CN117094613B - 一种应用于综合能源系统的模型构建方法及装置 - Google Patents
一种应用于综合能源系统的模型构建方法及装置 Download PDFInfo
- Publication number
- CN117094613B CN117094613B CN202311024751.2A CN202311024751A CN117094613B CN 117094613 B CN117094613 B CN 117094613B CN 202311024751 A CN202311024751 A CN 202311024751A CN 117094613 B CN117094613 B CN 117094613B
- Authority
- CN
- China
- Prior art keywords
- node
- cluster
- target
- sub
- model
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000005457 optimization Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 11
- 238000004146 energy storage Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000010248 power generation Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 5
- 230000006698 induction Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000002803 fossil fuel Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 238000005338 heat storage Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229920001817 Agar Polymers 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000008272 agar Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920001983 poloxamer Polymers 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供了一种应用于综合能源系统的模型构建方法及装置，其中，获取目标能源系统每两个设备之间的连接关系；基于图论研究方法根据每两个设备之间的连接关系构建目标图论；基于每个设备的功能对目标图论中所包含的节点进行聚类得到多个节点集群；对于每个节点集群，利用该节点集群中所包含的每个节点的历史个体运行数据和该节点集群的历史整体运行数据构建该节点集群的模型训练样本集；利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型。采用上述方法，以避免构建得到的预测模型的局限性，以能够通过预测模型实现对能源系统的整体运行数据的预测。
Description
技术领域
本发明涉及综合能源系统管理领域，具体而言，涉及一种应用于综合能源系统的模型构建方法及装置。
背景技术
在碳中和背景下，新能源产业迅速发展，规模逐年增长。为了提高电能质量和能源利用效能，提出了综合能源系统的能源结构。相比于传统能源系统，分布式综合能源系统的主要优势在于：能源效率提高：通过就近生产和综合利用能源资源，系统能够更高效地利用能源，减少能源浪费；可再生能源利用增加：分布式综合能源系统能够更好地集成可再生能源，如太阳能和风能，减少对传统化石燃料的依赖，降低碳排放；能源供应可靠性增强：由于系统中包含能源储存设备，能够在能源供应不稳定或突发情况下提供备用能源，提高能源供应的可靠性。于是，对综合能源系统的研究变得尤其重要。
在本领域中，为了对综合能源系统中所包含的设备的运行数据进行预测，通常是采用构建预测模型的方法，使用构建得到的模型进行设备的运行数据的预测。但是现有技术中，在构建预测模型时，通常是直接使用能源系统中所包含的每个设备其各自的运行数据构建训练样本进行模型训练，因此所得到的模型也只能够针对每个设备单独进行数据预测，从而无法全面的获知一个设备群或者是一个子系统的整体运行数据，也就是说，通过上述方法构建得到的预测模型具有较大的局限性，无法实现对能源系统地整体运行数据的预测。
发明内容
有鉴于此，本发明的目的在于提供一种应用于综合能源系统的模型构建方法及装置，以避免构建得到的预测模型的局限性，以能够通过预测模型实现对能源系统的整体运行数据的预测。
第一方面，本申请实施例提供了一种应用于综合能源系统的模型构建方法，所述方法包括：
获取目标能源系统中所包含的每个设备以及每两个所述设备之间的连接关系；
基于图论研究方法，根据每两个所述设备之间的连接关系构建目标图论，其中，每个所述设备分别对应所述目标图论中的一个节点，每两个所述设备之间的实体连接关系对应所述目标图论中的一条边；
基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群，其中，每个所述节点集群分别对应一个设备群；
对于每个所述节点集群，利用该节点集群中所包含的每个节点其各自对应的设备的历史个体运行数据和该节点集群所对应的设备群的历史整体运行数据构建该节点集群的模型训练样本集；
利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型。
可选地，每两个所述设备之间的连接关系包括每两个所述设备之间的实体结构连接关系和数据传输连接关系。
可选地，所述设备群包括热网络设备群、电网络设备群和冷网络设备群。
可选地，在基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群后，所述方法还包括：
对于每个所述节点集群，基于该节点集群中所包含的节点所对应的设备所属于的结构域，对该节点集群中所包含的节点进行聚类得到该节点集群中的多个节点子集群，其中，所述结构域包括电源侧、电网侧和负荷侧；
