数智协同赋能新型电力系统_25页_9mb

数智协同赋能新型电力系统总结

核心内容

数智协同赋能新型电力系统是应对双碳战略与能源独立目标的重要技术路径。随着新能源占比的提升，电力系统从单一可控向复杂随机波动系统转变，面临供需平衡、调度优化、电网稳定性等挑战。为此，需要构建以能源模拟器和能源大模型为核心的技术体系，实现对电力系统的智能调控与优化。

主要观点

• 双碳目标驱动能源变革：全球151个国家提出碳中和目标，中国承诺2030年前实现碳达峰，2060年前实现碳中和。新能源占比提升带来系统复杂性与不确定性。
• 新型电力系统需数智赋能：通过数字化表达、智能化决策与协同化运行，提升系统灵活性与稳定性。
• 能源模拟器与能源大模型是关键技术：能源模拟器用于构建电力系统全链条模拟，能源大模型则基于时空学习框架与AI Agent，实现高精度预测与智能决策。

关键信息

能源模拟器

• 目标：实现从居民活动到能源链条的映射，模拟发电、用电、电网等环节。
• 方法：
  • 屋顶光伏供能模拟：根据建筑物表面积与太阳辐射能，推算每日光伏产量。模拟结果比官方数据高13%（226M kWh / 天 vs 192M kWh / 天）。
  • 建筑用能模拟：通过建筑物占用率、面积与高度等属性，推断各时刻用电量。公式为：
    $$
    E_i(t) = C_i(N_i(t), H_i, S_i) \times N_i(t) \times r_e(t) \times S_i
    $$
    其中，$C_i$ 为人均建筑面积能源使用量函数：
    $$
    C_i(N_i(t), H_i, S_i) = 0.0013 \frac{H_i \times S_i}{N_i(t)} + 0.05
    $$
  • 电动车用能模拟：基于充电行为建模与瞬时速度函数，预测充电负荷。充电决策概率与剩余电池容量成反比。
• 电网拓扑生成：采用分层聚类方法，生成符合实际的电网结构，如变压器与输电线路上的仿真结果。
• 潮流计算：基于电路理论，实现电网运行状态的模拟与分析。

能源大模型

• 整体架构：
  • 规则模拟器：融合AI Agent与虚拟世界模拟，推动智能进化。
  • 模型结构：提出时空学习领域的第一个提示学习框架，融合Auto-Aggressive + DiT结构。
• 研究成果：
  • 自2018年起，发表85篇CCF-A类论文，CSRankings排名世界第一。
  • 2023年研发国际首个通用时空基础模型UniST，奠定能源大模型基础。
  • 2024年提出跨尺度天气+气候+能源协同预测技术，获ACL2024杰出论文奖。
• 应用领域：
  • 新能源发电预测：在风功率与光功率预测中达到SOTA水平，如华北风功率预测准确率93.06%，南网光功率预测准确率85.12%。
  • AI电力交易员：在山西电力市场实证中，AI电力交易员超越人类水平，提升电网运行效率。
  • 虚拟电厂调度：通过AI智能体实现分布式资源聚合，提升市场收益与运行成本控制。

决策优化支撑

1. 电动车充放电策略优化（V2G）：

   • 使用深度强化学习优化V2G策略，实现理论潜力的98.3%。
   • 每年可为每个城市节省1.16万吨二氧化碳。
   • 提出方法投稿至《Nature Sustainability》。

2. 光伏规划优化：

   • 通过多智能体强化学习，实现光伏部署的帕累托最优，降低电网运营成本。
   • 投稿至AAAI（CCFA类会议）。

3. 虚拟电厂调度优化：

   • 基于能源大模型构建虚拟电厂模拟器，提升资源聚合效率与市场收益。
   • 提升可调潜力评估精度 $10%+$，现货市场收益 $12%+$，运行成本降低 $9.3%+$。

研究基础与数据支持

• 城市模拟器：基于第一性原理，实现城市居民活动与能源链条的映射。
• 数据来源：
  • 北京5238个充电站位置、充电桩数量与容量。
  • 全球多源气象模型（如ECMWF、ICON、GFS等）。
  • 多权威数据源与大模型数据源结合，提升预测精度。

未来展望

• 能源大模型与模拟器的结合，将推动电力系统从传统模式向智能化、协同化方向发展。
• 通过数据要素赛道（如DCIC 2024）推动能源数据的创新应用。
• 城市科学与计算研究中心（清华大学）致力于构建城市级能源模拟与大模型体系，支撑电力系统的可持续发展。

结论

数智协同技术是新型电力系统实现绿色低碳、稳定运行的关键支撑。通过构建能源模拟器与能源大模型，实现从居民活动到电网运行的全链条模拟与优化，提升新能源利用率、降低碳排放，并推动电力系统智能化转型。