基于GAN技術(shù)的自能源混合建模與參數(shù)辨識(shí)方法

孫秋野 胡旌偉 楊凌霄 張化光

能源互聯(lián)網(wǎng)是一個(gè)由電力網(wǎng)絡(luò)、熱力網(wǎng)絡(luò)及天然氣網(wǎng)絡(luò)等能源網(wǎng)絡(luò)集成交互形成的復(fù)雜網(wǎng)絡(luò),以能源技術(shù)與先進(jìn)控制技術(shù)、智能優(yōu)化技術(shù)及信息處理技術(shù)等為實(shí)施手段的一種新型開(kāi)放式能源生態(tài)系統(tǒng),可實(shí)現(xiàn)可再生能源的高效利用,提高可再生能源在一次能源生產(chǎn)和消費(fèi)中的占比[1?2].自能源作為能源互聯(lián)網(wǎng)的子單元,是由多種能源網(wǎng)絡(luò)耦合而成的小型獨(dú)立能源系統(tǒng),這些小型能源系統(tǒng)通過(guò)能源端口相互連接形成能源互聯(lián)網(wǎng)[3].隨著能源互聯(lián)網(wǎng)在世界各國(guó)的逐步推進(jìn),能源互聯(lián)網(wǎng)建模的準(zhǔn)確性直接影響著能源系統(tǒng)運(yùn)行的安全性、穩(wěn)定性及經(jīng)濟(jì)性.目前,按照模型的驅(qū)動(dòng)類型可把系統(tǒng)建模方法分為兩類.

一類是基于機(jī)理驅(qū)動(dòng)的系統(tǒng)建模方法,在以往的研究中,國(guó)內(nèi)外學(xué)者已對(duì)電網(wǎng)、直供熱管網(wǎng)及天然氣網(wǎng)絡(luò)的機(jī)理建模做出了大量工作.在電力系統(tǒng)中,由靜態(tài)負(fù)荷及感應(yīng)電動(dòng)機(jī)負(fù)荷組成的混合負(fù)荷模型最受關(guān)注,Son等提出了一種基于參數(shù)測(cè)量的負(fù)載建模優(yōu)化方案[4],通過(guò)對(duì)混合負(fù)荷模型參數(shù)的敏感性分析,減少了需要考慮的參數(shù)數(shù)量,從而改進(jìn)了參數(shù)優(yōu)化性能.Kim等利用識(shí)別參數(shù)敏感度相似性的方法來(lái)估計(jì)混合負(fù)荷模型參數(shù)[5],由于一些參數(shù)的變化對(duì)模型的輸出會(huì)產(chǎn)生相似的影響,因此在優(yōu)化過(guò)程中這些相似的參數(shù)可以同時(shí)被調(diào)整.而在直供熱管網(wǎng)中,由于管網(wǎng)中狀態(tài)變量(溫度、壓強(qiáng)、流速)不僅隨管道距離變化而改變,同時(shí)還是時(shí)間的函數(shù),供熱系統(tǒng)的模型大多是根據(jù)質(zhì)量守恒定律、動(dòng)量守恒定律及能量守恒定律對(duì)管網(wǎng)中微元進(jìn)行分析而建立的[6],因此這類模型并不能從宏觀上表現(xiàn)出管道狀態(tài)變量對(duì)模型輸出的影響.在天然氣管網(wǎng)中,由于氣體可壓縮的特點(diǎn),在建模過(guò)程中需要考慮理想氣體狀態(tài)方程.Behrooz等根據(jù)質(zhì)量、動(dòng)量和能量平衡方程建立天然氣管道非等溫模型,利用正交配置法對(duì)其動(dòng)態(tài)方程進(jìn)行求解[7].Pambour等提出了一個(gè)集成的瞬態(tài)水力模型來(lái)描述天然氣管網(wǎng)的動(dòng)態(tài)特性[8],其模型中包括管道、增壓站、減壓站、儲(chǔ)氣站及終端用戶.

另一類系統(tǒng)建模方法是基于數(shù)據(jù)驅(qū)動(dòng)的,主要分為統(tǒng)計(jì)綜合法和總體辨識(shí)法.統(tǒng)計(jì)綜合法采用統(tǒng)計(jì)的方式形成系統(tǒng)綜合模型,由于能源網(wǎng)絡(luò)中原始數(shù)據(jù)的冗余特性對(duì)模型的準(zhǔn)確性產(chǎn)生影響,為了解決這種問(wèn)題,聚類方法被采用對(duì)能源需求響應(yīng)數(shù)據(jù)進(jìn)行分析[9?10],Sun等通過(guò)尋找需求響應(yīng)的內(nèi)在特性和整合不同的特性來(lái)篩除數(shù)據(jù)冗余[11].總體辨識(shí)法將系統(tǒng)作為總體建模擬合實(shí)測(cè)曲線,其方法有最小二乘算法、逼近算法和極大似然等[12?14],這些傳統(tǒng)算法在非線性或非高斯情形下效果并不理想.近年來(lái),隨著各類智能優(yōu)化算法的提出,一些適用于連續(xù)系統(tǒng)的新的辨識(shí)方法相繼被提出,楊剛等提出一種基于自適應(yīng)量子粒子群優(yōu)化的RBF(Radial basis function)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法來(lái)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)的同步調(diào)整[15],錢(qián)富才等提出了一種以魯棒二階錐規(guī)劃理論為基礎(chǔ)的魯棒最小二乘算法[16].然而,無(wú)論是統(tǒng)計(jì)綜合法還是總體辨識(shí)法,系統(tǒng)建模對(duì)歷史數(shù)據(jù)的依賴性較大,能源系統(tǒng)在穩(wěn)態(tài)運(yùn)行下?lián)碛写罅靠蓽y(cè)數(shù)據(jù),在異常工況下建模獲得的數(shù)據(jù)卻較少,而異常工況下的能源系統(tǒng)模型對(duì)系統(tǒng)的運(yùn)行至關(guān)重要.系統(tǒng)在故障情況下對(duì)其檢測(cè)不準(zhǔn)確,將影響系統(tǒng)運(yùn)行的穩(wěn)定性.傳統(tǒng)的建模方法已不能滿足要求.在以往的研究中,綜合預(yù)測(cè)被廣泛應(yīng)用于建模非線性動(dòng)態(tài)系統(tǒng)的演化,在線的多任務(wù)學(xué)習(xí)框架[17]和半監(jiān)督的多任務(wù)學(xué)習(xí)模型[18]用來(lái)處理系統(tǒng)的綜合預(yù)測(cè)和缺失的標(biāo)簽問(wèn)題.然而,當(dāng)系統(tǒng)的規(guī)模較大時(shí)其統(tǒng)計(jì)工作和總體辨識(shí)就變得過(guò)于繁重[19?20].因此,需要探討一種更為有效的建模方法以解決模型數(shù)據(jù)不完備問(wèn)題.

生成式對(duì)抗網(wǎng)絡(luò)是由2014年Goofellow等提出的一種生成式模型[21],該技術(shù)不直接估計(jì)數(shù)據(jù)樣本的分布特征,而是通過(guò)模型訓(xùn)練來(lái)估測(cè)其潛在的分布特征并產(chǎn)生與真實(shí)樣本相同分布特性的新樣本.這種依據(jù)潛在分布產(chǎn)生“無(wú)限”新樣本的生成式模型具有較強(qiáng)的可解釋性[22].GAN(Generative adversarial networks)技術(shù)在圖像和視覺(jué)計(jì)算、語(yǔ)音和語(yǔ)言處理等眾多領(lǐng)域建模中均有應(yīng)用[23?24],同時(shí)平行智能與平行學(xué)習(xí)又為GAN進(jìn)一步的發(fā)展提出了方向[25].隨著國(guó)內(nèi)外學(xué)者對(duì)GAN技術(shù)的深入研究,其結(jié)構(gòu)模型也衍生出了多種變化,基于不同的散度,GAN技術(shù)可分為JS-GAN[21](JS(Jensen-Shannon)散度)、LS-GAN[26](LS(Loss sensitive)散度)、W-GAN[27](Wasserstein距離)和f-GAN[28](f散度).Qi提出了一種改進(jìn)的Losssensitive GAN,該模型通過(guò)使用Lipschitz損失函數(shù)來(lái)限定GAN無(wú)限建模的能力,拓展了訓(xùn)練的優(yōu)化方法[26].Arjovsky等[27]提出的Wasserstein GAN利用Wasserstein距離產(chǎn)生的值函數(shù),在訓(xùn)練過(guò)程中不需要一直保持生成器與判別器嚴(yán)格的平衡,可以通過(guò)訓(xùn)練判別器至最優(yōu)來(lái)持續(xù)估計(jì)Earth-mover距離.Saito等在仿真中對(duì)以上幾種改進(jìn)的GAN模型與W-GAN進(jìn)行了比較[29],結(jié)果表明在提高合成語(yǔ)音質(zhì)量方面W-GAN最小化Earth-mover距離效果較好.Chen等提出的InfoGAN則在結(jié)構(gòu)上進(jìn)行了改進(jìn)[30],通過(guò)將生成器的輸入分為傳統(tǒng)模型輸入和隱碼輸入,將潛在變量的小子集與觀察結(jié)果之間的互信息最大化.

