一种基于MCMC算法的综合能源系统可靠性评估方法

一种基于mcmc算法的综合能源系统可靠性评估方法
技术领域
1.本发明属于电力系统安全稳定控制技术领域，特别是一种基于mcmc算法的ies可靠性评估方法。


背景技术：

2.随着能源供应不足以及过度依赖化石能源等问题日益严峻，能源转型和能源结构调整迫在眉睫。综合能源系统(integrated energy system，ies)是一种新型的区域型供能系统，集成了多种能源(电/气/热/冷)，是多能互补与能量阶级利用的体现。这种新型的供能载体不仅实现了“电气热冷水”多能源种类的互补，还促进了“源网荷储”多能量转化环节的协同优化，进一步加深了能源侧和用户侧的双向互动。与传统的电力系统可靠性评估不同，ies含有多种能源形式，不同种类的能源其特性也各不相同。比如电能和冷/热能在动态传递过程中的时间尺度、供能中断用户的感受都不相同，比如可再生能源出力具有较强的时空不确定性，因此所建立的评估模型、衡量指标和选用的算法也有着明显的区别。此外，不同种类的能源之间存在着深度耦合，通过各种能量转化设备实现多能变换，如何描述不同能源、不同设备之间的耦合关系和耦合程度，这也为ies的研究带来了挑战。ies内部多个子系统互联互通，单个子系统的故障很容易转移从而造成整个系统的瘫痪，因此对ies进行有针对性的可靠性评估显得尤为重要。
3.ies的可靠性评估定义为，在给定的条件下、在给定的时间内，ies完成规定功能的能力。对此问题，传统的可靠性评估理论中，元件的性能多通过两个状态来描述，即“正常工作”和“完全失效”，而ies中存在多种能量耦合设备，如何准确的描述不同能量转化设备、不同供能网络的耦合程度仍具有许多挑战。此外，传统的可靠性评估方法通过概率分布描述元件处于各性能水平的概率，计算简便，但无法反映各个状态之间进行转移的时序特性，难以适用于短期的时变的可靠性计算。最后，传统的可靠性评估算法，例如状态模拟法、传统的mc模拟法等，求解时间较长且精度不够，难以满足ies可靠性评估的快速性与精确性的要求。


技术实现要素：

4.本发明的目的在于针对上述现有技术存在的问题，提供一种基于mcmc算法的综合能源系统可靠性评估方法，验证了多能子系统联合运行、考虑温度负荷故障传输迟滞性对系统可靠性的提升作用，有助于保障ies的安全可靠运行，从而充分挖掘其经济与社会价值，并且采用mcmc算法对ies进行可靠性评估，提高了可靠性评估方法的效率和准确性。
5.实现本发明目的的技术解决方案为：一种基于mcmc算法的综合能源系统可靠性评估方法，所述方法包括以下步骤：
6.步骤1，基于马尔科夫过程建立能量设备的可靠性模型；
7.步骤2，建立综合能源系统即ies的可靠性评估指标；
8.步骤3，基于mcmc算法对ies进行可靠性评估。
9.进一步地，步骤1所述基于马尔科夫过程建立能量设备的可靠性模型，具体包括：
10.(1)针对独立型能量设备
11.独立型能量设备有两种状态，包括正常状态和故障状态，分别记为0和1，用故障率λ和修复率μ表示两种状态间的转移概率；根据马尔科夫过程理论，得到第i个设备在t时刻的状态概率：
[0012][0013][0014]
式中，为第i个设备在t时刻处于正常状态的概率；为第i个设备在t时刻处于故障状态的概率；
[0015]
(2)针对耦合型能量设备
[0016]
耦合型能量设备的状态模型，设0为正常状态，那么多状态模型即耦合型能量设备的状态模型只含有从0状态向非0状态的转移，而不存在非0状态之间的互相转移；根据马尔科夫过程理论，得到多状态系统的状态概率为：
[0017][0018][0019]
式中，p0为多状态系统处于正常状态的概率；pi为多状态系统处于故障状态的概率；λi为系统处于状态i的故障率；μi为系统处于状态i的修复率。
