异质能量耦合系统全域统一工况分区与多能主导关系分析方法

本发明涉及综合能源系统运行状态分析，尤其涉及异质能量耦合系统全域统一工况分区与多能主导关系分析方法。

背景技术：

1、随着全球低碳能源转型推进，异质能量耦合系统（hecs）凭借多能流耦合、协同运行、高效低碳的优势，成为能源系统升级的核心方向。异质能量耦合系统整合电、热、气、质、功等多种异质能量载体，存在复杂的能量传输、转换、存储与耦合约束，其运行状态随工况参数、耦合强度、运行模式动态变化，精准识别系统主导能量域、完成工况统一分区，是实现系统精细化运行、故障诊断与优化调控的核心基础。

2、现有异质能量耦合系统研究主要集中于子系统耦合建模优化与多能流计算分析两大方向。子系统层面的耦合研究多针对特定系统结构、特定耦合场景开展，通用性差，仅能实现耦合前后的性能定性对比，无法适配不同耦合形式、不同耦合强度的系统工况分析；多能流计算研究虽可实现多能流求解、动态优化与数据驱动预测，但未建立统一的能量域主导关系表征体系，无法量化多能流竞争机制，难以精准界定工况过渡边界。

3、综上，现有技术存在以下核心缺陷：

4、1、缺乏适配各类异质能量耦合系统的通用化工况分区方法，不同耦合系统的工况评价标准不统一，无法实现跨系统对比分析。

5、2、无法量化多能量域的主导竞争关系，难以精准识别稳态、动态工况下的主导能量域。

6、3、工况过渡边界模糊，无法区分稳定工况区与临界过渡工况区。

7、4、传统机理求解方法计算效率低，难以满足工程实时识别需求。

8、因此需要提供一种能够解决现有技术通用性差、主导域识别不精准、边界界定模糊、识别效率低的问题，实现不同类型异质能量耦合系统的工况统一分区、主导能量域精准识别与快速在线检测的方法。

技术实现思路

1、根据上述提出的技术问题，而提供一种异质能量耦合系统全域统一工况分区与多能主导关系分析方法。本发明通过定义主导工况标签、边界清晰度指标与工程过渡阈值，实现不同耦合形式系统的全域工况标准化分区；内嵌多任务联合训练的浅层前馈神经网络分析模块，同步完成能量域份额连续回归预测与工况边界二分类识别，在保留物理机理约束的前提下大幅提升分析计算效率。

2、本发明采用的技术手段如下：

3、一种异质能量耦合系统全域统一工况分区与多能主导关系分析方法，包括：构建分块结构化的广义运行状态向量，结合等式约束、不等式约束与变量上下界界定物理可行运行状态域，实现不同结构、不同耦合形式异质能量耦合系统的统一状态表征；依托系统固有机理模型建立广义运行状态到内部多能流的映射关系，求解各支路能量传输、转换与耦合响应，采用无偏等权重聚合计算各能量域的非归一化强度；对各能量域强度进行无量纲归一化处理得到归一化能量份额，基于份额序列定义主导工况标签、边界清晰度指标与工程过渡边界邻域，完成可行运行状态域的统一工况分区；搭建面向工况分区的浅层前馈神经网络快速识别模型，以广义运行状态向量为输入，设置能量域份额预测主分支与工况边界检测辅助分支；构建含l2正则项的多任务联合损失函数完成模型训练；训练完成后基于预测输出重构主导能量域标签与边界清晰度；将预测边界清晰度、决定系数、平均绝对误差、均方根误差作为性能指标，完成稳态、动态工况下的工况分区有效性与模型识别精度验证。

4、进一步地，将所述广义运行状态向量定义为：

5、

6、其中，为t时刻系统广义运行状态向量，为全流程统一输入变量；为状态向量维度，由系统运行变量总数确定；为系统物理可行运行状态域，即所有满足约束的合法工况集合，为维度实数状态空间；