結(jié)合生成式對(duì)抗網(wǎng)絡(luò)所具有的建模能力,本文提出自能源模型的GAN參數(shù)辨識(shí)方法,而電、氣、熱網(wǎng)絡(luò)的采樣周期不同,生成器所生成的數(shù)據(jù)為離散序列,若采用傳統(tǒng)建模方法GAN技術(shù),其判別器無(wú)法實(shí)現(xiàn)對(duì)生成器序列的梯度更新.因此,本文根據(jù)Yu等所提Seq-GAN模型[31]解決生成器輸出離散的問(wèn)題,該模型將GAN技術(shù)與策略梯度相結(jié)合,把判別器的輸出結(jié)果作為策略梯度的獎(jiǎng)勵(lì)對(duì)生成器進(jìn)行反饋訓(xùn)練.

本文建立了考慮能源耦合以及雙向流動(dòng)特性的自能源模型.針對(duì)其結(jié)構(gòu)復(fù)雜且狀態(tài)變量采樣周期不同所造成的信息不完備等特點(diǎn),設(shè)計(jì)了基于GAN技術(shù)的參數(shù)辨識(shí)算法,結(jié)合模糊算法對(duì)真實(shí)數(shù)據(jù)進(jìn)行分類,實(shí)現(xiàn)對(duì)自能源不同工況的擬合,同時(shí),應(yīng)用含策略梯度的反饋改進(jìn)模型,實(shí)現(xiàn)了自能源生成器生成模型離散的問(wèn)題,進(jìn)而通過(guò)訓(xùn)練得出自能源模型的網(wǎng)絡(luò)參數(shù),最后進(jìn)行了考慮自能源不同工況的仿真實(shí)驗(yàn),結(jié)果表明提出的方法是有效的.

1 自能源

受互聯(lián)網(wǎng)中信息傳遞單元“自媒體”這一概念啟發(fā),我們將能源互聯(lián)網(wǎng)中具有能源交換能力的區(qū)域定義為“自能源”.在互聯(lián)網(wǎng)中“自媒體”承擔(dān)著信息傳遞的作用,包括博客、微博、微信、百度官方貼吧、論壇/BBS等網(wǎng)絡(luò)社區(qū),具有私人化、平民化、普泛化、自主化的特性.而在能源互聯(lián)網(wǎng)中,自能源也有類似的特性,自能源同樣是來(lái)自草根階層并且不再是單一的能源接收者,同時(shí)還是能源的供應(yīng)者,具有互補(bǔ)性、開(kāi)放性和區(qū)域性.自能源中,能源載體形式各種各樣,包括電能、熱能、天然氣和交通,自能源的規(guī)模大小可以是擁有分布式發(fā)電、儲(chǔ)能、冷熱電聯(lián)產(chǎn)等能源生產(chǎn)、轉(zhuǎn)換和存儲(chǔ)設(shè)備的個(gè)人、別墅、企業(yè)或社區(qū),也可以是具有能源質(zhì)量調(diào)節(jié)能力的電廠、供熱站等.與傳統(tǒng)能源系統(tǒng)(微網(wǎng)、直供熱網(wǎng)、直供氣網(wǎng))相比,自能源強(qiáng)耦合性和互補(bǔ)性使得自能源具有將不同種類能源轉(zhuǎn)換成自己所需能源的能力.

在以往的研究中,Energy cell和Prosumer分別被提出用來(lái)刻畫(huà)能源互聯(lián)網(wǎng)子單元特性,“Energy cell”被定義為由本地發(fā)電單元、存儲(chǔ)設(shè)備和可控負(fù)荷組成的個(gè)體消費(fèi)者或一組實(shí)體,“Prosumer”顧名思義,是指一類生產(chǎn)消費(fèi)一體化的能量單元,然而兩者所建模型均為能源互聯(lián)網(wǎng)電能交易市場(chǎng)框架下的經(jīng)濟(jì)模型,體現(xiàn)不出多能源耦合在能源互聯(lián)網(wǎng)中起到的優(yōu)化作用.本文所建自能源模型為多能源載體耦合交互模型,與“Prosumer”相比,自能源采用分布式協(xié)調(diào)控制,使能源互聯(lián)網(wǎng)內(nèi)各自能源進(jìn)行協(xié)同合作,實(shí)現(xiàn)能源互聯(lián)網(wǎng)的故障診斷、故障恢復(fù)、狀態(tài)監(jiān)控,保證能源互聯(lián)網(wǎng)安全、穩(wěn)定運(yùn)行;與“Energy cell”相比,自能源體現(xiàn)出多種能源交易的同步性,在同一時(shí)刻,不同種類的能源流動(dòng)方向可能不同,因此,能源互聯(lián)網(wǎng)中自能源同時(shí)擔(dān)任買(mǎi)家和賣(mài)家兩種角色.

在能源互聯(lián)網(wǎng)中,自能源根據(jù)自身能源供求情況及能源互聯(lián)網(wǎng)中能源價(jià)格來(lái)制定能源轉(zhuǎn)換量,從而平衡全網(wǎng)能源和最大化自身利益.自能源間通過(guò)能源端口與其他自能源交換能量.圖1為涵蓋電能、熱能、天然氣的自能源結(jié)構(gòu),負(fù)荷(電負(fù)荷、熱負(fù)荷和天然氣負(fù)荷)由本地能量生產(chǎn)單元供能,多余能源不僅可以通過(guò)能量存儲(chǔ)設(shè)備進(jìn)行儲(chǔ)能,還可以通過(guò)能源端口進(jìn)行能量交換.

圖1 自能源結(jié)構(gòu)Fig.1 Structure of we-energy

2 自能源機(jī)理模型

2.1 電力子系統(tǒng)模型

根據(jù)圖1所示自能源結(jié)構(gòu),其中電力子系統(tǒng)模型包括分布式電源、儲(chǔ)能設(shè)備、負(fù)荷及能量轉(zhuǎn)換單元.其中,儲(chǔ)能設(shè)備充放電過(guò)程帶有一定的計(jì)劃性,因此可以聯(lián)合分布式電源統(tǒng)一被視為電力子網(wǎng)中的PQ節(jié)點(diǎn),將分布式電源聯(lián)儲(chǔ)模塊等效成輸出功率可控的微電源,經(jīng)過(guò)逆變器向本地負(fù)荷和能源互聯(lián)網(wǎng)輸送功率.負(fù)荷單元是由網(wǎng)絡(luò)中眾多用電設(shè)備和用戶組成的綜合對(duì)象,具有非線性和異構(gòu)性,根據(jù)負(fù)荷特性可以分為靜態(tài)負(fù)荷和動(dòng)態(tài)負(fù)荷.本文中涉及的電能轉(zhuǎn)換單元主要包括電鍋爐、水泵、天然氣壓縮機(jī),這些轉(zhuǎn)換單元的能量輸入波動(dòng)會(huì)影響耦合網(wǎng)絡(luò)的能源輸出,因此其模型不能視為常規(guī)負(fù)荷或電源來(lái)看,其等效模電路如圖2所示.

從自能源能源端口來(lái)看,分布式電源聯(lián)儲(chǔ)模塊可以描述為

式中,為分布式電源聯(lián)儲(chǔ)模塊輸出的復(fù)功率,PDG為有功功率,QDG為無(wú)功功率.為了更好地協(xié)調(diào)自能源系統(tǒng)中的有功和無(wú)功功率分配,系統(tǒng)的逆變器輸出功率采用下垂控制方法進(jìn)行調(diào)節(jié)[32]:

式中,m為頻率下垂系數(shù),n為頻率下垂系數(shù),f0和f分別為逆變器額定頻率和輸出頻率,U0和U分別為額定電壓和輸出電壓,PDG,0和QDG,0分別為逆變器的有功和無(wú)功額定容量.

在自能源中,微燃?xì)廨啓C(jī)通過(guò)燃燒天然氣產(chǎn)生熱能,其中具有較高壓力和溫度的高品味熱能轉(zhuǎn)換為電能,低品位熱能通過(guò)熱交換器供給熱負(fù)荷,其單位時(shí)間內(nèi)所產(chǎn)生的電能與進(jìn)氣量的關(guān)系為

式中,PE,MT為微燃?xì)廨啓C(jī)的輸出電功率,ηg2e為微燃?xì)廨啓C(jī)發(fā)電效率,Hu為天然氣燃燒低位發(fā)熱值,mg為單位時(shí)間天然氣的進(jìn)氣量.