[0020]
进一步地，步骤2中ies的可靠性评估指标包括：
[0021]
(1)供能不足概率
[0022]
包括供电、供热、供冷不足概率和总供能不足概率，分别表示为：
[0023][0024][0025][0026][0027]
式中，n为随机抽样的总次数；f
lolp.e
(xi)，f
lolp.h|
(xi)，f
lolp.c
(xi)，f
lolp.e||h||c
(xi)分别为供电、供热、供冷和总供能电力不足概率的试验函数，对于状态xi，只要出现一种负荷供能不足，则有f
lolp.e||h||c
(xi)＝1；
[0028]
(2)供能不足期望值
[0029]
包括供电、供热、供冷不足期望值和总供能不足期望值，分别表示为：
[0030][0031][0032][0033][0034]
式中，f
eens.e
(xi)、f
eens.h
(xi)、f
eens.c
(xi)、f
eens.all
(xi)分别表示系统在xi状态下切除的电负荷、热负荷、冷负荷及所有节点的有功负荷，且f
eens.all
(xi)＝f
eens.e
(xi) f
eens.h
(xi) f
eens.c
(xi)；
[0035]
(3)计及温度负荷惯性的故障传输迟滞时间
[0036]
温度负荷供能中断后，室内温度的动态变化过程符合热力学能量守恒定律，表示为：
[0037][0038]
式中，ρ、c、v分别为建筑物内空气的密度、比热容和体积；h为室内外空气的热传导系数；a为建筑物的表面积；t
∞
为室外温度；
[0039]
对上式进行推导，得到温度负荷惯性的故障传输迟滞时间t
p
：
[0040][0041]
式中，t
in
和t
out
分别为室内外温度；t
p
为衡量不同建筑物热储备系数的标准温度。
[0042]
进一步地，步骤3所述基于mcmc算法对ies进行可靠性评估，具体包括：
[0043]
步骤3.1，初始化综合能源系统的数据，包括电力、天然气、供热、供冷子系统的设备数据和能量传输线路的数据，电/热/冷负荷数据，各种设备元件、线路元件的故障率和故障修复时间，可靠性指标的收敛判据，mcmc算法的最大抽样次数，环境温度数据；
[0044]
步骤3.2，确定综合能源系统的初始状态，设置初始状态下所有元件都未发生故障，并对系统进行拓扑结构分析和潮流计算，潮流计算包括潮流功率平衡和多能流耦合平衡；
[0045]
步骤3.3，采用mcmc算法对多时段的系统元件进行状态抽样，所述系统元件包括能量转化设备、发电机、电能传输线路、天然气传输管道；
[0046]
步骤3.4，对步骤3.3中抽样得到的系统状态，统计并计算计及温度负荷惯性的故障传输迟滞时间指标，然后对系统状态进行故障判断，提取其中发生故障的状态，并依据步骤3.2的结果获取故障状态的潮流分布信息；
[0047]
步骤3.5，对步骤3.4中获取的故障状态进行状态分析，根据多能流平衡理论分析该故障是否会引起上一级或者下一级子系统的故障，以及发生故障产生的供能不足，是否需要进行负荷侧的削减和优化，并计算多种负荷的削减量；
[0048]
步骤3.6，统计并计算ies的可靠性评估指标lolp和eens；
[0049]
步骤3.7，判断是否达到设定的最大抽样次数，若是则执行下一步，否则判断mcmc算法是否收敛，若收敛，则执行下一步，否则返回步骤3.3，重新抽样；
[0050]
步骤3.8，对可靠性指标取平均值，并输出电/热/冷子系统的可靠性指标。
[0051]
进一步地，步骤3.4中对系统状态进行故障判断，具体基于下式所示的考虑故障传输迟滞时间的冷热负荷的试验函数进行判断：
[0052][0053]
式中，tr为供能恢复时间，若tr＜t
p
，则将状态xi归为正常状态0，否则归为故障状态1。
[0054]
