表1 数据驱动的设备运行可靠性建模方法研究现状
Tab.1 Research status of data-driven equipment operational reliability modeling methods
方法名称文献建模对象 专家系统法[1]智能输电网 [2]输电线路 人工神经网络法[3]输电线路、母线、变压器 [4]变压器、高压断路器 模糊模型法[5]输电线路 [6]燃气管道、P2G装置 [7-8]新能源机组 贝叶斯网络法[9]传感器 [10-12]输电线路
摘要 对综合能源系统进行运行可靠性评估，不仅能实现系统运行状态的实时感知，而且能对系统的短期运行风险进行合理预测。利用数据驱动的人工智能技术解决能源领域问题是当下的研究热点。该文首先基于数据驱动法对考虑时变性与供需不确定性的综合能源系统设备运行可靠性建模方法进行阐述和总结，并归纳出在设备运行可靠性建模方面现有研究存在的不足；其次，详细总结数据驱动及模型-数据混合驱动两种运行可靠性评估方法的原理、研究现状和目前研究存在的局限性；最后，针对现有研究存在的问题，对综合能源系统运行可靠性评估研究进行总结与展望并提出人工智能背景下模型-数据混合驱动的运行可靠性建模及评估总体思路。
关键词：综合能源系统 运行可靠性建模 运行可靠性评估 数据驱动 模型-数据混合驱动
在本系列论文中，上篇《综合能源系统运行可靠性评估评述I：模型驱动法》主要对模型驱动的综合能源系统（Integrated Energy Systems, IES）运行可靠性建模及评估进行了详细综述，并对现有研究所存问题做归纳总结。本文为下篇，主要对数据驱动及模型-数据混合驱动的IES运行可靠性评估的研究现状和现存问题进行综述，并对IES运行可靠性分析建模与评估方法中的现存关键科学问题进行总结与展望。在此基础上，提出人工智能背景下模型-数据混合驱动的IES运行可靠性建模与评估新思路。
数据驱动的IES设备运行可靠性建模方法主要有专家系统法、人工神经网络法、模糊模型法及贝叶斯网络法，其研究现状总结见表1。
表1 数据驱动的设备运行可靠性建模方法研究现状
Tab.1 Research status of data-driven equipment operational reliability modeling methods
方法名称文献建模对象 专家系统法[1]智能输电网 [2]输电线路 人工神经网络法[3]输电线路、母线、变压器 [4]变压器、高压断路器 模糊模型法[5]输电线路 [6]燃气管道、P2G装置 [7-8]新能源机组 贝叶斯网络法[9]传感器 [10-12]输电线路
1.1.1 专家系统法
专家系统法是应用较早的人工智能方法，依靠领域专家的知识和经验进行推理和判断，来模拟专家的决策过程，从而指导运行可靠性建模方面的问题[1]。专家系统由知识库和推理机共同构成[13]。
专家系统法具有较强的故障信息处理能力和决策能力，可解释性强。但专家系统要频繁对规则库进行维护，并带有很强的主观判断，且知识库在线建立与维护困难，容易造成故障诊断定位不及时，运行可靠性评估效率低，结果不准确。因此，现有研究将专家系统法与其他建模方法结合使用[1-2]来弥补模型短板。
1.1.2 人工神经网络法
人工神经网络法是一种仿生学算法，具有较强的自学习能力和非线性拟合能力，能够通过历史数据来建立学习模型，并学习重现这些数据中的隐含信息，实现快速故障诊断，并具有较好的容错性[14-15]。目前基于人工神经网络的建模主要有分块训练法[3]和结合诊断法[4,16]两种。但人工神经网络法存在模型不明确，可解释性低等问题。当系统的拓扑结构发生变化时，需要进行神经网络的重新训练，模型的可移植性较差。且随着网络层数的增加，基于人工神经网络法的可靠性建模计算变得更加耗时，甚至在某些情况下出现难以收敛的问题。
1.1.3 模糊模型法
模糊模型法主要考虑设备运行的模糊性，对设备运行不确定性[5-6]及可再生能源接入[7]导致的不确定性进行建模。常用的模糊模型法有粗糙集法和模糊Petri网法两种。粗糙集法善于从不完整和不确定的知识中挖掘规律，容错能力较强，但故障信息分析的准确率并不高。现有研究主要针对粗糙集法的信息冗余问题和诊断精度问题进行突破。模糊Petri网法是在Petri网法基础上衍生出的可靠性建模方法[16]。Petri网是一种加权有向图，能以图形的方式解释系统的动态行为，对故障信息中隐含的逻辑关系进行推理分析[17]。模糊Petri网法充分考虑了设备运行的不确定性，但是并不能实现时序信息的合理利用，并且建模过程繁杂，计算难度大，容错性不高。现有研究主要在时序信息的充分利用[18]和模型容错性的提高[19]方面进行改进。
以粗糙集法和模糊Petri网法为代表的模糊模型法能够对设备运行过程中的不确定因素进行建模，并善于利用模糊集合和模糊逻辑进行推理，但在关键信息缺失时，模型精度并不高，且推理规则的建立易受主观影响。利用模糊模型法与其他方法结合来提高模糊模型法对样本信息的处理能力，增强模型的可解释性，对设备运行可靠性建模的发展具有重要意义。
1.1.4 贝叶斯网络法
贝叶斯网络是对不确定信息进行推理计算的一种数学模型。利用贝叶斯网络建立设备运行可靠性模型的精确度较高，但是由于需要各设备的故障先验概率，并且推理计算过程需要较多样本，可能会导致评估效率降低。现有研究主要考虑贝叶斯法与其他建模方法相结合进行设备可靠性建模，如粗糙集-贝叶斯网络法[20]，混合贝叶斯动态离散化算法[9]和基于信息融合思想的可靠性评估方法[10]等。
对现有研究中模型驱动及数据驱动的设备运行可靠性建模方面存在的问题进行分析，总结如下：
1）考虑设备时变特性及供需不确定性的建模尚不充分。设备运行受内部影响如设备寿命、运行时间和外部影响如极端天气、运行条件等共同作用而呈现出时变特性，现有研究对设备时变特性进行建模主要通过马尔可夫多状态的故障修复模型来实现，但随着影响设备正常运行的因素增加，两状态模型并不能清晰地描述设备故障原因。多状态模型认为设备各故障因素是相互独立的，忽略了其内在关联性，不符合运行实际情况，这就使得马尔可夫多状态模型在描述设备运行可靠性时存在局限性。IES中包含电负荷、气负荷、冷热负荷等多种负荷类型，是一个多维度、多时间尺度的综合系统，且随着可再生能源在IES中的大量消纳，系统运行不确定性因素大大增加，考虑可再生能源固有的随机性与波动性和接入IES对系统运行带来的不确定性问题尚未在建模环节得到完全解决。现有研究仅通过以粗糙集法和模糊Petri网法为代表的模糊模型法对设备运行不确定性进行建模，其推理过程易受主观意识的干扰，且可解释性较弱，并不能完全符合设备运行层面的建模要求。
2）对耦合设备的运行可靠性建模方法尚不完善。IES是典型的多能耦合系统，系统中的耦合设备如果发生故障将会导致系统级联故障，甚至可能使耦合系统中两个或多个子系统相互分离[21]。相较于传统的单一能源供能系统，IES运行可靠性的改变主要由系统间的耦合关系引起，系统间可靠性的相互影响由耦合设备进行传递[22]。为了更准确地评估IES的运行可靠性，提升系统运行安全性，必须充分研究系统间的耦合关系，并对典型耦合设备如P2G装置、CHP机组、CCHP机组等进行准确建模,以反映设备的耦合特性及在能量转换过程中的可靠性。现有对耦合设备建模的方法基本基于模型驱动来实现，无法反映耦合设备运行过程中面临的运行条件的改变为设备带来的不确定性问题，以及能量转换过程中的损耗问题对设备运行可靠性的影响，且如CCHP此类由几种设备集成的设备单元，研究内部设备在运行阶段的协调配合问题与设备重要程度问题也对运行可靠性评估具有重要的指导意义，但在现有工作中并未得到充分研究。
