面向气体管道网络状态空间建模的物理信息递归网络
系统与控制
2025-06-23 v2 系统与控制
摘要
作为集成能源系统 (IES) 的组成部分，气体管道网络可通过协同最优调度为电力系统提供额外的灵活性。准确的管道网络模型对 IES 的最优运行和控制至关重要。然而，管道参数的不准确或不可获取常会在该网络的状态空间模型中引入误差。本文提出一种物理信息递归网络 (PIRN) 来识别气体管道的状态空间模型。它将稀疏测量数据与由偏微分方程表达的流体力学行为相融合。通过将物理状态空间模型嵌入递归网络，参数识别转化为一个端到端的 PIRN 训练任务。该模型可通过对标准 RNN 主干进行修改在 PyTorch 中实现。案例研究表明，我们提出的 PIRN 能够从稀疏的终端节点测量数据准确估计气体管道模型，表现出稳健的性能并显著提高参数效率。此外，识别出的管道网络状态空间模型可以无缝集成到优化框架中。
引用
@article{arxiv.2502.07230,
title = {Physics-Informed Recurrent Network for State-Space Modeling of Gas Pipeline Networks},
author = {Siyuan Wang and Wenchuan Wu and Chenhui Lin and Qi Wang and Shuwei Xu and Binbin Chen},
journal= {arXiv preprint arXiv:2502.07230},
year = {2025}
}
备注
9 Pages