2023基于混合增强智能的电网优化调度决策方法报告-国家电网_38页_3mb

基于混合增强智能的电网优化调度决策方法总结

研究背景

随着新能源装机容量的快速增长，我国电网面临调节对象增多、资源不可观性和多场景计算复杂度高等挑战。截至2023年8月，我国新能源装机容量已突破8亿千瓦。预计到2050年，全球电动汽车数量将达10亿辆，电储能容量达到12TW·h，空调热泵数量将增至2.5亿台以上。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和资源，亟需引入人工智能技术。

数据驱动的优化调度方法

电网优化调度问题

电网优化调度是一种多时段联合优化问题，涉及发用电调整、灵活机组开停机计划及运行方式调整。调度决策需考虑经济性与清洁性目标，同时满足电网运行约束条件，如实时功率平衡、机组出力上下限、新能源出力限制、机组爬坡约束及线路潮流约束等。

电网优化调度转换为序贯决策问题

通过调度智能体与仿真环境的迭代，将多时段调度计划解耦为单时段滚动优化问题，提升调度效率与适应性。

面向优化调度的深度强化学习方法

采用基于评价-策略网络架构的深度强化学习方法，将高维状态信息与连续调节动作相结合，实现调度策略的优化。该方法具有快速性、场景适应性强等优点，但存在解释性差、泛化性不足等问题。

调度智能体构建及训练过程

调度智能体通过仿真环境、经验池、评价网络和策略网络进行离线训练，其训练过程涉及多阶段的数据处理和模型优化。

基于混合增强智能的优化调度方法

混合增强智能定义

混合增强智能是将人的认知模型引入人工智能系统，实现人机协同的智能决策。其核心在于让机器能够理解人类知识并将其融入调度决策过程。

知识表征总体技术路线

通过知识图谱、斜决策树、自注意力机制等方法实现调度知识的表征。其中：

• 知识图谱：用于表示调度运行理论、调度规程、检修预案等文本类信息。
• 斜决策树：用于安全规则抽取，实现电网运行状态的安全性快速辨识。
• 自注意力机制：用于电网拓扑结构的向量化表征，提升调度智能体对电网动态变化的适应能力。

知识利用总体技术路线

在调度智能体的输入、模型和输出环节嵌入调度知识，构建知识-数据联合驱动的混合增强优化调度模型：

• 输入端：将多源异构信息（如时序预测数据、调度文本、电网模型）转换为高信息向量，引导调度决策。
• 模型端：引入物理方程嵌入层，结合等式与不等式约束，提升调度策略的可行性。
• 输出端：在策略网络损失函数中加入安全规则正则项，防止盲目探索行为，提升模型的解释性和安全性。

SG126算例分析

通过聚类算法从2021年全年负荷与新能源预测数据中提取典型日场景，对不同调度方法进行性能对比：

• DK-TD3（本项目算法）：总有效性评分为494.28，新能源消纳评分570.78，运行成本评分-288.0，显著优于传统方法和数据驱动方法。
• DDPG：总有效性评分196.06，新能源消纳评分284.39，运行成本评分-288.0。
• IL-DDPG：总有效性评分377.43，新能源消纳评分450.98，运行成本评分-263.05。

性能对比

• 收敛性：混合增强智能方法优于纯数据驱动方法。
• 计算效率：混合增强智能方法在线决策时间优于传统方法，但略低于数据驱动方法。
• 约束满足：混合增强智能方法基本满足所有调度约束，而数据驱动方法存在一定的约束违反问题。

运行结果分析

• 混合增强智能方法在运行成本、新能源消纳及约束满足方面表现更优。
• 智能体决策导致断面重载的概率随离线训练过程持续下降，表明方法在安全性上有明显提升。

纯数据驱动 vs. 混合增强智能

应用方向

• 电网调度：包括超前调度、新能源消纳、需求侧管理。
• 电网控制：包括自动功率控制、分布式资源协同控制。
• 预警与紧急处置：包括紧平衡实时预警、故障响应、关键输电通道处置。

主要贡献人

• 姚建国：教授级高工、博士生导师，调度自动化与智能电网领域知名专家。
• 余涛：华南理工大学教授，IEEE/PES 负荷特性技术分委会（中国）主席。
• 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。

结语

基于混合增强智能的电网优化调度方法结合了数据驱动与知识驱动的优势，具有更高的信息利用效率、更强的解释性和安全性，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运行与优化调度。