一种基于数据驱动的电-热综合能源系统状态估计方法与流程

一种基于数据驱动的电
‑
热综合能源系统状态估计方法
技术领域
1.本发明属于电
‑
热综合能源系统调度自动化技术领域，具体涉及一种基于数据驱动的电
‑
热综合能源系统状态估计方法(data
‑
driven state estimation method for integrated electricity
‑
heat system)。


背景技术：

2.热电联产(combined heat and power,chp)技术的广泛应用使得电力系统和热网这两个原本独立的系统耦合在了一起。电
‑
热综合能源系统(integrated electricity
‑
heat system,iehs)的概念也引发了对iehs状态估计(state estimation,se)方法的讨论，并提出了几种基于模型驱动的iehs
‑
se方法。而现有技术中，模型驱动的方法都具有以下的缺陷和不足：
3.(1)所有基于模型驱动的方法都是从iehs的物理关系中得到的，要构建一个高精度的基于模型驱动的算法，就必须掌握iehs的完整网络拓扑结构和系统参数。然而，一个现实中的iehs的完整网络拓扑结构往往是未知的，精确的系统参数也是很难获取的。
4.(2)对于非线性的状态估计方法来说，每一次状态估计的求解都需要进行多次复杂的非线性迭代计算，而这是一个不小的计算负担。尽管对于线性的状态估计方法只需要进行线性迭代，但是，当面对大规模的综合能源系统进行状态估计时，多次的线性迭代同样可能成为一个不小的计算负担。
5.(3)当iehs的网络拓扑结构和系统参数在某一个时间段t中保持不变时，每一次进行状态估计的计算都需要从零开始，这段时间内所有的历史状态估计数据全为未利用的状态，造成了巨大的数据浪费。
6.随着数据挖掘和机器学习技术的发展，数据驱动的方法开始进入相关研究人员的视野中,基于数据驱动的方法具有摆脱物理模型束缚的潜力。
7.发明目的
8.本发明的目的旨在至少在一定程度上解决现有技术中所面临的上述问题之一或至少提供一种有用的商业选择方法。为此，本发明提出了一种基于数据驱动的电
‑
热综合能源系统状态估计方法(data
‑
driven state estimation method for integrated electricity
‑
heat system)。


技术实现要素：

9.本发明提供了一种基于数据驱动的电
‑
热综合能源系统状态估计方法，包括以下步骤：
10.步骤a.对历史状态估计数据进行整理，得到历史量测量数据和历史状态变量数据；对所述历史状态变量数据进行非线性变换，得到历史辅助状态变量数据；将所述历史量测量数据和历史状态变量数据按照电力系统和热力系统进行分类，分别得到电力系统历史数据和热力系统历史数据；建立电力系统和热力系统的状态估计模型，并利用双线性变换
的方法，将非线性的电力系统和热力系统状态估计模型分别变换为线性的状态估计模型，分别表示为式(1)、(2)所示：
11.z
e,a
＝h
ae
x
e,a
r
e
ꢀꢀ
(1)，
12.z
h,a
＝h
ah
x
h,a
r
h
ꢀꢀ
(2)，
13.其中z
e,a
为电力系统历史状态估计数据，z
h,a
为热力系统历史状态估计数据，h
ae
代表电力系统常数雅可比矩阵，x
e,a
代表电力系统辅助状态变量，r
e
代表电力系统量测误差，h
ah
代表热力系统常数雅可比矩阵，x
h,a
代表热力系统辅助状态变量，r
h
代表热力系统量测误差；
14.步骤b.利用偏最小一乘法和最小一乘法，分别对所述电力系统和热力系统历史状态估计数据进行对线性状态估计模型的回归学习，得到基于数据驱动的电
‑
热综合能源系统状态估计模型,表示为如式(3)所示：
15.x
a
＝cz ε
ꢀꢀ
(3)，
16.其中，x
a
