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

郭庆来清华大学guoqinglai@tsinghua.edu.cn 致谢：周艳真博士、博士生兰健、曾泓泰、王奕 研究背景 电力系统调度决策是保障电网安全经济运行的核心环节 研究背景 随着新型电力系统建设海量新能源广泛接入，系统结构和特性机理发生重大变化，为电力系统分析决策带来严峻挑战 专家经验方法难以为继驱需人工智能辅助 研究背景 人工智能也有其局限性在电力系统分析控制应用中仍面临诸多挑战 巨型非线性空间，模型缺失隐私泄露风险，调控难度大 运行不确定性强，机理复杂传统人工智能适应性不足 研究背景 研究表明，在相同的A/模型参数条件下，使用更大规模、更高质量数据，训练得到的模型性能越高，关注数据本身是提升AI性能的关键 研究背景 GPT-14.8G原始数据GPT-240G人工筛选数据GPT-3570G人工筛选数据ChatGPT带有人类偏好的数据 更好的AI=80%的数据+20%的算法 人工智能领域先驱AndrewNg Data-centricAl以数据为中心的人工智能 电力研究者如何拥抱AI? Data-centricAI在电力系统应用的核心难点 回归问题的分布不均衡 02 分类问题的类别不平衡 01 典型问题：断面安全裕度预测 典型问题：暂态稳定评估 难点：少类样本不足以支撑模型训练生成样本不足以刻画边界 难点：所需的样本数量不足，针对每个场景单独训练模型难度较高 03 多方数据的隐私保护需求 优化问题的数据质量提升 典型问题：多主体交互下的多方协同计算 典型问题：大规模优化调度的模仿学习 难点：如何在不泄露原始数据的前提下对数据进行分析计算，保证数据“可用不可见 难点：大规模优化调度涉及变量约束规模巨大，数值条件差，求解速度和精度要求高 Data-centricAl 进展1一基于生成式AI的暂态稳定评估数据增强技术 面向电力系统A/分类问题 问题提出 口暂态稳定分析的样本集存在失稳样本数量占比少的数据不均衡问题口人工智能方法在不均衡样本集上效果较差，迫切需要进行数据增强 人工智能方法对训练数据敏感性 迫切需要对数据进行增强提升暂态稳定评估的性能 技术路线1.1：基于Wasserstein距离的生成对抗网络 口生成式人工智能方法通过训练大量数据来学习数据的内在规律和特征口生成对抗网络是现有研究中最常用的基本生成模型 典型生成式AI模型 高斯混合模型（GMM）流模型（Flow-basedModels）变分自编码器（VAE)扩散模型（DiffusionModels）自回归模型（AutoRegessiveModels）生成对抗网络（GAN） 采用基于Wasserstein距离的改进模型 技术路线1.2：考虑电力系统约束的改进生成对抗网络训练方法 口传统生成对抗网络未考虑物理约束，新生成的运行场景可能存在不可行的情况口在损失函数中加入考虑物理约束的惩罚项，保证生成样本满足基本约束 解决思路：在损失函数中加入考虑物理约束的罚项 等式约束J(x)=0潮流平衡约束：ZP-ZP-Po=0 考虑直流潮流的线路功率上下界约束： 改进的目标函数： 生成模型本身的不确定性+训练误差新生成的运行场景可能存在不可行的情况 基于Wasserstein距离的改进方法 技术路线1.3：面向少数类别和分类边界样本的暂稳评估数据增强 口针对暂稳分类的数据需求，提出面向少数类别和分类边界样本的数据增强方法 ..真实稳定边界模型学习稳定域模型学习失稳域模型不确定域 面向少数类别样本的暂态稳定评估数据增强方法 核心难点：如何充分利用多数稳定样本得到性能较高的失稳生成模型？ 面向分类边界样本的暂态稳定评估数据增强方法 核心难点：如何不断发现并生成已有数据未覆盖的样本，提升模型性能？ 