基于深度学习的MCMC在区域供热管网概率状态估计中的应用
机器学习
2023-05-26 v1 数值分析
系统与控制
系统与控制
数值分析
统计方法学
摘要
灵活的区域供热管网是未来低碳能源系统的重要组成部分。我们研究此类管网中的概率状态估计，即旨在估计所有管网状态变量（如压力、温度和质量流量）在部分状态测量条件下的后验概率分布。由于后验状态分布不属于标准概率分布类，我们在网络热交换空间中使用马尔可夫链蒙特卡洛（MCMC）采样，并在管网状态空间中评估样本以估计后验。通过求解非线性管网方程将热交换样本转换为管网状态使该方法计算负担沉重。然而，我们提议通过采用深度神经网络来加速，该网络经训练以近似精确但缓慢的非线性求解器的解。这一新方法被证明可对经典树状以及网状供热管网给出高度准确的后验分布，且计算成本显著降低，足以用于在线控制。因此，我们的状态估计方法能够收紧温度与压力控制的安全裕度，从而实现更高效的管网运行。
引用
@article{arxiv.2305.15445,
title = {Deep Learning-enabled MCMC for Probabilistic State Estimation in District Heating Grids},
author = {Andreas Bott and Tim Janke and Florian Steinke},
journal= {arXiv preprint arXiv:2305.15445},
year = {2023}
}
备注
The code for this paper is available under https://github.com/EINS-TUDa/DNN_MCMC4DH