在可再生能源产量增加和电力节约的背景下,研究智能系统对国家电力系统的影响 作者:Jerzy Rudolf Tchórzewski 和 Dariusz Ruciński

《Electronics》:Study of the National Power System in the Context of Intelligent Systems Under Conditions of Increasing Renewable Energy Production and Electricity Savings Jerzy Rudolf Tchórzewski and Dariusz Ruciński

【字体: 大 中 小 】 时间:2026年05月02日 来源:Electronics 2.6

编辑推荐:

  摘要 在电力工程中,使用了多种数学模型来研究稳定性、预测等问题,这些模型通过分析方法、机器学习和人工智能获得。本文作者探索了一种新的建模方向,即利用1990年至2024年的数据,将电力系统的发展视为一个智能控制系统进行建模,同时考虑了可再生能源产量增加和电

  摘要 在电力工程中,使用了多种数学模型来研究稳定性、预测等问题,这些模型通过分析方法、机器学习和人工智能获得。本文作者探索了一种新的建模方向,即利用1990年至2024年的数据,将电力系统的发展视为一个智能控制系统进行建模,同时考虑了可再生能源产量增加和电能节约水平提高的情况。通过在MATLAB和Simulink环境中进行的建模,得到了两种高精度的模型:回归机器学习ARX模型和多层感知器(MLP)神经网络。对于神经网络模型,平均绝对百分比误差(MAPE)在0.73%到3.37%之间,决定系数R2在0.9478到0.9868之间。ARX模型的准确率接近100%。将ARX模型转换为状态空间(SS)模型后,发现传统电力生产和可再生能源子系统是可观测和可控的。所提出的方法论具有现代性,能够利用控制理论、系统理论和人工智能方法来研究大型发展系统。

1. 引言
对作为大型电力基础设施控制系统的波兰国家电力系统(KSE)的发展研究,是从控制理论和智能系统的角度进行的,考虑了包括太阳能、风能和水能在内的可再生能源产量增加的情况,以及新引入的节能机制导致的电力消耗减少的情况。全球范围内这些过程的快速增长,促使人们寻找这些系统发展的规律性,以便使用模型研究电力系统的期望行为,确定其机器智能程度,并对其进行控制。基于这一研究方向,采用了神经学习和回归机器学习进行建模,数据来源于波兰中央统计局(GUS)[1]以及波兰电力工业统计年鉴(ARE)[2]等机构。这类数据很少用于此类研究,因此缺乏专门的数据存储库。
第一篇相关出版物是一篇题为《从控制理论和系统角度研究电力系统的发展》的专著[3],此外还有发表在科学期刊上的文章和同行评审会议材料,涉及从发展角度对国家电力系统的建模[4],以及利用IEEE RTS数据从效率角度对电力系统发展进行建模[5]。这些研究关注基于1946年至2007年数据的国家电力系统发展模型的参数识别方法[1,2],以及使用IEEE RTS测试数据的研究[6]。
波兰电力行业的现状及其截至2034年的发展计划包含在文件《2025-2034年当前和未来电力需求满足计划》[7]中,该文件指出了开展国家电力系统(KSE)发展模式研究的必要性,证实了此类研究的相关性。
全球范围内也有类似的研究,例如中国电力系统中绿色能源比例增加的实现,以及用清洁能源替代现有能源载体的机制[8]。这些研究指出了包括政治因素在内的多种因素的作用,展示了从能源供应、传输和分配的角度设计新模型的可能性。
关于波兰电力行业发展的当前问题,特别是核能和可再生能源的研究也非常重要[9],该研究强调了分布式发电对电力系统运行和发展的影响。这与需要考虑日益增加的分布式发电和可再生能源规模有关,以及将风力发电厂、光伏发电和燃料电池整合到电力系统中的必要性。
在[10]中,作者在该论文的背景下,关注了电力系统扩展的内部方面,特别是在电网领域,他们将其定义为国内的一项投资需求,通过优化网络结构(物理上扩展传输和分配连接)来实现。
值得注意的是,波兰也在适应欧盟2009年提出的有利于气候和生态的承诺,包括持续减少温室气体排放、增加可再生能源在最终能源结构中的比例以及降低能源消耗(所谓的3×20%目标),这一目标自2013年起实施,并自2020年以来力度进一步加大。
在文献中,有许多关于创建电力系统宏观模型的研究,旨在预测特定数量,例如使用贝叶斯方法中的压缩向量自回归变体进行宏观经济预测[11]。作者使用投影矩阵随机选择向量自回归(VAR)中的预测变量,然后进行样本外预测,预测值是通过包含不同解释变量的所有估计模型平均得到的,同时使用贝叶斯模型平均(BMA)来确定这些变量的数量。
鉴于电力系统发展的多种建模方向,本研究旨在使用回归机器学习方法构建国家电力系统的参数模型,得到了四个MISO类型的KSE子系统,每个子系统有九个输入和一个输出。这些模型随后被转换为状态空间模型,用于在控制理论和系统框架内研究KSE发展系统的稳定性和质量。此外,还创建了一个具有九个输入和四个输出的KSE发展系统神经模型。
仅基于1990年至2024年直接描述电力系统运行的数量来提出国家电力系统的这种方法,使得能够设计和实现KSE发展模型,包括一个感知器ANN形式的神经模型和四个基于回归机器学习的参数ARX型模型。这种对KSE发展系统的处理方法是原创的,在相关文献中很难找到类似的解决方案。