自能源中電力系統(tǒng)的靜態(tài)負(fù)荷按特性為恒定阻抗(Z)、恒定電流(I)和恒定功率(P)三種負(fù)載按一定比例的組合,可以表示為電壓的二次函數(shù),即:

圖2 電力子系統(tǒng)模型Fig.2 Power subsystem model for we-energy

自能源中電力系統(tǒng)的動(dòng)態(tài)負(fù)荷主要由感應(yīng)電動(dòng)機(jī)組成,根據(jù)感應(yīng)電動(dòng)機(jī)機(jī)械暫態(tài)過(guò)程,其模型可以描述為

式中,為感應(yīng)電動(dòng)機(jī)的等值阻抗.

自能源中的電鍋爐可以將電能轉(zhuǎn)化為熱能為熱力管網(wǎng)提供熱量,其電功率PE,EB表達(dá)如下:

式中,PE,EB為電鍋爐輸入功率,IEB為電鍋爐的電流.

自能源中的水泵和空氣壓縮機(jī)將電能轉(zhuǎn)換為機(jī)械能從而增加熱力管網(wǎng)和天然氣管網(wǎng)對(duì)介質(zhì)的輸送能力,其耗電功率可以表示為

式中,PE,pump和PE,comp分別為水泵和壓縮機(jī)的輸入功率,Ipump和Icomp分別為水泵和壓縮機(jī)電鍋爐的電流.

根據(jù)系統(tǒng)結(jié)構(gòu),電力子系統(tǒng)中線路損耗可表示為

式中,?Pl為有功功率損耗,?Ql為有功功率損耗,rl+jxl為自能源端口到負(fù)荷的線路阻抗.

由于系統(tǒng)中電能轉(zhuǎn)換設(shè)備的輸入功率會(huì)影響耦合網(wǎng)絡(luò)的狀態(tài)變量,同時(shí)天然氣網(wǎng)絡(luò)中輸入至微燃?xì)廨啓C(jī)的天然氣質(zhì)量流率也會(huì)影響其電功率的輸出,因此,在電力子系統(tǒng)中這些耦合變量需要單獨(dú)考慮,根據(jù)本文所建立的電力子系統(tǒng)結(jié)構(gòu),自能源電力子系統(tǒng)的輸出功率為

2.2 熱力網(wǎng)子系統(tǒng)模型

在供熱系統(tǒng)中,由能源互聯(lián)網(wǎng)提供帶有一定溫度和質(zhì)量流率的水,經(jīng)過(guò)水泵、電鍋爐和熱交換器等設(shè)備加壓升溫后向自能源中的熱負(fù)荷提供熱量,最后在由回水管流回能源互聯(lián)網(wǎng).目前,集中供熱系統(tǒng)的經(jīng)濟(jì)收益大多來(lái)自采暖用戶每年固定繳納的采暖費(fèi),而非用戶有關(guān)實(shí)時(shí)采暖熱量的價(jià)格函數(shù).因此,本文從供熱子系統(tǒng)功率平衡的角度出發(fā)對(duì)自能源建模,通過(guò)調(diào)整設(shè)備輸入功率控制系統(tǒng)中的各狀態(tài)變量,從而達(dá)到控制自能源熱網(wǎng)系統(tǒng),同時(shí)根據(jù)本文所建模型可對(duì)供熱系統(tǒng)進(jìn)行實(shí)時(shí)經(jīng)濟(jì)性分析,其系統(tǒng)結(jié)構(gòu)如圖3所示.在圖3所示熱力子系統(tǒng)中,無(wú)能源耦合設(shè)備時(shí)測(cè)得進(jìn)水后流體狀態(tài)變量為T(mén)w,i、pw,i和vw,i.由于管道中的水帶有流動(dòng)性,為方便計(jì)算熱網(wǎng)熱功率對(duì)流體溫度變化的影響,本文從熱力學(xué)角度對(duì)熱功率作出如下定義:

圖3 熱力子系統(tǒng)模型Fig.3 Heating subsystem model for we-energy

定義1.在理想情況下,管道的熱功率是指單位時(shí)間內(nèi)管道中流體通過(guò)某一截面時(shí)流體所具有的熱量,單位W,熱功率表征管道輸送熱量的快慢,其計(jì)算公式為

式中,cw為比熱容(J/kg·K),w=ρwvwSw為流體的質(zhì)量流率(kg/s),Tw為流體的溫度(K),其中ρw為流體密度,vw為速度,Sw為管道橫截面積.

電鍋爐作為熱力管網(wǎng)中的升溫設(shè)備,可以將電能轉(zhuǎn)化為熱能為熱力管網(wǎng)提供熱量,當(dāng)接入輸入電功率為PE,EB的電鍋爐時(shí),其熱功率PQ,EB表達(dá)如下:

式中,PE,EB為電鍋爐輸入功率,ηEB為電鍋爐熱效率.

在自能源中,微燃?xì)廨啓C(jī)在向電力子系統(tǒng)提供電能的同時(shí)也向熱力子系統(tǒng)提供熱能,其單位時(shí)間內(nèi)所產(chǎn)生的熱能與微燃?xì)廨啓C(jī)進(jìn)氣量的關(guān)系為

式中,PQ,MT為微燃?xì)廨啓C(jī)的輸出熱功率,ηg2h為微燃?xì)廨啓C(jī)產(chǎn)熱效率,Hu為天然氣低熱值,˙mg為微燃?xì)廨啓C(jī)進(jìn)氣質(zhì)量流率.

在熱力管網(wǎng)中,水泵的輸入功率Ppump與泵的轉(zhuǎn)速ω的立方成正比,而泵轉(zhuǎn)速的變換會(huì)直接影響熱力管網(wǎng)中流體的流速與壓強(qiáng):

式中,Hw為水泵揚(yáng)程,ηpump為水泵效率.

假設(shè)水泵進(jìn)水口與出水口高度相等,h1=h2,若水泵的輸入功率為Ppump,由于進(jìn)出水管管徑不變,管道內(nèi)流體流速不突變,因此水泵揚(yáng)程瞬間轉(zhuǎn)化為流體壓強(qiáng),由式(13)及帶有機(jī)械能輸入的伯努利方程可得到加壓后水泵出水后壓強(qiáng)pw為

式中,w,1為水泵加壓之前流體質(zhì)量流率.

對(duì)整個(gè)熱力管網(wǎng),假設(shè)出水后壓強(qiáng)pw,o不變,則根據(jù)式(14),管道中流體流速經(jīng)水泵加壓后變?yōu)?/p>

基于以上分析,當(dāng)管道中加入功率為Ppump的水泵時(shí),其輸出熱功率為

在實(shí)際工程中,由于建筑的能耗與室內(nèi)室外溫度、建筑結(jié)構(gòu)等多方面因素有關(guān),采暖用戶的熱負(fù)荷很難得到一個(gè)精準(zhǔn)的模型.本文采用熱力學(xué)中較為通用的單位面積指標(biāo)法對(duì)熱負(fù)荷進(jìn)行建模,由于供熱系統(tǒng)中的燃煤鍋爐和熱儲(chǔ)能設(shè)備具有一定的計(jì)劃性,對(duì)其控制可等效為控制建筑采暖面積,因此鍋爐用戶儲(chǔ)能聯(lián)合模型可表示為

式中,PQ,L為建筑物采暖熱負(fù)荷,χQ,L建筑單位面積耗熱指標(biāo),FQ,L為可控建筑面積,分別為燃煤鍋爐最大熱功率和熱儲(chǔ)能最大存儲(chǔ)(釋放)功率.

由于流體在運(yùn)動(dòng)時(shí)存在黏性,在管道中流動(dòng)會(huì)產(chǎn)生摩擦力,將使流體一部分機(jī)械能轉(zhuǎn)化為熱能,因此管道中流體雖然由于摩擦阻力減小了流速,但溫度卻增加了,從功率平衡角度來(lái)看,流體的熱功率損失非常小,可忽略不計(jì).