解决方案：通过生成模型与判稳模型的对抗学习，消除判稳模型的不确定域 初始数据集的稳定样本初始数据集的失稳样本拟生成的少数类样本拟生成的分类边界样本 技术路线1.4：基于信息滴的样本高效标注方法 口样本标注费时费力，提出基于信息摘的样本高效标注方法，降低样本生成代价 最大信息炳准则：根据模型输出结果f（x）计算H(x）对Dw中数据进行排序，优先选择H(x)较大的样本加入D,中，进行时域仿真得到样本标签 样本偏差准则：将满足f（x）G条件的样本，即生成模型认为其暂态失稳而预测模型认为其是稳定的样本，将其加入D，中，进行时域仿真得到样本标签 确定性准则：选择H(x）=0且f(x）=1的样本加入Dc 增强后数据集Daug=DUD,UD 技术路线1.5：提升暂稳评估性能的对抗训练方法 口通过生成模型与判稳模型的对抗学习，消除判稳模型的不确定域，在送代训练中使暂稳评估模型趋于最优模型 算例验证 口基于中国电科院根据实际电网数据建立的300节点系统生成样本，基于不同的生成模型，各生成1000条样本，对于样本生成结果进行仿真校验其暂态稳定性 不同生成模型有效性的对比 所提方法利用数量更多的稳定样本作为模型训练时的梯度罚项，相对于其他生成模型表现出更高的暂态稳定场景生成精度 算例验证 口将所提样本标注方法应用于300节点系统，可以显著降低仿真标记时间口该方法也可用于变化场景下模型更新的样本生成，显著降低模型更新时间 基于最大信息准则的样本标注策略可用于场景变化时AI模型在线更新过程快速生成少量标注样本，结合主动迁移学习能够在保证准确率的同时，显著降低计算时间，使在线快速更新模型成为可能 算例验证 口在原有暂态稳定评估模型基础上，进一步采用所提方法生成分类边界样本，并通过对抗训练迭代提升判别模型准确度 随着每一轮次新生成的样本补充至训练集中，暂稳评估模型对于系统运行场景的辨识能力逐步提升，有效增强了原始模型不确定区域的辨识能力。 Data-centricAl 进展2－考虑输电断面安全裕度的特定场景样本生成 面向电力系统AI回归问题 问题提出 口输电断面是运行方式分析需要考虑的重要因素，有利于实现电网降维监控口电网运行方式面临组合爆炸，运方人员难以根据实际需求生成所需的典型运行方式，面临样本生成难度大、生成效率低、所需类型样本不足的问题 迫切需要考虑不同断面裕度需求精准生成指定运行场景 技术路线2.1：基于模型迁移的生成对抗网络训训练方法 口特定输电断面裕度的场景样本数量严重不足，导致生成模型训练难度大口为充分利用潜在有用信息，提出基于模型迁移的生成对抗网络训练方法 for t =o,...,Ne,do.2:自目标样本集D中抽取m个样本x)=ED3:自非目标样本集Dn中抽取m个样本xnT）EDnT生成随机插值样本4:()=α(x+(1-α()x.a~Uniform(0,1)计算判别器损失函数：5:LrZ,[p()-D()+(D(()/-1)更新判别器参数：6:prAdam(VeprLDr,praadamB1B2)7:endfor8:基于源域模型参数G.初始化目标域生成模型GT9:while模型参数?末收敛或未达到最大训练批次，do：10:#参考技术路线1.2训练生成模型11:结束训练 利用少量特定运行场景样本实现参数微调，计算速度快、样本利用率高、准确性好 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[].中国电机工程学报2022，42(8)：2889-2900 技术路线2.2：面向特定运行场景的样本生成基本方法 口基于模型迁移训练方法，进一步提出面向特定运行场景的样本生成基本方法可以针对性地生成不同断面裕度的运行场景 离线训练阶段：通过所有运行场景数据集训练生成对抗网络，得到基础生成模型Gs在线应用阶段：利用有限目标样本参数微调得到目标生成模型GT实现样本高效生成兰健，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[.