清华大学（郭庆来）：2024年科学智算支撑能源系统运行的应用初探报告-50页_4mb

科学智算在能源系统运行中的应用初探

核心内容

随着“双碳”战略的实施，我国电力和能源产业格局发生深刻变化，新能源的大量接入使电力系统呈现出“双高”特性：高比例可再生能源与高比例电力电子设备。这种变化给能源系统运行带来了严峻挑战，尤其是在热网、气网等多能流系统的数字化水平较低、动态模型复杂、传统数值方法难以满足在线应用需求的情况下。

科学智算（AI for Science）作为新兴技术，通过将人工智能与科学知识相结合，为科学计算提供了新的思路。AI4S不仅提高了计算的科学性，还增强了其适用性和通用性，尤其在能源系统运行中，具有重要的应用前景。

主要观点

1. 电力系统运行挑战：

   • 高比例可再生能源接入使系统结构和特性发生重大变化。
   • 传统基于专家经验的方法难以适应这种复杂性。
   • 多能协同调控是实现双碳目标的重要途径，但其面临模型复杂、数据不足、在线计算速度慢等问题。

2. AI在能源系统中的应用：

   • 大规模机组组合（UC）求解：AI可以辅助求解复杂的优化问题，通过监督学习预测机组状态，从而加速求解过程。
   • 满足线性约束的神经网络激活层：通过设计可满足线性约束的激活层，使得神经网络的输出更加符合实际系统需求。
   • 物理信息神经网络（PINN）：将物理定律引入神经网络的训练过程，使模型能够满足PDE约束，提高预测精度与可行性。

3. AI4S的框架与方法：

   • Level 0：通过割平面方法提升数据质量与生成效率。
   • Level 1：利用物理信息神经网络，将物理约束融入损失函数，提升模型的科学性与可行性。
   • Level 2：设计满足线性约束的神经网络激活层，实现高效、准确的预测。

关键信息

1. 机组组合问题的AI辅助求解

• 问题规模：机组组合问题包含约13万个整数变量、70万个连续变量和60万条约束条件。
• 目标：最小化发电成本，同时满足负荷平衡、最小连续开机/关机时间、断面功率等约束。
• 方法：利用监督学习训练AI模型，固定机组状态变量后通过求解更简单的优化问题加速UC求解。
• 成果：通过GLinSAT框架，显著提升了训练效率，减少了显存占用，提高了模型的可行性和精度。

2. 满足线性约束的神经网络激活层

• 问题：传统激活层无法满足复杂的线性约束，导致输出不可行。
• 方法：将线性约束转换为标准型，并利用熵正则化方法构建可微的投影层。
• 效果：相比现有方法（如OptNet、CvxpyLayers），GLinSAT在训练效率和可行性方面均有显著提升。

3. 物理信息神经网络（PINN）在热网状态估计中的应用

• 问题：热网模型参数不准确、边界条件时变，导致传统方法精度低。
• 方法：将模型参数作为待优化变量，结合PDE算子映射学习，实现参数辨识与状态估计。
• 效果：在无直接量测的情况下，准确估计内部状态；在测试集上仍保持较高精度，验证了模型的泛化能力。

应用案例

• 长春市供热系统调研：发现量测采样间隔大、量测配置少、噪声大、坏数据多，限制了模型的准确性。
• 南网AI竞赛：使用GLinSAT方法，对5类约束进行收紧，生成约30万条数据，显著提升了模型性能。
• AI应用大赛：在结果最优值与计算速度综合评分中获得第一名，并获得阿里巴巴达摩院的继续资助。

技术挑战与解决方案

• 挑战：传统方法在处理大规模、高维、非线性系统时效率低下，且缺乏可解释性。
• 解决方案：
  • 数据驱动与物理知识结合：通过物理信息神经网络，将PDE约束融入模型训练。
  • 高效激活层设计：实现端到端训练，确保模型输出满足约束条件。
  • GPU并行优化：提升计算效率，减少显存占用。

未来展望

• AI4S在能源系统运行中展现出巨大潜力，但仍有许多科学计算问题待研究，如常微分方程求解、复杂建模与预测等。
• 随着深度学习和大模型的发展，AI4S将在能源系统中发挥越来越重要的作用，推动更智能、高效的系统运行。

表格汇总

线性可满足层计算时间对比

神经网络固定机组启停变量后优化问题可行率及平均误差

TSP问题中线性可满足层计算时间对比

部分图匹配问题中线性可满足层计算时间对比

结论

科学智算通过将人工智能与科学知识相结合，为解决能源系统运行中的复杂科学计算问题提供了新的思路与方法。在电力系统和多能流系统中，AI辅助求解、约束满足和状态估计等技术已取得显著进展，并在实际应用中展现出高效、准确、可解释等优势。未来，随着技术的不断成熟，科学智算将在能源系统中发挥更加重要的作用。