基于学习的第四代区域供热管网热潮流的高效训练

热潮流（Thermal Power Flow, TPF）是具有多个分散热源和网状管网结构的第四代区域供热管网中各类控制任务的重要环节。计算 TPF，即根据给定的供需值确定由温度、压力和质量流量组成的管网状态，经典方法是通过求解非线性热网方程来完成，但使用神经网络等学习模型可将其加速数个数量级。我们提出了一种新颖、高效的方案，以生成覆盖相关供需值的足够大的训练数据集。我们的方法不直接对供需值进行采样，而是从生成器与消费者质量流量的代理分布中生成训练样本，从而省去了求解热网方程所需的迭代过程。这些确切但略有差异的训练样本可被加权以表示原始训练分布。我们通过对典型管网结构进行仿真表明，与直接对供需值进行采样相比，新方法可将训练集生成时间减少两个数量级，且不会损失训练样本的相关性。此外，结果表明，使用训练数据集学习 TPF 显著优于无样本的物理感知训练方法。