CN116050250A - 基于混合驱动模型的电网数字孪生模型建模方法及装置 - Google Patents
基于混合驱动模型的电网数字孪生模型建模方法及装置 Download PDFInfo
- Publication number
- CN116050250A CN116050250A CN202211599867.4A CN202211599867A CN116050250A CN 116050250 A CN116050250 A CN 116050250A CN 202211599867 A CN202211599867 A CN 202211599867A CN 116050250 A CN116050250 A CN 116050250A
- Authority
- CN
- China
- Prior art keywords
- model
- power grid
- data
- digital twin
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000007246 mechanism Effects 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 12
- 238000005293 physical law Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 5
- 206010063385 Intellectualisation Diseases 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005674 electromagnetic induction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开的实施例提供了一种基于混合驱动模型的电网数字孪生模型建模方法及装置。所述方法包括:基于电力系统参数之间的物理规律,设置对应的边界条件,生成电网机理模型;基于从电网台区中分别读取各个电力系统各个要素的输入输出信息,训练生成电网数据驱动模型;对机理模型与数据驱动模型进行动态加权生成混合驱动模型,作为电网数字孪生模型。以此方式,可以建立高质量高效率的电网数字孪生模型,实现了电网的数字化、智能化,并达到实现电网的状态检测、智能调度、故障预警、反馈优化、智能决策的目的。
Description
技术领域
本公开涉及配电网数字孪生技术领域,尤其涉及一种基于混合驱动模型的电网数字孪生模型建模方法及装置。
背景技术
为了构建以新能源为主体的新型电力系统,加快能源清洁低碳转型,促进源网荷储协调互动,实现电网整体智能化运维,推动电网向更加智慧、更加泛在、更加友好的能源互联网升级,都需要以数字技术为电力行业赋能。在各类数字化技术中,数字孪生技术作为最前沿的技术备受关注。通过数字孪生增强感知、增强认知、增强决策、增强控制等能力,可解决新型电力系统对全面采集测控、实时仿真计算、智能优化协同、物理设备全生命周期管理等共性需求,可以优化大电网运行状态,提高对新型电力系统的认知和掌控,进而保障新型电力系统的安全稳定运行。
模型是数字孪生的重要组成部分,是实现数字孪生功能的重要前提。数字孪生模型是现实世界实体或系统的数字化表现,可用于理解、预测、优化和控制真实实体或系统,数字孪生模型的构建是实现模型驱动的基础。
电网数字孪生模型主要包括机理模型和数据驱动模型两类核心模型,用于对设备和电网特性数据的孪生映射和输出。机理模型是指针对输入与输出映射关系可解析的分析对象,基于物理学规律和公式推导所获得的计算模型。机理模型响应较快,但随着电网复杂化程度越来越高,机理模型的建模愈发困难,同时模型的精度由于建模的误差严重降低;数据驱动模型是指针对输入输出映射关系不易解析、对象过程没有物理机理的分析对象,采用对输入输出数据通过拟合、训练、预测等方式反求而建立得到的模型。数据驱动模型可以避免复杂问题中可能存在的建模问题,但数据驱
动模型需要以海量数据为基础,同时采用一系列算法,去训练生成对应的5数据驱动模型,时间较长。
发明内容
为了解决电网数字孪生模型建模中数据驱动模型和机理模型存在的建模精度较低且建模过程复杂等问题,本公开提供了一种基于混合驱动模型0的电网数字孪生模型建模方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种基于混合驱动模型的电网数字孪生模型建模方法。该方法包括:
基于电力系统参数之间的物理规律,设置对应的边界条件,生成电网机理模型;