进一步地，对于温度负荷，从供能中断到供能恢复要经历元件修复时间ttf、供能管道传输时间tc，则供能恢复时间tr表示为：
[0055][0056]
式中，l为供能管道长度；v为能量传输媒介的流速。
[0057]
本发明与现有技术相比，其显著优点为：
[0058]
(1)引入马尔科夫过程来描述ies各元件性能水平的概况和多状态模型，体现了系统实时运行状态下的时变可靠性，更好地实现故障精准定位、薄弱环节辨别等功能；(2)提出了ies可靠性评估的指标体系，包括供能不足概率和供能不足期望值，考虑到温度传输的迟滞性，提出了温度负荷的故障传输迟滞时间，充分体现综合系统的充裕性和安全性；(3)综合考虑ies的动态特性和时序性，提出了适用于多能耦合系统的mcmc评估方法，该方法在保证计算精度和准确性的同时，能有效提高计算速度。
[0059]
下面结合附图对本发明作进一步详细描述。
附图说明
[0060]
图1是基于mcmc的ies可靠性评估方法的流程图。
[0061]
图2是马尔科夫两状态转移关系图。
[0062]
图3是马尔科夫多状态转移关系图。
[0063]
图4是57节点电气热冷ies拓扑图。
[0064]
图5是可再生能源发电预测出力图。
[0065]
图6是ies负荷图。
具体实施方式
[0066]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0067]
在一个实施例中，结合图1，一种基于mcmc算法的综合能源系统可靠性评估方法，所述方法包括以下步骤：
[0068]
步骤1，基于马尔科夫过程建立能量设备的可靠性模型；具体包括：
[0069]
(1)针对独立型能量设备
[0070]
如图2所示，独立型能量设备有两种状态，包括正常状态和故障状态，用故障率λ和修复率μ表示两种状态间的转移概率。独立设备的停运过程是随机的，即{x(t),t∈t}，根据马尔科夫过程理论，第i个设备的状态转移概率pi可以表示为：
[0071][0072]
式中，表示第i个设备从状态0转移到状态1的概率，因为不考虑状态二次转移的情况，所以这里的转移概率可以约等于故障率。
[0073]
由此得到设备i在t时刻的状态概率：
[0074][0075][0076]
式中，为第i个设备在t时刻处于正常状态的概率；为第i个设备在t时刻处于故障状态的概率；
[0077]
(2)针对耦合型能量设备
[0078]
用马尔科夫过程对耦合设备的多状态特性进行描述，假设该设备有n种运行状态，其状态转移关系如图3所示。耦合型能量设备的状态模型，不只有0和1两种状态，假设0为正常状态，那么多状态模型即耦合型能量设备的状态模型只含有从0状态向非0状态的转移，而不存在非0状态之间的互相转移；根据马尔科夫过程理论，得到多状态系统的状态概率为：
[0079][0080][0081]
式中，p0为多状态系统处于正常状态的概率；pi为多状态系统处于故障状态的概率；λi为系统处于状态i的故障率；μi为系统处于状态i的修复率；
[0082]
步骤2，建立综合能源系统即ies的可靠性评估指标，包括：
[0083]
(1)供能不足概率
[0084]
在电力系统中，电力不足概率(lolp)也称为切负荷概率，反映的是系统电能供应不能满足负荷需求的概率。电力供不应求就需要对负荷需求进行削减，lolp通常是指切负荷次数与总抽样次数之比，用公式可以表示为：
[0085][0086]
式中，n为随机抽样的总次数，f
lolp
(xi)是lolp的试验函数，可以表示为：
[0087][0088]
将lolp类比到供热系统和供冷系统，下面统称为供能不足概率，可以得到供电、供热、供冷不足概率和总供能不足概率分别表示为：
[0089][0090][0091][0092][0093]