然而,这两种提出的建模方法在相关文献中已有描述,因此在本论文中不再详细阐述。特别是神经学习方法——即教授人工神经网络模型系统的方法——在[12]中以非常易于理解的方式进行了描述;关于控制理论和系统理论的方法在专著[13]中有介绍。用于信息处理的详细人工神经网络教学方法在[14,15]中进行了讨论,这些方法不仅用于建模,还用于数据分析。回归机器学习模型(最初称为识别建模或简称识别)——即利用输入和输出变量为模型参数赋予知识的机器学习方法,在专著[16]中有介绍,同时也在使用MATLAB环境的对象和信号识别研究中有所涉及[17]。
另一项重要工作是[18],该研究探讨了在系统支持能源转换和减少二氧化碳排放的条件下,为煤炭生产过程实施准时制(Just-in-Time)哲学的模型。这项研究与我们使用回归机器学习和ARX模型的方法类似。类似的方法论也见于[19],该研究探讨了波兰TGE S.A.公司前一天市场系统的建模,以及使用卷积ANN进行价格预测的研究[20]。
还有许多关于能源市场价格预测的研究,值得一提的是[21]中发表的结果,该研究使用了一种新的分解和组合方法,结合多种非参数回归方法和时间序列模型来提高日前电价预测的准确性和效率。在上述研究中,建模系统、对象等的问题通常涉及获取由输入和输出量向量组成的训练对。接下来根据问题类型选择模型结构和学习方法,以获得最佳质量的模型。另一种常见的建模方法是基于时间序列方法。值得注意的是,在本文中提到的研究中,深度ANN并未用于神经建模,因为它们更适用于不同的机器学习方法,如聚类分析,在处理和理解信号(如图像)的背景下也是如此。
此外,还有关于波兰电力行业发展的当前问题的研究,包括核能和可再生能源[9],这些研究强调了分布式发电对电力系统运行和发展的影响。这与需要考虑日益增加的分布式发电和可再生能源规模有关,以及将风力发电厂、光伏发电和燃料电池整合到电力系统中的必要性。
在[10]中,作者在本文的背景下,关注了电力系统扩展的内部方面,特别是电网领域,他们将其定义为国内的投资需求,通过优化网络结构(物理上扩展传输和分配连接)来实现。
值得一提的是,波兰还在适应欧盟2009年提出的有利于气候和生态的承诺,这包括持续减少温室气体排放、增加可再生能源在最终能源结构中的比例以及降低能源消耗(所谓的3×20%目标),这一目标自2013年以来一直在实施,并且自2020年以来强度进一步加大。
在文献中,有许多关于创建电力系统宏观模型的研究,目的是为了预测特定数量,例如使用压缩向量自回归变体的贝叶斯方法进行宏观经济预测[11]。作者使用随机压缩技术,在向量自回归中随机选择预测变量,然后进行样本外预测,预测值是通过包含不同解释变量的所有估计模型平均得到的,同时使用贝叶斯模型平均(BMA)来确定这些变量的数量。
鉴于电力系统发展的多种建模方向,本研究旨在使用回归机器学习方法构建国家电力系统的参数模型,得到了四个MISO类型的KSE子系统,每个子系统有九个输入和一个输出。这些模型随后被转换为状态空间模型,用于在控制理论和系统框架内研究KSE发展系统的稳定性和质量。此外,还创建了一个具有九个输入和四个输出的KSE发展系统神经模型。
仅基于1990年至2024年直接描述电力系统运行的数量来提出国家电力系统的这种方法,使得能够设计和实现KSE发展模型,包括一个感知器ANN形式的神经模型和四个基于回归机器学习的参数ARX型模型。这种对KSE发展系统的处理方法是原创的,因此在相关文献中难以找到类似的解决方案。
然而,这两种提出的建模方法在相关文献中都有记载,因此在本论文中不再详细阐述。特别是神经学习方法——即教授人工神经网络模型系统的方法——在[12]中以非常易懂和示例性的方式进行了描述;关于控制理论和系统理论的方法在专著[13]中有介绍。用于信息处理的详细人工神经网络教学方法在[14,15]中进行了讨论,这些方法不仅用于建模,还用于数据分析。回归机器学习模型(最初称为识别建模或简称识别)——即利用输入和输出变量为模型参数赋予知识的机器学习方法,在专著[16]中有介绍,同时也在使用MATLAB环境的对象和信号识别研究中有所涉及[17]。
另一项重要工作是[18],该研究探讨了在系统支持能源转换和减少二氧化碳排放的条件下,为煤炭生产过程实施准时制哲学的模型。与我们的方法类似,但使用人工神经网络作为系统模型的是[19],该研究探讨了波兰TGE S.A.公司的日前市场系统,以及使用卷积ANN进行价格预测的研究[20]。
还有许多关于能源市场价格预测的研究,值得一提的是[21]中发表的结果,该研究使用了一种新的分解和组合方法,结合多种非参数回归方法和时间序列模型来提高日前电价预测的准确性和效率。在上述研究中,建模系统、对象等的问题通常涉及获取由输入和输出量向量组成的训练对。接下来根据问题类型选择模型结构和学习方法,以获得最佳质量的模型。另一种更常见的建模方法是基于时间序列方法。值得注意的是,在本文中提到的研究中,由于深度ANN适用于不同的机器学习方法(如聚类分析)以及在处理和理解信号(如图像)方面的应用,因此没有使用深度ANN进行神经建模。
此外,对于神经建模和回归机器学习,人工神经网络和参数识别方法都已被成功应用于类似问题,例如电力市场的神经建模[19,20,21]和能源系统的回归机器学习建模[3,4,5,18]。