根据目标节点子集群中所包含的每个节点其各自对应的设备的历史个体运行子数据和该目标节点子集群中所包含的每个节点所对应的设备的历史整体运行子数据构建该目标节点子集群的模型训练子样本集，其中，所述目标节点子集群为该节点集群中的所包含的节点属于所述电源侧的节点子集群；
利用该目标节点子集群的模型训练子样本集对初始神经网络子模型进行训练，得到用于对该目标节点子集群中所包含的每个节点所对应的设备的未来整体运行子数据进行预测的目标子模型。
可选地，在利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型后，所述方法还包括：
基于所述目标模型，根据该节点集群中所包含的每个节点其各自对应的设备的未来个体运行数据对该节点集群所对应的设备群的未来整体运行数据进行预测。
第二方面，本申请实施例提供了一种应用于综合能源系统的模型构建装置，所述装置包括：
设备信息获取模块，用于获取目标能源系统中所包含的每个设备以及每两个所述设备之间的连接关系；
目标图论构建模块，用于基于图论研究方法，根据每两个所述设备之间的连接关系构建目标图论，其中，每个所述设备分别对应所述目标图论中的一个节点，每两个所述设备之间的实体连接关系对应所述目标图论中的一条边；
节点集群确定模块，用于基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群，其中，每个所述节点集群分别对应一个设备群；
训练样本集构建模块，用于对于每个所述节点集群，利用该节点集群中所包含的每个节点其各自对应的设备的历史个体运行数据和该节点集群所对应的设备群的历史整体运行数据构建该节点集群的模型训练样本集；
目标模型确定模块，用于利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型。
可选地，所述每两个所述设备之间的连接关系包括每两个所述设备之间的实体结构连接关系和数据传输连接关系。
可选地，所述设备群包括热网络设备群、电网络设备群和冷网络设备群。
可选地，所述装置还包括：
节点子集群确定模块，用于在节点集群确定模块基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群后，对于每个所述节点集群，基于该节点集群中所包含的节点所对应的设备所属于的结构域，对该节点集群中所包含的节点进行聚类得到该节点集群中的多个节点子集群，其中，所述结构域包括电源侧、电网侧和负荷侧；
训练子样本集构建模块，用于根据目标节点子集群中所包含的每个节点其各自对应的设备的历史个体运行子数据和该目标节点子集群中所包含的每个节点所对应的设备的历史整体运行子数据构建该目标节点子集群的模型训练子样本集，其中，所述目标节点子集群为该节点集群中的所包含的节点属于所述电源侧的节点子集群；
目标子模型确定模块，用于利用该目标节点子集群的模型训练子样本集对初始神经网络子模型进行训练，得到用于对该目标节点子集群中所包含的每个节点所对应的设备的未来整体运行子数据进行预测的目标子模型。
可选地，所述装置还包括：
运行数据预测模块，用于在所述目标模型确定模块利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型后，基于所述目标模型，根据该节点集群中所包含的每个节点其各自对应的设备的未来个体运行数据对该节点集群所对应的设备群的未来整体运行数据进行预测。
本申请提供的技术方案包括但不限于以下有益效果：
本申请根据能源系统所包含的设备及每两个设备间的连接关系构建系统图论，然后对图理论中的节点进行聚类处理得到节点集群，然后针对每个节点集群分别构建训练样本集对神经网络模型进行模型训练后得到用于对节点集群所对应的设备群的整体运行数据进行预测的目标模型，能够避免构建得到的预测模型的局限性，以能够通过预测模型实现对能源系统的整体运行数据的预测。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例一所提供的一种应用于综合能源系统的模型构建方法的流程图；
图2示出了本发明实施例一所提供的一种目标子模型确定方法的流程图；
图3示出了本发明实施例一所提供的一种分群结果的示意图；
图4示出了本发明实施例二所提供的一种应用于综合能源系统的模型构建装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
为便于对本申请进行理解，下面结合图1示出的本发明实施例一所提供的一种应用于综合能源系统的模型构建方法的流程图描述的内容对本申请实施例一进行详细说明。
参见图1所述，图1示出了本发明实施例一所提供的一种应用于综合能源系统的模型构建方法的流程图，其中，所述方法包括步骤S101～S105：
S101：获取目标能源系统中所包含的每个设备以及每两个所述设备之间的连接关系。
具体的，目标能源系统为综合能源系统中的需要针对性进行预测模型构建的能源系统，综合能源系统中的不同能源系统是基于运行场景进行划分得到的。综合能源系统旨在实现不同能源资源的高效整合与协同运行，以满足能源供需的灵活性和可持续性要求，而基于综合能源系统中的不同能源系统的运行场景所建立的能源互联架构，综合考虑了能源资源的多样性和变化性，以及运行场景的需求和约束。通过合理设计和优化，可以实现能源互联的最大化利用和整体效益的提升。这将为未来的能源系统发展提供重要的参考和指导。
S102：基于图论研究方法，根据每两个所述设备之间的连接关系构建目标图论，其中，每个所述设备分别对应所述目标图论中的一个节点，每两个所述设备之间的实体连接关系对应所述目标图论中的一条边。
具体的，基于图论的研究方法为综合能源系统的建模和分析提供了一种有效的工具。通过将设备抽象为图论中的节点和边，我们可以揭示能源系统的结构、传输特性和网络拓扑，进而优化系统的性能和可靠性。这种方法在能源系统规划、运行优化和故障诊断等方面具有广泛的应用前景。基于分布式多能源互联网络的耦合关系，根据图论，可以将其抽象成一个无向图G(V,W)：其中，V代表节点(其所对应的设备，每个节点对应一个设备)的集合，包括风力发电站、光伏电站、供热锅炉、火电站、电热锅炉、电热联产场站、储电站与储热站等多个能源场站，各场站被抽象为一个节点；W代表边的集合，是各节点的连接线，包括供电线路和供热线路等。
可以得到无向图G(V,W)的邻接关系矩阵(wij)n×n：