7、将所述分块结构化的广义运行状态向量表示为：

8、

9、其中，为源侧状态子块；为负荷侧状态子块；为环境状态子块；为控制状态子块；为储能状态子块；

10、所述可行运行状态域由能量守恒等式约束、器件运行极限不等式约束与运行变量上下界共同界定，将所述可运行状态域表示为：

11、

12、其中，表示能量守恒、功率平衡类等式刚性约束；器件功率、温度、流量极限类不等式安全约束。状态向量表示各变量运行下限，状态向量表示各变量运行上限。

13、进一步地，将所述广义运行状态到内部多能流的映射关系表示为：

14、

15、其中，z(t)为t时刻系统内部全部支路能流构成的向量；为系统固有机理映射函数，由设备结构与能量转换规律确定；为系统固定结构参数；

16、所述内部多能流的展开式为：

17、

18、其中，(t)为第1条内部能量流响应；为系统内部总能流支路总数；

19、所述内部多能流映射关系严格遵循能量守恒与设备运行约束；将能流守恒等式约束表示为：

20、

21、其中，为能流守恒等式约束函数；

22、能流运行极限不等式约束为：

23、

24、其中，为支路能流安全约束函数，用于限制流量、功率、温度不超出设备额定边界；

25、将能量域的非归一化强度计算公式表示为：

26、

27、其中，为第d类能量域在t时刻的非归一化总强度；d表示能量域类别索引，用于区分不同异质能量维度，，d表示系统总能量域数量，为工况维度总数；j表示单域内部能流支路索引，为第d个能量域的能流支路集合,代表归属于第d类能量域的全部内部能流单元的全集，用于限定聚合计算范围；第j条能流支路的加权系数，第j条内部能流支路在t时刻的瞬时能流值。

28、进一步地，将所述各能量域非归一化强度转换为无量纲的归一化能量份额，所有能量域份额之和为1，形成可跨系统对比的主导关系表征，所述归一化能量份额的计算公式为：

29、

30、其中，为t时刻第d个能量域的归一化能量份额；t为系统实时运行时刻，为t时刻第d个能量域的非归一化总强度，m为能量域求和遍历索引；

31、将份额值域约束表示为：

32、

33、将份额求和完备约束表示为：

34、

35、选取归一化份额最大值对应的能量域作为当前工况的主导能量域，匹配主导工况标签，实现单点运行状态的工况归类；将真实主导能量域标签判定式表示为：

36、

37、其中，为t时刻系统主导能量域标签，输出整数编号，标记当前运行工况下占绝对优势的能量域；为取最大值对应的下标算子，遍历所有能量域；

38、将归一化份额按降序排列，通过最大份额与次大份额的差值定义边界清晰度指标，量化工况主导强弱程度，将份额降序排列规则表示为：

39、

40、其中，为最大归一化份额；为次大归一化份额；

41、设定工程容忍阈值界定过渡边界邻域，将可行运行状态域划分为稳定主导工况区与工况过渡区，完成统一工况分区，将边界清晰度指标公式表示为：

42、

43、其中，为边界清晰度指标，双能量域系统专属有符号主导对比度；

44、将双能量域系统专属有符号主导对比度表示为：

45、

46、将单一主导工况子区域集合表示为：

47、

48、其中，为第k个主导工况子区域集合，为广义运行状态向量，系统可行运行状态全域，表示工况x下，第k个能量域的归一化强度份额，表示工况x下，第j个能量域的归一化强度份额；j为其余任意能量域编号；

49、将理想理论过渡边界集合表示为：

50、

51、其中，dset为理想工况过渡边界集合，工况x对应的边界清晰度指标，为函数取0的原像集合；

52、将工程可识别边界邻域集合表示为：

53、

54、其中，表示固定工程阈值；集合内工况判定为边界过渡区，存在工况切换风险。

55、进一步地，所述浅层前馈神经网络包括输入层、两层隐藏层与输出层；所述输入层接入广义运行状态向量，所述隐藏层逐层提取运行状态与能量主导结构的非线性关联，所述输出层包括主分支和辅助分支，所述主分支输出各能量域归一化预测份额，所述辅助分支输出工况边界邻域概率；将单层神经元通用前向传播表示为：

56、

57、其中，为神经网络第n层第k个神经元的输出值，n为神经网络网络层序号，n=1时对应输入层，n=2时对应第一隐藏层，n=3时对应第二隐藏层，n=4时对应输出层，k为当前第n层的神经元节点索引，用于遍历当前层级所有计算节点；为上一层n-1层神经元总数量，代表当前层接收的特征输入总维度，决定求和遍历范围；为层间可训练权重系数，代表第n-1层第i个神经元、对第n层第k个神经元的连接权重，为上一层n-1第i个神经元的输出值，作为当前层级的输入特征量，逐层传递工况特征信息；为第n层第k个神经元的偏置项，用于修正神经元输出基线；

58、将边界工况二分类指示函数表示为：

59、

60、其中，为时刻t对应的工况边界二分类指示标签，离散二值变量，为t时刻工况的边界清晰度数值，人为设定的边界清晰度判定阈值，当边界清晰度低于该阈值，判定落入工况过渡区；高于阈值则判定为稳定工作区间；

61、将稳定边界工况二元判定准则表示为：

62、

63、其中，为工况识别神经网络第一层隐藏层前向传播计算式，[]为神经网络非线性激活函数，为输入层至第一层隐藏层的权重矩阵，属于网络可训练参数；为t时刻系统广义运行状态向量，c(1)为第一层隐藏层对应的偏置向量，用于平移线性运算结果；