3）数据驱动的设备建模方法尚未充分发展。随着IES的运行规模扩大化、运行结构复杂化、运行状态多样化，设备的运行数据大量增加，数据驱动的人工智能技术在面对多维时变数据信息时具有较强的处理能力和较快的计算效率，在设备运行状态判断与信息感知方面也具有较好的精度，更能准确地捕捉设备的故障信息及运行数据的改变。现有的基于传统人工智能算法的数据驱动建模方法已经有了一定的研究基础，但如上文分析，算法存在的缺陷可能会导致建模结果并不准确。目前，利用更为先进的机器学习算法如深度学习、强化学习等对IES中设备特别是耦合设备运行状态进行建模分析研究成果较少，其可用性有待进一步深入研究。
随着IES的自动化程度日益提高，系统规模和量测、决策单元数量都大大增加，其内部耦合机理日渐复杂，内部因素如独立设备与耦合设备的时变特性、运行方式的不断增加及外部环境如可再生能源消纳及用户用能行为等带来的运行不确定性问题都直接或间接地影响着IES的运行可靠性。现今，IES的运行可靠性评估问题已经由单一的电力系统可靠性评估问题转换为研究多能耦合系统多维度、多时间尺度下的综合问题，对影响系统运行的各方面因素、系统实时运行状态的捕捉及运行数据在线处理能力提出了更高的要求。
以机器学习为代表的数据驱动的人工智能技术，在应对数据特征不明显、具有关联性的多维异构数据时，具有良好的非线性拟合能力和强大的在线决策能力[23]，有望解决模型驱动方法在处理运行可靠性评估问题中面临的瓶颈。利用机器学习方法进行能源领域的规划、预测、评估、优化等问题是当下的研究热点。人工智能技术在能源领域的应用，将实现智能传感与物理状态相结合、数据驱动与仿真模型相结合、辅助决策与运行控制相结合[13]，从而提高系统处理高维非线性问题的在线计算与决策能力，为系统的安全稳定运行提供保障。
IES在生产、传输、交易、消费过程中涉及海量的设备及系统，这些设备和系统的运行数据库构成了能源大数据的基础[24]。在模型驱动的运行可靠性评估方法难以处理海量高维非线性数据、计算效率低、精度差的背景下，数据驱动的人工智能方法在大数据背景下为IES的运行可靠性分析提供了新的思路。目前，利用数据驱动的方法，充分利用能源大数据，对多能量流系统的运行可靠性建模及评估已经取得了初步研究成果[21]。数据驱动方法的核心问题在于从能源大数据中进行训练和自学习，对具体的数学模型依赖程度较低，具有应对高维、时变、非线性问题的强优化处理能力和强大的学习能力[25]，能够突破模型驱动的技术瓶颈。研究数据驱动的IES运行可靠性评估方法，符合未来的发展趋势，有望解决在人工智能大数据时代的IES运行可靠性评估难题，实现IES的故障诊断与定位、实时状态感知和在线评估。因此，数据驱动的人工智能技术是电网发展的必然选择，也是综合能源转型发展的重要战略支撑[25]。参照文献[25-27]，数据驱动的运行可靠性评估思路如图1所示。
图1 数据驱动的运行可靠性评估
Fig.1 Data-driven operational reliability assessment
如图1所示，数据驱动的运行可靠性评估方法通常采用“离线训练-在线评估”的工作模式。在离线训练环节，数据驱动模型能够基于系统的历史运行数据进行学习，挖掘数据集更深层次的内在关系，并将学习后的模型应用于在线评估环节，以提高评估结果的准确性；在线评估环节能够将大量的在线计算任务转移到离线训练过程中[25]，并通过运行状态的在线评估及运行可靠性指标体系的计算结果指导离线训练环节的模型更新，这使得评估的实时响应能力变强，效率变高。
目前，数据驱动的IES运行可靠性评估主要依靠机器学习（Machine Learning, ML）来实现。ML是一种算法范畴，是人工智能技术的核心研究方向。ML的目的是根据给定的训练样本求取系统输入、输出之间依赖关系的估计，使它能够尽可能准确地预测未知的输出[23]。并且，ML能够根据历史数据和经验，依靠自身强大的自学习能力不断改进算法性能。根据学习功能的不同，文献[13]将ML分为四类：传统ML、深度学习（Deep Learning, DL）、强化学习（Reinforcement Learning, RL）和迁移学习（Transfer Learning, TL）。其中，传统ML算法根据学习数据有无标签，主要分为有监督学习、无监督学习和半监督学习三类[25]。典型的监督学习算法有决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）、K临近算法和最小二乘法等；典型的无监督学习算法有K均值聚类（K-Means Clustering, KMS）、主成分分析（Principal Component Analysis, PCA）等；典型的半监督学习算法有转导支持向量机（Transudative Support Vector Machine, TSVM）等。
传统ML在运行可靠性评估问题上已经有了一定应用。在运行可靠性故障信息获取方面，文献[28]提出一种基于K最邻近模型和纠错输出编码的电路快速诊断方法。文献[29]提出基于模糊C均值聚类和改进SVM的结合方法来提高故障诊断的准确率。在能流计算问题上，文献[30]利用偏最小二乘法与最小二乘法相结合对历史数据进行回归，提出基于数据驱动的电-热互联IES系统潮流线性化方法，改善了传统方法的数值稳定性问题。传统ML算法实现过程相对简单，但对较长时间序列的处理能力较弱，且处理特征性不明显、关联性较强的高维数据时收敛能力不理想，一般应用其改进算法或多种算法结合使用来保障评估准确性。
DL是底层信号到高层语言映射关系的一种多层次模型，具有良好的非线性拟合能力和很强的泛化性能，且具有较强的自学习与挖掘能力，适用于IES中的大量时间序列，因此能够进行IES的运行可靠性评估工作。典型的DL算法有卷积神经网络、深度置信网络、堆叠自编码器、长短期记忆网络、受限玻耳兹曼机和生成式对抗网络。文献[31]对DL在电力系统故障诊断与运行稳定性评估中的应用进行了总结与展望。文献[32]为了解决可再生能源并网所带来的不确定性，提出了一种基于DL的系统在线稳定性评估方法。文献[33]提出一种深度自编码网络模型来进行风电机组的实时故障检测。文献[34]基于深度置信网络对变压器进行故障诊断。文献[35]基于卷积神经网络进行系统的在线稳定评估。文献[36]提出一种基于卷积神经网络的配电主设备分布式状态传感器可靠性评估方法。文献[37]考虑到多馈直流及动态负荷的影响，采用卷积神经网络对电压稳定性进行快速评估。文献[38]提出一种利用长短期记忆网络结合SVM进行输电线路故障检测的方法。综上所述，DL在IES特别是电力系统运行可靠性评估中的实时故障诊断、在线状态感知等环节应用广泛。但DL受限于反馈机制，且对数据的推理理解能力有限[25]，限制了DL算法更深层次的应用。
RL又称为再励学习或评价学习，其本质是智能体根据环境来指定决策以使累计奖赏最大化[23]。RL有较强的自学习能力和在线学习能力，同时在线决策能力强，适用于对IES进行实时评估。典型的RL算法有Q学习和SARSA(state action reward state action)法等。文献[39]提出一种基于复杂电网分区的分布式改进Q学习算法来计算系统的最优潮流。文献[40]基于Q学习算法研究系统在虚假数据注入攻击下的运行安全性。文献[41]设计了一种基于Q学习的系统稳定器来抑制风电接入带来的低频振荡对运行可靠性的影响。
