基于元学习的有限数据下综合燃气与电力系统通用化运行可靠性评估方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Generalizable Operational Reliability Evaluation Method for Integrated Gas and Power Systems with Limited Data: A Meta-learning Enabled Approach

　　康雄|包明雷|丁毅|倪宇文|侯青春•提出了一种基于元学习的综合电力与燃气系统运行可靠性评估方法。•设计了一种专门用于运行可靠性评估的新型任务构建框架。•快速的适应机制显著提升了该方法的稳健性及可靠性评估的准确性。

引言近年来，由于高效性以及对环境保护的积极影响，燃气发电厂得到了广泛应用[1]。例如，在美国，燃气发电厂提供了近50%的电力供应[2]。在这种背景下，对天然气发电的日益依赖加剧了电力与燃气行业之间的相互依存关系。然而，综合电力与燃气系统的高度关联性意味着电力系统或燃气系统中的初始意外状况可能会进一步恶化[3,4]，从而降低整个系统的运行可靠性。一个典型的例子是2021年德克萨斯州的大规模停电事件。在那次停电中，由于极端寒冷天气导致天然气供应不足，超过50%的燃气发电厂被迫停止运行，最终约有480万用户面临长时间停电的情况[5]。因此，开发有效的综合电力与燃气系统可靠性评估方法至关重要。

运行可靠性评估旨在定量分析和评估综合电力与燃气系统在数小时到数天不同时长内满足用户需求的能力，这对于提高运营决策的准确性和效率具有重要意义[[6], [7], [8], [9]]。与长期可靠性不同，运行可靠性更注重运行条件实时变化（如组件健康状况、外部环境因素以及负载的实时波动）对系统可靠性的影响[10]。目前，已有多种技术被提出用于评估综合电力与燃气系统的运行可靠性。通常，传统的运行可靠性评估方法大致可分为两类：以蒙特卡洛模拟法为代表的仿真方法[11]以及分析方法[3]。作为一种典型的分析方法，有研究采用通用生成函数法[12]来考虑氢气注入因素，评估综合电力与燃气系统的短期可靠性。不过，基于蒙特卡洛模拟的运行可靠性评估方法往往存在较大的计算负担，因为需要大量的场景样本才能获得可接受的精度[13,14]。分析方法则面临着状态空间爆炸的问题，尤其是在组件众多且具有多种运行状态的系统中。由此产生的高计算复杂度会大大降低评估效率，限制了其在大规模综合电力与燃气系统中的应用。

为此，有一些数据驱动的方法被提出来以提高计算效率[[15], [16], [17], [18], [19]]。这些方法能够高效地从大量数据中提取特征并获取有用信息。例如，Urgun等人[20]采用了多标签k最近邻算法对系统状态进行分类，将其分为正常状态和故障状态，无需进行最优功率流计算，从而大大降低了计算负担。然而，这种基于MLKNN的方法仅是一种分类方法，无法得到实时的最优负荷削减量。因此，一些可靠性指标，如预期未供电能量值，也无法得出。针对这一问题，Dong等人[18]提出了一种堆叠去噪自编码器方法，用于拟合系统状态与最小负荷削减量之间的非线性关系，从而能够准确预测最小负荷削减量。Li等人[21]则采用了极梯度提升回归算法来拟合系统状态与可靠性指标之间的关系，这些指标包括预期未供电能量值以及预期未供气能量值。此外，还有基于卷积神经网络的反演方法被提出，用于在不同系统状态下拟合系统状态与最小负荷削减量之间的非线性关系[16,17]。

尽管传统的数据驱动方法在提高运行可靠性评估的计算效率方面表现良好，但它们在面对未见或极端场景时往往存在泛化瓶颈。为了解决这个问题，人们开始探索迁移学习和技术以及少样本学习，以提高预训练模型的泛化能力[22,23]。例如，Zhang等人[24]提出了一种基于集成迁移学习的运行可靠性评估方法，即使在拓扑结构发生变化的情况下也能提升模型的稳健性。然而，迁移学习本质上是通过在庞大的源数据集上优化参数来最小化经验损失，这会导致参数惯性[25]。当在数据有限的新极端情况下进行微调时，基于迁移学习的模型往往难以摆脱这种惯性，从而导致严重的过拟合现象。此外，传统的少样本学习方法主要是为离散分类任务设计的，通过衡量潜在相似性来实现功能[23]。它们本质上无法模拟由最优能量流方程决定的高度非线性和连续的物理边界变化。因此，有必要开发一种具有泛化能力的框架，能够从有限的样本中提取元知识，并快速适应罕见和未见过的场景。

为了解决上述问题，元学习因其快速适应能力而成为一种理想的选择。目前，已经在故障诊断[25]、负荷预测[26,27]、风力发电预测[28]等领域提出了多种基于元学习的方法。然而，现有的元学习框架通常是针对特定任务设计的，目前仍缺乏专门用于综合电力与燃气系统运行可靠性评估的元学习框架。因此，本文提出了一种模型无关的元学习方法，旨在解决数据有限的问题，并提高基于数据驱动的综合电力与燃气系统运行可靠性评估方法的泛化能力。表1总结了所提框架与该领域相关研究之间的主要差异。本文的主要贡献如下：1）本文创新性地提出了一种基于元学习的综合电力与燃气系统运行可靠性评估方法。与那些严重依赖大规模标注数据集的传统数据驱动方法不同，这种方法允许使用少量代表性样本对模型进行训练，并在必要时快速适应未见过的场景。这不仅进一步提高了可靠性评估的效率，还大大增强了其泛化能力，尤其是在处理极端或罕见场景时。2）本文提出了一种新型的任务构建和快速适应框架，旨在在极端情况下显著提升评估的稳健性。传统的数据驱动方法在面对未见场景时往往泛化能力较差。为了解决这个问题，所提方法将极端情况下的负荷削减预测策略性地转化为多种元更新任务。这样的设计使得预训练模型能够通过最少的微调快速适应未见过的N-K场景，从而在无需生成海量数据的情况下实现高精度的可靠性评估。

本文的其余结构如下：第2节介绍了所提出的运行可靠性评估方法的整体框架和流程；第3节详细阐述了运行可靠性评估的数据收集和任务构建过程；第4节具体说明了如何通过MAML方法训练运行可靠性模型；第5节通过案例研究验证所提方法的有效性；第6节分析了该方法的局限性及未来的研究方向；第7节对全文进行总结。

引言 所提出的运行可靠性评估方法的框架与流程通常，运行可靠性评估方法的计算效率与系统状态的数量密切相关，而系统状态的数量又取决于组件的数量及其可能的状态[30]。将燃气系统整合到电力系统中后，由于增加了大量组件，系统的复杂性显著提升，这使得系统状态的范围扩大，同时也出现了更多的突发事件场景。在这种情况下，蒙特卡洛模拟方法面临着挑战。

综合电力与燃气系统的系统状态始终取决于两个主要因素：传统发电机等电力系统的组件状态，以及气井和燃气压缩机等燃气系统组件的状态[30]。因此，在采样系统状态时，必须同时考虑电力系统中的组件状态和燃气系统中的组件状态。本文采用的组件故障模型基于经典的两状态模型[31,32]。

通过MAML方法训练运行可靠性模型基于MAML的运行可靠性评估方法的流程如图2所示。可以看出，所提出的基于MAML的运行可靠性评估方法遵循三阶段流程。前两个阶段用于通过MAML方法训练负荷削减优化器，第三阶段则利用训练好的负荷削减优化器来评估综合电力与燃气系统的可靠性。

案例设置为了展示所提出的基于MAML的运行可靠性评估方法的效果，本文采用了由IEEE 30节点电力系统[3]和比利时20节点燃气系统[48]组成的综合电力与燃气系统作为案例，其具体结构如图5所示。该电力系统包括3台燃煤发电机、3台燃气发电机、27个负荷节点以及41条输电线路。而比利时燃气系统则包含7口气井、2台燃气压缩机以及19条管道。此外，还涉及相关的物理参数。

讨论尽管所提出的框架相比基于ODEF的蒙特卡洛模拟大幅降低了计算负担，但MAML的基于梯度的适应机制仍然需要较高的支持样本匹配和参数微调成本，这与直接使用固定神经网络进行推理相比仍有差距。因此，未来的工作将致力于研究参数高效的元学习策略，以在不牺牲评估精度的前提下进一步降低适应延迟。

结论随着燃气发电厂数量的增加以及电力系统与燃气系统之间相互依赖程度的加剧，迫切需要能够有效且高效地评估综合电力与燃气系统运行可靠性的方法。本文提出了一种模型无关的元学习框架，专为在样本有限的情况下评估综合电力与燃气系统的运行可靠性而设计。为了更好地利用有限的样本资源……

作者声明我们希望引起编辑的注意，以下内容可能被视为潜在的利益冲突，以及对本研究提供的重大财务支持。我们确认，本研究不存在已知的利益冲突，也没有任何可能影响研究结果的重大财务资助。我们确认，所有署名作者都已阅读并批准了手稿内容，且没有其他人员参与了本研究的贡献。

CRediT作者贡献声明康雄：写作——审阅与编辑，写作——初稿撰写，软件，方法论，概念设计。包明雷：写作——审阅与编辑，指导，方法论，概念设计。丁毅：写作——审阅与编辑，指导。倪宇文：写作——审阅与编辑，验证，软件。侯青春：写作——审阅与编辑，指导。