代表辅助状态变量向量，c代表常数矩阵，z代表量测变量向量，ε代表误差向量；
17.步骤c.将步骤b中所得到的基于数据驱动的电
‑
热综合能源系统状态估计模型的当前量测量作为模型的输入，得到模型输出后，对其进行线性与非线性变换后，最终得到状态变量估计值。
18.优选地，步骤a进一步包括：
19.步骤a1：所述对状态估计数据进行分类，得到历史量测量数据和历史状态变量数据，并对历史状态变量数据进行非线性变换得到历史辅助状态变量数据，其中，所述历史量测量数据表示为如式(4)所示：
[0020][0021]
所述历史状态变量数据表示为如式(5)所示：
[0022][0023]
所述历史辅助状态变量数据表示为如式(6)所示：
[0024]
x
a
＝[m；t
si,a
；t
ri,a
；m
ij
；n
ij
；v
i
；r
ij
；x
ij
]
ꢀꢀ
(6)；
[0025]
所述从历史状态变量到历史辅助状态变量的非线性变换表达式表示为：m＝m
ij
，t
si,a
＝t
si,a
，t
ri,a
＝t
ri,a
，m
ij
＝m
ij
×
t
si
，n
ij
＝m
ij
×
t
ri
，r
ij
＝u
i
u
j cosθ
ij
，x
ij
＝u
i
u
j
sinθ
ij
；
[0026]
将历史数据按照电力系统和热力系统进行分类，得到电力系统历史数据和热力系统历史数据，其中，电力系统历史数据表示为如式(7)、(8)所示：
[0027]
z
e,a
＝[u2；p；q；p
b
；q
b
]
ꢀꢀ
(7)，
[0028]
x
e,a
＝[v
i
；r
ij
；x
ij
]
ꢀꢀ
(8)；
[0029]
热力系统历史数据表示为如式(9)、(10)所示：
[0030]
z
h,a
＝[m；m
q
；t
s
；t
r
；φ]
ꢀꢀ
(9)，
[0031]
x
h,a
＝[m；t
si,a
；t
ri,a
；m
ij
；n
ij
]
ꢀꢀ
(10)；
[0032]
式中：u
i
为节点电压幅值，θ
i
为节点电压相角，p
i
为节点注入有功功率，q
i
为节点注
入无功功率，p
ij
为支路有功功率，q
ij
为支路无功功率；p
i
为节点压强，m
ij
为支路流量，m
qi
为节点注入流量，t
si
为节点供热温度，t
ri
为节点回热温度，φ
i
为节点注入热功率；
[0033]
步骤a2：基于步骤a1变换后的量测量和辅助状态变量，利用双线性变换的方法，将非线性的状态估计模型变换为线性的状态估计模型，分别表示为式(1)、(2)所示：
[0034]
z
e,a
＝h
ae
x
e,a
r
e
ꢀꢀ
(1)，
[0035]
z
h,a
＝h
ah
x
h,a
r
h
ꢀꢀ
(2)，
[0036]
其中，对电力系统的双线性变换表示为如式(11)所示：
[0037][0038]
其中，式中采用了π型等效电路，g
s
jb
s
为串联电纳，b
c
为充电电纳，k代表支路变比(对于不含变压器的支路，k＝1，b
c
＝0)。等效线路的参数为：g
ij
＝g
s
/k，b
ij
＝g
s
/k，g
si
＝(1
‑
k)g
s
/k2，g
si
＝(1
‑
k)b
s
/k2 b
c
/2，g
ij
＝
‑
g
ij
，b
ij
＝
‑
b
ij
；
[0039]
对热力系统的双线性变换如式(12)所示：
[0040][0041]
其中，式中m
ij
代表支路流量量测量，m
qi
代表节点注入流量量测量，t
si
、t
ri
分别代表节点供热温度量测量和节点回热温度量测量，φ
i
代表节点注入热功率量测量，m
ij,a
、t
si,a
、t
ri,a
、m
ij
、n
ij
分别代表辅助状态变量，c
p
代表比热容(j/(kg
·
k))；
[0042]
整理后得到线性的状态估计模型如式(13)所示：
[0043][0044]
其中，
[0045]
