2024-08-08-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_48页_12mb

报告摘要

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，新能源广泛接入导致系统结构和特性发生重大变化，给电力系统分析决策带来严峻挑战。传统专家经验方法难以适应，亟需人工智能技术辅助。然而，人工智能在电力系统中的应用仍面临诸多挑战，包括场景数量呈组合爆炸、数据样本生成困难、运行不确定性高、机理复杂、数据隐私保护需求等。

主要观点

数据是提升AI性能的关键：研究表明，在相同的AI模型参数条件下，使用更大规模、更高质量的数据可以显著提升模型性能。
Data-Centric AI的提出：以数据为中心的人工智能方法被提出，强调数据质量、样本选择和隐私保护在AI模型训练中的重要性。
AI在电力系统中的应用难点：
- 分类问题存在类别不平衡，尤其是暂态稳定评估中失稳样本较少。
- 回归问题面临分布不均衡，断面安全裕度预测所需样本不足。
- 优化问题涉及高维变量和复杂约束，求解速度与精度要求高。
- 多方数据交互面临隐私泄露风险，需实现“可用不可见”的数据处理方式。

关键信息

1. 暂态稳定评估的数据增强技术

问题：暂态稳定分析样本集存在失稳样本数量少、边界样本缺失的问题。
解决方案：
- 提出基于Wasserstein距离的改进生成对抗网络（GAN），解决了传统GAN中的梯度消失和模式崩溃问题。
- 引入物理约束，确保生成样本满足系统运行条件。
- 采用基于信息熵的样本高效标注方法，结合主动迁移学习，提升模型在变化场景下的性能。
结果：在NPCC48机系统和300节点系统中，所提方法显著提升了暂态稳定评估模型的准确率，减少了仿真标记时间。

2. 输电断面安全裕度预测的样本生成方法

问题：输电断面安全裕度预测面临样本生成难度大、效率低、类型不足的挑战。
解决方案：
- 提出基于模型迁移的生成对抗网络训练方法，利用少量特定场景样本进行参数微调。
- 采用基于特征选择和特征重组的多目标场景生成方法，提高数据利用效率。
结果：在新英格兰10机39节点系统和电科院300节点系统中，所提方法在不同断面裕度下显著提高了样本生成有效率，提升了AI回归模型的准确率。

3. 大规模机组组合的AI加速方法

问题：机组组合问题涉及高维变量和复杂约束，求解速度与精度要求高。
解决方案：
- 提出基于割平面的可行域收紧方法，提升数据质量并加快求解速度。
- 引入监督学习训练AI预测发电机启停，结合神经网络的安全层，确保决策满足约束条件。
结果：所提方法在南方电网第五届电力调度AI应用大赛中获得第一名，并受到阿里巴巴达摩院的资助。

4. 多主体协同计算中的隐私保护

问题：多主体交互下数据隐私保护是关键挑战。
解决方案：
- 采用联邦学习架构，实现“可用不可见”的数据处理方式。
- 在电力-交通网协同调控中，结合纵向联邦强化学习与差分隐私技术，保障数据安全。
- 在风电场协同预测中，采用横向联邦学习与多方内积加密技术，确保数据不被泄露。
结果：所提方法在多个场景下均表现出优异的隐私保护性能，同时保持了模型训练效果，显著提升了预测准确率与收敛性能。

技术路线与方法

生成对抗网络改进：基于Wasserstein距离和物理约束，提升生成样本质量。
样本选择策略：基于信息熵和样本偏差，优化样本标注效率。
模型迁移训练：利用源域模型参数初始化目标域模型，提升样本生成效率。
联邦学习应用：在多主体协同计算中，采用纵向/横向联邦学习架构，实现数据安全聚合与模型训练。
安全层设计：在神经网络中引入安全层，限制AI输出，确保满足电网运行约束。

应用场景与效果

暂态稳定评估：所提方法在300节点系统中显著提升了模型性能，有效减少漏警情况。
断面安全裕度预测：在多个断面裕度场景下，样本生成有效率显著提高，AI模型准确率提升。
机组组合优化：通过AI预测启停变量，显著降低求解时间，提升计算效率。
多主体协同计算：在电力-交通网协同调控和风电场协同预测中，所提方法有效保护数据隐私，同时提升系统运行效率和预测性能。

研究成果与支持项目

相关论文：
- 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.
- Z. Wang, Y. Zhou, Q. Guo, and H. Sun. Interpretable neighborhood deep models for online total transfer capability evaluation of power systems.
- Z. Wang, Y. Zhou, Q. Guo and H. Sun. The total transfer capability assessment of transmission interfaces combining causal inference and multi-task learning.
- Tian-en Huang, Qinglai Guo, and H. Sun. A distributed computing platform supporting power system security knowledge discovery based on online simulation.
- Zeng H, Zhou Y, Guo Q, et al. A distributed deep reinforcement learning-based approach for fast preventive control considering transient stability constraints.
- 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.
- 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.
- 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.
- 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.
支持项目：
- 国家重点研发计划《电-气-热-储多能系统协同优化控制与韧性提升技术》
- 国家电网公司科技项目《公专互动网络环境下的新型业务系统安全风险评估与主动防控技术研究》
- 清华大学-港华能源投资有限公司零碳智慧园区项目