模型数据混合驱动的水声器材防御决策方法

基于模型的计算机仿真技术在水中对抗战法推演、方案制定等应用中至关重要。但是由于战场输入数据维数高且模型复杂度高,基于模型仿真方法很难从算法、计算优化的层面上满足决策实时性要求。基于仿真模型产生的大量仿真样本数据,采用学习算法拟合求解最小极值点,缩小决策空间,再与传统仿真模型相结合以提高过程仿真优化效率;实验表明,采用模型与数据驱动混合学习模型在决策相对较优条件下可以将决策时间缩短到原来的6%。在积累了大量作战仿真、训练数据的今天,采用机器学习算法代替传统基于模型算法,是满足实时性和决策准确率的新思路。

基于数据-模型混合驱动的电力系统机电暂态快速仿真方法

数据驱动建模方法改变了发电机传统的建模范式,导致传统的机电暂态时域仿真方法无法直接应用于新范式下的电力系统。为此,该文提出一种基于数据-模型混合驱动的机电暂态时域仿真(data and physics driven time domain simulation,DPD-TDS)算法。算法中发电机状态变量与节点注入电流通过数据驱动模型推理计算,并通过网络方程完成节点电压计算,两者交替求解完成仿真。算法提出一种混合驱动范式下的网络代数方程组预处理方法,用以改善仿真的收敛性;算法设计一种中央处理器单元-神经网络处理器单元(central processing unit-neural network processing unit,CPU-NPU)异构计算框架以加速仿真,CPU进行机理模型的微分代数方程求解;NPU作协处理器完成数据驱动模型的前向推理。最后在IEEE-39和Polish-2383系统中将部分或全部发电机替换为数据驱动模型进行验证,仿真结果表明,所提出的仿真算法收敛性好,计算速度快,结果准确。

基于模型-数据混合驱动的区域能源互联网韧性在线评估

随着台风灾害的日益频发,能源系统的供能安全面临重大挑战,迅速、准确地根据实时更新的台风预测信息在线评估系统在未来短期内的应灾能力具有重要意义。该文将机理模型与数据驱动相结合,提出了一种模型-数据混合驱动的能源互联网韧性在线评估方法,克服了传统评估模型难以在线应用的缺点。首先,针对极端天气历史数据样本缺乏的问题,利用非序贯蒙特卡洛法离线模拟了系统在不同台风等级下的海量故障场景,以此生成了神经网络的训练样本集;其次,基于时间卷积网络(temporal convolutional network,TCN)构建了能源互联网的韧性在线评估模型,以多能负荷削减率为输出特征,通过离线训练提取台风信息、系统状态与负荷削减率的非线性映射关系,同时,利用深度残差收缩网络(deep residual shrinkage network,DRSN)改进了TCN的残差模块,通过自主的滤波学习降低了训练过程中冗余特征对计算精度的影响;接着,基于构建的韧性在线评估模型,提出了基于扩展交叉熵的韧性指标在线计算方法,通过迭代优化的最优概率密度函数,有效降低了在线仿真场景数量,进一步提高了指标方差收敛速度。最后,对某能源互联网的韧性进行了仿真评估,验证了所提方法的快速性和有效性。

数据与模型混合驱动的区域综合能源系统双层优化调度决策方法

在高比例可再生能源接入以及多种能源耦合网络快速发展的背景下,基于模型驱动的传统调度方法将难以满足区域综合能源系统实时优化调度决策的速度需求。因此,研究具有高智能性和快速决策能力的智能调度决策方法具有重要的意义。该文提出了一种数据与模型混合驱动的区域综合能源双层优化调度决策方法。上层使用混合整数线性规划(mix integer linear programming,MILP)求解得到日前调度计划,为日内滚动优化提供参考,下层将卷积神经网络(convolutional neural network,CNN)与门控循环单元(gated recurrent unit,GRU)相结合进行日内滚动优化决策,使用自适应功率修正模型对其输出进行微调得到精确解。最后,通过算例分析验证了本文所提方法的有效性。

数据-模型混合驱动的配电系统灵活性优化调度

针对光伏等新能源发电的波动性,提出了考虑需求侧资源作为灵活性供应的配电系统优化调度方法.首先,分析了配电系统优化框架及灵活性平衡机理,针对需求侧资源规模大、容量小的特点,提出了基于虚拟电池模型的需求侧资源聚合模型;其次,提出了数据驱动的需求侧资源模型参数评估方法,构建了基于参数评估的需求侧资源聚合优化模型,提出了涉及需求侧资源主动调节的配电系统灵活性优化调度方法;最后,通过实际数据进行算例分析,结果表明,所提数据-模型混合驱动的配电系统灵活性优化调度方法可以有效降低系统的运行成本,并有利于缓解系统的净负荷峰谷差.