其中，h
uv
表示所得雅可比矩阵，h
pr
表示所得雅可比矩阵，h
px
表示所得雅可比矩阵，h
qr
表示所得雅可比矩阵，h
qx
表示所得雅可比矩阵，h
pv
表示所得雅可比矩阵，h
pr
表示所得雅可比矩阵，h
px
表示所得
雅可比矩阵，h
qv
表示所得雅可比矩阵，h
qr
表示所得雅可比矩阵，h
qx
表示所得雅可比矩阵，h
ma
表示所得雅可比矩阵，h
qa
表示所得雅可比矩阵，表示所得雅可比矩阵，表示所得雅可比矩阵，h
φm
表示所得雅可比矩阵，h
φn
表示所得雅可比矩阵。
[0046]
优选地，所述步骤b进一步包括以下步骤：
[0047]
步骤b1：将电力系统的历史量测数据作为模型输入，电力系统的历史辅助状态变量数据作为模型输出；利用偏最小一乘法作为回归算法，实现电力系统状态估计模型的线性回归；
[0048]
步骤b2：将热力系统历史量测数据作为模型输入，热力系统历史辅助状态变量数据作为模型输出；利用最小一乘法作为回归算法，实现热力系统状态估计模型的线性回归；
[0049]
步骤b3：将电力系统和热力系统的两个回归模型整合成统一的适用于电
‑
热综合能源系统的状态估计模型表示为如式(3)所示：
[0050]
x
a
＝cz ε
ꢀꢀ
(3)，
[0051]
其中常数矩阵c为：c＝[c
ae
,0；0,c
ah
]，c
ae
为电力系统历史数据回归得到的常系数矩阵，c
ah
为热力系统历史数据回归得到的常系数矩阵。
[0052]
更优选地，所述步骤b1进一步包括：
[0053]
步骤b11：利用偏最小一乘法进行线性状态估计模型的回归；所述偏最小一乘法包括用主成分分析法对输入输出变量提取成分，表示为t
i
＝xw
i
,u
i
＝yc
i
，其中，t
i
代表从自变量矩阵x中提取的主成分向量，w
i
代表对应的系数向量，u
i
代表从因变量矩阵y中提取的主成分向量，c
i
为对应的系数向量；
[0054]
步骤b12:再运用最小一乘法对所提取主成分进行回归，表示为y
i
＝tb h,其中，y
i
代表因变量矩阵y中的列向量，矩阵t代表自变量的主成分向量t
i
组成的矩阵，b代表回归系数向量，h代表误差向量；其中，最小一乘法回归模型表示为：min|h|＝min|tb
‑
y
i
|。
[0055]
更优选地，所述步骤b2进一步包括：
[0056]
步骤b21：运用最小一乘法对输入输出变量进行回归，表示为y
i
＝tb h；其中，最小一乘法回归模型表示为：min|h|＝min|tb
‑
y
i
|。
[0057]
优选地，所述步骤c进一步包括以下步骤：
[0058]
步骤c1：得到模型x
a
＝cz ε后，将当前量测量z作为输入，得到模型输出为x
a
＝[v
i
；r
ij
；x
ij
；m
ij,a
；t
si,a
；t
ri,a
；m
ij
；n
ij
],其中，矩阵c为回归所得的系数矩阵，代表从z到x
a
的线性关系；
[0059]
步骤c2：得到x
a
后，对其进行线性和非线性变换，最终得到状态变量x。
附图说明
[0060]
图1为本发明基于数据驱动的电
‑
热综合能源系统状态估计方法流程图。
[0061]
图2为电
‑
热综合能源系统拓扑结构图。
[0062]
图3为π型支路等效模型图。
具体实施方式
[0063]
下面结合附图，对本发明进一步详细说明。本发明的附加优点将在下面的描述中部分给出，通过下面的描述变得更加明显。
[0064]
本发明提供了一种基于数据驱动的电
‑
热综合能源系统状态估计方法，包括以下步骤：
[0065]
步骤a.对历史状态估计数据进行整理，得到历史量测量数据和历史状态变量数据，并对历史状态变量进行非线性变换，得到历史辅助状态变量，此基础上，将历史数据按照不同的系统进行分类，得到电力系统历史数据和热力系统历史数据，在此基础上，利用双线性变换的方法，将非线性的状态估计模型变换为线性的状态估计模型：z
