【清华大学】2024数据为中心的AI技术在电力系统运行控制中的应用研究报告_48页_12mb

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

数据为中心的人工智能（Data-Centric AI）在电力系统运行控制中发挥着关键作用。随着新型电力系统建设，大量新能源接入导致系统结构和特性发生重大变化，给电力系统分析和决策带来了挑战。传统专家经验方法难以应对这些变化，而人工智能虽有潜力，但其在电力系统中的应用仍面临诸多限制，如数据样本不足、运行场景复杂、隐私保护需求等。因此，研究者正在探索如何通过数据增强、模型迁移、隐私保护等方法提升AI在电力系统中的性能和适用性。

主要观点

• AI性能提升依赖于高质量数据：研究表明，AI模型的性能与数据质量和数量密切相关。在相同的模型参数条件下，使用更大规模、更高质量的数据可以显著提升模型性能。
• 数据增强是关键：针对电力系统中样本不均衡、分布不均等问题，提出基于生成式AI的数据增强方法，如改进的生成对抗网络（GAN），以提升模型在暂态稳定评估、断面安全裕度预测等任务中的表现。
• 模型迁移与特征选择：通过模型迁移和特征选择方法，可以利用少量目标数据生成高质量样本，提升回归模型在特定运行场景下的准确率。
• 隐私保护与联邦学习：在多主体协同计算中，联邦学习被用于实现“数据可用不可见”，通过差分隐私、多方加密等技术保护敏感数据，同时提升模型性能。
• AI在优化问题中的应用：基于监督学习的AI方法被用于预测发电机启停，加速机组组合（UC）求解，提升计算效率和准确性。

关键信息

1. 暂态稳定评估数据增强技术

• 问题：暂态稳定样本稀缺，AI方法在不均衡数据上效果差。
• 方法：
  • 基于Wasserstein距离的GAN改进模型，避免梯度消失和模式崩溃。
  • 考虑电力系统约束的生成对抗网络训练方法，确保生成样本满足物理约束。
  • 面向少数类别和分类边界样本的数据增强方法，提升模型对不确定域的辨识能力。
  • 基于信息熵的样本高效标注方法，减少仿真标记时间，提升AI模型更新效率。
• 效果：在300节点系统中，所提方法在断面紧急场景下的样本生成有效率显著优于其他方法（如GAN、GMM、VAE等）。

2. 输电断面安全裕度预测

• 问题：输电断面安全裕度预测面临数据生成效率低、样本不足等挑战。
• 方法：
  • 基于模型迁移的生成对抗网络训练方法，利用源域模型参数初始化目标域模型。
  • 基于特征选择和重组的多目标场景生成方法，通过组合多个子目标生成模型提升数据利用效率。
• 效果：在新英格兰10机39节点系统和300节点系统中，所提方法在不同断面裕度下的样本生成有效率显著提高。

3. 大规模机组组合AI加速方法

• 问题：机组组合问题变量多、约束复杂，传统方法求解效率低。
• 方法：
  • 基于割平面的可行域收紧方法，提升数据质量与生成效率。
  • 在神经网络中引入安全层，限制AI输出范围，确保满足电网运行约束。
• 效果：在南方电网第五届调度AI应用大赛中，该方法获得第一名，并受到阿里巴巴达摩院的资助。

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，需保护敏感信息。
• 方法：
  • 基于联邦强化学习的电力-交通网协同调控，通过本地特征提取和差分隐私技术保障数据安全。
  • 基于横向联邦学习的风电场协同预测，采用分布式多方内积加密技术，实现模型参数安全聚合。
• 效果：在风电场协同预测中，所提方法在预测准确性和收敛性能上均优于传统方法，同时保障数据隐私。

技术路线总结

研究成果与应用

• 竞赛与项目：所提方法在南方电网第五届调度AI应用大赛中获得第一名，并在多个项目中获得资助，包括阿里巴巴达摩院的“基于AI的新型电力系统大规模实时调度增强技术研究”和国家电网公司的“公专互动网络环境下的新型业务系统安全风险评估与主动防控技术研究”。
• 相关论文：多篇论文发表于《IEEE Transactions on Power Systems》、《中国电机工程学报》等期刊，涵盖数据增强、模型迁移、联邦学习等主题。

结论

以数据为中心的AI技术在电力系统运行控制中展现出巨大潜力。通过数据增强、模型迁移、隐私保护等方法，能够有效应对电力系统中数据不足、运行不确定性强、多主体协同等挑战，提升AI模型在暂态稳定评估、断面安全裕度预测、机组组合优化等任务中的性能和适用性。这些方法不仅提高了AI在电力系统中的计算效率和准确性，还保障了数据安全和隐私，为新型电力系统的智能化发展提供了坚实的技术支持。