式中，n为随机抽样的总次数；f
lolp.e
(xi)，f
lolp.h|
(xi)，f
lolp.c
(xi)，f
lolp.e||h||c
(xi)分别为供电、供热、供冷和总供能不足概率的试验函数，对于状态xi，只要出现一种负荷供能不足，则有f
lolp.e||h||c
(xi)＝1；
[0094]
(2)供能不足期望值
[0095]
在电力系统中，电量不足期望值(eens)反映的是系统故障产生的能量缺供的期望值，即一段时间内各类负荷削减量的平均值，体现了系统中能量的短缺量。将eens类比到供热系统和供冷系统，下面统称为供能不足期望值，可以得到供电、供热、供冷不足期望值和总供能不足期望值分别表示为：
[0096][0097][0098][0099][0100]
式中，f
eens.e
(xi)、f
eens.h
(xi)、f
eens.c
(xi)、f
eens.all
(xi)分别表示系统在xi状态下切除的电负荷、热负荷、冷负荷及所有节点的有功负荷，且f
eens.all
(xi)＝f
eens.e
(xi) f
eens.h
(xi) f
eens.c
(xi)；
[0101]
(3)计及温度负荷惯性的故障传输迟滞时间
[0102]
由于温度负荷的惯性，负荷侧对于温度负荷供能中断，从中断发生到中断被察觉到具有一定的时间，将这段时间定义为故障传输迟滞时间。温度负荷供能中断后，室内温度的动态变化过程符合热力学能量守恒定律，可以用公式表示为：
[0103]
[0104]
式中，ρ、c、v分别为建筑物内空气的密度、比热容和体积；h为室内外空气的热传导系数；a为建筑物的表面积；t
∞
为室外温度；
[0105]
对上式进行推导，得到温度负荷惯性的故障传输迟滞时间t
p
：
[0106][0107]
式中，t
in
和t
out
分别为室内外温度；t
p
为衡量不同建筑物热储备系数的标准温度；
[0108]
步骤3，基于mcmc算法对ies进行可靠性评估。
[0109]
(1)mcmc算法。
[0110]
作为一种随机抽样方法，mcmc算法的主要思想是对含有动态特性的随机变量建立马尔可夫链，对其进行状态抽样模拟，当马尔可夫链达到平稳分布时可以得到状态转移矩阵和概率分布，并依据各状态的分布概率对马尔科夫链进行抽样，从而得到一个样本集，最终得到样本集每个抽样点的mc积分。
[0111]
mcmc的抽样过程可以分为以下几个步骤：
[0112]
1)输入状态转移矩阵p，平稳状态下的概率分布π(x)，设置最大状态转移次数n1，所需样本个数n2；
[0113]
2)按照π(x)随机抽样，得到初始状态值x0；
[0114]
3)从初始状态到第n1 n
2-1个状态：
[0115]
a)从条件概率分布q(x|x
t
)中抽样得到样本x
*
；
[0116]
b)从均匀分布中抽样u～uniform[0,1]；
[0117]
c)如果u＜α(x
t
,x
*
)＝π(x
*
)q(x
*
,x
t
)，则接受状态x
t
向状态x
*
转移，即x
t 1
＝x
*
；
[0118]
d)否则不接受转移，即x
t 1
＝x
t
；
[0119]
最终得到平稳状态下的抽样样本集(x
n1
,x
n1 1
,...,x
n1 n2-1
)。
[0120]
其中α(x
t
,x
*
)是状态转移的接受率，通常情况下计算得到的接受率非常小，这就导致在抽样次数较小时，系统无法进行状态转移，导致抽样效率低下。为了改进这一缺点，科学家们提出了两种抽样方式，分别是metropolis-hastings抽样(简称m-h抽样)和gibbs抽样，m-h抽样方式下的接受率可以表示为：
[0121][0122]
(2)基于mcmc的可靠性评估计算。
[0123]
