综合能源微网园区系统状态的估计方法

摘要

一种综合能源微网园区系统状态估计方法，可以对热网‑冷网‑电网进行解耦状态估计，本发明与单独的电网状态估计发明相比，引入了更多的量测量，提高了系统冗余度，从而降低了状态估计的平均误差，提高了数据的准确性。此外，解耦估计降低了网络的维数，能够有效缓解计算压力，由于网络规模小，状态估计、不良数据和拓扑错误检测与辨识的速度也较快，也将进一步提高状态估计的计算效率。

权利要求

1.一种综合能源微网园区系统的状态评估方法，其特征在于该方法包括如下步骤：

1)读取网络参数、量测数据：

网络参数包括综合能源微网园区系统中供冷网、供热网的拓扑图、管道参数以及电网的拓扑图和支路导纳，以形成供冷/热网的节点‑支路关联矩阵，供冷/热网的回路‑支路关联矩阵以及电网的节点导纳矩阵；

量测数据包括节点注入有功功率、节点注入无功功率、节点电压幅值、热/冷网回水温度、节点注入水流量、热负荷功率；

2)赋状态变量初值；

采用平直启动法选取初值，电网节点电压幅值初值取1、电网节点电压相角初值取0、热/冷网供水温度初值取热/冷源温度、热/冷网回水温度初值取热/冷负荷温度、节点注入水流量初值取0；

3)分别进行供热网状态、供冷网状态估计：①按照下列式(1)列写供热网状态、供冷网状态的量测方程：式中：i为节点编号；mq为节点注入水流量；A为节点支路关联矩阵；mij为管道水流量；φi为节点热负荷；Cp为水的比热容；Twi为节点供水温度；Tri为节点回水温度；v代表量测误差，其下标表示量测误差的类型；

②按照下列式(2)、(3)、(4)进行状态估算：其中，G称为增益矩阵，为：

每次迭代计算校正：

xk+1＝xk+Δxk    (4)；

③当 时，认为收敛，其中上标k为循环次数， 为第k次状态变量估计值构成的向量；

4)按照下列式(5)由 计算 CCHP电功率PCCHP与制冷/制热功率φCCHP关系为：式中：Cm为CCHP机组的热电比例系数；

5)进行电网状态估计：

①按照下式(6)列写电网量测方程如下：式中：N是电网节点集合，下标j是直接和下标i相连的节点；θij为节点i和节点j间的相角差；Yij＝Gij+Bij为节点i和节点j间的导纳；Ysi＝Gsi+jBsi为节点i的对地导纳；v代表量测误差，其下标表示量测误差的类型；

