[发明专利]一种电-气耦合系统状态估计方法、系统、设备及介质

说明书

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。

技术领域

本发明涉及综合能源系统状态估计领域，具体涉及一种电-气耦合系统状态估计方法、系统、设备及介质。

背景技术

为实现碳达峰与碳中和目标，亟需加快能源结构转型，大力发展综合能源服务，推动节能提效、降本降碳。电-气综合能源系统以电能与天然气两种清洁能源为能源主体，有利于推动绿色低碳的能源体系建设，是能源结构转型的重要环节之一。状态估计技术可对电-气综合能源系统中的量测数据进行滤波处理，得到更为精准的系统运行状态量，为系统安全稳定运行提供数据支撑，有助于电-气综合能源系统的推广与应用。

近年来，出于可靠性与安全性需求，众多专家学者对状态估计技术在电-气综合能源系统的应用进行了探索与研究。董雷等人提出了多时间断面电-气综合能源系统状态估计，通过引入离散化的天然气管道方程来描述其暂态变化过程，模拟电-气综合能源系统动态特性。董今妮等人考虑到气网中压缩机和调压阀特性，提出了面向能源互联网的电-气耦合网络状态估计方法。陈艳波等人提出了基于加权最小绝对值的电-气综合能源系统抗差状态估计，解决了传统加权最小二乘法估计抗差性弱的问题。兰浦哲等人采用贝叶斯学习获取量测量的概率统计特征，并利用蒙特卡洛采样生成完备量测数据，最后采用均方根误差的评判标准对长短期记忆深度学习网络进行训练，有效提升了电-气综合能源系统状态估计的精度。

以上研究均促进了状态估计技术在电-气综合能源系统的应用，但现有技术对电-气耦合系统非线性影响下的状态估计仍然不准确。

发明内容

为了解决目前电-气耦合系统非线性影响下的状态估计不准确的问题，本发明提供了一种电-气耦合系统状态估计方法，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。

优选的，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。

优选的，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的训练之前还包括：

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量数据；

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数据高频数据和低频数据。

优选的，所述高频长短期记忆神经网络的训练包括：

由所述历史量测数据高频数据作为高频长短期记忆神经网络的输入，所述历史状态数据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。