考虑源网荷场景生成的综合能源系统运行可靠性评估研究报告

本报告旨在对荣烜曼（西安交通大学电气工程学院）、黄玉雄、叶宇鑫（广东电网有限责任公司电力调度控制中心）、王春、戴子程、李更丰、别朝红（西安交通大学电气工程学院）等作者近期在《电网技术》（Power System Technology）期刊网络首发（2026年1月13日）的一篇学术论文进行详细介绍。该论文题为《考虑源网荷场景生成的综合能源系统运行可靠性评估》。本研究属于电力系统、能源系统工程领域，聚焦于综合能源系统（Integrated Energy System, IES）这一前沿方向，旨在解决传统可靠性评估方法在应对多能流耦合、动态不确定性等方面的局限性，具有重要的理论价值与工程指导意义。

一、 研究学术背景 随着“双碳”目标和新型电力系统建设的推进，能源系统正从传统的单一电力网络向集成电力、天然气、热能等多种能源形式的综合能源系统（IES）转型。IES通过多能互补与协同优化，能够有效提升能源利用效率和可再生能源消纳能力。然而，IES的可靠性评估面临前所未有的挑战：系统不仅包含电、气、热等多种能源网络，拓扑结构复杂，设备种类繁多，而且其运行过程中存在广泛的源（如风电、光伏出力）、网（如元件故障）、荷（用户需求）不确定性，这些不确定性之间还可能存在复杂的时空相关性。

传统的可靠性评估方法通常基于网络元件的静态故障率，采用模拟法（如蒙特卡洛模拟）进行分析。这些方法虽然经典，但在刻画IES的实际运行场景时存在明显不足：1）难以准确反映系统在短期运行尺度下供需波动、多能转换的动态过程；2）通常孤立地处理各环节的不确定性，难以计及源、网、荷不确定因素之间的关联关系；3）采用的元件停运模型（如非时变二状态模型）和供需场景采样方法（如基于Copula函数）较为粗放，生成场景的准确性和扩展性有限。这导致传统方法的评估结果可能无法真实反映IES的运行风险，从而影响其在系统规划和运行决策中的指导作用。

针对上述挑战，本研究的目标是提出一种更为精确、适应性更强的IES运行可靠性评估方法。其核心在于：1）更准确地刻画IES运行中多元不确定性的耦合影响，特别是源、网、荷的时变特性及其关联；2）构建能够反映电-气-热三网协同互济特性的优化运行模型，以精确计算故障状态下的负荷损失；3）利用先进的数据驱动技术提升场景生成的保真度。为此，作者团队提出了一种融合“数据驱动”与“模型驱动”的混合方法框架。

二、 研究详细工作流程 本研究的工作流程是一个系统性工程，可分为三个核心部分：源网荷场景生成、运行场景（后果）分析、可靠性指标计算。整体框架遵循非时序蒙特卡洛模拟（Non-Sequential Monte Carlo Simulation, NSMCS）的评估逻辑，但在每个环节都引入了创新方法。

第一流程：源网荷场景生成 此流程的目标是生成大量能够反映IES运行不确定性的“系统状态”样本，每个样本包含特定时刻的供需场景（连续变量）和网络元件状态（离散变量）。 * 研究对象与数据处理：研究对象为IES的历史运行数据，包括风电出力、电/气/热负荷需求。实验数据来源于中国西北某省的实际风电出力和区域聚合负荷数据，时间分辨率为30分钟。气、热负荷数据基于空间相似性假设处理。数据经过最大-最小归一化预处理，以消除量纲影响并统一至[0,1]区间。 * 创新方法：基于生成对抗网络（GAN）的供需场景生成 这是本研究的方法论亮点。为了克服传统统计方法难以捕捉复杂时空相关性的缺点，作者提出使用生成对抗网络（GAN）来学习历史供需数据的联合概率分布，并生成新的、具有高度保真性的供需场景。 * 网络结构：构建了一个包含生成器（Generator）和判别器（Discriminator）的对抗学习框架。 * 生成器：以潜在空间的随机噪声向量作为输入，通过一个由4层网络组成的结构（包括多层感知机MLP和反卷积层Deconv）进行上采样和特征重构，最终输出一个代表多节点、多时间步供需场景的“图像”（矩阵）。该矩阵的每一行是一个时刻所有源、荷节点的功率值，每一列是一个节点在整个时间序列上的功率曲线，从而同时编码了时空信息。 * 判别器：是一个3层网络（包含卷积层Conv），输入为真实的或生成器伪造的供需场景“图像”，通过下采样提取特征，最终输出一个判别该场景为“真”的概率。 * 训练过程：采用经典的min-max博弈进行对抗训练。生成器的目标是生成足以“欺骗”判别器的场景，最小化判别器对其输出判为“假”的概率；判别器的目标是尽可能准确地区分真实历史场景和生成场景。优化器采用Adam，学习率为0.0001。训练过程持续约2500轮后达到收敛，此时判别器对真伪场景的判别概率均接近0.5，表明生成场景已具备与历史数据高度相似的统计特征。 * 元件状态生成：与数据驱动的供需场景生成并行，网络元件（线路、管道、设备）的状态采用模型驱动的两状态可靠性模型生成。本研究的创新在于引入了元件综合停运率模型，该停运率由三部分构成：1）基本停运率（基于故障率与修复率）；2）老化停运率，基于Weibull分布，考虑元件已服役年限；3）运行停运率，考虑实时运行工况（如线路潮流、管道压力、设备负载率）对故障率的动态影响。在每一评估时刻，通过均匀分布随机数与综合停运率的比较，确定每个元件是正常运行（状态1）还是故障停运（状态0）。 * 场景组合：将GAN生成的供需场景（矩阵）与基于综合停运率模型生成的元件状态向量进行组合，即形成一个完整的“系统状态”样本，用于后续的后果分析。

第二流程：运行场景（后果）分析 此流程的目标是针对第一流程生成的每一个“系统状态”样本，求解在发生可能的元件故障和给定的供需条件下，IES通过多能协同和网络重构所能达到的最优运行点，并计算出不可避免的负荷损失量。 * 研究模型：电-气-热网络协同优化运行模型 这是本研究的另一个核心。作者建立了一个稳态层面的混合整数线性规划（MILP）模型，其优化目标是在故障场景下最大化保障的负荷供给（考虑电、气、热负荷的不同权重）。模型充分考虑了IES的典型特征： * 多能网络约束： * 电力系统：包括辐射状拓扑约束（保证故障后网络仍为辐射状或形成多个孤岛）、支路潮流约束、节点电压约束、电源出力与负荷平衡约束。 * 天然气系统：包括节点气压约束、管道气流方程（通过分段线性化处理非线性）、压缩机模型。 * 供热系统：采用质调节模型，包括流质平衡约束、节点温度约束、管道热传输温度损耗约束。 * 多能耦合设备：模型集成了电转气（P2G）、电转热（P2H）、气转电（G2P）、气转热（G2H）、热电联产（CHP）等多种能源转换设备，精确建模其输入输出关系与转换效率。 * 储能设备：模型包含了电、气、热储能，采用统一的“能量容器”模型，包含荷电状态（SOC）约束、充/放功率约束和互斥运行状态约束。 * 网络重构：通过引入0-1决策变量，模型允许在故障后改变线路、管道、转换设备的开合状态，以重新配置能流路径，最大化恢复负荷。这是提升故障后供能可靠性的关键手段。 * 求解与分析：对于每一个采样的系统状态，将该状态下的元件开断情况（拓扑变化）、新能源最大出力上限和负荷需求作为输入，代入上述MILP模型进行求解。求解结果给出了最优调度策略下，电、气、热各节点被切除的负荷功率。该负荷损失量即为该故障场景的“后果”。

第三流程：可靠性指标计算 此流程利用第二流程产生的大量“状态-后果”对，进行统计计算，得到系统级和节点级的可靠性指标。 * 方法：采用标准的非时序蒙特卡洛模拟（NSMCS）统计方法。评估设定总状态样本数为10000个。 * 指标体系：作者构建了一个全面的可靠性指标体系，包括： * 系统层指标：系统切负荷概率（SLOLP）、系统切负荷期望（SLOLE）、系统切负荷比率（SLOLR）、受影响切负荷比率（ALOLR）、系统缺供能量期望（EENS）。这些指标从不同维度反映了系统整体的供能不足风险。 * 节点层指标：节点切负荷概率、期望、比率和缺供能量期望，用于评估特定用户或区域的供能可靠性。 * 收敛性检验：计算过程中监控EENS等指标的变异系数（Coefficient of Variation, CV），当CV稳定小于5%时，认为蒙特卡洛模拟已收敛，评估结果可靠。

三、 主要研究结果 研究通过一个由IEEE-33节点配电网、比利时20节点天然气网和巴厘岛33节点热网耦合而成的测试系统进行算例分析，验证了所提方法的有效性。

在场景生成方面： 1. GAN训练成功：判别器输出概率在训练约2500轮后稳定在0.5左右，表明生成器已能生成以假乱真的供需场景。 2. 时空相关性保真度高： * 时间相关性：生成的场景完美复现了历史数据中的周期特性。电、气负荷显示出明显的24小时日周期自相关性，热负荷波动相对平稳，与实际情况相符。 * 空间相关性：生成的场景成功保留了源荷之间的空间关联模式。例如，不同风电场之间的出力呈现正相关（平均斯皮尔曼相关系数ρ=0.73），不同负荷节点之间的需求也呈正相关（平均ρ=0.68），而风电出力与负荷需求之间则呈现出预期的负相关（反调峰特性，平均ρ=-0.61）。 * 对比优势：与传统的Gaussian Copula方法对比，GAN在复现时间序列动态特性（如日内波动）方面表现更优，时间自相关系数高达0.9945（Copula为0.4161），展现出更强的工程适应性。