其中，wij为第i个节点与第j个节点连线的权值，G(V,W)为无向图，故任意两节点间彼此连线的权值均相等wij＝wji；规定当i＝j，两点间连线的权值为0，i和j为非零的自然数，n为节点的数量。
S103：基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群，其中，每个所述节点集群分别对应一个设备群。
具体的，将属于热网络设备群的设备所对应的节点聚类为一个节点集群、将属于电网络设备群的设备所对应的节点聚类为一个节点集群，并将属于冷网络设备群的设备所对应的节点聚类为一个节点集群。
S104：对于每个所述节点集群，利用该节点集群中所包含的每个节点其各自对应的设备的历史个体运行数据和该节点集群所对应的设备群的历史整体运行数据构建该节点集群的模型训练样本集。
具体的，对于每个所述节点集群，将该节点集群中所包含的每个节点其各自对应的设备的历史个体运行数据作为训练样本的输入，将该节点集群所对应的设备群的历史整体运行数据作为训练样本的输出，构建该节点集群的模型训练样本集，用于进行模型训练。
S105：利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型。
具体的，利用该节点集群的模型训练样本集对初始神经网络模型进行迭代训练，利用测试样本集对每次训练得到的模型进行预测准确性的计算，将满足标准准确性的模型作为目标模型输出和保存。
基于不同功能节点的机理模型，建立相同功能域下具有相同典型特性的单节点、若干节点的集成机理模型，采用物理诱导的神经网络方法对节点进行数字孪生集成建模；例如，节点(设备或者子系统)采用其公认机理模型，例如风电机组输出功率P可用下式近似表示：
其中，β为桨距角，CP(β,λ)为风能利用系数，且λ＝ωrλ/V，ωr为风电机组发电机转速，R为风电机组风轮半径，V为风速。
物理诱导的神经网络方法结合了物理模型和神经网络的优势。它利用神经网络的学习和逼近能力，以及物理模型的准确性和解释性，来对节点进行建模。通过训练神经网络，可以将节点的输入和输出数据与物理模型的预测结果进行匹配，从而优化神经网络的参数，使其能够更准确地模拟节点的行为。采用物理诱导的神经网络方法进行数字孪生集成建模的优势在于，可以综合利用物理模型和神经网络的优点，提高建模的准确性和泛化能力。同时，由于神经网络的并行计算能力，该方法也可以实现高效的模型训练和推断，适用于实时监测和预测的需求。
在一个可行的实施方案中，每两个所述设备之间的连接关系包括每两个所述设备之间的实体结构连接关系和数据传输连接关系。
具体的，实体结构连接关系包括电缆连接、管道连接、铰链连接等关系，数据传输连接关系包括光缆连接、无线电连接等能够形成数据传输信道的连接关系。
在一个可行的实施方案中，所述设备群包括热网络设备群、电网络设备群和冷网络设备群。
在一个可行的实施方案中，参见图2所述，图2示出了本发明实施例一所提供的一种目标子模型确定方法的流程图，其中，在基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群后，所述方法还包括步骤S201～S203：
S201：对于每个所述节点集群，基于该节点集群中所包含的节点所对应的设备所属于的结构域，对该节点集群中所包含的节点进行聚类得到该节点集群中的多个节点子集群，其中，所述结构域包括电源侧、电网侧和负荷侧。
具体的，对于每个所述节点集群，基于该节点集群中属于电源侧的设备所对应的节点划分为一个节点子集群，将属于电网侧的设备所对应的节点划分为一个节点子集群，将属于负荷侧的设备所对应的节点划分为一个节点子集群。即通过分群算法对节点间相关性进行划分及聚类，得到划分结果后对各组内节点进行剔除、选择操作首先获得网侧节点分群，基于结构及功能划分，将剩余节点划分出源侧、负荷侧，完成目标能源系统初步解构。
可以采用无向图节点的Louvain算法对得到的无向图进行分群，其算法思想简要介绍如下：(1)将图中的每个节点看成一个独立的社区，次数社区的数目与节点个数相同；(2)对每个节点i，依次尝试把节点i分配到其每个邻居节点所在的社区，计算分配前与分配后的模块度变化Δ，并记录Δ最大的那个邻居节点，如果Δ>0，则把节点i分配Δ最大的那个邻居节点所在的社区，否则保持不变；(3)重复(2)，直到所有节点的所属社区不再变化；(4)对图进行压缩，将所有在同一个社区的节点压缩成一个新节点，社区内节点之间的边的权重转化为新节点的环的权重，社区间的边权重转化为新节点间的边权重；(5)重复(1)直到整个图的模块度不再发生变化。从流程来看，该算法能够产生层次性的社区结构，其中计算耗时较多的是最底一层的社区划分，节点按社区压缩后，将大大缩小边和节点数目，并且计算节点i分配到其邻居j的时模块度的变化只与节点i、j的社区有关，与其他社区无关。
进行结构域划分划分后，通过逐个剔除节点的方式进行节点的横向功能域划分。首先剔除一个或几个节点后，得到的结构域其余节点划分结果不变，将节点逐个剔除后验证结果可知其中几个节点所承担的功能为电网侧，则同时基于结构域可将节点划分出电源侧、负荷侧。在同一功能域内，进一步结合具体设备功能获得若干功能节点单元。在此基础上，按照功能节点的典型特性进行分组、聚类，由此构建功能节点单元聚合优化问题，将具有相同典型特性的节点划分为一组，据此聚合约减建模节点数量，降低建模难度，将综合能源系统以节点单元为单位解构完全；
在同一功能域内，可以通过进一步结合具体设备功能，获得一系列功能节点单元。基于这些节点单元，可以构建功能节点单元聚合优化问题，以减少建模过程中的节点数量，并降低建模的难度。功能节点单元是指在特定领域中承担特定功能的基本单元。通过将多个功能节点单元结合在一起，可以形成更复杂的系统或装置，以实现更高级的功能。聚合优化问题的目标是通过合理地组合和组织功能节点单元，来减少系统中所需的建模节点数量。这种优化有助于简化系统建模过程，降低开发和维护的复杂性。通过在同一功能域内结合具体设备功能，构建功能节点单元聚合优化问题，可以有效地降低建模难度，简化系统建模过程，并提高建模的效率和准确性。
S202：根据目标节点子集群中所包含的每个节点其各自对应的设备的历史个体运行子数据和该目标节点子集群中所包含的每个节点所对应的设备的历史整体运行子数据构建该目标节点子集群的模型训练子样本集，其中，所述目标节点子集群为该节点集群中的所包含的节点属于所述电源侧的节点子集群。
