羅昊,王長(zhǎng)江,王建國(guó)

(1.東北電力大學(xué)電氣工程學(xué)院, 吉林省吉林市 132012;2.國(guó)網(wǎng)吉林省電力有限公司吉林供電公司, 吉林省吉林市 132012)

0 引 言

能源是世界經(jīng)濟(jì)與社會(huì)發(fā)展的堅(jiān)實(shí)基礎(chǔ),是國(guó)家未來(lái)發(fā)展的重要?jiǎng)恿Αｋ?氣綜合能源系統(tǒng)(electricity-gas integrated energy system,EGIES)可以對(duì)電力系統(tǒng)和天然氣系統(tǒng)進(jìn)行統(tǒng)一規(guī)劃、調(diào)度和管理,以實(shí)現(xiàn)能源的綜合利用,從而大大提高社會(huì)資源的利用率[1]。作為確保電網(wǎng)持續(xù)安全可靠運(yùn)行的重要參考信息,實(shí)時(shí)準(zhǔn)確的可用輸電能力(available transmission capability,ATC)計(jì)算可以幫助電網(wǎng)運(yùn)維人員掌握電網(wǎng)實(shí)時(shí)狀態(tài),維持電力系統(tǒng)的安全穩(wěn)定運(yùn)行。然而,在電力系統(tǒng)和天然氣系統(tǒng)深度耦合及EGIES規(guī)模不斷擴(kuò)大[2-4]的背景下,EGIES中可以影響ATC計(jì)算的因素增多,分析這些因素的影響原理有助于更加深入地了解EGIES。故以電力系統(tǒng)為核心的EGIES受到了廣泛關(guān)注,電-氣綜合能源系統(tǒng)中電力系統(tǒng)的ATC計(jì)算也值得關(guān)注。

為此,國(guó)內(nèi)外學(xué)者就電網(wǎng)規(guī)模擴(kuò)大、新能源接入和多能耦合等因素對(duì)ATC計(jì)算的影響進(jìn)行了分析研究。文獻(xiàn)[5]針對(duì)大型互聯(lián)電網(wǎng)提出了一種分解計(jì)算法,采用自然分區(qū)和沃頓等值法對(duì)大型電網(wǎng)的ATC數(shù)值進(jìn)行計(jì)算;文獻(xiàn)[6]提出了一種考慮新能源出力不確定性的ATC在線評(píng)估方法,通過并行計(jì)算和估計(jì)分布式光伏出力概率的方式構(gòu)建了動(dòng)態(tài)ATC計(jì)算的方法,并通過多算例計(jì)算結(jié)果證明了該方法的實(shí)用性;文獻(xiàn)[7]給出了以燃?xì)廨啓C(jī)為耦合元件的電-氣綜合能源系統(tǒng)的能流分布計(jì)算方法;文獻(xiàn)[8]考慮了電力系統(tǒng)和天然氣系統(tǒng)響應(yīng)時(shí)間不一致的問題,并在此基礎(chǔ)上計(jì)算了EGIES的能流分布情況;文獻(xiàn)[9]在計(jì)算電-氣綜合能源系統(tǒng)ATC的過程中分析了天然氣系統(tǒng)安全運(yùn)行邊界起到的作用。上述文獻(xiàn)給出了系統(tǒng)規(guī)模的擴(kuò)大對(duì)ATC計(jì)算的影響,并證明了天然氣網(wǎng)絡(luò)的狀態(tài)變化可對(duì)電-氣綜合能源系統(tǒng)的能流分布和安全運(yùn)行產(chǎn)生影響。但是由于天然氣系統(tǒng)的耦合使得系統(tǒng)數(shù)據(jù)的隱含信息增多,由此帶來(lái)了對(duì)系統(tǒng)實(shí)時(shí)數(shù)據(jù)分析不全面的問題,這給運(yùn)維人員實(shí)時(shí)掌握綜合能源系統(tǒng)狀態(tài)帶來(lái)了不利影響。

作為新興技術(shù),數(shù)字孿生(digital twin)相關(guān)理論方法受到了來(lái)自不同行業(yè)、不同領(lǐng)域的關(guān)注。與傳統(tǒng)基于物理模型對(duì)電力系統(tǒng)進(jìn)行分析不同,數(shù)字孿生在電力系統(tǒng)運(yùn)行狀態(tài)分析領(lǐng)域中更側(cè)重于數(shù)據(jù)與機(jī)理的交互融合驅(qū)動(dòng)[10-11]。數(shù)字孿生可采用人工智能分析方法對(duì)系統(tǒng)運(yùn)行所產(chǎn)生的有效運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí),對(duì)系統(tǒng)的運(yùn)行狀態(tài)進(jìn)行精細(xì)刻畫[12],以反映出系統(tǒng)當(dāng)前的運(yùn)行狀態(tài)。文獻(xiàn)[13]、[14]就綜合能源系統(tǒng)數(shù)字孿生的建立原理、方法、應(yīng)用場(chǎng)景和未來(lái)發(fā)展?jié)撃苓M(jìn)行了分析,并就需要進(jìn)行突破的關(guān)鍵問題和技術(shù)進(jìn)行描述,為未來(lái)智慧城市EGIES的發(fā)展提供了一定的參考;文獻(xiàn)[15]分析了虛擬電廠在建立數(shù)字孿生模型過程中面臨的挑戰(zhàn)和未來(lái)的發(fā)展方向,為建立EGIES的數(shù)字孿生模型提供了新思路;文獻(xiàn)[16]、[17]則重點(diǎn)探討了數(shù)據(jù)驅(qū)動(dòng)的相關(guān)方法,并從定性和定量的角度展示了數(shù)據(jù)驅(qū)動(dòng)方法應(yīng)用于分析電力系統(tǒng)運(yùn)行方式及其變化規(guī)律的效果,該成果可用于電力系統(tǒng)的建設(shè)規(guī)劃和運(yùn)行管理;文獻(xiàn)[18]對(duì)利用數(shù)字孿生原理對(duì)用戶用電行為預(yù)測(cè)的應(yīng)用發(fā)展進(jìn)行了展望;文獻(xiàn)[19]通過對(duì)比數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)的特點(diǎn)和面臨的問題,提出了一種可以適用于多研究領(lǐng)域的數(shù)據(jù)-知識(shí)聯(lián)合應(yīng)用的方式,并對(duì)該方式的具體應(yīng)用方法進(jìn)行了分類和總結(jié)。

上述文獻(xiàn)總結(jié)了構(gòu)建EGIES的數(shù)字孿生模型的可用方法,分析了數(shù)字孿生的相關(guān)原理應(yīng)用于EGIES的狀態(tài)分析的前景。然而,當(dāng)前對(duì)于數(shù)字孿生技術(shù)在EGIES中的應(yīng)用與探索主要體現(xiàn)在發(fā)展形勢(shì)和未來(lái)可用技術(shù)的綜述和展望方法?；诠こ虒?shí)際和現(xiàn)有技術(shù)基礎(chǔ)上的數(shù)字孿生技術(shù)仍尚待開發(fā)。數(shù)字孿生技術(shù)通過學(xué)習(xí)天然氣系統(tǒng)和電力系統(tǒng)中的數(shù)據(jù)變化,可以充分解決因天然氣系統(tǒng)傳輸延時(shí)特性等獨(dú)特的運(yùn)行特性所導(dǎo)致的EGIES整體的ATC計(jì)算速度慢的問題。而且由于數(shù)字孿生具有可以實(shí)時(shí)甚至預(yù)先精細(xì)描繪系統(tǒng)狀態(tài)的特性,因此利用數(shù)字孿生方法對(duì)ATC等反映系統(tǒng)狀態(tài)的指標(biāo)進(jìn)行計(jì)算可有效對(duì)電-氣綜合能源系統(tǒng)的狀態(tài)進(jìn)行實(shí)時(shí)評(píng)估及預(yù)測(cè),提前制定控制策略,并提升系統(tǒng)數(shù)據(jù)利用率,滿足系統(tǒng)運(yùn)維人員實(shí)時(shí)掌握系統(tǒng)當(dāng)前運(yùn)行狀態(tài)的要求。

針對(duì)上述情況,本文構(gòu)造了面向綜合能源系統(tǒng)ATC計(jì)算的數(shù)據(jù)-模型驅(qū)動(dòng)融合模型,在提高計(jì)算速度的前提下最大程度地保留了模型的可解釋性。本文的主要?jiǎng)?chuàng)新點(diǎn)如下:

1)本文通過分析數(shù)字孿生在EGIES中的適用性,提出了一種在EGIES中以ATC計(jì)算為目標(biāo)的數(shù)字孿生理念應(yīng)用形式。該形式可以用于計(jì)算其他反映系統(tǒng)當(dāng)前運(yùn)行狀態(tài)指標(biāo)的實(shí)時(shí)值或預(yù)測(cè)值,為建立起以EGIES安全評(píng)估為目標(biāo)的評(píng)估體系奠定基礎(chǔ)。

