綜合能源系統(tǒng)運(yùn)行可靠性評估評述Ⅱ：數(shù)據(jù)驅(qū)動(dòng)法與模型-數(shù)據(jù)混合驅(qū)動(dòng)法

朱繼忠 駱騰燕 吳皖莉 李盛林 董瀚江

綜合能源系統(tǒng)運(yùn)行可靠性評估評述Ⅱ：數(shù)據(jù)驅(qū)動(dòng)法與模型-數(shù)據(jù)混合驅(qū)動(dòng)法

朱繼忠 駱騰燕 吳皖莉 李盛林 董瀚江

（華南理工大學(xué)電力學(xué)院 廣州 510641）

對綜合能源系統(tǒng)進(jìn)行運(yùn)行可靠性評估，不僅能實(shí)現(xiàn)系統(tǒng)運(yùn)行狀態(tài)的實(shí)時(shí)感知，而且能對系統(tǒng)的短期運(yùn)行風(fēng)險(xiǎn)進(jìn)行合理預(yù)測。利用數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)解決能源領(lǐng)域問題是當(dāng)下的研究熱點(diǎn)。該文首先基于數(shù)據(jù)驅(qū)動(dòng)法對考慮時(shí)變性與供需不確定性的綜合能源系統(tǒng)設(shè)備運(yùn)行可靠性建模方法進(jìn)行闡述和總結(jié)，并歸納出在設(shè)備運(yùn)行可靠性建模方面現(xiàn)有研究存在的不足；其次，詳細(xì)總結(jié)數(shù)據(jù)驅(qū)動(dòng)及模型-數(shù)據(jù)混合驅(qū)動(dòng)兩種運(yùn)行可靠性評估方法的原理、研究現(xiàn)狀和目前研究存在的局限性；最后，針對現(xiàn)有研究存在的問題，對綜合能源系統(tǒng)運(yùn)行可靠性評估研究進(jìn)行總結(jié)與展望并提出人工智能背景下模型-數(shù)據(jù)混合驅(qū)動(dòng)的運(yùn)行可靠性建模及評估總體思路。

綜合能源系統(tǒng) 運(yùn)行可靠性建模 運(yùn)行可靠性評估 數(shù)據(jù)驅(qū)動(dòng) 模型-數(shù)據(jù)混合驅(qū)動(dòng)

0 引言

在本系列論文中，上篇《綜合能源系統(tǒng)運(yùn)行可靠性評估評述I：模型驅(qū)動(dòng)法》主要對模型驅(qū)動(dòng)的綜合能源系統(tǒng)（Integrated Energy Systems, IES）運(yùn)行可靠性建模及評估進(jìn)行了詳細(xì)綜述，并對現(xiàn)有研究所存問題做歸納總結(jié)。本文為下篇，主要對數(shù)據(jù)驅(qū)動(dòng)及模型-數(shù)據(jù)混合驅(qū)動(dòng)的IES運(yùn)行可靠性評估的研究現(xiàn)狀和現(xiàn)存問題進(jìn)行綜述，并對IES運(yùn)行可靠性分析建模與評估方法中的現(xiàn)存關(guān)鍵科學(xué)問題進(jìn)行總結(jié)與展望。在此基礎(chǔ)上，提出人工智能背景下模型-數(shù)據(jù)混合驅(qū)動(dòng)的IES運(yùn)行可靠性建模與評估新思路。

1 數(shù)據(jù)驅(qū)動(dòng)的IES設(shè)備運(yùn)行可靠性建模

數(shù)據(jù)驅(qū)動(dòng)的IES設(shè)備運(yùn)行可靠性建模方法主要有專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、模糊模型法及貝葉斯網(wǎng)絡(luò)法，其研究現(xiàn)狀總結(jié)見表1。

表1 數(shù)據(jù)驅(qū)動(dòng)的設(shè)備運(yùn)行可靠性建模方法研究現(xiàn)狀

1.1 數(shù)據(jù)驅(qū)動(dòng)的設(shè)備運(yùn)行可靠性建模研究現(xiàn)狀

1.1.1 專家系統(tǒng)法

專家系統(tǒng)法是應(yīng)用較早的人工智能方法，依靠領(lǐng)域?qū)＜业闹R(shí)和經(jīng)驗(yàn)進(jìn)行推理和判斷，來模擬專家的決策過程，從而指導(dǎo)運(yùn)行可靠性建模方面的問題[1]。專家系統(tǒng)由知識(shí)庫和推理機(jī)共同構(gòu)成[13]。

