CN117852762A - 一种综合能源系统多能流计算分析方法及系统 - Google Patents
一种综合能源系统多能流计算分析方法及系统 Download PDFInfo
- Publication number
- CN117852762A CN117852762A CN202410033269.3A CN202410033269A CN117852762A CN 117852762 A CN117852762 A CN 117852762A CN 202410033269 A CN202410033269 A CN 202410033269A CN 117852762 A CN117852762 A CN 117852762A
- Authority
- CN
- China
- Prior art keywords
- model
- hydraulic
- power
- data
- regression
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 39
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010205 computational analysis Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q10/06—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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种综合能源系统多能流计算分析方法及系统，建立电力潮流模型、水力模型和热力模型，形成初步的综合能源系统模型；构建双隐藏层LSTM网络进行电力潮流模型的非线性回归，构建单隐藏层LSTM网络进行水力模型的非线性回归，并找寻两个网络的最佳参数；利用历史数据对两个模型进行训练学习，在训练学习过程中对两个模型分别加入误差补偿；对热力模型进行简化，得到机理驱动的线性化热力模型；将误差补偿的水力模型和电力潮流模型中嵌入机理驱动的线性热力模型，形成最终的综合能源系统模型，利用最终的模型进行多能流计算分析。本发明充分考虑了系统内部的耦合性，同时避免了高非线性问题求解时的收敛速度减慢的情况。
Description
技术领域
本发明属于综合能源系统技术领域，具体涉及一种综合能源系统多能流计算分析方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
传统能源系统存在供应壁垒、能源利用不充分和环境污染严重等不足，因此，能够在满足多元化用能需求的同时，有效提升能源利用率，进而促进能源可持续发展的一体化能源系统-综合能源系统(I ntegrated Energy System,I ES)应运而生。综合能源系统利用先进的技术和管理方法，合理调用一定区域内的多种能源资源和转换、存储设备，实现各类能源之间的协同管理和互补互济。
多能流计算分析是综合能源系统优化、规划的重要组成部分，保证系统的安全可靠运行，其相关研究主要有两个方面，建模方法和求解算法。传统的独立建模方法从各能源子系统机理出发，具有高非线性和深耦合性；传统求解算法基于牛顿拉夫逊法，通过改变迭代规律，包含统一求解法和分解求解法，但在进行大规模综合能源系统能流计算时，存在求解耗时长和结果不易收敛的问题。为了实现快速的多能流计算，部分研究提出了机理驱动建模方法和数据驱动建模方法，一定程度上缩短了计算时间，但由于是通过简化系统条件，从机理角度进行线性化或数理统计学方法来进行线性化拟合回归，其计算精度较低，进而影响系统整体的运行分析。
目前独立的电力系统和热力系统能流计算的研究已较为成熟，电力系统作为能源领域快速发展的代表，其研究已取得了很多成果，分为交流潮流计算和直流潮流计算，其中交流潮流计算内部的高非线性也使求解过程复杂，收敛速度变慢。针对此问题，电力系统的快速潮流计算已成为重点研究内容，目前主要分别从统计学方法和深度学习两方面展开，可以实现线性化回归，又可以通过深度学习挖掘其非线性特征，且取得较好成果。因此，针对电/热综合能源系统多能流计算，除了要考虑高非线性性，还要充分考虑异质能源系统之间的耦合关系。
在现有研究中，大部分仍基于传统建模方法和求解算法进行多能流计算分析，随着综合能源系统规模的增大，计算复杂度也逐渐提高；也有部分研究从机理驱动和数据驱动对电/热综合能源系统线性化建模，无法保证计算精度。其中，机理驱动虽然有理论支撑、可解性强，但大规模复杂问题的知识机理不清晰、持续学习进化困难；数据驱动尽管可以持续学习进化、无需精确建模，但缺乏可解释性，并依赖高质量数据。
发明内容
