t)、 PBH (t)分别为t时刻电负荷、 气负荷和热负荷需求均量； 分别为电负荷、 气负荷 和热负荷均服 从正态分布； σE、 σG、 σH分别为各时段电负荷、 气负荷和热负荷需求量数值的均 值。 5.根据权利要求1所述的综合 能源系统可靠性评估方法， 其特征在于， 所述采用机理模 型驱动的可靠性评估方法计算最优负荷削减量和可靠性指标， 包括负荷削减频率、 负荷削 减概率和能量供应不足期望值， 包括： 对综合能源系统分别进行电力系统最优潮流、 天然气系统最优潮流和热力系统最优潮 流计算， 并根据获得最优负荷削减量， 并根据最优负荷削减量确定负荷调整方法； 所述最优负荷削减量表示 为： ΔPΣ＝ΔPE+ΔPG+ΔPH；权　利　要　求　书 2/4 页 3 CN 115409369 A 3