文献中还有许多关于各种能源问题发展的研究,例如基于中国省级数据的能源发展水平动态综合评估[22],该研究考虑了2007年至2016年各省的发展数据。然后通过比较评估结果,确定了中国地方能源行业的差异、特征和发展潜力。在[23]中,针对中国低排放热能发展的限制,以2018-2025年京津冀地区为例,研究了风能的发展,预测了产业结构和总电力消费的变化。研究指出,根据分析结果,这些地区的低排放发展政策指导了热能的发展。所得模型用于分析风能的发展,考虑了发展对电力购买的影响以及热能和风能政策的发展。[24]的作者强调了电力系统的“集体智能”,指出随着可再生能源和分布式、多样化能源使用的增加,对更复杂控制系统的需求也在增加;因此,集体智能成为中国人工智能发展计划中的一个新研究方向。
[25]的作者还指出了机器智能的提高,展示了电力电子技术和物联网(IoT)在电力系统中的日益应用,这导致了通过传感器、通信和控制技术的智能控制。还值得引用[26],该研究回顾了现有的网络物理电力系统建模方法,以便利用这些模型进行各种分析,如网络攻击分析、威胁分析和电力系统的韧性分析。物理层通常由电力网络和保护设备组成,而网络层则由通信、计算和控制组件构成。文献中引用的研究结果表明,寻求将国家电力系统发展为智能控制系统的模型是合理的,特别是使用回归机器学习方法和神经学习方法等人工智能方法。此外,应用控制与系统理论来研究国家电力系统的发展特性,尤其是使用回归模型,不仅可以从预测质量的角度对其进行评估,还可以从灵活控制系统的运行和发展角度进行评估。在获得现象学模型时同时使用这两种类型的模型是困难的。在这种情况下,要么设计神经模型,为所研究的实验选择合适的ANN架构和学习方法;要么进行回归机器学习,为所建模的系统选择合适的实验识别方法。在这两种情况下,关键的初步问题都是获取系统输入和输出变量的适当值,并根据所建模系统的性质、对象、过程等进行方法调整。学习系统模型在某种意义上是一种迭代活动,包括以下基本步骤:第一步:为系统准备足够的输入和输出数据——在本例中为KSE系统。第二步:数据预处理——例如,在回归机器学习的情况下进行预处理操作,在神经学习的情况下对数据进行标准化。第三步:选择模型结构,在机器学习的情况下选择模型结构,在神经学习的情况下选择ANN结构,从而在编程环境中获得适当的元模型或系统模型。第四步:选择学习方法类型,例如使用ARX方法的回归学习或选择Levenberg–Marquardt方法的神经学习。第五步:使用MSE误差和R2决定系数等指标对两种模型的参数进行评估。第六步:将模型导出到Simulink仿真环境中,以便进行比较和仿真研究,包括预测研究。第七步:通过比较模型的输出信号与系统的相应信号,确定差异、绝对误差、相对误差和平均相对误差(MAPE误差),来验证两种模型相对于KSE系统的有效性。第八步:利用控制与系统理论研究KSE系统作为智能控制系统的特性。第九步:对获得的模型和研究成果进行解释。值得一提的是,无论是神经建模还是回归机器学习,都已经成功应用于电力工程中系统功能的建模[15,18,19,20],但迄今为止,尚未开发出用于建模此类系统(包括电力系统)发展过程的方法论或实践。因此,神经建模和回归建模关注的是国家电力系统的发展过程,而不是其运行过程;因此,本文作者采用的方法论基于1990年至2024年的数值数据来寻找系统发展模型,并利用这些模型来检验NPS系统的可控性和可观测性。研究的目标是填补智能控制系统(如现代电力系统)发展研究方法的可能性与业务实践在系统发展模型需求之间的空白。然后,利用控制与系统理论[27,28,29],特别是控制系统发展理论[3,13,30]的可能性,研究系统发展的特性,如可控性和可观测性。值得注意的是,本研究为探索电力系统中机器智能的程度开辟了新的方向,包括系统内部组织的程度和控制水平。该领域获得的研究结果是开创性的,可以视为作者的原创成果及其对研究的贡献。因此,除了本节讨论的主题——研究背景、迄今为止发表的关于能源系统发展建模的研究结果、确定的研究空白以及定义的研究目标外,文章还包括第2节中介绍的KSE系统作为研究对象的开发情况;第3节中描述的材料、方法和提出的研究实验;第4节中介绍的作者研究成果,包括回归机器学习(第4.1节)和神经学习(第4.2节);第5节中介绍的关于KSE系统发展评估的研究结果;以及第6节中提出的讨论、结论和进一步研究的方向。此外,附录A展示了在所进行的研究实验中使用的KSE系统的发展数据。

2. KSE系统作为研究对象的特性
在最后一个年度报告期(2024年),国内总电能(ee)产量略高于2023年,达到166,990 GWh(比2023年增长2.1%),国内总电力消费(ee)也略有增加,达到168,956 GWh(比2023年增长0.9%)[31]。2024年的电力生产结构也发生了变化,可再生能源发电量增加了3.8%,燃气发电量也有所增加。此外,装机容量和可实现容量也有所增加,从而在国家电力系统的能源生产结构中的份额分别增加了6.5%和7.8%。值得注意的是,截至2024年底,波兰共有超过1,544,000个微型发电装置(包括1,522,655个生产者和消费者),总装机容量超过12.7 GW,其中主要是生产者(12.1 GW)。这些装置在2024年向配电系统运营商(DSO)电网输出的电力总量超过8.5 TWh(主要是生产者:8.3 TWh)。同时,配电系统运营商记录了2024年出现的三个由集体可再生能源生产者和消费者使用的微型发电装置,其总装机容量为0.113 MW,这些装置在2024年向DSO电网输出的电力总量为87,768 MWh。从安装类型来看,这些主要是光伏装置,而近年来微型发电装置数量的增长率从2022年的41.0%和2023年的15.0%下降到2024年的10%,这导致所有微型发电装置向电网输送的电量增长率从2022年的109.0%和2023年的27.0%下降到2024年的17.0%[31]。