本发明为了解决上述问题，提出了一种综合能源系统多能流计算分析方法及系统，本发明充分考虑了系统内部的耦合性，同时避免了高非线性问题求解时的收敛速度减慢的情况。
根据一些实施例，本发明采用如下技术方案：
一种综合能源系统多能流计算分析方法，包括以下步骤：
建立电力潮流模型、水力模型和热力模型，形成初步的综合能源系统模型；
鉴于电力网络内部较为复杂的非线性特征，构建双隐藏层LSTM神经网络进行电力网络潮流模型的非线性回归；热力网络分为水利模型和热力模型两部分进行顺序计算，降低了热力网络能流模型的复杂度，因此构建单隐藏层LSTM神经网络进行水力模型的非线性回归，并通过Adam找寻两个网络的最佳参数；
利用历史数据对电力和水力模型进行训练学习，训练好模型后，获取回归误差数据；构建LSTM网络驱动的误差补偿回归模型，对电力和水力模型分别加入误差补偿；
对热力模型进行简化，得到机理驱动的线性化热力模型；
将误差补偿的水力模型和电力潮流模型中嵌入机理驱动的线性热力模型，形成最终的综合能源系统模型，利用最终的模型进行多能流计算分析。
作为可选择的实施方式，所述电力潮流模型包括节点有功功率偏差和无功功率偏差的表达式。
作为可选择的实施方式，所述水力模型包括节点流率表达式和环路流率表达式。
作为可选择的实施方式，所述热力模型包含节点消耗或供给该节点的热力功率向量、管段末端节点的温度和节点热媒温度表达式。
作为可选择的实施方式，对热力模型进行简化的过程包括：忽略传输过程中的热损失，将供水网络和回水网络节点温度设为恒定值，得到线性化热力模型。
作为可选择的实施方式，所述历史数据的获取过程包括：设定随机因子，基于蒙特卡洛方法生成随机电负荷和热负荷，通过仿真得到潮流结果，删除其中超出系统安全设置的临界值的数据，并进行归一化后，形成历史数据。
作为可选择的实施方式，所述双隐藏层LSTM网络和单隐藏层LSTM网络均为多输入多输出网络结构，均包括遗忘门、更新门和输出门。
作为可选择的实施方式，加入误差补偿的过程包括将历史数据分为电力和水力两部分，分别构建训练集和测试集，独立训练神经网络构建的电力、水力模型，分别得到电力、水力回归模型；
分别将相应的回归模型输出的初步回归结果与真实值作差得到电力和水力回归误差数据，将回归误差数据和电力、水力历史数据组合整理成数据集，分为电力和水力误差训练集以及测试集，最后对神经网络构建的误差补偿回归模型进行训练，分别得到电力和水力误差补偿回归模型。
一种综合能源系统多能流计算分析系统，包括：
初步模型构建模块，被配置为建立电力潮流模型、水力模型和热力模型，形成初步的综合能源系统模型；
非线性回归模块，被配置为构建双隐藏层LSTM网络进行电力潮流模型的非线性回归，构建单隐藏层LSTM网络进行水力模型的非线性回归，并找寻两个网络的最佳参数；
数据驱动模块，被配置为利用历史数据对两个模型进行训练学习，在训练学习过程中对两个模型分别加入误差补偿；
机理驱动模块，被配置为对热力模型进行简化，得到机理驱动的线性化热力模型；
数据-机理驱动联合模块，被配置为将误差补偿的水力模型和电力潮流模型中嵌入机理驱动的线性热力模型，形成最终的综合能源系统模型，利用最终的模型进行多能流计算分析。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明采用长短期记忆神经网络-LSTM，利用此网络自身特点可以挖掘系统内部的非线性特征和系统节点间的依赖性和相关性，进而实现较为精确的非线性回归。
本发明不需要精确建模，对非线性较强的电力潮流模型和水力模型采用数据驱动建模，使模型能够持续进化学习，忽略机理不清晰的大规模复杂问题，避免非线性迭代求解的收敛速度问题；为了增加系统可解释性，嵌入机理驱动的线性热力模型。
本发明在数据预处理部分，通过约束条件整理历史数据，降低数据样本自身的误差，同时为了补偿神经网络模型训练学习的误差，对水力数据驱动模型和电力潮流数据驱动模型分别加入误差修正环节，避免模型的误差堆叠，进一步提高回归模型精度。
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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本实施例采用的多输入多输出LSTM模型结构原理图；
图2为本实施例数据-机理联合驱动架构图；
图3为本实施例数据驱动模块的流程图；
图4为本实施例的算例示意图；
图5为本实施例的热力网络能流结果对比图；
图6为本实施例的电力网络能流结果对比图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
一种数据-机理联合驱动的电/热综合能源系统多能流计算方法，包括以下步骤：
