知识-数据混合驱动的电网频率协同控制算法

可再生能源对传统同步机组的持续替代在加剧电源侧功率波动的同时,还显著降低了系统整体惯量水平,进而对电网的频率稳定造成了严峻挑战。针对新形态下电网频率控制难题,提出了一种“集中式训练、分布式执行”的知识-数据混合驱动算法以实现含储能的多机系统对频率偏差的快速协同响应。该算法采用演员-评论家架构,以深度策略网络作为演员,构建起本地信息与控制器动作的映射关系;以系统频率偏差和发电机/储能系统出力关于控制器输出动作的策略梯度解析表达式构建评论家,辅助深度策略网络参数的离线训练。训练完备的各智能体(深度策略网络)可以仅依赖本地状态信息实现发电机和储能系统间兼顾快速频率响应与整体调频成本的实时协同运行。仿真结果验证了所提算法在频率控制效果、系统调频总成本以及收敛速度等方面相较传统方法的优越性。

基于知识-数据混合驱动的综合能源系统多元负荷预测方法

当前的综合能源系统(IES)负荷预测方法几乎都是单一的数据驱动方法,忽略了IES中的能量耦合关系。此外,在现有的研究中,数据驱动方法的训练数据主要集中于历史负荷、气象等影响因素,较少考虑可再生能源出力以及不同能源供应给IES负荷预测结果带来的影响。针对上述问题,本文提出一种知识-数据混合驱动的IES多元负荷预测方法。该方法首先通过解析模型对IES中的能量耦合特性知识进行描述,并利用该知识模型对原始样本数据进行重构。然后将重构后的新样本数据作为数据驱动模型的训练样本,并使用基于随机森林算法的特征选择方法和Dropout技术提高模型的泛化能力。最后采用某IES工业园区的实际数据对本文所提方法的有效性进行了验证。仿真结果表明,该方法相较于传统单一数据驱动模型具有更好的预测效果和较高的可靠性。

物理-数据-知识混合驱动的人机混合增强智能系统管控方法

当代系统认知、管理与控制的核心理论、方法与技术已经转移到大数据和人工智能技术上,这导致当前人工智能技术条件局限与复杂系统认知、管理、控制的需求之间形成了一道鸿沟。因此,现实的需求催生了人工智能的一种新型形态——人机混合增强智能形态,即人类智能与机器智能协同贯穿于系统认知、管理、控制等过程的始终,人类的认知和机器智能认知互相混合,形成增强型的智能形态,这种形态是人工智能或机器智能可行的、重要的成长模式。提出了一种物理-数据-知识混合驱动的人机混合增强智能系统管控方法。从可信分布式数据、计算和算法,物理深度学习,融合系统运行规则的混合型深度强化学习,因果分析,可解释性AI与数字人5个方面详细阐述了所提方法。最后,以电力系统调控为背景,以3个应用为例分析了所提方法的应用方式和技术路径。

数据-知识混合驱动的离散制造系统智能控制体系构架研究

在分析当前离散制造系统智能控制、基于数据知识化的制造资源智能化配置、数据与知识驱动算法迭代演进方面所面临挑战的基础上,提出一种数据-知识混合驱动的离散制造系统智能控制体系构架,并进一步分析数据-知识混合驱动在制造系统的多维运作机理。进而,针对架构操作层制造资源端,结合信息物理系统和工业物联技术,设计一种基于操作层与算法层动态交互的制造资源端配置方法。针对架构算法层中数据驱动与知识驱动算法固有优缺点,提炼出数据-知识混合驱动算法在离散制造场景的三种应用模式。所提体系和策略可为新一代离散制造系统的智能控制提供一种理论参考。

基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估

针对现有数据驱动的电力系统暂态评估方法依赖大规模数据集且可解释性不足的问题,文中将物理知识嵌入传统数据驱动方法,提出一种基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估方法。该方法考虑大规模风电并网的电力系统,将电力系统暂态稳定物理方程内嵌至神经网络损失函数,通过神经网络直接逼近物理过程,使输出结果满足物理规律,提高暂态稳定评估的可靠性与可解释性。通过数据与知识双驱动,所提方法不依赖大规模训练数据集,依然具有较好的鲁棒性与泛化能力。此外,所提方法通过卷积神经网络进行特征提取与降维,解决拓扑数据无法直接作为神经网络输入的难题。在含风机的IEEE 9节点和IEEE 39节点测试系统上的实验结果表明,所提方法在准确率、计算效率、泛化能力等方面相较现有方法有显著提升。