專家系統(tǒng)法具有較強(qiáng)的故障信息處理能力和決策能力，可解釋性強(qiáng)。但專家系統(tǒng)要頻繁對規(guī)則庫進(jìn)行維護(hù)，并帶有很強(qiáng)的主觀判斷，且知識(shí)庫在線建立與維護(hù)困難，容易造成故障診斷定位不及時(shí)，運(yùn)行可靠性評估效率低，結(jié)果不準(zhǔn)確。因此，現(xiàn)有研究將專家系統(tǒng)法與其他建模方法結(jié)合使用[1-2]來彌補(bǔ)模型短板。

1.1.2 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)法是一種仿生學(xué)算法，具有較強(qiáng)的自學(xué)習(xí)能力和非線性擬合能力，能夠通過歷史數(shù)據(jù)來建立學(xué)習(xí)模型，并學(xué)習(xí)重現(xiàn)這些數(shù)據(jù)中的隱含信息，實(shí)現(xiàn)快速故障診斷，并具有較好的容錯(cuò)性[14-15]。目前基于人工神經(jīng)網(wǎng)絡(luò)的建模主要有分塊訓(xùn)練法[3]和結(jié)合診斷法[4,16]兩種。但人工神經(jīng)網(wǎng)絡(luò)法存在模型不明確，可解釋性低等問題。當(dāng)系統(tǒng)的拓?fù)浣Y(jié)構(gòu)發(fā)生變化時(shí)，需要進(jìn)行神經(jīng)網(wǎng)絡(luò)的重新訓(xùn)練，模型的可移植性較差。且隨著網(wǎng)絡(luò)層數(shù)的增加，基于人工神經(jīng)網(wǎng)絡(luò)法的可靠性建模計(jì)算變得更加耗時(shí)，甚至在某些情況下出現(xiàn)難以收斂的問題。

1.1.3 模糊模型法

模糊模型法主要考慮設(shè)備運(yùn)行的模糊性，對設(shè)備運(yùn)行不確定性[5-6]及可再生能源接入[7]導(dǎo)致的不確定性進(jìn)行建模。常用的模糊模型法有粗糙集法和模糊Petri網(wǎng)法兩種。粗糙集法善于從不完整和不確定的知識(shí)中挖掘規(guī)律，容錯(cuò)能力較強(qiáng)，但故障信息分析的準(zhǔn)確率并不高?，F(xiàn)有研究主要針對粗糙集法的信息冗余問題和診斷精度問題進(jìn)行突破。模糊Petri網(wǎng)法是在Petri網(wǎng)法基礎(chǔ)上衍生出的可靠性建模方法[16]。Petri網(wǎng)是一種加權(quán)有向圖，能以圖形的方式解釋系統(tǒng)的動(dòng)態(tài)行為，對故障信息中隱含的邏輯關(guān)系進(jìn)行推理分析[17]。模糊Petri網(wǎng)法充分考慮了設(shè)備運(yùn)行的不確定性，但是并不能實(shí)現(xiàn)時(shí)序信息的合理利用，并且建模過程繁雜，計(jì)算難度大，容錯(cuò)性不高?，F(xiàn)有研究主要在時(shí)序信息的充分利用[18]和模型容錯(cuò)性的提高[19]方面進(jìn)行改進(jìn)。

以粗糙集法和模糊Petri網(wǎng)法為代表的模糊模型法能夠?qū)υO(shè)備運(yùn)行過程中的不確定因素進(jìn)行建模，并善于利用模糊集合和模糊邏輯進(jìn)行推理，但在關(guān)鍵信息缺失時(shí)，模型精度并不高，且推理規(guī)則的建立易受主觀影響。利用模糊模型法與其他方法結(jié)合來提高模糊模型法對樣本信息的處理能力，增強(qiáng)模型的可解釋性，對設(shè)備運(yùn)行可靠性建模的發(fā)展具有重要意義。