第一步：基于仿真平台分别搭建电力潮流模型和热力系统模型，并通过冷热电联供设备-CHP机组进行能源转换，实现能源系统的内部耦合。
第二步：历史数据获取。通过设定随机因子，基于蒙特卡洛方法生成大量随机电负荷和热负荷，带入上述电/热综合能源系统仿真模型中，获取大量多能流计算结果，并通过安全约束条件对历史数据进行筛选，提高数据质量。
第三步：为了提高LSTM的准确性，在模型训练前对数据样本进行归一化预处理。
第四步：将历史数据分为电力和水力两部分，分别构建训练集和测试集，独立训练LSTM网络构建的电力模型、水力模型，并通过Adam找寻两个网络的最佳参数，分别得到电力、水力回归模型。
分别将电力和水力回归模型输出的初步回归结果与真实值作差得到相应的回归误差数据。然后将回归误差数据和电力、水力历史数据组合整理成数据集，按照上述也分为电力和水力误差训练集以及测试集。然后对LSTM网络构建的误差补偿回归模型进行训练，分别得到水力和电力误差补偿回归模型。
在实际应用中，首先将电力水力输入数据(电热负荷)分别输入到电力、水力初步回归模型得到PQ节点电压和相角、PV节点相角和管道质量流量。
将电力水力初步回归模型的输入输出作为输入数据分别输入对应的水力和电力误差补偿回归模型得到电力、水力误差补偿值。
最后利用误差补偿值分别对上面的初步回归结果进行误差修正，获得最终的结果，避免整体计算过程中的误差堆叠。
第五步：热网损失通常不显著，因此忽略能流传输过程中的热损失，将供水网络和回水网络节点温度设为恒定值，从而得到机理驱动的线性化热力模型。
第六步：基于模型分块思路，建立双驱动模型架构。为弥补数据驱动和机理驱动各自的缺点，在数据驱动的具有误差补偿的水力模型和电力潮流模型中嵌入机理驱动的线性热力模型，利用最终的模型进行多能流计算。
下面进行详细介绍，首先第一步中的模型构建：
电力系统交流潮流模型：
式中，Pi SP、是节点有功功率与无功功率，ΔPi、ΔQi是节点有功功率偏差和无功功率偏差；Vi是节点电压，θij是节点电压相角；Gij、Bij是支路电导和电纳。
水力模型：
式中，Ah是节点关联矩阵，是管段质量流率，/>是节点质量流率，Bh是环路关联矩阵，Kh是系数向量。
热力模型：
式中，Φ是节点消耗或供给该节点的热力功率向量，cp是水的比热容，是节点供给热负荷的质量流率，Ts、To是节点的供水温度和出水温度；Tend、Tstart是管段始端节点和末端节点的温度，Ta是环境温度，λ是总传热系数，L是管段长度；Tout是节点热媒温度，Tin是流入节点的各管段末端的热媒温度。
基于合理假设将热力模型线性化：
(1)对于整个热力网络，其热网损失较小，因此忽略传输过程中的热损失；
(2)忽略热损失后，即将供水节点和回水节点温度设定为恒定值。
线性热力模型如下所示：
式中，是节点的恒定热媒温度(℃),/>是流出节点的各管段质量流率(kg/s)，/>是流入该节点的各管段末端的恒定热媒温度(℃),/>是流入该节点的各管段质量流率(kg/s)。
CHP机组采用燃气轮机CHP机组，其热力生产与电力生产关系如下所示：
式中，ΦCHP是CHP机组的输出热力功率，PCHP是CHP机组得输出电力功率，输出功率根据燃料输入速率变化，cm是热电比。
因此，在部分实施例中，第五步可以为第二步，或者和第一步结合。
长短期记忆神经网络：
循环神经网络-RNN，是一种能够较好地处理序列数据的神经网络，前部序列的信息经神经网络内部处理后，作为输入信息传递到后部序列的信息中，能够弥补全连接网络无法关注数据之间的相关性与依赖性的不足。
但传统的RNN针对多输入多输出数据样本时，前部序列信息在传递到后部的同时，信息权重会有所下降，存在反向求解梯度消失、无法找到损失函数最小值的问题。而长短期记忆网络-LSTM，内部包含三类门结构：遗忘门、更新门和输出门，其作用分别为选择性丢弃前部信息中不重要信息、确定记录在记忆细胞中的重要信息以及筛选需要输出的信息，并通过调整激活函数，减少信息丢失量。GRU作为“轻量级LSTM网络”，通过减少门结构和参数数量来加快训练学习速度，但是对于大规模复杂数据，仍是LSTM网络的效果更好。
本实施例针对电/热综合能源系统，对非线性较高的电力潮流模型，和水力模型分别通过构建双隐藏层LSTM网络、单隐藏层LSTM网络进行数据驱动建模，避免了内部机理复杂、不清晰的难题，使模型能够持续进化学习。
针对电力模型和水力模型自身的非线性特质分别搭建了适合于两个模型的网络，此处的单隐藏层和双隐藏层指的是隐藏层。图1是LSTM网络的结构原理图。
如图2所示，嵌入机理驱动的热力模型，通过一般物理知识的约束，增加模型的可解释性，从而降低数据驱动可能造成的过拟合和提高模型泛化性。但每一分块模型都存在一定的回归误差，按照一定顺序计算时会造成误差的累积，因此对两个数据驱动模型分别进行误差补偿，加入神经网络学习训练的误差修正环节。