e,a
＝h
ae
x
e,a
r
e
，z
h,a
＝h
ah
x
h,a
r
h
；
[0066]
步骤a1：所述对历史数据进行分类，得到历史量测量数据和历史状态变量数据，并对历史状态变量数据进行非线性变换得到历史辅助状态变量数据，其中历史量测量数据包括：历史状态变量数据包括：历史辅助状态变量数据包括x
a
＝[m；t
si,a
；t
ri,a
；m
ij
；n
ij
；v
i
；r
ij
；x
ij
]。从历史状态变量到历史辅助状态变量的非线性变换表达式为：m＝m
ij
，t
si,a
＝t
si,a
，t
ri,a
＝t
ri,a
，m
ij
＝m
ij
×
t
si
，n
ij
＝m
ij
×
t
ri
，r
ij
＝u
i
u
j
cosθ
ij
，x
ij
＝u
i
u
j
sinθ
ij
。此基础上，将历史数据按照不同的系统进行分类，得到电力系统历史数据和热力系统历史数据。电力系统历史数据包括：z
e,a
＝[u2；p；q；p
b
；q
b
]，x
e,a
＝[v
i
；r
ij
；x
ij
]；热力系统历史数据包括：z
h,a
＝[m；m
q
；t
s
；t
r
；φ]，x
h,a
＝[m；t
si,a
；t
ri,a
；m
ij
；n
ij
]。
[0067]
式中：u
i
为节点电压幅值，θ
i
为节点电压相角，p
i
为节点注入有功功率，q
i
为节点注入无功功率，p
ij
为支路有功功率，q
ij
为支路无功功率；p
i
为节点压强，m
ij
为支路流量，m
qi
为节点注入流量，t
si
为节点供热温度，t
ri
为节点回热温度，φ
i
为节点注入热功率。
[0068]
步骤a2：基于步骤a1变换后的量测量和辅助状态变量，利用双线性变换的方法，将非线性的状态估计模型变换为线性的状态估计模型：z
e,a
＝h
ae
x
e,a
r
e
，z
h,a
＝h
ah
x
h,a
r
h
。
[0069]
电力系统的非线性量测方程一般包括三种量测量：节点i的电压幅值量测；支路ij的功率量测；节点i的注入功率量测。所对应的非线性量测方程如下(为表达简洁，略去了量测方程中的噪声项)：
[0070][0071]
其中，对电力系统的双线性变换如下式：
[0072][0073]
经过线性变换后，电力系统的量测量和辅助状态变量分别变为：z
e,a
＝[u2；p；q；p
b
；q
b
]，x
e,a
＝[v
i
；r
ij
；x
ij
]。式(1)采用了π型等效电路，g
s
jb
s
为串联电纳，b
c
为充电电纳，k代表支路变比(对于不含变压器的支路，k＝1，b
c
＝0)。等效线路的参数为：g
ij
＝g
s
/k，b
ij
＝g
s
/k，g
si
＝(1
‑
k)g
s
/k2，g
si
＝(1
‑
k)b
s
/k2 b
c
/2，g
ij
＝
‑
g
ij
，b
ij
＝
‑
b
ij
。
[0074]
热力系统的非线性量测方程一般包括六种量测量：节点i的压强；节点i的注入流量；支路ij的支路流量；节点i的供热温度和回热温度；节点i的注入热功率。所对应的非线性量测方程如下(为表达简洁，略去了量测方程中的噪声项)：
[0075][0076]
对热力系统的双线性变换如下式：
[0077][0078]
经过线性变换后，热力系统的量测量和辅助状态变量分别变为：z
h,a
＝[m；m
q
；t
s
；t
r
；φ]，x
h,a
＝[m；t
si,a
；t
ri,a
；m
ij
；n
ij
]。
[0079]
整理后得到线性的状态估计模型：
[0080]
其中，其中h
ae
和h
ah
皆为常数雅可比矩阵，其中的分块矩阵表示对应的量测量对辅助状态变量的偏导数。
[0081]
步骤b.利用偏最小一乘法和最小一乘法，分别对电力系统和热力系统历史状态估
