基于数据驱动的多能源网络数字孪生实时仿真系统及方法技术方案

本发明专利技术提供了一种基于数据驱动的多能源网络数字孪生实时仿真系统及方法，所述方案包括物理系统模块，其由多能源网络构成；数字孪生模块，其用于接收从物理系统模块测量的环境数据和系统数据，并基于接收的测量数据进行实时仿真；应用模块，其用于接收从物理系统模块测量的环境数据和系统数据，以及来自数字孪生模块的实时仿真结果，并基于获得的测量数据和实时仿真结果产生相应的控制指令，对所述物理系统模块的运行进行相关控制。系统模块的运行进行相关控制。系统模块的运行进行相关控制。

【技术实现步骤摘要】
基于数据驱动的多能源网络数字孪生实时仿真系统及方法


[0001]本专利技术属于多能源网络仿真
，尤其涉及一种基于数据驱动的多能源网络数字孪生实时仿真系统及方法。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]近年来，多能源网络(multiple energy networks，MEN)研究受到广泛关注。在MEN中，多种能量流互相协调，可充分发挥不同系统潜在灵活性，从而更好的实现MEN经济、可靠运行。数据孪生作为物理对象或实际活动的数字映射对象，被描述为一种虚拟表现形式。在建立MEN数字孪生体过程中，强化的MEN可以优化能源供应结构，提高能源利用效率，有助于提升能源基础设施的安全性和弹性。
[0004]数字孪生的特点在于其与数据紧密联系，可以对物理实体进行虚拟描述。实时仿真是MEN数字孪生体中实现即时镜像能力的关键组成部分，因为它能够在给定时间内求解出高精度模型。然而，MEN中的参数通常来源于规划图或制造商的测试结果，可能与实际值有所不同。此外，受外界环境影响，系统参数可能会发生改变。复杂系统行为特征与系统参数高度相关，当系统参数发生变化时，系统可能呈现迥然不同的行为特征。
[0005]当前已有许多学者研究数字孪生技术在MEN中的应用。E.O
’
Dwyer提出了一种基于数字孪生的能量管理系统，可以为区域内部能源设施提供控制、调度、预测等服务。J.Granacher提出了基于数字孪生的能量系统设计流程，将参与者的需求和偏好解释为优化模型，并提供相应的优化方案。程天石研究了智慧城市综合能源系统数字孪生技术的发展及实施现状。当前已经进行了大量涉及MEN数字孪生系统的研究，但这些研究通常基于稳态能流，然而，由于气体和热量在MEN中的传输速度比电能传输速度慢的多，因此需要偏微分方程(partial differential equations，PDE)来描述热力系统、燃气系统内部状态变量的变化过程。MEN稳态模型与动态模型之间存在差异，使用稳态模型难以描述系统实际动态过程，会降低数字孪生系统的映射能力。
[0006]数据驱动模型与数字孪生概念相近，因为其建模过程依赖于数据，且具备参数更新能力。使用数据驱动方法对能源网络建模，线性模型是首要选择，因为训练生成的模型结构简单便于使用。为获得线性潮流计算模型，刘羽霄采用偏最小二乘(partial least squares，PLS)回归和贝叶斯线性回归(Bayesian linear regression，BLR)，其中前者在大多数情况下表现出更好的性能。谭毅提出线性潮流模型，并使用数据驱动方法纠正模型误差。陈彦博提出基于岭回归(ridge regression，RR)的线性潮流模型，可以减少数据共线性影响。田航提出一种知识与数据联合驱动的建模方法，建立电
‑
热耦合系统的线性回归模型。尽管线性模型在计算速度、理解程度和适应性方面具有优势，但当目标模型是非线性时，线性模型的准确度会降低。
[0007]近年来，考虑非线性的MEN数据驱动模型相继被提出，其中以神经网络模型为重
点，因为神经网络算法具备强大的拟合非线性能力。杨燕使用深度神经网络(deep neural network，DNN)进行潮流计算，在训练过程中考虑电力系统模型结构，提高计算准确度。胡馨月提出知识引导的深度神经网络方法，并增加辅助函数来重建潮流计算模型。向明旭提出考虑网络拓扑变化的概率潮流计算方法，采用堆叠去噪编码器和迁移学习来实现不同拓扑的潮流计算。其中，基于神经网络的非线性模型具备良好准确性，但它们不能提供物理意义上的系统结构，可解释性低。与此同时，MEN数据驱动建模方法研究调研结果表明，当前数据驱动方法主要应用于电网，然而，由于典型监督学习方法难以逼近考虑时空相关性的PDE，导致针对热网和气网的数据驱动建模研究进展缓慢。