②通过如下迭代方法获得该状态估计问题的求解公式：其中，G称为增益矩阵，为：

每次迭代计算校正：

xk+1＝xk+Δxk          (9)；

③当 时，认为收敛，其中上标k为循环次数， 为第k次状态变量估计值构成的向量；

6)按照式(10)由 计算

式中：Cm为CCHP机组的热电比例系数；

7)判断 是否成立，若成立，则转至步骤8)；否则，转至步骤3)；

8)输出状态估计结果，包括：电网节点电压幅值、电网节点电压相角、热/冷网供水温度、热/冷网回水温度、节点注入水流量。

说明书

综合能源微网园区系统状态的估计方法

技术领域

[0001] 本发明涉及综合能源微网园区，特别是一种综合能源微网园区系统状态的估计方法。

背景技术

[0002] 随着现代社会对能源需求的急剧增长和化石能源的消耗，能源危机和环境污染逐渐成为亟待解决的问题；随着现代工业社会能源消费与能源结构的重大改变，传统以电力、热力、油气等大规模集中式单一能源的供应模式也面临着远距离运输成本高、能源转换与利用效率低、设施重复建设等问题[参见文献1：Zhang S.,Gu W.,Qiu H.,et al.State estimation models of district heating networks for integrated energy system considering incom‑plete measurements[J].Applied Energy,2021,282:116105.]。因此，综合多种能源系统的能源互联网逐渐得到广泛关注和高度重视[参见文献2：李秋燕,王利利,张艺涵,等.能源互联网多能流的耦合模型及动态优化方法综述[J].电力系统保护与控制,2020,48(19):179‑186.]。为了监测系统状态并提高对综合能源系统的管理，需要对状态估计(SE)技术测量数据进行处理以获取准确的状态信息[参见文献3：周华锋,胡亚平,谢国财,姚海成.电力调度状态估计的实用技术研究与实践[J].南方电网技术,2014,8(03):21‑26.Li Qiuyan,Wang Lili,Zhang Yihan,et al.A review of coupling models and dynamic optimization methods for energy internet mul‑ti‑energy flow[J].Power System Protection and Con‑trol,2020,48(19):179‑186]。状态估计在电网精准调度、安全运作和提高经济效益等方面发挥了重要作用。综合能源微网园区系统状态估计方面，电力系统的状态估计研究已经较为成熟[参见文献4：尹冠雄,王彬,孙宏斌,等.多场景适配的多能流在线状态估计功能研发与应用[J].中国电机工程学报,2020,40(21):6794‑6804.]。例如电力系统状态估计基本理论在20世纪70年代就已经明确，并在50余年间不断发展出各种优化方法[参见文献5：吕前程,江晓东,孔祥玉,等.基于新型PMU配置的局部配电网状态估计[J].南方电网技术,2019,13(04):54‑59.[6]林佳颖,秦超,栾文鹏,等.考虑AMI量测特性的配电网状态估计[J].南方电网技术,2016,10(10):3‑10.]。然而，由于综合能源系统增加了与电网性质存在差异的热网、冷网等其他能源网络和冷热电联供(CCHP)机组、电锅炉、热泵等性质各异的耦合设备，需要对经典的状态估计算法进行一定调整，才能适应综合能源系统的运行情况[参见文献7：孙宏斌,潘昭光,郭庆来.多能流能量管理研究:挑战与展望[J].电力系统自动化,2016,40(15):1‑8+16.]。因而针对热网、冷网等其他能源网络的状态估计研究相对较少[参见文献8：董今妮,孙宏斌,郭庆来,等.热电联合网络状态估计[J].电网技术,2016,40(06):1635‑1641.]。文献[8]提出了一种基于加权最小二乘法的电‑热耦合系统状态估计方法，具有较高的收敛性；文献[参见文献9：Fang T,Lahdelma R.State estimation of district heating network based on customer measurements[J].Applied Thermal Engineering,2014,73(01):1211–1221.9]提出了一种基于用户端数据的热网状态估计方法，但该方法不存在量测量冗余，与传统电力系统状态估计存在差异，且估计精度较低；文献[参见文献10：陈艳波,姚远,杨晓楠,等.面向电‑热综合能源系统的双线性抗差状态估计方法[J].电力自动化设备,2019,39(08):47‑54.]提出了一种面向电‑热耦合系统的双线性抗差状态估计方法，对于不良数据具有较好的辨识能力；文献[参见文献11：郑顺林,刘进,陈艳波,等.基于加权最小绝对值的电‑气综合能源系统双线性抗差状态估计[J].电网技术,2019,43(10):3733‑3744.]提出了一种基于加权最小绝对值的电‑气综合能源系统双线性抗差状态估计；文献[参见文献12：董今妮,孙宏斌,郭庆来,等.面向能源互联网的电–气耦合网络状态估计技术[J].电网技术,2018,42(02):400‑408.]建立针对复杂气网的稳态状态估计模型，提出了一种电–气耦合网络状态估计方法。上述文献提出了一些将热网和气网纳入状态估计的可行性方法，但仍存在耦合约束较为复杂、需要进行高维非线性计算等问题。

发明内容

[0003] 本发明针对现有技术的上述不足，提出一种综合能源微网园区系统状态估计方法，可以对热网‑冷网‑电网进行解耦状态估计。分别对综合能源微网园区系统中的热网、冷网、电网进行建模。其中对冷网和热网分别采用水力模型和热度模型建立量测方程，对电网的潮流方程建立量测方程，考虑了冷热电联供(Combined Cooling Heating and Power,CCHP)机组在热网‑冷网‑电网的耦合性质。在加权最小二乘法(Weighted Least Squares，WLS)的基础上，提出了一种解耦的综合能源微网园区系统状态估计方法。

[0004] 本发明是通过以下技术方案实现的。

[0005] 一种综合能源微网园区系统的状态评估方法，其特点在于该方法包括如下步骤：

[0006] 1)读取网络参数、量测数据：

[0007] 网络参数包括综合能源微网园区系统中供冷网、供热网的拓扑图、管道参数以及电网的拓扑图和支路导纳，以形成供冷/热网的节点‑支路关联矩阵，供冷/热网的回路‑支路关联矩阵以及电网的节点导纳矩阵；

[0008] 量测数据包括节点注入有功功率、节点注入无功功率、节点电压幅值、热(冷)网回水温度、节点注入水流量、热负荷功率；

[0009] 2)赋状态变量初值；

[0010] 采用平直启动法选取初值，电网节点电压幅值初值取1、电网节点电压相角初值取0、热(冷)网供水温度初值取热(冷)源温度、热(冷)网回水温度初值取热(冷)负荷温度、节点注入水流量初值取0；

[0011] 3)分别进行供热网状态、供冷网状态估计：

[0012] ①按照下列式(1)列写供热网状态、供冷网状态的量测方程：

[0013]

[0014] 式中：i为节点编号；mq为节点注入水流量；A为节点支路关联矩阵；mij为管道水流量；φi为节点热负荷；Cp为水的比热容；Twi为节点供水温度；Tri为节点回水温度；v代表量测误差，其下标表示量测误差的类型；

[0015] ②按照下列式(2)、(3)、(4)进行状态估算：

[0016] Δxk＝Gk‑1HkTRk‑1(z‑h(xk))  (2)

[0017] 其中，G称为增益矩阵，为：

[0018] Gk＝HkTRk‑1Hk  (3)

[0019] 每次迭代计算校正：

[0020] xk+1＝xk+Δxk            (4)；

[0021] ③当 时，认为收敛，其中上标k为循环次数， 为第k次状态变量估计值构成的向量；

[0022] 4)按照下列式(7)由 计算 CCHP电功率PCCHP与制冷/制热功率φCCHP关系为：

[0023]

[0024] 式中：Cm为CCHP机组的热电比例系数；

[0025] 5)进行电网状态估计：

[0026] ①按照下式(6)列写电网量测方程如下：

[0027]

[0028] 式中：N是电网节点集合，下标j是直接和下标i相连的节点；θij为节点i和节点j间的相角差；Yij＝Gij+Bij为节点i和节点j间的导纳；Ysi＝Gsi+jBsi为节点i的对地导纳；v代表量测误差，其下标表示量测误差的类型；

[0029] ②通过如下迭代方法获得该问题的求解公式：

[0030] Δxk＝Gk‑1HkTRk‑1(z‑h(xk))              (7)

[0031] 其中，G称为增益矩阵，为：

[0032] Gk＝HkTRk‑1Hk                   (8)

[0033] 每次迭代计算校正：

[0034] xk+1＝xk+Δxk                   (9)；

[0035] ③当 时，认为收敛，其中上标k为循环次数， 为第k次状态变量估计值构成的向量；

[0036] 6)按照式(10)由 计算

[0037]

[0038] 式中：Cm为CCHP机组的热电比例系数；

[0039] 7)判断 是否成立，若成立，则转至步骤8)；否则，转至步骤3)；

[0040] 8)输出状态估计结果，输出结果包括：电网节点电压幅值、电网节点电压相角、热(冷)网供水温度、热(冷)网回水温度、节点注入水流量。

[0041] 本发明的原理如下：

[0042] 对供冷网络‑供热网络的水力网络和热力网络分别展开建模，根据构建模型，对测量方程进行建模；对电网展开建模，根据构建模型，对测量方程进行建模；

[0043] 根据对考虑了冷热电联供(CCHP)机组的热网‑冷网‑电网的量测方程，对待评估综合能源微网园区系统待求状态变量和量测方程进行建模，求得电网的节点电压幅值Ui和节点电压相角θi、热(冷)网的供水温度Tw和回水温度Tr、节点注入水流量mqi,完成对综合能源微网园区系统的状态估计。