1.1.4 貝葉斯網(wǎng)絡(luò)法

貝葉斯網(wǎng)絡(luò)是對不確定信息進(jìn)行推理計(jì)算的一種數(shù)學(xué)模型。利用貝葉斯網(wǎng)絡(luò)建立設(shè)備運(yùn)行可靠性模型的精確度較高，但是由于需要各設(shè)備的故障先驗(yàn)概率，并且推理計(jì)算過程需要較多樣本，可能會(huì)導(dǎo)致評估效率降低?，F(xiàn)有研究主要考慮貝葉斯法與其他建模方法相結(jié)合進(jìn)行設(shè)備可靠性建模，如粗糙集-貝葉斯網(wǎng)絡(luò)法[20]，混合貝葉斯動(dòng)態(tài)離散化算法[9]和基于信息融合思想的可靠性評估方法[10]等。

1.2 現(xiàn)有研究存在的不足

對現(xiàn)有研究中模型驅(qū)動(dòng)及數(shù)據(jù)驅(qū)動(dòng)的設(shè)備運(yùn)行可靠性建模方面存在的問題進(jìn)行分析，總結(jié)如下：

1）考慮設(shè)備時(shí)變特性及供需不確定性的建模尚不充分。設(shè)備運(yùn)行受內(nèi)部影響如設(shè)備壽命、運(yùn)行時(shí)間和外部影響如極端天氣、運(yùn)行條件等共同作用而呈現(xiàn)出時(shí)變特性，現(xiàn)有研究對設(shè)備時(shí)變特性進(jìn)行建模主要通過馬爾可夫多狀態(tài)的故障修復(fù)模型來實(shí)現(xiàn)，但隨著影響設(shè)備正常運(yùn)行的因素增加，兩狀態(tài)模型并不能清晰地描述設(shè)備故障原因。多狀態(tài)模型認(rèn)為設(shè)備各故障因素是相互獨(dú)立的，忽略了其內(nèi)在關(guān)聯(lián)性，不符合運(yùn)行實(shí)際情況，這就使得馬爾可夫多狀態(tài)模型在描述設(shè)備運(yùn)行可靠性時(shí)存在局限性。IES中包含電負(fù)荷、氣負(fù)荷、冷熱負(fù)荷等多種負(fù)荷類型，是一個(gè)多維度、多時(shí)間尺度的綜合系統(tǒng)，且隨著可再生能源在IES中的大量消納，系統(tǒng)運(yùn)行不確定性因素大大增加，考慮可再生能源固有的隨機(jī)性與波動(dòng)性和接入IES對系統(tǒng)運(yùn)行帶來的不確定性問題尚未在建模環(huán)節(jié)得到完全解決?，F(xiàn)有研究僅通過以粗糙集法和模糊Petri網(wǎng)法為代表的模糊模型法對設(shè)備運(yùn)行不確定性進(jìn)行建模，其推理過程易受主觀意識(shí)的干擾，且可解釋性較弱，并不能完全符合設(shè)備運(yùn)行層面的建模要求。

2）對耦合設(shè)備的運(yùn)行可靠性建模方法尚不完善。IES是典型的多能耦合系統(tǒng)，系統(tǒng)中的耦合設(shè)備如果發(fā)生故障將會(huì)導(dǎo)致系統(tǒng)級聯(lián)故障，甚至可能使耦合系統(tǒng)中兩個(gè)或多個(gè)子系統(tǒng)相互分離[21]。相較于傳統(tǒng)的單一能源供能系統(tǒng)，IES運(yùn)行可靠性的改變主要由系統(tǒng)間的耦合關(guān)系引起，系統(tǒng)間可靠性的相互影響由耦合設(shè)備進(jìn)行傳遞[22]。為了更準(zhǔn)確地評估IES的運(yùn)行可靠性，提升系統(tǒng)運(yùn)行安全性，必須充分研究系統(tǒng)間的耦合關(guān)系，并對典型耦合設(shè)備如P2G裝置、CHP機(jī)組、CCHP機(jī)組等進(jìn)行準(zhǔn)確建模,以反映設(shè)備的耦合特性及在能量轉(zhuǎn)換過程中的可靠性。現(xiàn)有對耦合設(shè)備建模的方法基本基于模型驅(qū)動(dòng)來實(shí)現(xiàn)，無法反映耦合設(shè)備運(yùn)行過程中面臨的運(yùn)行條件的改變?yōu)樵O(shè)備帶來的不確定性問題，以及能量轉(zhuǎn)換過程中的損耗問題對設(shè)備運(yùn)行可靠性的影響，且如CCHP此類由幾種設(shè)備集成的設(shè)備單元，研究內(nèi)部設(shè)備在運(yùn)行階段的協(xié)調(diào)配合問題與設(shè)備重要程度問題也對運(yùn)行可靠性評估具有重要的指導(dǎo)意義，但在現(xiàn)有工作中并未得到充分研究。

