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

核心内容

本报告围绕基于混合增强智能的电网优化调度决策方法展开，重点探讨了在新能源装机容量快速增加和电网调节对象复杂化的背景下，传统调度模式所面临的挑战，并提出了结合数据驱动与知识驱动的混合增强智能方法作为解决方案。

主要观点

• 新能源增长带来的挑战：随着新能源装机容量的持续上升，电网运行面临波动性、随机性和复杂性问题，亟需更智能的调度方法。
• 传统调度模式的局限性：传统以运筹学为核心的调度模式难以有效协调灵活性需求与资源，面临调节对象增多、资源不可观性、多场景计算复杂度高等问题。
• 人工智能的发展趋势：人工智能，尤其是数据驱动方法，因其快速性、场景适应性和无模型特性，为电网调度提供了新手段。
• 混合增强智能的优势：作为国家新一代AI规划的重要方向，混合增强智能融合数据与知识，提升调度决策的解释性、泛化性和可行性，成为解决纯数据驱动方法瓶颈的可行路径。

关键信息

一、研究背景

• 新能源装机容量快速增长，2023年8月突破8亿千瓦。
• 2050年全球电动汽车、电储能、空调热泵数量预计分别达到10亿辆、12TW·h、2.5亿台以上。
• 传统调度方法在高维数据、物理约束和解释性方面存在明显不足。

二、数据驱动的优化调度方法

• 电网优化调度问题：是一种多时段联合优化问题，涉及发用电调整、机组启停和运行方式调整。
• 调度智能体构建：采用基于评价-策略网络的深度强化学习方法，将调度问题转化为序贯决策问题。
• 模型与约束：包括实时功率平衡、机组出力上下限、爬坡约束、线路潮流约束等。
• 训练过程：通过仿真环境、经验池、评价网络和策略网络进行离线学习，实现调度智能体的决策优化。

三、基于混合增强智能的优化调度方法

• 定义与实现：混合增强智能通过引入人类认知模型，实现机器与人的协同决策，解决数据驱动方法在解释性、泛化性、可行性上的不足。
• 知识表征：包括知识图谱、斜决策树、自注意力机制等方法，实现调度知识的结构化与可利用性。
• 知识利用：
  • 输入端：将时序数据、调度文本和物理模型统一转换为高信息向量，引导智能体决策。
  • 模型端：引入物理方程嵌入层，提升调度策略的可行性。
  • 输出端：在损失函数中加入知识正则项，结合安全强化学习方法，防止盲目探索。
• 算法设计：提出DK-TD3算法，结合知识引导与数据驱动，显著提升调度性能。
• 算例分析：
  • SG126算例：混合增强智能方法在收敛性、约束满足率和计算效率方面优于纯数据驱动方法。
  • 省级电网算例：在运行成本、等式约束违反总量、不等式约束违反总量等指标上，混合增强智能方法表现更优，且具备更高的计算效率。

四、纯数据驱动 vs. 混合增强智能

五、应用前景

• 混合增强智能方法兼顾了数据驱动方法的快速响应与知识驱动方法的可靠性与可解释性。
• 有望在未来新型电力系统调控中发挥更大作用，全面支撑高比例新能源的电网建设。

结语

本报告提出了基于混合增强智能的电网优化调度方法，结合知识图谱、斜决策树、自注意力机制等技术手段，实现了调度知识的结构化与有效利用。通过算例验证，混合增强智能方法在收敛性、约束满足率和计算效率等方面均表现出显著优势，为智能电网的发展提供了新的理论和技术支撑。

本报告得到国家自然科学基金“面向电网调度的混合增强智能知识演化理论与方法”支持。

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
  • 中国电力科学研究院有限公司资深专家
  • 调度自动化和智能电网领域知名专家
  • 国家电网首批科技攻关团队“电网协调优化调度技术攻关团队”学术带头人

• 余涛

  • 华南理工大学教授，博导
  • 广东省电气工程学科“珠江学者”特聘教授
  • 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

  • 教授级高工，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
  • 全国智能电网用户接口标准化技术委员(SAC/TC549)委员