System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及能源系统建模,尤其涉及一种基于物理信息神经网络的输氢管道建模方法及系统。
技术介绍
1、目前,随着低碳发展需求的进一步提升,氢能作为清洁、来源广泛的二次能源及储能载体,可有效助力能源转型。现有的天然气掺氢管道和新建纯氢管道均可提高能源利用效率,有效降低氢能的大规模供应成本。其中,氢能“制储输用”全过程优化设计与调度方法是实现新能源消纳和能源高效利用的核心,而这要依赖于各设备的仿真建模。目前,针对输氢管道的仿真建模研究尚不充分。
2、输氢管道建模方法可分为机理方法和数据驱动方法两大类。机理建模方法主要通过构建基于流体力学的数学模型来实现,需要建立精确的物理模型来描述管道内部的多个复杂的物理过程。但是,基于机理的建模方法并未考虑输氢管道的实际运行环境等因素影响,存在明显的建模误差,因此,很难建立符合实际运行情况的输氢管道模型。数据驱动建模方法是一种黑箱模型,通过机器学习、深度学习等技术根据实际测量数据进行建模,不涉及输氢管道的复杂机理。然而,该建模方法训练模型需要大量高质量、代表性的实测数据,需要大量的计算资源进行训练,建模成本较高,且由于缺失物理模型还可能导致模型缺乏解释性的问题。
3、现有的输氢管道建模方案,如专利cn112257355a所公开的一种掺氢天然气的中低压配气管网建模方法,其采用机理建模方法构建掺氢天然气网络管道的稳态等温模型,提高输氢管网建模的准确性;专利cn115688617a所公开的一种掺氢天然气管道能流计算方法,其采用牛顿恒法,对管道各节点、管段参数信息进行迭代计算,通过
技术实现思路
1、为解决上述现有技术的不足,本专利技术提供了一种基于物理信息神经网络的输氢管道建模方法及系统,通过搭建物理信息神经网络(pinn),结合神经网络的非线性拟合能力和物理约束,将满足物理约束的控制方程嵌入到神经网络的训练过程中,使神经网络在一定程度上避免了对海量实测数据的需求,有效提高建模精度和模型的可解释性。
2、第一方面,本专利技术提供了一种基于物理信息神经网络的输氢管道建模方法。
3、一种基于物理信息神经网络的输氢管道建模方法,包括:
4、基于输氢管道内气体的流体力学偏微分方程,构建气体流动的物理约束,并定义边界条件和初始条件;
5、以输氢管道内的空间和时间坐标(x,t)为输入数据,以输氢管道中位于x处的气流在t时刻的压力变化值为输出值,构建物理信息神经网络,并将物理约束编码到网络损失函数中作为惩罚项,满足流体力学偏微分方程、边界条件和初始条件;
6、获取输氢管道内各管道的实际气体压力变化值作为训练集,利用训练集迭代训练物理信息神经网络;
7、基于训练完成的物理神经网络,结合输氢管道内的空间和时间坐标,完成输氢管道建模。
8、第二方面,本专利技术提供了一种基于物理信息神经网络的输氢管道建模系统。
9、一种基于物理信息神经网络的输氢管道建模系统,包括:
10、物理分析模块,用于基于输氢管道内气体的流体力学偏微分方程,构建气体流动的物理约束,并定义边界条件和初始条件;
11、网络构建模块,用于以输氢管道内的空间和时间坐标(x,t)为输入数据,以输氢管道中位于x处的气流在t时刻的压力变化值为输出值,构建物理信息神经网络,并将物理约束编码到网络损失函数中作为惩罚项,满足流体力学偏微分方程、边界条件和初始条件;
12、网络训练模块,用于获取输氢管道内各管道的实际气体压力变化值作为训练集,利用训练集迭代训练物理信息神经网络;
13、输氢管道建模模块,用于基于训练完成的物理神经网络,结合输氢管道内的空间和时间坐标,完成输氢管道建模。
14、第三方面,本专利技术还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
15、第四方面,本专利技术还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
16、以上一个或多个技术方案存在以下有益效果:
17、本专利技术提供了一种基于物理信息神经网络的输氢管道建模方法及系统,搭建物理信息神经网络(pinn),结合神经网络的非线性拟合能力和物理约束,将满足物理约束的控制方程嵌入到神经网络的训练过程中,避免对海量实测数据的需求,并解决数据驱动建模缺乏解释性以及通用性差的问题,同时还消除了单一机理模型因缺乏实际测量数据而导致的建模误差,在提高建模精度的同时也大大提高了模型的可解释性。
本文档来自技高网...【技术保护点】
1.一种基于物理信息神经网络的输氢管道建模方法,其特征是,包括:
2.如权利要求1所述的基于物理信息神经网络的输氢管道建模方法,其特征是,根据输氢管道内气流服从质量守恒定律和非理想气体伯努利定律,压力和流量沿管道内不同位置x变化,则气体的流体力学偏微分方程为:
3.如权利要求1所述的基于物理信息神经网络的输氢管道建模方法,其特征是,所述物理信息神经网络为多层前馈神经网络,包含一个输入层、L-2个隐藏层和一个输出层,每一隐藏层均由权重参数w和偏置参数b组成;输氢管道内的空间和时间坐标(x,t)作为输入数据,经过输入层归一化后,分发到隐藏层的神经元中,由激活函数逐步计算得到输出层的输出结果。
4.如权利要求1所述的基于物理信息神经网络的输氢管道建模方法,其特征是,所述物理信息神经网络的损失函数为三种损失函数的加权和,三种损失函数分别为:
5.如权利要求1所述的基于物理信息神经网络的输氢管道建模方法,其特征是,所述物理信息神经网络的训练过程,包括:
6.一种基于物理信息神经网络的输氢管道建模系统,其特征是,包括:
8.如权利要求6所述的基于物理信息神经网络的输氢管道建模系统,其特征是,所述物理信息神经网络的损失函数为三种损失函数的加权和,三种损失函数分别为:
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如权利要求1-5中任一项所述的一种基于物理信息神经网络的输氢管道建模方法的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成如权利要求1-5中任一项所述的一种基于物理信息神经网络的输氢管道建模方法的步骤。
...【技术特征摘要】
1.一种基于物理信息神经网络的输氢管道建模方法,其特征是,包括:
2.如权利要求1所述的基于物理信息神经网络的输氢管道建模方法,其特征是,根据输氢管道内气流服从质量守恒定律和非理想气体伯努利定律,压力和流量沿管道内不同位置x变化,则气体的流体力学偏微分方程为:
3.如权利要求1所述的基于物理信息神经网络的输氢管道建模方法,其特征是,所述物理信息神经网络为多层前馈神经网络,包含一个输入层、l-2个隐藏层和一个输出层,每一隐藏层均由权重参数w和偏置参数b组成;输氢管道内的空间和时间坐标(x,t)作为输入数据,经过输入层归一化后,分发到隐藏层的神经元中,由激活函数逐步计算得到输出层的输出结果。
4.如权利要求1所述的基于物理信息神经网络的输氢管道建模方法,其特征是,所述物理信息神经网络的损失函数为三种损失函数的加权和,三种损失函数分别为:
5.如权利要求1所述的基于物理信息神经网络的输氢管道建模方法,其特征是,所述物理信息神经网络的训练过程,包括:
6.一种基于物理信息神经网络的输...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。