【技术实现步骤摘要】
本专利技术的应用属于综合能源系统领域，本专利技术的技术手段属于时间序列数据分析与机器学习领域，亦属于人工智能，特别是涉及图神经网络的电力系统潮流分析和综合能源系统能流分析领域。
技术介绍
1、在“双碳目标”的背景下，高比例可再生能源在综合能源系统中占比提高，构建以风电、光伏等新能源为主体的综合能源系统已成为必然趋势。其中，风光功率的波动性和不确定性给综合能源系统的运行、调度、控制带来了巨大挑战。准确的新能源发电功率预测可以为不同层次综合能源系统的调度控制提供可靠的决策信息，从而保证系统安全、稳定、经济、绿色地运行。同时，电力系统中电负荷、热力系统中热负荷和燃气系统中天然气负荷随时间不断变化，使得综合能源系统呈现出一定的确定性。综合能源系统中单一能源系统的不确定性通过能量耦合设备传递到其他系统，导致系统的运行状态发生变化，进而影响综合能源系统的总体运行状态。然而，传统的多能流计算只能给出一个时间断面内系统的能流分布，无法给定不确定性因素影响下的系统连续运行状态，且计算效率低。因此，针对综合能源系统考虑多种不确定性因素影响的快速多能流计算方法研究亟需开展。
2、如何建立快速准确的综合能源系统能流分析方法是当前研究人员面临的难题。传统的综合能源系统能流分析方法一般采用概率能流分析方法，主要分为模拟法、近似法和解析法三大类。在考虑综合能源系统中的不确定性因素时,各种情况下不同方法的优缺点具体如下。
3、(1)模拟法。模拟法主要以蒙特卡洛法(monte carlo simulationmethod，mcsm)为代表
4、(2)近似法。近似法主要以点估计法、一次二阶矩法和无迹变换法为代表。其主要缺点是精度有限、适用范围窄、模型依赖性强、难以验证以及在面对系统参数波动或不确定性时鲁棒性较差。这些缺点可能导致计算结果不够准确和可靠，影响最终的系统分析和优化决策。
5、(3)解析法(包括卷积法和半不变量法)在进行综合能源系统能流计算时的主要缺点是计算复杂度较高，尤其是在处理高维和多变量系统时，通常需要精确的数学模型和大量的计算资源，导致计算时间和内存占用大幅增加。此外，解析法对模型的假设较为严格，实际系统中的非线性和不确定性因素可能难以准确建模，从而影响计算结果的准确性和可靠性。
技术实现思路
1、为了克服上述现有技术的不足，本专利技术的最终目的是提供了一种基于机器学习的综合能源系统快速能流分析方法，采用了多头图注意力机制和物理引导机制，通过图网络构建实际综合能源系统中的节点和支路关系，解决了经典神经网络模型不考虑边界属性的问题，同时通过物理约束引导模型训练方式提高能流预测的精度。本专利技术的具体技术路线包括下述步骤：
2、步骤1，以综合能源系统中各传感器采集的数据构建输入特征集合，在电力系统潮流计算中，pq节点的输入特征为注入有功功率p与无功功率q,pv节点的输入特征为注入的有功功率p与电压幅值v，slack(平衡节点)节点的输入特征为电压幅值v和相角θ。而在天然气系统的能流分析中，采用类似的输入特征，在压力-流量节点输入特征为注入的流量和节点压力，在压力-产量节点输入特征为节点压力和天然气产量，在平衡节点输入特征为节点压力和参考流量。在热力系统的能流分析中，温度-流量节点输入特征为注入热负荷和节点温度，温度-流量节点的输入特征为节点温度和流量，平衡节点的输入特征为节点温度和参考流量，将上述的所有节点特征合并为节点特征矩阵h。在电力系统中，采用电导和导纳作为图的边特征，在天然气系统中采用摩擦损失和热损失作为边特征，而热力系统中则采用热导率、压力损失和热损失系数作为边特征，构建边特征矩阵。同时，通过节点邻接矩阵a来表示拓扑图中节点和支路之间的拓扑关系。
3、步骤2，构建基于lstm算法的能流判敛算法，分别从电力系统、热力系统、天然气系统以及综合能源系统总体层面进行能流计算，判断能流方程是否有实数解，即实际综合能源系统是否可以在此运行条件下正常运行。