此外,2024年波兰首次有基于可再生氢气发电的装置被列入可再生能源装置登记册。目前,批发市场的结构和机制与其他大多数欧洲国家基本相同,市场参与者在平等的条件下运作,可以广泛购买和出售各种形式的能源,并获取有关批发市场上能源供应和销售数量及价格的信息。截至2024年底,共有19,299,212个能源消费点(EPPs)连接到国家电力系统(KSE),其中16,790,297个(87.0%)是家庭EPPs。连接到配电系统运营商网络的最终用户获得的电力总量为149,395,920 MWh。2024年,所有连接到40家最大运营商配电系统的客户从电网抽取的电力比2023年增加了1.85%,只有家庭用户的电力消耗略有下降,2024年的家庭电力消耗量为32,399,728 MWh,而2023年为32,407,171 MWh。家庭占全球能源消耗量的22.4%。平均每户家庭的能源消耗量为1930 kWh,明显低于2023年的2121 kWh。关于褐煤消费的变化,2025年6月波兰的褐煤产量为2583.8万吨,同比下降25.4%。2025年1月至6月期间,褐煤产量同比下降3.7%。2025年5月褐煤总销量为300万吨,比2024年增加3.2%。5月底的褐煤库存为530万吨,比2024年增加5.29%。2026年及以后的变化基础是部长理事会批准的更新后的国家能源和气候计划(直至2030年),并展望到2040年,该计划为波兰电力部门的发展设定了两个基本目标:一个是“福利能源组合”(WEM)情景,假设可持续转型,到2030年可再生能源在电力生产中的份额将达到51.6%,到2040年达到65.6%;另一个是“额外措施”(WAM)情景,预测加速转型,使这些指标分别增加到2030年的53.2%和2040年的68.9%[32]。

3. 材料、方法和研究实验
多种研究方法可用于开发系统模型。在本研究中,选择了使用ARX算法的回归机器学习方法和使用感知器人工神经网络(PANN)的神经学习方法。数据主要来自波兰中央统计局(GUS)的1990年至2024年(35年期间)的数据,以及波兰电力工业统计数据[1,2]。通过回归机器学习得到了ARX型多输入单输出(MISO)模型,而通过感知器ANN训练得到了神经模型。现代电力系统,包括国家电力系统(NPS),是具有越来越高的控制水平和越来越高的内部系统组织程度的智能系统。这意味着像所研究的这样的系统每年都能以更高的稳定性和灵活性运行,并能够利用越来越复杂的可控性和可观测性机制。由于NPS作为控制系统的复杂性和内在丰富性不断增加,其要求也在增加,包括需要适应可再生能源(如太阳能、风能和水能)生产的增长,以及引入节能(ee)机制,从而降低能源消耗。然而,由于电力需求的快速变化,特别是由于可再生能源比例的增加以及国家电力系统中节能需求的推动,人们对开发新的方法来研究国家电力系统(包括维持其可控性和可观测性)的期望也在增加[9,27,28,29]。由于国家电力系统是一个智能系统,保持其控制水平或实现更高水平的控制也很重要,同时需要研究其内部组织程度,这加强了这一领域的研究需求。为了应对这些重要挑战,越来越多地使用现代方法和相关设计方法,包括基于人工神经网络和回归机器学习的方法,这些方法可以利用时间序列、输入-输出训练数据等形式的数据来建模NPS系统。在神经建模和回归机器学习建模的情况下,所需的数据来自中央统计局的统计年鉴以及ARE S.A.维护的波兰电力工业统计年鉴[1,2]。在现代电力系统建模方法中,除了神经建模(包括深度学习)外,还经常使用各种回归机器学习方法,以及模糊系统、进化算法、蚁群算法等方法[12,13]。在使用人工智能方法对NPS系统进行建模的每个案例中,一个关键方面是选择合适的ANN架构或回归模型结构,以及选择ANN训练方法或NPS系统识别方法,这些都必须根据问题的具体性和可用数据进行调整[3,17]。在这方面,本研究在MATLAB和Simulink环境中设计和实现了KSE系统模型作为智能系统,使用System Identification Toolbox程序库获得MISO类型的回归模型,并使用Deep Learning Toolbox库与Fitting Processing Toolbox选项获得KSE系统的神经模型[33]。上述数据分别涉及以下内容:
(1) 九个输入量,包括:
- 硬煤发电厂的装机容量 [MW];
- 褐煤发电厂的装机容量 [MW];
- 工业发电厂的装机容量 [MW];
- 水力、风能和太阳能发电厂的装机容量 [MW];
- 用于抽水的电力消耗 [GWh];
- 传统发电厂中的硬煤消耗 [千吨];
- 传统发电厂中的褐煤消耗 [千吨];
- 工业发电厂中的天然气消耗 [hm3];
- 电力进口 [GWh]。
(2) 四个输出量,包括:
- 公用热电厂的电力生产 [GWh];
- 来自可再生能源(风能、太阳能和水能)的电力生产 [GWh];
- 出口的电力生产 [GWh];
- 电力损失和平衡差异 [GWh]。
这些数据与获取1990年至2024年(35年期间)的年度数据以用于建模的需求相关[1,2]。
为了进行研究实验,准备了1990年至2024年的数据,这些数据在附录A中展示,即表A1中为输入变量,表A2中为输出变量。