3）數(shù)據(jù)驅(qū)動(dòng)的設(shè)備建模方法尚未充分發(fā)展。隨著IES的運(yùn)行規(guī)模擴(kuò)大化、運(yùn)行結(jié)構(gòu)復(fù)雜化、運(yùn)行狀態(tài)多樣化，設(shè)備的運(yùn)行數(shù)據(jù)大量增加，數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)在面對多維時(shí)變數(shù)據(jù)信息時(shí)具有較強(qiáng)的處理能力和較快的計(jì)算效率，在設(shè)備運(yùn)行狀態(tài)判斷與信息感知方面也具有較好的精度，更能準(zhǔn)確地捕捉設(shè)備的故障信息及運(yùn)行數(shù)據(jù)的改變?，F(xiàn)有的基于傳統(tǒng)人工智能算法的數(shù)據(jù)驅(qū)動(dòng)建模方法已經(jīng)有了一定的研究基礎(chǔ)，但如上文分析，算法存在的缺陷可能會(huì)導(dǎo)致建模結(jié)果并不準(zhǔn)確。目前，利用更為先進(jìn)的機(jī)器學(xué)習(xí)算法如深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等對IES中設(shè)備特別是耦合設(shè)備運(yùn)行狀態(tài)進(jìn)行建模分析研究成果較少，其可用性有待進(jìn)一步深入研究。

2 數(shù)據(jù)驅(qū)動(dòng)的IES運(yùn)行可靠性評估

隨著IES的自動(dòng)化程度日益提高，系統(tǒng)規(guī)模和量測、決策單元數(shù)量都大大增加，其內(nèi)部耦合機(jī)理日漸復(fù)雜，內(nèi)部因素如獨(dú)立設(shè)備與耦合設(shè)備的時(shí)變特性、運(yùn)行方式的不斷增加及外部環(huán)境如可再生能源消納及用戶用能行為等帶來的運(yùn)行不確定性問題都直接或間接地影響著IES的運(yùn)行可靠性?，F(xiàn)今，IES的運(yùn)行可靠性評估問題已經(jīng)由單一的電力系統(tǒng)可靠性評估問題轉(zhuǎn)換為研究多能耦合系統(tǒng)多維度、多時(shí)間尺度下的綜合問題，對影響系統(tǒng)運(yùn)行的各方面因素、系統(tǒng)實(shí)時(shí)運(yùn)行狀態(tài)的捕捉及運(yùn)行數(shù)據(jù)在線處理能力提出了更高的要求。

以機(jī)器學(xué)習(xí)為代表的數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)，在應(yīng)對數(shù)據(jù)特征不明顯、具有關(guān)聯(lián)性的多維異構(gòu)數(shù)據(jù)時(shí)，具有良好的非線性擬合能力和強(qiáng)大的在線決策能力[23]，有望解決模型驅(qū)動(dòng)方法在處理運(yùn)行可靠性評估問題中面臨的瓶頸。利用機(jī)器學(xué)習(xí)方法進(jìn)行能源領(lǐng)域的規(guī)劃、預(yù)測、評估、優(yōu)化等問題是當(dāng)下的研究熱點(diǎn)。人工智能技術(shù)在能源領(lǐng)域的應(yīng)用，將實(shí)現(xiàn)智能傳感與物理狀態(tài)相結(jié)合、數(shù)據(jù)驅(qū)動(dòng)與仿真模型相結(jié)合、輔助決策與運(yùn)行控制相結(jié)合[13]，從而提高系統(tǒng)處理高維非線性問題的在線計(jì)算與決策能力，為系統(tǒng)的安全穩(wěn)定運(yùn)行提供保障。

