数据为中心的AI技术在电力系统运行控制中的应用-48页_9mb

数据为中心的AI技术在电力系统运行控制中的应用总结

核心内容

本文探讨了数据为中心（Data-Centric AI）的人工智能技术在电力系统运行控制中的应用，重点分析了其在暂态稳定评估、断面安全裕度预测、大规模机组组合优化以及多主体协同计算等四个方面的进展。通过引入生成对抗网络（GAN）、模型迁移、信息熵样本选择、联邦学习等技术手段，有效解决了电力系统中数据不均衡、数据质量差、隐私保护需求等问题，显著提升了AI模型的性能和应用价值。

主要观点

• 数据为中心的AI（Data-Centric AI） 是当前AI发展的重要方向，强调通过优化数据质量与数据处理方式，而非单纯依赖算法改进来提升模型性能。
• 电力系统中存在多种AI应用场景，包括分类、回归、优化和协同计算，每个场景都面临不同的数据挑战。
• 生成式AI技术 在电力系统中具有重要应用价值，尤其在解决数据不均衡和数据不足问题上表现突出。
• 联邦学习 为多主体协同计算提供了隐私保护机制，解决了数据“可用不可见”的难题。
• 样本选择与标注方法 的优化，如基于信息熵的样本选择、样本偏差准则、确定性准则等，有助于提升模型训练效率与准确率。
• 模型迁移 与 可行域收紧 等技术手段，有助于提升AI在复杂电力系统中的泛化能力与计算效率。

关键信息

1. 暂态稳定评估数据增强技术

• 问题：暂态稳定样本数量少，生成样本难以刻画边界。
• 技术路线：
  • 改进GAN模型：采用Wasserstein距离和1-lipschitz约束，提升生成样本质量。
  • 考虑物理约束的生成方法：在损失函数中加入物理约束惩罚项，确保生成样本符合实际运行条件。
  • 面向少数类别和边界样本的数据增强：通过最大化Wasserstein距离，增强模型对边界样本的识别能力。
  • 样本高效标注方法：利用信息熵准则和样本偏差准则，减少标注工作量，提升训练效率。
  • 对抗训练方法：通过生成模型与判别模型的对抗学习，提升模型的准确性和稳定性。

2. 断面安全裕度预测的样本生成方法

• 问题：电网运行方式组合爆炸，样本生成效率低，类型样本不足。
• 技术路线：
  • 模型迁移方法：利用源域模型参数初始化目标域模型，提升样本生成效率。
  • 特征选择与重组方法：通过选择关键特征并进行组合生成，提高样本生成的有效性。
  • 样本生成效果对比：所提方法在多个断面裕度场景下表现优于传统方法，有效率显著提升。

3. 大规模机组组合AI加速方法

• 问题：机组组合问题涉及大规模变量和复杂约束，求解速度与精度要求高。
• 技术路线：
  • 基于割平面的可行域收紧：通过添加割平面，提升数据质量与生成效率。
  • 优化模型可行域收紧：对最小连续开机时间等约束进行改进，减少无效样本。
  • 监督学习预测启停策略：利用AI预测发电机启停，加速机组组合求解过程。

4. 多主体协同计算与隐私保护

• 问题：多主体交互下数据隐私泄露风险高，影响协同计算的可行性。
• 技术路线：
  • 联邦学习框架：在数据不可见下实现模型聚合，保障数据安全。
  • 纵向联邦强化学习：结合强化学习与联邦架构，实现电力-交通网协同调控，避免信息泄露。

技术成果与应用效果

• 暂态稳定评估：通过所提方法，AI模型准确率提升至97.16%以上，显著降低仿真标注时间。
• 断面安全裕度预测：在多个断面裕度场景下，所提方法生成样本有效率显著高于传统方法（如GAN、GMM等），如在断面1紧急场景下达到93.9%。
• 机组组合优化：采用可行域收紧和监督学习方法，AI智能体在满足约束的前提下，求解时间大幅缩短，且在实际应用中取得优异成绩，如在南方电网第五届电力调度AI应用大赛中获得第一名。

未来展望

本文提出的方法为电力系统中AI技术的应用提供了有效支持，未来可进一步探索其在实时调度、多场景适应、大规模数据处理等方面的应用潜力，推动电力系统智能化发展。