综合能源系统运行可靠性评估评述Ⅱ:数据驱动法与模型-数据混合驱动法

对综合能源系统进行运行可靠性评估,不仅能实现系统运行状态的实时感知,而且能对系统的短期运行风险进行合理预测。利用数据驱动的人工智能技术解决能源领域问题是当下的研究热点。该文首先基于数据驱动法对考虑时变性与供需不确定性的综合能源系统设备运行可靠性建模方法进行阐述和总结,并归纳出在设备运行可靠性建模方面现有研究存在的不足;其次,详细总结数据驱动及模型-数据混合驱动两种运行可靠性评估方法的原理、研究现状和目前研究存在的局限性;最后,针对现有研究存在的问题,对综合能源系统运行可靠性评估研究进行总结与展望并提出人工智能背景下模型-数据混合驱动的运行可靠性建模及评估总体思路。

数据与模型混合驱动的箱体零件加工能耗预测

箱体零件是机械产品与部件的载体和安装基础件,其制造过程耗费大量的资源和能源。加工能耗预测作为能效评估与优化的前置技术,具有积极的意义。然而,由于箱体零件往往具有复杂的加工特征,且特征间耦合关系复杂,导致现有基于加工特征的方法难以准确预测其加工能耗。基于此,提出一种数据与模型混合驱动的箱体零件加工能耗预测方法。首先,基于箱体零件结构组成,对其加工特征及其间耦合关系、以及加工能耗特性进行分析;其次,针对箱体零件加工特征的相交与非相交关系,分别构建数据驱动的非相交特征加工能耗预测模型与模型驱动的相交特征加工能耗预测模型,进而实现箱体零件加工能耗的准确预测;最后,以某箱体零件加工为例对所提方法的有效性进行验证,并通过与纯数据驱动和纯模型驱动能耗预测方法的横向对比,说明所提方法的优越性。

基于模型-数据混合驱动的风电场暂态过程等值方法

针对大规模风电场接入给电力系统安全稳定分析过程带来的方程高维性、计算效率低问题,提出了一种基于模型-数据混合驱动的风电场暂态过程等值方法。对整个风电场进行两阶段聚合,最终将含有多台风机的风电场等值为单台风机模型。第一阶段等值过程中基于物理模型驱动思想,通过获取不同风速下风机并网点有功暂态响应特性及出力特性,采用K-means方法将所有风机聚合为四台等效风机。第二阶段基于数据驱动策略,通过所建立风电场并网点有功偏差最小的多时段优化模型并结合长短期记忆网络(long short term memory,LSTM)训练,将四台等效风机聚合为单台风机模型,实现了整个风电场的暂态过程等值聚合。通过算例验证了所提等值方法能够有效地反映风电场的暂态过程特性,为电力系统安全稳定分析模型降维提供了一种实用化解决方案。

模型与数据混合驱动的分布式光伏超短期功率预测

针对光伏短期预测不能考虑云团因素以及云团移动机理建模复杂的问题,对模型与数据混合驱动的分布式光伏超短期高精度功率预测方法进行研究。首先,采用深度神经网络模型,实现辐照度和温度与光伏功率的高精度拟合;其次,基于区域多个分布式光伏电站的实际监测数据,建立数据驱动的云团遮挡判别模型;最后,结合云团遮挡情况及其移动态势对邻近电站的影响分析,实现分布式光伏超短期功率的精准预测。依托国内某区域多个分布式光伏电站历史数据进行算例分析,仿真结果验证了所提分布式光伏超短期功率预测方法的有效性和实用性。

电力系统定碳排运行域:概念与方法

该文首次提出电力系统定碳排运行域(committed carbon emissions operation regions,CCEOR)的概念,刻画电力系统低碳安全运行空间(low-carbon operation space,LCOS),为新型电力系统低碳、安全运行提供科学、全面的决策依据,进一步丰富现有的低碳分析理论。针对高维非线性时空耦合变量下,定碳排运行域边界求解的关键技术瓶颈,基于数据与模型混合驱动思想建立域边界的高效求解方法。该方法结合特征工程,基于注意力机制与深度卷积的神经网络架构,以及数据与模型混合驱动的训练机制,有效保障CCEOR边界求解的高效性和准确性。最后,通过IEEE-118测试系统进行仿真分析,验证CCEOR能够有效评估系统的低碳运行态势,并确定低碳安全的调控方向。同时,验证所提域边界求解方法的高效性和高维适用性。通过可视化分析CCEOR随关键约束的变化特性,剖析LCOS的边界特征并发现其存在的空间饱和现象,进一步揭示电力系统运行的电碳耦合机理。