IES在生產(chǎn)、傳輸、交易、消費(fèi)過程中涉及海量的設(shè)備及系統(tǒng)，這些設(shè)備和系統(tǒng)的運(yùn)行數(shù)據(jù)庫構(gòu)成了能源大數(shù)據(jù)的基礎(chǔ)[24]。在模型驅(qū)動(dòng)的運(yùn)行可靠性評估方法難以處理海量高維非線性數(shù)據(jù)、計(jì)算效率低、精度差的背景下，數(shù)據(jù)驅(qū)動(dòng)的人工智能方法在大數(shù)據(jù)背景下為IES的運(yùn)行可靠性分析提供了新的思路。目前，利用數(shù)據(jù)驅(qū)動(dòng)的方法，充分利用能源大數(shù)據(jù)，對多能量流系統(tǒng)的運(yùn)行可靠性建模及評估已經(jīng)取得了初步研究成果[21]。數(shù)據(jù)驅(qū)動(dòng)方法的核心問題在于從能源大數(shù)據(jù)中進(jìn)行訓(xùn)練和自學(xué)習(xí)，對具體的數(shù)學(xué)模型依賴程度較低，具有應(yīng)對高維、時(shí)變、非線性問題的強(qiáng)優(yōu)化處理能力和強(qiáng)大的學(xué)習(xí)能力[25]，能夠突破模型驅(qū)動(dòng)的技術(shù)瓶頸。研究數(shù)據(jù)驅(qū)動(dòng)的IES運(yùn)行可靠性評估方法，符合未來的發(fā)展趨勢，有望解決在人工智能大數(shù)據(jù)時(shí)代的IES運(yùn)行可靠性評估難題，實(shí)現(xiàn)IES的故障診斷與定位、實(shí)時(shí)狀態(tài)感知和在線評估。因此，數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)是電網(wǎng)發(fā)展的必然選擇，也是綜合能源轉(zhuǎn)型發(fā)展的重要戰(zhàn)略支撐[25]。參照文獻(xiàn)[25-27]，數(shù)據(jù)驅(qū)動(dòng)的運(yùn)行可靠性評估思路如圖1所示。

圖1 數(shù)據(jù)驅(qū)動(dòng)的運(yùn)行可靠性評估

如圖1所示，數(shù)據(jù)驅(qū)動(dòng)的運(yùn)行可靠性評估方法通常采用“離線訓(xùn)練-在線評估”的工作模式。在離線訓(xùn)練環(huán)節(jié)，數(shù)據(jù)驅(qū)動(dòng)模型能夠基于系統(tǒng)的歷史運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí)，挖掘數(shù)據(jù)集更深層次的內(nèi)在關(guān)系，并將學(xué)習(xí)后的模型應(yīng)用于在線評估環(huán)節(jié)，以提高評估結(jié)果的準(zhǔn)確性；在線評估環(huán)節(jié)能夠?qū)⒋罅康脑诰€計(jì)算任務(wù)轉(zhuǎn)移到離線訓(xùn)練過程中[25]，并通過運(yùn)行狀態(tài)的在線評估及運(yùn)行可靠性指標(biāo)體系的計(jì)算結(jié)果指導(dǎo)離線訓(xùn)練環(huán)節(jié)的模型更新，這使得評估的實(shí)時(shí)響應(yīng)能力變強(qiáng)，效率變高。

