2024-08-18-浙江大学-2024基于机理与人工智能混合驱动的新型电力系统智能分析与调控策略研究报告_35页_9mb

基于机理与人工智能混合驱动的新型电力系统智能分析与调控策略研究总结

核心内容

本研究聚焦于构建基于机理与人工智能混合驱动的新型电力系统智能分析与调控策略，旨在应对“碳达峰、碳中和”目标下电网运行的高不确定性、高随机性与高复杂性带来的挑战。研究重点包括多时空维度功率预测、电网运行关键特征提取、数字孪生建模与参数智能辨识，以及基于深度强化学习的智能决策与控制技术。

主要观点

• 新型电力系统特征：

  • 高比例可再生能源并网
  • 高比例电力电子设备化
  • 储能设备大量接入
  • 负荷侧响应资源
  • 电力市场新规则

• 主要挑战：

  • 电网运行的动态性、随机性、不确定性显著增强
  • 传统基于有限经验与模型仿真的策略难以达到最优效果（过度乐观或保守）
  • 缺乏有效的数据驱动控制系统以缓解电网运行风险

• 核心技术需求：

  • 快速准确的在线安全评估方法以提升“态势感知”
  • 有效的在线安全智能调度控制方法
  • 解决模型质量和参数问题
  • 提高仿真速度

关键信息

研究工作1：多时空维度功率预测技术

• 研发了基于集成机器学习模型的多时间、空间维度功率预测技术
• 应用于生活负荷、工商业园区负荷、新能源发电、充电场站等
• 采用监督式学习方法，实现对负荷、EV充电、光伏、风电等的预测

研究工作2：电网运行关键特征提取与解析

• 建立机电-电磁混合仿真模型
• 研发基于人工智能的电网运行关键特征自动解析技术
• 形成软件系统，用于识别电网运行风险

研究工作3：电力系统规划与调度智能决策

• 研发基于深度强化学习的智能决策技术
• 实现电力设备优化配置、无功电压、有功、网损、拓扑控制
• 自动生成典型运行方式
• 应用于多个电力公司

研究工作4：数字孪生建模与参数智能辨识

• 建立数字孪生模型，用于分析电力设备复杂运行特征
• 研发基于AI的关键参数智能识别技术
• 涵盖传统发电机组、直流、风电等电力电子设备、复合负荷模型

人工智能方法简介

• 监督学习：用于数据标注与模型训练
• 无监督学习：用于聚类分析与特征提取
• 半监督学习：结合少量标注数据与大量未标注数据
• 强化学习：用于逻辑推演、优化与控制，是实现智能调控的核心

强化学习在电网调控中的应用

应用1：多时间维度功率预测

• 基于监督式学习进行预测
• 应用于配网日前光伏预测
• 提升电网运行的预测精度

应用2：基于无监督学习的负荷聚类分析

• 开发基于AI的负荷聚类、关键特征和成分识别方法
• 使用Kmeans++、关联规则、拉普拉斯特征映射等技术
• 成果应用于浙江绍兴充电场站负荷分析

基于深度强化学习的电网经济运行方式

• 控制目标：满足电压约束条件下的最小化发电成本
• 状态空间：母线电压、线路功率、发电机功率、负荷功率
• 动作空间：发电机有功出力、变电站负荷转移
• 奖励值设计：鼓励降低网损，惩罚电压和线路功率越限

智能拓扑控制（浙江绍兴）

• 通过节点分裂/合并和线路开关切换实现时序最优控制
• 每个时间步可执行最多1个节点操作和1个线路操作
• 在14节点系统中，共可生成3120种拓扑配置

考虑不完全信息的主动配电网潮流评估

• 采用DNN模型进行潮流解决方案估计
• 训练两种独立模型分别用于电压和无功估计
• 测试系统为IEEE123节点馈线模型，增加10台屋顶光伏发电机
• 数据缺失比例为5%、10%、15%，对应Vm估计误差MAPE分别为0.26%、0.26%、1.312%

智能控制案例分析

5.1 配网电压和负荷容量管理（香港中华电力）

• 实现用户侧光伏、储能等设备与电网的协同互动
• 优化电网投资，提升电网末端电压管理水平
• 案例中通过电压调节器B相变比调节指令，实现有效控制

5.2 园区负荷峰谷差控制案例（浙江宁波）

• 目标：降低园区负荷峰谷差和整体波动
• 控制手段：储能设备
• 测试系统：126个节点、185条支线、54个发电机组、5个储能设备
• 实验结果：所有测试场景均降低峰谷差和整体波动水平

5.3 智能拓扑控制（浙江绍兴）

• 通过节点分裂/合并和线路开关切换实现时序最优控制
• 在测试中实现对多种运行场景的优化控制

5.4 考虑不完全信息的主动配电网潮流评估

• 使用DNN模型训练，估计潮流解决方案
• 对比不同数据缺失比例下的模型性能
• 通过实验验证模型在不同缺失比例下的估计误差

深度强化学习智能体设计

• 控制目标：

  • 基态传输走廊/联络线功率不越限
  • 考虑稳定限额
  • 考虑检修计划

• 状态空间：

  • 母线电压、相角
  • 传输线路潮流等

• 动作集：

  • 发电机端电压设定值或电容电抗器投切
  • 可对设定值进行排列组合（DQN）或连续变量选取（DDPG）

• 奖励值设计：

  • 基础奖励 $r_{base}$ 与控制奖励 $r_{con}$
  • 通过调整参数优化电网运行

数据驱动的电网脑技术框架

• 环境与样本：

  • 使用BPA交流潮流计算程序
  • 获取历史、未来电网运行方式文件（BPA格式）
  • 考虑不同检修计划下的拓扑变化

• 部署案例：

  • 部署于江苏省电力公司调控中心
  • 涵盖张家港分区，约50个变电站、12台发电机、约100条输电线路

• 实验结果：

  • 239个断面越界问题均被智能体解决
  • 平均网损降低约3.6412%
  • 智能体在训练阶段持续收敛并提升能力

虚拟电厂

• 虚拟电厂是将分布式可再生发电、储能及负荷等子系统聚合成一个虚拟实体的管理平台

• 功能作用：

  • 助力双碳目标
  • 提高电网经济性和可靠性
  • 促进新能源消纳和高效利用
  • 参与电网削峰、填谷、调频、负荷侧备用
  • 优化阻塞区可调资源，缓解局部阻塞

• 与传统电厂区别：

  • 传统电厂只能调整备用容量，虚拟电厂实现用户侧调整
  • 虚拟电厂在经济性、精细化程度、解决新能源并网难题等方面更具优势

多目标电力人工智能仿真、校验及控制平台

• 电力系统建模与仿真分析算法：

  • 机电-电磁混合仿真模型
  • 数字孪生建模
  • 电网运行关键特征提取与解析

• 人工智能算法：

  • 深度学习（DNN）用于模式识别、建模分类、预测
  • 强化学习（DRL）用于逻辑推演、优化、运行与控制

• 数据：

  • 电网运行数据、潮流断面数据、历史与未来运行方式文件
  • PMU数据用于在线模型验证

结论

本研究通过融合机理模型与人工智能技术，提出了多时空维度功率预测、电网运行特征提取、数字孪生建模与参数智能辨识、基于深度强化学习的智能决策与控制策略，构建了数据驱动的电网脑技术框架。研究已在多个电力公司落地应用，显著提升了电网运行的经济性、可靠性与安全性，为新型电力系统的发展提供了重要的技术支持。