但是，RL算法在进行大规模计算和控制决策时，容易出现“维数灾”现象，且模型更新需要大量信息交互，使得计算成本较高且学习效率降低[13]。为了克服RL自身的缺陷，有研究将RL与DL结合使用，提出深度强化学习算法（Deep Reinforcement Learning, DRL），能获得较好的计算结果。文献[42]采用卷积神经网络和DRL的混合模型对输电线路进行运行故障检测。文献[43]提出一种基于连续动作的DRL模型来计算考虑可再生能源出力实时不确定性的系统最优能流问题。
TL强调在不同但相似的数据域进行知识迁移，并允许在训练和测试中使用不同的数据域，从而提高算法效率[23]。文献[44]利用TL实现了历史数据潜力的充分挖掘，并结合少量获得的新数据进行系统的在线稳定评估。文献[45]利用TL实现了使用一个经过训练的模型来处理多个故障的方法，大大提高了算法效率。文献[46]提出一种DL与TL的系统可靠性混合分析方法，利用卷积神经网络来训练样本采集数据计算可靠性指标，能减少样本的收集时间，并结合TL进一步提高算法效率。TL计算效率较高但收敛性较差，适用于小样本学习和个性化学习，并适合与其他算法配合来加快计算收敛。
目前，数据驱动的方法在IES运行可靠性评估中的在线故障诊断、最优能流计算、运行状态判断等环节的应用正处于起步阶段，对解决能源领域的技术瓶颈仍面临诸多挑战，现有研究存在的不足总结为如下三点：
1）研究对象多为电力系统，利用数据驱动方法对IES尤其是耦合环节的运行可靠性研究较少。相较于电力系统，IES运行可靠性的改变在很大程度上取决于供能子系统的耦合与不同能源的相互转换。现有数据驱动的研究鲜有对IES中的耦合设备及耦合环节进行运行可靠性分析，故数据驱动的方法还尚未解决IES运行可靠性评估的核心问题。
2）缺乏数学理论及具体模型的支持，可解释性弱。数据驱动模型实质为黑箱模型，导致现有的通用运行模型及专家经验还无法在人工智能模型中体现[23]。数据驱动方法在应用于能源领域问题时过于依赖训练数据，缺乏深层次的数据语义挖掘[25]，对于IES运行可靠性问题中物理本质与计算过程的映射，难以给出合理具体的数学描述，这也限制了数据驱动方法在高风险等特殊运行场景中的应用。
3）数据集质量问题。数据驱动模型在系统运行与分析中的可靠性和准确性密切依赖于数据集质量。IES运行过程中会生成海量运行数据，且需计及内外部影响因素的时变特性，数据集本身的收集工作就有较大难度，依赖IES中的设备状态检测系统、能量管理系统、地理信息系统及气象信息系统等能源信息化平台的进一步完善[23]。且IES运行场景多样，单一场景内的运行数据可能不足且时变性较强，系统处于稳定运行和遭受小扰动的场景数据居多，故障运行和遭受大扰动的场景数据较少[47]，导致其正负样本不均衡问题严重。另外，IES复杂的运行环境导致其数据异常现象时有发生，相应的包括数据清洗在内的数据预处理技术和数据集质量评价标准尚不完善，可能会造成部分数据集的可用性无法保障。
上文详细综述了模型驱动的IES运行可靠性评估与数据驱动的IES运行可靠性评估，两种方法各自的优缺点对比见表2。
表2 模型驱动方法与数据驱动方法的优缺点对比
Tab.2 Comparison of the advantages and disadvantages of model-driven and data-driven methods
方法优点缺点 模型驱动（1）依靠概率与数理统计等数学知识实现，模型明确，研究基础广泛，可解释性强（2）实现过程较为简单，容易应用（1）对高维非线性问题的计算处理能力有限（2）处理复杂数据时，一般采用削减系统状态数等手段来保障评估的快速性，造成速度与精度的矛盾，这一矛盾会随着系统的复杂程度而进一步恶化（3）评估指标体系多样化切标准不统一，尚未形成一套适用于IES运行可靠性评估的指标体系
（续）
方法优点缺点 数据驱动（1）非线性拟合能力强，计算速度快（2）自学习能力强，能够更全面的考虑影响系统运行状态改变的因素并挖掘其内在联系，提升结果的准确性（3）实时响应能力强，计算效率高（4）对具体数学模型依赖程度低，能够突破模型驱动环节的技术瓶颈（1）需要大量的运行数据样本集（2）需要模拟不安全的场景并获取数据，保证正负样本均衡（3）存在准确率上限，过拟合、欠拟合风险（4）通常为黑箱模型，可解释性弱
模型驱动的运行可靠性评估方法始终受到准确率和效率之间矛盾的限制，且随着IES结构的日益复杂，模型驱动方法求解高维非线性问题的能力有限。而数据驱动的运行可靠性评估方法存在准确率上限，且可解释性较弱，限制了其解决能源领域问题的应用范围。将模型驱动的评估方法与数据驱动的评估方法相结合，形成数据-模型混合驱动的运行可靠性评估方法，其评估效果值得期待。
目前，混合驱动的IES运行可靠性评估方法也有了初步实践。文献[24]阐述了模型-数据混合驱动的思想与具体实现方法。此外，基于混合驱动的思想，广东电网建立了“模型-数据混合驱动的电网安全特征选择和知识发现平台”来保障系统的安全稳定运行。文献[26]基于模型-数据混合驱动的运行可靠性评估思路，提出了IES运行可靠性评估的“离线建模，在线评估”新模式。文献[48]将模型-数据混合驱动的评估结构大致分为串联、并联及嵌入式三种直接方式对系统进行建模分析，进而进行可靠性评估。
模型-数据混合驱动的三种运行可靠性评估的结构框图如图2所示。在串联模式中，模型驱动方法可为数据驱动方法筛选关键特性，有助于减少数据驱动方法的输入特性维数。数据驱动的方法亦可作为模型驱动方法的处理修正步骤。通过选择合适的模型驱动方法，可以提高模型的精度、时间效率和灵活性。在并联模式中，模型驱动和数据驱动方法的输出可以比较或使用加权计算来帮助最终决策。此种方法的精确度较高，但效率较低。在嵌入式模式中，数据驱动方法作为复杂元素替换或模型参数校准的内部模块嵌入到模型驱动方法中，这种集成方法特别适用于加速系统的仿真过程或提高模型驱动方法对实际情况的适应性，提高了效率和灵活性，但是精度会有所下降[48]。
图2 模型-数据混合驱动的运行可靠性评估
Fig.2 Model-data hybrid driven operational reliability assessment
随着混合驱动研究的发展深入，混合驱动的结构也变得更加复杂。文献[49]就数据驱动的学习策略如何与模型驱动的优化算法结合的问题，提出了三种不同的结构：端对端学习、学习配置算法及并行学习。端对端学习指利用数据驱动的方法直接对问题进行计算并输出结果；学习配置算法利用数据驱动环节为模型驱动的运行优化环节进行有价值的信息筛选和输入；并行学习算法结构更为复杂，使用主算法控制高层结构，同时可以通过反复调用数据驱动的计算环节来协助低层的决策进行模型驱动的运行优化环节的结果输出。
现有关于混合驱动的算法研究大部分将数据驱动中的机器学习算法与模型驱动环节的MC(Monte Carlo)采样进行结合，借助机器学习强大的计算能力，结合MC模拟对系统状态进行采样，从而提高评估的速度与精度。文献[50]讨论了使用SVM和MC模拟法来建立可靠性评估经验模型的可行性。在执行MC模拟所需的大量计算中，利用SVM实现计算速度的提升。此外，文献[51]采用模糊理论和概率相结合的方法对系统高峰负荷及负荷曲线进行建模，在此基础上提出了模糊集与MC模拟相结合的系统运行可靠性评估方法。文献[52]利用堆栈降噪自动编码器结合MC模拟抽样，提出了电-气IES的概率能量流快速计算方法，且在模型中引入了修正线性单元减少参数间的相互依存关系，提高数据驱动环节模型的泛化能力。文献[53]提出了一种模型-数据混合驱动的燃气轮机气路故障诊断方法，首先利用模型驱动环节建立燃气轮机热力模型并获得数据集，然后利用深度学习来回归建模，得到气路故障诊断模型。文献[54]基于兼容时序特性的模型驱动环节对微电网的时序多态不确定性进行建模分析，并提出选择性数据驱动算法，形成数据驱动策略来支撑高效仿真评估阶段的运行可靠性分析。