2)本文提出了一種數(shù)據(jù)-機(jī)理融合模型的建立方法。在傳統(tǒng)ATC的機(jī)理計(jì)算邏輯基礎(chǔ)上,面向數(shù)字孿生理念,采用神經(jīng)網(wǎng)絡(luò)類的數(shù)據(jù)處理方法對(duì)ATC計(jì)算中的計(jì)算時(shí)間長(zhǎng)、迭代速度慢的環(huán)節(jié)進(jìn)行改進(jìn),以達(dá)到數(shù)字孿生理念的技術(shù)指標(biāo)要求。

3)本文構(gòu)造了用于綜合能源系統(tǒng)ATC計(jì)算的數(shù)字孿生理念中的虛擬模型。該模型以數(shù)據(jù)驅(qū)動(dòng)為技術(shù)核心,以歷史數(shù)據(jù)為預(yù)測(cè)基礎(chǔ),能夠快速精確地預(yù)測(cè)未來(lái)綜合能源系統(tǒng)的ATC變化。

1 數(shù)字孿生的基本原理及適用性分析

數(shù)字孿生源于NASA應(yīng)用在阿波羅計(jì)劃中的“孿生”技術(shù),后重新命名為數(shù)字孿生[20]。數(shù)字孿生的基本原理是從物理實(shí)體模型中采集數(shù)據(jù),并將其傳遞到在數(shù)字空間中建立的虛擬模型中去,物理實(shí)體模型和數(shù)字虛擬模型通過實(shí)時(shí)傳輸?shù)臄?shù)據(jù)同步運(yùn)行。研究人員可以從虛擬模型的運(yùn)行過程中獲取信息,并反向傳遞給物理實(shí)體模型,使其能夠預(yù)測(cè)物理實(shí)體運(yùn)行狀態(tài),進(jìn)而提高物理實(shí)體的抗干擾能力和擾動(dòng)后的恢復(fù)能力。

數(shù)字孿生最顯著的特點(diǎn)是物理實(shí)體模型和數(shù)字孿生體的同步運(yùn)轉(zhuǎn)。為了實(shí)現(xiàn)該目標(biāo),數(shù)字孿生技術(shù)應(yīng)具備準(zhǔn)確性和快速性。準(zhǔn)確性是指虛擬模型中的數(shù)據(jù)應(yīng)該和物理實(shí)體模型中的數(shù)據(jù)保持同步一致或者二者的誤差在很小的范圍內(nèi);快速性是指當(dāng)物理模型的運(yùn)行狀態(tài)發(fā)生改變時(shí),經(jīng)由數(shù)據(jù)鏈可使得虛擬模型同步發(fā)生相同的變化。采用數(shù)字孿生對(duì)EGIES進(jìn)行建模的過程如圖1所示,通過在EGIES上安裝的信息采集裝置,用通信裝置將采集到的諸如發(fā)電變化、負(fù)荷變化等數(shù)據(jù)傳輸進(jìn)虛擬模型以保持物理實(shí)體和數(shù)字模型的同步運(yùn)轉(zhuǎn)。同時(shí),數(shù)據(jù)融合和管理模塊可以利用從物理實(shí)體中采集的數(shù)據(jù),使用虛擬模型實(shí)現(xiàn)對(duì)物理實(shí)體進(jìn)行超實(shí)時(shí)仿真與預(yù)測(cè),甚至可以進(jìn)行一些在物理實(shí)體上無(wú)法進(jìn)行的破壞性試驗(yàn),獲得的實(shí)驗(yàn)結(jié)果將有助于制定故障識(shí)別、檢修預(yù)報(bào)和安全分析等方法策略。運(yùn)維人員可以首先在虛擬模型上驗(yàn)證上述方法策略,而后將其應(yīng)用于物理實(shí)體中。

EGIES對(duì)提高能源利用效率、促進(jìn)新能源消納、增強(qiáng)社會(huì)功能自愈能力具有重要意義,但多能源間的交互耦合使EGIES的安全運(yùn)行與控制問題更加復(fù)雜。數(shù)字孿生技術(shù)能夠通過對(duì)EGIES海量運(yùn)行數(shù)據(jù)的分析及挖掘,得出系統(tǒng)運(yùn)行特征,實(shí)現(xiàn)復(fù)雜的運(yùn)行場(chǎng)景的預(yù)測(cè)分析功能。數(shù)字孿生為研究EGIES安全分析和運(yùn)行控制提供了新思路。和通過數(shù)學(xué)模型對(duì)系統(tǒng)進(jìn)行描述的傳統(tǒng)方法不同,數(shù)字孿生模型的建立是基于對(duì)歷史運(yùn)行數(shù)據(jù)或者量測(cè)數(shù)據(jù)的學(xué)習(xí)挖掘。由于不再依賴復(fù)雜方程求解,數(shù)字孿生模型可以提供實(shí)時(shí)計(jì)算和預(yù)測(cè)等服務(wù),且具有較高的準(zhǔn)確性。

2 綜合能源數(shù)字孿生構(gòu)建中神經(jīng)網(wǎng)絡(luò)類方法的應(yīng)用

數(shù)字孿生理念下兩個(gè)最主要的技術(shù)指標(biāo)是快速性和準(zhǔn)確性,快速性要求數(shù)字孿生模型要對(duì)物理實(shí)體模型的變化快速響應(yīng),以達(dá)到同步運(yùn)行的目的,而準(zhǔn)確性要求由數(shù)字孿生模型所得出的結(jié)論或者量化的指標(biāo)要能準(zhǔn)確反映物理實(shí)體模型的狀態(tài)。為了實(shí)現(xiàn)數(shù)字孿生的理念,就需要對(duì)EGIES產(chǎn)出的數(shù)據(jù)進(jìn)行詳盡且快速的分析,以提取出需要的數(shù)據(jù)特征完成后續(xù)的數(shù)據(jù)模型計(jì)算[21],而由于EGIES數(shù)據(jù)具有維度高(即多量測(cè)點(diǎn)[11])的特性,只關(guān)注單一維度的傳統(tǒng)數(shù)據(jù)分析方法難以全方位挖掘EGIES數(shù)據(jù)中隱含的信息,因此神經(jīng)網(wǎng)絡(luò)類方法作為有力的高維數(shù)據(jù)分析工具,成為構(gòu)造數(shù)字孿生模型的主力工具。在諸多的神經(jīng)網(wǎng)絡(luò)類方法中,本文采用了自組織增量學(xué)習(xí)方法(self-organizing incremental neural network,SOINN)和卷積神經(jīng)網(wǎng)絡(luò)方法(convolutional neural networks, CNN)來(lái)實(shí)現(xiàn)綜合能源系統(tǒng)的ATC實(shí)時(shí)計(jì)算。SOINN可以以流處理的模式對(duì)輸入的數(shù)據(jù)進(jìn)行分析并得出結(jié)果,而ATC計(jì)算中的最大輸電能力計(jì)算環(huán)節(jié)采用的是最優(yōu)潮流算法,該方法計(jì)算用時(shí)長(zhǎng),難以滿足數(shù)字孿生的快速性指標(biāo),故本文采用SOINN這一技術(shù)對(duì)最大輸電能力計(jì)算環(huán)節(jié)進(jìn)行改進(jìn)。而對(duì)于現(xiàn)存輸電能力計(jì)算環(huán)節(jié),如若同樣用SOINN進(jìn)行改進(jìn)會(huì)對(duì)計(jì)算機(jī)計(jì)算能力和內(nèi)存造成不必要的壓力,故本文采用CNN來(lái)對(duì)現(xiàn)存輸電能力計(jì)算環(huán)節(jié)進(jìn)行改進(jìn),一是因?yàn)镃NN因其卷積核的存在可以完成處理海量數(shù)據(jù)并提取特征的任務(wù),二是在后續(xù)的實(shí)驗(yàn)中也證明了提取的特征可以用在后續(xù)的現(xiàn)存輸電能力計(jì)算中去,如發(fā)生計(jì)算精度降低的問題,重新提取特征的代價(jià)也是可以接受的。所以本文采用了SOINN和CNN作為構(gòu)造用于ATC計(jì)算的數(shù)字孿生模型的主力工具。

2.1 SOINN在數(shù)字孿生模型構(gòu)建中的應(yīng)用

數(shù)字孿生模型需能夠和實(shí)際模型同步運(yùn)行并基于數(shù)據(jù)實(shí)現(xiàn)對(duì)實(shí)際模型的預(yù)測(cè)。作為一種基于競(jìng)爭(zhēng)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型[22],SOINN的神經(jīng)元拓?fù)浞植际莿?dòng)態(tài)變化的,輸入數(shù)據(jù)的特征是以神經(jīng)元的分布情況來(lái)近似表達(dá)的,以此來(lái)達(dá)到對(duì)輸入數(shù)據(jù)的在線增量學(xué)習(xí)的目的。所以SOINN可以在線處理數(shù)據(jù)并實(shí)現(xiàn)對(duì)系統(tǒng)當(dāng)前狀態(tài)的即時(shí)計(jì)算與預(yù)測(cè),故系統(tǒng)狀態(tài)發(fā)生改變時(shí),SOINN仍可實(shí)時(shí)給出可信的結(jié)果。

SOINN中的神經(jīng)元連接方法和神經(jīng)元權(quán)重由輸入數(shù)據(jù)和先前建立的規(guī)則集確定。圖2所示為SOINN的結(jié)構(gòu)圖。

通常來(lái)說,SOINN神經(jīng)元的分布可以大致分為兩層。第一層基于輸入數(shù)據(jù)生成神經(jīng)元之間的原始連接,而后第二層基于第一層的計(jì)算結(jié)果來(lái)計(jì)算輸入數(shù)據(jù)的類間距離和類內(nèi)距離。通過輸入在第一層中生成的神經(jīng)元的原始連接以及在第二層中計(jì)算的類間距離和類內(nèi)距離再執(zhí)行一次自組織算法,該步驟旨在穩(wěn)定學(xué)習(xí)結(jié)果。當(dāng)新輸入的數(shù)據(jù)和先前輸入的數(shù)據(jù)顯著不同時(shí),SOINN會(huì)執(zhí)行類間節(jié)點(diǎn)的插入操作。為了自適應(yīng)地減少神經(jīng)元的量化誤差,SOINN會(huì)插入類內(nèi)節(jié)點(diǎn)以盡可能準(zhǔn)確地模擬原始數(shù)據(jù)的分布。SOINN的實(shí)現(xiàn)過程主要分為神經(jīng)元節(jié)點(diǎn)的分布、生成、拓?fù)浔硎炯叭ピ胨膫€(gè)步驟[23-24]。其算法步驟如下所示:

1)初始化數(shù)據(jù)庫(kù)A={L1,L2},其中L1、L2是隨機(jī)的2個(gè)輸入數(shù)據(jù);

2)初始化邊集合C?A×A為空集,即L1、L2之間沒有初始連接,激活數(shù)ML1=ML2=0、范圍閾值TL1=TL2=Dis(L1,L2)以及連接年齡age(L1,L2)=0;

3)輸入一個(gè)新的數(shù)據(jù)樣本ξ;

4)在初始化數(shù)據(jù)庫(kù)A中找出與ξ中最相似的2個(gè)基準(zhǔn)點(diǎn),第一基準(zhǔn)點(diǎn)S1和第二基準(zhǔn)點(diǎn)S2,其中S1=argminx∈A‖ξ-x‖,S2=argminx∈A(S1)‖ξ-x‖;

5)如果‖ξ-S1‖>TS1或者‖ξ-S2‖>TS2成立,就為ξ生成一個(gè)新的基準(zhǔn)點(diǎn)ξ,令A(yù)=A∪{ξ},跳轉(zhuǎn)至第3)步;

6)如果S1與S2間不存在連接,令C=C∪{(S1,S2)},即為2個(gè)最相似基準(zhǔn)點(diǎn)建立連接;令age(S1,S2)=0,即刷新邊{S1,S2}的年齡參數(shù);

7)age(S1,i)=age(S1,i)+1,?i∈Ni(所有與S1相連的邊的年齡增加1),Ni為節(jié)點(diǎn)i的相連節(jié)點(diǎn)集合;

8)MS1=MS2+1(S1的激活數(shù)MS1增加1);

9)S1=S1+ε(t)‖ξ-S1‖,S2=S2+ε′(t)‖ξ-S2‖(S1與S2向輸入樣本移動(dòng)),其中ε(t)=1/t,ε′(t)=1/100,ε(t)和ε′(t)分別為S1、S2向樣本移動(dòng)的幅度。

10)檢查所有連接(i,j)∈C的當(dāng)前年齡參數(shù)age(i,j),如果age(i,j)>agemax,就從C移除該連接,其中agemax是預(yù)先定義的參數(shù);

11)將S1、S2的范圍閾值TS1、TS2更新為與S1、S2相鄰基準(zhǔn)點(diǎn)的最大距離,TS1=argmin(xS1)∈C‖x-S1‖,TS2=argmin(xS2)∈C‖x-S2‖,并記錄下數(shù)據(jù)庫(kù)中樣本和范圍閾值之間的對(duì)應(yīng)關(guān)系;

12)在數(shù)據(jù)庫(kù)輸入完成之后,即經(jīng)歷了一個(gè)完整的學(xué)習(xí)周期。檢查整個(gè)SOINN進(jìn)行類內(nèi)、類間節(jié)點(diǎn)插入操作和去噪過程,以求得范圍閾值對(duì)輸出結(jié)果的影響,用于在線計(jì)算的過程中。如果樣本未停止輸入,則返回步驟3)。否則輸出更新后的集合A及相應(yīng)結(jié)果的激活數(shù)。

上述流程可將EGIES中不同傳感器采集到的反映系統(tǒng)當(dāng)前狀態(tài)的數(shù)據(jù)如發(fā)電機(jī)出力、節(jié)點(diǎn)氣源出力、節(jié)點(diǎn)電力負(fù)荷變化和天然氣負(fù)荷變化以及歷史數(shù)據(jù)中每一次計(jì)算ATC時(shí)所用的最大輸電能力數(shù)值變化作為初始已知量輸入網(wǎng)絡(luò)中進(jìn)行增量式學(xué)習(xí),并相應(yīng)得出最大輸電能力的即時(shí)演算結(jié)果。借此實(shí)現(xiàn)對(duì)實(shí)際系統(tǒng)生成數(shù)據(jù)的實(shí)時(shí)計(jì)算,繼而可對(duì)系統(tǒng)狀態(tài)進(jìn)行實(shí)時(shí)評(píng)估。計(jì)算流程中的年齡參數(shù)指的是數(shù)據(jù)在SOINN中的存在時(shí)間,當(dāng)存在時(shí)間超過一定的閾值,就需要對(duì)該數(shù)據(jù)進(jìn)行替換以保證計(jì)算結(jié)果的精度不會(huì)下降。

2.2 CNN在數(shù)字孿生模型構(gòu)建中的應(yīng)用

針對(duì)數(shù)字孿生計(jì)算的要求,SOINN可以實(shí)現(xiàn)大規(guī)模多變數(shù)據(jù)的在線處理,然而SOINN訓(xùn)練成本較高。對(duì)于系統(tǒng)數(shù)據(jù)特征較穩(wěn)定的現(xiàn)存輸電容量的計(jì)算環(huán)節(jié),可采用CNN對(duì)現(xiàn)存輸電容量的計(jì)算環(huán)節(jié)進(jìn)行改進(jìn),在數(shù)據(jù)特征滿足計(jì)算精度需求的基礎(chǔ)上降低訓(xùn)練成本。CNN是一種以卷積計(jì)算為原理的經(jīng)典前饋神經(jīng)網(wǎng)絡(luò),是由輸入層、卷積層、池化層、激勵(lì)層、全連接層和輸出層組成,其中卷積層和池化層一般會(huì)交替出現(xiàn)。由于具有多個(gè)獨(dú)立的神經(jīng)元,CNN適用于大規(guī)模數(shù)據(jù)學(xué)習(xí)問題,其結(jié)構(gòu)示意圖如圖3所示。

圖3 CNN結(jié)構(gòu)示意圖

在數(shù)字孿生模型構(gòu)建過程中,CNN的應(yīng)用過程分為離線訓(xùn)練和在線應(yīng)用兩個(gè)部分,具體應(yīng)用方法分為以下三步:

1)數(shù)據(jù)庫(kù)形成。從真實(shí)系統(tǒng)中采集負(fù)荷需求和發(fā)電機(jī)出力等海量數(shù)據(jù)以形成數(shù)據(jù)庫(kù)。這些數(shù)據(jù)易于獲取,且能夠反映系統(tǒng)的基本屬性,但由于真實(shí)系統(tǒng)往往要求安全穩(wěn)定運(yùn)行,只從真實(shí)系統(tǒng)中采集數(shù)據(jù)無(wú)法全面覆蓋系統(tǒng)可能的運(yùn)行狀態(tài),特別是難以覆蓋故障狀態(tài)或非正常狀態(tài),故可采用仿真計(jì)算產(chǎn)出的數(shù)據(jù)作為補(bǔ)充。

2)系統(tǒng)特征提取。通過CNN對(duì)采集得到的數(shù)據(jù)庫(kù)進(jìn)行學(xué)習(xí),對(duì)其中隱含的特征進(jìn)行提取并固定,根據(jù)不同指標(biāo)需求,提取出不同的系統(tǒng)特征。

3)特征在線應(yīng)用。使用CNN提取出的特征進(jìn)行在線應(yīng)用,該部分在數(shù)字孿生ATC計(jì)算過程中主要解決現(xiàn)存輸電容量的計(jì)算問題,根據(jù)預(yù)先提取好的特征,輸入當(dāng)前的系統(tǒng)狀態(tài)數(shù)值即可得到現(xiàn)存輸電容量的實(shí)時(shí)變化數(shù)據(jù)。

3 面向數(shù)字孿生綜合能源系統(tǒng)的ATC計(jì)算方法

3.1 ATC計(jì)算模型

隨著電鍋爐、熱電聯(lián)產(chǎn)機(jī)組和電轉(zhuǎn)氣設(shè)備等多能耦合元件的大規(guī)模使用,電力系統(tǒng)和其他異質(zhì)能源系統(tǒng)的耦合程度不斷加深,反映EGIES特征的高維數(shù)據(jù)類型更加豐富,而高維數(shù)據(jù)可以反映系統(tǒng)的多種狀態(tài)或者屬性,這使得EGIES運(yùn)行狀態(tài)的感知更加復(fù)雜。因此需要對(duì)現(xiàn)行的EGIES安全運(yùn)行評(píng)估方法進(jìn)行改進(jìn),以滿足未來(lái)能源市場(chǎng)交易的需求[25]。

本文將傳統(tǒng)的機(jī)理模型和數(shù)據(jù)驅(qū)動(dòng)環(huán)節(jié)進(jìn)行融合,在保留物理模型可解釋性的基礎(chǔ)上對(duì)模型運(yùn)行速度進(jìn)行加速,由此形成針對(duì)綜合能源系統(tǒng)的ATC計(jì)算的數(shù)字孿生模型。

ATC計(jì)算公式如下[26]：

PATC=PTTC-PTRM-(PETC+PCBM)

(1)

式中:PATC為考慮網(wǎng)絡(luò)中現(xiàn)存潮流分布前提下,輸電網(wǎng)絡(luò)中剩余的傳輸容量[27];PTTC為滿足系統(tǒng)靜態(tài)安全約束的前提下,送電區(qū)域和受電區(qū)域之間最大可交換的功率,即最大傳輸容量;PTRM為輸電可靠性裕度,是考慮系統(tǒng)中如新能源出力或者負(fù)荷變化的不確定性所帶來(lái)的影響;PETC為現(xiàn)存輸電協(xié)議容量,是輸電交易雙方合同中簽訂的輸電量,一般情況下和系統(tǒng)當(dāng)前潮流分布相同;PCBM為容量效益裕度,是為了補(bǔ)償因發(fā)電機(jī)意外停機(jī)所導(dǎo)致的發(fā)電區(qū)域向受電區(qū)域傳輸功率降低而預(yù)留的功率余量。其中,輸電可靠性裕度PTRM和容量效益裕度PCBM一般取最大傳輸容量PTTC的5%。

由公式(1)和上述分析可知,在ATC計(jì)算的過程中,可以進(jìn)行效率改進(jìn)的計(jì)算環(huán)節(jié)有:

1)基于最優(yōu)潮流的最大傳輸容量PTTC計(jì)算。

2)PETC的計(jì)算。

因此,本文將綜合能源系統(tǒng)的ATC計(jì)算改進(jìn)分為兩個(gè)部分,分別對(duì)最大傳輸容量PTTC的計(jì)算和現(xiàn)存輸電協(xié)議容量PETC的計(jì)算進(jìn)行改進(jìn)。

區(qū)域輸電示意圖如圖4所示。以圖4為例,區(qū)域A具有多種大容量發(fā)電機(jī)組,是發(fā)電區(qū)域;區(qū)域B則安裝了分布式發(fā)電機(jī)組,相對(duì)區(qū)域A,區(qū)域B是主要的用電區(qū)域。

大數(shù)據(jù)背景下互聯(lián)網(wǎng)金融面臨著諸多挑戰(zhàn)，目前亟待解決的問題就是信息失真、客戶信息保密和行業(yè)間信息溝通差等問題。信息失真嚴(yán)重影響風(fēng)險(xiǎn)控制和互聯(lián)網(wǎng)金融的產(chǎn)品設(shè)計(jì)及發(fā)展方向；對(duì)客戶信息進(jìn)行保密，不被不法分子利用仍然是一項(xiàng)難題；行業(yè)間信息孤島仍然存在，信息溝通和共享需要行業(yè)間制定可行和方案和政府的監(jiān)督實(shí)現(xiàn)。

圖4 區(qū)域輸電示意圖

在上述模型的前提下,若忽略掉系統(tǒng)的網(wǎng)絡(luò)損耗,就圖4所示系統(tǒng)而言,可以使用區(qū)域A內(nèi)所有發(fā)電節(jié)點(diǎn)有功出力和區(qū)域B內(nèi)所有負(fù)荷節(jié)點(diǎn)有功需求累加值最大化來(lái)確定EGIES最大輸電能力。目標(biāo)函數(shù)為:

(2)

式中:GA為區(qū)域A內(nèi)的發(fā)電節(jié)點(diǎn)集合;LB為區(qū)域B內(nèi)的負(fù)荷節(jié)點(diǎn)集合;pGk、pLl分別為發(fā)電節(jié)點(diǎn)和負(fù)荷節(jié)點(diǎn)的出力;k、l分別代表發(fā)電節(jié)點(diǎn)和負(fù)荷節(jié)點(diǎn)集合中的某一節(jié)點(diǎn)。

約束如下:

1)潮流約束:

(3)

(4)

式中:pGi、pLi分別為線路首端節(jié)點(diǎn)i的有功出力和有功損耗;Vi、Vj分別為線路首末端電壓幅值;Gij、Bij分別為該條線路的電導(dǎo)和電納;θij為該條線路的電壓相角。

2)節(jié)點(diǎn)電壓約束:

(5)

3)功率約束:

(6)

(7)

4)節(jié)點(diǎn)出力及負(fù)荷約束:

(8)

(9)

(10)

(11)

需要注意的是:式(3)—(11)中的i、j為系統(tǒng)中線路首末節(jié)點(diǎn)。若有兩個(gè)區(qū)域EGIES進(jìn)行電能交互,在確定反方向的輸電能力時(shí),由于客戶需求和兩個(gè)區(qū)域內(nèi)的輸發(fā)電設(shè)備、區(qū)域系統(tǒng)運(yùn)行狀態(tài)和關(guān)鍵設(shè)備停電條件、輸電線路發(fā)生故障的概率相同的機(jī)率極小,因此兩方向上的ATC數(shù)值并不相同,需分別進(jìn)行計(jì)算確定。由于采用本文模型對(duì)兩方向上的計(jì)算ATC數(shù)值的原理和過程相同,故本文只對(duì)發(fā)電區(qū)域向用電區(qū)域這一方向上的ATC計(jì)算結(jié)果進(jìn)行討論。

3.2 天然氣系統(tǒng)及燃?xì)廨啓C(jī)模型

考慮到天然氣系統(tǒng)的狀態(tài)變化會(huì)影響到電力系統(tǒng)潮流分布等情況,進(jìn)而影響ATC計(jì)算,因此本節(jié)對(duì)天然氣系統(tǒng)進(jìn)行建模。為了簡(jiǎn)化計(jì)算,本文忽略了天然氣系統(tǒng)壓縮機(jī)所帶來(lái)的影響。此時(shí)天然氣網(wǎng)絡(luò)模型如式(12)所示。

(12)

式中:fr表示管道中流經(jīng)的天然氣流量;Kr表示不同型號(hào)天然氣管道的管道系數(shù);pi和pj分別代表天然氣管道首末端壓力值大小;sij表示管道中天然氣的流向,當(dāng)pi>pj時(shí)取值為+1,否則取-1。

燃?xì)廨啓C(jī)可以作為連接天然氣網(wǎng)絡(luò)和電力網(wǎng)絡(luò)的轉(zhuǎn)化設(shè)備,其以消耗天然氣為代價(jià)來(lái)產(chǎn)出電能,故在天然氣系統(tǒng)中,燃?xì)廨啓C(jī)是負(fù)荷設(shè)備,而對(duì)于電力系統(tǒng)來(lái)說,燃?xì)廨啓C(jī)是作為電源存在的。燃?xì)廨啓C(jī)消耗的天然氣和產(chǎn)出的電功率之間的關(guān)系如式(13)—(14)所示。

(13)

Fload=fG/VGH

(14)

式中:fG為燃?xì)廨啓C(jī)的輸入熱量值;PG為燃?xì)廨啓C(jī)發(fā)出的電功率;aG、bG、cG為燃?xì)廨啓C(jī)的消耗系數(shù);Fload為天然氣系統(tǒng)安裝有燃?xì)廨啓C(jī)的等效負(fù)荷;VGH為天然氣的高熱值。

3.3 面向數(shù)字孿生綜合能源系統(tǒng)的ATC計(jì)算

3.3.1 改進(jìn)的PTTC計(jì)算方法

通過以式(2)為目標(biāo)函數(shù),式(3)—(11)為約束條件的最優(yōu)潮流模型計(jì)算電-氣綜合能源系統(tǒng)下的PTTC速度較慢,時(shí)效性較差,因此針對(duì)PTTC的計(jì)算環(huán)節(jié)進(jìn)行改進(jìn),其思路如圖5所示。圖5中的S1、S2是SOINN計(jì)算流程中的勝者基準(zhǔn)點(diǎn)位置和亞軍基準(zhǔn)點(diǎn)位置,可通過2.1節(jié)的流程進(jìn)行計(jì)算。

圖5 基于SOINN的最大可用輸電容量計(jì)算流程圖

將從系統(tǒng)中采集得到的如發(fā)電機(jī)出力變化、氣源出力變化、電和氣負(fù)荷變化形成的自變量數(shù)據(jù)庫(kù)和由歷史PTTC變化所形成的因變量數(shù)據(jù)庫(kù)作為SOINN的訓(xùn)練數(shù)據(jù)集。在訓(xùn)練數(shù)據(jù)集規(guī)模達(dá)到要求后,判定如繼續(xù)擴(kuò)大數(shù)據(jù)庫(kù)規(guī)模會(huì)發(fā)生過擬合現(xiàn)象則停止增大數(shù)據(jù)庫(kù),新采集的數(shù)據(jù)用來(lái)對(duì)數(shù)據(jù)庫(kù)進(jìn)行更新。

在將數(shù)據(jù)庫(kù)中的數(shù)據(jù)輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前,會(huì)先初始化網(wǎng)絡(luò)參數(shù),而后SOINN會(huì)根據(jù)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行參數(shù)修正,修正過程如2.1節(jié)所示。當(dāng)找到一組輸出結(jié)果誤差最小的年齡邊界參數(shù)后,SOINN會(huì)將該參數(shù)固定作為訓(xùn)練結(jié)果,并將其應(yīng)用到在線計(jì)算PTTC的過程中去。

當(dāng)SOINN中的參數(shù)根據(jù)歷史數(shù)據(jù)庫(kù)中的數(shù)據(jù)初步訓(xùn)練完畢后,再將和數(shù)據(jù)庫(kù)中相同數(shù)據(jù)類型的系統(tǒng)在線數(shù)據(jù)輸入到SOINN中,SOINN會(huì)根據(jù)輸入的系統(tǒng)在線數(shù)據(jù),進(jìn)行范圍閾值的計(jì)算,以此為指標(biāo),查找輸入SOINN的歷史數(shù)據(jù)庫(kù)中的PTTC值。并根據(jù)范圍閾值偏差量,對(duì)最終結(jié)果進(jìn)行修正,盡可能縮小最終得出PTTC的誤差。需要注意的是:在線計(jì)算的過程中,SOINN會(huì)根據(jù)每一次在線數(shù)據(jù)的輸入對(duì)S1、S2進(jìn)行調(diào)整,以得到最精確的PTTC結(jié)果。

3.3.2 改進(jìn)的PETC計(jì)算方法

在發(fā)展完備的綜合能源數(shù)字孿生系統(tǒng)中,系統(tǒng)的基礎(chǔ)狀態(tài)量,諸如節(jié)點(diǎn)負(fù)荷、發(fā)電機(jī)出力和節(jié)點(diǎn)電壓都應(yīng)可以實(shí)時(shí)采集和傳輸。在未來(lái)的數(shù)字孿生系統(tǒng)中,潮流計(jì)算將會(huì)成為簡(jiǎn)單的代數(shù)計(jì)算,PETC的計(jì)算速度可以滿足實(shí)時(shí)計(jì)算的要求。但是由于目前的工程實(shí)際暫時(shí)無(wú)法實(shí)現(xiàn)所有狀態(tài)量的實(shí)時(shí)采集與處理,故仍需對(duì)現(xiàn)有的PETC計(jì)算方法進(jìn)行改進(jìn),以達(dá)到實(shí)時(shí)計(jì)算的要求。

計(jì)算電-氣綜合能源系統(tǒng)下的PETC,可看作在計(jì)及天然氣系統(tǒng)約束的條件下,以電力系統(tǒng)的發(fā)電出力、節(jié)點(diǎn)負(fù)荷和線路參數(shù)為已知量,求解電力系統(tǒng)的潮流分布問題。牛頓-拉夫遜方法計(jì)算PETC的速度雖能滿足大多數(shù)情況下的計(jì)算時(shí)效性需求,但是為了匹配PTTC的計(jì)算速度,避免出現(xiàn)因計(jì)算速度差異過大而出現(xiàn)遲滯現(xiàn)象,有必要對(duì)PETC的計(jì)算進(jìn)行改進(jìn)。針對(duì)該環(huán)節(jié)的改進(jìn)思路如下。

根據(jù)電力系統(tǒng)中各節(jié)點(diǎn)已知量的不同,將節(jié)點(diǎn)進(jìn)行分類:以下標(biāo)1、2、3分別代表系統(tǒng)中的平衡節(jié)點(diǎn)、PQ節(jié)點(diǎn)和PV節(jié)點(diǎn),如式(15)所示。

(15)

式中:P、V、Q、θ分別代表電力系統(tǒng)中的有功功率、節(jié)點(diǎn)電壓幅值、無(wú)功功率和節(jié)點(diǎn)電壓相角,其右上角的t表示時(shí)間?；陂L(zhǎng)時(shí)間對(duì)系統(tǒng)運(yùn)行狀態(tài)中的信息記錄,利用卷積神經(jīng)網(wǎng)絡(luò)將由已知量求解未知量的迭代過程進(jìn)行改進(jìn)簡(jiǎn)化為一次函數(shù)Y=KX+B的形式,如式(16)所示。關(guān)系矩陣K和修正矩陣B可使用CNN對(duì)歷史數(shù)據(jù)進(jìn)行特征提取而獲得。

(16)

式中:K11—K65為提取出關(guān)系矩陣K中的元素;B1—B6為修正矩陣B中的元素。

以θ2、θ3、P1、V1、V2、V3為未知量,P2、P3、Q1、Q2、Q3為已知量的情況為例,按照節(jié)點(diǎn)種類進(jìn)行變量分類,有:

(17)

式中:xα、xβ、yα、yβ是根據(jù)節(jié)點(diǎn)種類不同,重新分類后的變量所組成的矩陣符號(hào)。

進(jìn)而,將式(17)代入式(16)中后,式(15)可被改寫為:

(18)

(19)

至此,本文利用神經(jīng)網(wǎng)絡(luò)類方法,從數(shù)據(jù)層面上對(duì)PTTC和PETC的計(jì)算流程進(jìn)行了改進(jìn),使二者的計(jì)算流程從之前的以模型為核心轉(zhuǎn)變?yōu)橐詳?shù)據(jù)為核心。從全模型的構(gòu)造角度上來(lái)看,本文的融合模型以數(shù)據(jù)模型來(lái)計(jì)算ATC的各個(gè)環(huán)節(jié)數(shù)值,以機(jī)理模型來(lái)對(duì)最終的ATC結(jié)果進(jìn)行把控,僅由網(wǎng)絡(luò)中各節(jié)點(diǎn)的已知量便可求得節(jié)點(diǎn)未知量和網(wǎng)絡(luò)基態(tài)下的潮流分布,提升了數(shù)據(jù)資源利用率和模型整合程度,縮短了計(jì)算時(shí)間。

3.4 離散程度衡量指標(biāo)

EGIES數(shù)據(jù)離散程度會(huì)在很大程度上決定本文所構(gòu)建模型的誤差大小,故有必要在模型正式運(yùn)行之前對(duì)模型所用的系統(tǒng)數(shù)據(jù)離散程度進(jìn)行計(jì)算。本文為衡量數(shù)據(jù)庫(kù)中數(shù)據(jù)的離散程度所選取的指標(biāo)為標(biāo)準(zhǔn)差,其計(jì)算公式如式(20)所示。在一般情況下,當(dāng)數(shù)據(jù)庫(kù)中保存的系統(tǒng)數(shù)據(jù)標(biāo)準(zhǔn)差指數(shù)小于5時(shí),表明本文構(gòu)建模型可用于該系統(tǒng)ATC的計(jì)算;當(dāng)標(biāo)準(zhǔn)差指數(shù)小于0.5時(shí),表明本文模型可精確描繪系統(tǒng)ATC的變化趨勢(shì)。

(20)

當(dāng)數(shù)據(jù)庫(kù)中的數(shù)據(jù)類型不唯一時(shí),可以分別對(duì)不同類型數(shù)據(jù)的標(biāo)準(zhǔn)差進(jìn)行計(jì)算,而后求取平均值。以該標(biāo)準(zhǔn)差平均值作為最終的數(shù)據(jù)標(biāo)準(zhǔn)差指數(shù)。通過這種方式可以達(dá)到整合數(shù)據(jù)資源的目的,并可以使標(biāo)準(zhǔn)差指數(shù)更加直觀地反映其和誤差之間的關(guān)系。

3.5 面向數(shù)字孿生綜合能源系統(tǒng)的ATC計(jì)算步驟

通過對(duì)PETC和PTTC的計(jì)算環(huán)節(jié)進(jìn)行改進(jìn),可以降低模型運(yùn)行時(shí)間成本并提高系統(tǒng)響應(yīng)速度。為了進(jìn)一步實(shí)現(xiàn)對(duì)系統(tǒng)ATC的超實(shí)時(shí)計(jì)算和預(yù)測(cè),本文建立了針對(duì)綜合能源系統(tǒng)的ATC計(jì)算數(shù)字孿生模型。全模型的運(yùn)行環(huán)節(jié)如圖6所示。

該可用輸電能力計(jì)算模型一次完整的信息流通途徑為:依據(jù)EGIES的歷史數(shù)據(jù),對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行篩選并傳輸?shù)綌?shù)字孿生系統(tǒng)中,數(shù)字孿生系統(tǒng)中的數(shù)據(jù)驅(qū)動(dòng)模型和機(jī)理-數(shù)據(jù)融合模型根據(jù)歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)和分析,提取出歷史數(shù)據(jù)中的數(shù)據(jù)特征用于接下來(lái)的在線ATC計(jì)算中,最后根據(jù)ATC計(jì)算結(jié)果對(duì)系統(tǒng)運(yùn)行狀態(tài)進(jìn)行評(píng)估,以判斷當(dāng)前系統(tǒng)ATC變化的可能原因,并給維修人員排障給出參考。

針對(duì)綜合能源系統(tǒng)ATC計(jì)算的數(shù)字孿生系統(tǒng)從形成、構(gòu)造和投用可分為以下四步:

首先,針對(duì)實(shí)際系統(tǒng)建立起自變量數(shù)據(jù)庫(kù)和因變量數(shù)據(jù)庫(kù)兩個(gè)數(shù)據(jù)庫(kù)。利用安裝在EGIES中關(guān)鍵節(jié)點(diǎn)上的傳感器搜集系統(tǒng)的狀態(tài)量,例如電力系統(tǒng)中的各個(gè)節(jié)點(diǎn)的負(fù)荷、發(fā)電機(jī)出力、分布式能源的出力曲線,天然氣系統(tǒng)中的節(jié)點(diǎn)的天然氣負(fù)荷、節(jié)點(diǎn)氣壓和氣源出力等。經(jīng)過計(jì)算機(jī)以拉依達(dá)準(zhǔn)則[28]篩選掉其中的壞數(shù)據(jù)后,將其傳送到自變量數(shù)據(jù)庫(kù)。同時(shí),由計(jì)算機(jī)記錄下的歷史PTTC變化以及系統(tǒng)歷史潮流分布變化形成因變量數(shù)據(jù)庫(kù),二者合稱為自更新數(shù)據(jù)庫(kù)。此時(shí),自變量數(shù)據(jù)庫(kù)和因變量數(shù)據(jù)庫(kù)的規(guī)模應(yīng)該滿足提取特征的最小數(shù)據(jù)量需求。

然后,基于流處理的原理,利用SOINN對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行特征提取;基于歷史數(shù)據(jù)利用CNN提取出用于PETC計(jì)算的特征值,從而改進(jìn)機(jī)理模型中的PTTC和PETC的計(jì)算環(huán)節(jié),以達(dá)到犧牲少量計(jì)算精度,縮短大量計(jì)算時(shí)間的目的。

再次,由機(jī)理模型和數(shù)據(jù)模型組成的融合模型公式(15)—(18)通過CNN對(duì)可用輸電能力計(jì)算中的PETC值進(jìn)行計(jì)算,由數(shù)據(jù)驅(qū)動(dòng)模型通過SOINN對(duì)最大輸電能力PTTC進(jìn)行計(jì)算。由于PTTC的求解過程是尋找在多約束條件下求最優(yōu)解,PETC的求解過程是求解非線性方程組,以上兩個(gè)求解過程形成數(shù)據(jù)庫(kù)的速度和通過兩種神經(jīng)網(wǎng)絡(luò)得出結(jié)果的速度均存在差異,故采用融合模型和數(shù)據(jù)驅(qū)動(dòng)模型分開計(jì)算而后整合的方法以滿足不同系統(tǒng)安全性指標(biāo)計(jì)算速度和精度的要求。

數(shù)字孿生體中數(shù)據(jù)-機(jī)理融合模型的建立是為了分別對(duì)EGIES中呈現(xiàn)不同特性的部分進(jìn)行計(jì)算[29]。作為一個(gè)時(shí)變的龐雜系統(tǒng),EGIES的能流分布、節(jié)點(diǎn)壓力和節(jié)點(diǎn)負(fù)荷等反映系統(tǒng)當(dāng)前狀態(tài)的變量雖然隨著時(shí)間的推移而不斷變化,但上述類型的變量與節(jié)點(diǎn)上安裝設(shè)備參數(shù)以及連接各個(gè)節(jié)點(diǎn)的線路參數(shù)直接相關(guān),在系統(tǒng)整體未發(fā)生事故解列的前提下,利用海量歷史離線數(shù)據(jù)所訓(xùn)練得出的結(jié)果可以面對(duì)未來(lái)的變化[30],因此使用CNN等離線方法和機(jī)理模型結(jié)合之后的融合模型可以滿足在線計(jì)算綜合能源系統(tǒng)的ATC要求。而諸如系統(tǒng)安全性指標(biāo)等需要在基礎(chǔ)變量之上進(jìn)行進(jìn)一步計(jì)算的系統(tǒng)量主要與系統(tǒng)時(shí)變量有關(guān)。為了對(duì)其進(jìn)行實(shí)時(shí)計(jì)算,此時(shí)便需要采用以流計(jì)算為原理的實(shí)時(shí)計(jì)算方法如SOINN,或是計(jì)算速率足夠快的數(shù)據(jù)驅(qū)動(dòng)方法來(lái)滿足實(shí)時(shí)性的要求。

最后,由融合模型和數(shù)據(jù)驅(qū)動(dòng)模型所構(gòu)成的全數(shù)字孿生模型將根據(jù)最新一次更新的自變量數(shù)據(jù)庫(kù)將最新的計(jì)算結(jié)果輸出,并進(jìn)行可視化[31];同時(shí)由系統(tǒng)運(yùn)維人員根據(jù)計(jì)算結(jié)果對(duì)模型進(jìn)行修正和維護(hù)以在長(zhǎng)時(shí)間尺度上抑制系統(tǒng)運(yùn)行所導(dǎo)致的熵增效用,提高數(shù)字孿生系統(tǒng)的運(yùn)行可靠性,進(jìn)而對(duì)實(shí)際系統(tǒng)的運(yùn)行進(jìn)行及時(shí)指導(dǎo)和維護(hù)。

需要指出的是:本文的數(shù)字孿生并不等同于數(shù)據(jù)-機(jī)理融合模型。數(shù)據(jù)-機(jī)理融合模型的構(gòu)建是為了滿足數(shù)字孿生理念提出的準(zhǔn)確性和快速性的技術(shù)指標(biāo)要求,數(shù)字孿生是一種模型構(gòu)建理念而不是一種具體的模型構(gòu)造方法。當(dāng)面對(duì)不同的系統(tǒng)構(gòu)建用于不同狀態(tài)指標(biāo)計(jì)算的滿足數(shù)字孿生理念要求的模型時(shí),使用的具體技術(shù)和模型的具體構(gòu)造均不相同,如文獻(xiàn)[32]使用了基于長(zhǎng)短期記憶深度網(wǎng)絡(luò)構(gòu)建園區(qū)綜合能源系統(tǒng)外部互動(dòng)環(huán)境等值模型,文獻(xiàn)[33]、[34]分別使用最小體積封閉橢球方法和極端場(chǎng)景橢球集方法對(duì)風(fēng)光出力的不確定性進(jìn)行建模。

4 算例分析

為了驗(yàn)證本文所建立的可用輸電能力計(jì)算模型及將數(shù)據(jù)驅(qū)動(dòng)和模型驅(qū)動(dòng)融合的模型構(gòu)造方法的有效性,本文采用IEEE30-NGS10電氣綜合能源系統(tǒng)進(jìn)行仿真計(jì)算。系統(tǒng)共有6臺(tái)發(fā)電機(jī)、41條線路,耦合元件為2臺(tái)燃?xì)廨啓C(jī),耦合節(jié)點(diǎn)分別為電力系統(tǒng)的2號(hào)節(jié)點(diǎn)和8號(hào)節(jié)點(diǎn)。系統(tǒng)網(wǎng)絡(luò)的接線形式如圖7所示,圖中虛線標(biāo)注系統(tǒng)劃分的兩個(gè)區(qū)域,左側(cè)為發(fā)電區(qū)域,右側(cè)為受電區(qū)域。根據(jù)系統(tǒng)誤差下降程度和數(shù)據(jù)過擬合程度,將自更新數(shù)據(jù)庫(kù)的容量設(shè)為1萬(wàn)組數(shù)據(jù),如果系統(tǒng)判斷有因數(shù)據(jù)量不足而導(dǎo)致的誤差變大現(xiàn)象,則會(huì)將數(shù)據(jù)庫(kù)規(guī)模繼續(xù)擴(kuò)大。設(shè)置系統(tǒng)采集數(shù)據(jù)頻率為每1 min一次,自變量數(shù)據(jù)庫(kù)中儲(chǔ)存的數(shù)據(jù)類型為各節(jié)點(diǎn)發(fā)電機(jī)出力變化、氣源出力變化和各節(jié)點(diǎn)電、氣負(fù)荷需求量變化;因變量數(shù)據(jù)庫(kù)為對(duì)應(yīng)的歷史PTTC變化以及系統(tǒng)潮流分布變化。以此數(shù)據(jù)為訓(xùn)練集進(jìn)行訓(xùn)練,并將訓(xùn)練結(jié)果用于未來(lái)一天24 h內(nèi)的系統(tǒng)ATC計(jì)算。

圖7 IEEE30-NGS10節(jié)點(diǎn)系統(tǒng)示意圖

在仿真計(jì)算時(shí),分別設(shè)計(jì)了系統(tǒng)正常運(yùn)行和發(fā)生故障后運(yùn)行2種情況,用以驗(yàn)證本文方法的適用性。具體場(chǎng)景設(shè)置如下:

場(chǎng)景AN:未考慮天然氣系統(tǒng)耦合時(shí),單電力系統(tǒng)正常運(yùn)行。

場(chǎng)景AF:未考慮天然氣系統(tǒng)耦合時(shí),單電力系統(tǒng)發(fā)生N-1故障。

場(chǎng)景BN:考慮天然氣系統(tǒng)耦合時(shí),電-氣綜合能源系統(tǒng)正常運(yùn)行。

場(chǎng)景BF:考慮天然氣系統(tǒng)耦合時(shí),電-氣綜合能源系統(tǒng)發(fā)生N-1故障。

4.1 IEEE30-NGS10節(jié)點(diǎn)系統(tǒng)算例分析

4.1.1 準(zhǔn)確性分析

在四個(gè)場(chǎng)景下的最終結(jié)果對(duì)比中,以最優(yōu)潮流計(jì)算方法所得可用輸電能力結(jié)果作為經(jīng)典法,與本文所提方法得出結(jié)果進(jìn)行對(duì)照。在對(duì)電力系統(tǒng)發(fā)生多種N-1斷線故障情況下的ATC計(jì)算結(jié)果相對(duì)誤差百分比進(jìn)行對(duì)比之后,本文選擇了相對(duì)誤差百分比最大的一種N-1斷線故障進(jìn)行深入分析,即電力系統(tǒng)節(jié)點(diǎn)7至節(jié)點(diǎn)6之間的聯(lián)絡(luò)線發(fā)生斷線故障。其余情況下的本文模型計(jì)算結(jié)果相對(duì)誤差百分比更小。

圖8為場(chǎng)景AN采用CNN方法計(jì)算未來(lái)24 h內(nèi)的PETC的計(jì)算結(jié)果,此時(shí)計(jì)算相對(duì)誤差百分比最大值為0.079 8%,說明在計(jì)算PETC時(shí)采用離線訓(xùn)練模型,并將訓(xùn)練結(jié)果投入到在線計(jì)算的方式能夠滿足ATC整體的計(jì)算需求,且只需要離線訓(xùn)練后提取出相應(yīng)的特征,即可進(jìn)行未來(lái)一段時(shí)間內(nèi)的PETC計(jì)算,計(jì)算成本小,計(jì)算速度快。

圖8 場(chǎng)景AN下ETC計(jì)算結(jié)果比較及誤差值曲線

圖9為場(chǎng)景AN采用SOINN方法計(jì)算未來(lái)24 h內(nèi)的PTTC的計(jì)算結(jié)果,圖中結(jié)果顯示在預(yù)測(cè)過程中,所得結(jié)果的相對(duì)誤差百分比的最大值為0.174 2%。說明在系統(tǒng)數(shù)據(jù)發(fā)生變化時(shí),基于SOINN方法對(duì)ATC計(jì)算過程中的PTTC值進(jìn)行在線計(jì)算是可行的,所得結(jié)果在具有高精度的同時(shí)也達(dá)到了對(duì)系統(tǒng)狀態(tài)進(jìn)行預(yù)測(cè)的目的。

圖9 場(chǎng)景AN下TTC計(jì)算結(jié)果比較及誤差值曲線

圖10為場(chǎng)景AN未來(lái)24 h內(nèi)ATC計(jì)算結(jié)果及其計(jì)算誤差的變化趨勢(shì),此時(shí)計(jì)算誤差的相對(duì)百分比最大值為0.176 6%。說明本文所提出的方法能夠很好地應(yīng)對(duì)未來(lái)系統(tǒng)數(shù)據(jù)更新所帶來(lái)的變化,在電力系統(tǒng)中由傳感器直接采集得到的數(shù)據(jù)如節(jié)點(diǎn)出力和節(jié)點(diǎn)負(fù)荷發(fā)生變化時(shí),本文方法能夠快速給出可信的ATC結(jié)果預(yù)測(cè)。

圖10 場(chǎng)景AN下ATC計(jì)算結(jié)果比較及誤差值曲線

采用SOINN和CNN分別對(duì)PTTC和PETC進(jìn)行改進(jìn)前后的用時(shí)對(duì)比如表1所示,在場(chǎng)景BN中,PTTC改進(jìn)后的計(jì)算用時(shí)為0.782 s。同時(shí),PETC改進(jìn)后的計(jì)算用時(shí)為0.06 s,成功避免了遲滯現(xiàn)象。

表1 PTTC和PETC改進(jìn)前后耗時(shí)對(duì)比

系統(tǒng)在場(chǎng)景AF下的ATC計(jì)算結(jié)果如圖11所示。AF場(chǎng)景下的故障發(fā)生在09:00。人工排障時(shí)間為6 h,故圖11中的ATC數(shù)值在15:00才恢復(fù)到正常水平。在場(chǎng)景AF下本文構(gòu)建模型所得結(jié)果的相對(duì)誤差百分比低于0.16%,滿足精度要求。上述結(jié)果說明本文的計(jì)算方法可以很好地應(yīng)對(duì)系統(tǒng)中突如其來(lái)的故障所帶來(lái)的ATC變化,運(yùn)維人員可以根據(jù)計(jì)算結(jié)果及時(shí)對(duì)系統(tǒng)進(jìn)行調(diào)控,以達(dá)到維護(hù)系統(tǒng)安全穩(wěn)定運(yùn)行的目的。

圖11 場(chǎng)景AF下ATC計(jì)算結(jié)果比較及誤差值曲線

在場(chǎng)景BN及場(chǎng)景BF兩種情況下的ATC計(jì)算結(jié)果如圖12、13所示。場(chǎng)景BF中發(fā)生故障的時(shí)間與人工維修隊(duì)排障所用時(shí)間與場(chǎng)景AF中一致。天然氣系統(tǒng)的狀態(tài)變化會(huì)使綜合能源系統(tǒng)的ATC數(shù)據(jù)產(chǎn)生波動(dòng),如圖12所示,場(chǎng)景BN下,天然氣的耦合使得約束系統(tǒng)運(yùn)行的條件增加,計(jì)算所得的ATC結(jié)果相對(duì)誤差百分比大幅下降,該場(chǎng)景下相對(duì)誤差百分比最大值為1.38×10-3%。如圖13所示,在場(chǎng)景BF中,相對(duì)誤差百分比的最大值為1.45%,然而依舊滿足小于1.5%的要求。因此從最終計(jì)算結(jié)果上來(lái)看,本文所提出的方法依舊能滿足電力市場(chǎng)交易和維持系統(tǒng)安全穩(wěn)定運(yùn)行要求。1.5%作為可以接受的相對(duì)誤差百分比最大值,是由神經(jīng)網(wǎng)絡(luò)方法的特性決定的。經(jīng)由神經(jīng)網(wǎng)絡(luò)得出的結(jié)果,其相對(duì)誤差百分比通常小于1.5%。如果出現(xiàn)相對(duì)誤差百分比大于1.5%,就需要對(duì)采取的神經(jīng)網(wǎng)絡(luò)方法進(jìn)行替換。

圖12 場(chǎng)景BN下ATC計(jì)算結(jié)果比較及誤差值曲線

圖13 場(chǎng)景BF下ATC計(jì)算結(jié)果比較及誤差值曲線

圖14、15對(duì)四種場(chǎng)景ATC計(jì)算結(jié)果的相對(duì)誤差百分比按照是否接入了天然氣系統(tǒng)分別進(jìn)行了對(duì)比。結(jié)果說明:場(chǎng)景AN中ATC計(jì)算結(jié)果的相對(duì)誤差百分比較場(chǎng)景AF中要高,而場(chǎng)景BN的ATC計(jì)算結(jié)果的相對(duì)誤差百分比卻比場(chǎng)景BF中更低。這是因?yàn)閷?duì)于采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)原理來(lái)構(gòu)建的數(shù)字孿生系統(tǒng),在神經(jīng)元參數(shù)不發(fā)生變化的情況下,影響誤差值大小的主要是數(shù)據(jù)類型的離散程度,場(chǎng)景AF中的數(shù)據(jù)標(biāo)準(zhǔn)差指數(shù)較小,同時(shí)場(chǎng)景BN中的數(shù)據(jù)標(biāo)準(zhǔn)差指數(shù)相對(duì)較大。此外,在進(jìn)行算例部分的仿真時(shí),系統(tǒng)后臺(tái)未記錄到有自行擴(kuò)大數(shù)據(jù)庫(kù)的行為,所有的測(cè)試結(jié)果都是在1萬(wàn)組基礎(chǔ)數(shù)據(jù)規(guī)模下得出的。

