考虑时序相关性的数据驱动电-气综合能源系统态势感知

高效准确的态势感知技术是电-气综合能源系统(electricity-gas integrated energy system,EGIES)运行风险预警的关键。但是,传统电力系统的态势感知技术无法完全适用EGIES的强非线性与异能耦合特性。数据驱动技术的快速发展为EGIES态势感知提供了新思路。为此,该文提出了考虑时序相关性的数据驱动电-气综合能源系统态势感知方法。在态势察觉阶段,利用状态估计对量测噪声进行滤波处理,求解EGIES状态量并察觉系统偏离量;在态势理解阶段,基于格拉姆角差场理论对历史偏离量变化进行时序相关性理解,同时对未来偏离量变化进行运行趋势定性理解;在态势预测阶段,建立卷积神经网络模型,利用历史偏离量预测系统未来运行趋势。基于14节点电力系统与7节点天然气系统耦合系统的算例分析表明,所提方法相比于长短期记忆神经网络、支持向量机方法的预测准确率分别提高2.87%、4.95%,其在训练集占比改变时具有更高的预测准确率。