基于物理信息神经网络代理模型与多目标优化的智能电网多能源系统动态耦合调度研究

《Expert Systems with Applications》：A physics-informed neural network surrogate model and many-objective optimization algorithm for coupled multi-energy systems in smart grids

本文提出一种针对智能电网中多能源耦合系统的物理信息神经网络(PINN)代理模型与多目标优化算法(PC-MaOEA-PINN)，通过建立包含偏微分方程(PDEs)的多目标优化模型(MaOCMFM)，有效解决了电-气-热-冷多能源动态耦合调度问题。该研究创新性地将三次B样条函数与多物理约束嵌入神经网络损失函数，在保证物理一致性的同时显著提升优化效率，为复杂能源系统的智能调度提供了新范式。

　　

研究亮点

本研究通过物理信息神经网络(PINN)代理模型有效克服了传统偏微分方程(PDE)求解的高计算成本问题。与依赖离散化方法的传统方案不同，本方法将多物理场动态约束嵌入神经网络损失函数，仅需少量样本即可实现物理一致的解，为进化算法中的昂贵评估提供了新思路。

耦合多能源流的多目标优化模型

本研究聚焦于电-气-热-冷深度耦合的典型综合能源系统(IES)。系统架构包含电力子系统、燃气子系统、供热子系统和制冷子系统。电力子系统中的PQ节点不仅承担常规负载，还为供热网络中的电锅炉(EBs)供电。在发电侧，热电联产单元通过燃气轮机实现电-热协同输出。

基于物理信息神经网络代理模型的概率贡献多目标进化算法

本节详细描述了PINN代理模型(PINNSM)与PC-MaOEA-PINN算法的实现。本研究分别针对热力子系统、制冷子系统和燃气子系统训练独立的PINNSM模型。在进化阶段，这些模型将集成到目标函数和约束违反值的适应度评估中。图5展示了PC-MaOEA-PINN的算法流程。

PINNSM的具体架构在4.1节详述，训练后的模型将通过Shapley值-based变量重要性分析识别关键控制变量，进而构建概率进化算子，实现复杂优化景观中的自适应聚焦搜索与收敛加速。

实验与分析

本节展示所提模型与算法的验证结果。本研究以MATPOWER 39节点测试系统为基础模型，将其扩展为包含电、热、气、冷子系统的IES。原系统包含10个PV节点、38个PQ节点和1个平衡节点。为增强系统复杂性，我们引入了燃气轮机、电锅炉、吸收式制冷机(ACs)和压缩式制冷机(CCs)等耦合设备。

结论

本文研究了动态耦合多能源流IES中的多目标调度问题，重点关注物理异构性与PDE约束动力学带来的挑战。所提出的MaOCMFM模型采用PDE形式统一描述了电、气、热、冷子系统的非稳态物理过程。为解决这一复杂问题，我们提出了PC-MaOEA-PINN算法，该算法通过物理信息神经网络与多目标进化计算的深度融合，实现了计算效率与解质量的显著提升。