基于LSSVM 的电-气区域综合能源系统短期可靠性评估

彭寒梅，彭紫洁，苏永新，谭 貌

（1.湘潭大学自动化与电子信息学院,湖南省湘潭市 411105；2.湖南省多能协同控制技术工程研究中心（湘潭大学）,湖南省湘潭市 411105）

0 引言

综合能源系统 （integrated energy system,IES）可提高能源供应的安全可靠和能源的利用率,促进可再生能源的开发利用,并得到了广泛关注和快速发展［1-4］。电-气区域综合能源系统由分布于一个区域内的电力系统、天然气系统、可再生能源发电（renewable energy generation,REG）以及供电、气之间的耦合元件等构成［5-7］。电-气区域综合能源系统短期可靠性评估基于元件瞬时状态概率,考虑的时间尺度为小时、天、周［8-9］,是量度和预测系统未来短期内不间断地向其用电、气、热/冷用户供应电、气能量能力的有效工具,以辅助制定经济调度和运行控制策略。

电-气区域综合能源系统含电力、天然气两种不同的子系统及间歇性出力的REG,能源节点和负荷节点一般较多,系统拓扑结构及能源形式间的耦合关联复杂,其短期可靠性评估具有以下特点:1）可靠性评估机理模型复杂,故障影响复杂,传统的单一能源系统故障后果分析方法不再适用；2）包含电力和天然气系统可靠性的量度,评估计算量大；3）评估的时间尺度短且评估要素时变多样,对快速性要求高。由此可知,其短期可靠性评估的实时、准确受到挑战。

目前,单一能源系统可靠性评估已有较多研究,而对综合能源系统可靠性问题的研究尚处于起步阶段［10-13］,均大多采用模型驱动的可靠性评估方法。模型驱动的可靠性评估方法主要分为解析法和蒙特卡洛模拟法［14-15］,前者不适用于大规模复杂系统,后者对于复杂且多重故障影响不容忽视的系统可靠性评估更具有优越性,但是其耗时较长,效率低。由此可知,传统模型驱动的方法难以同时满足电-气区域综合能源系统短期可靠性评估对准确性和快速性的要求。基于数据驱动的可靠性评估方法采用机器学习算法,挖掘可靠性参数及其影响因素之间的非线性映射关系,可解决准确性与快速性的矛盾,其主要依赖于算法的泛化能力和训练样本的合理性。一方面,目前应用于能源系统领域的机器学习算法主要有支持向量机（support vector machine,SVM）、神经网络、深度学习方法等,最小二乘支持向量机（least squares support vector machine,LSSVM）属于SVM的一种改进,具有较强的非线性映射能力,与后2 类方法相比具有适用于小样本问题的优势［16-17］。近年来,针对LSSVM 在电力系统风险与可靠性评估中的应用已有相关研究［18-20］。但是,文献［18-20］针对单一的大电网,所用方法均结合了蒙特卡洛模拟和LSSVM,评估时仍需抽样大量系统状态,导致实时性受限制。另一方面,短期可靠性的特性使得训练样本难以通过量测方式获取。

为此,本文提出用模型驱动结果训练LSSVM,由LSSVM 在线评估的电-气区域综合能源系统短期可靠性评估方法,以兼具快速和准确。首先,建立系统元件可靠性模型,提出基于系统等效节点模型的故障后果分析方法,构建基于蒙特卡洛模拟的模型驱动短期可靠性评估方法,获得训练样本。然后,构建 LSSVM 回归模型并进行离线训练,得到系统状态与短期可靠性指标间复杂非线性映射的LSSVM 模型,实现在线短期可靠性评估。最后,在电-气区域综合能源算例系统中进行验证。

1 基于数据驱动的短期可靠性评估架构

1.1 短期可靠性分析

电-气区域综合能源系统包含配电网、配气网、REG、耦合元件及电、气、热/冷负荷等,如图1 所示。REG 主要为风光发电,耦合元件主要包括独立的微型燃气轮机（micro-turbine,MT）、电转气（power-togas,P2G）以及能量中心（energy center,EC）。EC负责综合能源的转换、分配和存储,可用能源集线器（energy hub,EH）来描述其中的能源耦合关系。根据设备类型不同,衍生出与电/气/热综合能源系统相关的2 类EH 结构。本文不涉及储能环节,考虑的EH 结构包含变压器、燃气锅炉（gas boiler,GB） 和MT,其可运行于以热定电（following the thermal load,FTL）模式或以电定热（following the electric load,FEL）模式［21］,在运行模式下可作为电力平衡节点。