计数据进行对线性状态估计模型的回归学习，得到所述的基于数据驱动的电
‑
热综合能源系统状态估计模型：x
a
＝cz ε；
[0082]
步骤b1：将电力系统历史量测数据作为模型输入，历史辅助状态变量数据作为模型输出，利用偏最小一乘法作为回归算法，实现电力系统状态估计模型的线性回归；
[0083]
步骤b2：将热力系统历史量测数据作为模型输入，热力系统历史辅助状态变量数据作为模型输出，利用最小一乘法作为回归算法，实现热力系统状态估计模型的线性回归；
[0084]
步骤b3：完成步骤b1、b2后，将两个回归模型整合成统一的适用于电
‑
热综合能源系统的状态估计模型：x
a
＝cz ε，其中常数矩阵c的结构为：c＝[c
ae
,0；0,c
ah
]，c
ae
为电力系统历史数据回归得到的常系数矩阵，c
ah
为热力系统历史数据回归得到的常系数矩阵。
[0085]
所述步骤b1包括：
[0086]
步骤b11：利用偏最小一乘法进行线性状态估计模型的回归。偏最小一乘法包括：主成分分析法对输入输出变量提取成分，t
i
＝xw
i
,u
i
＝yc
i
。
[0087]
为了简化表述，用矩阵a，x和y分别表示线性化状态估计模型中的回归系数矩阵，量测量矩阵和辅助状态变量矩阵。得到y＝ax。在数据驱动的状态估计回归模型中，x和y更多情况下是矩阵，而不是向量，矩阵中的列数代表了数据集中不同的时间断面(或是一个电
‑
热综合能源系统中代表不同运行状态的系统断面)，而行数则代表了不同的变量个数。x和y的矩阵结构如下，其中x矩阵的最后一行对应着等式中的常数项。在理论推导的过程中，a，x和y以列向量的形式表示：x＝[x
1 x2ꢀ…ꢀ
x
n
]
t
y＝[y
1 y2ꢀ…ꢀ
y
m
]
t
a＝[a
1 a2ꢀ…ꢀ
a
m
]
t
[0088][0089][0090]
plad算法的目标是对两个零均值的矩阵，n
×
t维的矩阵x和m
×
t维的矩阵y进行回归。结合主成分分析法pca和典型相关分析法(canonical correlation analysis,cca)的特征，可以解决共线性问题和可观测性不足的问题。plad通过(7)的形式，将自变量矩阵x和因变量矩阵y分解成p个主成分。
[0091][0092]
其中t和u是由p个被提取的主成分组成的t
×
p的矩阵，c和r是n
×
p和m
×
p维的负载矩阵，e,f是n
×
t和m
×
t维的残差矩阵。数据集x和y中的行向量具有相似的起伏模式，对应着电网数据中的共线性现象。在(7)中，plad算法通过提取主成分，将x和y投射到了维数更低的矩阵t和u上。矩阵t和u中的列向量t
i
和u
i
分别对应着所提取的得分向量，得分向量与矩阵x和y的关系如下：
[0093][0094]
式中，向量w
i
和c
i
是权重向量。
[0095]
步骤b12:再运用最小一乘法对所提取主成分进行回归，y
i
＝tb h，最小一乘法回
归模型为：min|h|＝min|tb
‑
y
i
|。
[0096]
在提取了得分向量t
i
后，对因变量向量y
i
(因变量矩阵y的每一列)和主成分矩阵t使用lad算法进行回归，可以得到如下线性方程：
[0097]
y
i
＝tb h
ꢀꢀ
(9)
[0098]
lad算法的基本形式为：
[0099]
min|h|＝min|tb
‑
y
i
|
ꢀꢀ
(10)
[0100]
与一般的最小二乘法不同，式(10)是不可微的，因此求解起来比较困难。为了求解(10)，对问题进行了等价变换，变换成了如下的线性规划问题：
[0101][0102]
进一步，可以变换成：
[0103][0104]
形如(12)的线性规划问题，可以被进一步简化为：
[0105][0106]
式(13)是一个标准的线性规划问题，运用工具箱如cplex就可以轻松求解。在求解(13)后，可以得到向量b，将(8)代入到(9)中，就能得到从x到y