5基于从电网台区中分别读取的各个电力系统各个要素的输入输出信息,
训练生成电网数据驱动模型;
对电网机理模型与电网数据驱动模型进行动态加权生成混合驱动模型,作为电网数字孪生模型。
进一步的,计算混合驱动模型的输出误差,若输出误差高于预设阈值0时,对混合驱动模型的权重系数进行更新。
进一步的,对电网机理模型与电网数据驱动模型进行动态加权得到数字孪生电网中混合驱动模型包括:
通过层次分析法对电网机理模型与电网数据驱动模型进行动态加权生成混合驱动模型。
进一步的,进行动态加权包括:
建立层次分析法的体系模型与评价指标的判断矩阵,得到机理模型和数据驱动模型的评价指标;
其中,评价指标根据判断矩阵的判断指标计算确定,根据评价指标计算确定模型对应的权重系数。
判断指标包括:输出时间、稳定性、数据合理性、输出误差、真值动态逼近控制程度。
进一步的,对电网机理模型与电网数据驱动模型进行动态加权得到混合驱动模型包括:
将机理模型y1与数据驱动模型y2进行动态加权得到混合驱动模型
y=ay1+(1-a)y2;
其中,机理模型y1=f(x1,x2...xn),数据驱动模型y2=g(x1,x2...xn),x代表输入,包括电压、电流、电抗,与电力系统相关的已知参数;y1代表输出,包括功率;a为机理模型y1的权重系数,1-a为数据驱动模型y2的权重系数。
进一步的,从电网台区中分别读取各个电力系统各个要素的输入输出信息,训练得到电网数据驱动模型包括:
选择电网台区中各个要素元件实测和仿真的输入数据、输出数据及过程参量的数据,并将其数据进行合并,构建电网数据库;
基于电网数据库生成训练样本,对神经网络模型进行训练得到电网数据驱动模型。
进一步的,神经网络模型是基于CNN-LSTM模型搭建的。
根据本公开的第二方面,提供了一种基于混合驱动模型的电网数字孪生模型建模装置。该装置包括:
电网机理模型生成模块,用于基于电力系统参数之间的物理规律,设置对应的边界条件,生成电网机理模型;
电网数据驱动模型生成模块,用于基于从电网台区中分别读取的各个电力系统各个要素的输入输出信息,训练生成电网数据驱动模型;
电网数字孪生模型生成模块,用于对电网机理模型与电网数据驱动模型进行动态加权生成混合驱动模型,作为电网数字孪生模型。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
本公开通过建立一种基于混合驱动模型的电网数字孪生模型建模方法,建立高质量高效率的电网数字孪生模型,实现了电网的数字化、智能化,并达到实现电网的状态检测、智能调度、故障预警、反馈优化、智能决策的目的。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公5开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了电网数字孪生模型构建方法流程图;
图2示出了图1中所示的机理模型的构建过程的方法示意图;
图3示出了图1中所示的数据驱动模型的构建过程的方法示意图;
图4示出了根据本公开的实施例的基于混合驱动模型的电网数字孪生模0型建模方法的框图;
图5示出了根据本公开的实施例的基于混合驱动模型的电网数字孪生模型建模方法的流程图;
图6示出了根据本公开的实施例的基于混合驱动模型的电网数字孪生模
型建模装置的框图;
图7示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,0显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于
本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本公开中,通过对机理模型和数据驱动模型的并行处理,将两个模型动态加权得到高精度的输入输出之间的映射关系,实现电网数字孪生模型的智能化和数字化。
图5示出了根据本公开实施例的一种基于混合驱动模型的电网数字孪生模型建模方法的流程图。本公开实施例的基于混合驱动模型的电网数字孪生模型建模方法包括:
S1:基于电力系统参数之间的物理规律,设置对应的边界条件,生成电网机理模型。
具体的,步骤S1包括以下子步骤:
S10:依据电力系统的实际情况,基于欧姆定律、焦耳定律、基尔霍夫定律、法拉第电磁感应定律等物理学规律,通过公式推导的方式,建立相关参数之间的密切联系。
参见图2,具体的,分析电力系统多个元素在多个物理场中复杂特性,寻找到关键的输入参数、输出参数、过程参数等,基于物理学定律,包括欧姆定律、基尔霍夫定律、电磁感应定律、热力学定律等,建立电网在多重物理场中的特征方程,并进一步通过数学计算等手段推导电力系统的多场耦合物理方程及其特征参数之间的联系。
