清华大学：2024数据为中心的AI技术在电力系统运行控制中的应用研究报告

数据为中心的AI技术在电力系统运行控制中的应用总结

核心内容

随着新型电力系统建设的推进，新能源大规模接入使电力系统结构和特性发生重大变化，给电力系统分析决策带来了严峻挑战。电力系统调度决策是保障电网安全经济运行的核心环节，然而系统规模巨大、决策变量高维、运行不确定性强，传统专家经验方法难以应对。因此，亟需引入人工智能技术进行辅助，但人工智能也面临样本生成困难、模型适应性不足、隐私泄露风险等问题。

主要观点

• 数据为中心的AI（Data-Centric AI） 是提升电力系统AI性能的关键，强调数据质量与数量的重要性。
• AI在电力系统中的应用面临四大核心难点：
  • 类别不平衡：暂态稳定评估中失稳样本较少，难以支撑模型训练。
  • 分布不均衡：断面安全裕度预测中样本分布不均，影响模型性能。
  • 数据质量提升：大规模优化调度对数据质量要求高，需有效提升数据质量。
  • 隐私保护需求：多主体协同计算中需保护原始数据隐私，实现“可用不可见”。

关键信息

技术路线1：基于生成式AI的暂态稳定评估数据增强技术

• 改进GAN模型：采用基于Wasserstein距离的GAN，解决传统GAN的梯度消失和模式崩溃问题。
• 考虑物理约束的训练方法：在损失函数中加入约束惩罚项，确保生成样本符合电网运行约束。
• 面向少数类和分类边界样本的生成方法：通过对抗学习重构训练过程，提升模型对边界样本的识别能力。
• 基于信息熵的样本标注方法：利用信息熵和样本偏差准则，高效选择样本进行标注，减少仿真时间。
• 对抗训练方法：通过生成模型与判稳模型的对抗学习，提升模型在暂态稳定评估中的准确率。

技术路线2：考虑输电断面安全裕度的特定场景样本生成

• 模型迁移方法：利用源域模型参数初始化目标域生成模型，提升样本生成效率与质量。
• 特征选择与重组方法：针对复杂耦合的断面，通过特征选择和重组生成多目标场景样本。
• 样本生成有效性：在新英格兰10机39节点系统和电科院300节点系统上验证，所提方法生成样本有效率显著高于其他方法。
• AI回归模型训练：使用增强后的数据集，显著提升AI模型在断面紧急情况下的准确率和运行效率。

技术路线3：大规模机组组合AI加速方法

• 基于割平面的可行域收紧：通过添加割平面约束，提升数据质量与生成效率。
• 监督学习的发电机启停预测：在神经网络末端引入安全层，确保AI输出满足电网运行约束。
• 联邦学习应用：在南方电网AI竞赛中应用，实现对5类约束的收紧，提升计算速度与求解质量。
• AI加速效果：在30天训练数据中，求解时间显著缩短，求解容差控制在1%以内，实现高效求解。

技术路线4：多主体互动下的隐私保护多方协同计算

• 联邦强化学习架构：用于电力-交通网协同调控，通过本地特征提取和差分隐私模块保障数据安全。
• 横向联邦学习：用于风电场协同预测，采用分布式多方内积加密技术，实现模型参数安全聚合。
• 自适应本地更新与安全聚合：通过动态调整更新幅度和加密机制，提升模型收敛性能与安全性。
• 应用效果：在风电预测中，所提方法显著提升准确率，且收敛性能优于已有方法。

技术进展与成果

1. 暂态稳定评估：

   • 提出基于改进GAN和模型迁移的数据增强方法，有效提升暂态稳定场景生成精度。
   • 在300节点系统上，所提方法在不同断面裕度下的样本生成有效率显著提高。

2. 断面安全裕度预测：

   • 采用基于模型迁移的生成对抗网络训练方法，提升样本生成效率。
   • 在新英格兰系统中，所提方法显著提升预测准确率。

3. 大规模机组组合优化：

   • 利用基于割平面的可行域收紧方法，提升数据质量。
   • 在AI预测模型中引入安全层，确保发电机启停策略满足电网约束。
   • 在南方电网竞赛中获得第一名，并受到阿里巴巴达摩院项目资助。

