20251127-国家电网-人工智能技术及应用_面向新型配电系统的数据机理融合_46页_13mb

报告摘要

面向新型配电系统的数据机理融合人工智能技术及应用总结

1. 背景意义

随着人工智能成为新质生产力的重要驱动力，国家高度重视其与能源产业的深度融合。2025年9月，国家发展改革委和国家能源局发布《关于推进“人工智能+”能源高质量发展的实施意见》，提出要加快人工智能技术在能源领域的应用，支撑能源高质量发展和高水平安全。2025年10月，中共中央关于制定十五五规划的建议也强调了人工智能在推动科研范式变革和产业应用中的重要作用。

新型配电系统作为电力系统的重要组成部分，承担着“源-网-荷-储”协同运行和多能耦合的任务，是实现绿色低碳转型的关键载体。然而，传统人工智能方法在面对新型配电系统中数据样本不足、泛化能力弱、缺乏物理机理约束等问题时，难以有效应对复杂性和不确定性。因此，数据机理融合技术成为提升人工智能在新型配电系统中应用能力的重要支撑。

2. 数据机理融合技术

2.1 科学智能

科学智能（AI for Science）是人工智能驱动科学研究的新范式，通过数据与物理机理的融合，提升模型的可解释性和泛化能力。该技术已在蛋白质结构预测、可控核聚变等领域取得显著成效，在电力系统中处于初步探索阶段。

科学智能技术具有特征自主学习、高维数据处理、复杂关系拟合等优势，可应用于电力气象预测、运行方式分析、优化运行决策等场景。

2.2 数据机理融合模式

数据机理融合技术通过将数据驱动与机理驱动方法结合，提升模型的计算效率和准确性。该技术发展核心在于优化数据与知识的双向过程，包括知识的统一表示与嵌入，以及知识的迭代更新。

数据机理融合模式包括：

串行模式：为数据驱动模型提供初始值
反馈模式：数据驱动修正机理模型参数或边界
并行模式：联合决策提升模型安全性与效果
引导模式：引入单调性、取值范围等机理约束
嵌入模式：机理数据联合建模，符合物理约束

2.3 数据驱动与机理驱动方法

数据驱动方法：基于历史数据和实时数据，采用数据挖掘、机器学习、深度学习等方法建立数字模型，适用于系统内部结构和特性不明确的场景。
机理驱动方法：基于物理模型和规则模型，适用于对系统内部机理和结构较为清晰的场景。

3. 应用探索

3.1 计算推演

参数透明化与拓扑透明化：通过数据与机理融合方法，提升配电网状态估计精度，解决配网量测信息不足问题。
应用成效：
- 研发配网智能计算推演系统，已在上海、江苏等9家省公司试点应用。
- 在少量测条件下，电压误差小于1%，有功和无功潮流误差小于10%。
- 在江苏南京部署的系统，线路首端电压、功率计算准确率达97%以上。

3.2 源荷预测

技术挑战：时序数据复杂、信息缺失、样本不足、特殊因素融合不足。
核心技术：
- 协变量嵌入增强技术：将多维影响因素与目标时间序列统一表示，提升预测精度。
- 基于因果双向注意力机制的时序模型：通过自监督预训练掌握多领域规律，实现少样本甚至零样本快速适配。
- 语义嵌入的多模态时序模型：集成文本语义嵌入适配器，利用大模型语义推理能力提升预测准确性。
应用成效：
- 浙江、江苏等地区已落地应用，实现省级、地市级、台区级负荷功率日前预测。
- 新能源功率预测准确率在多个场景中优于主流模型，如省级光伏预测准确率98.04%，集中式风电预测准确率88.16%。

3.3 运行优化

边云协同技术：结合边缘计算和云计算优势，实现敏感数据本地处理，非敏感数据云端集中处理，提升计算效率和数据安全性。
数据机理融合边云协同建模：
- 提出数据/机理串行融合的交替迭代优化方法，提升模型鲁棒性与优化精度。
- 通过边端自治优化与云端全局协调，实现万级节点调度策略秒级生成。
数据机理融合的优化加速方法：
- 提出可行域降维与有序顶点搜索方法，实现高维混合整数优化问题的快速求解。
- 优化后计算时间从传统投影算法的1200秒降至0.79秒，问题规模缩减比例达97.2%。
数据机理融合的在线增强方法：
- 通过增量强化学习和知识蒸馏，实现智能决策模型的自主演进和性能提升。
应用成效：
- 在天津滨海国家动漫园等园区开展试点，提升整体能效5.3%。
- 成果推广至北京、黑龙江等省市电网，提升源网荷储协同运行智能化水平。