在一些实施例中,依据电力系统的实际情况,定律等物理学规律,通过公式推导的方式,建立相关参数之间的密切联系,例如,电网的电流I(t)为输入、实时功率P(t)为输出的函数关系:
基于参数之间的物理规律,设置对应的边界条件,生成电网的潮流计算模型:
Ui=ei+jfi
Yij=Gij+jBij (1)
其中,Ui为节点电压,公式(1)为导纳矩阵元素,P、Q节点功率分别为ΔPi和ΔQi。最终可表达为y1=f(x1,x2...xn)。
S11:依据参数之间的物理规律,设置对应的边界条件,生成电网的潮流计算模型:
y1=f(x1,x2...xn)
其中,x代表输入,可以为电压、电流、电抗等相关的电力系统已知参数;y1代表输出,可以为功率。
生成的潮流计算模型y1即为机理模型。
S2:基于从电网台区中分别读取的各个电力系统各个要素的输入输出信息,训练生成电网数据驱动模型。
具体的,步骤S2包括以下子步骤:
S20:从电网台区中分别读取各个电力系统各个要素的输入输出信息,并在提取相应的仿真软件中的数据信息,搭建数据模型库。
参见图3,具体的,选定电网台区中各个要素元件实测的输入数据、输
出数据及过程参量的数据;选定电网台区中各个要素元件仿真的输入数据、5输出数据及过程参量的数据;将选定电网台区中各个要素元件实测数据与仿真数据对应起来,打包合并;基于各个要素元件数据,构建电网选定台区数据库;基于电网选定台区数据库,构建整个电网数据库。
需要说明的是,关于实测数据与仿真数据对应打包合并,因为实测数据
与仿真数据具有相同格式,因此可以将其打包,而将实测数据与仿真数据放0到同一个文件或数据库中即为二者的合并。实测数据由传感器测得,仿真数据通过电力系统仿真模型获取。例如在电源模块中的风力发电机,输出功率随风速变化,可建立以风速-输出功率之间的映射关系。两者的数据可以通过传感器测量,也可以在仿真计算中通过构建风力发电机模型得到。
进一步的,对数据库中的数据信息进行清洗,剔除非正常及无法使用的5异构数据;具体的,对数据库中的无效数据、重复数据、不一致数据进行删
除;对电网数据库中的不准确数据、异构数据进行修正;对缺失数据进行补充或者代替。
S21:基于CNN-LSTM搭建的数据驱动模型,并在上述搭建的数据库中进行训练、修正与测试。
0具体的,提取电网数据库中的集成的有效模型数据,确定模型的输入参数、输出参数与中间参数数据;将选取的模型库数据分为三部分,分别为训练集、验证集和测试集,对应的占比例为80%、10%和10%;利用卷积神经网络CNN自动学习训练集的向量特征数据;将包含向量特征数据导入到长短时记忆LSTM训练出最优的数据驱动模型;在验证集中对基于CNN-LSTM搭建的数据驱动模型进行有效性与优越性验证;在测试集中所训模型进行效果测试,若未能通过性能测试,则返回重复训练模型,直至达到验证要求。
进一步的,将经过训练、验证、测试的最优模型中的权重参数和梯度参数保存下来得到数据驱动模型y2;基于所搭建的最优的数据驱动模型y2=g(x1,x2...xn),将输入参数导入可得到对应的输出参数。
在保证构建的数据驱动模型具有较高的有效性、优越性的条件下,通过电网数据库训练神经网络模型生成符合要求的数据驱动模型。
S3:对所述电网机理模型与所述电网数据驱动模型进行动态加权生成混合驱动模型,作为电网数字孪生模型。
具体的,步骤S3包括以下子步骤:
S30:基于层次分析法对机理模型的输出与数据驱动模型的输出进行动态加权。
具体的,首先,确定机理模型的输出y1和数据驱动模型的输出y2;其次,建立层次分析法的体系模型与评价指标的判断矩阵;所述判断矩阵的主要指标对于机理模型而言,主要是输出数据快速性、稳定性和对畸形数据的抑制,对于数据驱动模型而言,主要为输出数据误差和与真值动态逼近控制,其中,判断矩阵是一种基于经验的评价方法。首先明确评价指标,然后建立重要等级,最后基于重要等级对评价指标进行打分。
在本公开一些实施例中,基于评价度指标构建准则层矩阵,评价指标主要有:输出时间、稳定性、数据合理性、输出误差、真值动态逼近控制。可分为强烈重要、明显重要、比较重要、稍微重要、同样重要五个等级,分别对数据模型和机理模型的这五个指标进行打分,构建判断矩阵。通过构建机理模型与数据驱动模型的判断矩阵,包括输出时间、稳定性、数据合理性、输出误差、真值动态逼近控制程度五个判断指标,分别可得两个模型的评价指标权重。
进一步的,通过归一化特征向量求解两个模型分别的权重系数,其中,机理模型的权重系数为a,数据驱动模型的权重系数为1-a。具体的,对机理模型和数据驱动模型通过评价指标进行打分评价,分假设别为a1和a2。
对其进行归一化处理可得