2.1 研究現(xiàn)狀

目前，數(shù)據(jù)驅(qū)動(dòng)的IES運(yùn)行可靠性評估主要依靠機(jī)器學(xué)習(xí)（Machine Learning, ML）來實(shí)現(xiàn)。ML是一種算法范疇，是人工智能技術(shù)的核心研究方向。ML的目的是根據(jù)給定的訓(xùn)練樣本求取系統(tǒng)輸入、輸出之間依賴關(guān)系的估計(jì)，使它能夠盡可能準(zhǔn)確地預(yù)測未知的輸出[23]。并且，ML能夠根據(jù)歷史數(shù)據(jù)和經(jīng)驗(yàn)，依靠自身強(qiáng)大的自學(xué)習(xí)能力不斷改進(jìn)算法性能。根據(jù)學(xué)習(xí)功能的不同，文獻(xiàn)[13]將ML分為四類：傳統(tǒng)ML、深度學(xué)習(xí)（Deep Learning, DL）、強(qiáng)化學(xué)習(xí)（Reinforcement Learning, RL）和遷移學(xué)習(xí)（Transfer Learning, TL）。其中，傳統(tǒng)ML算法根據(jù)學(xué)習(xí)數(shù)據(jù)有無標(biāo)簽，主要分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)三類[25]。典型的監(jiān)督學(xué)習(xí)算法有決策樹（Decision Tree, DT）、支持向量機(jī)（Support Vector Machine, SVM）、K臨近算法和最小二乘法等；典型的無監(jiān)督學(xué)習(xí)算法有K均值聚類（K-Means Clustering, KMS）、主成分分析（Principal Component Analysis, PCA）等；典型的半監(jiān)督學(xué)習(xí)算法有轉(zhuǎn)導(dǎo)支持向量機(jī)（Transudative Support Vector Machine, TSVM）等。

傳統(tǒng)ML在運(yùn)行可靠性評估問題上已經(jīng)有了一定應(yīng)用。在運(yùn)行可靠性故障信息獲取方面，文獻(xiàn)[28]提出一種基于K最鄰近模型和糾錯(cuò)輸出編碼的電路快速診斷方法。文獻(xiàn)[29]提出基于模糊C均值聚類和改進(jìn)SVM的結(jié)合方法來提高故障診斷的準(zhǔn)確率。在能流計(jì)算問題上，文獻(xiàn)[30]利用偏最小二乘法與最小二乘法相結(jié)合對歷史數(shù)據(jù)進(jìn)行回歸，提出基于數(shù)據(jù)驅(qū)動(dòng)的電-熱互聯(lián)IES系統(tǒng)潮流線性化方法，改善了傳統(tǒng)方法的數(shù)值穩(wěn)定性問題。傳統(tǒng)ML算法實(shí)現(xiàn)過程相對簡單，但對較長時(shí)間序列的處理能力較弱，且處理特征性不明顯、關(guān)聯(lián)性較強(qiáng)的高維數(shù)據(jù)時(shí)收斂能力不理想，一般應(yīng)用其改進(jìn)算法或多種算法結(jié)合使用來保障評估準(zhǔn)確性。

DL是底層信號(hào)到高層語言映射關(guān)系的一種多層次模型，具有良好的非線性擬合能力和很強(qiáng)的泛化性能，且具有較強(qiáng)的自學(xué)習(xí)與挖掘能力，適用于IES中的大量時(shí)間序列，因此能夠進(jìn)行IES的運(yùn)行可靠性評估工作。典型的DL算法有卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、堆疊自編碼器、長短期記憶網(wǎng)絡(luò)、受限玻耳茲曼機(jī)和生成式對抗網(wǎng)絡(luò)。文獻(xiàn)[31]對DL在電力系統(tǒng)故障診斷與運(yùn)行穩(wěn)定性評估中的應(yīng)用進(jìn)行了總結(jié)與展望。文獻(xiàn)[32]為了解決可再生能源并網(wǎng)所帶來的不確定性，提出了一種基于DL的系統(tǒng)在線穩(wěn)定性評估方法。文獻(xiàn)[33]提出一種深度自編碼網(wǎng)絡(luò)模型來進(jìn)行風(fēng)電機(jī)組的實(shí)時(shí)故障檢測。文獻(xiàn)[34]基于深度置信網(wǎng)絡(luò)對變壓器進(jìn)行故障診斷。文獻(xiàn)[35]基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行系統(tǒng)的在線穩(wěn)定評估。文獻(xiàn)[36]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的配電主設(shè)備分布式狀態(tài)傳感器可靠性評估方法。文獻(xiàn)[37]考慮到多饋直流及動(dòng)態(tài)負(fù)荷的影響，采用卷積神經(jīng)網(wǎng)絡(luò)對電壓穩(wěn)定性進(jìn)行快速評估。文獻(xiàn)[38]提出一種利用長短期記憶網(wǎng)絡(luò)結(jié)合SVM進(jìn)行輸電線路故障檢測的方法。綜上所述，DL在IES特別是電力系統(tǒng)運(yùn)行可靠性評估中的實(shí)時(shí)故障診斷、在線狀態(tài)感知等環(huán)節(jié)應(yīng)用廣泛。但DL受限于反饋機(jī)制，且對數(shù)據(jù)的推理理解能力有限[25]，限制了DL算法更深層次的應(yīng)用。

