2024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报告-浙江大学_35页_9mb

报告摘要

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总结

核心内容

本研究聚焦于构建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，旨在应对高比例可再生能源并网、电力电子设备广泛使用、储能设备大量接入以及负荷侧响应资源等新型电力系统特征带来的挑战。研究提出了多时空维度功率预测、电网运行关键特征提取与解析、数字孪生建模与参数智能辨识、基于深度强化学习的智能决策与控制等核心技术，以提升电网的在线安全稳定性控制能力。

主要观点

多时空维度功率预测技术
研究团队研发了基于集成机器学习模型的多时间、空间维度功率预测技术，应用于生活负荷、工商业园区负荷、新能源发电、充电场站等场景，提升了电网负荷与发电预测的准确性，为电力系统运行提供支持。
电网运行关键特征提取与解析
针对交直流混联新型电力系统运行风险，研究团队构建了机电-电磁混合仿真模型，研发了基于人工智能的电网运行关键特征自动解析技术，形成软件系统，提高了对电网运行状态的识别与分析能力。
数字孪生建模与参数智能辨识
针对电力设备复杂运行特征，研究团队建立了数字孪生模型，结合AI技术实现了对传统发电机组、直流、风电等设备模型参数的智能识别，提升了模型精度与运行效率。
基于深度强化学习的智能决策与控制
针对新型电力系统强不确定性、强随机性带来的控制难题，研究团队提出基于深度强化学习的智能决策技术，实现了对电力设备优化配置、无功电压、有功、网损、拓扑控制等关键控制任务的自主学习与优化。

关键信息

研究目标：构建新型电力系统，实现“碳达峰、碳中和”，提升电网运行的安全性、经济性与智能化水平。
核心技术：结合深度学习与强化学习，实现对电网运行状态的智能解析与控制。
应用场景：包括负荷预测、负荷聚类分析、电压与功率控制、智能拓扑调整、潮流评估与预测等。
AI方法应用：
- 监督式学习：用于多时间维度功率预测与负荷聚类分析。
- 无监督式学习：用于负荷特征提取与关键成分识别。
- 强化学习：用于电网的在线安全稳定性控制、经济运行优化、电压控制等。
智能体设计：
- 基于实际系统断面数据进行随机“出题”，AI智能体通过解题提升“智力”。
- 采用SAC、DQN等算法进行训练，实现对电网运行状态的实时控制。
- 智能体在训练阶段能够收敛并持续提升性能，在测试阶段能有效解决电网运行问题。
应用案例：
- 浙江绍兴充电场站负荷聚类分析：利用AI技术对负荷进行聚类，优化电网运行方式。
- 宁波灵峰和前湾园区负荷峰谷差控制：通过储能设备实现负荷波动的控制，提升电网稳定性。
- 智能拓扑控制：实现节点分裂/合并与线路开关的自动调整，提升电网运行效率。
- 考虑不完全信息的潮流评估：使用DNN模型在测量数据缺失的情况下进行潮流估计，提升预测精度。
成果与性能：
- 在江苏省电力公司调控中心部署智能体，实现99.41%的EMS断面有效指令生成，平均网损降低约3.64%。
- 在IEEE14节点系统中验证智能体寻优精度，效果优于传统方法。
- 在浙江宁波园区案例中，所有测试场景均降低峰谷差和整体波动水平，峰谷差降低达100.417MW。
- 在浙江绍兴案例中，实现智能拓扑控制，提升电网运行效率与安全性。
- 在潮流估计中，当测量值缺失5%或10%时，模型表现良好；缺失15%时误差略有增加，但仍具有较高的精度。

技术优势

深度学习：具备强大的非线性表征学习能力，可用于模式识别、建模分类与预测。
强化学习：具备强大的逻辑推演与决策能力，用于电网的实时控制与优化。
混合方法：结合机理模型与AI技术，实现对复杂电力系统运行状态的全面分析与智能调控。

未来展望

研究团队正在构建一个集电力系统建模、仿真分析、人工智能算法、暂态稳定模型参数校验、关键走廊传输极限预测、电网潮流预测、在线安全稳定性预测、电网工况自动生成等功能于一体的多目标电力人工智能仿真、校验及控制平台，以进一步提升电网运行的智能化水平。

参考文献

R. Diao*, D. Shi, B. Zhang, et al., "On Training Effective Reinforcement Learning Agents for Realtime Power Grid Operation and Control," paper accepted for the Conference on Neural Information Processing Systems (NeurIPS) 2020.
T. Lan, R. Dao*, F. Sun, A. Wang, B. Zhu, L. Wu, Y. Xiao, "Reinforcement Learning-Based Net Load Volatility Control of Active Distribution Power Networks," paper accepted for IEEE PES General Meeting, 2024.
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, July 2021. (Best Paper Award)
J. Duan, D. Shi, R. Dao, Z. Wang, D. Bian, "Deriving Fast AC OPF Solutions via Proximal Policy Optimization for Secure and Economic Grid Operation," Journal of Modern Power System and Clean Energy Special Issue on AI in Power Systems, vol. 8, no. 6, Oct. 2020. (Best Paper Award)