【国家电网】2023基于混合增强智能的电网优化调度决策方法报告

基于混合增强智能的电网优化调度决策方法总结

核心内容

本报告探讨了基于混合增强智能的电网优化调度方法，旨在解决新能源发展带来的电网调度难题。随着新能源装机容量的快速增长，电网运行面临调节对象增多、资源不可观性增强、多场景计算复杂度上升等挑战。传统以运筹学为核心的调度方法难以有效应对这些挑战，而人工智能的引入为智能调度提供了新的手段。

主要观点

• 新能源发展带来的挑战：

  • 新能源装机容量持续增长，波动性和随机性增加。
  • 预计2050年，全球电动汽车数量将达10亿辆，电储能容量达到12TW·h，空调热泵数量将超过2.5亿台。
  • 电网调度需处理海量分布式资源，面临高维空间收敛难、电网约束满足难、决策过程解释难等问题。

• 人工智能的发展趋势：

  • 第一代AI以符号模型为主，具有规则明确但应用封闭。
  • 第二代AI以数据驱动为主，具有学习能力强但解释性和泛化性差。

• 混合增强智能的优势：

  • 通过引入人类知识，结合数据驱动方法，提升调度模型的解释性、泛化性和安全性。
  • 在多场景计算和电网约束满足方面表现更优。

关键信息

1. 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。其数学模型包含输入参数、决策变量、经济性与清洁性目标以及多种约束条件（如实时功率平衡、机组出力上下限、新能源出力、爬坡约束、潮流约束等）。

2. 数据驱动的调度方法

• 将调度问题转化为序贯决策问题，利用调度智能体与仿真环境的迭代优化，实现单时段滚动优化。
• 采用深度强化学习方法，如DK-TD3、DDPG等，构建调度智能体并进行训练。
• 通过输入数据预处理、模型端物理方程嵌入、输出端知识正则项引导等方式，提升模型的决策能力。

3. 混合增强智能调度方法

• 知识表征：

  • 构建知识图谱，用于表示调度运行理论、调度规程、检修预案等。
  • 使用斜决策树进行安全规则抽取，提升对电网运行状态的辨识能力。
  • 引入自注意力机制，实现电网拓扑结构的向量化表征。

• 知识利用：

  • 在输入端，对多源异构数据进行结构化处理，提高模型对调度知识的吸收能力。
  • 在模型端，引入物理方程嵌入层，提升调度策略的可行性。
  • 在输出端，加入知识正则项，增强模型对调度规则的遵循性。

4. 算例分析

• SG126算例：

  • 混合增强智能方法在收敛性、运行成本、约束满足等方面优于纯数据驱动方法。
  • 总有效性评分（R）：494.28（混合增强智能） vs 196.06（DDPG） vs 377.43（IL-DDPG）。
  • 新能源消纳评分：570.78（混合增强智能） vs 284.39（DDPG） vs 450.98（IL-DDPG）。
  • 运行成本评分：-288.0（混合增强智能） vs -288.0（DDPG） vs -263.05（IL-DDPG）。

• 某省级电网算例：

  • 混合增强智能方法在离线训练时间（26.7小时）和在线决策时间（0.08秒）上表现优于传统方法和纯数据驱动方法。
  • 在满足所有调度约束方面，混合增强智能方法表现更优。

结论

混合增强智能方法在电网优化调度中展现出显著优势，能够有效克服纯数据驱动方法的不足。通过结合人类知识与数据驱动模型，该方法在提升调度决策的可靠性、解释性和泛化性方面具有巨大潜力。未来，混合增强智能有望在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发展。

未来展望

• 技术融合：进一步融合调度文本、数据和电网模型，构建更加完善的知识-数据联合驱动框架。
• 应用扩展：拓展至更多调度场景，如超前调度、新能源消纳、需求侧管理、自动功率控制、分布式资源协同控制、实时预警与紧急处置等。
• 标准化建设：推动混合增强智能在调度自动化、智能电网等领域标准化发展。

关键人物

• 姚建国：教授级高工、博士生导师，中国电力科学研究院资深专家，调度自动化和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，中国电工学会人工智能与电气应用专委会秘书长。
• 杨胜春：教授级高工，中国电力科学研究院电力自动化所副所长，IEC PC118 WG2召集人，全国电力系统管理及其信息交换标准化技术委员（SAC/TC82）委员，全国智能电网用户接口标准化技术委员（SAC/TC549）委员。