OpenHarmony在智慧能源结算终端中的应用探索

本文探索了 OpenHarmony 在智慧能源结算终端中的应用。首先介绍了 OpenHarmony 的发展历程、技术特点和应用领域。接着分析了智慧能源结算终端在功能、性能和安全方面的需求。随后阐述了 OpenHarmony 在智慧能源结算终端中的应用方案,包括硬件设计(芯片选型、传感器配置、通信模块选择)、软件设计和应用功能实现。研究表明 OpenHarmony 在智慧能源结算终端应用中具有潜力,但也面临一些挑战,为未来相关研究和应用提供了参考。

电网调控领域人工智能技术框架与应用展望

以深度学习和大数据分析为特征的新一代人工智能技术,已成为推动电力等传统领域技术进步的重要手段。首先分析了电网发展新特点和调度控制面临的挑战;进而按照人工智能与现有技术体系深度融合的思路,开展电网调控领域人工智能应用技术框架研究,提出总体思路、建设目标,设计了系统体系架构;最后对电网调控领域人工智能应用进行展望,分析了应用发展方向,为相关研究建设提供参考。

信息-物理-社会视角下的配电系统优化调度

针对考虑需求响应的配电系统的优化调度问题,从信息-物理-社会系统的角度分析了需求响应建模面临的挑战,即信息域的有限数据信息、社会域的有限理性和物理域的源荷互动特性,综合考虑有限的数据信息和用户的有限理性,建立了模型-数据混合驱动的需求响应(demand request,DR)建模方法,提出了基于Stackelberg博弈的配电网运营商(distribution network operators,DNO)与电力用户之间的优化调度方法。基于我国某省电网的实际负荷、电价数据进行仿真分析,结果表明,所提出的需求响应建模方法能够很好地刻画用户的实际响应行为,所提基于Stackelberg博弈的优化调度方法有利于降低DNO和用户成本,对促进可再生能源的利用具有积极作用。

逐层数据再表达的前后端融合学习的理论及其模型和算法

基于学习的两个主要研究内容,本文提出了学习的二元分层模式,给出了前端学习、后端学习、前后端组合学习和前后端融合学习的概念,构建了前后端融合学习的理论框架与最优化模型;针对前端学习,模拟大脑的分级工作机制,提出了数据与模型混合驱动的逐层数据再表达的方法;最后,以视觉(图像)学习为例,本文给出了一种数据与模型混合驱动的逐层数据再表达的具体方法.

考虑碳排放的光储充一体站日前运行策略

“双碳”背景下,光储充一体站不仅能够缓解大量电动汽车充电对电网带来的冲击,而且能够利用新能源减少二氧化碳排放,逐渐成为未来电动汽车充电站的一种主流形式。为使光储充一体站在满足负荷需求的前提下减少碳排放,并且获取最优的运行经济性,提出一种考虑碳排放的光储充一体站日前运行策略。首先,通过数据-模型混合驱动的方式进行场景生成,采用改进的kernelk-means算法对历史数据进行聚类,进而生成光伏出力场景,并通过变分自编码器生成负荷场景。然后,建立以购电成本、碳排放成本、容量电费等为目标函数的日前经济运行策略的数学模型。最后,基于北京地区某光储充一体站的历史运营数据开展算例分析,对比结果表明,光储充一体站使用所提日前策略能够获得更高的经济效益,验证了所提策略的有效性。

深度强化学习在电网实时计划编排中的应用

面对新型电力系统的强不确定性、快速增长的控制规模、低碳化运行目标等变化,实时计划编排将会呈现高维、非线性、非凸的复杂特征,以强化学习为代表的数据驱动算法为探索实时计划快速优化编排带来了新思路。文中将深度强化学习引入实时计划编排模型中,构建面向强化学习的实时计划编排仿真环境;提出了双层多目标多智能体深度强化学习实时计划编排方法,该方法基于模型-数据混合驱动强化学习思想,采用双层架构以及多智能体设计,实现实时计划并行快速编排。最后,通过算例验证了所提方法的有效性和可行性。