64、将第二层隐藏层前向传播计算公式表示为：

65、

66、其中，为第二层隐藏层的输出特征向量；为第一层隐藏层到第二层隐藏层的权重矩阵，属于网络可训练参数，c(1)为第二层隐藏层对应的偏置向量，修正线性计算结果的基准值；

67、将能量域归一化份额专用回归输出层前向计算方程表示为：

68、

69、其中，为t时刻神经网络输出层预测的各能量域归一化份额向量；[]为回归层激活函数，为第二层隐藏层指向回归输出层的权重矩阵，网络可训练参数，为份额回归输出层的偏置向量，用于平移线性计算结果，优化输出拟合基线；

70、将工况边界二分类分支的输出层前向计算公式表示为：

71、

72、其中，为网络输出的工况边界概率值，[]为sigmoid 激活函数，是二分类任务标准激活函数，把线性计算结果压缩至0~1概率区间；为第二层隐藏层到边界分类输出层的权重矩阵，属于网络待训练参数，表示边界分类输出层对应的偏置项；

73、采用梯度下降优化算法，沿总损失函数负梯度方向逐轮更新所有权重与偏置，持续缩小预测输出与机理真值的偏差，直至损失收敛，得到最优工况识别网络：

74、

75、其中，为神经网络全部可训练参数集合；表示第m轮迭代更新前的网络全部参数；表示第m+1轮迭代更新后的网络参数；m为模型训练迭代轮次；为学习率，控制每一轮参数更新的步长大小；表示模型总损失函数；表示损失函数j对全部网络参数的梯度，代表损失随参数变化的下降方向。

76、进一步地，所述模型总损失函数j包括能量域归一化份额对应的回归损失、工况边界二分类交叉熵损失和l2正则项；将所述模型总损失函数表示为：

77、

78、其中，为份额回归损失项的权重系数，用于调配回归任务在整体训练中的占比大小，为边界分类损失项的权重系数，用于控制边界识别任务对参数更新的约束强度，为正则化系数，用来控制正则惩罚的强弱程度，表示网络全部可学习参数合集；

79、所述能量域归一化份额对应的回归损失为：

80、

81、其中，表示参与损失计算的样本总数；为t时刻神经网络输出的预测能量域归一化份额向量；机理模型求解得到的真实能量域归一化份额向量；

82、所述工况边界二分类交叉熵损失为：

83、

84、其中，为神经网络输出的当前工况属于边界区域的预测概率。

85、进一步地，将基于所述浅层前馈神经网络快速识别模型输出的预测能量份额，复用工况主导判定逻辑重构预测主导域编号，将预测主导能量域标签重构公式表示为：

86、

87、其中，为t时刻系统主导能量域编号，为离散整型数值，k=1,2…d，d为系统总能量域数量，求取使后面函数取得最大值时对应的下标k；k为能量域的索引序号，为t时刻第k个能量域对应的归一化能量份额；

88、利用模型输出预测份额计算预测边界清晰度指标：

89、

90、其中，为t时刻的边界清晰度指标，用于量化系统能量主导性强弱、工况靠近临界切换边界的程度；

91、将所述决定系数表示为：

92、

93、其中，为决定系数，取值范围为(-∞,1)，为第i个样本由机理模型求解得到的真实能量份额真值；为第i个样本输出的预测能量份额；所有样本真实份额的平均值；

94、将所述平均绝对误差表示为：

95、

96、其中，为平均绝对误差，用于衡量能量份额预测值与真实值之间平均误差大小，n为参与精度计算的所有工况样本总数量；

97、将所述均方根误差表示为：

98、

99、其中，rmse为均方根误差，用于量化能量份额预测值和真实值之间的整体偏差水平。

100、较现有技术相比，本发明具有以下优点：

101、本发明构建了广义状态、多能流、能量域份额的统一分析框架，突破了现有技术依赖特定系统结构的局限，可适配热功、热质、电热气等各类异质能量耦合系统，实现跨系统工况分区与主导域对比分析。

102、本发明通过边界清晰度指标与量化过渡边界界定方法，精准区分稳定工况与临界过渡工况，三类典型系统的ann预测决定系数分别达0.972、0.998、0.999，可精准量化多能量域竞争与主导机制。

103、本发明搭建物理约束的多任务神经网络识别模型，模型经决定系数、mae、rmse指标精准验证，有效偏差范围拓展至±9.8%，相较于传统机理求解方法，大幅提升工况识别速度，满足工程实时在线检测需求。

104、本发明方法区别于传统黑箱数据驱动方法，本发明神经网络模型基于物理机理数据训练，识别逻辑完全依托能量域主导规则，保留完整物理意义，避免纯数据驱动的识别偏差。

105、本发明可同时适配系统稳态运行与动态变工况运行场景，精准揭示不同运行模式下的能量域主导演化规律，为系统故障诊断、精细化调控、工况优化提供核心技术支撑。