4. 多主体协同计算：

   • 采用联邦强化学习与横向联邦学习，实现电力-交通网协同调控与风电场协同预测。
   • 在隐私保护下，提升模型性能，确保数据“可用不可见”。

相关论文

1. Lan J, Zhou Y, Guo Q, et al. Data Augmentation for Data-driven Methods in Power System Operation: A Novel Framework using Improved GAN and Transfer Learning[J]. IEEE Transactions on Power Systems, 2024: 1-13.
2. Z. Wang, Y. Zhou, Q. Guo, and H. Sun, "Interpretable neighborhood deep models for online total transfer capability evaluation of power systems," IEEE Transactions on Power Systems, vol. 37, no. 1, pp. 260-271, June 2022.
3. Z. Wang, Y. Zhou, Q. Guo and H. Sun, "The total transfer capability assessment of transmission interfaces combining causal inference and multi-task learning," IEEE Transactions on Power Systems, vol. 39, no. 1, pp. 453-464, Jan. 2024.
4. Tianyu Hu, Qinglai Guo, Xinwei Shen, Hongbin Sun, Rongli Wu and Haoning Xi. Utilizing unlabeled data to detect electricity fraud in AMI: a semi-supervised deep learning approach[J]. IEEE Transactions on Neural Networks and Learning Systems. 2019, 30(11):3287-3299.
5. Tian-en Huang, Qinglai Guo, Hongbin Sun, Chin-Woo Tan, and Tianyu Hu. A deep learning approach for power system knowledge discovery based on multitask learning[J]. IET Generation Transmission & Distribution.
6. Zeng H, Zhou Y, Guo Q, et al. A distributed deep reinforcement learning-based approach for fast preventive control considering transient stability constraints[J]. CSEE Journal of Power and Energy Systems, 2021, online.
7. Yanzhen Zhou, Qinglai Guo, Hongbin Sun, et al. A novel data driven approach for transient stability prediction of power systems considering the operational variability [J]. International Journal of Electrical Power & Energy Systems, 2019 (107): 379-394.
8. Tian-en Huang, Qinglai Guo, Hongbin Sun, et al. A distributed computing platform supporting power system security knowledge discovery based on online simulation[J]. IEEE Transactions on Smart Grid, 2017, 8(3): 1513-1524.
9. 郭庆来, 兰健, 周艳真, 等. 基于混合智能的新型电力系统运行方式分析决策架构及其关键技术[J]. 中国电力, 2023, 56(9): 1-13.
10. 兰健, 郭庆来, 周艳真, 等. 基于生成对抗网络和模型迁移的电力系统典型运行方式样本生成[J]. 中国电机工程学报, 2022, 42(8): 2889-2900.
11. 王铮澄；周艳真；郭庆来；孙宏斌；考虑电力系统拓扑变化的消息传递图神经网络暂态稳定评估，中国电机工程学报，2021,41(7):2341-2349.
12. 王铮澄; 周艳真; 郭庆来; 孙宏斌; 面向变化场景的输电断面极限评估主动迁移学习方法, 中国电机工程学报, 2023, 43(15):5732-5745.

总结

以数据为中心的AI技术在电力系统运行控制中展现出重要应用价值，能够有效应对系统规模大、变量高维、运行不确定性高和隐私保护需求等挑战。通过改进生成对抗网络、模型迁移、特征选择与重组、联邦学习等技术，提升了电力系统分析决策的性能与安全性。这些方法在多个实际系统中得到验证，显示出在提升模型准确率、降低计算时间、增强模型鲁棒性方面的显著优势，为新型电力系统的智能化运行提供了有力支撑。