一种基于物理引导修正神经网络的电碳潮流求解模型构建方法、装置及电碳潮流求解方法与流程

本发明涉及电力系统碳排放管理领域，尤其涉及一种基于物理引导修正神经网络的电碳潮流求解模型构建方法、装置及电碳潮流求解方法。

背景技术：

1、在能源领域，电力系统作为主要的碳排放源之一，准确量化电力系统的碳排放情况，对实现低碳发展目标、制定有效的碳减排策略具有重要意义。

2、然而，传统的碳排放流能够精确追踪碳排放在源-网-荷间的分布，但该方法高度依赖复杂的电力潮流计算和大规模矩阵运算，导致其计算效率低下，面对大规模电力系统或需要进行实时碳排放监测与分析的场景时，难以满足快速、高效获取碳排放信息的需求。

技术实现思路

1、本发明实施例提供了一种基于物理引导修正神经网络的电碳潮流求解模型构建方法、装置及电碳潮流求解方法，能够解决现有技术依赖潮流计算导致计算效率低下问题，实现电力系统碳排放的高效计算。

2、本发明一实施例提供了一种基于物理引导修正神经网络的电碳潮流求解模型构建方法，包括：

3、获取电力系统若干历史时刻各节点的历史运行数据；历史运行数据包括：第一机组注入功率、第一负荷功率、第一电压幅值、第一电压相角和第一节点碳势；

4、构建初始的电碳潮流求解模型，并初始化模型参数；

5、根据若干历史时刻各节点的历史运行数据，对电碳潮流求解模型进行迭代训练，直至总损失收敛或达到预设迭代次数，得到训练好的电碳潮流求解模型；其中，在每次训练过程中，根据每一节点的第一机组注入功率和第一负荷功率，得到第二电压幅值、第二电压相角和第二节点碳势；根据第一电压幅值与第二电压幅值的均方误差，以及第一电压相角与第二电压相角的均方误差，确定边界条件损失；根据每一节点的第一机组注入功率、第一负荷功率、第二电压幅值、第二电压相角和第二节点碳势，确定功率残差和碳势残差，并根据所有节点的功率残差和碳势残差的均方误差之和，确定物理约束损失；基于下一历史时刻的功率残差和碳势残差为0的假设，确定目标修正量，并结合相邻历史时刻的第二电压幅值、第二电压相角和第二节点碳势，确定物理引导修正损失；根据边界条件损失、物理约束损失和物理引导修正损失，确定总损失。

6、进一步的，根据每一节点的第一机组注入功率、第一负荷功率、第二电压幅值、第二电压相角和第二节点碳势，确定功率残差和碳势残差，包括：

7、根据第二电压幅值和第二电压相角，确定节点的总传输功率；

8、根据第一机组注入功率相对第一负荷功率和总传输功率之和的残差，确定功率残差；其中，功率残差包括：有功功率残差和无功功率残差；

9、根据第二电压幅值和第二电压相角，确定节点间有功功率；

10、根据节点间有功功率和第二节点碳势，确定碳势残差。

11、进一步的，基于下一历史时刻的功率残差和碳势残差为0的假设，确定目标修正量，并结合相邻历史时刻的第二电压幅值、第二电压相角和第二节点碳势，确定物理引导修正损失，包括：