i
的线性映射。
[0107]
最后，给出更新后的自变量矩阵和因变量矩阵x
*
和y
*
后，因变量矩阵y
*
的值可以通过下式进行预测：
[0108]
y
*
＝ax
*
ꢀꢀ
(14)
[0109]
其中矩阵a是对每个列向量y
i
实施上述步骤而获取的。
[0110]
所述步骤b2包括：
[0111]
步骤b21：运用最小一乘法对输入输出变量进行回归，y
i
＝tb h，最小一乘法回归模型为：min|h|＝min|tb
‑
y
i
|。
[0112]
步骤c.基于步骤a与步骤b，在得到模型后，将当前量测量作为模型的输入，得到模型输出后，对其进行线性与非线性变换后，最终得到状态变量估计值。包括以下步骤：
[0113]
步骤c1：得到模型x
a
＝cz ε后，将当前量测量z作为输入，得到模型输出为x
a
＝[v
i
；r
ij
；x
ij
；m
ij,a
；t
si,a
；t
ri,a
；m
ij
；n
ij
]。
[0114]
步骤c2：得到x
a
后，对其进行线性和非线性变换，最终得到状态变量x。
[0115]
首先对辅助状态变量x
a
进行如(15)的非线性变换，得到中间状态变量x
i
＝[u
i,i
；θ
ij,i
；π
ij,i
；t
si,i
；t
ri,i
]，
[0116][0117]
得到中间状态变量x
i
后，对其进行如(16)变换，最终得到状态变量x。其中，a
e
、a
h
分别为电力系统与热力系统降阶的节
‑
支关联矩阵(不包含松弛节点)。
[0118][0119]
为使本领域技术人员更好地理解本发明以及了解本发明相对现有技术的优点，申请人结合具体实施例进行进一步的阐释。
[0120]
采用ieee14节点电力系统与巴厘岛32节点热力系统耦合的电
‑
热综合能源系统来说明本文算法对电
‑
热综合能源系统的适应性。该系统的网络拓扑结构结构如图2，其中，ieee14节点电力系统的参考节点1与巴厘岛32节点热力系统的热源节点31通过一台燃气轮机相连，比例系数c
m1
＝1.3；电力系统中的pv节点8与热力系统的松弛节点1通过一台汽轮机相连，其中z＝8.1,p
con
＝0.2p.u；电力系统中的pv节点6与热力系统的热源节点32通过一台内燃机相连，比例系数c
m2
＝1.266。系统拓扑图如图1所示。量测值通过在潮流计算结果的基础上叠加高斯白噪声(均值为0，方差为τ)来获得。电力系统的量测噪声标准差均设置为10
‑3，热力系统的量测噪声标准差均设置为10
‑4。通过调整电网和热网的注入功率和节点负荷，形成不同的系统运行断面。其中，电网中的节点有功功率负荷由一个预设的有功功率负荷乘上一个满足[0.8,1.2]的均匀分布的系数得到；无功功率负荷由一个预设的无功功率负荷乘上一个满足[0.15,0.25]的均匀分布的系数得到；热网的节点热功率负荷由一个预设的热功率负荷乘上一个满足[0.8,1.2]的均匀分布的系数得到。将所生成的数据集分为两部分：训练集和测试集。训练集数据的数据量设为500组历史数据，测试集的数据量设为300组历史数据。将训练集的数据输入到基于数据驱动的状态估计模型中，通过运用所提的回归算法，最终得到所需的状态估计模型。在得到模型后，将测试集数据输入到所得模型中，用以测试回归所得的模型的准确性。
[0121]
1、精确性分析
[0122]
为表征状态估精确性，选取状态变量的估计误差平均值x
i,error
、状态变量的最大估计误差s
max
作为状态估计性能分析的指标。分别表示为：
[0123][0124][0125]
其中，x
true
、分别为状态变量的真实值与估计值；x
i,true
、分别为x
true
、中的第i个状态变量的潮流计算真值与估计值；t为测试集数据量的大小代表着系统运行断面的个数，同时也是进行蒙特卡洛仿真实验的次数。
[0126]
在表1中展示了两种状态估计方法的最大估计误差s
max
。对于电力系统的状态变量u和θ，基于双线性wlav的状态估计方法表现更好，而基于数据驱动的状态估计方法在估计热网状态变量p,t
r
和t
s
时，表现出了更高的估计精度。
[0127]
表1状态变量的最大估计误差
[0128][0129]
表2记录了在分别使用两种状态估计方法后，电
‑
热综合能源系统中电网部分的状态估计结果。
[0130]
表2不同状态估计方法下的状态估计结果
[0131]
[0132][0133]
从表2，可以得出以下结论：
[0134]
(1)基于数据驱动的状态估计方法和基于双线性wlav的状态估计方法都能以较高的估计精度对状态变量u进行估计。
[0135]
(2)在对状态变量θ进行状态估计时，两种状态估计方法的估计精度比较接近，双线性wlav的估计精度要更高。
[0136]
2、计算效率分析
[0137]
本发明所提出的算法是基于数据驱动的状态估计算法，直接构建起量测量到状态变量的映射关系，传统的基于模型驱动的状态估计方法则是建立在综合能源系统的数学物理关系的基础上，求解这样的状态估计模型往往需要进行多次复杂的非线性迭代，而基于数据驱动的方法则可以避开对复杂模型的多次迭代，进而大大提高计算效率。为说明算法的计算效率，分别对基于线性wlav的状态估计算法本发明提出的算法进行仿真分析。
[0138]
表3则记录了在进行单次，300次，1000次状态估计的情况，两种状态估计方法各自所需的计算时间。
[0139]
表3不同状态估计方法的计算时间
[0140][0141]
由表3的数据可知，本发明算法在对同一电
‑
热综合能源系统进行状态估计时，能以较快的速度完成状态估计，计算效率得到了较大的提升。这是因为在进行基于数据驱动的电
‑
热综合能源系统状态估计时，输入量测量与输出辅助状态变量之间是简单的线性映射关系，大大地降低了计算负担，而基于线性wlav的状态估计方法需要进行多次迭代，因此计算效率要低于本发明提出的方法。
[0142]
3、耦合精度校验
[0143]
耦合元件将电力系统和热力系统两个原本相互独立的系统连接起来，通过耦合元件实现了两端物理量的相互转换，而耦合元件两端的物理量需要服从耦合元件带来的耦合约束。在对状态估计结果进行精度分析时，状态变量是否满足耦合约束是一个重要的精度分析指标。表4为本发明算法在不同规模的蒙特卡洛实验下，对状态估计结果进行耦合精度校验的结果。可以看出，本发明提出的状态估计方法所求得的状态变量能够以较高的精度满足耦合元件带来的耦合约束，保证了电
‑
热综合能源系统的耦合关系不被破坏。
[0144]
表4耦合元件的平均测试精度
[0145][0146]
通过以上的仿真分析可以看出，本发明的基于数据驱动的状态估计方法对比传统的基于模型驱动的状态估计方法具有优势，具体表现在：具有良好的估计精度和较高的计算速度；通过建立量测量与状态变量之间的直接映射关系，摆脱了以往传统方法对物理模型的依赖；并且能够以较高的精度满足耦合元件的耦合约束。
[0147]
综上所述，本发明所提供的基于数据驱动的电
‑
热综合能源系统状态估计方法(data
‑
driven state estimation method for integrated electricity
‑
heat system)，能够对电
‑
热综合能源系统进行高精度、高计算效率的状态估计，同时仿真算例验证了所提
方法与传统的基于模型驱动的综合能源系统状态估计算法相比，不需要对系统的网络拓扑结构有精准的掌握，适用于大规模综合能源系统的高效率状态估计。
[0148]
上述实施例对本发明的技术方案进行了详细说明。显然，本发明并不局限于所描述的实施例。基于本发明中的实施例，熟悉本技术领域的人员还可据此做出多种变化，但任何与本发明等同或相类似的变化都属于本发明保护的范围。