根據(jù)本文所建立的熱力子系統(tǒng)結(jié)構(gòu),自能源熱力子系統(tǒng)的輸出功率為

2.3 天然氣網(wǎng)子系統(tǒng)模型

在天然氣管網(wǎng)中,天然氣氣井聯(lián)合儲(chǔ)氣罐作為一個(gè)可控氣源輸出具有一定vg,1、pg,1和ρg,1的天然氣,經(jīng)過(guò)空氣壓縮機(jī)升壓后與天然氣管網(wǎng)匯流,與電網(wǎng)中功率流動(dòng)規(guī)律類似,經(jīng)壓縮機(jī)升壓后天然氣壓力大于能源互聯(lián)網(wǎng)端壓強(qiáng)時(shí),自能源向能源互聯(lián)網(wǎng)輸出天然氣,反之能源互聯(lián)網(wǎng)向自能源輸入,自能源內(nèi)天然氣子系統(tǒng)具體結(jié)構(gòu)如圖4所示,其中,vg,1、pg,1和ρg,1為自能源端口天然氣狀態(tài)變量,g,L為天然氣負(fù)荷.

圖4 天然氣子系統(tǒng)模型Fig.4 Natural gas pipeline model for we-energy

本文根據(jù)天然氣管網(wǎng)中總能量守恒和氣體狀態(tài)變量轉(zhuǎn)化規(guī)律研究天然氣的流量變化.其中,天然氣壓縮機(jī)的輸入功率與電力網(wǎng)絡(luò)耦合,其工作原理與水泵類似,但由于天然氣是可壓縮的,加壓后天然氣的密度和流速等都會(huì)發(fā)生改變,因此,壓縮機(jī)輸入功率對(duì)天然氣管網(wǎng)的影響與熱力管網(wǎng)不同.假設(shè)壓縮機(jī)的輸入功率為Pcomp,由于氣體流速、密度不能瞬變,其功率變化全部轉(zhuǎn)化為Hg.由伯努利方程可得到天然氣壓力瞬時(shí)變化量?pg,1為

引理1.在理性氣體中,管道中壓縮機(jī)輸入功率Pcomp與管道中氣體流速變化量?vg、氣體壓強(qiáng)變化量?pg的關(guān)系為

式中,為壓縮機(jī)效率.

證明.在不考慮氣體對(duì)外熱損失的條件下,根據(jù)能量守恒方程,壓縮機(jī)對(duì)氣體所做的功一部分以機(jī)械能形式傳給氣體的理論能頭,另一部分以熱能形式傳給氣體,因此,管道中氣體的總功率Pg,tot為

式中,PM為氣體的機(jī)械功率.

當(dāng)壓縮機(jī)功率為Pcomp時(shí),根據(jù)式(21),氣體總功率變化為

由式(19)、(21)可得壓縮機(jī)的輸入功率為Pcomp時(shí)管道中氣體的功率平衡方程:

根據(jù)理想氣體狀態(tài)方程可得:

式中,M為氣體的摩爾質(zhì)量,R為氣體常數(shù).

將式(19)、(24)及pg,2=pg,1+?pg代入式(23)即可得出Pcomp與?vg、?pg的關(guān)系.

根據(jù)式(20),當(dāng)天然氣管網(wǎng)接入輸入功率為Pcomp的壓縮機(jī)時(shí),當(dāng)系統(tǒng)穩(wěn)定,管道中天然氣壓強(qiáng)變化量與速度變化量的乘積可以表示為

在天然氣管網(wǎng)中,微燃?xì)廨啓C(jī)和天然氣負(fù)荷出氣口均有測(cè)速裝置,其輸出天然氣量可控,假設(shè)微燃?xì)廨啓C(jī)和天然氣負(fù)荷出氣口壓強(qiáng)均為標(biāo)準(zhǔn)大氣壓,則微燃?xì)廨啓C(jī)和天然氣負(fù)荷的氣流量可以表示為

假設(shè)經(jīng)壓縮機(jī)升壓后的氣體狀態(tài)變量vg,s、pg,s和ρg,s,天然氣管網(wǎng)水平放置,根據(jù)圖4所示天然氣管網(wǎng)沿程流量變化可列出天然氣總流的伯努利方程:

式中,g,s>0代表壓縮機(jī)向自能源端口輸氣,反之為儲(chǔ)氣罐儲(chǔ)氣;g,2>0代表能源互聯(lián)網(wǎng)向自能源輸氣,反之為自能源向能源互聯(lián)網(wǎng)輸氣.

天然氣管道中,天然氣流動(dòng)會(huì)產(chǎn)生摩擦力使其流速減小,但因此增大了管道壓強(qiáng),因此本文忽略天然氣黏性對(duì)管道狀態(tài)變量的影響.同時(shí),在實(shí)際工程中,天然氣的壓力勢(shì)能遠(yuǎn)遠(yuǎn)大于其動(dòng)能,因此可假設(shè)天然氣在穩(wěn)定時(shí)各節(jié)點(diǎn)流速相等.基于以上假設(shè),式(31)可以簡(jiǎn)化為

這里,類比電力學(xué)中的電功率為電壓與電流的乘積,在能源互聯(lián)網(wǎng)中我們將天然氣管網(wǎng)中天然氣壓力與體積流率的乘積做出如下定義:

定義2.在標(biāo)準(zhǔn)大氣壓下,氣體的容壓是指單位時(shí)間內(nèi)管道某一截面處通過(guò)氣體體積的多少,單位為bar·m3/s,容壓表征管道輸送氣體的能力,其計(jì)算公式為

根據(jù)本文所建天然氣管網(wǎng)結(jié)構(gòu),自能源天然氣子系統(tǒng)模型可以表示為

2.4 自能源整體模型

根據(jù)對(duì)自能源各個(gè)子網(wǎng)絡(luò)中的電功率平衡方程、熱功率平衡方程及容壓平衡方程進(jìn)行整理,可得到自能源的整體機(jī)理模型:

3 自能源模型參數(shù)辨識(shí)的GAN算法實(shí)現(xiàn)

生成式對(duì)抗網(wǎng)絡(luò)由生成器和判別器組成,其中,生成器的主要作用是通過(guò)對(duì)采樣的隨機(jī)變量進(jìn)行加工產(chǎn)生與真實(shí)數(shù)據(jù)相似的值,模擬現(xiàn)實(shí)環(huán)境;而判別器的主要目標(biāo)旨在盡量正確地判別輸入數(shù)據(jù)的來(lái)源,訓(xùn)練生成器模擬數(shù)據(jù)分布的能力,由此兩者通過(guò)二人零和博弈實(shí)現(xiàn)學(xué)習(xí)優(yōu)化過(guò)程,最終達(dá)到一個(gè)納什均衡.本文將式(31)所建立的自能源機(jī)理模型作為待辨識(shí)的生成器,自能源系統(tǒng)根據(jù)真實(shí)數(shù)據(jù)類別選擇狀態(tài)變量的采樣區(qū)間,并將該區(qū)間的隨機(jī)變量輸入生成器產(chǎn)生模擬數(shù)據(jù),其中,z采樣于先驗(yàn)分布,本文假設(shè)其服從高斯噪聲分布[21].根據(jù)圖5所示結(jié)構(gòu),首先,生成器G根據(jù)模糊分類的輸入改變式(31)對(duì)應(yīng)的自能源機(jī)理模型;隨后,一組服從高斯噪聲分布的隨機(jī)序列z經(jīng)生成器G后輸出一組離散的模擬數(shù)據(jù)G(z);最后,判別器對(duì)模擬數(shù)據(jù)G(z)與真實(shí)數(shù)據(jù)x進(jìn)行判別訓(xùn)練,并將其判別準(zhǔn)確率作為獎(jiǎng)勵(lì)值通過(guò)策略梯度法反饋回生成器,從而對(duì)生成器進(jìn)行更新.由于自能源在不同的運(yùn)行工況下其模型不同,本文通過(guò)對(duì)輸入數(shù)據(jù)的模糊分類可計(jì)算出能反映自能源不同運(yùn)行工況的隸屬度,根據(jù)自能源控制策略可提前對(duì)機(jī)理模型進(jìn)行修正,使模型精確地逼近于輸入數(shù)據(jù).

圖5 基于模糊分類的GAN模型Fig.5 GAN structure based on fuzzy classi fication

3.1 自能源的模糊分類

在圖1所示自能源結(jié)構(gòu)中,由于自能源中電、熱、氣三網(wǎng)根據(jù)其各自網(wǎng)絡(luò)狀態(tài)變量波動(dòng)均涉及系統(tǒng)運(yùn)行狀態(tài)變化,當(dāng)網(wǎng)絡(luò)狀態(tài)變量偏離各自允許范圍時(shí),式(31)所建自能源模型亦發(fā)生相應(yīng)變化.值得注意的是,由于本文采用的是基于機(jī)理–數(shù)據(jù)混合驅(qū)動(dòng)的建模方法,在優(yōu)化過(guò)程中,通過(guò)對(duì)輸入數(shù)據(jù)的模糊分類可計(jì)算出能反映自能源不同運(yùn)行工況的隸屬度,根據(jù)其對(duì)應(yīng)的控制策略可提前對(duì)機(jī)理模型進(jìn)行修正,從而使模型精確地逼近于訓(xùn)練數(shù)據(jù),從而很大程度上避免了陷入局部最優(yōu).在自能源系統(tǒng)中,影響電力網(wǎng)絡(luò)中運(yùn)行工況的狀態(tài)變量主要有電壓、頻率,影響熱力管網(wǎng)和天然氣管網(wǎng)運(yùn)行工況的狀態(tài)變量主要為管道壓強(qiáng).根據(jù)專家經(jīng)驗(yàn),電網(wǎng)中的電壓U(V)和頻率fHz隸屬函數(shù)分別可設(shè)計(jì)為

式中,μE,U為對(duì)電壓的隸屬度,μE,f為對(duì)頻率的隸屬度.

