2024-01-12-国家电网-2023基于混合增强智能的电网优化调度决策方法报告_38页_3mb

基于混合增强智能的电网优化调度决策方法总结

研究背景

随着新能源装机容量的快速增长，电网运行调节面临新的挑战。截至2023年8月，我国新能源装机容量已突破8亿千瓦。预计到2050年，全球电动汽车数量将达到10亿辆，电储能容量达到12TW·h，空调热泵数量将超过2.5亿台。这些变化使电网调度面临调节对象增多、资源不可观性增强以及多场景计算复杂度升高的问题。

传统电网调度模式以运筹学理论为核心，难以有效协调灵活性需求和资源。人工智能的快速发展为实现智能调度提供了新的手段，尤其在快速性、场景适应性和无模型特性方面表现突出。

数据驱动的优化调度方法

电网优化调度是一种多时段联合优化问题，涉及发用电调整计划、灵活机组开停机计划和运行方式调整。其数学模型包括输入参数、决策变量和约束条件，如实时功率平衡、机组出力上下限、新能源出力、机组爬坡约束和线路潮流约束等。

将电网优化调度问题转化为序贯决策问题，通过调度智能体与仿真环境的不断迭代，实现多时段调度计划的滚动优化。深度强化学习方法因其高维状态信息和连续调节动作的特点被采用，构建了评价-策略网络架构。

数据驱动方法在调度智能体的学习和决策过程中具有一定的优势，但存在解释性差、泛化性差等不足。其训练过程依赖大量数据，且在模型端难以直接考虑电网物理约束，导致生成的调度方案可能不可行。

基于混合增强智能的优化调度方法

混合增强智能定义

混合增强智能结合人的认知模型与机器智能，实现调度决策的智能化。其关键在于让人工智能系统能够自主理解人类所掌握的信息，并将其融入调度决策过程。

知识表征与利用

• 知识图谱表示方法：通过类型识别、统计分析和关联路径分析，实现调度知识的多维度、多层次推送。构建了包括省级电网图谱、运行规程图谱、检修预案图谱和调度细则图谱在内的多种图谱结构。
• 斜决策树表示方法：用于表示电网运行状态的安全规则，通过边界紧缩的微调方法提高安全性判断的准确性。
• 自注意力机制表征方法：利用多头注意力机制对电网拓扑结构进行向量化表征，捕捉拓扑变化中的关键节点信息，辅助强化学习智能体进行训练。

知识利用技术路线

• 输入端：将多源异构知识统一转换为高信息向量，引导调度智能体的决策行为。
• 模型端：在数据驱动网络中引入物理方程嵌入层，解决调度策略的可行性问题。
• 输出端：在策略网络损失函数中加入安全规则正则项，防止模型训练中的盲目探索行为。

算例分析

SG126算例

通过聚类算法从2021年的负荷和新能源预测数据中筛选典型日场景，对不同调度方法的性能进行对比分析。结果显示：

• DK-TD3（本项目算法）：总有效性评分为494.28，新能源消纳评分为570.78，运行成本评分为-288.0。
• DDPG：总有效性评分为196.06，新能源消纳评分为284.39，运行成本评分为-288.0。
• IL-DDPG：总有效性评分为377.43，新能源消纳评分为450.98，运行成本评分为-263.05。

省级电网算例

• 收敛性：混合增强智能方法优于纯数据驱动方法。
• 计算效率：混合增强智能方法在线决策时间较短（0.08秒），离线训练时间较常规方法有所减少（26.7小时 vs 72小时）。
• 约束满足：混合增强智能方法基本满足所有调度问题的约束条件，相比数据驱动方法更可靠。

纯数据驱动 vs 混合增强智能

结论

混合增强智能方法通过知识与数据的联合驱动，有效克服了纯数据驱动方法在解释性、泛化性和约束满足方面的不足。该方法在新能源高比例的新型电力系统中具有广阔的应用前景，能够兼顾快速响应和结果可解释性，全面支撑电网调度决策。

主要贡献人

• 姚建国：教授级高工、博士生导师、享受国务院政府特殊津贴，调度自动化和智能电网领域知名专家。
• 余涛：华南理工大学教授，IEEE/PES负荷特性技术分委会（中国）主席，中国电工学会人工智能与电气应用专委会秘书长。
• 杨胜春：中国电力科学研究院有限公司电力自动化所副所长，IECPC118WG2召集人，全国电力系统管理及其信息交换标准化技术委员(SAC/TC82)委员。