系统可靠性评估过程主要包括状态抽样、状态分析和指标计算。其中状态抽样环节利用马尔科夫链对多状态系统进行随机抽样，得到所有设备所有元件的状态转移过程，并标记其中发生故障的次数；状态分析则是对多种状态进行能流分析和负荷削减优化；指标计算就是在多个状态抽样与分析的循环中统计并计算可靠性指标，并得到指标的平均值。
[0124]
结合ies的多能流分析方法、考虑动态特性的马尔科夫链、考虑状态时序的序贯mc模拟法，提出适用于ies的mcmc可靠性评估方法。具体步骤如下所示。
[0125]
步骤3.1，初始化综合能源系统的数据，包括电力、天然气、供热、供冷子系统的设备数据和能量传输线路的数据，电/热/冷负荷数据，各种设备元件、线路元件的故障率和故障修复时间，可靠性指标的收敛判据，mcmc算法的最大抽样次数，环境温度数据；
[0126]
步骤3.2，确定综合能源系统的初始状态，设置初始状态下所有元件都未发生故障，并对系统进行拓扑结构分析和潮流计算，潮流计算包括潮流功率平衡和多能流耦合平衡；
[0127]
步骤3.3，采用mcmc算法对多时段的系统元件进行状态抽样，所述系统元件包括能量转化设备、发电机、电能传输线路、天然气传输管道；
[0128]
步骤3.4，对步骤3.3中抽样得到的系统状态，统计并计算计及温度负荷惯性的故障传输迟滞时间指标，然后对系统状态进行故障判断，提取其中发生故障的状态，并依据步骤3.2的结果获取故障状态的潮流分布信息；其中对系统状态进行故障判断，具体基于下式所示的考虑故障传输迟滞时间的冷热负荷的试验函数进行判断：
[0129][0130]
式中，tr为供能恢复时间，若tr＜t
p
，则将状态xi归为正常状态0，否则归为故障状态1；
[0131]
对于温度负荷，从供能中断到供能恢复要经历元件修复时间ttf、供能管道传输时间tc，则供能恢复时间tr表示为：
[0132][0133]
式中，l为供能管道长度；v为能量传输媒介的流速；
[0134]
步骤3.5，对步骤3.4中获取的故障状态进行状态分析，根据多能流平衡理论分析该故障是否会引起上一级或者下一级子系统的故障，以及发生故障产生的供能不足，是否需要进行负荷侧的削减和优化，并计算多种负荷的削减量；
[0135]
步骤3.6，统计并计算ies的可靠性评估指标lolp和eens；
[0136]
步骤3.7，判断是否达到设定的最大抽样次数，若是则执行下一步，否则判断mcmc算法是否收敛，若收敛，则执行下一步，否则返回步骤3.3，重新抽样；
[0137]
步骤3.8，对可靠性指标取平均值，并输出电/热/冷子系统的可靠性指标。
[0138]
在一个实施例中，提供了一种基于mcmc算法的综合能源系统可靠性评估系统，所述系统包括：
[0139]
模型构建模块，用于基于马尔科夫过程建立能量设备的可靠性模型；
[0140]
指标建立模块，用于建立综合能源系统即ies的可靠性评估指标；
[0141]
评估模块，用于基于mcmc算法对ies进行可靠性评估。
[0142]
关于基于mcmc算法的综合能源系统可靠性评估系统的具体限定可以参见上文中对于基于mcmc算法的综合能源系统可靠性评估方法的限定，在此不再赘述。上述基于mcmc算法的综合能源系统可靠性评估系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0143]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0144]
步骤1，基于马尔科夫过程建立能量设备的可靠性模型；
[0145]
步骤2，建立综合能源系统即ies的可靠性评估指标；
[0146]
步骤3，基于mcmc算法对ies进行可靠性评估。
[0147]
关于每一步的具体限定可以参见上文中对于基于mcmc算法的综合能源系统可靠性评估方法的限定，在此不再赘述。