利用可用数据,尝试设计KSE发展系统的神经模型以及KSE系统的回归模型。然后,在获得相应的KSE系统模型后,通过适当的比较、仿真以及随后使用Simulink中实现的仿真模型进行预测研究来检验所获模型的准确性。因此,本研究的重点是KSE作为智能控制系统,其参数和结构会随时间变化。KSE系统发展的自变量是时间θ,以月、年甚至十年为单位进行测量。在所呈现的研究中,假设KSE是一个具有发展结构的系统,在连续的发展阶段(1, 2, …, N)经历时间演化,每个阶段包括学习发展模型及其评估的阶段。KSE发展的连续状态应该逐年改进,但实际上情况并非总是如此。
为了描述每个发展阶段的系统发展,采用了发展系统理论[3,30],但对于这类系统(如KSE系统),特征量并不直接可用,因为通过分析建模获得的发展模型也不可用。另一方面,可以通过KSE系统发展的回归机器学习获得发展模型,并从中提取评估系统发展所需的特性。
在KSE系统的特征量有一组有限值的情况下,表示为集合K(θ) = ,应寻找一个系统质量函数J(K1, K2, …, Kn)作为评估KSE发展各个阶段的统一标准。集合K(θ)可以在状态空间中表示为KSE系统发展的多维状态向量,形式为
KSE系统结构的变化可以通过发展状态向量Ki(θ)的导数来衡量,即
Ci (i = 1, 2, …, n)定义了KSE结构的初始状态;θ指的是KSE发展过程中的时间自变量;Ki(θ)表示KSE发展状态向量的组成部分。
1990年至2024年间KSE系统的发展具有多阶段发展的特点;因此,KSE系统的连续状态受到过去状态的影响,即使是来自不同时代的技术、经济、气候等信息的流的影响。鉴于KSE系统发展状态向量的多阶段性质,还需要考虑状态向量变化的速度,这不仅取决于当前状态,还取决于KSE系统过去的形式,可以表示为
需要注意的是,对于KSE系统的发展过程来说,重要的是时间θ的变化过程,而不是系统功能动态中的变化过程本身。在KSE系统的发展过程中,发生两个相反的过程:KSE系统的运行过程及其老化过程,以及系统的改进过程及其现代化过程(系统的积极发展和现代化过程)。因此,如果由于KSE系统的发展,获得了具有越来越温和过渡过程的新系统状态,可以说系统变成了越来越智能的控制系统。从KSE系统发展的角度来看,KSE的功能和发展可以记录如下:
K——KSE系统发展的参数集;
θ——KSE系统的长期发展时间;
t——KSE系统在一个发展周期θi中的短期运行时间。
因此,符号(4)中的发展状态向量关于θ提供了关于发展的信息,而关于t则提供了关于系统运行的动态特性的信息。因此,存在一个单一的动态函数K(K,θ,t),综合了KSE系统的动态和发展,本研究将系统的研究简化为以下状态的表达:
在这种情况下,考虑KSE发展连续状态的质量变化是有趣的。本文正是关注这种情况,即从t = 0或t = const的角度来看KSE系统的结构和参数变化。这里需要注意的是,方程(5)中的K(θ = const,t)指的是系统的单次激活或子系统的激活,并描述了施加强迫或干扰时的行为,而K(θ, t = const)适用于两种情况,即考虑n次激活的动态过程时和检查KSE系统结构连续N个版本的质量变化时。
为了清楚地显示KSE系统发展特征随运行时间t的变化与系统结构发展时间θ的变化之间的差异,可以简单地比较诸如偏转、初始过程的稳定时间(瞬态过程)或初始过程中的振荡次数等特征的行为。值得注意的是,特征量不是系统运行的特征,也不是KSE系统发展的特征。物理系统和系统的特征量是通过取适当的值来赋予其形状、重量、维度、物理属性、功能实用性等的量。在运行过程中——即在短时间内t的物理过程中——这些量会因系统使用而变化,并且随着时间的推移也会变化(例如,由于系统老化)。由于KSE系统的发展,以及长期θ的变化,设备、电路、系统、子系统等的结构会发生变化。此外,有时由于技术现代化,物理过程也会发生变化,这会导致这些量集的变化(现有量消失,新量出现,一些现有量的属性发生变化等)。这些量集受到上下限的限制,可能涉及物理系统的特定外部特征(例如,现有的电容、电感、能量特性等),以及物理现象的特定特征(例如,最大电压值、允许的频率值等)。
当然,根据各个特征量对前述特征的影响程度,可以区分敏感和非敏感的特征量。同时,也可以指出它们在特征中的位置。然而,还可以考虑通用特征,如效率、有效性和鲁棒性的特征,以及KSE系统发展的安全性特征。还可以讨论评估特征或老化特征,以及电力系统和电力系统发展的特征。
在这种方法中,KSE系统可以仅被视为一个技术对象,只考虑其中的操作过程——即物质和能量流,在这种情况下,指的是电力和能量的传输。KSE系统也可以被视为一个管理对象,并在其中区分信息-决策流,例如,在所考虑的系统中,能源监管办公室作为KSE系统的监管系统的作用。最后,KSE系统也可以被视为一个控制系统,正如本研究所考虑的那样,从而在其中区分能量流和电力传输服务的流程,以及资金流的流程。
因此,接受KSE系统是一个包含控制过程的技术经济控制系统——即考虑电能和能量传输服务的物理流动(实施系统)的过程,以及相反的信息-资金流过程(控制系统)。这导致在KSE发展模型中区分了能量-物质过程和相反方向的信息-资金过程。这种对KSE系统发展的方法相当于研究作为技术经济智能系统的控制系统的规律性,其中——影响系统的一组量,例如一组输入量;——系统的一组外部量,例如输出量。
因此,从控制和系统理论的角度来看,控制系统,即KSE系统,至少由两个子系统组成:控制系统和被控制系统。被控制系统包含操作(技术)过程,控制系统包含组织操作的过程——即确定操作利用程度的过程(财务)。在考虑KSE系统多年发展的正确性时,研究各个特征量对结构变化和参数变化的敏感性是很重要的。