[0044] 对所述供冷、供热网络模型的测量方程进行建模的方法为：

[0045] 供冷/供热网络通常由结构相同的供水管道网络和回水管道网络构成。在供回水网络中，根据变量的性质，可以分为以水头压力、管道流量描述的水力网络和以节点温度、热功率描述的热力网络，二者通过节点水流量耦合。其中，水力网络有与电网相似的性质，其流量连续方程、压强环路方程、水头压力损失方程可以与电网中的基尔霍夫电流定律、基尔霍夫电压定律、欧姆定律一一对应。同样的，表征水利网络状态的水头压力、管道流量等变量也与电压、电流等存在对应关系。

[0046] 因此与电网求解方法相似，水力网络也可以用压强法与环流法两种方法求解。由于目前投入使用的供热网络多为辐射状，很少有构成环路的情况，因此此处选用压强法进行状态估计，选择节点注入水流量为量测量。供热/冷网需要满足流量平衡方程：

[0047]

[0048] 式中：As为供冷/热网的节点‑支路关联矩阵；m为各管道的流量；mq为各节点流出的流量；Bh为供热管网的回路‑支路关联矩阵；hf为压头损失向量，其计算方法为[0049] hf＝Km|m|      (4)

[0050] 通过节点温度和热功率可以描述热力网络中的热量流动情况，这一流动情况也与管道水流量相关联，即系统温度与热功率通过水流量与状态量水头压力相关联：

[0051] mi＝φi/[Cwsi(Tri‑Twi)]            (5)

[0052] 式中：φi为热功率负荷；m为管道流量；Cw为水的比热容；si用于表征节点i的负荷性质，节点i负荷为冷负荷风机盘管时取+1，为热负荷换热器时取‑1；Tri和Twi分别为风机盘管/换热器的进水温度和回水温度。

[0053] 供水网络的管道温度降模型采用指数模型并采用流体的理想混合模型：

[0054] ∑(moutTin)＝(∑mout)Tout          (6)

[0055] 本发明考虑耦合元件为CCHP，包括燃气发电机、吸收式制冷机和换热机组。CCHP电功率PCCHP与制冷/制热功率φCCHP关系为：

[0056]

[0057] 式中：Cm为CCHP机组的热电比例系数。

[0058] 综合上述建模方程，考虑目前系统内的常用量测：供冷/热网中，以热网为例，管道水流量和温度是最常见的测量类型，几乎所有的管道和节点都配置了这些量测。此外，网络里也存在压力量测，但是压力量测的精度受环境的影响很大，因而常常不能直接使用。而实时热功率量测通常只配置在关键节点，如热源或热交换站。因此，普通热负荷节点通常缺乏实时的热功率测量，通常只能得到一天内网络的总热量消耗量测。考虑到这些量测配置的实际情况，结合水力模型和热模型的相关建模，本发明采用的供冷/供热网的量测方程如下：

[0059]

[0060] 式中：i为节点编号；mq为节点注入水流量；A为节点支路关联矩阵；mij为管道水流量；φi为节点热负荷；Cp为水的比热容；Twi为节点供水温度；Tri为节点回水温度；v代表量测误差，其下标表示量测误差的类型。

[0061] 电网中，量测量主要采用传统的节点电压幅值、节点注入有功功率、节点注入无功功率、交流支路潮流有功功率、交流支路潮流无功功率。交流配电网中，采用节点电压幅值Ui和电压相角θi作为状态变量，因而量测方程如下：

[0062]

[0063] 式中：N是电网节点集合，下标j是直接和下标i相连的节点；θij为节点i和节点j间的相角差；Yij＝Gij+Bij为节点i和节点j间的导纳；Ysi＝Gsi+jBsi为节点i的对地导纳；v代表量测误差，其下标表示量测误差的类型。

[0064] 本发明采用WLS进行电力系统状态估计。选择量测量和状态变量如下表：

[0065] 表1综合能源微网园区系统量测量与状态量

[0066]