技术实现思路

[0008]本专利技术为了解决上述问题，提供了一种基于数据驱动的多能源网络数字孪生实时仿真系统及方法，所述方案从数据驱动的角度出发，基于全纯嵌入模型进行实时仿真，实现数字孪生系统与实际物理系统相匹配，以充分发挥全纯嵌入模型在模型逼真度和执行速度方面的潜力。
[0009]根据本专利技术实施例的第一个方面，提供了一种基于数据驱动的多能源网络数字孪生实时仿真系统，包括：
[0010]物理系统模块，其由多能源网络构成；
[0011]数字孪生模块，其用于接收从物理系统模块测量的环境数据和系统数据，并基于接收的测量数据进行实时仿真；其中，在所述数字孪生模块中基于全纯嵌入模型进行实时仿真，实现数字孪生模块与物理系统模块的匹配，所述全纯嵌入模型基于全纯嵌入法近似多能源网络的偏微分方程，同时，采用参数同步方式从测量数据中进行参数学习，并基于学习的参数定期对全纯嵌入模型进行参数更新；
[0012]应用模块，其用于接收从物理系统模块测量的环境数据和系统数据，以及来自数字孪生模块的实时仿真结果，并基于获得的测量数据和实时仿真结果产生相应的控制指令，对所述物理系统模块的运行进行相关控制。
[0013]进一步的，所述全纯嵌入模型的获得，具体为：将测量数据的动态变化过程通过偏微分方程描述，并通过空间离散方式将偏微分方程近似为常微分方程；对获得的常微分方程，采用全纯嵌入法转化为全纯嵌入模型。
[0014]进一步的，所述采用参数同步方式从测量数据中进行参数学习，具体为：将测量数据的动态变化过程通过偏微分方程描述，将偏微分方程通过时空离散化得到有限差分模型；根据有限差分模型、常微分方程和全纯嵌入模型具有相似的参数，从测量数据中学习有限差分模型的参数作为全纯嵌入模型的更新参数。
[0015]进一步的，对于全纯嵌入模型所需的收敛半径，采用机器学习方法训练代理模型的方式替代原始的通过求解高次多项式的根来获得收敛半径的方式。
[0016]进一步的，所述采用机器学习方法训练代理模型，具体采用偏最小二乘法回归识别全纯嵌入模型近似多能源网络的偏微分方程时的误差函数中各项系数与收敛半径之间的潜在关系，进而确定线性的机器学习代理模型。
[0017]进一步的，所述应用模块包括动态感知、异常监测、矫正控制以及预测控制功能模块，各功能模块基于实时仿真分析结果以及从物理系统模块测量的环境数据和系统数据，
输出相应的控制命令；基于所述控制命令对所述物理系统模块进行相应的控制调节。
[0018]进一步的，所述环境数据包括温度及市场价格数据，所述系统数据包括各硬件设备的状态变量。
[0019]根据本专利技术实施例的第二个方面，提供了一种基于数据驱动的多能源网络数字孪生实时仿真方法，其基于上述的一种基于数据驱动的多能源网络数字孪生实时仿真系统，包括：
[0020]基于从物理系统模块测量的环境数据和系统数据，采用全纯嵌入模型进行实时仿真，实现数字孪生模块与物理系统模块的匹配，所述全纯嵌入模型基于全纯嵌入法近似多能源网络的偏微分方程，同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的多能源网络数字孪生实时仿真系统，其特征在于，包括：物理系统模块，其由多能源网络构成；数字孪生模块，其用于接收从物理系统模块测量的环境数据和系统数据，并基于接收的测量数据进行实时仿真；其中，在所述数字孪生模块中基于全纯嵌入模型进行实时仿真，实现数字孪生模块与物理系统模块的匹配，所述全纯嵌入模型基于全纯嵌入法近似多能源网络的偏微分方程，同时，采用参数同步方式从测量数据中进行参数学习，并基于学习的参数定期对全纯嵌入模型进行参数更新；应用模块，其用于接收从物理系统模块测量的环境数据和系统数据，以及来自数字孪生模块的实时仿真结果，并基于获得的测量数据和实时仿真结果产生相应的控制指令，对所述物理系统模块的运行进行相关控制。2.如权利要求1所述的一种基于数据驱动的多能源网络数字孪生实时仿真系统，其特征在于，所述全纯嵌入模型的获得，具体为：将测量数据的动态变化过程通过偏微分方程描述，并通过空间离散方式将偏微分方程近似为常微分方程；对获得的常微分方程，采用全纯嵌入法转化为全纯嵌入模型。3.如权利要求1所述的一种基于数据驱动的多能源网络数字孪生实时仿真系统，其特征在于，所述采用参数同步方式从测量数据中进行参数学习，具体为：将测量数据的动态变化过程通过偏微分方程描述，将偏微分方程通过时空离散化得到有限差分模型；根据有限差分模型、常微分方程和全纯嵌入模型具有相似的参数，从测量数据中学习有限差分模型的参数作为全纯嵌入模型的更新参数。4.如权利要求1所述的一种基于数据驱动的多能源网络数字孪生实时仿真系统，其特征在于，对于全纯嵌入模型所需的收敛半径，采用机器学习方法训练代理模型的方式替代原始的通过求解高次多项式的根来获得收敛半径的方式。5.如权利要求1所述的一种基于数据驱动的多能源网络数字孪生实时仿真系统，其特征在于，所述采用机器学习方法训练代理模...

【专利技术属性】
技术研发人员：赵浩然，田航，黄晓莉，李浩然，钱晓熠，王瑞琪，刘帅，
申请(专利权)人：山东大学，
类型：发明
国别省市：