S203：利用该目标节点子集群的模型训练子样本集对初始神经网络子模型进行训练，得到用于对该目标节点子集群中所包含的每个节点所对应的设备的未来整体运行子数据进行预测的目标子模型。
具体的，模型训练子样本集的构建和目标子模型的训练过程可以参考步骤S104～S105中的模型训练样本集的构架和目标模型的训练过程。
在一个可行的实施方案中，在利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型后，所述方法还包括：
基于所述目标模型，根据该节点集群中所包含的每个节点其各自对应的设备的未来个体运行数据对该节点集群所对应的设备群的未来整体运行数据进行预测。
具体的，在得到能够用于对目标能源系统中的每个设备群的未来整体运行数据进行预测的目标模型后，将每个设备群中所包含的每个设备的未来个体运行数据输入至目标模型中，能够得到该节点集群所对应的设备群的未来整体运行数据。
这里将本申请提供的模型构建方法应用在综合能源系统中，对本申请所提供的模型构建方法进行说明。
传统的能源系统主要依赖于中央化的发电厂和集中式电网进行能源生产和分配。然而，这种系统存在能源浪费、能源传输损失以及对传统化石燃料的过度依赖等问题。为了改善这些问题，提出了分布式综合能源系统。
相比于传统能源系统，分布式综合能源系统的主要优势在于：能源效率提高：通过就近生产和综合利用能源资源，系统能够更高效地利用能源，减少能源浪费；可再生能源利用增加：分布式综合能源系统能够更好地集成可再生能源，如太阳能和风能，减少对传统化石燃料的依赖，降低碳排放；能源供应可靠性增强：由于系统中包含能源储存设备，能够在能源供应不稳定或突发情况下提供备用能源，提高能源供应的可靠性。
首先，将可再生能源(如太阳能、风能)与传统能源(如煤炭、天然气)进行整合。通过光伏发电和风力发电等技术，将可再生能源转化为电能，并将其与传统能源源进行连接。这样一来，利用可再生能源的优势，降低对传统能源的依赖，并减少碳排放。
其次，引入能源存储技术，如电池储能系统和水泵储能系统。这些储能设施可以用来存储多余的可再生能源，以便在需求高峰期间提供稳定的能源供应。此外，还可以考虑利用储能系统的灵活性，通过电力调度和能量管理策略，实现对不同能源资源的优化配置和调节。
另外，为了进一步增强能源互联的效果，在综合能源系统中引入智能电网技术。智能电网可以实现能源的双向流动和信息的高效传递，通过智能计量和监控系统，实现对能源供应和需求的实时监测和管理。此外，智能电网还可以利用先进的通信和控制技术，实现对能源设备的远程监控和调节，提高能源系统的安全性和可靠性。
园区综合能源系统内部包含风电等分布式能源,燃气锅炉、电制冷机组等单一供能设备,CHP(combined heat and power，热电联产)机组、吸收式制冷机组等能量耦合设备,以及电储能与热储能系统,如下图所示是一种通用的城镇级能源互联网络的架构，共有五种能量流运行流入互联网络系统。
“源—网—荷”柔性互动是指电源、负荷与电网三者间通过多种交互形式，实现更经济、高效和安全地提高电力系统功率动态平衡能力的目标。“源—网—荷”互动本质上是一种能够实现能源资源最大化利用的运行模式。其中，主要包括源源互补、源网协调、网荷互动、源荷互动等运行模式。
面向城镇级多能源互联应用，基于tarjan算法(基于深度优先搜索的算法)，提出了通用型分布式多能源互联网络系统架构。通过物理连接与运行原理分析，建立了适用于多能量流运行过程的功能域划分方法；在此基础上，发展了同一功能域的功能节点划分方法。
分布式多能源互联网络集成了多种能源形式的生产、传输、储备、利用，这些能源场站分布在不同的位置，由系统内的电网、热网作为连接线将它们连接成为一个有机整体。将以上功能域凝练为“源—网—荷”结构。
分布式多能源互联网络集成了多种能源形式的生产、传输、储备、利用，这些能源场站分布在不同的位置，由系统内的电网、热网作为连接线将它们连接成为一个有机整体。基于分布式多能源互联网络的耦合关系，根据图论，可以将其抽象成一个无向图G(V,W)，其中，V代表节点的集合，包括风力发电站、光伏电站、供热锅炉、火电站、电热锅炉、电热联产场站、储电站与储热站等多个能源场站，各场站被抽象为一个节点；W代表边的集合，是各节点的连接线，包括供电线路和供热线路等。可以得到无向图G(V,W)的邻接关系矩阵(wij)n×n：
其中，wij为第i个节点与第j个节点连线的权值，G(V,W)为无向图，故任意两节点间彼此连线的权值均相等wij＝wji；规定当i＝j，两点间连线的权值为0，i和j为非零的自然数，n为节点的数量。
采用无向图节点的Louvain算法对得到的无向图进行分群。Louvain算法是基于模块度优化的社区发现算法,其优化目标是最大化整个社区网络的模块度函数值。现被用于定量地描述网络中的社区结构,衡量网络社区结构划分的质量。其定义如下：
式中，Aij表示节点i与节点j之间的边数，ki＝∑jAij表示节点i的度，kj＝∑iAij表示节点j的度，m表示网络中所有边的和，ci表示节点i所在的社区，cj表示节点j所在的社区，若i，j在同一个社区，则δ(ci,cj)＝1,否则为0。模块度函数Q的值的大小反映了社区结构的质量,Q的值越接近于1说明网络的社区结构越明显。
Louvain算法分成两个阶段并反复迭代计算,直到模块度函数不再增加停止.对一个具有N个节点的加权网络G,Louvain算法首先将每个节点都视为一个单独的社区,此时社区数与节点数相同.接着对每一个节点i,考虑将它加入到邻居节点j并计算模块度的增量ΔQ,若模块度增量大于零,则将它加入到使模块度增量ΔQ增加最多的邻居节点,否则不动.重复上述过程直到所有节点不再发生移动,第一阶段停止.其中将节点i加入社区C其模块度增量ΔQ可按如下公式计算:
其中，表示社区C内部连边权值之和，/>表示与社区C的节点相连的连边权重之和，ki为与节点i相连的权重之和，ki,in表示节点i与社区C内节点的连边的权重之和，m表示网络中所有边的和。在算法的第二阶段,利用第一阶段发现的社区重构网络,将第一阶段的社团都视为节点,此时新节点的权重为社团内部节点权重之和,社团内节点之间的边的权重之和作为新节点的环的权,社团间的连边的权转化为两个新节点之间的边的权,通过上述步骤可以得到一个新的图.重复上述两个过程直到整个社区模块度不再发生变化,算法结束。
其算法思想简要介绍如下：
(1)将图中的每个节点看成一个独立的社区，次数社区的数目与节点个数相同；(2)对每个节点i，依次尝试把节点i分配到其每个邻居节点所在的社区，计算分配前与分配后的模块度变化Δ，并记录Δ最大的那个邻居节点，如果Δ>0，则把节点i分配Δ最大的那个邻居节点所在的社区，否则保持不变；(3)重复(2)，直到所有节点的所属社区不再变化；(4)对图进行压缩，将所有在同一个社区的节点压缩成一个新节点，社区内节点之间的边的权重转化为新节点的环的权重，社区间的边权重转化为新节点间的边权重；(5)重复(1)直到整个图的模块度不再发生变化。从流程来看，该算法能够产生层次性的社区结构，其中计算耗时较多的是最底一层的社区划分，节点按社区压缩后，将大大缩小边和节点数目，并且计算节点i分配到其邻居j的时模块度的变化只与节点i、j的社区有关，与其他社区无关。由此，可以得到数个小的结构域Wk(k＝1,2,…,m)，其中，m为得到的结构域总数，m总小于节点的总数，每个小的结构域中包含V中的一部分节点。
算法的前期处理可以根据能源场站功能的不同(如发电、制冷、制热等)来做分群处理。多次迭代直到算法稳定之后，可以针对性地对所得结构域进行人为调整，如针对相同功能的能源场站类型的不同(发电机组中传统的火电站与热电联产机组之间的差异等)、相同类型能源场站的装机容量不同(如火电站的300兆瓦、350兆瓦、600兆瓦装机容量之间的差异等)来对分群结果进行调整，使结构域的划分合理、高效。
进行结构域划分划分后，通过逐个剔除节点的方式进行节点的横向功能域划分。参见图3所示，图3示出了本发明实施例一所提供的一种分群结果的示意图，图中包括14个节点，节点1、节点2、节点3、节点4、节点5、节点6、节点7、节点8、节点9、节点10、节点11、节点12、节点13和节点14，每个节点对应一个设备，以热网络设备群(由节点1、节点3、节点7、节点9和节点11构成的节点集合)为例，首先剔除节点1后，得到的结构域其余节点划分结果不变，将节点逐个剔除后验证结果可知节点3、7、9所承担的功能为网侧，则同时基于结构域可知节点1为源侧、节点11为负荷侧。分群结果显示，节点1、节点3、节点7、节点9、节点11同一个结构域；节点2、节点6、节点8、节点10、节点13属于同一个结构域；节点4、节点5、节点12、节点14属于同一个结构域。根据功能划分，节点1、节点2属于电源侧，节点3、节点6、节点7、节点8、节点9、节点10属于电网侧，节点4、节点5、节点11、节点12、节点13、节点14属于负荷侧。其中，节点3、节点4、节点7、节点11是两个结构域中的耦合节点，对相邻两个结构域均有影响，各能源网络可以能量互补，实现能源的综合利用。
基于所得到的功能域，可通过运行机制分析或无向图节点分群算法，在其内部进行功能节点划分。针对同一功能域，可通过运行机制分析或无向图节点分群算法，进行内部功能节点划分。以“电源”功能域为例，其内部可能包含多个分布式风电场、分布式光伏电站及储能电站，可基于运行机制分析或无向图节点分群对这些场站间的连接关系进行分组，得到若干功能节点划分。
以分布式风电的节点划分及物理诱导神经网络数字孪生建模为例：风力机从风中获取能量的同时在其下游形成风速下降的尾流区。若下游有风力机位于尾流区内，下游风力机的输入风速就低于上游风机的输入风速。对此我们采用风机之间的尾流效应对风电场进行一种分节点、分功能域的解构方法。可以对大规模风力发电的相关问题进行深入分析研究，在大规模风电集中并网情况下，在进行聚合模型时对风电场的风机进行分群；可以克服现有技术中稳定性低、安全性差和适用范围小的缺陷，以实现稳定性高、安全性好和适用范围大的优点。
在一个风电场中，上游风机对在其尾流区内的下游风机产生流速影响，根据图论的相关知识，将不同位置的风电机组抽象成节点，不考虑地海拔形因素的影响，简化风电场电网的拓扑结构，将不同机组产生的尾流效应看作图论的边，可以得到无向图G(V,W)。其中V＝[Vi,i＝1,2,…,n]为该地形下中n个风电机组的集合。W＝[Wj,j＝1,2,…,m]为各风电机组产生的尾流效应模型的集合，n为风电机组的数量，m为得到的结构域总数。
同时可以得到各节点间的邻接关系矩阵(Wij)n×n：
其中，Wij为风机机组i与风机机组j之间的相关性，ρ为相关性参数，X,Y分别为风机机组i与风机机组j的尾流效应模型的集合，cov(·)为协方差，σ(·)为标准差，由上下游风机尾流效应分析得到。
首先根据观测点最近一整年了历史风向数据，通过分析计算得出主导风向，基于计算得到的待测风电场的主导风向，采用Larsen模型计算尾流对风速的影响，其中Larsen尾流模型最终的风速衰减的表达式为：
式中，c1为普朗特混合长度，是无量纲数值；CT为风轮推力系数；A为风轮扫琼面积；UWT为风轮前的来流风速，x为距离风轮的轴向距离，RW为风机盘面后方计算位置处至风机轮毂轴线的径向距离。
采用无向图节点的Louvain算法对得到的无向图进行分群，可以得到数个小的结构域Wk＝[k＝1,2,…,m]，其中，m为得到的结构域总数，m总小于节点的总数，每个小的结构域中包含V中的一部分节点。Louvain算法的时间复杂度低，适合大规模的网络。在实际应用于风机机组分群迭代运算时结果相对稳定。
利用MATLAB进行风电场的分群仿真，结合风电机组地理位置综合其尾流效应，我们可以把该区域的机组分群分为四组，在进行了风电机组分群后，以方便后续多能源互联网络系统的构建。
由分群结果可见，结构域划分的结果域与主导风向的相关性较大，同一结构域中的风机机组在不同主导风向时比较接近，可以推断出这种分结构域的方法对于主导风向多变的风电场的应用更加高效准确。
在上述节点分群的基础上，通过物理诱导神经网络对聚合后节点进行数字孪生建模：物理诱导神经网络的设计思想就是将偏微分方程中的微分形式约束条件融入到神经网络的损失函数设计中，从而获得带物理模型约束的神经网络。其实就是通过把物理方程的迭代前后的差值加到神经网络的损失函数里面去，让物理方程也“参与”到了训练过程。
将模型构建方法应用于综合能源系统中，可以提高系统的设计、优化和管理效率，增加系统的灵活性和可扩展性，并提升系统的容错性和可靠性，有助于实现可持续发展的目标：其中，模块化设计：通过将系统按功能域划分，可以将系统划分为相对独立的模块，每个模块专注于自身的功能，降低了系统的复杂性。这样可以更好地进行系统的设计、优化和管理；灵活性和可扩展性：功能域划分可以使系统具备灵活性和可扩展性；可持续发展：功能域划分可以促进可持续发展。例如，通过将可再生能源发电与储能功能域结合，可以更好地利用可再生能源，并实现能源的平衡和调度。在此基础上，对相同功能域下的节点按照功能节点的典型特性进行分组、聚类，由此构建功能节点单元聚合优化问题，将具有相同典型特性的节点划分为一组，据此聚合约减建模节点数量，降低建模难度；所采用的物理信息神经网络，相比于传统的神经网络、机器学习算法，将物理方程纳入到损失函数，对建立实际物理系统模型的模型精度、数据拟合有较大提升。
实施例二
参见图4所示，图4示出了本发明实施例二所提供的一种应用于综合能源系统的模型构建装置的结构示意图，其中，所述装置包括：
设备信息获取模块401，用于获取目标能源系统中所包含的每个设备以及每两个所述设备之间的连接关系；
目标图论构建模块402，用于基于图论研究方法，根据每两个所述设备之间的连接关系构建目标图论，其中，每个所述设备分别对应所述目标图论中的一个节点，每两个所述设备之间的实体连接关系对应所述目标图论中的一条边；
节点集群确定模块403，用于基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群，其中，每个所述节点集群分别对应一个设备群；
训练样本集构建模块404，用于对于每个所述节点集群，利用该节点集群中所包含的每个节点其各自对应的设备的历史个体运行数据和该节点集群所对应的设备群的历史整体运行数据构建该节点集群的模型训练样本集；
目标模型确定模块405，用于利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型。
在一个可行的实施方案中，所述每两个所述设备之间的连接关系包括每两个所述设备之间的实体结构连接关系和数据传输连接关系。
在一个可行的实施方案中，所述设备群包括热网络设备群、电网络设备群和冷网络设备群。
在一个可行的实施方案中，所述装置还包括：
节点子集群确定模块，用于在节点集群确定模块基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群后，对于每个所述节点集群，基于该节点集群中所包含的节点所对应的设备所属于的结构域，对该节点集群中所包含的节点进行聚类得到该节点集群中的多个节点子集群，其中，所述结构域包括电源侧、电网侧和负荷侧；
训练子样本集构建模块，用于根据目标节点子集群中所包含的每个节点其各自对应的设备的历史个体运行子数据和该目标节点子集群中所包含的每个节点所对应的设备的历史整体运行子数据构建该目标节点子集群的模型训练子样本集，其中，所述目标节点子集群为该节点集群中的所包含的节点属于所述电源侧的节点子集群；
目标子模型确定模块，用于利用该目标节点子集群的模型训练子样本集对初始神经网络子模型进行训练，得到用于对该目标节点子集群中所包含的每个节点所对应的设备的未来整体运行子数据进行预测的目标子模型。
在一个可行的实施方案中，所述装置还包括：
运行数据预测模块，用于在所述目标模型确定模块利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型后，基于所述目标模型，根据该节点集群中所包含的每个节点其各自对应的设备的未来个体运行数据对该节点集群所对应的设备群的未来整体运行数据进行预测。
本发明实施例所提供的一种应用于综合能源系统的模型构建装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。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，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种应用于综合能源系统的模型构建方法，其特征在于，所述方法包括：
获取目标能源系统中所包含的每个设备以及每两个所述设备之间的连接关系；
基于图论研究方法，根据每两个所述设备之间的连接关系构建目标图论，其中，每个所述设备分别对应所述目标图论中的一个节点，每两个所述设备之间的实体连接关系对应所述目标图论中的一条边；
基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群，其中，每个所述节点集群分别对应一个设备群；
对于每个所述节点集群，利用该节点集群中所包含的每个节点其各自对应的设备的历史个体运行数据和该节点集群所对应的设备群的历史整体运行数据构建该节点集群的模型训练样本集；
利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型；
在基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群后，所述方法还包括：
对于每个所述节点集群，基于该节点集群中所包含的节点所对应的设备所属于的结构域，对该节点集群中所包含的节点进行聚类得到该节点集群中的多个节点子集群，其中，所述结构域包括电源侧、电网侧和负荷侧；
根据目标节点子集群中所包含的每个节点其各自对应的设备的历史个体运行子数据和该目标节点子集群中所包含的每个节点所对应的设备的历史整体运行子数据构建该目标节点子集群的模型训练子样本集，其中，所述目标节点子集群为该节点集群中的所包含的节点属于所述电源侧的节点子集群；
利用该目标节点子集群的模型训练子样本集对初始神经网络子模型进行训练，得到用于对该目标节点子集群中所包含的每个节点所对应的设备的未来整体运行子数据进行预测的目标子模型。
2.根据权利要求1所述的方法，其特征在于，每两个所述设备之间的连接关系包括每两个所述设备之间的实体结构连接关系和数据传输连接关系。
3.根据权利要求1所述的方法，其特征在于，所述设备群包括热网络设备群、电网络设备群和冷网络设备群。
4.根据权利要求1所述的方法，其特征在于，在利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型后，所述方法还包括：
基于所述目标模型，根据该节点集群中所包含的每个节点其各自对应的设备的未来个体运行数据对该节点集群所对应的设备群的未来整体运行数据进行预测。
5.一种应用于综合能源系统的模型构建装置，其特征在于，所述装置包括：
设备信息获取模块，用于获取目标能源系统中所包含的每个设备以及每两个所述设备之间的连接关系；
目标图论构建模块，用于基于图论研究方法，根据每两个所述设备之间的连接关系构建目标图论，其中，每个所述设备分别对应所述目标图论中的一个节点，每两个所述设备之间的实体连接关系对应所述目标图论中的一条边；