首先将历史数据分为电力和水力两部分，分别构建训练集和测试集。独立训练神经网络构建的电力、水力模型，分别得到电力、水力初步回归模型。
分别将初步回归模型输出结果与真实值作差得到回归误差数据(水力误差、电力误差)。然后将回归误差数据和电力、水力历史数据组合整理成数据集，按照上述也分为水力和电力误差训练集以及测试集。然后对神经网络构建的误差补偿回归模型进行训练，分别得到水力和电力误差补偿回归模型。
在实际应用中，首先将电力水力输入数据(电热负荷)分别输入到电力、水力初步回归模型得到PQ节点电压和相角、PV节点相角和管道质量流量。
将电力水力初步回归模型的输入输出作为输入数据分别输入对应的水力和电力误差补偿回归模型得到电力、水力误差补偿值。
最后利用误差补偿值分别对上面的初步回归结果进行误差修正，获得最终的结果，避免整体计算过程中的误差堆叠，如图3所示。
其中电力模型和相应的误差补偿模型均采用双隐藏层LSTM网络；水力模型和相应的误差补偿模型均采用单隐藏层LSTM网络。
数据预处理环节中，首先通过蒙特卡洛模拟获取电、热负荷的随机数据样本，通过仿真得到潮流结果，生成大量的历史数据样本，其中包含一些超出系统安全设置的临界值，通过筛选错误和异常数据，最终整理得到网络训练数据。为了便于网络训练，将得到的数据进行min-max归一化处理。
y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin
将处理好后的数据样本输入上述的数据驱动的电力模型和水力模型中，并采用Adam算法优化超参数，数据驱动流程如图3所示。
本实施例采用小型电/热综合并网系统为示例，证明方案的有效性，热网为3节点环状网络，电力网络为I EEE-39节点配电网络，由CHP机组进行连接，且配电网39节点接入大电网。电/热互联系统拓扑如图4所示。
电/热互联系统基于数据-机理联合驱动的多能流计算结果分别如图5-6所示。图5和图6分别为热力网络和电力网络的能流非线性回归拟合结果与真实值的比较，可以看出，整体上回归拟合结果是能够趋近真实值的。
数据-机理联合驱动的相对误差(这里用MAE表示)如表1所示，包含热力网络和电力网络各个变量的相对误差值。
表1相对误差MAE
本实施例的数据-机理联合驱动建模方法中的数据驱动部分直接调用训练好的LSTM神经网络模型，机理驱动部分为线性模型，故不存在物理模型多能流计算过程中的收敛问题。LSTM神经网络的训练时间长短和数据样本大小息息相关，但其训练是在多能流计算前完成的，因此基于数据-机理联合驱动的方法进行多能流计算时间很短，不会造成很大得计算负担。
综上，本实施例的电/热综合能源系统模型包含电力潮流模型、水力模型以及热力模型，通过搭建电/热系统仿真模型获取大量历史
能流数据，进行数据预处理后为数据驱动模块打下基础。利用长短期记忆神经网络-LSTM的共享机制，充分挖掘固定拓扑下的节点之间的关联关系，从而进行电力潮流模型和水力模型的非线性拟合回归，在此基础上，嵌入机理驱动的线性热力模型，为了进一步提高模型精度，采用误差补偿技术，通过LSTM对回归误差进行训练学习，进而实现误差修正。经过算例证明，本实施例可以较高精度的实现电力潮流模型和水力模型的非线性回归，并充分考虑了系统内部的耦合性，同时避免了高非线性问题求解时的收敛速度减慢的情况。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，本领域技术人员不需要付出创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种综合能源系统多能流计算分析方法，其特征是，包括以下步骤：
建立电力潮流模型、水力模型和热力模型，形成初步的综合能源系统模型；
构建双隐藏层LSTM网络进行电力潮流模型的非线性回归，构建单隐藏层LSTM网络进行水力模型的非线性回归，并找寻两个网络的最佳参数；
利用历史数据对两个模型进行训练学习，在训练学习过程中对两个模型分别加入误差补偿；
对热力模型进行简化，得到机理驱动的线性化热力模型；
将误差补偿的水力模型和电力潮流模型中嵌入机理驱动的线性热力模型，形成最终的综合能源系统模型，利用最终的模型进行多能流计算分析。
2.如权利要求1所述的一种综合能源系统多能流计算分析方法，其特征是，所述电力潮流模型包括节点有功功率偏差和无功功率偏差的表达式。
3.如权利要求1所述的一种综合能源系统多能流计算分析方法，其特征是，所述水力模型包括节点流率表达式和环路流率表达式。
4.如权利要求1所述的一种综合能源系统多能流计算分析方法，其特征是，所述热力模型包含节点消耗或供给该节点的热力功率向量、管段末端节点的温度和节点热媒温度表达式。