模型-数据混合驱动的结构正处于初步发展阶段，目前应用于IES运行可靠性评估的研究成果较少。模型-数据混合驱动建模的核心在于二者的融合模式[47]，目前的混合驱动结构较为单一，多为串联结构，尚不能实现模型驱动环节与数据驱动环节的最优协调配合。
1）充分考虑可再生能源出力带来的运行不确定性。随着高比例可再生能源的渗透，其固有的随机性与间歇性为系统的稳定可靠运行带来了更多不确定性，这种不确定性可以通过变化区间、发生的概率及可能出现的场景等更多维度去反映[55]。在设备运行可靠性建模环节，对可再生能源带来的不确定性给设备运行状态带来的影响进行准确表达与建模，是提高设备运行可靠性的必要手段。同时，可再生能源如风、光在时间和空间上均表现出良好的互补性[56]，这使得联合出力更为平缓，有利于提高系统的运行稳定性。在建模环节充分考虑可再生能源出力互补性对系统运行可靠性的影响，对系统实时可靠性的提升也具有重要意义。
另外，储能技术可以解决可再生能源密度低、出力不稳定、不连续等问题，对减少弃风弃光现象起到很好的调节作用。因此，在考虑可再生能源出力的不确定时，对IES中的储能设备进行合理建模，在系统能源利用率的提升和运行可靠性的提高方面也具有重要意义。
2）充分考虑设备运行的时变特性。常规的设备模型均为基于历史平均值对设备进行建模的可修复或者不可修复模型，而设备的运行可靠性建模层面要求模型能够反映设备在运行条件不断改变的前提下的实时运行状态。现有的基于马尔可夫多状态模型的时变建模因其未考虑各个故障因素之间的相互影响而使算法具有一定局限性。在实时信息的感知与在线处理方面，数据驱动技术如深度学习等具有明显优势，考虑利用数据驱动技术对设备运行的时变特性进行准确建模，对IES运行可靠性的提升具有重要意义。
3）充分利用数据驱动方法在运行可靠性建模方面的优势。建模环节需要对IES设备的大量运行数据进行感知与分析，利用如深度学习在内的机器学习算法能够通过自学习建立数据间关系的映射，深入挖掘影响设备运行可靠性各因素间的内在关联，善于对复杂非线性问题进行建模分析，具备深层特征自动提取及表达能力，有潜力打破模型驱动的运行可靠性建模存在的瓶颈，提高建模与后续运算的精度。
1）完善各维度指标，充分考虑耦合，实现薄弱环节的快速定位。现有的可靠性评估指标体系在评估IES的运行可靠性问题上依旧存在针对性不强、反映问题不全面的不足。在状态维指标中，随着系统运行状态的增加，仅将系统状态区分为健康状态、临界状态与风险状态三种显然并不充分。后续研究中，应充分考虑子系统间的耦合关系，将IES系统运行状态进行详细划分，才能获得较为合理的评估结果；在程度维指标中，现有的评估指标主要反映系统的能量充裕度及利用率等问题，缺少对多能耦合程度、运行策略及联合出力效率进行评估的综合指标；在层次维指标中，目前研究缺乏反映耦合设备运行可靠性的设备级指标及系统耦合程度、出力优先级和各供能子系统间的相互影响对系统运行可靠性影响的系统级指标，后续研究应补充加强；在时间维指标中，相比于传统的可靠性评估，运行可靠性更注重评估设备及系统在短时内的时变可靠性与在线评估，所研究的时间框架较短，发展短期可靠性评估指标实现系统状态的实时反映与监测也应在未来研究中加强。
另外，有研究利用数据驱动方法提出节点运行风险评估指标[57]，该指标通过数据驱动环节进行基于历史运行数据的学习及实时测量数据的计算，更适合在线评估系统的运行可靠性问题。使用数据驱动的方法对指标进行定义与计算，兼顾了效率与精度，具有深入研究的价值。
2）指标的权重计算，减少信息冗余，实现综合评估。IES中评估各节点、设备及供能子系统间的指标个数多、规模大，各指标之间难免存在信息的重叠、冗余现象，如果逐个分析将加大运行可靠性的评估工作量。为了解决不同指标之间的信息重叠及相互交叉影响问题，提高指标体系对系统运行可靠性的评估准确性，使指标评估结果更好地服务于系统后续的优化调度决策问题，需要对不同指标进行权重计算，从而提取相关性小且能包含绝大部分原信息的少数运行可靠性指标，筛选影响系统运行可靠性的关键设备、重要区域及薄弱环节[58]，缩小评估范围，提高评估效率。指标权重反映了各个指标在指标体系中的重要程度，直接关系到这一指标对总体的贡献大小。因此，确定各个指标的权重，是降低指标间信息重复度的有效手段，是综合评估与决策的基础[59]。现有的综合评价方法如主观赋权法中的层次分析法[60-63]、模糊综合评价法[64-66]及客观赋权法中的熵权法与反熵权法[60, 67-68]、TOPSIS（technique for order preference by similarity to an ideal solution）法[69-70]、灰色关联度法[71]在电力系统的综合评估中均有应用，但在综合能源的指标体系处理方面研究甚少，建议在后续研究中进行开展和补充。
目前，IES运行可靠性评估模型主要有模型驱动、数据驱动、模型-数据混合驱动三种。模型驱动因其速度与精度的固有矛盾在处理IES中的高维非线性问题方面存在困难，数据驱动方法因其可解释性较弱等自身的局限性导致在能源领域的应用也遭遇瓶颈。发展模型-数据混合驱动的运行可靠性评估方法，有望解决目前的技术难题。但在运行可靠性评估方面，混合驱动的研究相对较少，且混合结构较为简单，如何实现模型驱动环节与数据驱动环节的最优融合是后续研究中亟需解决的问题。除现有的串联、并联、嵌入式等结构外，思考将模型驱动模块转换为数据训练中的约束条件[23]，或通过模型驱动环节控制数据驱动环节的多次调用来优化评估结果[49]等手段对混合驱动的结构进行发展与更新，也具有深入研究的价值。
基于上述内容，本文提出一种模型-数据混合驱动的IES运行可靠性分析建模及评估方法的总体思路，如图3所示。实现实时高效的IES运行可靠性评估的基本思路如下：①基于传感器和量测系统提供大量IES实时运行信息，并结合系统状态模拟生成运行可靠性场景数据集。应当强调的是，运行可靠性场景数据集必须包含反映设备运行状态、气象条件和运行环境等可能导致运行可靠性发生改变的内外部影响因素的数据。对运行及模拟过程中产生的问题数据，拟采用数据清洗技术[23]对其进行删除或修正，而对于正负样本的不均衡[47]问题，需研发数据增强技术来训练产生与正样本个数匹配的负样本。②考虑运行状态的时变特性及供需不确定性对设备进行运行可靠性建模分析。在建模过程中需充分考虑由可再生能源出力、负荷多样性、系统运行策略、内部耦合关系等引起的运行条件及运行环境的变化对设备可靠性的影响，建立综合全面的设备运行可靠性评估模型。③在运行可靠性评估环节，应综合考虑评估速度与精度，设计全新的模型-数据混合驱动实现框架，选择合适的数学模型及数据驱动算法，实现模型驱动环节与数据驱动环节的最优配合，对IES运行可靠性进行准确评估。同时，运行可靠性评估环节包含IES运行可靠性指标体系的建立与计算，以及考虑冗余信息对指标权重的决策与分配。
图3 模型-数据混合驱动的IES运行可靠性评估新思路
Fig.3 A new idea of model-data hybrid driven operational reliability assessment of the IES
模型-数据混合驱动的运行可靠性分析建模与评估结果对IES系统的运行状态监测、实时故障诊断、运行策略控制和分析优化等工作环节均具有指导意义，运行可靠性评估的工程意义与价值可总结如下：
