引用本文

孙秋野, 胡旌伟, 杨凌霄, 张化光. 基于GAN技术的自能源混合建模与参数辨识方法. 自动化学报, 2018, 44(5): 901-914. doi: 10.16383/j.aas.2018.c170487

SUN Qiu-Ye, HU Jing-Wei, YANG Ling-Xiao, ZHANG Hua-Guang. We-energy Hybrid Modeling and Parameter Identification With GAN Technology. ACTA AUTOMATICA SINICA, 2018, 44(5): 901-914. doi: 10.16383/j.aas.2018.c170487

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170487

关键词

能源互联网，自能源，生成式对抗网络，生成式模型，对抗学习，零和博弈 

摘要

自能源（We-energy，WE）作为能源互联网的子单元旨在实现能量间的双向传输及灵活转换.由于自能源在不同工况下运行特性存在很大差异，现有方法还不能对其参数精确地辨识.为了解决上述问题，本文根据自能源网络结构提出了一种基于GAN技术的数据——机理混合驱动方法对自能源模型参数辨识.将GAN（Generative adversarial networks）模型中训练数据与专家经验结合进行模糊分类，解决了自能源在不同运行工况下的模型切换问题.通过应用含策略梯度反馈的改进GAN技术对模型进行训练，解决了自能源中输出序列离散的问题.仿真结果表明，提出的模型具有较高的辨识精度和更好的推广性，能有效地拟合系统不同工况下各节点的状态变化.

文章导读

能源互联网是一个由电力网络、热力网络及天然气网络等能源网络集成交互形成的复杂网络, 以能源技术与先进控制技术、智能优化技术及信息处理技术等为实施手段的一种新型开放式能源生态系统, 可实现可再生能源的高效利用, 提高可再生能源在一次能源生产和消费中的占比[1-2].自能源作为能源互联网的子单元, 是由多种能源网络耦合而成的小型独立能源系统, 这些小型能源系统通过能源端口相互连接形成能源互联网[3].随着能源互联网在世界各国的逐步推进, 能源互联网建模的准确性直接影响着能源系统运行的安全性、稳定性及经济性.目前, 按照模型的驱动类型可把系统建模方法分为两类.

一类是基于机理驱动的系统建模方法, 在以往的研究中, 国内外学者已对电网、直供热管网及天然气网络的机理建模做出了大量工作.在电力系统中, 由静态负荷及感应电动机负荷组成的混合负荷模型最受关注, Son等提出了一种基于参数测量的负载建模优化方案[4], 通过对混合负荷模型参数的敏感性分析, 减少了需要考虑的参数数量, 从而改进了参数优化性能. Kim等利用识别参数敏感度相似性的方法来估计混合负荷模型参数[5], 由于一些参数的变化对模型的输出会产生相似的影响, 因此在优化过程中这些相似的参数可以同时被调整.而在直供热管网中, 由于管网中状态变量(温度、压强、流速)不仅随管道距离变化而改变, 同时还是时间的函数, 供热系统的模型大多是根据质量守恒定律、动量守恒定律及能量守恒定律对管网中微元进行分析而建立的[6], 因此这类模型并不能从宏观上表现出管道状态变量对模型输出的影响.在天然气管网中, 由于气体可压缩的特点, 在建模过程中需要考虑理想气体状态方程. Behrooz等根据质量、动量和能量平衡方程建立天然气管道非等温模型, 利用正交配置法对其动态方程进行求解[7]. Pambour等提出了一个集成的瞬态水力模型来描述天然气管网的动态特性[8], 其模型中包括管道、增压站、减压站、储气站及终端用户.

另一类系统建模方法是基于数据驱动的, 主要分为统计综合法和总体辨识法.统计综合法采用统计的方式形成系统综合模型, 由于能源网络中原始数据的冗余特性对模型的准确性产生影响, 为了解决这种问题, 聚类方法被采用对能源需求响应数据进行分析[9-10], Sun等通过寻找需求响应的内在特性和整合不同的特性来筛除数据冗余[11].总体辨识法将系统作为总体建模拟合实测曲线, 其方法有最小二乘算法、逼近算法和极大似然等[12-14], 这些传统算法在非线性或非高斯情形下效果并不理想.近年来, 随着各类智能优化算法的提出, 一些适用于连续系统的新的辨识方法相继被提出, 杨刚等提出一种基于自适应量子粒子群优化的RBF (Radial basis function)神经网络结构优化设计方法来实现神经网络结构与参数的同步调整[15], 钱富才等提出了一种以鲁棒二阶锥规划理论为基础的鲁棒最小二乘算法[16].然而, 无论是统计综合法还是总体辨识法, 系统建模对历史数据的依赖性较大, 能源系统在稳态运行下拥有大量可测数据, 在异常工况下建模获得的数据却较少, 而异常工况下的能源系统模型对系统的运行至关重要.系统在故障情况下对其检测不准确, 将影响系统运行的稳定性.传统的建模方法已不能满足要求.在以往的研究中, 综合预测被广泛应用于建模非线性动态系统的演化, 在线的多任务学习框架[17]和半监督的多任务学习模型[18]用来处理系统的综合预测和缺失的标签问题.然而, 当系统的规模较大时其统计工作和总体辨识就变得过于繁重[19-20].因此, 需要探讨一种更为有效的建模方法以解决模型数据不完备问题.

生成式对抗网络是由2014年Goofellow等提出的一种生成式模型[21], 该技术不直接估计数据样本的分布特征, 而是通过模型训练来估测其潜在的分布特征并产生与真实样本相同分布特性的新样本.这种依据潜在分布产生"无限"新样本的生成式模型具有较强的可解释性[22]. GAN (Generative adversarial networks)技术在图像和视觉计算、语音和语言处理等众多领域建模中均有应用[23-24], 同时平行智能与平行学习又为GAN进一步的发展提出了方向[25].随着国内外学者对GAN技术的深入研究, 其结构模型也衍生出了多种变化, 基于不同的散度, GAN技术可分为JS-GAN[21] (JS (Jensen-Shannon)散度)、LS-GAN[26] (LS (Loss sensitive)散度)、W-GAN[27] (Wasserstein距离)和f-GAN[28] (f散度). Qi提出了一种改进的Loss-sensitive GAN, 该模型通过使用Lipschitz损失函数来限定GAN无限建模的能力, 拓展了训练的优化方法[26]. Arjovsky等[27]提出的Wasserstein GAN利用Wasserstein距离产生的值函数, 在训练过程中不需要一直保持生成器与判别器严格的平衡, 可以通过训练判别器至最优来持续估计Earth-mover距离. Saito等在仿真中对以上几种改进的GAN模型与W-GAN进行了比较[29], 结果表明在提高合成语音质量方面W-GAN最小化Earth-mover距离效果较好. Chen等提出的InfoGAN则在结构上进行了改进[30], 通过将生成器的输入分为传统模型输入和隐码输入, 将潜在变量的小子集与观察结果之间的互信息最大化.

结合生成式对抗网络所具有的建模能力, 本文提出自能源模型的GAN参数辨识方法, 而电、气、热网络的采样周期不同, 生成器所生成的数据为离散序列, 若采用传统建模方法GAN技术, 其判别器无法实现对生成器序列的梯度更新.因此, 本文根据Yu等所提Seq-GAN模型[31]解决生成器输出离散的问题, 该模型将GAN技术与策略梯度相结合, 把判别器的输出结果作为策略梯度的奖励对生成器进行反馈训练.

本文建立了考虑能源耦合以及双向流动特性的自能源模型.针对其结构复杂且状态变量采样周期不同所造成的信息不完备等特点, 设计了基于GAN技术的参数辨识算法, 结合模糊算法对真实数据进行分类, 实现对自能源不同工况的拟合, 同时, 应用含策略梯度的反馈改进模型, 实现了自能源生成器生成模型离散的问题, 进而通过训练得出自能源模型的网络参数, 最后进行了考虑自能源不同工况的仿真实验, 结果表明提出的方法是有效的.

图 1  自能源结构

图 2  电力子系统模型

图 3  热力子系统模型

本文提出一种基于GAN技术的自能源混合建模方法, 该方法由自能源网络结构的机理模型和基于GAN技术的参数辨识方法组成. 1)针对自能源网络结构特点进行机理建模, 适用于具有能源双向传输的特点以及能源耦合等复杂特征的混合能源系统; 2)针对自能源模型的数据不完备, 结构复杂等特点, 设计了基于GAN技术的数据、机理混合驱动方法, 应用含策略梯度反馈的GAN改进模型进行参数辨识, 解决了自能源模型中输出序列离散的问题; 3)将模糊理论应用于GAN模型中真实数据分类, 根据自能源不同的运行工况对自能源模型进行调整, 保证了生成器产生的模型符合能源变化规律.

作者简介

胡旌伟

东北大学信息科学与工程学院博士研究生.主要研究方向为博弈论及其在能源互联网, 微网, 配电网等领域相关应用.E-mail:hjw neu@outlook.com

杨凌霄

东北大学信息科学与工程学院博士研究生.主要研究方向为机器学习及其在能源互联网, 微网, 配电网等领域相关应用.E-mail:ylxiao66@163.com

张化光   

东北大学信息科学与工程学院教授.主要研究方向为自适应动态规划, 模糊控制, 网络控制, 混沌控制.E-mail:zhanghuaguang@mail.neu.edu.cn

孙秋野   

东北大学信息科学与工程学院教授.主要研究方向为网络控制技术, 分布式控制技术, 分布式优化分析及其在能源互联网, 微网, 配电网等领域相关应用.本文通信作者.E-mail:sunqiuye@mail.neu.edu.cn