5.如权利要求1或4所述的一种综合能源系统多能流计算分析方法，其特征是，对热力模型进行简化的过程包括：忽略传输过程中的热损失，将供水网络和回水网络节点温度设为恒定值，得到线性化热力模型。
6.如权利要求1所述的一种综合能源系统多能流计算分析方法，其特征是，所述历史数据的获取过程包括：设定随机因子，基于蒙特卡洛方法生成随机电负荷和热负荷，通过仿真得到潮流结果，删除其中超出系统安全设置的临界值的数据，并进行归一化后，形成历史数据。
7.如权利要求1所述的一种综合能源系统多能流计算分析方法，其特征是，加入误差补偿的过程包括将历史数据分为电力和水力两部分，分别构建训练集和测试集，独立训练神经网络构建的电力、水力模型，分别得到电力、水力回归模型；
分别将相应的回归模型输出的初步回归结果与真实值作差得到电力和水力回归误差数据，将回归误差数据和电力、水力历史数据组合整理成数据集，分为电力和水力误差训练集以及测试集，最后对神经网络构建的误差补偿回归模型进行训练，分别得到电力和水力误差补偿回归模型。
8.一种综合能源系统多能流计算分析系统，其特征是，包括：
初步模型构建模块，被配置为建立电力潮流模型、水力模型和热力模型，形成初步的综合能源系统模型；
非线性回归模块，被配置为构建双隐藏层LSTM网络进行电力潮流模型的非线性回归，构建单隐藏层LSTM网络进行水力模型的非线性回归，并找寻两个网络的最佳参数；
数据驱动模块，被配置为利用历史数据对两个模型进行训练学习，在训练学习过程中对两个模型分别加入误差补偿；
机理驱动模块，被配置为对热力模型进行简化，得到机理驱动的线性化热力模型；
数据-机理驱动联合模块，被配置为将误差补偿的水力模型和电力潮流模型中嵌入机理驱动的线性热力模型，形成最终的综合能源系统模型，利用最终的模型进行多能流计算分析。
9.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7中任一项所述的方法中的步骤。
10.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7中任一项所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410033269.3A CN117852762B (zh) | 2024-01-08 | 2024-01-08 | 一种综合能源系统多能流计算分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410033269.3A CN117852762B (zh) | 2024-01-08 | 2024-01-08 | 一种综合能源系统多能流计算分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117852762A true CN117852762A (zh) | 2024-04-09 |
| CN117852762B CN117852762B (zh) | 2024-09-20 |
Family
ID=90539640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410033269.3A Active CN117852762B (zh) | 2024-01-08 | 2024-01-08 | 一种综合能源系统多能流计算分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117852762B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118523315A (zh) * | 2024-07-18 | 2024-08-20 | 湖南大学 | 应对暴雨灾害的多能源网络多尺度渐进式紧急协同控制方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241662A (zh) * | 2018-09-29 | 2019-01-18 | 河海大学 | 一种电热互联综合能源系统最优能量流计算方法 |
| CN111082417A (zh) * | 2019-12-01 | 2020-04-28 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于综合能源系统电气热联合网络的状态估计方法 |
| CN111313445A (zh) * | 2020-03-19 | 2020-06-19 | 象山电力实业有限公司 | 一种基于模型预测控制的储能设备优化配置方法 |
| WO2021003843A1 (zh) * | 2019-07-08 | 2021-01-14 | 山东理工大学 | 工业园区综合能源系统的分层分布式协调控制时序方法 |
