论文部分内容阅读
电-热综合能源系统（integrated electric-heat system,IEHS）可以实现能量梯级利用，提高能源的利用效率，因此受到了广泛关注。为获取IEHS高精度数据，需要构建对IEHS的状态估计。面向具有海量历史数据的IEHS，提出了一种基于知识引导的深度神经网络（deep neural network,DNN）状态估计方法。采用反向传播神经网络（back propagation neural network,BPNN）算法进行热负荷预测，以解决热力系统难以获取实时、准确热负荷的问题，为热力系统状态估计提供热负荷参数；面对IEHS已有的海量历史数据，应用知识方法对数据驱动进行引导，筛选相关历史数据对DNN模型进行训练，以进行各节点的实时状态估计。通过在由IEEE33节点标准系统和巴厘岛32节点热力系统组成的IEHS进行算例分析，验证了所提状态估计算法的准确性和计算效率。