在可靠性评估结果方面： 1. 评估方法对比：作者设置了6种不同方案的对比实验，如表1所示。 * 方案1（本文方法，无储能） vs 方案2（本文方法，有储能）：引入电、气、热储能后，所有网络的切负荷概率（SLOLP）和切负荷期望（SLOLE）均显著下降，证明储能设备能有效平抑波动、应对故障，提升系统可靠性。 * 方案1（多能耦合） vs 方案3（解耦运行）：解耦运行时（仅保留CHP），电网的切负荷概率略有降低，但气网和热网的切负荷概率上升，且三网的切负荷期望值均大幅升高。这强有力地证明了电、气、热网络通过多能转换设备（如P2G， P2H）实现的耦合互济，能够从整体上显著提升IES的供能可靠性，尽管可能会略微增加某个子系统的风险。 * 方案1（动态全模型） vs 方案4（静态模型） & 方案5（模型驱动）：方案4（忽略所有时变特性）和方案5（仅忽略供需时变）评估出的系统可靠性明显高于方案1。这表明，忽略源、荷的动态波动以及元件故障率的时变特性，会严重低估系统的实际运行风险，导致过于乐观的评估结论。其中，供需波动是影响评估结果的主导因素之一。 * 方案6（传统MCS）：由于完全忽略运行不确定性，其结果与其他方案规律不一致，可信度低。 2. 负荷增长影响分析：通过逐步增加负荷需求比例（0.8至1.25），研究了充裕度对可靠性的影响。 * 电网和热网的EENS和SLOLP随负荷增长呈加速恶化趋势（下凸曲线），而气网因有独立气源，恶化较为平缓。 * 当需求比例达到1.15-1.25的临界区间时，电网和热网的可靠性出现拐点：SLOLP急剧上升，同时ALOLR（受影响状态下切负荷比例）下降。这表明系统进入临界状态后，一旦发生故障，切负荷的范围将从局部快速扩大至全局，系统脆弱性剧增。 3. 节点可靠性差异：节点级评估显示，电网由于可通过网络重构灵活分配负荷，不同节点在不同场景下的可靠性差异显著。而热网和气网因网络结构相对固定，节点可靠性表现更稳定，但网络末端节点（如节点19， 20）可靠性明显偏低。拥有多重供气路径的气网节点2则表现出极高的可靠性，为网络规划提供了重要参考。

四、 研究结论与价值 本研究提出并验证了一种数据-模型混合驱动的综合能源系统运行可靠性评估新方法。主要结论包括：1）电-气-热多能耦合机制能够有效发挥协同互济效益，从整体上提升系统的供能可靠性，是IES相较于传统独立供能系统的核心优势之一。2）系统拓扑结构与分布式能源、储能设备的布局对节点及系统可靠性有决定性影响，合理的规划至关重要。3）在进行IES可靠性评估时，必须充分考虑源、网、荷不确定性的动态时变特性及其之间的关联，忽略这些因素将导致风险评估严重不足。4）所提出的融合GAN场景生成、元件综合停运率模型及多能流协同优化模型的评估框架，较传统方法在准确性、适应性方面均有显著提升。

本研究的价值体现在： * 科学价值：推动了IES可靠性评估理论的发展，将先进的人工智能生成式学习（GAN）与传统物理模型、可靠性理论深度融合，为刻画复杂系统不确定性提供了新范式（数据-模型混合驱动）。提出的元件综合停运率模型更精细地反映了设备老化与运行工况的影响。 * 应用价值：为IES的规划设计和运行调度提供了更精准、更贴近实际的风险量化工具。评估结果能够帮助运行人员识别系统薄弱环节，优化储能配置和网络结构，制定更有效的预防控制和恢复策略，保障IES的安全、可靠、经济运行。

五、 研究亮点 1. 方法创新性：首次将生成对抗网络（GAN）系统地应用于IES运行可靠性评估中的供需场景生成，显著提升了生成场景在刻画复杂时空相关性方面的保真度。 2. 模型系统性：构建了集成电-气-热三网稳态协同优化、网络重构、多能转换与储能的统一MILP模型，能够精确模拟故障后系统的互济与恢复能力。 3. 模型精细化：提出了考虑老化与运行工况的元件综合停运率模型，使元件可靠性建模从静态走向动态，更符合工程实际。 4. 框架融合性：成功实现了“数据驱动”（GAN）与“模型驱动”（物理优化模型、蒙特卡洛模拟）的有机结合，兼具对复杂数据关系的学习能力和对物理规律的遵循，评估框架完整且先进。

六、 未来展望 作者在文末指出了未来值得深入的研究方向：1）面向极端灾害场景的智能数据增强与场景生成方法，以提升模型对“黑天鹅”事件的表征能力；2）考虑多时间尺度动态特性的IES建模与能流分析；3）构建运行可靠性与弹性（Resilience）的一体化评估与优化框架。这些方向均是当前能源系统安全领域的前沿课题。