[0067]

[0068] 式中：v是量测误差的矢量。h(x)表示状态变量和量测之间的函数。

[0069] WLS通过求解以下最优化问题来求取系统状态

[0070]

[0071] 式中：W表示各量测权重的对角矩阵，权重与量测精度成正比，量测精度越高，权重越大。

[0072] 通过如下迭代方法获得该问题的求解公式：

[0073] Δxk＝Gk‑1HkTRk‑1(z‑h(xk))  (11)

[0074] 其中，G称为增益矩阵，为：

[0075] Gk＝HkTRk‑1Hk  (12)

[0076] 每次迭代计算校正：

[0077] xk+1＝xk+Δxk  (13)

[0078] 本发明选择支路有功功率，支路无功功率，节点注入有功功率，节点注入无功功率和电压幅值作为量测数据进行状态估计。

[0079] 对于一个含CCHP的冷热电联合微网园区来说，供冷/热网和电网通过CCHP元件相互耦合，两者的状态估计互相联系：

[0080] (1)供电网的电功率是通过CCHP耦合元件与供冷/供热网中循环水泵消耗的电功率相关，而计算循环水泵小号的电功率需要知道水泵的流量，这又与供冷/热网的流量状态变量相联系；

[0081] (2)吸收式制冷机的制冷功率与换热机组的制热功率是由燃气发电机的总有功出力决定的。因此，含CCHP的多能互补电网的状态估计必须综合考虑整体进行计算求解，但是采用统一计算方法要对供冷网、供热网和供电网的所有变量进行联合求解，所用方程维数会随着系统网络规模的增大而增大，计算复杂度高，计算时间也比较长。

[0082] 本发明根据CCHP仅在能源站和负荷侧存在着耦合环节而中间的供冷网、供热网、供电网相互独立的特点，将多能互补系统的状态估计解耦成供冷网、供热网、供电网三者解耦的计算过程。三者状态估计交替进行，具体算法框架如图1。

[0083] 其中，热网的状态估计由并行的供热网络状态估计与供冷网络状态估计共同组成。

[0084] 由于采用了上述技术方案，本发明具有如下有益效果：

[0085] 本发明与单独的电网状态估计发明相比，本发明方法引入了更多的量测量，提高了系统冗余度，从而降低了状态估计的平均误差，提高了数据的准确性。此外，解耦估计降低了网络的维数，能够有效缓解计算压力，由于网络规模小，状态估计、不良数据和拓扑错误检测与辨识的速度也较快，也将进一步提高状态估计的计算效率。

附图说明

[0086] 图1是本发明综合能源微网园区系统解耦状态估计流程图。

[0087] 图2是某59节点综合能源微网园区算例结构图。

具体实施方式

[0088] 下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

[0089] 本发明综合能源微网园区系统的状态评估方法，包括如下步骤：

[0090] 1)读取网络参数、量测数据：

[0091] 网络参数包括综合能源微网园区系统中供冷网、供热网的拓扑图、管道参数以及电网的拓扑图和支路导纳，以形成供冷/热网的节点‑支路关联矩阵，供冷/热网的回路‑支路关联矩阵以及电网的节点导纳矩阵；

[0092] 量测数据包括节点注入有功功率、节点注入无功功率、节点电压幅值、热(冷)网回水温度、节点注入水流量、热负荷功率；

[0093] 2)赋状态变量初值；

[0094] 采用平直启动法选取初值，电网节点电压幅值初值取1、电网节点电压相角初值取0、热(冷)网供水温度初值取热(冷)源温度、热(冷)网回水温度初值取热(冷)负荷温度、节点注入水流量初值取0；

[0095] 3)分别进行供热网状态、供冷网状态估计：

[0096] ①按照下列式(1)列写供热网状态、供冷网状态的量测方程：

[0097]

[0098] 式中：i为节点编号；mq为节点注入水流量；A为节点支路关联矩阵；mij为管道水流量；φi为节点热负荷；Cp为水的比热容；Twi为节点供水温度；Tri为节点回水温度；v代表量测误差，其下标表示量测误差的类型；

