基于人工神经网络嵌入的人工智能热力发电系统数据驱动双层优化
机器学习
2026-02-17 v1
摘要
工业热力发电系统存在耦合的绩效变量及其层次重要性排序，这使得其同时优化计算上具有挑战性或不可行。此瓶颈限制了工业热力发电系统的集成化和可扩展运行优化。为解决此问题，本研究提出一种完全基于机器学习的双层优化框架，用于工业热力发电系统的数据驱动优化。上层与下层目标函数均由人工神经网络（ANN）模型近似，下层问题通过卡鲁希恩-委根塔克（KKT）最优性条件进行解析嵌入。将 ANN 与 KKT 约束集成的重构后的单层优化框架（ANN-KKT）在基准问题以及 660 兆瓦煤电站和 395 兆瓦燃气涡轮系统的实际运行中得到验证。结果表明，所提出的 ANN-KKT 框架获得的解与基准问题的双层解相当。计算最优解所需的时间（0.22 至 0.88 秒）分别产出 583 兆瓦（煤电）和 402 兆瓦（燃气涡轮）的发电量，优化后汽轮热效率分别为 7337 kJ/kWh 和 7542 kJ/kWh。此外，该方法还能描绘出在考虑运行变量不确定性的前提下，实现多种情景下热效率最大化的可行且稳健的运行包络。这些结果表明，ANN-KKT 为工业热力发电系统的层次化、数据驱动优化提供了可扩展且计算高效的途径，实现大规模工程系统的能源高效运行，推动工业 5.0 发展。
引用
@article{arxiv.2602.13746,
title = {Data-driven Bi-level Optimization of Thermal Power Systems with embedded Artificial Neural Networks},
author = {Talha Ansar and Muhammad Mujtaba Abbas and Ramit Debnath and Vivek Dua and Waqar Muhammad Ashraf},
journal= {arXiv preprint arXiv:2602.13746},
year = {2026}
}