[0148]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0149]
步骤1，基于马尔科夫过程建立能量设备的可靠性模型；
[0150]
步骤2，建立综合能源系统即ies的可靠性评估指标；
[0151]
步骤3，基于mcmc算法对ies进行可靠性评估。
[0152]
关于每一步的具体限定可以参见上文中对于基于mcmc算法的综合能源系统可靠性评估方法的限定，在此不再赘述。
[0153]
作为一种具体示例，在其中一个实施例中，对本发明进行进一步验证说明。
[0154]
示例选取ieee39节点电力系统、6节点天然气系统、8节点供热系统和4节点供冷系统互联组成57节点ies，系统拓扑结构如图4所示。ieee39节点电力系统共有39条母线，包括10条发电机母线和19条负荷母线，是电力系统领域较为典型的区域性输电系统网络。
[0155]
6节点天然气网包含2个气源节点，分别与节点4和6相连，节点1、2、3通过chp机组与电力系统和热力系统相连，chp机组与电力系统编号39的节点相连，gb与供热系统编号7和编号1的节点相连。8节点热网含有3个热负荷节点，它们的编号分别为5、6、8，热网中的所有热量由天然气网供给。4节点冷网含有1个冷负荷节点，编号为4，冷网中的所有能量由电网供给，编号1、3的节点通过两台ec与电力系统编号39的节点相连。
[0156]
如图5所示为日前调度wt、pv的预测出力图，可以看出pv出力符合正态分布，与光照强度息息相关，符合“昼开夜停”的出力特性；风电出力很明显具有反调峰特性，在白天的用电高峰期出力小，在夜间的用电低谷期出力较大。
[0157]
如图6所示为ies的电负荷、热负荷、冷负荷曲线图，可以看出电负荷需求量最大，热负荷需求略小于电负荷，冷负荷最小，计算得到用户总的电负荷、热负荷、冷负荷分别为81.395mw、78.5060mw、23.483mw。
[0158]
其中，电负荷曲线符合负荷用户的生活习惯，在上午10-11时和下午19-20时分别达到早高峰和晚高峰，在夜间23时至次日5时处于低谷时刻。热负荷曲线分布情况与一天的温度分布相反，在温度最高的时间段12-16时热负荷最小，在夜间温度下降的时间段热负荷最大。冷负荷曲线分布比较平稳，与用户的生活习惯和外界环境因素没有太大关系。
[0159]
对含有电-热-冷三种负荷的多能耦合系统进行可靠性评估，抽样次数设置为50000次，通过以下2种场景的对比，分析评估策略的可行性和准确性。
[0160]
场景1：传统ies可靠性评估方法。各供能系统联合运行，即电-热-冷多能耦合ies，评估方法采用传统的mc法，不考虑温度负荷的故障传输迟滞时间。
[0161]
场景2：基于mcmc算法的ies可靠性评估方法。各供能系统联合运行，即电-热-冷多能耦合ies，考虑温度负荷的故障传输迟滞时间，即冷热惯性，评估方法换成本专利提出的mcmc法。
[0162]
系统在场景1和场景2下的可靠性评估指标如表1所示。
[0163]
表1不同评估算法得出的ies可靠性指标
[0164][0165]
对表1分析可知，本发明提出的mcmc可靠性评估算法与传统可靠性评估方法计算得到的指标基本一致，验证了mcmc评估算法的可行性和准确性。此外，比较两种评估方法的计算时间，可以发现传统方法花费的时间久，接近2个小时，这是因为传统评估方法属于解析算法，对于多状态的ies，其计算量更是呈指数上升。本发明所提出的mcmc算法花费的时间短，比传统方法减少了94.7％，在保证计算精度和准确性的同时，能有效提高计算速度。
[0166]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。