图1 电-气区域综合能源系统结构图Fig.1 Structure diagram of electricity-gas regional integrated energy system

本文采用失负荷概率（loss of load probability,LOLP）指标和供能不足期望值（expected energy not supplied,EENS）指标来量度电-气区域综合能源系统的短期可靠性水平。失负荷概率包括失电、气、热/冷负荷概率,供能不足期望值包括供电、天然气不足期望值。电-气区域综合能源系统中电力、天然气系统的可靠性相互影响,由耦合元件进行传递,具体分析如下:

1）P2G 作为电力系统的负荷节点和天然气系统的平衡节点,电力系统元件故障会影响其运行情况,而其运行情况直接影响天然气系统的供气可靠性；MT、EH（运行于FEL 模式）作为天然气系统的负荷节点和电力平衡节点时,天然气系统元件故障会影响MT、EH 的运行情况,而其运行情况直接影响电力系统的供电可靠性。

2）风光发电作为电力系统的电源节点,其可靠性运行情况直接影响电力系统的供电可靠性。

3）EH（运行于FTL 模式）作为电力、天然气系统的负荷节点,为其本身的电、热/冷负荷供能,电力、天然气系统元件故障直接影响其所带负荷的可靠性。

1.2 基于LSSVM 的短期可靠性评估架构

LSSVM 是一种高效的机器学习算法,非线性映射能力较强。针对电-气区域综合能源系统短期可靠性评估需同时满足准确性和快速性2 个方面要求。本文提出一种基于LSSVM 的短期可靠性评估方法,采用“模型驱动离线建模-在线评估”模式,将大量的在线评估计算任务转移到离线环节,其架构如图2 所示。

图2 基于LSSVM 的短期可靠性评估架构Fig.2 Short-term reliability evaluation architecture based on LSSVM

在图2 离线建模环节中,输入元件时变状态概率及间歇性REG 出力和负荷水平历史数据（输入数据样本）,采用基于蒙特卡洛模拟的模型驱动短期可靠性评估方法得到可靠性指标（输出数据样本）,为数据驱动提供训练样本（包括输入和输出数据样本）,再以数据驱动思想,离线训练LSSVM 回归模型参数,得到电-气区域综合能源系统短期可靠性评估LSSVM 模型。该环节包含大量计算任务,以保证评估的准确性。在线评估环节中,将未来短期时段的元件时变状态概率、预测的间歇性REG 出力和负荷水平输入短期可靠性评估LSSVM 模型,在线得到短期可靠性指标值。

2 基于蒙特卡洛法的模型驱动短期可靠性评估

2.1 元件可靠性建模

电-气区域综合能源系统元件包括配电网元件、配气网元件和耦合元件。配电网元件主要包括REG、变压器、电力线路、断路器和分段开关等；配气网元件主要包括天然气管道、压缩机和阀门等。EH 元件具有2 种运行模式、含多个元件且能源耦合关系复杂,需建立其多状态可靠性模型；其他元件采用两状态可靠性模型,其中,独立的MT、P2G 和REG 的可靠性状态需结合考虑控制策略和出力模型。

短期可靠性评估不考虑元件的计划停运,元件的两状态为正常工作状态（用状态0 表示）和故障状态（用状态1 表示）,设其状态转移过程为齐次马尔可夫过程,则当前状态为状态0 下,得到处于状态0和状态1 的时变状态概率p00(t)和p01(t)为:

式中:λ和μ分别为元件的故障率和修复率。

本文考虑的REG 为风力发电,正常工作状态下其出力随风速变化而变化。独立的MT 利用配气网的天然气发电,以分布式电源形式接入配电网,正常工作状态下消耗的天然气流量FMT与发出的电功率PMT关系为式（2）,在配气网中为气负荷；在配电网中并网运行时一般采用恒功率控制,以额定电功率恒定出力；孤岛运行时一般采用恒压恒频控制,出力可调,最大出力为其最大输出电功率。

式中:C1、C2和C3为根据不同MT 特征而定的常数。

在P2G 正常工作状态下,配电网能否进行电转气取决于控制策略,为可控电负荷,设并网时为设备运行的最大电能消耗量,孤岛运行时取决于孤岛系统的电能冗余情况；配气网能否供气取决于其储气量,设短期可靠性评估下并气网运行时供气量为0,孤岛运行下供气量为其最大值。