| CN112668196A (zh) * | 2021-01-04 | 2021-04-16 | 西安理工大学 | 机理与数据混合驱动的生成式对抗网络软测量建模方法 |
| CN113824119A (zh) * | 2021-08-30 | 2021-12-21 | 浙江工业大学 | 一种大规模综合能源系统混合潮流计算方法 |
| CN113901653A (zh) * | 2021-09-30 | 2022-01-07 | 上海电机学院 | 一种电-气综合能源系统及其潮流求解方法 |
| CN114971005A (zh) * | 2022-05-20 | 2022-08-30 | 厦门大学 | 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 |
| CN115169710A (zh) * | 2022-07-18 | 2022-10-11 | 山东大学 | 基于集成学习的综合能源系统多能潮流计算方法及系统 |
| CN115456287A (zh) * | 2022-09-21 | 2022-12-09 | 国电南瑞科技股份有限公司 | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 |
-
2024
- 2024-01-08 CN CN202410033269.3A patent/CN117852762B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241662A (zh) * | 2018-09-29 | 2019-01-18 | 河海大学 | 一种电热互联综合能源系统最优能量流计算方法 |
| WO2021003843A1 (zh) * | 2019-07-08 | 2021-01-14 | 山东理工大学 | 工业园区综合能源系统的分层分布式协调控制时序方法 |
| CN111082417A (zh) * | 2019-12-01 | 2020-04-28 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于综合能源系统电气热联合网络的状态估计方法 |
| CN111313445A (zh) * | 2020-03-19 | 2020-06-19 | 象山电力实业有限公司 | 一种基于模型预测控制的储能设备优化配置方法 |
| CN112668196A (zh) * | 2021-01-04 | 2021-04-16 | 西安理工大学 | 机理与数据混合驱动的生成式对抗网络软测量建模方法 |
| CN113824119A (zh) * | 2021-08-30 | 2021-12-21 | 浙江工业大学 | 一种大规模综合能源系统混合潮流计算方法 |
| CN113901653A (zh) * | 2021-09-30 | 2022-01-07 | 上海电机学院 | 一种电-气综合能源系统及其潮流求解方法 |
| CN114971005A (zh) * | 2022-05-20 | 2022-08-30 | 厦门大学 | 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 |
| CN115169710A (zh) * | 2022-07-18 | 2022-10-11 | 山东大学 | 基于集成学习的综合能源系统多能潮流计算方法及系统 |
| CN115456287A (zh) * | 2022-09-21 | 2022-12-09 | 国电南瑞科技股份有限公司 | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118523315A (zh) * | 2024-07-18 | 2024-08-20 | 湖南大学 | 应对暴雨灾害的多能源网络多尺度渐进式紧急协同控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117852762B (zh) | 2024-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117852762B (zh) | 一种综合能源系统多能流计算分析方法及系统 | |
| CN101976835B (zh) | 一种大规模电力系统牛顿潮流的并行计算方法 | |
| WO2024109103A1 (zh) | 一种闸门联动控制方法、装置及并联供水发电系统 | |
| CN113901653A (zh) | 一种电-气综合能源系统及其潮流求解方法 | |
| CN115392035A (zh) | 电-气互联综合能源系统优化调度的改进方法 | |
| CN111783309A (zh) | 基于内部守恒的蒸汽供热网络动态仿真方法 | |
| Ma et al. | A novel analytical unified energy flow calculation method for integrated energy systems based on holomorphic embedding | |
| CN108108837B (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
| Yin et al. | Deep learning-accelerated optimization algorithm for controller parameters optimization of doubly-fed induction generators | |
| Morales-Hernández et al. | Online learning of windmill time series using Long Short-term Cognitive Networks | |
| CN111310310A (zh) | 一种用于量调节的热力系统静态潮流快速解耦计算方法 | |
| CN115099522B (zh) | 基于bp神经网络的专变用户有功无功碳排放预测方法 | |
| Long et al. | Multilayer deep deterministic policy gradient for static safety and stability analysis of novel power systems | |
| CN109698516A (zh) | 可再生能源接入配电网的最大容量计算系统和方法 | |
| Zhang et al. | Optimized LSTM network based on particle swarm algorithm for power time series data prediction | |
| Li et al. | Demonstration and validation of the digital twin technology for a regional multi-energy system | |
| Yang et al. | Research on optimal load distribution of power plants based on chaos genetic algorithm | |
| Sun | An extreme learning machine model optimized based on improved golden eagle algorithm for wind power forecasting | |
| Wang et al. | Reactive power optimization of electric power system incorporating wind power based on parallel immune particle swarm optimization | |
| Chen et al. | Intelligent Prediction of Power Grid Project Cost Based on PSO-BP Model | |
| Chen et al. | Real-Time Optimization and Application Based on Correlation Integration with Robust Control Solution | |
| Liu et al. | Multi-layer BiLSTM Photovoltaic Prediction Study Based on Improved PSO | |
| Yuan et al. | Fault prediction method of hydro turbine generator based on a new long short term memory strategy | |
| Yang et al. | A Numerical Observability Analysis Method for Combined Electric-Gas Networks | |
| CN117134360B (zh) | 输配协同高收敛性最优潮流计算方法、装置及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |