2024-09-09-清华大学-2024年科学智算支撑能源系统运行的应用初探报告_50页_4mb

报告摘要

科学智算在能源系统运行中的应用总结

核心内容

随着“双碳”战略的实施，我国电力和能源产业格局发生深刻变化，风、光等新能源的广泛应用使电力系统面临新的挑战。电力系统内部呈现“双高”特性（高比例可再生能源、高比例电力电子），而系统外部则涉及热网、气网等多类能源系统的互联与融合。当前，由于热、气网的数字化水平相对较低，且动态模型复杂，传统数值方法难以满足在线应用需求。因此，引入人工智能辅助进行科学计算（即科学智算）成为实现多能协同调控的重要手段。

主要观点

科学智算的必要性：面对高维、复杂的非线性动力学系统，科学计算问题变得愈发复杂，传统方法已难以满足需求，需引入人工智能进行辅助。
AI与科学知识的结合：科学智算强调将AI与科学知识进行双向增强，以提高模型的科学性、适用性和可解释性。
AI4S的应用前景：AI for Science（AI4S）正在成为全球人工智能的新前沿，为科学计算提供新思路。

关键信息

1. 电力系统运行中的科学计算挑战

高比例可再生能源：使电力系统结构和特性发生重大变化，对运行带来严峻挑战。
大规模机组组合（UC）问题：具有大量整数变量和约束条件，传统方法求解效率低，需AI辅助。
问题规模：约13万个整数变量，70万个连续变量，60万条约束条件。

2. 科学智算的实现方式

Level 0：无约束
直接利用科学知识生成满足物理约束的训练数据，如通过仿真工具生成数据。
Level 1：弱约束
在损失函数中引入科学知识，如PINN（物理信息神经网络），使模型在训练中符合物理定律。
Level 2：强约束
在模型架构中直接嵌入科学基本定律，如构建哈密顿或拉格朗日神经网络，使其满足物理守恒定律。

3. 机组组合问题的AI加速方法

数据高效生成：提出基于割平面收紧的机组组合数据生成方法，提升数据质量与生成效率。
激活层设计：构建满足一般线性约束的神经网络激活层，提升预测的可行性与最优性。
GLinSAT框架：提出一种支持GPU并行的框架，显著提高训练效率，实现十倍甚至百倍的加速。

4. 热网状态估计的AI方法

物理信息神经网络（PINN）：在损失函数中加入物理方程项，提高模型的准确性与泛化能力。
参数辨识与边界条件学习：将模型参数和边界条件作为输入，进行PDE算子映射学习，实现对热网状态的快速估计。
结果验证：通过实际案例验证了所提方法在无直接量测的情况下仍能准确估计内部状态，并在多个应用场景中表现出良好性能。

算例与应用效果

在电力系统中：GLinSAT方法在第五届南网AI竞赛中获得第一名，同时包揽创新奖和可视化奖。
在热网中：所提方法在无直接量测的情况下，提高了状态估计精度，并有效降低了PDE在线求解时间。
对比实验：与现有方法相比，GLinSAT在训练效率、显存占用及可行性方面均表现更优。

未来展望

更多科学问题待研究：如常微分方程求解、复杂建模与预测等。
多能流系统协同：AI4S有望在多能流系统中进一步发挥潜力，提升系统运行的智能化水平。

参考文献

[1] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature, 2021, 596(7873):583-589.
[2] Fawzi, A., Balog, M., Huang, A. et al. Discovering faster matrix multiplication algorithms with reinforcement learning. Nature 610, 47-53 (2022).
[3] Wang, H., Fu, T., Du, Y. et al. Scientific discovery in the age of artificial intelligence. Nature 620, 47-60 (2023).
[4] Raissi, M., Perdikaris, P. & Karniadakis, G. E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. J. Comput. Phys. 378, 686-707 (2019).
[5] Kochkov, D., Yuval, J., Langmore, I. et al. Neural general circulation models for weather and climate. Nature (2024).