RL又稱為再勵(lì)學(xué)習(xí)或評價(jià)學(xué)習(xí)，其本質(zhì)是智能體根據(jù)環(huán)境來指定決策以使累計(jì)獎(jiǎng)賞最大化[23]。RL有較強(qiáng)的自學(xué)習(xí)能力和在線學(xué)習(xí)能力，同時(shí)在線決策能力強(qiáng)，適用于對IES進(jìn)行實(shí)時(shí)評估。典型的RL算法有Q學(xué)習(xí)和SARSA(state action reward state action)法等。文獻(xiàn)[39]提出一種基于復(fù)雜電網(wǎng)分區(qū)的分布式改進(jìn)Q學(xué)習(xí)算法來計(jì)算系統(tǒng)的最優(yōu)潮流。文獻(xiàn)[40]基于Q學(xué)習(xí)算法研究系統(tǒng)在虛假數(shù)據(jù)注入攻擊下的運(yùn)行安全性。文獻(xiàn)[41]設(shè)計(jì)了一種基于Q學(xué)習(xí)的系統(tǒng)穩(wěn)定器來抑制風(fēng)電接入帶來的低頻振蕩對運(yùn)行可靠性的影響。

但是，RL算法在進(jìn)行大規(guī)模計(jì)算和控制決策時(shí)，容易出現(xiàn)“維數(shù)災(zāi)”現(xiàn)象，且模型更新需要大量信息交互，使得計(jì)算成本較高且學(xué)習(xí)效率降低[13]。為了克服RL自身的缺陷，有研究將RL與DL結(jié)合使用，提出深度強(qiáng)化學(xué)習(xí)算法（Deep Reinforcement Learning, DRL），能獲得較好的計(jì)算結(jié)果。文獻(xiàn)[42]采用卷積神經(jīng)網(wǎng)絡(luò)和DRL的混合模型對輸電線路進(jìn)行運(yùn)行故障檢測。文獻(xiàn)[43]提出一種基于連續(xù)動(dòng)作的DRL模型來計(jì)算考慮可再生能源出力實(shí)時(shí)不確定性的系統(tǒng)最優(yōu)能流問題。

TL強(qiáng)調(diào)在不同但相似的數(shù)據(jù)域進(jìn)行知識(shí)遷移，并允許在訓(xùn)練和測試中使用不同的數(shù)據(jù)域，從而提高算法效率[23]。文獻(xiàn)[44]利用TL實(shí)現(xiàn)了歷史數(shù)據(jù)潛力的充分挖掘，并結(jié)合少量獲得的新數(shù)據(jù)進(jìn)行系統(tǒng)的在線穩(wěn)定評估。文獻(xiàn)[45]利用TL實(shí)現(xiàn)了使用一個(gè)經(jīng)過訓(xùn)練的模型來處理多個(gè)故障的方法，大大提高了算法效率。文獻(xiàn)[46]提出一種DL與TL的系統(tǒng)可靠性混合分析方法，利用卷積神經(jīng)網(wǎng)絡(luò)來訓(xùn)練樣本采集數(shù)據(jù)計(jì)算可靠性指標(biāo)，能減少樣本的收集時(shí)間，并結(jié)合TL進(jìn)一步提高算法效率。TL計(jì)算效率較高但收斂性較差，適用于小樣本學(xué)習(xí)和個(gè)性化學(xué)習(xí)，并適合與其他算法配合來加快計(jì)算收斂。

2.2 現(xiàn)有研究存在的不足

目前，數(shù)據(jù)驅(qū)動(dòng)的方法在IES運(yùn)行可靠性評估中的在線故障診斷、最優(yōu)能流計(jì)算、運(yùn)行狀態(tài)判斷等環(huán)節(jié)的應(yīng)用正處于起步階段，對解決能源領(lǐng)域的技術(shù)瓶頸仍面臨諸多挑戰(zhàn)，現(xiàn)有研究存在的不足總結(jié)為如下三點(diǎn)：

