基于机理与人工智能混合驱动的新型电力系统智能分析与调控策略研究_24页_5mb

报告摘要

新型电力系统智能分析与调控策略研究总结

核心内容

本研究聚焦于基于机理与人工智能混合驱动的新型电力系统智能分析与调控策略，旨在通过深度强化学习（DRL）技术，实现电网的智能预测、负荷管理、电压控制与经济运行优化。研究结合了电力系统分析的机理模型与AI的数据驱动能力，构建了一个具备自主学习、逻辑推演、优化决策和实时控制能力的智能体系统，以应对现代电网中新能源接入、负荷波动、运行安全与经济性等挑战。

主要观点

1. 混合驱动方法

采用监督式学习和强化学习相结合的方式，实现对电网运行的全面分析与调控。
监督式学习用于训练AI模型，使其能够基于历史数据和人工经验进行预测与分类。
强化学习则用于在实际运行中，通过与电网环境的交互不断优化调控策略，实现自主决策与控制。

2. AI智能体设计

智能体具备多时间维度的功率预测能力，包括负荷、电动汽车充电、光伏、风电等。
通过深度神经网络提取电网运行特征，利用强化学习框架进行策略优化。
智能体能够实现实时运行与在线训练，在亚秒内生成解决方案，提升电网响应速度与稳定性。

3. 电网运行优化

控制目标包括：解决电压越限、降低主干网络功率损耗、避免输电线路功率越限。
通过多智能体协同训练（4个离线训练 + 1个在线更新 + 1个实时应用），实现系统整体优化。
智能体在训练过程中逐步收敛，并在测试阶段表现优异，成功解决多个电网断面问题。

关键信息

1. 强化学习流程

Step 1：使用监督式学习训练智能体，基于真实数据和人工示范。
Step 2：收集比较数据，训练奖励模型以评估智能体性能。
Step 3：使用PPO算法优化智能体策略，使智能体在电网环境中自主学习并掌握调控能力。

2. 状态空间与动作空间

状态空间：包括母线电压、相角、线路潮流、发电机功率、负荷功率等。
动作空间：发电机有功出力、变电站负荷转移等，支持离散与连续变量调整。

3. 奖励函数设计

正奖励：电压和潮流在安全范围内，奖励值为正。
惩罚值：电压或潮流越限时，给予相应惩罚。
网损降低：鼓励降低电网功率损耗，提升经济性。

4. 模型训练与验证

使用TSAT商业软件进行仿真，通过Python API实现与TSAT的交互。
模型在400次训练后性能良好，能够匹配实际电网运行数据。
在IEEE 14节点系统中，DRL智能体在精度、成本、功率偏差等方面优于传统方法。

5. 虚拟电厂（VPP）

虚拟电厂是将分布式可再生能源、储能及负荷整合为一个虚拟实体，参与电力市场交易。
与传统电厂相比，虚拟电厂具备更强的经济性、可靠性与灵活性，可实现用户侧智能调控，解决新能源接入并网问题。

应用案例

1. 浙江绍兴充电场站负荷聚类分析

使用Kmeans++、关联规则、拉普拉斯特征映射等无监督学习技术进行负荷聚类。
有效识别关键特征与成分，提升电网负荷管理能力。

2. 江苏电网调控中心部署

部署于江苏省电力公司调控中心，应用于张家港分区。
智能体成功解决239个断面越界问题，平均网损降低3.6412%。

3. 宁波园区负荷峰谷差控制

通过储能设备实现负荷波动控制，降低园区负荷峰谷差和整体波动水平。
智能体在1200个有效场景中表现优异，成功降低峰谷差100.417 MW，整体标准差降低22.372。

技术优势

技术	优势
深度学习	具备非线性表征学习能力，适用于模式识别、建模分类、预测
强化学习	具备逻辑推演、优化、运行与控制能力，适用于动态系统决策与控制

研究成果与引用

论文发表：
- R. Diao*, D. Shi, B. Zhang, et al., "On Training Effective Reinforcement Learning Agents for Realtime Power Grid Operation and Control," NeurIPS 2020
- Y. Zhou, W. Lee, R. Dao, D. Shi, "Deep Reinforcement Learning Based Real-Time AC Optimal Power Flow Considering Uncertainties," Journal of Modern Power Systems and Clean Energy, 2021
- T. Lan, R. Dao*, F. Sun, et al., "Reinforcement Learning-Based Net Load Volatility Control of Active Distribution Power Networks," IEEE PES General Meeting, 2024