在一些实施例中,各模型的输出对于电力系统而言,一般是功率,也可能是电压。以机理模型为例,其中,风力发电机模型中输入为风速、机组参数等,输出则为发电功率。对于变压器而言,一般输入是功率、电压等参数,输出为功率。对于输电线路模型,输入为功率、线路参数等,输出为功率。
本公开中通过建立层次分析法的体系模型与评价指标的判断矩阵确定动态加权时混合驱动模型的权重系数。
S31:根据机理模型的评价指标权重和数据驱动模型的评价指标权重,得到数字孪生电网中混合驱动模型y=ay1+(1-a)y2。
其中,机理模型y1=f(x1,x2...xn),数据驱动模型y2=g(x1,x2...xn),x代表输入,包括电压、电流、电抗等,与电力系统相关的已知参数;y1代表输出,包括功率;a为机理模型y1的权重系数,1-a为数据驱动模型y2的权重系数。
混合驱动模型y=ay1+(1-a)y2,将机理模型模型和数据驱动模型的输入输出及其相关的关键参数耦合连接起来,实现多体混合驱动模型交互,建立以数据驱动模型为核心的电网数字孪生模型。
进一步的,计算混合驱动模型的输出误差,并将其与限定值进行比对,误差达到一定程度时对模型进行更新,包括
输出误差比例b可表示为:
其中,y’为真实数值。
若b<2%,混合驱动模型的精度满足要求,无需更新;
若b>=2%,混合驱动模型的精度不满足要求,需要对权重系数a、(1-a)进行更新。
计算混合驱动模型的输出误差,若输出误差高于预设阈值(2%)时,对所述混合驱动模型的权重系数进行更新,在一定程度上保证了混合驱动模型的输出精度。
进一步的,继续参见图1和图4,将不同单体模型的输入输出及其相关的关键参数耦合连接起来,多体混合驱动模型交互,建立以混合驱动为内核的电网数字孪生模型。
两个物理实体存在直接能量传输、一次信号传递的模型进行关联性协同修正和优化;与模型的输出精度和输出特性密切相关的参数,包括不同模型之间的输入参数、中间变量参数和输出参数等存在映射关系的模型均参与关联交互。多体模型间存在映射关系的参数所对应的任意一个模型产生演化更新,需触发多个模型的参数进行关联迭代更新;当参数映射描述存在修正时,需触发相应的参数进行关联迭代更新。多模型体协同作业基于双体模型交互、多体参数映射和参数关联迭代而进行,总体准则为促进多个模型的互锁配合。
需要说明的是,其中关联迭代更新的具体更新过程为,优先迭代并更新与模型输出直接相关、联系密切的参数,进而迭代更新其它关联参数;优先迭代并更新接近输出和输入环节的参数,再关联迭代远离输出和输入环节的参数。迭代逻辑为触发迭代→更新输出→效果对比→迭代生效确认。
例如光伏发电系统,通过逆变器接入电网,经过变压器升压进行电力输送。当随着光照强度变化,光伏电站输出功率也随之改变。光伏输出功率对于逆变器而言为输入,因此逆变器也随之更新,进而变压器模型也随之更新。
例如高压电路与配电网之间的变压器由于老化、损伤等原因发生轻微故障,如轻微的匝间短路等使得变压器的性能降低。此时变压器的输入功率-输出功率之间的映射关系将发生变化,进一步导致配电系统的模型产生改变。
本公开提供了一种混合驱动模型的电网数字孪生建模方法,将不同单体模型的输入输出及其相关的关键参数耦合连接起来,实现数字孪生电网多体混合驱动模型交互,建立以混合驱动为内核的电网数字孪生模型。
根据本公开的实施例,建立了高质量高效率的电网数字孪生模型,实现了电网的数字化、智能化,并达到实现电网的状态检测、智能调度、故障预警、反馈优化、智能决策的目的。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图6示出了根据本公开的实施例的基于混合驱动模型的电网数字孪生模型建模装置600的方框图。如图6所示,装置600包括:
电网机理模型生成模块610,用于基于电力系统参数之间的物理规律,设置对应的边界条件,生成电网机理模型;
电网数据驱动模型生成模块620,用于基于从电网台区中分别读取的各个电力系统各个要素的输入输出信息,训练生成电网数据驱动模型;
电网数字孪生模型生成模块630,用于对所述电网机理模型与所述电网数据驱动模型进行动态加权生成混合驱动模型,作为电网数字孪生模型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台
式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、5和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,
个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