1）研究對象多為電力系統(tǒng)，利用數(shù)據(jù)驅(qū)動(dòng)方法對IES尤其是耦合環(huán)節(jié)的運(yùn)行可靠性研究較少。相較于電力系統(tǒng)，IES運(yùn)行可靠性的改變在很大程度上取決于供能子系統(tǒng)的耦合與不同能源的相互轉(zhuǎn)換?，F(xiàn)有數(shù)據(jù)驅(qū)動(dòng)的研究鮮有對IES中的耦合設(shè)備及耦合環(huán)節(jié)進(jìn)行運(yùn)行可靠性分析，故數(shù)據(jù)驅(qū)動(dòng)的方法還尚未解決IES運(yùn)行可靠性評估的核心問題。

2）缺乏數(shù)學(xué)理論及具體模型的支持，可解釋性弱。數(shù)據(jù)驅(qū)動(dòng)模型實(shí)質(zhì)為黑箱模型，導(dǎo)致現(xiàn)有的通用運(yùn)行模型及專家經(jīng)驗(yàn)還無法在人工智能模型中體現(xiàn)[23]。數(shù)據(jù)驅(qū)動(dòng)方法在應(yīng)用于能源領(lǐng)域問題時(shí)過于依賴訓(xùn)練數(shù)據(jù)，缺乏深層次的數(shù)據(jù)語義挖掘[25]，對于IES運(yùn)行可靠性問題中物理本質(zhì)與計(jì)算過程的映射，難以給出合理具體的數(shù)學(xué)描述，這也限制了數(shù)據(jù)驅(qū)動(dòng)方法在高風(fēng)險(xiǎn)等特殊運(yùn)行場景中的應(yīng)用。

3）數(shù)據(jù)集質(zhì)量問題。數(shù)據(jù)驅(qū)動(dòng)模型在系統(tǒng)運(yùn)行與分析中的可靠性和準(zhǔn)確性密切依賴于數(shù)據(jù)集質(zhì)量。IES運(yùn)行過程中會(huì)生成海量運(yùn)行數(shù)據(jù)，且需計(jì)及內(nèi)外部影響因素的時(shí)變特性，數(shù)據(jù)集本身的收集工作就有較大難度，依賴IES中的設(shè)備狀態(tài)檢測系統(tǒng)、能量管理系統(tǒng)、地理信息系統(tǒng)及氣象信息系統(tǒng)等能源信息化平臺(tái)的進(jìn)一步完善[23]。且IES運(yùn)行場景多樣，單一場景內(nèi)的運(yùn)行數(shù)據(jù)可能不足且時(shí)變性較強(qiáng)，系統(tǒng)處于穩(wěn)定運(yùn)行和遭受小擾動(dòng)的場景數(shù)據(jù)居多，故障運(yùn)行和遭受大擾動(dòng)的場景數(shù)據(jù)較少[47]，導(dǎo)致其正負(fù)樣本不均衡問題嚴(yán)重。另外，IES復(fù)雜的運(yùn)行環(huán)境導(dǎo)致其數(shù)據(jù)異常現(xiàn)象時(shí)有發(fā)生，相應(yīng)的包括數(shù)據(jù)清洗在內(nèi)的數(shù)據(jù)預(yù)處理技術(shù)和數(shù)據(jù)集質(zhì)量評價(jià)標(biāo)準(zhǔn)尚不完善，可能會(huì)造成部分?jǐn)?shù)據(jù)集的可用性無法保障。

3 模型-數(shù)據(jù)混合驅(qū)動(dòng)的IES運(yùn)行可靠性評估

上文詳細(xì)綜述了模型驅(qū)動(dòng)的IES運(yùn)行可靠性評估與數(shù)據(jù)驅(qū)動(dòng)的IES運(yùn)行可靠性評估，兩種方法各自的優(yōu)缺點(diǎn)對比見表2。

表2 模型驅(qū)動(dòng)方法與數(shù)據(jù)驅(qū)動(dòng)方法的優(yōu)缺點(diǎn)對比