在電網(wǎng)中出現(xiàn)電壓、頻率波動(dòng)時(shí),根據(jù)式(32)、(33)即可求出電網(wǎng)的運(yùn)行工況:

式中,μE為電網(wǎng)穩(wěn)定隸屬度.

在自能源中,當(dāng)μE=1時(shí),自能源電力子系統(tǒng)以常規(guī)模式運(yùn)營(yíng).當(dāng)時(shí),電力子系統(tǒng)處于臨界模式,此時(shí)自能源若處于對(duì)外輸出電功率,則須將分布式電源切除;自能源若處于吸收電功率模式,則須切除動(dòng)態(tài)負(fù)荷以保證系統(tǒng)回穩(wěn).當(dāng)時(shí),電力子系統(tǒng)處于緊急模式,此時(shí)自能源若處于對(duì)外輸出電功率模式,則須切除分布式電源及微燃?xì)廨啓C(jī)的輸出;自能源若處于吸收電功率模式,則須切除自能源中靜態(tài)負(fù)荷及動(dòng)態(tài)負(fù)荷.

熱力子系統(tǒng)中,流體管道的壓強(qiáng)pw(atm)隸屬函數(shù)可設(shè)計(jì)為

式中,μH,p為低壓供熱管網(wǎng)穩(wěn)定隸屬度.

在自能源中,當(dāng)μH,p=1時(shí),自能源供熱子系統(tǒng)以常規(guī)模式運(yùn)營(yíng).當(dāng)時(shí),供熱子系統(tǒng)處于臨界模式,此時(shí)自能源若處于對(duì)外輸出熱功率,則須將水泵切除;自能源若處于吸收熱功率模式,則須切除熱儲(chǔ)能以保證系統(tǒng)回穩(wěn).當(dāng)時(shí),系統(tǒng)處于緊急模式,此時(shí)自能源若處于對(duì)外輸出熱功率模式,則開(kāi)啟熱儲(chǔ)能并切除水泵的輸出;自能源若處于吸收熱功率模式,則切除自能源中熱負(fù)荷及微燃?xì)廨啓C(jī)熱輸出.

天然氣子系統(tǒng)中,天然氣管道的壓強(qiáng)pg(Kpa)隸屬函數(shù)可設(shè)計(jì)為

式中,μG,p為天然氣低壓管網(wǎng)穩(wěn)定隸屬度.

在自能源中,當(dāng)μG,p=1時(shí),自能源天然氣子系統(tǒng)以常規(guī)模式運(yùn)營(yíng).當(dāng)時(shí),天然氣子系統(tǒng)處于臨界模式,此時(shí)自能源若處于對(duì)外輸出容壓,則須將壓縮機(jī)切除;自能源若處于吸收天然氣模式,則須切除微燃?xì)廨啓C(jī)以保證系統(tǒng)回穩(wěn).當(dāng)時(shí),系統(tǒng)處于緊急模式,此時(shí)自能源若處于對(duì)外輸出天然氣模式,則須切除天然氣源及壓縮機(jī)的輸出;自能源若處于吸收電功率模式,則須切除自能源中天然氣負(fù)荷及微燃?xì)廨啓C(jī).

3.2 基于自能源的生成對(duì)抗網(wǎng)絡(luò)

在能源互聯(lián)網(wǎng)中,自能源在不同運(yùn)行條件下運(yùn)行狀態(tài)不同,系統(tǒng)中各設(shè)備所處工況亦不相同,故根據(jù)自能源的真實(shí)數(shù)據(jù)將自能源的各子網(wǎng)系統(tǒng)運(yùn)行狀態(tài)分為常規(guī)運(yùn)行模式、臨界運(yùn)行模式和緊急運(yùn)行模式.生成器的輸入狀態(tài)變量的采樣區(qū)間可根據(jù)系統(tǒng)運(yùn)行分為常規(guī)運(yùn)行區(qū)間、臨界運(yùn)行區(qū)間和緊急運(yùn)行區(qū)間.生成器根據(jù)真實(shí)數(shù)據(jù)所反映的系統(tǒng)運(yùn)行狀態(tài)選擇其采樣區(qū)間.

生成器的模型即根據(jù)式(31)所建立的基于自能源能量傳輸特征的可微分方程組,生成器在初始化階段,由于缺少判別器的訓(xùn)練,本文選用極大似然估計(jì)法預(yù)訓(xùn)練生成器模型,從而初始化自能源系統(tǒng)參數(shù).在判別器對(duì)其進(jìn)行訓(xùn)練時(shí),生成器根據(jù)判別器的獎(jiǎng)勵(lì)函數(shù)對(duì)其系統(tǒng)參數(shù)策略調(diào)參,使自身?yè)p失函數(shù)ObjG(θG) 最大化.

為了獲取更為精準(zhǔn)的能源分布信息,判別器需要對(duì)生成器所生成的數(shù)據(jù)分布與真實(shí)數(shù)據(jù)分布進(jìn)行判別.判別器D作為一個(gè)二分類器,以真實(shí)數(shù)據(jù)x和生成器G輸出的模擬數(shù)據(jù)G(z)作為輸入,通過(guò)最小化判別器的損失函數(shù)優(yōu)化自身判別能力,輸出一個(gè)對(duì)當(dāng)前輸入是真實(shí)數(shù)據(jù)還是模擬數(shù)據(jù)的判別概率.當(dāng)數(shù)據(jù)來(lái)自真實(shí)數(shù)據(jù)x時(shí),D的目標(biāo)是使得輸出概率值D(x)趨近于1,而當(dāng)數(shù)據(jù)由G生成時(shí),D的目標(biāo)是正確判斷數(shù)據(jù)來(lái)源,使得D(G(z))趨近于0.通過(guò)自能源的當(dāng)前結(jié)構(gòu),可采樣獲得自能源與網(wǎng)絡(luò)接口的能量信息,包括各個(gè)時(shí)段的PE,QE,PQ,Zg,即能源序列x1;x2;···;xT;而生成器G即根據(jù)考慮多種工況的隨機(jī)樣本以及初始參數(shù)生成目標(biāo)自能源端口的能源信息y1;y2;···;yT.在給定生成器的情況下,通過(guò)最小化交叉熵以優(yōu)化判別器D.基于判別器的二分類判別特征,其模型采用深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).RNN(Recurrent neural network)和CNN(Convolutional neural network)針對(duì)復(fù)雜的序列分類具有較好的訓(xùn)練特性,其中,RNN允許網(wǎng)絡(luò)信息的持久化,但當(dāng)RNN的輸出與相關(guān)信息間隔較遠(yuǎn)時(shí)RNN將喪失學(xué)習(xí)較遠(yuǎn)的信息的能力,LSTM(Long-short term memory)可以學(xué)習(xí)長(zhǎng)期依賴信息,記住長(zhǎng)期的信息在實(shí)踐中是LSTM的默認(rèn)行為,較RNN更能處理好長(zhǎng)期依賴問(wèn)題[33?34].在自能源中,輸出能源的狀態(tài)變量只與上一時(shí)刻狀態(tài)變量有關(guān),這種短期依賴問(wèn)題在生成器建模過(guò)程中可以根據(jù)爬坡約束進(jìn)行限制,而CNN最突出的特點(diǎn)之一就是局部感知能力,在訓(xùn)練過(guò)程中CNN可以通過(guò)減少隱藏單元與輸入單元的連接來(lái)降低權(quán)重計(jì)算復(fù)雜度,因此本文選用CNN構(gòu)建判別器模型[35],通過(guò)最小化判別器損失函數(shù)以得到最優(yōu)解:

式中,Y∈Pdata表示數(shù)據(jù)來(lái)自真實(shí)數(shù)據(jù)樣本分布,Y∈G則表示數(shù)據(jù)來(lái)自生成器模擬樣本分布.