1）充分考虑气候条件、可再生能源出力、负荷多样性等多种运行不确定性因素，实现IES运行可靠性实时建模与薄弱环节的快速定位。近年来，能源系统运行环境下的不确定性因素逐渐增多，其对IES运行可靠性的影响越来越受到广泛关注，运行可靠性评估能充分考虑实时运行环境下的不确定信息，深入挖掘各种不确定性因素间的隐含规律与内在联系，进而建立相应的预测模型来预测气温、风速、设备故障率等重要运行数据集，结合IES运行可靠性场景数据可进行设备运行的实时可靠性建模，从而实现多种不确定因素下设备的运行故障信息分析、重要程度排序与系统薄弱环节的快速筛选与定位。
2）充分考虑IES内部耦合设备与耦合信息，旨在解决影响IES运行可靠性的核心问题。IES与单一供能子系统的最大区别在于其内部的耦合设备与耦合环节的存在，直接影响了IES的运行方式与运行可靠性，对系统运行安全具有重大影响。IES运行可靠性评估在建模、评估与指标体系的建立环节均将耦合设备与耦合环节作为重点研究对象，从而实现对能源转换环节工作状态的实时感知监测与运行风险预警，对保障IES的安全稳定运行具有重要意义。
3）在实现系统的实时运行状态感知、在线分析与评估的同时对系统可能面临的短期运行风险进行科学预测，对后续最优调度决策方案的形成具有重要指导意义。运行可靠性评估通过运行可靠性场景数据集对系统运行进行全面分析计算与短期风险预测，计算过程利用先进算法兼顾计算速度与精度，使得计算结果科学合理、可解释性强，并能提供实时的运行可靠性评估指标体系输出结果，实现系统运行状态的实时感知与运行可靠性影响因素的定量分析和精准预测，对系统后续的运行优化与调度决策等环节均具有重要指导意义。
本文从IES设备运行可靠性建模方法和IES运行可靠性评估方法两大方面对IES运行可靠性评估工作进行研究现状的综述，并指出现有研究存在的问题。在此基础上对IES运行可靠性评估工作做出展望，并提出了基于模型-数据混合驱动的IES运行可靠性建模与评估新思路。
应当注意的是，随着IES运行数据及系统运行过程中不确定因素的不断增加，实现运行可靠性的实时准确评估将面临更严峻的挑战。今后应从规划、预测、运行控制、价格导向等多方面对提高IES运行可靠性的方法进行进一步发展。例如：
1）在规划设计方面，可以首先利用系统在较长时间段内的平均可靠性提供决策依据，为运行阶段的实时可靠性提供保障。
2）在运行控制方面，可以通过积极引入关联分析和特征提取先进的算法与技术增强系统的在线处理与决策能力，并通过合理的运行调度策略保障系统运行的安全性。
3）在市场方面，可以通过可调节的柔性负荷或负荷聚类，并利用市场调节手段和价格导向的方式来提高IES的运行可靠性等。
参考文献
[1] 周子冠, 白晓民, 李再华, 等. 采用知识网格技术的智能输电网故障诊断方法[J]. 中国电机工程学报, 2010, 30(4): 8-15.
Zhou Ziguan, Bai Xiaomin, Li Zaihua, et al. Novel fault diagnosis approach of smart transmission grid based on knowledge grid technology[J]. Proceeding of the CSEE, 2010, 30(4): 8-15.
[2] 段杰, 王秀丽, 侯雨伸. 基于模糊专家系统的输电线路分段冰风荷载等效停运率模型[J]. 电工技术学报, 2016, 31(8): 220-228.
Duan Jie, Wang Xiuli, Hou Yushen. Piecewise equivalent model if ice disaster impact on outage rate of transmission lines using fuzzy expert system[J]. Transactions of China Electrotechnical Society, 2016, 31(8): 220-228.
[3] Flores N, Quiles E, Egarcia E, et al. Fault diagnosis of electric transmission lines using modular neural networks[J]. IEEE Latin America Transactions, 2016, 14(8): 3663-3668.
[4] Ma Deyin, Liang Yanchun, Zhao Xiaoshe, et al. Multi-BP expert system for fault diagnosis of power system[J]. Applications of Artifical Intelligence, 2013, 26(3): 937-944.
[5] 孙羽, 王秀丽, 王建学, 等. 电力系统短期可靠性评估综述[J]. 电力系统保护与控制, 2011, 39(8): 143-154.
Sun Yu, Wang Xiuli, Wang Jianxue, et al. An overview of the short-term reliability evaluation of power system[J]. Power System Protection and Control, 2011, 39(8): 143-154.
[6] 赵霞, 胡潇云, 杨仑, 等. 考虑参数不确定性的区域电-气联合系统的概率-模糊能流评估[J]. 电力自动化设备, 2019, 39(2): 135-142.
Zhao Xia, Hu Xiaoyun, Yang Lun, et al. Probabilistic-possibilistic energy flow evaluation of regional electricity-gas integrated system considering parameter uncertainties[J]. Electric Power Automation Equipment, 2019, 39(2): 135-142.
[7] Suganthi L, Iniyan S, Samuel A. Applications of fuzzy logic in renewable energy systems – a review[J]. Renewable and Sustainable Energy Review, 2015(48): 585-607.
[8] Cao Yang, Wei Wei, Chen Laijun, et al. Supply inadequacy risk evaluation of stand-alone renewable powered heat-electricity energy systems: a data-driven robust approach[J]. IEEE Transactions on Industrial Informatics, 2020, 17(3): 1937-1947.
[9] Neil M, Tailor M, Marquez D, et al. Modeling dependable systems using hybrid Bayesian networks[C]//First International Conference in Availability, Reliability and Security, Vienna, Australia, 2006: 819-823.
[10] 宁宁剑, 任怡睿, 林济铿, 等. 基于人工智能及信息融合的电力系统故障诊断方法[J]. 电网技术, 2021, 45(8): 2925-2936.
Ningjian, Ren Yirui, Lin Jikeng, et al. Power system fault diagnosis method based on artificial intelligence and information fusion[J]. Power System Technology, 2021, 45(8): 2925-2936.
[11] 李岩, 滕云, 冷欧阳, 等. 数据驱动的输电线路在线监测装置可靠性评估[J]. 中国电机工程学报, 2018, 38(15): 4410-4419, 4641.
Li Yan, Teng Yun, Leng Ouyang, et al. Reliability evaluation of on-line monitoring device over transmission line based on data driven concept[J]. Proceedings of the CSEE, 2018, 38(15): 4410-4419, 4641.
[12] 刘雪锋, 王红平, 钟汶兵, 等. 基于数据驱动的输电线路在线监测及可靠性评估[J]. 电气开关, 2021, 59(1): 13-15.
Liu Xuefeng, Wang Hongping, Zhong Wenbing, et al. Transmission line online monitoring and reliability estimation based on drive data[J]. Electrical Switch, 2021, 59(1): 13-15.
[13] 杨挺, 赵黎媛, 王成山. 人工智能在电力系统及综合能源系统中的应用综述[J]. 电力系统自动化, 2019, 43(1): 2-14.
Yang Ting, Zhao Liyuan, Wang Chengshan. Review on application of artificial intelligence in power system and integrated energy system[J]. Automation of Electric Power Systems, 2019, 43(1): 2-14.
[14] 何俊涛. 基于录波数据的电力系统故障元件智能诊断方法研究[D]. 济南: 山东大学, 2019.
[15] Rossi F, Velazquez D. A methodology for energy savings verification in industry with application for a CHP (combined heat and power) plant[J]. Energy, 2015(89): 528-544.
[16] Li Wenyuan, Zhou Jiaqi, Xie Kaigui, et al. Power system risk assessment using a hybrid method of fuzzy set and Monte Carlo simulation[J]. IEEE Transactions on Power Systems, 2008, 23(2): 336-343.
[17] 王守鹏, 赵冬梅. 电网故障诊断的研究综述与前景展望[J]. 电力系统自动化, 2017, 41(19): 164-175.
Wang Shoupeng, Zhao Dongmei. Research review and prospects for power grid fault diagnosis[J]. Automation of Electric Power System, 2017, 41(19): 164-175.
[18] 白展, 苗世洪, 孙雁斌, 等. 计及时间约束的改进模糊Petri网故障诊断模型[J]. 电工技术学报, 2016, 31(23): 107-115.
Bai Zhan, Miao Shihong, Sun Yanbin, et al. Fault diagnosis model based on improved fuzzy Petri net considering time constraints[J]. Transcations of China Electrotechnical Society, 2016, 31(23): 107-115.
[19] 程学珍, 林晓晓,朱春华, 等. 基于时序信息的模糊Petri网电网故障诊断方法[J]. 电工技术学报, 2017, 32(14): 229-237.
Cheng Xuezhen, Lin Xiaoxiao, Zhu Chunhua, et al. Power system fault analysis based on hierarchical fuzzy Petri net considering time association character[J]. Transactions of China Electrotechnical Society, 2017, 32(14): 229-237.
[20] 夏昌浩, 胡爽, 李伶俐, 等. 基于贝叶斯-粗糙集理论的诊断模型及诊断方法的应用[J]. 三峡大学学报(自然科学版), 2020, 42(5): 82-87.
Xia Changhao, Hu Shuang, Li Lingli, et al. Application of diagnosis model and diagnosis method based on Bayesian-Rough set theory[J]. Journal of China Three Gorges University (Natural Sciences), 2020, 42(5): 82-87.
[21] He Jun, Yuan Zhijun, Yang Xiaoling, et al. Reliability modeling and evaluation of urban multi-energy systems: a review of the state of the art and future challenges[J]. IEEE Access, 2020(8): 98887-98909.
[22] 陈娟伟, 余涛, 许悦, 等. 气电耦合综合能源系统供电可靠性评估解析算法[J]. 电力系统自动化, 2018, 42(24): 59-69.
Chen Juanwei, Yu Tao, Xu Yue, et al. Analytic method for power system reliability assessment of electricity-gas coupled energy system[J]. Automation of Electric Power Systems, 2018, 42(24): 59-69.
[23] 唐文虎, 牛哲文, 赵柏宁, 等. 数据驱动的人工智能技术在电力设备状态分析中的研究与应用[J]. 高电压技术, 2020, 46(9): 2985-2999.
Tang Wenhu, Niu Zhewen, Zhao Boning, et al. Research and application of data-driven artificial intelligence technology for condition analysis of power equipment[J]. High Voltage Engineering, 2020, 46(9): 2985-2999.
[24] 黄天恩, 郭庆来, 孙宏斌, 等. 模型-数据混合驱动的电网安全特征选择和知识发现关键技术与工程应用[J]. 电力系统自动化, 2019, 43(1): 95-104.
Huang Tianen, Guo Qinglai, Sun Hongbin, et al. Hybrid model and data driven concepts for power system security feature selection and knowledge discovery: key technologies and engineering application[J]. Automation of Electric Power Systems, 2019, 43(1): 95-104.
[25] 程乐峰, 余涛, 张孝顺, 等. 机器学习在能源与电力系统领域的应用和展望[J]. 电力系统自动化, 2019, 43(1): 15-31.
Cheng Lefeng, Yu Tao, Zhang Xiaoshun, et al. Machine learning for energy and electric power systems: state of the art and prospects[J]. Automation of Electric Power System, 2019, 43(1): 15-31.
[26] 李更丰, 黄玉雄, 别朝红, 等. 综合能源系统运行可靠性评估综述及展望[J]. 电力自动化设备, 2019, 39(8): 12-21.
Li Gengfeng, Huang Yuxiong, Bie Zhaohong, et al. Review and prospect of operational reliability evaluation of integrated energy system[J]. Electric Power Automation Equipment, 2019, 39(8): 12-21.
[27] 朱继忠, 董瀚江, 李盛林, 等. 数据驱动的综合能源系统负荷预测综述[J]. 中国电机工程学报, 2021, 41(23): 7905-7923.
Zhu Jizhong, Dong Hanjiang, Li Shenglin, et al. Review of data-driven load forecasting for integrated energy system[J]. Proceedings of th CSEE, 2021, 41(23): 7905-7923
[28] 杨慧敏, 崔江, 张卓然, 等. 基于改进支持向量机的故障诊断方法[J]. 电工技术学报, 2014, 29(增刊1): 164-169.
Yang Huimin, Cui Jiang, Zhang Zhuoran, et al. A fault diagnosis method of power electronic circuits[J]. Transcations of China Electrotechnical Society, 2014, 29(S1): 164-169.
[29] 李赢, 舒乃秋. 基于模糊聚类和完全二叉树支持向量机的变压器故障诊断[J]. 电工技术学报, 2016, 31(4): 64-70.
Li Ying, Shu Naiqiu. Transformer fault diagnosis based on fuzzy clustering and complete binary tree support vector machine[J]. Transcations of China Electrotechnical Society, 2016, 31(4): 64-70.
[30] 卫志农, 廖星星, 薛溟枫, 等. 计及相关性及改进交叉熵法的电-热互联综合能源系统风险评估[J]. 电网技术, 2021, 45(4): 1295-1304.
Wei Zhinong, Liao Xingxing, Xue Mingfeng, et al. Risk assessment of integrated electricity-heat energy system with improved correlation cross entropy method[J]. Power System Technology, 2021, 45(4): 1295-1304.
[31] Khodayar M, Liu Guangyi, Wang Jianhui, et al. Deep learning in power systems research: a review[J]. CSEE Journal of Power and Energy Systems, 2021, 7(2): 209-220.
[32] Cao Jun, Fan Zhong. Deep learning-based online small signal stability assessment of power systems with renewable generation[C]//2018 IEEE Smart World, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation, Guangzhou, China, 2018: 216-221.
[33] 刘辉海, 赵星宇, 赵洪山, 等. 基于深度自编码网络模型的风电机组齿轮箱故障检测[J]. 电工技术学报, 2017, 32(17): 156-163.
Liu Huihai, Zhao Xingyu, Zhao Hongshan, et al. Fault detection of wind turbine gearbox based on deep autoencoder network[J]. Transcations of China Electrotechnical Society, 2017, 32(17): 156-163.
[34] Xu Zhong, Mo Wenxiong, Wang Yong, et al. Transformer fault diagnosis based on deep brief sparse autoencoder[C]//2019 Chinese Control Conference (CCC), Guangzhou, China, 2019: 7432-7435.
[35] Shi Zhongtuo, Yao Wei, Zeng Lingkang, et al. Convolutional neural network-based power system transient stability assessment and instability mode prediction[J]. Applied Energy, 2020, 263(1): 1-13.
[36] 张世栋, 左新斌, 孙勇, 等. 一种配电主设备分布式状态传感器可靠性评估方法[J]. 华北电力大学学报(自然科学版), 2021, 48(1): 33-41.
Zhang Shidong, Zuo Xinbin, Sun Yong, et al. Reliability evaluation method for distributed state sensors of distribution main equipment[J]. Journal of North China Electric Power University (Natural Science Edition), 2021, 48(1): 33-41.
[37] Yang Weiquan, Zhu Yuanzhen, Liu Yutian. Fast assessment of short-term voltage stability of AC/DC power grid based on CNN[C]//2019 IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC), Macau, China, 2019: 1-4.
[38] Zhang Senlin, Wang Yixing, Liu Meiqin, et al. Data-based line trip fault prediction in power systems using LSTM networks and SVM[J]. IEEE Access, 2018(6): 7675-7686.
[39] 余涛, 刘靖, 胡细兵. 基于分布式多步回溯Q(λ)学习的复杂电网最优潮流算法[J]. 电工技术学报, 2012, 27(4): 185-192.
Yu Tao, Liu Jing, Hu Xibing, et al. Optimal power flow for complex power grid using distributed multi-step backtrack Q(λ) learning[J]. Transcations of China Electrotechnical Society, 2012, 27(4): 185-192.
[40] Wang Zhisheng, Chen Ying, Liu Feng, et al. Power system security under false data injection attacks with exploitation and exploration based on reinforcement learning[J]. IEEE Access, 2018(6): 48785-48796.
[41] Kosuru R, Chen Pengcheng, Liu Shichao. A reinforcement learning based power system stabilizer for a grid connected wind energy conversion system[C]//2020 IEEE Electric Power and Energy Conference (EPEC), Edmonton, AB, Canada, 2020: 1-5.
[42] Teimourzadeh H, Moradzadeh A, Shoaran M, et al. High impedance single-phase faults diagnosis in transmission lines via deep reinforcement learning of transfer Functions[J]. IEEE Access, 2021(9): 15796-15809.
[43] Yan Ziming, Xu Yan. Real-time optimal power flow: a lagrangian based deep reinforcement learning approach[J]. IEEE Transactions on Power Systems, 2020, 35(4): 3270-3273.
[44] Ren Junyu, Chen Jinfu, Li Benyu, et al. A method for power system transient stability assessment based on transfer learning[C]//2020 IEEE Power & Energy Society General Meeting (PESGM), Montreal, QC, Canada, 2020: 1-5.
[45] Ren Chao, Xu Yan. Transfer learning-based power system online dynamic security assessment: using one model to assess many unlearned faults[J]. IEEE Transactions on Power Systems, 2020, 35(1): 821-824.
[46] Urgun D, Singh C. Composite system reliability analysis using deep learning enhanced by transfer learning[C]//2020 International Conference on Probabilistic Methods Applied to Power Systems (PMAPS), Liege, Belgium, 2020: 1-6.
[47] 汤奕, 崔晗, 李峰, 等. 人工智能在电力系统暂态问题中的应用综述[J]. 中国电机工程学报, 2019, 39(1): 2-13, 315.
Tang Yi, Cui Han, Li Feng, et al. Review on artificial intelligence in power system transient stability analysis[J]. Proceedings of the CSEE, 2019, 39(1): 2-13, 315.
[48] Wang Qi, Li Feng, Tang Yi, et al. Integrating model-driven and data-driven methods for power system frequency stability assessment and control[J]. IEEE Transactions on Power Systems, 2019, 34: 4557-4568.
[49] Benjio Y, Lodi A, Prouvost A. Machine learning for combinatorial optimization: a methodological tour d’horizon[J]. European Journal of Operational Research, 2021(290): 405-421.
[50] Rocco S, Moreno J. System reliability evaluation using Monte Carlo & support vector machine[C]//49th Annual Reliability and Maintainability Symposium (RAMS), Tampa, Florida, 2003: 482-486.
[51] Li Wenyuan, Zhou Jiaqi, Xie Kaigui, et al. Power system risk assessment using a hybrid method of fuzzy set and monte carlo simulation[J]. IEEE Transactions on Power Systems, 2008, 23(2): 336-343.
[52] 余娟, 马梦楠, 郭林, 等. 含电转气的电–气互联系统可靠性评估[J]. 中国电机工程学报, 2018, 38(3): 708-715.
Yu Juan, Ma Mengnan, Guo Lin, et al. Reliability evaluation of integrated electrical and natural-gas system with power-to-gas[J]. Proceedings of the CSEE, 2018, 38(3): 708-715.
[53] 靳尧飞, 应雨龙, 李靖超, 等. 基于模型与数据混合驱动的燃气轮机气路故障诊断方法[J]. 热力发电, 2021, 50(9): 66-71, 93.
Jin Yaofei, Ying Yulong, Li Jingchao, et al. A gas turbine gas path fault diagnosis method based on model and data hybrid driven[J]. Thermal Power Generation, 2021, 50(9): 66-71, 93.
[54] 宋晓通, 徐文悦, 周京华, 等. 面向微电网时序多态不确定性的选择性数据驱动[J]. 高电压技术, 2020, 46(7): 2370-2380.
Song Xiaotong, Xu Wenyue, Zhou Jinghua, et al. Selective data-driven algorithm proposed for reliability evaluation of microgrid with sequential multi-state uncertainties[J]. High Voltage Engineering, 2020, 46(7): 2370-2380.
[55] 黎静华, 骆怡辰, 杨舒惠, 等. 可再生能源电力不确定性预测方法综述[J]. 高电压技术, 2021, 47(4): 1144-1157.
Li Jinghua, Luo Yichen, Yang Shuhui, et al. Review of uncertainty forecasting methods for renewable energy power[J]. High Voltage Engineering, 2021, 47(4): 1144-1157.
[56] Han Shuang, Zhang Luna, Liu Yongqian, et al. Quantitative evaluation method for the complementarity of wind–solar–hydro power and optimization of wind–solar ratio[J]. Applied Energy, 2019, 236(15): 973-984.
[57] 任惠, 王根旺, 唐焕新, 等. 基于数据驱动的输电网节点停电风险评估指标研究[J]. 电力系统及其自动化学报, 2021, 33(6): 51-59.
Ren Hui, Wang Genwang, Tang Huanxin, et al. Study based on the nodal outage risk index of transmission system through data-driven techniques[J]. Proceedings of the CSU-EPSA, 2021, 33(6): 51-59.
[58] 陈彬彬, 孙宏斌, 陈瑜玮, 等. 综合能源系统分析的统一能路理论(一): 气路[J]. 中国电机工程学报, 2020, 40(2): 436-444.
Chen Binbin, Sun Hongbin, Chen Yuwei, et al. Energy circuit theory of integrated energy system analysis(I): gaseous circuit[J]. Proceedings of the CSEE, 2020, 40(2): 436-444.
[59] 罗毅, 李昱龙. 基于熵权法和灰色关联分析法的输电网规划方案综合决策[J]. 电网技术, 2013, 37(1): 77-81.
Luo Yi, Li Yulong. Comprehensive decision-making of transmission network planning based om entropy weight and grey relational analysis[J]. Power System Technology, 2013, 7(1): 77-81.
[60] 董福贵, 张也, 尚美美. 分布式能源系统多指标综合评价研究[J]. 中国电机工程学报, 2016, 36(12): 3214-3223.
Dong Fugui, Zhang Ye, Shang Meimei. Multi-criteria comprehensive evaluation of distributed energy system[J]. Proceedings of the CSEE, 2016, 36(12): 3214-3223.
[61] 郭艳飞, 任雪桂, 鞠力, 等. 基于层次分析法的综合能源系统能效评估方法研究及应用[J]. 电力科学与技术学报, 2018, 33(4): 121-128.
Guo Yanfei, Ren Xuegui, Ju Li, et al. The comprehensive efficiency evaluation method for integrated energy system based on AHP[J]. Journal of Electric Power Science and Technology, 2018, 33(4): 121-128.
[62] 吴强, 程林, 黄河, 等. 基于层次分析法的能源互联网综合能效评估方法[J]. 电气应用, 2017, 36(17): 62-68.
Wu Qiang, Cheng Lin, Huang He, et al. Comprehensive energy efficiency evaluation method of energy Internet based on analytic hierarchy process[J]. Electrical Application, 2017, 36(17): 62-68.
[63] Saaty T. Decision making-the analytic hierarchy and network processes(AHP/ANP)[J]. Journal of Systems Science and Systems Engineering, 2004(13): 1-35.
[64] 杨志超, 张成龙, 葛乐, 等. 基于熵权法的绝缘子污闪状态模糊综合评价[J]. 电力自动化设备, 2014, 34(4): 90-94.
Yang Zhichao, Zhang Chenglong, Ge Le, et al. Comprehensive fuzzy evaluation based on entropy weight method for insulator flashover pollution[J]. Electric Power Automation Equipment, 2014, 34(4): 90-94.
[65] 穆永铮, 鲁宗相, 乔颖, 等. 基于多算子层次分析模糊评价的电网安全与效益综合评价指标体系[J]. 电网技术, 2015, 39(1): 23-28.
Mu Yongzheng, Lu Zongxiang, Qiao Ying, et al. A comprehensive evaluation index system of power grid security and benefit based on multi-operator fuzzy hierarchy evaluation method[J]. Power System Technology, 2015, 39(1): 23-28.
[66] 马丽叶, 卢志刚, 胡华伟. 基于区间数的城市配电网经济运行模糊综合评价[J]. 电工技术学报, 2012, 27(8): 163-171.
Ma Liye, Lu Zhigang, Hu Huawei. A fuzzy comprehensive evaluation method for economic operation of urban distribution network based on interval number[J]. Transactions of China Electrotechnical Society, 2012, 27(8): 163-171.
[67] 陈柏森, 廖清芬, 刘涤尘, 等. 区域综合能源系统的综合评估指标与方法[J]. 电力系统自动化, 2018, 42(4): 174-182.
Chen Baisen, Liao Qingfen, Liu Dichen, et al. Comprehensive evaluation indices and methods for regional integrated energy system[J]. Automation of Electric Power Systems, 2018, 42(4): 174-182.
[68] 张涛, 朱彤, 高乃平, 等. 分布式冷热电能源系统优化设计及多指标综合评价方法的研究[J]. 中国电机工程学报, 2015, 35(14): 3706-3713.
Zhang Tao, Zhu Tong, Gao Naiping, et al. Optimization design and multi-criteria comprehensive evaluation method of combined cooling heating and power system[J]. Proceedings of the CSEE, 2015, 35(14): 3706-3713.
[69] 李慧玲, 芦新波, 刘大川, 等. 基于AHP-TOPSIS的电力能效项目综合评价[J]. 现代电力, 2014, 31(4): 88-94.
Li Huiling, Lu Xinbo, Liu Dachuan, et al. A comprehensive evaluation method for power energy efficiency project based on AHP-TOPSIS[J]. Modern Electric Power, 2014, 31(4): 88-94.
[70] 陈琪华, 何育恒, 曾永忠, 等. TOPSIS法在垃圾焚烧发电锅炉蒸汽空气预热器综合评价中的应用[J]. 中国电机工程学报, 2020, 40(4): 1274-1281, 1418.
Chen Qihua, He Yuheng, Zeng Yongzhong, et al. Application of TOPSIS method in the comprehensive evaluation of eteam-air preheater on waste incineration boiler[J]. Proceedings of the CSEE, 2020, 40(4): 1274-1281, 1418.
[71] 葛磊蛟, 张东, 王旭东, 等. 智能电网示范工程项目评估的模糊层次分析法[J]. 电力系统及其自动化学报, 2017, 29(9): 54-60.
Ge Leijiao, Zhang Dong, Wang Xudong, et al. Fuzzy AHP method for the assessment on smart grid demonstration project[J]. Proceedings of the CSU-EPSA, 2017, 29(9): 54-60.
A Review of Operational Reliability Assessment of Integrated Energy Systems Ⅱ: Data-Driven Method and Model-Data Hybrid Driven Method
Abstract The operational reliability assessment of integrated energy systems can not only realize the real-time perception of the operating status, but also can reasonably predict the short-term operational risks. Using data-driven artificial intelligence technology to solve problems in the energy field is a current research hotspot. In this paper, firstly, the equipment operational reliability modeling methods of integrated energy systems considering time-varying features and uncertainty of supply and demand based on data-driven method were summarized, and the shortcomings of existing research in equipment operational reliability modeling were pointed out.Then, the principles, research status and limitations of current research on data-driven and model-data hybrid driven operational reliability assessment methods were introduced in detail. Finally, aiming at the shortcomings of existing research, the study on the operational reliability assessment of integrated energy systems were summarized and prospected, and the overall idea of hybrid-driven operational reliability modeling and assessment process under the background of artificial intelligence was proposed.
keywords：Integrated energy systems, operational reliability modeling, operational reliability assessment, data-driven, model-data hybrid driven
DOI:10.19595/j.cnki.1000-6753.tces.210928
中图分类号：TM732
朱继忠 男，1966年生，教授，博士生导师，研究方向为综合智慧能源系统优化运行与控制。E-mail：zhujz@scut.edu.cn（通信作者）
骆腾燕 女，1995年生，硕士研究生，研究方向为综合智慧能源系统运行可靠性评估与优化。E-mail：epluoty@mail.scut.edu.cn
收稿日期 2021-06-30
改稿日期 2021-09-11
广东省自然科学基金项目（2021A1515010419）和广东省国际合作项目（2020A0505100004）资助。
（编辑 赫蕾）