[0099] ②按照下列式(2)、(3)、(4)进行状态估算：

[0100] Δxk＝Gk‑1HkTRk‑1(z‑h(xk))  (2)

[0101] 其中，G称为增益矩阵，为：

[0102] Gk＝HkTRk‑1Hk  (3)

[0103] 每次迭代计算校正：

[0104] xk+1＝xk+Δxk            (4)；

[0105] ③当 时，认为收敛，其中上标k为循环次数， 为第k次状态变量估计值构成的向量；

[0106] 4)按照下列式(7)由 计算 CCHP电功率PCCHP与制冷/制热功率φCCHP关系为：

[0107]

[0108] 式中：Cm为CCHP机组的热电比例系数；

[0109] 5)进行电网状态估计：

[0110] ①按照下式(6)列写电网量测方程如下：

[0111]

[0112] 式中：N是电网节点集合，下标j是直接和下标i相连的节点；θij为节点i和节点j间的相角差；Yij＝Gij+Bij为节点i和节点j间的导纳；Ysi＝Gsi+jBsi为节点i的对地导纳；v代表量测误差，其下标表示量测误差的类型；

[0113] ②通过如下迭代方法获得该问题的求解公式：

[0114] Δxk＝Gk‑1HkTRk‑1(z‑h(xk))              (7)

[0115] 其中，G称为增益矩阵，为：

[0116] Gk＝HkTRk‑1Hk                   (8)

[0117] 每次迭代计算校正：

[0118] xk+1＝xk+Δxk                   (9)；

[0119] ③当 时，认为收敛，其中上标k为循环次数， 为第k次状态变量估计值构成的向量；

[0120] 6)按照式(10)由 计算

[0121]

[0122] 式中：Cm为CCHP机组的热电比例系数；

[0123] 7)判断 是否成立，若成立，则转至步骤8)；否则，转至步骤3)；

[0124] 8)输出状态估计结果，输出结果包括：电网节点电压幅值、电网节点电压相角、热(冷)网供水温度、热(冷)网回水温度、节点注入水流量。

[0125] 下面结合附图对本实施例所提供的技术进一步详细说明。

[0126] 下面结合附图1和实施例(结构图见附图2)，进一步阐述本发明所述估计方法步骤：

[0127] 步骤1：读取网络参数、量测数据；

[0128] 步骤2：赋状态变量初值；

[0129] 步骤3：进行热/冷网状态估计，按照式(8)列写量测方程，按照式(11)(12)(13)进行状态估计计算；当 时认为收敛(其中上标k为循环次数， 为第k次状态变量估计值构成的向量)；

[0130] 步骤4：按照式(7)由 计算

[0131] 步骤5：进行电网状态估计，按照式(9)列写量测方程，按照式(11)(12)(13)进行状态估计计算；当 时认为收敛(其中上标k为循环次数， 为第k次状态变量估计值构成的向量)；

[0132] 步骤6：按照式(7)由 计算

[0133] 步骤7：判断 是否成立，若成立，则转至步骤8；否则，转至步骤3；

[0134] 步骤8：输出状态估计结果。

[0135] 实验表明，本发明引入了更多的量测量，提高了系统冗余度，从而降低了状态估计的平均误差，提高了数据的准确性。此外，解耦估计降低了网络的维数，能够有效缓解计算压力，由于网络规模小，状态估计、不良数据和拓扑错误检测与辨识的速度也较快，也将进一步提高状态估计的计算效率。

[0136] 本发明上述实施例所提供的综合能源微网园区系统的状态评估方法，在59节点综合能源微网园区算例(结构图见附图2)进行仿真验证了本方法的有效性。仿真结果表明，与单独的电网状态估计相比，本发明方法引入了更多的量测量，提高了系统冗余度，从而降低了状态估计的平均误差，提高了数据的准确性。此外，解耦估计降低了网络的维数，在网络规模日趋巨大的今天，能够有效缓解计算压力，由于网络规模小，状态估计、不良数据和拓扑错误检测与辨识的速度也较快，也将进一步提高状态估计的计算效率。

[0137] 以上对本发明的实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。