节点集群确定模块，用于基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群，其中，每个所述节点集群分别对应一个设备群；
训练样本集构建模块，用于对于每个所述节点集群，利用该节点集群中所包含的每个节点其各自对应的设备的历史个体运行数据和该节点集群所对应的设备群的历史整体运行数据构建该节点集群的模型训练样本集；
目标模型确定模块，用于利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型；
所述装置还包括：
节点子集群确定模块，用于在节点集群确定模块基于每个所述设备的功能对所述目标图论中所包含的节点进行聚类得到多个节点集群后，对于每个所述节点集群，基于该节点集群中所包含的节点所对应的设备所属于的结构域，对该节点集群中所包含的节点进行聚类得到该节点集群中的多个节点子集群，其中，所述结构域包括电源侧、电网侧和负荷侧；
训练子样本集构建模块，用于根据目标节点子集群中所包含的每个节点其各自对应的设备的历史个体运行子数据和该目标节点子集群中所包含的每个节点所对应的设备的历史整体运行子数据构建该目标节点子集群的模型训练子样本集，其中，所述目标节点子集群为该节点集群中的所包含的节点属于所述电源侧的节点子集群；
目标子模型确定模块，用于利用该目标节点子集群的模型训练子样本集对初始神经网络子模型进行训练，得到用于对该目标节点子集群中所包含的每个节点所对应的设备的未来整体运行子数据进行预测的目标子模型。
6.根据权利要求5所述的装置，其特征在于，所述每两个所述设备之间的连接关系包括每两个所述设备之间的实体结构连接关系和数据传输连接关系。
7.根据权利要求5所述的装置，其特征在于，所述设备群包括热网络设备群、电网络设备群和冷网络设备群。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
运行数据预测模块，用于在所述目标模型确定模块利用该节点集群的模型训练样本集对初始神经网络模型进行训练，得到用于对该节点集群所对应的设备群的未来整体运行数据进行预测的目标模型后，基于所述目标模型，根据该节点集群中所包含的每个节点其各自对应的设备的未来个体运行数据对该节点集群所对应的设备群的未来整体运行数据进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311024751.2A CN117094613B (zh) | 2023-08-14 | 2023-08-14 | 一种应用于综合能源系统的模型构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311024751.2A CN117094613B (zh) | 2023-08-14 | 2023-08-14 | 一种应用于综合能源系统的模型构建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117094613A CN117094613A (zh) | 2023-11-21 |
| CN117094613B true CN117094613B (zh) | 2024-05-10 |
Family
ID=88776624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311024751.2A Active CN117094613B (zh) | 2023-08-14 | 2023-08-14 | 一种应用于综合能源系统的模型构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094613B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6097886A (en) * | 1998-02-17 | 2000-08-01 | Lucent Technologies Inc. | Cluster-based hardware-software co-synthesis of heterogeneous distributed embedded systems |
| CN106651628A (zh) * | 2016-09-14 | 2017-05-10 | 国网天津市电力公司 | 基于图论的区域冷热电综合能源优化配置方法及装置 |
| CN110096349A (zh) * | 2019-04-10 | 2019-08-06 | 山东科技大学 | 一种基于集群节点负载状态预测的作业调度方法 |
| CN113393172A (zh) * | 2021-07-15 | 2021-09-14 | 华北电力大学 | 一种考虑配电网多设备时序运行的“源网储”规划方法 |
| CN114912546A (zh) * | 2022-06-14 | 2022-08-16 | 广东电网有限责任公司 | 一种能源数据的聚合方法及装置 |
| CN116070769A (zh) * | 2023-02-17 | 2023-05-05 | 华北电力大学 | 一种超短期风电场功率多步区间预测模块化方法及其设备 |
| CN116244875A (zh) * | 2023-05-08 | 2023-06-09 | 华北电力大学 | 一种虚拟电厂集群划分方法和装置 |
-
2023
- 2023-08-14 CN CN202311024751.2A patent/CN117094613B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6097886A (en) * | 1998-02-17 | 2000-08-01 | Lucent Technologies Inc. | Cluster-based hardware-software co-synthesis of heterogeneous distributed embedded systems |
| CN106651628A (zh) * | 2016-09-14 | 2017-05-10 | 国网天津市电力公司 | 基于图论的区域冷热电综合能源优化配置方法及装置 |