中国电机工程学报2022，42(8)：2889-2900 技术路线2.3：基于特征选择和特征重组的多目标场景生成方法 口针对存在复杂耦合关系的输电断面，提出基于特征选择和特征重组的多目标场景生成方法，选择与目标样本最相关的特征，结合改进生成对抗网络迁移训练形成单一属性生成模型，利用特征组合获得完整方式样本 将原有一个生成模型直接生成复杂样本转化为多个子目标的生成模型的组合方法，提高数据利用效率和生成样本有效率 算例验证 口在新英格兰10机39节点系统上进行算例分析，选定4个输电断面的不同安全裕度进行研究，通过不同方法的对比验证了所提方法的有效性 算例验证 口在电科院模拟实际电网的300节点算例上进行算例分析，选定4个输电断面的不同安全裕度进行研究，通过不同方法的对比验证了所提方法的有效性 算例验证 口在新英格兰10机39节点系统和电科院300节点系统上分别验证了不同方法考虑多个目标下的场景生成有效率，算例表明，所提方法生成样本有效率显著提高 算例验证 口利用数据生成方法得到断面裕度评估训练用数据集，进行AI回归模型训练口在相同AI模型结构的基础上，使用增强后的数据集能够显著提升AI模型在断面紧急情况场景下的准确率，能够更多地避免漏警情况的发生 Data-centricAl 进展3-以数据为中心的大规模机组组合A加速方法 面向电力系统A/辅助优化问题 问题提出 口机组组合问题的高效求解是保障电网安全经济运行的关键口机组组合变量约束规模巨大，矩阵数值条件差，求解速度及精度要求高口迫切需要使用AI加速机组组合，训练出高性能的AI智能体 整体框架 口通过求解机组组合模型为AI提供数据集，利用监督学习训练AI预测机组启停通过AI固定优化中的启停变量来加速机组组合求解 技术路线3.1：基于割平面收紧的机组组合数据高效生成 口提出支撑大规模机组组合的高质量数据高效生成方法，通过添加割平面收紧可行域，提升数据质量，同时也提高了数据生成效率 技术路线3.2：优化模型可行域收紧 口以最小连续开机时间约束为例进行说明 s.(t)ie[0,1]→发电机g在t时刻的开关状态y(t)[0,1]→发电机g在t时刻的启动动作zg(t)=[0,1]→发电机g在t时刻的关停动作 基线程序中的最小连续开机时间约束 UT，=2时原问题可行整数解UT，=2时可行域极点UT。=2时可行域投影 技术路线3.2：优化模型可行域收紧 口以最小连续开机时间约束为例进行说明 s.(t)=[0,1]→发电机g在t时刻的开关状态y.(t)=[0,1]→发电机g在t时刻的启动动作z.（t)=[0,1]→发电机g在t时刻的关停动作 基线程序中的最小连续开机时间约束 UT，=2时原问题可行整数解UT,=2时可行域极点UT=2时可行域投影 收紧后的最小连续开机时间约束 技术路线3.3：基于监督学习的发电机启停预测 口对于训练后的AI智能体，无法从理论上保证AI策略一定满足电网运行的硬约束口为此，在以自回归方式进行序贯决策时，我们在神经网络末端引入安全层，安全层将AI启停动作与电网仿真环境进行交互，利用可行动作空间对AI启停动作的输出范围进行限制，使AI启停动作满足约束，提升智能体的安全性和可靠性 算例验证 口相关方法应用于第五届南网AI竞赛，对基线程序中5类约束进行收紧，共计约30万条，约占所有约束的50%口针对30天训练数据，均设置求解器相对容差≤1%时终止然后求解机组组合 技术成效 口相关技术用于2023年南方电网第五届电力调度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夺冠，同时包揽了创新奖、可视化奖口相关技术获得阿里巴巴达摩院AIR项自《基于AI的新型电力系统大规模实时调度增强技术研究》的继续资助 以数据为中心的大规模机组组合AI加速方法 报人：曾温泰王静设指导教师：第夫来教投汇报单位：清华大学时：2023年12月27日 Data-centricAl 进展4一多主体互动下考虑隐私保护的多方协