设备700包括计算单元701,其可以根据存储在只读存储器(ROM)0 702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)
703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
5设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
0计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组
件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如基于混合驱动模型的电网数字孪生模型建模的方法。例如,在一些实施例中,基于混合驱动模型的电网数字孪生模型建模的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的基于混合驱动模型的电网数字孪生模型建模的方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于混合驱动模型的电网数字孪生模型建模的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种基于混合驱动模型的电网数字孪生模型建模方法,其特征在于,所述方法包括:
基于电力系统参数之间的物理规律,设置对应的边界条件,生成电网机理模型;
基于从电网台区中分别读取的各个电力系统各个要素的输入输出信息,训练生成电网数据驱动模型;
对所述电网机理模型与所述电网数据驱动模型进行动态加权生成混合驱动模型,作为电网数字孪生模型。
2.根据权利要求1所述的电网数字孪生模型建模方法,其特征在于,所述方法还包括:
计算所述混合驱动模型的输出误差,若所述输出误差高于预设阈值时,对所述混合驱动模型的权重系数进行更新。
3.根据权利要求1所述的电网数字孪生模型建模方法,其特征在于,所述对所述电网机理模型与所述电网数据驱动模型进行动态加权生成数字孪生电网中混合驱动模型包括:
通过层次分析法对所述电网机理模型与所述电网数据驱动模型进行动态加权生成混合驱动模型。
4.根据权利要求3所述的电网数字孪生模型建模方法,其特征在于,所述进行动态加权包括:
建立所述层次分析法的体系模型与评价指标的判断矩阵,得到机理模型和数据驱动模型的评价指标;
其中,所述评价指标根据所述判断矩阵的判断指标计算确定,根据所述评价指标计算确定模型对应的权重系数。
所述判断指标包括:输出时间、稳定性、数据合理性、输出误差、真值动态逼近控制程度。
5.根据权利要求1所述的电网数字孪生模型建模方法,其特征在于,所述对所述电网机理模型与所述电网数据驱动模型进行动态加权生成混合驱动模型包括:
将机理模型y1与数据驱动模型y2进行动态加权生成所述混合驱动模型y=ay1+(1-a)y2;
其中,机理模型y1=f(x1,x2...xn),数据驱动模型y2=g(x1,x2...xn),x代表输入,包括电压、电流、电抗,与电力系统相关的已知参数;y1代表输出,包括功率;a为机理模型y1的权重系数,1-a为数据驱动模型y2的权重系数。
6.根据权利要求1所述的电网数字孪生模型建模方法,其特征在于,所述从电网台区中分别读取各个电力系统各个要素的输入输出信息,训练生成电网数据驱动模型包括:
选择电网台区中各个要素元件实测和仿真的输入数据、输出数据及过程参量的数据,并将其数据进行合并,构建电网数据库;
基于所述电网数据库生成训练样本,对神经网络模型进行训练生成电网数据驱动模型。
7.根据权利要求6所述的电网数字孪生模型建模方法,其特征在于,
所述神经网络模型是基于CNN-LSTM模型搭建的。
8.一种基于混合驱动模型的电网数字孪生模型建模装置,其特征在于,所述装置包括:
电网机理模型生成模块,用于基于电力系统参数之间的物理规律,设置对应的边界条件,生成电网机理模型;
电网数据驱动模型生成模块,用于基于从电网台区中分别读取的各个电力系统各个要素的输入输出信息,训练生成电网数据驱动模型;
电网数字孪生模型生成模块,用于对所述电网机理模型与所述电网数据驱动模型进行动态加权生成混合驱动模型,作为电网数字孪生模型。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211599867.4A CN116050250A (zh) | 2022-12-12 | 2022-12-12 | 基于混合驱动模型的电网数字孪生模型建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211599867.4A CN116050250A (zh) | 2022-12-12 | 2022-12-12 | 基于混合驱动模型的电网数字孪生模型建模方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050250A true CN116050250A (zh) | 2023-05-02 |
Family
ID=86122815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211599867.4A Pending CN116050250A (zh) | 2022-12-12 | 2022-12-12 | 基于混合驱动模型的电网数字孪生模型建模方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050250A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391310A (zh) * | 2023-12-04 | 2024-01-12 | 南京瀚元科技有限公司 | 基于数字孪生技术的电网设备运行状态预测及优化方法 |
-
2022
- 2022-12-12 CN CN202211599867.4A patent/CN116050250A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391310A (zh) * | 2023-12-04 | 2024-01-12 | 南京瀚元科技有限公司 | 基于数字孪生技术的电网设备运行状态预测及优化方法 |
CN117391310B (zh) * | 2023-12-04 | 2024-03-08 | 南京瀚元科技有限公司 | 基于数字孪生技术的电网设备运行状态预测及优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN114065939A (zh) | 量子芯片设计模型的训练方法、装置、设备及存储介质 | |
CN117039895A (zh) | 一种用于储能辅助黑启动的风功率预测方法及系统 | |
CN116050250A (zh) | 基于混合驱动模型的电网数字孪生模型建模方法及装置 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115660233A (zh) | 光伏功率预测方法、装置、电子设备及存储介质 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
WO2024056051A1 (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
CN115902643A (zh) | 一种电池阻抗谱分数阶等效电路模型参数的分步辨识方法 | |
CN116191404A (zh) | 分布式电源发电预测方法、装置、电子设备及存储介质 | |
CN112685900B (zh) | 一种表征冲击负荷功率特性的电力负荷模拟方法 | |
CN114444606A (zh) | 模型训练和数据分类方法及装置 | |
CN117575175B (zh) | 碳排放评估方法、装置、电子设备和存储介质 | |
CN117131784B (zh) | 一种基于全局代理优化的加速退化试验设计方法和装置 | |
WO2024108953A1 (zh) | 抽水蓄能机组甩负荷测试方法、装置、设备及介质 | |
CN115146543A (zh) | 一种轻质化结构产品可靠性优化设计方法及系统 | |
CN116957133A (zh) | 风力发电功率和光伏发电功率的预测方法以及装置 | |
CN117934137A (zh) | 一种基于模型融合的不良资产回收预测方法、装置及设备 | |
Prashal et al. | Dynamic Weight Enabled Physics-Aware Graph Attention Network for Power Flow Analysis | |
CN117477548A (zh) | 一种配电网重构的方法、装置、电子设备以及存储介质 | |
CN115860249A (zh) | 一种分布式光伏发电功率预测方法、装置、设备和介质 | |
CN116992150A (zh) | 一种研发组件推荐方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |