一种基于物理信息神经网络的综合能源系统优化控制方法

本发明属于综合能源系统的优化控制领域，具体涉及到一种基于物理信息神经网络的综合能源系统优化控制方法。

背景技术：

1、可再生能源深度融入综合能源系统是有效降低碳排放的一种举措，而如何有效地管理包含可再生能源的系统也成为了一个亟待解决的难题。此外，基础设施老化造成意外情况的频发也为综合能源系统的稳定运行带来了新的不确定性。而传统优化方法较长的响应时间已经难以满足当前的控制要求。

技术实现思路

1、针对现有技术中存在的问题，本发明提供一种基于物理信息神经网络的综合能源系统优化控制方法，通过将系统的优化目标与变量约束条件纳入深度图神经网络的损失函数，构建物理信息融合的深度图神经网络模型。在进行控制优化时，可通过已训练的神经网络模型实时提供系统控制策略，确保系统处于最佳状态，有效应对可再生能源的不确定性和突发意外情况对能源系统带来的影响，保障综合能源系统的安全稳定运行。

2、本发明采用以下技术方案实现：

3、一种基于物理信息神经网络的综合能源系统优化控制方法，包括如下步骤：

4、s1，构建光-电-热-气综合能源系统优化控制模型；

5、s2，基于综合能源系统网络拓扑结构生成节点连接关系矩阵；

6、s3，基于步骤s1构建的光-电-热-气综合能源系统优化控制模型以及步骤s2构建的节点连接关系矩阵，构建物理信息融合的深度图神经网络模型；

7、s4，构建所述物理信息融合的深度图神经网络模型的损失函数；

8、s5，根据历史运行数据训练所述物理信息融合的深度图神经网络模型并利用训练好的物理信息融合的深度图神经网络模型进行综合能源系统的优化控制。

9、上述技术方案中，更进一步地，步骤s1构建光-电-热-气综合能源系统优化控制模型包括如下步骤：

10、步骤s11，建立光伏设备的发电功率模型与对应约束条件：

11、ppv(t)＝g(t)aηpvηinv

12、式中，ppv(t)表示光伏设备当前时刻的发电功率；g(t)表示当前时刻光照强度；a表示光伏板面积；ηpv和ηinv分别表示光伏板效率和逆变器效率；

13、0<ppv(t)<ppv,max

14、式中，ppv,max表示光伏设备发电功率上限。

15、进一步地，所述步骤s12建立热电联产设备的出力模型，具体包括以下步骤：

16、步骤s121，建立燃气轮机的功率模型(包括发电功率和输出热功率模型)与对应约束条件：

17、发电功率模型与对应约束条件为：

18、pgt(t)＝ggt(t)qngηgt

19、式中，pgt(t)表示燃气轮机当前时刻的发电功率；ggt(t)表示当前时刻通入燃气轮机的天然气流量；qng表示天然气的低位热值；ηgt表示燃气轮机的发电效率；

20、pgt,min<pgt(t)<pgt,max

21、式中，pgt,max和pgt,min分别表示燃气轮机发电功率的上下限；

22、输出热功率模型与对应约束条件为：

23、qgt(t)＝ggt(t)qng(1-ηgt)

24、式中，qgt(t)表示燃气轮机当前时刻的输出热功率；

25、qgt,min<qgt(t)<qgt,max

26、式中，qgt,max和qgt,min分别表示燃气轮机输出热功率的上下限；

27、步骤s122，建立余热锅炉的热功率模型与对应约束条件

28、qhrsg(t)＝qgt(t)ηhrsg

29、式中，qhrsg(t)表示余热锅炉当前时刻的输出热功率；ηhrsg表示余热锅炉的换热效率；

30、qhrsg,min<qhrsg(t)<qhrsg,max

31、式中，qhrsg,max和qhrsg,min分别表示余热锅炉输出热功率的上下限。

32、步骤s13，建立电热锅炉的热功率模型与对应约束条件：

33、qeb(t)＝peb(t)ηeb

34、式中，qeb(t)表示电热锅炉当前时刻的输出热功率；peb(t)表示当前时刻电热锅炉消耗的电功率；ηeb表示电热锅炉的电热转化效率；

35、qeb,min<qeb(t)<qeb,max

36、式中，qeb,max和qeb,min分别表示电热锅炉输出热功率的上下限。

37、步骤s14，建立燃气锅炉的热功率模型与对应约束条件：

38、qgb(t)＝ggb(t)qngηgb

39、式中，qgb(t)表示燃气锅炉当前时刻的输出热功率；ggb(t)表示当前时刻通入燃气锅炉的天然气流量；ηgb表示燃气锅炉的气热转化效率；

40、qgb,min<qgb(t)<qgb,max

41、式中，qgb,max和qgb,min分别表示余热锅炉输出热功率的上下限。

42、步骤s15，建立换热设备的热功率模型与对应约束条件：

43、qhe(t)＝q′he(t)ηh

44、式中，qhe(t)表示换热设备当前时刻的输出热功率；q′he(t)表示换热设备当前时刻的输入热功率；ηh表示换热设备的换热效率；

45、qhe,min<qhe(t)<qhe,max

46、式中，qhe,max和qhe,min分别表示换热设备输出热功率的上下限。

47、步骤s16，建立蓄电池的电储能模型与对应约束条件：

48、

49、式中，soc(t)和soc(t-1)分别表示当前时刻和上一时刻蓄电池的容量；pchar(t)和pdis(t)分别表示蓄电池充放电功率；ηc和ηd分别表示蓄电池充放电效率；

50、socmin<soc(t),soc(t-1)<socmax

51、psoc,min<pchar,pdis<psoc,max

52、pcharpdis(t)＝0

53、式中，socmax和socmin分别表示蓄电池容量的上下限，psoc,max和psoc,min分别表示蓄电池充放电功率的上下限。

54、进一步地，所述步骤s17建立各能流网络平衡方程，具体包括以下步骤：

55、步骤s171，建立电网功率平衡方程：

56、ppv(t)+pgt(t)+pdis(t)+pe(t)＝le(t)+peb(t)+pchar(t)

57、式中pe(t)表示综合能源系统与上级电网的电功率交换，当综合能源系统从电网购入电力时取值为正，反之则为负；le(t)表示综合能源系统向用户提供的电功率；

58、步骤s172，建立热网功率平衡方程：

59、

60、式中lh(t)表示综合能源系统向用户提供的热功率；

61、步骤s173，建立气网流量平衡方程：

62、ggt(t)+ggb(t)+lng(t)＝gng(t)

63、式中lng(t)表示综合能源系统向用户提供的天然气流量；gng(t)表示综合能源系统从天然气公司购买的天然气流量。

64、步骤s18，建立综合能源系统支路约束：

65、0<pbr(t)<pbr,max

66、0<qbr(t)<qbr,max

67、0<gbr(t)<gbr,max

68、式中，pbr(t)、qbr(t)和gbr(t)分别表示当前时刻任意支路的电功率、热功率和天然气流量；pbr,max、qbr,max和gbr,max分别表示支路传递的电功率、热功率和天然气流量的上限。

69、更进一步地，步骤s2中，基于综合能源系统网络拓扑结构生成节点连接关系矩阵，首先根据综合能源系统网络中的不同节点类型进行分类，其中包括：光伏设备节点，燃气轮机节点，电热锅炉节点，燃气锅炉节点，热负荷节点，上级电网接入节点，电负荷节点，天然气管道接入节点，天然气负荷节点，蓄电池节点等；根据综合能源系统的网络拓扑结构生成节点连接关系矩阵a：

70、

71、式中，每一行都代表了一对节点连接关系，第一列表示综合能源系统中的能量流出节点，第二列表示能量流入节点，矩阵a中包含了系统中所有的节点连接关系。

72、更进一步地，步骤s3构建物理信息融合的深度图神经网络模型结构包括如下步骤：

73、步骤s31，采用图卷积网络作为核心的图神经网络结构，用于处理综合能源系统中的设备及其相互关系。具体来说，系统中的每个设备都被视为图中的一个节点，而设备间的物理连接(即支路)则被视为边：

74、ni∈n,ei,j∈e

75、式中，ni表示综合能源系统中设备所代表的节点；n代表所有节点构成的集合；ei,j表示综合能源系统中相邻节点i,j间的支路代表的边；e代表所有边构成的集合；

76、步骤s32，为每个节点赋予特征向量，用于表示节点状态与控制策略。节点根据对应设备的状态变量和控制变量设计特征向量v：

77、v＝[pin pout qin qout gin gout soc x]

78、式中，pin和pout分别表示输入和输出节点的电功率；qin和qout分别表示输入和输出节点的热功率；gin和gout分别表示流入和流出节点的天然气流量；soc表示节点的电池容量；x是节点启停状态，表示节点是否接入网络，0表示不接入，1表示接入；

79、每个节点根据当前状态和采取的控制策略设置变量取值，对于不包含某一变量的节点，将该变量所在位置赋值0，在后续处理中会忽略该值。

80、考虑到特征向量中不同变量存在数据尺度上的差异，首先对原始数据进行预处理，通过归一化以改善模型的收敛速度：

81、

82、式中，vm表示特征向量中的某一变量值；vm,z表示通过z得分标准化后的变量值；μ和σ分别表示这一变量所在数据集的均值和标准差。

83、步骤s33，为每条边赋予权重系数，用于表示各支路属性，由于不同能流网络中的支路特性不同，可以通过简单的前馈全连接神经网络学习支路特性并输出统一量级的边权重系数we；

84、步骤s34，通过相邻节点特征融合更新每个节点的特征向量：

85、

86、式中，表示下一层节点i的特征向量；ni是节点i的相邻节点集合，包括节点i本身；表示本层节点k的特征向量；表示节点i,k之间边权重值；wl和bl表示本层可学习的权重矩阵和偏置系数；α表示激活函数，除最后一层外选择relu函数，最后一层选择线性激活函数。

87、步骤s35，在完成节点特征融合后，为每个节点重置新的特征向量，并重复步骤s34，直到完成所有层数的网络计算，实现深度图神经网络模型的构建。通过特征融合，一个特定位置的特征值不仅受到同一节点其他位置特征值的影响、同一位置上一时刻特征值的影响，还受到相邻节点相同位置以及其他位置特征值的影响，也就是说，某设备的状态除了受到多种能流输入输出的影响，还会受到上一时刻自身状态影响。另外，通过多层的特征融合，节点的特征能够捕获来自更远邻居的信息，进一步增强了不同特征间的相互作用。

88、更进一步地，步骤s4构建物理信息神经网络的损失函数包括如下步骤：

89、步骤s41，计算深度图神经网络预测误差损失项

90、

91、式中，ψn是设备节点集合包含的元素个数；vi(t+1)和分别是节点i下一时刻特征向量的预测值和实际值。

92、进一步地，所述步骤s42计算综合能源系统优化控制目标损失项，具体包括以下步骤：

93、步骤s421，计算能源成本：

94、

95、式中，表示综合能源系统的能源成本；ce表示综合能源系统与上级电网交易成本；cng表示综合能源系统与天然气公司交易成本；

96、ce＝pe(t+1)·pre(t+1)

97、式中，pre(t+1)表示下一时刻从上级电网购电价格，pe(t+1)表示下一时刻综合能源系统与上级电网的电功率交换；

98、cng＝gng(t+1)·prng(t+1)

99、式中，prng(t+1)表示下一时刻从天然气公司购买的天然气价格；gng(t+1)表示下一时刻综合能源系统从天然气公司购买的天然气流量；

100、步骤s422，计算设备运行与停机维护成本：

101、

102、式中，表示能源设备运行与停机维护成本，j表示3种能流，包括电、热、气；x表示设备启停状态；

103、cop＝c1pj(t+1)+c2

104、式中，cop表示设备产能和运行成本；pj(t+1)表示设备下一时刻生产能流j的功率；c1和c2分别表示产能成本系数和运行成本；

105、cdo＝c3pi,max

106、式中，cdo表示设备停机维护成本；pj,max表示设备生产能流j的功率上限；c3表示停机维护成本系数；

107、步骤s423，计算优化控制目标损失项：

108、

109、式中，表示综合能源系统优化控制目标损失项；μeq表示能源设备运行和停机维护成本权重系数。

110、步骤s43，计算综合能源系统约束条件损失项：

111、将综合能源系统模型约束转化为约束条件损失项，其中包括等式约束、不等式约束和0-1约束。对于等式约束，先将原数学模型改写为失配量形式：

112、f(x1,x2…)＝0,f∈f

113、式中，f表示综合能源系统模型中所有等式约束构成的集合；x1,x2…表示原等式约束中各个参数；等式约束的损失项可以表示为：

114、

115、式中，表示等式约束损失项；

116、对于不等式约束有：

117、

118、式中表示不等式约束项；pi(t)是能源设备或支路i的功率交换大小；pi,max和pi,min分别表示设备或支路i的功率交换上下限；

119、对于0-1约束有：

120、

121、式中，表示0-1约束项；xi表示能源设备i的启停状态；

122、

123、式中，表示综合能源系统约束条件损失项；μeqc和μiec分别表示等式约束和不等式约束成本权重系数；

124、步骤s44，计算物理信息神经网络的总损失函数：

125、

126、式中，表示神经网络的总损失函数；μcost和μcon分别表示成本项和约束条件项的权重系数。

127、进一步地，所述步骤s5具体包括以下步骤：

128、根据历史运行数据训练物理信息神经网络模型，并计算深度图神经网络的总损失，直到模型预测精度满足要求时完成迭代更新。当包含在综合能源系统模型中的外界环境变量发生改变后，如上级电网电价改变，太阳光照强度变化或有新能源用户接入，物理信息融合的深度图神经网络模型通过物理信息神经网络给出控制策略，使每个节点当前的状态变量通过图神经网络的特征融合和更新后，转化到下一个时刻的状态，实现系统优化目标最佳的目的。

129、本发明的有益效果是：

130、本发明依托综合能源系统模型建立物理信息神经网络模型，通过结合深度图神经网络预测误差损失项、优化控制目标损失项、约束条件损失项构建物理信息神经网络损失函数，并以此训练神经网络模型，可实现对综合能源系统运行状态的优化控制，为工业综合能源系统的高效运行提供了一种新的理论支持。本发明采用数据驱动与物理建模并行的方式实现综合能源系统状态的优化控制，可有效应对可再生能源的不确定性和突发意外情况对能源系统带来的影响，保障综合能源系统的安全稳定运行。