(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 202210891641.5 (22)申请日 2022.07.27 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 申请人 国网山东省电力公司电力科 学研究 院　 国家电网有限公司 (72)发明人 刘铠诚　何桂雄　王松岑　张新鹤　 贾晓强　陈洪银　钟鸣　黄伟　 李德智　张磊　秦佳峰　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 专利代理师 徐国文(51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 17/16(2006.01) H02J 3/00(2006.01) (54)发明名称 一种电-气耦合系统状态估计方法、 系统、 设 备及介质 (57)摘要 本发明提供了一种电 ‑气耦合系统状态估计 方法、 系统、 设备及介质， 包 括： 基于获取的电 ‑气 耦合系统的量测数据高频量测数据和低频量测 数据； 基于预先训练好的高频长短期记忆神经网 络状态估计模型将所述高频量测数据进行非线 性分解得到高频状态量； 基于预先训练好的低频 长短期记忆神经网络状态估计模型将所述低频 量测数据进行 非线性分解得到低频状态量； 基于 高频状态 量和低频状态量估计所述电 ‑气耦合系 统状态； 本发明解决了电 ‑气耦合系统非线性影 响下状态估计问题， 将量测数据进行分解， 利用 长短期记忆神经网络状态估计模 型得到状态量， 将状态量进行叠加 后来对电 ‑气耦合系统状态估 计， 实现高频分量和低频分量的重构， 提升估计 准确率。 权利要求书2页 说明书10页 附图3页 CN 115293546 A 2022.11.04 CN 115293546 A 1.一种电 ‑气耦合系统状态估计方法， 其特 征在于,包括： 基于获取的电 ‑气耦合系统的量测数据得到高频量测数据和低频量测数据； 基于预先训练好的高频长短期记忆神经网络状态估计模型将所述高频量测数据进行 非线性分解得到高频状态量； 基于预先训练好的低频长短期记忆神经网络状态估计模型将所述低频量测数据进行 非线性分解得到低频状态量； 基于所述高频状态量和低频状态量估计所述电 ‑气耦合系统状态。 2.如权利要求1所述的方法， 其特征在于， 所述基于获取的 电‑气耦合系统的量测数据 得到高频量测数据和低频量测数据， 包括： 基于所述电 ‑气耦合系统 的量测数据 结合奇异谱分解得到高频量测数据和低频量测数 据。 3.如权利要求2所述的方法， 其特征在于， 所述在高频长短期记忆神经网络状态估计模 型和低频长短期记 忆神经网络状态估计模型训练之前还 包括： 获取电‑气综合能源系统的历史量测数据和历史状态数据； 基于所述历史量测数据采用奇异谱进行分解得到历史量测高频 数据和低频 数据； 基于所述历史状态量数据采用奇异谱进行分解得到历史状态高频 数据和低频 数据。 4.如权利要求3所述的方法， 其特 征在于， 所述高频长短期记 忆神经网络的训练包括： 由所述历史量测高频数据作为高频长短期记忆神经网络的输入， 所述历史状态高频数 据作为输出， 对所述高频长短期记忆神经网络进行训练， 得到训练好的高频长短期记忆神 经网络。 5.如权利要求 4所述的方法， 其特 征在于， 所述低频长短期记 忆神经网络的训练包括： 由所述历史量测低频数据作为低频长短期记忆神经网络的输入， 所述历史状态低频数 据作为输出， 对所述低频长短期记忆神经网络进行训练， 得到训练好的低频长短期记忆神 经网络。 6.如权利要求1所述的方法， 其特征在于， 所述电 ‑气耦合系统的实时量测数据包括以 下一种或多种： 电网电压幅值、 电网节点有功功率、 电网节点无功功率、 电网线路有功负荷、 电网线路 无功负荷、 气网节点压强、 气网节点 流量、 气网管道流 量、 电网电压相角。 7.如权利要求1所述的方法， 其特征在于， 所述基于所述高频状态量和低频状态量估计 电‑气耦合系统状态， 包括： 将所述高频状态量和所述低频状态量进行叠加得到电 ‑气耦合系统状态估计结果。 8.一种电 ‑气耦合系统状态估计系统， 其特 征在于,包括： 量测数据获取模块， 用于基于获取的 电‑气耦合系统的量测数据得到高频量测数据和 低频量测数据； 高频状态量估计模块， 用于基于预先训练好的高频长短期记忆神经网络状态估计模型 将所述高频量测数据进行非线性分解得到高频状态量； 低频状态量估计模块， 用于基于预先训练好的低频长短期记忆神经网络状态估计模型 将所述低频量测数据进行非线性分解得到低频状态量； 估计结果获取模块， 用于基于所述高频状态量和低频状态量估计所述电 ‑气耦合系统权　利　要　求　书 1/2 页 2 CN 115293546 A 2状态。 9.如权利要求8所述的系统， 其特 征在于， 所述 量测数据获取模块具体用于： 基于获取的电 ‑气耦合系统的量测数据得到高频量测数据和低频量测数据。 10.如权利要求9所述的系统， 其特征在于， 所述在高频长短期记忆神经网络状态估计 模型和低频长短期记 忆神经网络状态估计模型训练之前还 包括： 获取电‑气综合能源系统的历史量测数据和历史状态数据； 基于所述历史量测数据采用奇异谱进行分解得到历史量测高频 数据和低频 数据； 基于所述历史状态数据采用奇异谱进行分解得到历史状态高频 数据和低频 数据。 11.如权利要求10所述的系统， 其特征在于， 所述高频长短期记忆神经网络的训练包 括： 由所述历史量测高频数据作为高频长短期记忆神经网络的输入， 所述历史状态高频数 据作为输出对所述高频长短期记忆神经网络进行训练得到训练好的高频长短期记忆神经 网络。 12.如权利要求11所述的系统， 其特征在于， 所述低频长短期记忆神经网络的训练包 括： 由所述历史量测低频数据作为低频长短期记忆神经网络的输入， 所述历史状态低频数 据作为输出对所述低频长短期记忆神经网络进行训练得到训练好的低频长短期记忆神经 网络。 13.如权利要求8所述的系统， 其特征在于， 所述电 ‑气耦合系统的实时量测数据包括以 下一种或多种： 电网电压幅值、 电网节点有功功率、 电网节点无功功率、 电网线路有功负荷、 电网线路 无功负荷、 气网节点压强、 气网节点 流量、 气网管道流 量、 电网电压相角。 14.如权利要求8所述的系统， 其特 征在于， 所述估计结果获取模块具体用于： 将所述高频状态量和所述低频状态量进行叠加得到电 ‑气耦合系统状态估计结果。 15.一种计算机设备， 其特 征在于， 包括： 一个或多个处 理器； 处理器， 用于执 行一个或多个程序； 当所述一个或多个程序被所述一个或多个处理器执行时， 实现如权利要求1 ‑8中所述 的一种电 ‑气耦合系统状态估计方法。 16.一种计算机可读存储介质， 其特征在于， 其上存有计算机程序， 所述计算机程序被 执行时， 实现如权利要求1 ‑8中任一项所述的一种电 ‑气耦合系统状态估计方法。权　利　要　求　书 2/2 页 3 CN 115293546 A 3