12、获取前一历史时刻的第三节点碳势；

13、采用二阶外插法，对当前历史时刻的第二节点碳势和前一历史时刻的第三节点碳势进行近似估计，得到下一历史时刻的预测节点碳势；

14、基于下一历史时刻的碳势残差为0的假设，根据当前历史时刻的碳势残差、节点间有功功率、第一机组注入功率、第二节点碳势和预测节点碳势，确定目标修正量；

15、根据目标修正量、第二节点碳势和第三节点碳势，确定碳势物理引导损失；

16、获取前一历史时刻的第三电压幅值和第三电压相角；

17、基于下一历史时刻的有功功率残差为0的假设，根据当前历史时刻的有功功率残差和第二电压相角，确定有功调整量；

18、根据有功调整量、第二电压相角和第三电压相角，确定有功物理引导损失；

19、基于下一历史时刻的无功功率残差为0的假设，当前历史时刻的无功功率残差和第二电压幅值，确定无功调整量；

20、根据无功调整量、第二电压幅值和第三电压幅值，确定无功物理引导损失；

21、对碳势物理引导损失、有功物理引导损失和无功物理引导损失进行加权求和，得到物理引导修正损失。

22、进一步的，模型参数，包括：边界条件损失权重、物理约束损失权重、物理引导修正权重、残差修正松弛因子以及模型学习率。

23、进一步的，初始化模型参数，包括：

24、从预设的参数搜索空间中采用拉丁超立方采样，生成若干组超参数；

25、获取电力系统若干历史时刻各节点的第二机组注入功率、第二负荷功率、第四电压幅值、第四电压相角和第四节点碳势，并划分为训练集和验证集；

26、基于每一组超参数，构建对应的参数化模型；

27、通过训练集对参数化模型进行训练，得到训练好的参数化模型；

28、通过验证集对训练好的参数化模型进行验证，计算出均方根误差值；

29、将若干组超参数的搜索上界和搜索下界，按照超参数的维度进行空间映射，得到标准化的超立方体空间；

30、计算超立方体空间的初始缩放矩阵和初始偏移向量，并初始化旋转矩阵，得到初始旋转矩阵；

31、基于初始缩放矩阵、初始偏移向量和初始旋转矩阵，对每一组超参数进行中心化和缩放，得到初始超参数集合；

32、在超立方体空间中定义一个以原点为中心的超立方体作为信赖域；

33、根据初始超参数集合及其对应的均方根误差值、初始缩放矩阵、初始偏移向量和初始旋转矩阵，基于信赖域自适应的贝叶斯优化算法进行超参数寻优，确定模型参数。

34、进一步的，根据初始超参数集合及其对应的均方根误差值、初始缩放矩阵、初始偏移向量和初始旋转矩阵，基于信赖域自适应的贝叶斯优化算法进行超参数寻优，确定模型参数，包括：

35、重复执行贝叶斯优化过程，得到目标超参数集合；

36、从目标超参数集合中，选择均方根误差值最小的超参数，作为模型参数；

37、贝叶斯优化过程，包括：

38、对前序超参数集合中的所有组别超参数所对应的均方根误差值进行标准化处理，作为当前标准化均方根误差值；其中，初始时的前序超参数集合为所述初始超参数集合；

39、将前序超参数集合围绕最小当前标准化均方根误差值对应的超参数进行中心化，得到当前中心化的超参数数据矩阵；

40、基于前序缩放矩阵、前序偏移向量和前序旋转矩阵，更新得到当前偏移向量；其中，初始时的前序缩放矩阵为初始缩放矩阵，初始时的前序偏移向量为初始偏移向量，初始时的前序旋转矩阵为初始旋转矩阵；

41、基于当前标准化均方根误差值构建权重对角矩阵，并基于前序缩放矩阵和权重对角矩阵对当前中心化的超参数数据矩阵进行旋转变换，得到当前旋转后的超参数数据矩阵，并更新得到当前旋转矩阵；

42、基于当前旋转后的超参数数据矩阵和对应的当前标准化均方根误差值，构建高斯过程模型；

43、采用近似最大后验估计，估算高斯过程模型的长度尺度；

44、利用高斯过程模型的长度尺度对当前旋转后的超参数数据矩阵进行缩放，得到当前缩放后的超参数数据矩阵；

45、基于前序缩放矩阵和长度尺度，更新得到当前缩放矩阵；

46、对信赖域进行更新，保留处于信赖域范围内的当前缩放后的超参数，得到当前超参数；

47、在信赖域中，通过预设采集函数确定候选超参数；

48、评估候选超参数对应的均方根误差值；

49、将候选超参数和当前超参数，作为当前超参数集合；

50、在满足第一终止条件、第二终止条件或第三终止条件的情况下，将当前超参数集合作为目标超参数集合，否则，将当前缩放矩阵、当前偏移向量、当前旋转向量和当前超参数集合分别作为下一次执行贝叶斯优化过程的前序缩放矩阵、前序偏移向量、前序旋转矩阵和前序超参数集合；其中，第一终止条件包括：当前超参数集合中最小均方根误差值低于预设阈值；第二终止条件包括：当前超参数集合中最大均方根误差值和最小均方根误差值的差值低于预设容差；第三终止条件包括：重复次数达到预设评估次数。

51、在上述方法项实施例的基础上，本发明对应提供了装置项实施例，包括：历史数据获取模块、模型初始化模块和模型训练模块；

52、历史数据获取模块，用于获取电力系统若干历史时刻各节点的历史运行数据；历史运行数据包括：第一机组注入功率、第一负荷功率、第一电压幅值、第一电压相角和第一节点碳势；

53、模型初始化模块，用于构建初始的电碳潮流求解模型，并初始化模型参数；

54、模型训练模块，用于根据若干历史时刻各节点的历史运行数据，对电碳潮流求解模型进行迭代训练，直至总损失收敛或达到预设迭代次数，得到训练好的电碳潮流求解模型；其中，在每次训练过程中，根据每一节点的第一机组注入功率和第一负荷功率，得到第二电压幅值、第二电压相角和第二节点碳势；根据第一电压幅值与第二电压幅值的均方误差，以及第一电压相角与第二电压相角的均方误差，确定边界条件损失；根据每一节点的第一机组注入功率、第一负荷功率、第二电压幅值、第二电压相角和第二节点碳势，确定功率残差和碳势残差，并根据所有节点的功率残差和碳势残差的均方误差之和，确定物理约束损失；基于下一历史时刻的功率残差和碳势残差为0的假设，确定目标修正量，并结合相邻历史时刻的第二电压幅值、第二电压相角和第二节点碳势，确定物理引导修正损失；根据边界条件损失、物理约束损失和物理引导修正损失，确定总损失。