可能会发现Ki(θ)值的小变化可以显著提高KSE系统发展的质量,而在另一种情况下,即使这些值有明显变化也可能不会带来任何变化,甚至可能恶化系统的质量。
最终,可能会出现这样一种情况:给定量的变化在达到某个限度之前可以提高系统的质量,但超过这个限度后,系统的质量会下降。因此,根据特定时间出现的技术、经济、气候变化等信息,以及KSE系统用户需求的变化,对KSE系统作为技术经济系统的发展进行数学描述是非常重要的。因此,为了结合工作流程和控制流程,可以采用以下KSE系统发展模型:
(6)
其中θ表示控制向量;r(θ)表示技术、经济、气候信息和用户需求等向量。
通过关系式(6)表达的KSE系统发展状态的变化研究,取决于以下因素:
- KSE系统当前的发展状态,由向量K(θ)描述;
- 控制向量(通常是外部驱动因素)s(θ);
- 技术、经济、气候和用户信息向量r(θ),可以共同表示为:
(7)
在需要使用回归机器学习方法并通过识别方法获得KSE系统发展模型的情况下,可以根据收集的数值数据获得适当的系统模型,具体取决于所使用的方法。在控制理论和系统工程领域,可以获得以下几类模型:
- 单输入单输出(SISO)模型;
- 多输入多输出(MIMO)模型;
- 单输入单输出(MISO)模型;
- 线性模型和非线性模型;
- 参数化模型和非参数化模型;
- 时间不变模型和时间变化模型;
- 时域模型和频域模型;
- 连续时间模型以及离散时间模型,甚至脉冲模型;
- 集中参数模型和分布参数模型;
- 确定性模型和随机模型。
由于研究目的,值得关注回归机器学习中获得的几种基本且重要的模型类型。其中包括动态线性模型,该模型可以使用离散输出信号y(t)表示为:
(8)
其中G(z?1)表示控制特性;H(z?1)表示扰动特性;u(t)表示输入信号;ε(t)表示扰动(噪声);z表示时间移位运算符;t表示以天为单位的短时间间隔。
将y(t)和ε(t)表示为z?1的多项式比值,可以得到如下形式的模型:
(9), (10), (11), (12), (13), (14)
其中z?1表示一个单位的时间延迟,例如y(t)·z?1 = y(t ? 1);na表示多项式A(z)的次数;nb表示多项式B(z)的次数;nc表示多项式C(z)的次数;nd表示多项式D(z)的次数;nf表示多项式F(z)的次数。
在回归机器学习中用于创建KSE系统发展模型的下一个模型是具有外生输入的自回归(ARX)模型,该模型基于关系式(9)得出,假设C(z?1) = D(z?1) = F(z?1) = 1,则可以得到:
(15)
在旨在获得KSE系统发展模型的神经学习中,采用了感知器ANN架构,即单向多层输入网络,因为在获得此类模型的过程中,ANN能够取得最佳结果。作为学习方法,使用了Levenberg–Marquardt方法。整个方法论过程包括以下与在MATLAB和Simulink环境中使用名为Deep Learning Toolbox的库创建m文件对象相关的阶段:
(1) 以训练对的形式输入数据(系统的输入向量u,系统的输出向量y)。
(2) 设计神经网络架构(根据所采用的变量数量确定输入层和输出层的神经元数量;确定隐藏层的数量——在设计的模型中,只需设计一个隐藏层即可提高ANN的容量;通过试错法确定隐藏层中的神经元数量;选择隐藏层和输出层中神经元的激活函数类型)。
(3) 初始化ANN权重和偏置的初始值。
(4) 确定学习参数(学习率、允许的误差、学习周期数等)。
(5) 选择适合所创建系统模型的学习算法(选择了Levenberg–Marquardt算法),并确定用于训练、测试和验证的数据文件划分。
(6) 展示学习结果(例如MSE误差的变化趋势、确定系数R2等)。
(7) 将获得的KSE系统发展模型作为对象导出到Workspace和Simulink中。
(8) 在Simulink中使用SSN对象作为系统模型,与回归模型一起进行比较和仿真研究。
4. 研究结果
本文详细介绍了两种类型的研究实验结果:
- 实验1:使用ARX识别方法对MISO型模型进行回归机器学习,假设出现了第2点中指定的九个相同输入量和一个输出量;
- 实验2:使用感知器ANN和Levenberg–Marquardt学习规则对九个输入量和四个输出量(MIMO模型)进行神经学习。
在开始建模之前,首先研究了1990年至2024年间可再生能源和传统能源发电的当前趋势,如图1所示。图1显示了1990年至2024年间传统能源和可再生能源的发电趋势。来源:自己在MATLAB和Simulink中的研究[33]。此外,还研究了所有四个子系统模型的预测趋势(每个输出分别),并将ARX回归机器学习模型的运行结果展示在图2中。图2显示了NPS发展系统中考虑的四个单独输出的变化趋势,即可再生能源发电量、传统能源发电量、电力出口量以及1990年至2024年期间的损耗量和平衡量,并对未来四年进行了预测。来源:自己在MATLAB和Simulink环境中的研究[33]。
4.1. 使用回归机器学习获得MISO模型的结果
使用回归机器学习获得的结果将通过一个在国家级电力系统中运行的子系统的例子来说明,即来自传统能源的电力生产子系统。
为了建模目的,假设所有九个输入量都是输入量,从而获得了MISO型模型。使用ARX参数识别方法,得到了一个形式为(16)的离散ARXKSE9024441模型:
其中z?i表示时间延迟的尺度(在所考虑的实验中,单位为[年])。