4、步骤3，构建基于图神经网络的能流分析模型，将综合能源系统的拓扑结构信息和物理约束条件嵌入到gcn网络中，使得图神经网络在训练过程中能够在物理约束的指导下捕捉时序数据的动态关系，并符合欧姆定律、能量守恒定律等物理方程，增强模型在物理知识层面的学习能力，提高模型的预测精度。
5、与现有技术相比，本专利技术针对综合能源系统能流分析中出现的计算效率低、模型参数敏感度高、计算复杂、精度有限等问题，提出了一种创新的基于图神经网络的方法，通过将实际综合能源系统中的拓扑信息和节点信息输入图神经网络，能够更准确地捕捉系统中不同能流的动态特征。通过有效融合电力、天然气、热力系统的数据输入特征和拓扑关系，本专利技术解决了经典神经网络模型无法有效处理边界属性和无法保持物理约束的问题。同时，采用基于lstm的能流判敛算法解决能流是否收敛的判别难题，进一步提高了能流预测的计算数度和精度，使得综合能源系统在复杂运行条件下能够实现更高效、精确的能流分析和判断。
6、本专利技术的有益效果：
7、本专利技术综合利用综合能源系统历史运行数据以及综合能源系统静态数据等相关信息，实现综合能源系统中的快速潮流判敛及预测，能够解决传统能流计算中计算效率低、精度有限的问题，能够为综合能源系统的调度和决策提供快速有效的数据支撑，最大限度的提高调度决策的管理时效。
本文档来自技高网...【技术保护点】
1.一种基于物理机制引导和多头图注意力机制的综合能源系统快速能流分析方法，其特征在于，包括下述步骤：
2.如权利要求1所述的综合能源系统快速能流分析方法，其特征在于在，构建LSTM判敛模型时，在图神经网络的前向传播过程中，首先对输入节点特征矩阵H进行图卷积操作，结合邻接矩阵A和边特征矩阵L，通过图注意力机制计算节点之间的注意力权重系数aij，来形成图表示，提取图级特征；
3.如权利要求1所述的综合能源系统快速能流分析方法，其特征在于，采用多图注意力机制和物理引导指导图神经网络的训练，构建合能源系统快速能流分析方法。
4.如权利要求1所述的综合能源系统快速能流分析方法，其特征在于，采用的注意力机制为基于图注意力机制改进的多图注意力机制；
5.如权利要求1所述的综合能源系统快速能流分析方法，其特征在于，采用基于物理信息神经网络的物理损失函数指导图神经网络的学习，使得图神经网络学习过程中更符合实际的物理方程约束；
6.如权利要求1所述的综合能源系统快速能流分析方法，其特征在于，考虑了实际综合能源系统中的物理约束，通过以损失函数
7.如权利要求1所述的综合能源系统快速能流分析方法，其特征在于，所提出的综合能源系统快速能流分析方法是基于综合能源系统的历史数据进行计算，是一种基于数据驱动的机器学习方法，能够在兼顾系统物理约束方程的情况下大幅提升计算效率。
8.一种电子装置，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于物理机制引导和多头图注意力机制的综合能源系统快速能流分析方法，其特征在于，包括下述步骤：
2.如权利要求1所述的综合能源系统快速能流分析方法，其特征在于在，构建lstm判敛模型时，在图神经网络的前向传播过程中，首先对输入节点特征矩阵h进行图卷积操作，结合邻接矩阵a和边特征矩阵l，通过图注意力机制计算节点之间的注意力权重系数aij，来形成图表示，提取图级特征；
3.如权利要求1所述的综合能源系统快速能流分析方法，其特征在于，采用多图注意力机制和物理引导指导图神经网络的训练，构建合能源系统快速能流分析方法。
4.如权利要求1所述的综合能源系统快速能流分析方法，其特征在于，采用的注意力机制为基于图注意力机制改进的多图注意力机制；
5.如权利要求1所述的综合能源系统快速能流分析方法，其特征在于，采用基于物理信息神经网络的物理损失函数指导图神经网络的学习...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。