考虑的如图1 所示EH 结构的耦合关系为:

式 中:Pe、Fg、Le、Lh分 别 为EH 与 配 电 网、配 气 网 交互的电功率和天然气流量,以及所带的电负荷和热负荷；ηT和ηGB分别为变压器和GB 的效率；ηMT,e和ηMT,h分别为MT 转化电能和热能的转换效率；vMT为天然气分配系数。

EH 的可靠性与内部单个元件故障情况有关,考虑单重故障下建立的多状态转移见附录A 图A1,内部元件变压器、MT、GB 的状态表示为{ST,SMT,SGB},两状态模型下ST、SMT、SGB取值为0或 1, 则 EH 的 4 种 状 态 分 别 为{0,0,0}、{1,0,0}、{0,1,0}、{0,0,1}。EH 作为负荷节点运行FTL 模式下,所需天然气流量由热负荷决定,不足的电功率由配电网供给,得到不同状态下EH 从配电网和配气网获取的电功率和天然气流量,以及能带电负荷和热负荷的最大值Pmaxe、Fmaxg、Lmaxe、Lmaxh分别为:

EH 作为电力平衡节点运行于FEL 模式下,所需天然气流量由平衡配电网的电功率决定,得到不同状态下EH 提供给配电网的电功率和从配气网获取天然气流量及能带电负荷和热负荷的最大值分别为:

2.2 基于等效节点模型的故障后果分析

电-气区域综合能源系统中,配电网结构复杂,元件数目多；配气网也具有一定的拓扑结构,网络中某个元件故障,其下游气负荷必然受到影响,旁路的供气则可通过阀门控制形成天然气孤岛运行。此外,耦合元件会传递配电网与配气网可靠性的相互影响。上述特点使得电-气区域综合能源系统的故障影响复杂,本文提出一种基于等效节点模型的故障后果分析方法,以简化分析过程,具体如下:

1）区域划分,包括配电网分区和配气网分区。带有复杂分支子馈线的辐射状配电网主要由主馈线、分支子馈线、负荷支路、开关器件等构成,负荷支路由熔断器、电力线路和配电变压器构成。首先,将负荷支路上的所有元件等效为一个组件,置于馈线与负荷支路的交叉处；将各段馈线等效为一个组件；将主要的开关器件（断路器、分段开关、联络开关）保持不变。然后,以断路器与分段开关为分割点将配电网按正常状态下潮流的流动方向划分为多个区域,将位于主馈线、分馈线上的区域分别称为主馈线区和分支馈线区；同一区域内各组件的故障影响相同,且不含耦合元件。辐射状配气网分区方法与配气网类似,以主控阀门为分割点将配气网划分为多个区域,分为主管道区和旁路区。

2）建立系统等效节点模型。采用网络图论中节点的概念,并结合配电网、配气网、REG 装置和耦合元件的保护逻辑,将配电网、配气网的上级系统分别等效为容量充足的电源节点和气源节点,主路区（主馈线区和主管道区）和分支区（分支馈线区和旁路区）等效为区域节点,耦合元件处理为单个的电/气负荷节点或电源/气源节点,并联或串联在其接入的区域；再将各节点串、并连接,形成耦合元件关联下的电-气区域综合能源系统等效节点模型。

3）故障后果分析。不同节点故障影响下电、气、热/冷负荷有3 种运行方式:不切负荷方式、切负荷方式和孤岛方式。系统可能会产生电力孤岛和天然气孤岛,考虑预先设定合理的孤岛解列点,解列点设置在配电网、配气网的并网点及主路上的开关器件和主控阀门上；分为孤岛投入失败和投入成功,当电力孤岛含有出力可控的非间歇性电源或含可作为平衡节点的EH 元件、天然气孤岛含P2G 时孤岛投入成功,投入成功下当供给小于负荷需求时,仅考虑充裕性由判式（8）按照最小负荷点优先切除原则,逐步切除部分负荷,以保证功率平衡。

式中:PREG和PMT分别为电力孤岛内REG、MT 的出力；β为网损系数；Ne和Le,k1分别为电负荷的点数和电负荷k1的有功功率；FP2G、FMT、FEH和FC分别为天然气孤岛内P2G 输出的天然气流量和MT、EH、气压缩机消耗的天然气流量；Ng和Lg,k2分别为气负荷的点数和气负荷k2的天然气流量。当EH 作为电力平衡节点时Pe前面取正号,作为负荷节点时前面取负号。

故障影响下,式（8）中的Lmaxe和Lmaxh由式（5）和式（7）得到,EH 切除的热负荷量需转换为供天然气不足期望值；当EH 作为负荷节点运行于FTL 模式下时,其切除的电负荷功率为供电不足期望值；当EH 作为电力平衡节点运行于FEL 模式下时,其切除的电负荷功率需转换为供天然气不足期望值。

2.3 基于蒙特卡洛模拟的评估流程

基于元件可靠性模型和故障后果分析方法,构建基于蒙特卡洛模拟的模型驱动短期可靠性评估方法,具体流程如下。

步骤1:状态选择。将系统元件分为4 类:非电源配电网元件、非气源配气网元件、REG 和耦合元件；采用非序贯蒙特卡洛方法,结合元件当前状态和短期时变状态概率对非电源配电网元件、非气源配气网元件和EH 元件进行状态抽样,如果存在故障元件,则进入步骤2,否则重复步骤1 抽样。

步骤2:状态评估。输入间歇性REG 出力和负荷水平,采用提出的基于等效节点模型的故障后果分析方法进行故障后果分析；负荷为不切负荷方式和切负荷方式下,不需要对该区域内的REG、MT和P2G 进行抽样,减少了元件的总抽样次数,可提高计算速度。

步骤3:指标统计。根据故障后果分析结果,得到各电、气、热/冷负荷点的短期可靠性指标值。

步骤4:收敛判别。当可靠性指标的方差系数大于给定值或模拟抽样的次数未达到最大抽样次数时,返回步骤1 进行下一个故障元件的生成和故障后果分析；否则,结束循环,统计各负荷点的可靠性指标,并对系统可靠性进行计算。

3 基于LSSVM 的短期可靠性评估方法

3.1 LSSVM

设训练样本集为{(xi,yi),i=1,2,…,m},xi∈Rn是输入数据,yi∈Rn是输出数据,LSSVM 借助样本集的结构风险最小化原则建立回归模型:

式中:J(·)为损失函数；ei为训练误差；φ(·)为xi从原始空间Rn到高维特征空间H的非线性映射函数；m为样本数；ω为权值；b为偏值；γ为正则化因子；e为所有训练误差相量。

模型训练时,引入Lagrange 乘子αi,建立并求解式（9）对应的Lagrange 函数,得到LSSVM 的模型参数αi和b,选 用 径 向 基 核 函 数K(xi,yi）,则 得 到LSSVM 回归模型为:

其中

式中:σ为核函数参数。

LSSVM 回归模型的主要参数为正则化因子γ和核函数参数σ,其对学习和泛化能力的影响很大,决定LSSVM 模型的性能,本文采用粒子群算法优化确定这两个参数。

3.2 基于LSSVM 的短期可靠性评估流程

电-气区域综合能源系统的元件故障率、间歇性REG 出力和负荷水平与其导致的失负荷概率、供能不足期望值之间的关系是非线性的,根据LSSVM算法的思想,可以将其对应关系转换到高维空间,从而实现不同状态下短期可靠性指标值的映射,得到短期可靠性评估LSSVM 模型,进而提出基于LSSVM 的短期可靠性评估方法,具体步骤如下。

步骤1:以一定时间间隔（通常为小时）为单位的元件时变状态概率、间歇性REG 出力和负荷水平历史数据作为输入数据样本,其表达式为:

式中:xi、pEi,j、vi、Li,k分别为第i个时间间隔的输入数据样本、第j个元件的状态概率、风速和第k个负荷点需求量。

步骤2:对输入数据样本xi,采用本文提出的基于蒙特卡洛模拟的模型驱动短期可靠性评估方法,得到由失电、气、热/冷负荷概率,以及电力、天然气不足期望值组成的m×5 维输出数据样本。

步骤3:对输入数据样本和输出数据样本进行归一化处理,再采用LSSVM 对样本数据进行离线训练,得到短期可靠性评估LSSVM 模型及其参数。

步骤4:将预测的间歇性REG 出力和负荷水平及根据当前状态得到的未来短期时段的元件时变状态概率,作为短期可靠性评估LSSVM 模型的输入,在线得到LSSVM 模型输出的短期可靠性指标值。

4 算例分析

4.1 算例系统

在配置为Intel Core i5-10200H CPU、16.00 GB内存的个人计算机上,采用软件MATLAB R2022a 编制本文所提方法的程序。设置电-气区域综合能源算例系统包含IEEE-RBT-BUS6 的多分 支 馈 线、15 节 点 天 然 气 系 统［22］、WT1～WT3、MT、EH1～EH2 和P2G1～P2G2,拓扑结构见图3,天然气系统参数见附录B 表B1 和表B2,WT1～WT3 的额定功率分别为0.3 MW、0.16 MW和0.16 MW,MT、P2G运行的最大功率分别为0.4 MW和1.6 MW。

图3 电-气区域综合能源系统算例拓扑图Fig.3 Topology diagram of electricity-gas regional integrated energy system

在算例系统中,EH 天然气分配系数为0.6,网损系数为0.01；开关器件和阀门100%可靠工作,电力线路、变压器的λ和μ分别取0.065 次/（km·a）和0.000 57、0.015 次/a 和0.022 83,天然气管道、压缩 机 的λ、μ分 别 取0.025 次/（km·a）和0.002 06、0.065 次/a 和0.001 71,MT、WT、P2G 的λ均 取0.05 次/a,μ分别取0.001 40、0.006 85 和0.001 14［23］。以1 h 为时间间隔,评估系统未来168 h 的短期可靠性水平。

4.2 模型驱动的短期可靠性评估结果

设置EH 运行于FEL 模式。取某地区2012 年7 月1 日至7 日的实测小时风速和负荷水平,设初始时刻t0=0,所有元件初始时刻都处于正常工作状态,取以1 h 为时间间隔的168 h 时间段的元件时变状态概率,采用本文提出的基于蒙特卡洛模拟的模型驱动短期可靠性评估方法,抽样次数设置为50 000,得到短期可靠性指标值。

1）建立算例系统的等效节点模型见图4,其中,D1～ D5 为配电网区域编号,G1～G6 为配气网区域编号。

图4 算例系统等效节点模型Fig.4 Equivalent node model of case system

2）进行故障后果分析。X1、X2、X3 分别表示不切负荷、切负荷和孤岛方式,以电力线路11-12 和天然气管道4-7 同时故障为例的故障后果分析结果见表1。

表1 故障后果分析结果Table 1 Analysis results of failure consequences

3）基于故障后果分析结果,统计指标值,得到算例系统1～24 h、25～168 h 的短期可靠性指标值见附录B 表B3 和图5,其中,αLOELP、αLOGLP和αLOHLP分别表示失电、气、热负荷概率,αEPNS和αEGNS分别表示供电、天然气不足期望值。

图5 25～168 h 的可靠性指标值Fig.5 Reliability index values from 25 h to 168 h

评估结果分析如下:算例系统的短期可靠性指标值随着时间非单调性变化,且波动幅度逐渐变小,这是由于两状态元件的状态概率大小在一定短时间内随时间变化,且168 h 后趋于其平稳状态概率,此外,故障下切负荷量与具有波动性的小时风速和负荷水平有关；整体上αLOELP＆gt;αLOGLP＆gt;αLOHLP,这是由于失热负荷概率（LOHLP）只与EH 的可靠性有关,电力线路故障率大于天然气管道故障率。上述分析符合理论,验证了本文所提基于蒙特卡洛模拟的模型驱动短期可靠性评估方法的正确性和有效性。

4.3 LSSVM 短期可靠性评估的结果

输入数据样本选取就近历史数据加以往同期历史数据,且以24 h 为单位滚动更新就近历史数据,以更新短期可靠性评估LSSVM 模型参数,提高泛化能力。

1）取4.2 节 中 某 地 区2012 年7 月1 日 至7 日、8 日 至14 日 及2011 年7 月15 日 至21 日 共3 组168 h时间段对应的实测小时风速和负荷水平及其时变状态概率,作为输入数据样本；

2）由本文提出的模型驱动短期可靠性评估方法得到短期可靠性指标值,作为输出数据样本；

3）得到共504 个训练样本集,离线训练LSSVM回归模型参数,得到短期可靠性评估LSSVM 模型；

4）取2012 年7 月15 日至17 日共72 h 的预测小时风速和负荷水平及元件时变状态概率作为短期可靠性评估LSSVM 模型的输入,在线评估系统的短期可靠性,得到以模型驱动评估结果为参考下各指标值的平均相对误差（见附录B 表B4）及拟合曲线（见附录A 图A2）。LSSVM 模型、模型驱动下的单个输入数据评估所用的平均时间分别为0.045 7 s 和229.324 4 s,各指标值的最大相对误差均在10%内。

评估结果分析如下:基于LSSVM 的电-气区域综合能源系统短期可靠性评估方法与基于蒙特卡洛的模型驱动短期可靠性评估方法得到的可靠性指标值曲线拟合程度较高,各指标值的平均相对误差均在7%以内且评估时间大大得到缩短,验证了本文所提方法具有较好的准确性和快速性。

取上述504 个训练样本集,对比测试本文所提LSSVM 方法与SVM、全连接神经网络（DNN）的短期可靠性评估结果,选取3 个评价指标对比见表2。其中,平均相对误差、最大相对误差为以模型驱动评估结果为参考下的可靠性指标相对误差,计算时间为单个输入数据评估所用的平均计算时间。

表2 3 种方法的评价指标对比Table 2 Comparison of evaluation indices for three methods

由表2 可知,在3 种算法中,DNN 方法的平均相对误差和最大相对误差最大,都超过了10%；SVM方法的最大相对误差超过了10%；本文方法的平均相对误差和最大相对误差最小,均在10%内,且单个输入数据评估所用的平均计算时间最小。其原因在于:当可供学习的样本少时,DNN 方法的泛化能力差导致评估的准确性受限制；LSSVM 方法将SVM 中的求解二次规划问题转化为求解线性方程问题,简化了计算的复杂程度,提高了收敛速度,且用粒子群算法优化的LSSVM 方法的泛化能力得到了提升。由此表明,LSSVM 方法应用于小样本短期可靠性评估中具有明显的优越性。

4.4 EH 不同运行模式下的短期可靠性评估结果

输入数据样本与4.3 节相同,采用本文提出的基于LSSVM 的短期可靠性评估方法,得到算例系统中EH 分别运行于FEL、FTL 模式下,7 月15 日1～12 h 的αLOGLP值大小相同,αLOELP和αLOHLP值对比如表3 所示。

由表3 可知,EH 运行于FEL 模式相较于FTL模式下,αLOELP和αLOHLP值平均分别降低了27.271%和50.299%,最大分别降低了50.747%和67.985%。其原因在于:

表3 EH 不同运行模式下的αLOELP、αLOHLPTable 3 αLOELP and αLOHLP in different EH operation modes

1）2 种 运 行 模 式 下EH 均 为 气 负 荷 节 点,EH 运行模式不影响故障下系统的气负荷切除情况；

2）电负荷切除是由电网元件故障和EH 故障导致。当电网元件故障导致EH 并联接入的区域失电时,运行FEL 模式的EH 可作为电力平衡节点,为该孤岛电负荷提供由天然气转换过来的电能,减少了电负荷切除；而运行FTL 模式的EH 作为电力负荷节点,不能形成孤岛供电,该孤岛电负荷全部切除；

3）热负荷切除仅由EH 故障导致。由本文建立的EH 多样性可靠性模型可知,不同运行模式下能带的热负荷最大值不同,导致EH 故障下FEL 模式相较于FTL 模式的热负荷切除少。由此表明,EH运行于FEL 模式下可提高电-气区域综合能源系统的可靠性水平,验证了本文所提方法的准确性和有效性。

5 结语

本文针对电-气区域综合能源系统短期可靠性评估需兼具快速和准确,提出了一种基于LSSVM的短期可靠性评估方法,其核心是模型与数据方法相结合。算例结果及分析表明:

1）提出的模型驱动短期可靠性评估方法,考虑了多样性元件可靠性模型及一定拓扑结构下的故障影响,且基于等效节点模型的故障后果分析方法能简化含多耦合元件系统的故障后果分析,适用于多能源系统可靠性的机理建模与分析；

2）提出的LSSVM 短期可靠性评估方法,用LSSVM 模型离线提取可靠性评估知识,在线工作中避免解算机理模型,能同时满足快速性和准确性要求,适用于含耦合关系多能源系统的短期可靠性和运行可靠性评估；

3）用机理模型结果获得LSSVM 短期可靠性评估的训练样本,解决了其训练样本数据获取困难的问题,且可提高评估的准确性。

进一步的研究工作是进行提高基于机器学习算法的可靠性评估泛化能力及基于模型-数据混合驱动思路的可靠性评估。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。