同样,当使用ARX参数识别方法对来自可再生能源的电力生产子系统进行建模时,得到了一个形式为(17)的离散ARXKSEEEO9024441模型:
通过对模型(1-1)和(1-2)的初步分析,可以看出,关于褐煤电厂装机容量[MW]和工业电厂装机容量[MW]的输入变量,以及对传统电厂电力生产子系统(GWh)的模型(1-1)和可再生能源生产子系统(1-2)没有影响。因此,获得的系统模型(1-1)的参数为:na = 4, nb = [4 4 4 4 4 4 4 4 4 4],nk = [1 1 1 1 1 1 1 1 1]。该模型与实际系统的吻合度接近100%,MSE误差为8.538·10?21(图3),显示出与测量数据的非常好匹配。系统模型(1-2)的相应参数为na = 4, nb = [4 4 4 4 4 4 4 4 4],nk = [1 1 1 1 1 1 1 1 1],也与系统的吻合度接近100%,MSE误差为1.105·10?22(趋势与图3类似)。图3显示了传统电厂电力生产系统的输出波形和系统模型输出波形。来源:自己在MATLAB和Simulink环境中使用System Identification Toolbox的研究[33]。
4.2. 使用神经学习获得MIMO模型的结果
使用感知器ANN和Levenberg–Marquardt学习方法获得的结果将通过国家级电力系统发展系统的例子来说明,该系统考虑了输出和输入,从而得到了MIMO型模型(图2)。在使用Levenberg–Marquardt方法进行神经学习过程中,获得了MSE误差,曲线显示在图4中,同时得到了确定指数,曲线显示在图5中。可以看出,训练和测试阶段的MSE误差减少了近四个数量级,并在11个周期后稳定下来,而在第4个周期后验证误差减少了近两个数量级,然后在第8个周期后略有增加,但在第11个周期后稳定下来。图4显示了传统电厂电力生产子系统的神经模型。来源:自己在MATLAB和Simulink中使用Deep Learning Toolbox的研究[33]。图5显示了训练感知器ANN模型后的MSE误差模式。来源:自己在MATLAB和Simulink中使用Deep Learning Toolbox的研究[33]。获得的指标如下:训练阶段的确定指数为0.99672,测试阶段的确定指数为0.8361,验证阶段的确定指数为0.95949。这些指标表明模型与NPS系统的匹配度很高。
神经学习的确定系数很高,训练阶段的确定为0.99672,测试阶段的确定为0.8361,验证阶段的确定为0.95949。所有研究实验的确定系数R和MSE误差总结在表1中,图7显示了在Simulink中构建的用于进行比较研究的模型。由于名为“Normalization”的模块包含Simulink中实现的典型标准化方法(该方法涉及用给定信号的值除以该值的总和来替换单个值),因此没有将其可视化。然而,名为“MAPE”的模块在图8中显示。图6显示了在获得NPS发展系统神经模型过程中的确定指数变化趋势。符号说明:*表示乘法符号。来源:自己在MATLAB和Simulink环境中使用Deep Learning Toolbox的研究[33]。表1总结了各个模型输出的R2指数和MAPE误差。来源:自己在MATLAB和Simulink环境中的研究[33]。图7显示了在Simulink中构建的用于进行比较研究的模型,以检查NPS系统模型的敏感性。符号说明与Simulink中的约定相同。图8显示了用于比较评估NPS系统、参数模型以及通过机器学习和神经模型获得的神经模型的仿真模型。另一方面,需要说明的是,在使用ARX方法的回归机器学习方法中,模型与系统的吻合度接近100%可能会引起担忧,因为在神经模型中可能会发生过拟合现象,导致学习、测试或验证曲线中的MSE误差持续增加。然而,在神经学习的情况下(图5),并没有发生这种过拟合现象,尽管神经模型对KSE系统的拟合精度也很高。另一方面,在机器学习中,不会出现与模型过拟合相关的问题。值得注意的是,到目前为止,尚未开发出任何数学上证明的有效方法来将数据划分为训练集、测试集和验证集;因此,这一划分是通过使用试错方法的敏感性分析来实现的。在确定了隐藏层的层数和神经元数量后,通过多次试验来经验性地划分训练集、测试集和验证集。如果用回归模型的对象替换神经模型的对象(使用Idmodel模块),则会立即得到一个用于测试的回归模型。

5. 国家电力系统发展研究
为了获得适合研究国家电力系统(KSE)在状态空间中行为的模型,将公式(1)中表示的离散回归模型转换为连续回归模型,然后再将其转换为状态空间中的连续模型。本研究利用了国家电力系统(KSE)控制系统的子系统模型。以负责传统电力生产的子系统作为研究示例,该子系统在状态空间中表示为s22模型,其矩阵如下:
As22 [4 × 4]:
Bs22 [9 × 4]:
Cs22 [4 × 1]:
Ds22 [9 × 1]:
Ks22 [1 × 4]:
Xs22 [1 × 4]:
由此得到了以下状态变量模型(为了便于阅读,将各个矩阵元素的值限制在小数点后两位,并省略了初始条件和扰动):
(18)
同时,输出方程的形式如下:
(19)
其中x1(t), x2(t), …, x4(t)为相应的状态变量;
u1(t), u2(t), …, u9(t)为相应的输入变量。
因此,基于1990年至2024年的数据,得到了公用事业热电厂电力生产子系统的状态空间模型 [GWh],该模型包含九个输入变量和一个输出变量y1(MISO模型),并用状态和输出方程表示。由于这些模型未在本次研究中使用,因此省略了具体的符号表示。特别是,矩阵A、B、C和D被用来在Simulink中构建块图,以评估NPS系统的质量,包括所考虑的控制子系统的可控性和可观测性,考虑了以下因素[3,27,30]:
- 当rank[] = rank[Bi ABi A2B … An?1Bi] = n且等于矩阵A的维度时(在当前情况下),系统是完全可控的——等级1。研究表明rank[]为4,等于可控性矩阵的维度,因此所测试的子系统是完全可控的。
- 当det([B AB A2B … An?1B] ≠ 0时,系统是规则可控的。在当前情况下,由于矩阵B与九个输入相关联,即i = 9,需要计算九个行列式,这些行列式必须非零——等级2。研究表明所有行列式的值均非零(见表2),因此所测试的子系统可以通过各个输入进行规则控制。
- 当矩阵V = [C′ A′C′ (A′)2C′ … (A′)n?1C′]的秩等于n(即矩阵A的秩)时,系统是完全可观测的——等级3。研究表明矩阵V的秩为4,因此所考虑的子系统是完全可观测的。
在可再生能源生产子系统的情况下也得到了类似的结果,因此得到了状态空间中的模型及其相关矩阵,这些模型表明该系统的属性与传统电力生产子系统相同。

总之,值得注意的是,研究控制系统设备的控制程度(如KSE系统的发展)是一个重要的方向,特别是随着设备越来越影响其机器智能水平(智能系统)的提升。然而,目前还没有关于这些系统至少在可观测性和可控性方面的研究结果,而这在电力系统的系统管理实践中是一个非常重要的问题。

6. 讨论、结论和进一步研究的方向
本研究的目的是从智能系统的角度研究波兰的国家电力系统,特别是在可再生能源生产和电力节约不断增加的条件下。在回顾了相关文献后,表明所采取的研究方向是创新的。研究了波兰运行的国家电力系统,显示了来自可再生能源的能源产量有所增加,并根据能源监管办公室2025年的报告详细描述了截至2024年的发展状况。收集了1990年至2024年的年度数据,以表征所研究的国家电力系统的发展情况。进行了两项研究实验,开发了国家电力系统的模型,即四个MISO回归模型和一个MIMO神经模型。然后展示了这些模型的预测能力,并在Simulink的仿真模型上验证了它们的预测性能,用于比较研究。通过获得非常低的MAPE误差来验证模型的准确性,对于神经模型,连续输出的MAPE误差分别为3.37%、0.73%、2.17%和2.60%,决定系数R2分别为0.9868、0.9595、0.9478和0.9560,表明所获得的KSE发展模型的准确性非常高。
对于回归模型,模型对真实数据的准确性也很高,接近100%。利用这些结果检查了KSE系统的发展状态,包括总可控性和规则可控性以及总可观测性,确认专业热电厂中的电力生产子系统是完全可控的、规则可控的且完全可观测的。
通过获得非常低的MAPE误差来验证模型的正确性,对于神经模型,连续输出的MAPE误差分别为3.37%、0.73%、2.17%和2.60%,R2决定系数分别为0.9868、0.9595、0.9478和0.9560,表明所获得的NPS发展模型的准确性非常高。
在所考虑的模型中,输入变量包括:硬煤电厂的装机容量 [MW];褐煤电厂的装机容量 [MW];工业电厂的装机容量 [MW];水力、风能和太阳能电厂的装机容量 [MW];抽水用电量 [GWh];传统电厂的硬煤消耗量 [千吨];传统电厂的褐煤消耗量 [千吨];工业电厂的天然气消耗量 [hm3];以及电力进口 [GWh]。输出变量包括:专业热电厂的电力产量 [GWh];来自可再生能源(风能、太阳能和水能)的电力产量 [GWh];用于出口的电力产量 [GWh];以及电力平衡损失和差异 [GWh],这些数据相对于输入值延迟了一个时间单位(在本例中为一年)。
值得注意的是,使用国家电力系统的离散回归模型推导出了连续的状态空间模型,包括KSEss22模型,从而得到了状态变量方程矩阵(KSE系统的内部组织A矩阵和KSE系统控制的B矩阵)以及输出方程。进而得到了C矩阵,用于检查KSE发展系统的可控性和可观测性。所有研究都在MATLAB和Simulink环境中进行,使用了System Identification Toolbox、Control System Toolbox和Deep Learning Toolbox等库。
研究的主要限制是缺乏数据存储库的访问权限,这导致无法按月、每日甚至每小时从中央统计局提取数据。在未来的工作中,作者计划继续深入分析KSE系统的发展与各个子系统的结构和参数变化之间的联系,例如使用Evans根线方法,并继续进行比较研究,特别是在所获得系统模型的敏感性方面。
还值得注意的是,正在出现一个新的研究方向,即寻找评估此类控制系统(如电力系统)机器智能程度的方法,这可能涉及研究系统的内部组织结构和控制水平。作者也在继续这一研究方向。这类研究不仅涉及建立发展模型(如本文提出的),还包括开发元模型,即用于生成电力系统发展模型的模型。
最后,随着新的人工智能方法的出现,特别是在进化算法、模糊算法和群体算法以及受量子计算启发的人工智能算法方面的发展,以及新的模型评估方法(如效率、有效性或发展稳健性等操作指标)的发展,正在提出新的研究方向。尽管如此,使用这些发展模型来探索未来的KSE系统发展情景是可能的,并且将来可能使电力政策在这些发展问题上的实施更加现实;因此,这一研究主题具有重要的应用潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号