| CN110096349A (zh) * | 2019-04-10 | 2019-08-06 | 山东科技大学 | 一种基于集群节点负载状态预测的作业调度方法 |
| CN113393172A (zh) * | 2021-07-15 | 2021-09-14 | 华北电力大学 | 一种考虑配电网多设备时序运行的“源网储”规划方法 |
| CN114912546A (zh) * | 2022-06-14 | 2022-08-16 | 广东电网有限责任公司 | 一种能源数据的聚合方法及装置 |
| CN116070769A (zh) * | 2023-02-17 | 2023-05-05 | 华北电力大学 | 一种超短期风电场功率多步区间预测模块化方法及其设备 |
| CN116244875A (zh) * | 2023-05-08 | 2023-06-09 | 华北电力大学 | 一种虚拟电厂集群划分方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| Multiple-Cut Benders Decomposition for Wind-Hydro-Thermal Optimal Scheduling With Quantifying Various Types of Reserves;Xiaolin Ge .etal;IEEE;20200731;第11卷(第03期);全文 * |
| 采用综合性能指标的高渗透率分布式电源集群划分方法;丁明 等;电力系统自动化;20180630(第15期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117094613A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria | |
| CN111681130B (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
| Zhang et al. | Short term wind energy prediction model based on data decomposition and optimized LSSVM | |
| CN110889603A (zh) | 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法 | |
| CN111353652A (zh) | 一种风电出力短期区间预测方法 | |
| CN114021390A (zh) | 城市综合能源系统随机鲁棒优化方法及其应用 | |
| Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
| CN112671035A (zh) | 一种基于风电预测的虚拟电厂储能容量配置方法 | |
| Jithendranath et al. | Stochastic planning of islanded microgrids with uncertain multi‐energy demands and renewable generations | |
| CN113469412A (zh) | 一种综合能源系统实时运行策略优化方法及系统 | |
| CN114142461B (zh) | 考虑电网形态演变和结构发展的新能源差异化配置方法 | |
| CN117077960A (zh) | 一种区域综合能源系统日前调度优化方法 | |
| Zhang et al. | Achieving wind power and photovoltaic power prediction: An intelligent prediction system based on a deep learning approach | |
| Li et al. | Optimal design and operation method of integrated energy system based on stochastic scenario iteration and energy storage attribute evaluation | |
| Yang | Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm | |
| CN117094613B (zh) | 一种应用于综合能源系统的模型构建方法及装置 | |
| Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
| CN114036845A (zh) | 一种风电场群模型构建方法 | |
| Yang et al. | Wind-storage combined system based on just-in-time-learning prediction model with dynamic error compensation | |
| Zhang et al. | Coordinated Optimal Scheduling of WPHTNS Power System Based on Adaptive Improved Genetic Algorithm (July 2023) | |
| Keyan et al. | Anomaly detection method of distribution network line loss based on hybrid clustering and LSTM | |
| Yongqi et al. | Comprehensive benefit analysis for integrated energy systems projects based on ahp-fuzzy | |
| Abdullah et al. | A hybrid neuro-fuzzy & bootstrap prediction system for wind power generation | |
| CN117391402B (zh) | 一种面向碳中和的智慧工厂多能协同优化方法 | |
| CN109038663B (zh) | 一种风电功率预测误差的风险评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |