基于数字孪生模型的综合能源系统仿真方法及系统技术方案

本发明专利技术提供了一种基于数字孪生模型的综合能源系统仿真方法及系统，所述方案包括：获取综合能源系统各能源设备历史数据；以所述历史数据作为初始样本集对深度学习模型进行训练，获得拟合各综合能源设备的数据模型；基于数字孪生技术，周期性的获取各综合能源设备的实时参数，基于获得的实时参数对初始样本集进行自适应增长；利用增长后的样本集对深度学习模型进行二次训练，获得各能源设备对应的数字孪生数据模型；并基于各能源设备对应的数字孪生数据模型实现对综合能源系统的仿真。生数据模型实现对综合能源系统的仿真。生数据模型实现对综合能源系统的仿真。

【技术实现步骤摘要】
基于数字孪生模型的综合能源系统仿真方法及系统


[0001]本专利技术属于综合能源系统仿真
，尤其涉及一种基于数字孪生模型的综合能源系统仿真方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]以电力为核心的综合能源系统包括多种能量生产、传输、存储和消费网络，结构复杂、设备繁多、技术庞杂，具有典型的非线性随机特征与多尺度动态特征。然而，传统数学模型已经难以满足I ES(I ntegrated energy system)规划设计、监测分析和运行优化的要求，需要进一步提高I ES中能源设备的建模精度；通过人工智能算法对海量系统数据进行分析，能够实现I ES能源设备的高精度建模并能通过采集物理设备的实时数据对仿真模型不断优化。人工智能算法是构建I ES数字孪生模型的重要支撑技术，为精确构建I ES能源设备的数字孪生仿真模型提供了数字化与智能化基础。
[0004]专利技术人发现，现有方法多为精确度较低的I ES能源设备数学建模方法，只能进行稳态系统的容量配置、优化调度等研究，且时间尺度较长，误差较大；此外，已有方法提到的神经网络建模方法，仅能实现数据模型的搭建，并未考虑通过样本集自适应增长实现数据模型的实时优化和更新，以达到物理系统和数字孪生模型的实时数据交互。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术提供了一种基于数字孪生模型的综合能源系统仿真方法及系统，所述方案采用CNN
‑
>BP神经网络算法对I ES的能源设备进行数据建模，并通过与物理设备的实时数据交互实现样本集自适应增长，进一步优化能源设备的数据模型，实现I ES数字孪生模型的搭建，有效提高了数字模型的建模精度，进而提高了综合能源系统的仿真准确度。
[0006]根据本专利技术实施例的第一个方面，提供了一种基于数字孪生模型的综合能源系统仿真方法，包括：
[0007]获取综合能源系统各能源设备历史数据，其中，所述历史数据包括光伏设备对应的光照强度及温度，风机对应的风速，燃气轮机对应的压气机进口温度、进口压力及进口流量，储能设备对应的储能状态及储能容量；
[0008]以所述历史数据作为初始样本集对深度学习模型进行训练，获得拟合各综合能源设备的数据模型；
[0009]基于数字孪生技术，周期性的获取各综合能源设备的实时参数，基于获得的实时参数对初始样本集进行自适应增长；
[0010]利用增长后的样本集对深度学习模型进行二次训练，获得各能源设备对应的数字孪生数据模型；并基于各能源设备对应的数字孪生数据模型实现对综合能源系统的仿真。
[0011]进一步的，所述深度学习模型采用CNN
‑
BP神经网络，在所述CNN
‑
BP神经网络的训练过程中，预先利用获取的综合能源系统各能源设备历史数据作为初始训练集进行训练，训练完成后，对初步完成训练的数据模型进行保存；获取一定时间段内按照预设采样间隔获取的综合能源系统各能源设备的实时数据，对初始训练集进行自适应增长，利用增长后的训练集对所述CNN
‑
BP对保存的初步完成训练的模型进行二次训练。
[0012]进一步的，所述CNN
‑
BP神经网络包括接收能源设备若干属性参数的输入层，输入层中的若干属性参数依次输入第一隐含层和第二隐含层的神经元中，经神经元处理后的特征经输出层获得若干输出结果；其中，所述输出结果为能源设备输出有功功率及无功功率的大小。
[0013]进一步的，所述CNN
‑
BP神经网络的训练采用trainoss函数作为训练函数，采用learngdm函数作为学习函数。
[0014]进一步的，对于综合能源系统中的每个能源设备，均需训练独立的数据模型以及数字孪生数据模型。
[0015]进一步的，所述综合能源系统中的能源设备包括但不限于光伏设备、风机、燃气轮机以及储能设备。
[0016]本专利技术的第二个方面提供了一种基于数字孪生模型的综合能源系统仿真系统，包括：
[0017]历史数据获取单元，其用于获取综合能源系统各能源设备历史数据，其中，所述历史数据包括光伏设备对应的光照强度及温度，风机对应的风速，燃气轮机对应的压气机进口温度、进口压力及进口流量，储能设备对应的储能状态及储能容量；
[0018]数据模型训练单元，其用于以所述历史数据作为初始样本集对深度学习模型进行训练，获得拟合各综合能源设备的数据模型；
[0019]样本集自适应增长单元，其用于基于数字孪生技术，周期性的获取各综合能源设备的实时参数，基于获得的实时参数对初始样本集进行自适应增长；
[0020]模型训练及仿真分析单元，其用于利用增长后的样本集对深度学习模型进行二次训练，获得各能源设备对应的数字孪生数据模型；并基于各能源设备对应的数字孪生数据模型实现对综合能源系统的仿真。
[0021]根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于数字孪生模型的综合能源系统仿真方法。
[0022]根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于数字孪生模型的综合能源系统仿真方法。
[0023]以上一个或多个技术方案存在以下有益效果：
[0024](1)本专利技术提供了一种基于数字孪生模型的综合能源系统仿真方法及系统，所述方案采用CNN
‑
BP神经网络算法对IES的能源设备进行数据建模，并通过与物理设备的实时数据交互实现样本集自适应增长，进一步优化能源设备的数据模型，实现IES数字孪生模型的搭建，有效提高了数字模型的建模精度，进而提高了综合能源系统的仿真准确度。
[0025](2)本专利技术通过CNN
‑
BP神经网络对IES能源设备的历史数据(初始样本集)进行训
练，搭建出拟合物理设备的数据模型，解决了综合能源系统中能源设备数学模型精度低、机理模型建模难的问题；同时，通过数据模型与物理设备的实时数据交互实现样本集自适应增长，进一步优化能源设备的数据模型，实现IES能源设备数字孪生模型的搭建，进一步提高了模型精度，提升了模型在IES中的应用范围和研究深度。
[0026]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0027]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0028]图1为本专利技术实施例中所述的基于数字孪生模型的综合能源系统仿真方法的建模框架结构示意图；
[0029]图2为本专利技术实施例中所述的含有两个隐含层的CNN
‑
BP(Convol本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生模型的综合能源系统仿真方法，其特征在于，包括：获取综合能源系统各能源设备历史数据，其中，所述历史数据包括光伏设备对应的光照强度及温度，风机对应的风速，燃气轮机对应的压气机进口温度、进口压力及进口流量，储能设备对应的储能状态及储能容量；以所述历史数据作为初始样本集对深度学习模型进行训练，获得拟合各综合能源设备的数据模型；基于数字孪生技术，周期性的获取各综合能源设备的实时参数，基于获得的实时参数对初始样本集进行自适应增长；利用增长后的样本集对深度学习模型进行二次训练，获得各能源设备对应的数字孪生数据模型；并基于各能源设备对应的数字孪生数据模型实现对综合能源系统的仿真。2.如权利要求1所述的一种基于数字孪生模型的综合能源系统仿真方法，其特征在于，所述深度学习模型采用CNN
‑
BP神经网络，在所述CNN
‑
BP神经网络的训练过程中，预先利用获取的综合能源系统各能源设备历史数据作为初始训练集进行训练，训练完成后，对初步完成训练的数据模型进行保存；获取一定时间段内按照预设采样间隔获取的综合能源系统各能源设备的实时数据，对初始训练集进行自适应增长，利用增长后的训练集对所述CNN
‑
BP对保存的初步完成训练的模型进行二次训练。3.如权利要求2所述的一种基于数字孪生模型的综合能源系统仿真方法，其特征在于，所述CNN
‑
BP神经网络包括接收能源设备若干属性参数的输入层，输入层中的若干属性参数依次输入第一隐含层和第二隐含层的神经元中，经神经元处理后的特征经输出层获得若干输出结果；其中，所述输出结果为能源设备输出有功功率及无功功率的大小。4.如权利要求2所述的一种基于数字孪生模型的综合能源系统仿真方法，其特征在于，所述CNN
‑
BP神经网络的训练采用trainoss函数作为训练函数，采用learngdm函数作为学习函数。5.如权利要求1所述的一种基于数字孪生模型的综合能源系统仿真方法，其特征在于，对于综合能源系统中的每个能源设备，均需训练独立的数据模型以及数字孪生数据...

【专利技术属性】
技术研发人员：王瑞琪，张玉璞，孙波，朱峰，刘继彦，石立国，卞峰，尹明立，许明，
申请(专利权)人：山东大学国网山东省电力公司青岛供电公司，
类型：发明
国别省市：