3.3 訓(xùn)練策略

基于自能源模型的參數(shù)識(shí)別,需通過(guò)生成器G產(chǎn)生基于能源數(shù)據(jù)源的目標(biāo)能源數(shù)據(jù)分布,并根據(jù)判別器判別數(shù)據(jù)分布來(lái)自真實(shí)能源數(shù)據(jù)或者生成器生成數(shù)據(jù).由于電、氣、熱網(wǎng)絡(luò)狀態(tài)變量的采樣周期不同,在訓(xùn)練生成器時(shí)需要將同一時(shí)刻數(shù)據(jù)輸入,因此文中的訓(xùn)練數(shù)據(jù)是離散的.為此,本文所建立模型將GAN技術(shù)與策略梯度相結(jié)合,策略梯度法作為強(qiáng)化學(xué)習(xí)中一種基于策略的直接逼近算法,可以處理離散數(shù)據(jù),將判別器的輸出作為策略梯度的獎(jiǎng)勵(lì)函數(shù)對(duì)生成器直接進(jìn)行反饋訓(xùn)練,從而避免離散數(shù)據(jù)難以進(jìn)行微分計(jì)算的問(wèn)題.因此,生成器的目標(biāo)函數(shù)可以表示為

式中,表示生成器所產(chǎn)生的目標(biāo)序列,為動(dòng)作值函數(shù),即判別器在狀態(tài)(Y1:T?1,S)時(shí),依照策略Gθ,采取動(dòng)作yT所產(chǎn)生的積累獎(jiǎng)勵(lì).為了估算動(dòng)作值函數(shù),將判別器所判別正確的概率作為獎(jiǎng)勵(lì)值:

式中,b(S,Y1:T)表示用于減少獎(jiǎng)勵(lì)值方差的基準(zhǔn)值.通常將其設(shè)為常量.由于判別器僅能得出一個(gè)完整序列的獎(jiǎng)勵(lì)值,在不完全序列中,D(S,Y1:T)無(wú)法獲得.為了能夠估算中間狀態(tài)的動(dòng)作值函數(shù),采用基于策略G的蒙特卡洛搜索策略采樣剩余未知的序列,從而近似動(dòng)作值函數(shù).則N次蒙特卡洛搜索策略可以表示為

式 中,(Y1:t,X)=(y1,···,yt,X) 為 當(dāng) 前 狀 態(tài);為基于策略G取樣的序列長(zhǎng)度;Ti為蒙特卡洛搜索的序列樣本長(zhǎng)度;由此,判別器將依據(jù)所采樣的N個(gè)序列得出N個(gè)獎(jiǎng)勵(lì)值.因此,對(duì)于中間狀態(tài)的最終獎(jiǎng)勵(lì)值為N個(gè)獎(jiǎng)勵(lì)值的平均值.則可將動(dòng)作值函數(shù)分為兩種情況表示如下:

根據(jù)上述將判別器作為獎(jiǎng)勵(lì)函數(shù)的形式,可以通過(guò)動(dòng)態(tài)地更新判別器來(lái)提高生成器的性能.依據(jù)生成器的數(shù)據(jù)序列,也可進(jìn)一步修正判別器.在更新判別器后,交替更新生成器,依據(jù)生成器的目標(biāo)函數(shù),對(duì)其進(jìn)行梯度求解則可計(jì)算出生成器的參數(shù),即式(42).

3.4 自能源參數(shù)的辨識(shí)算法

生成式對(duì)抗網(wǎng)絡(luò)的訓(xùn)練方式包含生成器和判別器,在訓(xùn)練過(guò)程中需要保持兩者的訓(xùn)練一致性.綜合上述分析,得到適用于自能源建模的生成式對(duì)抗網(wǎng)絡(luò)參數(shù)辨識(shí)算法:

步驟1.收集自能源的能源分布的觀測(cè)序列,得到需辨識(shí)的數(shù)據(jù)序列X={X1:T}.

步驟2.初始化生成器模型Gθ和判別器模型Dθ.

步驟3.基于數(shù)據(jù)序列S,用極大似然估計(jì)法預(yù)訓(xùn)練生成器模型Gθ.

步驟4.根據(jù)當(dāng)前生成器模型產(chǎn)生可用于訓(xùn)練的反饋.

步驟5.基于給定的生成器,以最小化損失函數(shù)預(yù)訓(xùn)練判別器.

步驟6.進(jìn)入生成器訓(xùn)練過(guò)程.

步驟6.1.生成生成器序列Y1:T=(y1,···,yT);

步驟6.2.計(jì)算t從1到T階段的獎(jiǎng)勵(lì)函數(shù)Q(a=yt;s=Y1:t?1);

步驟6.3.通過(guò)策略梯度算法更新生成器的參數(shù)θ.

步驟7.進(jìn)入判別器訓(xùn)練過(guò)程.用當(dāng)前的生成器模型產(chǎn)生模擬數(shù)據(jù)與所給的真實(shí)樣本結(jié)合來(lái)訓(xùn)練判別器模型.輸出判別器參數(shù)φ.

步驟8.重復(fù)步驟6,步驟7對(duì)生成器和判別器進(jìn)行交替訓(xùn)練,直至收斂.

4 算例分析

本文根據(jù)式(31)所建立的自能源模型作為對(duì)抗式生成網(wǎng)絡(luò)參數(shù)辨識(shí)的算例,以某大學(xué)搭建的校園狹義能源互聯(lián)網(wǎng)[36]的運(yùn)行數(shù)據(jù)為參照,不同來(lái)源的數(shù)據(jù)經(jīng)過(guò)標(biāo)幺值換算后可以用于自能源整體的參數(shù)辨識(shí).本文根據(jù)數(shù)據(jù)的不同額定值分別對(duì)電、熱、氣數(shù)據(jù)進(jìn)行標(biāo)幺值換算,將微燃?xì)廨啓C(jī)輸出的電、熱功率標(biāo)幺值疊加到電、熱子系統(tǒng)中的電、熱功率輸出,將氣網(wǎng)中壓縮機(jī)消耗的電功率標(biāo)幺值疊加到電力子系統(tǒng)中的電負(fù)荷,從而達(dá)到數(shù)據(jù)的融合.截取各系統(tǒng)連續(xù)運(yùn)行的100天中運(yùn)行狀態(tài)信息,其中包括電力子系統(tǒng)PCC(Point of common coupling)的電壓、頻率、有功功率和無(wú)功功率,熱力子系統(tǒng)暖氣管道進(jìn)出口流體溫度和壓強(qiáng),天然氣管道體積流率和壓強(qiáng).由于電、氣、熱三個(gè)子系統(tǒng)的采樣周期不同,本文根據(jù)采樣周期最長(zhǎng)的熱力管網(wǎng)為標(biāo)準(zhǔn)對(duì)電、熱、氣三種網(wǎng)絡(luò)采樣數(shù)據(jù)進(jìn)行提取以達(dá)到不同時(shí)段數(shù)據(jù)的統(tǒng)一,取一天24h整點(diǎn)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),即共2400組數(shù)據(jù).在自能源中,電網(wǎng)視在功率的基準(zhǔn)值取100kVA,電壓的基準(zhǔn)值取1kV,其取值區(qū)間為[0.8,1.2],常規(guī)運(yùn)行區(qū)間為[0.95,1.05],頻率的基準(zhǔn)值取50Hz,其取值區(qū)間為[0.9,1.1],常規(guī)運(yùn)行區(qū)間為[0.98,1.02],直供熱管道流體壓強(qiáng)基準(zhǔn)值取5bar,其取值區(qū)間為[0.8,1.2],常規(guī)運(yùn)行區(qū)間為[0.96,1.04],熱功率的基準(zhǔn)值取100kW,流體溫度基準(zhǔn)值取400K,天然氣管道天然氣壓強(qiáng)基準(zhǔn)值取3bar,其取值區(qū)間為[0.7,1.3],常規(guī)運(yùn)行區(qū)間為[0.9,1.1],容壓的基準(zhǔn)值取10bar·m3/s,天然氣溫度基準(zhǔn)值取400K.自能源中各設(shè)備參數(shù)如表1所示.

表1 自能源系統(tǒng)設(shè)備參數(shù)Table 1 Parameter of equipment in WE system

4.1 自能源常規(guī)模式運(yùn)行下系統(tǒng)參數(shù)識(shí)別

由于自能源在實(shí)際中還不存在實(shí)體,很難獲得一個(gè)較為真實(shí)的自能源狀態(tài)變量運(yùn)行數(shù)據(jù),本文以微電網(wǎng)、熱電聯(lián)產(chǎn)、直供熱管網(wǎng)及天然氣管網(wǎng)實(shí)際運(yùn)行數(shù)據(jù)作為參考,在常規(guī)運(yùn)行模式下,某一天自能源電力子系統(tǒng)、熱力子系統(tǒng)和天然氣子系統(tǒng)運(yùn)行狀態(tài)如圖6～8所示.