55、进一步的，模型训练模块，根据每一节点的第一机组注入功率、第一负荷功率、第二电压幅值、第二电压相角和第二节点碳势，确定功率残差和碳势残差，包括：

56、根据第二电压幅值和第二电压相角，确定节点的总传输功率；

57、根据第一机组注入功率相对第一负荷功率和总传输功率之和的残差，确定功率残差；其中，功率残差包括：有功功率残差和无功功率残差；

58、根据第二电压幅值和第二电压相角，确定节点间有功功率；

59、根据节点间有功功率和第二节点碳势，确定碳势残差。

60、进一步的，模型训练模块，基于下一历史时刻的功率残差和碳势残差为0的假设，确定目标修正量，并结合相邻历史时刻的第二电压幅值、第二电压相角和第二节点碳势，确定物理引导修正损失，包括：

61、获取前一历史时刻的第三节点碳势；

62、采用二阶外插法，对当前历史时刻的第二节点碳势和前一历史时刻的第三节点碳势进行近似估计，得到下一历史时刻的预测节点碳势；

63、基于下一历史时刻的碳势残差为0的假设，根据当前历史时刻的碳势残差、节点间有功功率、第一机组注入功率、第二节点碳势和预测节点碳势，确定目标修正量；

64、根据目标修正量、第二节点碳势和第三节点碳势，确定碳势物理引导损失；

65、获取前一历史时刻的第三电压幅值和第三电压相角；

66、基于下一历史时刻的有功功率残差为0的假设，根据当前历史时刻的有功功率残差和第二电压相角，确定有功调整量；

67、根据有功调整量、第二电压相角和第三电压相角，确定有功物理引导损失；

68、基于下一历史时刻的无功功率残差为0的假设，当前历史时刻的无功功率残差和第二电压幅值，确定无功调整量；

69、根据无功调整量、第二电压幅值和第三电压幅值，确定无功物理引导损失；

70、对碳势物理引导损失、有功物理引导损失和无功物理引导损失进行加权求和，得到物理引导修正损失。

71、本发明一实施例提供了一种电碳潮流求解方法，包括：

72、获取电力系统当前各节点的第三机组注入功率和第三负荷功率；

73、将当前各节点的第三机组注入功率和第三负荷功率输入到电碳潮流求解模型中，以使电碳潮流求解模型根据每一节点的第三机组注入功率和第三负荷功率，生成对应的第五电压幅值、第五电压相角和第五节点碳势；其中，电碳潮流求解模型根据本发明一实施例提供的基于物理引导修正神经网络的电碳潮流求解模型构建方法得到。

74、与现有技术相比，本方案实施例的有益效果在于：

75、本发明获取电力系统若干历史时刻各节点的历史运行数据，历史运行数据包括第一机组注入功率、第一负荷功率、第一电压幅值、第一电压相角和第一节点碳势。构建初始的电碳潮流求解模型，并初始化模型参数。根据若干历史时刻各节点的历史运行数据，对电碳潮流求解模型进行迭代训练，直至总损失收敛或达到预设迭代次数，得到训练好的电碳潮流求解模型；其中，在每次训练过程中，根据每一节点的第一机组注入功率和第一负荷功率，得到第二电压幅值、第二电压相角和第二节点碳势；以历史运行数据中的第一电压幅值和第一电压相角作为物理边界基准，这些数据是实际系统中符合物理规律的真实值，根据第一电压幅值与第二电压幅值的均方误差，以及第一电压相角与第二电压相角的均方误差，确定边界条件损失，确保模型输出的电压参数符合实际运行边界；根据每一节点的第一机组注入功率、第一负荷功率、第二电压幅值、第二电压相角和第二节点碳势，确定功率残差和碳势残差，残差是模型输出与物理守恒规律的偏差，根据所有节点的功率残差和碳势残差的均方误差之和，确定物理约束损失，从而利用残差验证模型是否满足物理规律，替代了传统方法中实时验证物理约束的复杂步骤；基于下一历史时刻的功率残差和碳势残差为0的假设，确定目标修正量，并结合相邻历史时刻的第二电压幅值、第二电压相角和第二节点碳势，确定物理引导修正损失，利用历史数据的时序关联性引导模型优化；根据边界条件损失、物理约束损失和物理引导修正损失，确定总损失。

76、综上所述，本发明通过构建融合电力与碳流的电碳潮流求解模型，以历史运行数据为基础，结合边界条件损失、物理约束损失、物理引导修正损失进行迭代训练，使得模型能直接学习电力与碳流的关联规律及物理约束，无需在实际应用时依赖复杂的实时电力潮流计算和大规模矩阵运算，从而解决现有技术依赖潮流计算导致计算效率低下问题，实现电力系统碳排放的高效计算。