圖15 場(chǎng)景BN及場(chǎng)景BF兩種情況下的誤差對(duì)比

為衡量不同場(chǎng)景不同情況下的數(shù)據(jù)離散程度,本文采用標(biāo)準(zhǔn)差指數(shù)作為衡量數(shù)據(jù)離散程度的指標(biāo)。表2為四種場(chǎng)景下所得到數(shù)據(jù)庫(kù)中不同類型的數(shù)據(jù)離散程度計(jì)算結(jié)果,并給出了相應(yīng)場(chǎng)景下的最終數(shù)據(jù)標(biāo)準(zhǔn)差指數(shù)。表2中的結(jié)果說明,不同場(chǎng)景下的最大相對(duì)誤差百分比和系統(tǒng)在該場(chǎng)景下所采集數(shù)據(jù)的標(biāo)準(zhǔn)差指數(shù)平均值有關(guān)。以場(chǎng)景BF為例,數(shù)據(jù)庫(kù)中保存的系統(tǒng)出力與負(fù)荷數(shù)值的標(biāo)準(zhǔn)差指數(shù)較大,最終計(jì)算出的ATC值的相對(duì)誤差百分比也較大。

表2 四種場(chǎng)景下數(shù)據(jù)離散程度對(duì)比

4.1.2 模型計(jì)算時(shí)效性分析

時(shí)效性是考察數(shù)字孿生系統(tǒng)性能的重要技術(shù)指標(biāo)之一,所以面向數(shù)字孿生理念構(gòu)造的模型應(yīng)具有耗時(shí)短的優(yōu)點(diǎn)。表3給出了本文面向數(shù)字孿生理念所構(gòu)造的模型在四種場(chǎng)景下的耗時(shí),以對(duì)應(yīng)場(chǎng)景下最優(yōu)潮流法計(jì)算得出結(jié)果的耗時(shí)作為對(duì)照。表3中的結(jié)果說明:針對(duì)IEEE30-NGS10測(cè)試系統(tǒng),采用本文模型得出四種場(chǎng)景下的ATC計(jì)算結(jié)果耗時(shí)均未超過2 s,和對(duì)應(yīng)場(chǎng)景下的最優(yōu)潮流算法得出結(jié)果所用時(shí)間相比縮短耗時(shí)均在50%以上。

表3 四種場(chǎng)景下ATC計(jì)算耗時(shí)對(duì)比

4.2 天然氣系統(tǒng)發(fā)生斷線故障對(duì)ATC結(jié)果的影響分析

為評(píng)估天然氣系統(tǒng)斷線故障對(duì)結(jié)果的影響,本文設(shè)定在上午08:00天然氣系統(tǒng)節(jié)點(diǎn)3至節(jié)點(diǎn)4之間的管道發(fā)生斷線故障,導(dǎo)致電力系統(tǒng)中2號(hào)節(jié)點(diǎn)燃?xì)廨啓C(jī)出力下降。而節(jié)點(diǎn)2的燃?xì)廨啓C(jī)位于發(fā)電區(qū)域,是主要的電能來(lái)源之一,其出力下降會(huì)導(dǎo)致如圖7所示斷面下的ATC數(shù)值降低。故障設(shè)置為從09:00開始,持續(xù)到下午15:00,而由于天然氣系統(tǒng)恢復(fù)正常運(yùn)行的時(shí)間比電力系統(tǒng)更長(zhǎng),所以在16:00后ATC才完全恢復(fù)到正常水平。在天然氣系統(tǒng)發(fā)生斷線故障時(shí)的ATC計(jì)算結(jié)果如圖16所示。經(jīng)過本文模型計(jì)算后所得結(jié)果的相對(duì)誤差百分比小于0.32%,滿足系統(tǒng)運(yùn)行要求。

圖16 天然氣系統(tǒng)發(fā)生斷線時(shí)ATC計(jì)算結(jié)果比較

4.3 模型參數(shù)對(duì)計(jì)算結(jié)果影響分析

為了橫向?qū)Ρ饶Ｐ蛥?shù)的差異對(duì)最終結(jié)果的影響,本文進(jìn)行了多次仿真實(shí)驗(yàn)以分析神經(jīng)網(wǎng)絡(luò)法中神經(jīng)元個(gè)數(shù)在場(chǎng)景BN下對(duì)最終結(jié)果的影響。表4列出了不同神經(jīng)元個(gè)數(shù)下本文模型所得結(jié)果與最優(yōu)潮流算法所得結(jié)果相比的平均準(zhǔn)確度和縮短時(shí)間百分比。最優(yōu)潮流法在場(chǎng)景BN下的耗時(shí)如表3所示,為2.292 s。表4的結(jié)果說明:神經(jīng)元個(gè)數(shù)的增加會(huì)在一定程度上提升平均準(zhǔn)確度并縮短計(jì)算耗時(shí),但是當(dāng)神經(jīng)元個(gè)數(shù)增加到一定程度之后,平均準(zhǔn)確度的提升幅度和計(jì)算耗時(shí)的減小程度將不再明顯。根據(jù)表4中的結(jié)果,本文模型所采用的神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)定為110個(gè)。表4中的縮短時(shí)間百分比相比表3中的結(jié)果更高,是因?yàn)楸?中所列結(jié)果的目的是說明神經(jīng)元數(shù)量對(duì)ATC計(jì)算時(shí)間和平均準(zhǔn)確度的影響,所以是在數(shù)據(jù)庫(kù)中的數(shù)據(jù)固定之后進(jìn)行實(shí)驗(yàn)的。需要注意的是:在不同的系統(tǒng)中應(yīng)用神經(jīng)網(wǎng)絡(luò)類方法所構(gòu)筑的數(shù)字孿生模型時(shí),因系統(tǒng)的運(yùn)行數(shù)據(jù)特征不同,故達(dá)到最好效果的神經(jīng)元個(gè)數(shù)也不同,神經(jīng)元個(gè)數(shù)需要結(jié)合具體系統(tǒng)的情況來(lái)調(diào)整。

表4 不同神經(jīng)元個(gè)數(shù)下ATC計(jì)算時(shí)間及誤差比較

5 結(jié) 論

本文構(gòu)造了針對(duì)EGIES可用輸電能力計(jì)算的數(shù)字孿生模型,并分別驗(yàn)證了EGIES在正常運(yùn)行情況下和發(fā)生N-1故障情況下的系統(tǒng)可用輸電能力變化情況。通過理論分析和實(shí)際仿真驗(yàn)證,得出的主要結(jié)論如下:

1)利用數(shù)字孿生理論對(duì)電-氣綜合能源系統(tǒng)ATC進(jìn)行計(jì)算時(shí),所得結(jié)果的相對(duì)誤差百分比維持在1.5%以下,說明本文模型所得結(jié)果具有較高的精度。但在數(shù)據(jù)庫(kù)中數(shù)據(jù)離散程度較大時(shí),相對(duì)誤差百分比會(huì)有小幅度上升。算例測(cè)試結(jié)果顯示:當(dāng)數(shù)據(jù)樣本標(biāo)準(zhǔn)差指數(shù)小于0.4時(shí),本文模型可精確預(yù)測(cè)綜合能源系統(tǒng)ATC變化;當(dāng)數(shù)據(jù)樣本標(biāo)準(zhǔn)差指數(shù)小于5時(shí),本文模型可用于綜合能源系統(tǒng)ATC計(jì)算。

2)多個(gè)場(chǎng)景的ATC計(jì)算耗時(shí)的對(duì)比說明數(shù)字孿生法可以大幅度縮短計(jì)算所需時(shí)間。相比最優(yōu)潮流法,本文方法可縮短計(jì)算時(shí)間50%以上,滿足了數(shù)字孿生理念的快速性要求,故本文方法能夠?qū)崿F(xiàn)實(shí)時(shí)計(jì)算電-氣綜合能源系統(tǒng)ATC的目標(biāo)。

3)天然氣系統(tǒng)耦合亦會(huì)影響ATC計(jì)算誤差。天然氣系統(tǒng)的耦合意味著增加了約束EGIES運(yùn)行的條件,這會(huì)使得系統(tǒng)數(shù)據(jù)的標(biāo)準(zhǔn)差指數(shù)平均值下降,最終導(dǎo)致ATC計(jì)算結(jié)果的相對(duì)誤差百分比降低。故在本文算例設(shè)置的場(chǎng)景中,考慮天然氣系統(tǒng)耦合時(shí),ATC計(jì)算結(jié)果的相對(duì)誤差百分比更小。

4)通過對(duì)比不同神經(jīng)元個(gè)數(shù)下的ATC計(jì)算結(jié)果可以看出,在神經(jīng)元個(gè)數(shù)多于100個(gè)的情況下,四個(gè)場(chǎng)景的平均計(jì)算誤差均小于1.5%,說明本文方法的計(jì)算準(zhǔn)確性受系統(tǒng)變化影響較小,具有良好的泛用性。

數(shù)字孿生在EGIES中的相關(guān)應(yīng)用目前還處于前期探索階段,本文所采用的方法只是實(shí)現(xiàn)數(shù)字孿生的一種可行方法,在未來(lái)將會(huì)出現(xiàn)更多更加精準(zhǔn)快速的數(shù)字孿生系統(tǒng)構(gòu)造方法。