圖6 自能源電力子系統(tǒng)運(yùn)行狀態(tài)Fig.6 Operating state of power subsystem in WE

圖7 自能源熱力子系統(tǒng)運(yùn)行狀態(tài)Fig.7 Operating state of heating network in WE

圖8 自能源天然氣子系統(tǒng)運(yùn)行狀態(tài)Fig.8 Operating state of natural gas network in WE

根據(jù)本文所提出的GAN方法對(duì)自能源系統(tǒng)進(jìn)行辨識(shí),基于CNN的判別器對(duì)于自能源模型生成的輸出數(shù)據(jù)具有較好的訓(xùn)練效果,其參數(shù)設(shè)置如下:Embedding層的維度64,有12種卷積核,filter sizes=[1 2 3 4 5 6 7 8 9 10 15 20],每種卷積核的個(gè)數(shù)=[100 200 200 200 200 100 100 100 100 100 160 160],任何一個(gè)給定單元的留存率batch size=0.85,正則參數(shù)lambda=0.2,每一次參數(shù)更新的訓(xùn)練樣本數(shù)batch size=64,序列長(zhǎng)度=20.本文以所提方法與傳統(tǒng)最小二乘法[12]以及粒子群算法辨識(shí)方法[15]作比較,將基于以上三種參數(shù)辨識(shí)方法的系統(tǒng)模型輸出的模擬數(shù)據(jù)與訓(xùn)練數(shù)據(jù)產(chǎn)生的相對(duì)誤差做均值處理,其計(jì)算公式為

其中,xi為訓(xùn)練數(shù)據(jù),yi為模擬數(shù)據(jù),N為訓(xùn)練數(shù)據(jù)量.比較結(jié)果如圖9所示,通過(guò)比較看出,采用本文方法訓(xùn)練數(shù)據(jù)最小,誤差在收斂后較為平坦,傳統(tǒng)最小二乘法誤差和收斂所需數(shù)據(jù)較大.

圖10為自能源模型對(duì)實(shí)際輸出數(shù)據(jù)的擬合,展示了自能源的動(dòng)態(tài)特性,其模型對(duì)應(yīng)參數(shù)如表2所示.

圖9 三種參數(shù)辨識(shí)方法的比較結(jié)果Fig.9 Comparison results of three parameter identi fication methods

圖10 自能源輸出擬合曲線Fig.10 Output fitting curves of we-energy

4.2 自能源不同工況下系統(tǒng)參數(shù)識(shí)別

根據(jù)自能源在常規(guī)模式下運(yùn)行時(shí)所辨識(shí)結(jié)果,假設(shè)在某一時(shí)刻能源互聯(lián)網(wǎng)電力負(fù)荷增加15%,自能源根據(jù)系統(tǒng)狀態(tài)變量的模糊分類對(duì)模型參數(shù)進(jìn)行調(diào)整,其參數(shù)辨識(shí)結(jié)果如表3所示.

從表3和圖11我們可以看出,當(dāng)能源互聯(lián)網(wǎng)電力負(fù)荷增加時(shí),自能源PCC點(diǎn)電壓下降,根據(jù)文中所提模糊策略,需要增加有功和無(wú)功功率輸出支撐電壓降,系統(tǒng)切除部分電加熱設(shè)備及動(dòng)態(tài)負(fù)載并增加微燃?xì)廨啓C(jī)的進(jìn)氣量,因此其有關(guān)動(dòng)態(tài)負(fù)載狀態(tài)變量的參數(shù)變小,輸出熱功率和容壓存在下降趨勢(shì),當(dāng)電壓恢復(fù)時(shí),熱功率和容壓也逐漸恢復(fù)常規(guī)狀態(tài).

表2 自能源常規(guī)運(yùn)行時(shí)模型參數(shù)辨識(shí)結(jié)果Table 2 Parameter identi fication results in regular

表3 自能源在電壓異常時(shí)模型參數(shù)辨識(shí)結(jié)果Table 3 Parameter identi fication results of WE model in abnormal voltage

圖11 電壓異常時(shí)自能源輸出曲線Fig.11 Output curves of we-energy in abnormal voltage

根據(jù)自能源在常規(guī)模式下運(yùn)行時(shí)所辨識(shí)結(jié)果,假設(shè)在某一時(shí)刻能源互聯(lián)網(wǎng)熱負(fù)荷增加10%時(shí),自能源根據(jù)系統(tǒng)狀態(tài)變量的模糊分類對(duì)模型參數(shù)進(jìn)行調(diào)整,其參數(shù)辨識(shí)結(jié)果如表4所示.

從表4和圖12我們可以看出,當(dāng)能源互聯(lián)網(wǎng)熱力負(fù)荷減少時(shí),由于熱力管網(wǎng)液壓突增,自能源PCC點(diǎn)液壓逐漸增加,自能源需要減少熱功率輸出,系統(tǒng)根據(jù)自身策略切除部分電加熱設(shè)備并減少水泵的輸入功率及微燃?xì)廨啓C(jī)的進(jìn)氣量,這將導(dǎo)致電網(wǎng)子系統(tǒng)負(fù)荷減小,從而自能源關(guān)于電壓參數(shù)變大.表4為自能源在某一時(shí)刻天然氣管網(wǎng)壓強(qiáng)突然降低20%時(shí)模型參數(shù)辨識(shí)結(jié)果.

表4 自能源在液壓異常時(shí)模型參數(shù)辨識(shí)結(jié)果Table 4 Parameter identi fication results of WE model in abnormal fluid pressure

圖12 液壓異常時(shí)自能源輸出曲線Fig.12 Output curves of WE in abnormal fluid pressure

從表5和圖13我們可以看出,當(dāng)時(shí)能源互聯(lián)網(wǎng)天然氣負(fù)荷增加時(shí),自能源PCC點(diǎn)氣壓下降,需要增加自能源容壓輸出,系統(tǒng)根據(jù)策略減少微燃?xì)廨啓C(jī)的進(jìn)氣量,影響電力子系統(tǒng)和熱力子系統(tǒng)的功率輸出,因此其有關(guān)電壓和溫度的參數(shù)變小于天然氣管網(wǎng)壓強(qiáng)下降.

表5 自能源在氣壓異常時(shí)模型參數(shù)辨識(shí)結(jié)果Table 5 Parameter identi fication results of WE model in abnormal gas pressure

5 結(jié)論

本文提出一種基于GAN技術(shù)的自能源混合建模方法,該方法由自能源網(wǎng)絡(luò)結(jié)構(gòu)的機(jī)理模型和基于GAN技術(shù)的參數(shù)辨識(shí)方法組成.1)針對(duì)自能源網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)進(jìn)行機(jī)理建模,適用于具有能源雙向傳輸?shù)奶攸c(diǎn)以及能源耦合等復(fù)雜特征的混合能源系統(tǒng);2)針對(duì)自能源模型的數(shù)據(jù)不完備,結(jié)構(gòu)復(fù)雜等特點(diǎn),設(shè)計(jì)了基于GAN技術(shù)的數(shù)據(jù)、機(jī)理混合驅(qū)動(dòng)方法,應(yīng)用含策略梯度反饋的GAN改進(jìn)模型進(jìn)行參數(shù)辨識(shí),解決了自能源模型中輸出序列離散的問(wèn)題;3)將模糊理論應(yīng)用于GAN模型中真實(shí)數(shù)據(jù)分類,根據(jù)自能源不同的運(yùn)行工況對(duì)自能源模型進(jìn)行調(diào)整,保證了生成器產(chǎn)生的模型符合能源變化規(guī)律.

圖13 氣壓異常時(shí)自能源輸出曲線Fig.13 Output curves of WE in abnormal gas pressure

1 Sun Qiu-Ye,Teng Fei,Zhang Hua-Guang,Ma Da-Zhong.Construction of dynamic coordinated optimization control system for energy internet.Proceedings of the CSEE,2015,35(14):3667?3677(孫秋野,滕菲,張化光,馬大中.能源互聯(lián)網(wǎng)動(dòng)態(tài)協(xié)調(diào)優(yōu)化控制體系構(gòu)建.中國(guó)電機(jī)工程學(xué)報(bào),2015,35(14):3667?3677)

2 Sun Qiu-Ye,Teng Fei,Zhang Hua-Guang.Energy internet and its key control issues.Acta Automatica Sinica,2017,43(2):176?194(孫秋野,滕菲,張化光.能源互聯(lián)網(wǎng)及其關(guān)鍵控制問(wèn)題.自動(dòng)化學(xué)報(bào),2017,43(2):176?194)

3 Hu J W,Sun Q Y,Teng F.A game-theoretic pricing model for energy internet in day-ahead trading market considering distributed generations uncertainty.In:Proceedings of the 2016 IEEE Symposium Series on Computational Intelligence(SSCI).Athens,Greece:IEEE,2016.1?7

4 Son S E,Lee S H,Choi D H,Song K B,Park J D,Kwon Y H,et al.Improvement of composite load modeling based on parameter sensitivity and dependency analyses.IEEE Transactions on Power Systems,2014,29(1):242?250

5 Kim J K,An K,Ma J,Shin J,Song K B,Park J D,et al.Fast and reliable estimation of composite load model parameters using analytical similarity of parameter sensitivity.IEEE Transactions on Power Systems,2016,31(1):663?671

6 Duquette J,Rowe A,Wild P.Thermal performance of a steady state physical pipe model for simulating district heating grids with variable flow.Applied Energy,2016,178:383?393

7 Behrooz H A,Boozarjomehry R B.Modeling and state estimation for gas transmission networks.Journal of Natural Gas Science and Engineering,2015,22:551?570

8 Pambour K A,Bolado-Lavin R,Dijkema G P J.An integrated transient model for simulating the operation of natural gas transport systems.Journal of Natural Gas Science and Engineering,2016,28:672?690

9 Haben S,Singleton C,Grindrod P.Analysis and clustering of residential customers energy behavioral demand using smart meter data.IEEE Transactions on Smart Grid,2016,7(1):136?144

10 Fernandes M P,Viegas J L,Vieira S M,Sousa J M.Analysis of residential natural gas consumers using fuzzy c-means clustering.In:Proceedings of the 2016 IEEE International Conference on Fuzzy Systems.Vancouver,Canada:IEEE,2016.1484?1491

11 Sun G,Cong Y,Hou D D,Fan H J,Xu X W,Yu H B.Joint household characteristic prediction via smart meter data.IEEE Transactions on Smart Grid,DOI:10.1109/TSG.2017.2778428

12 Sun Ming-Xuan,Bi Hong-Bo.Learning identi fication:least squares algorithms and their repetitive consistency.Acta Automatica Sinica,2012,38(5):698?706(孫明軒,畢宏博.學(xué)習(xí)辨識(shí):最小二乘算法及其重復(fù)一致性.自動(dòng)化學(xué)報(bào),2012,38(5):698?706)

13 Gu Cheng-Kui,Wang Zheng-Ou.A practical method for identi fication nonlinear time-varying systems using basis sequences.Systems Engineering,2001,19(4):22?26(顧成奎,王正歐.利用基序列逼近的一類非線性時(shí)變系統(tǒng)辨識(shí)的實(shí)用方法.系統(tǒng)工程,2001,19(4):22?26)

14 Wang Le-Yi,Zhao Wen-Xiao.System identi fication:new paradigms,challenges,and opportunities.Acta Automatica Sinica,2013,39(7):933?942(王樂(lè)一,趙文虓.系統(tǒng)辨識(shí):新的模式、挑戰(zhàn)及機(jī)遇.自動(dòng)化學(xué)報(bào),2013,39(7):933?942)

15 YangGang,WangLe,DaiLi-Zhen,YangHui,Lu Rong-Xiu.AQPSO-based self-organization learning of RBF neuralnetwork.ControlandDecision, DOI:10.13195/j.kzyjc.2017.0595(楊剛,王樂(lè),戴麗珍,楊輝,陸榮秀.基于AQPSO的RBF神經(jīng)網(wǎng)絡(luò)自組織學(xué)習(xí).控制與決策,DOI:10.13195/j.kzyjc.2017.0595)

16 Qian Fu-Cai,Huang Jiao-Ru,Qin Xin-Qiang.Research on algorithm for system identi fication based on robust optimization.Acta Automatica Sinica,2014,40(5):988?993(錢(qián)富才,黃姣茹,秦新強(qiáng).基于魯棒優(yōu)化的系統(tǒng)辨識(shí)算法研究.自動(dòng)化學(xué)報(bào),2014,40(5):988?993)

17 Xu J P,Tan P N,Zhou J Y,Luo L F.Online multi-task learning framework for ensemble forecasting.IEEE Transactions on Knowledge and Data Engineering,2017,29(6):1268?1280

18 Cong Y,Sun G,Liu J,Yu H B,Luo J B.User attribute discovery with missing labels.Pattern Recognition,2018,73:33?46

19 Tang Yong.Mathematical Model and Modeling Technology of Power Load.Beijing:Science Press,2012.30?32(湯涌.電力負(fù)荷的數(shù)學(xué)模型與建模技術(shù).北京:科學(xué)出版社,2012.30?32)

20 Zhu Jian-Quan,Li Ying,Tan Wei.Characteristic fusion based on electric load modeling.Power System Technology,2015,39(5):1358?1364(朱建全,李穎,譚偉.基于特性融合的電力負(fù)荷建模.電網(wǎng)技術(shù),2015,39(5):1358?1364)

21 Goodfellow I,Pouget-Abadie J,Mirza M,Xu B,Warde-Farley D,Ozair S,et al.Generative adversarial nets.In:Proceedings of the 2014 Conference on Advances in Neural Information Processing Systems 27.Montreal,Canada:Curran Associates,Inc.,2014.2672?2680

22 Wang Kun-Feng,Gou Chao,Duan Yan-Jie,Lin Yi-Lun,Zheng Xin-Hu,Wang Fei-Yue.Generative adversarial networks:the state of the art and beyond.Acta Automatica Sinica,2017,43(3):321?332(王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.生成式對(duì)抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望.自動(dòng)化學(xué)報(bào),2017,43(3):321?332)

23 Zhang H,Xu T,Li H S,Zhang S T,Huang X L,Wang X G,et al.StackGAN:text to photo-realistic image synthesis with stacked generative adversarial networks.arXiv preprint arXiv:1612.03242,2016

24 Santana E,Hotz G.Learning a driving simulator.arXiv preprint arXiv:1608.01230,2016

25 Wang Fei-Yue.Software-de fined systems and knowledge automation:a parallel paradigm shift from Newton to Merton.Acta Automatica Sinica,2015,41(1):1?8(王飛躍.軟件定義的系統(tǒng)與知識(shí)自動(dòng)化:從牛頓到默頓的平行升華.自動(dòng)化學(xué)報(bào),2015,41(1):1?8)

26 Qi G J.Loss-sensitive generative adversarial networks on Lipschitz densities.arXiv preprint arXiv:1701.06264,2017

27 Arjovsky M,Chintala S,Bottou L.Wasserstein GAN.arXiv preprint arXiv:1701.07875,2017

28 Nowozin S,Cseke B,Tomioka R.F-GAN:training generative neural samplers using variational divergence minimization.In:Proceedings of the 2016 Neural Information Processing Systems.Barcelona,Spain:Curran Associates,Inc.,2016.271?279

29 Saito Y,Takamichi S,Saruwatari H.Statistical parametric speech synthesis incorporating generative adversarial networks.IEEE/ACM Transactions on Audio,Speech,and Language Processing,2018,26(1):84?96

30 Chen X,Duan Y,Houthooft R,Schulman J,Sutskever I,Abbeel P.InfoGAN:interpretable representation learning by information maximizing generative adversarial nets.In:Proceedings of the 2016 Neural Information Processing Systems.Barcelona,Spain:Curran Associates,Inc.,2016.2172?2180

31 Yu L T,Zhang W N,Wang J,Yu Y.SeqGAN:sequence generative adversarial nets with policy gradient.In:Proceedings of the 31st AAAI Conference on Arti ficial Intelligence.San Francisco,California,USA:AAAI,2017.2852?2858

32 Sun Q Y,Zhou J G,Guerrero J M,Zhang H G.Hybrid three-phase/single-phase microgrid architecture with power management capabilities.IEEE Transactions on Power Electronics,2015,30(10):5964?5977

33 Zhao Z,Chen W H,Wu X M,Chen P C Y,Liu J M.LSTM network:a deep learning approach for short-term traffic forecast.IET Intelligent Transport Systems,2017,11(2):68?75

34 Palangi H,Deng L,Shen Y L,Gao J F,He X D,Chen J S,et al.Deep sentence embedding using long short-term memory networks:analysis and application to information retrieval.IEEE/ACM Transactions on Audio,Speech,and Language Processing,2016,24(4):694?707

35 Kim Y.Convolutional neural networks for sentence classi fication.In:Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing.Doha,Qatar:ACL,2014.1746?1751

36 Sun Qiu-Ye,Wang Bing-Yu,Huang Bo-Nan,Ma Da-Zhong.The optimization control and implementation for the special energy internet.Proceedings of the CSEE,2015,35(18):4571?4580(孫秋野,王冰玉,黃博南,馬大中.狹義能源互聯(lián)網(wǎng)優(yōu)化控制框架及實(shí)現(xiàn).中國(guó)電機(jī)工程學(xué)報(bào),2015,35(18):4571?4580)