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

自 I 浙江大学伊利诺伊大学厄巴纳香槟校区联合学院 ZhejiangUniversity/UniversityofillinoisatUrbana-ChampaignInstitute 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 刁瑞盛博士 长聘副教授、博土生导师、国家重点实验室研究员、浙江省千人特聘专家 IETFelloW、新能源电力系统仿真与智能控制课题组负责人 2024.6 面向新型电力系统的智能规划与决策技术 研究工作1：多时空维度功率预测技术研究工作2：电网运行关键特征提取与解析 研发了基于集成机器学习模型的针对交直流混联新型电力系统 多时间、空间维度功率预测技术运行风险，建立机电-电磁混 应用场景包括活生活负荷、工商业合仿真模型，研发了基于人工 园区负荷、新能源发电、充电场智能的电网运行关键特征自动 站等，落地应用于多个电力公司解析技术，形成软件系统。 研究工作3：电力系统规划与调度智能决策研究工作4：数字李生建模与参数智能辨识 针对新型电力系统强不确定性、随智能体针对电力设备复杂运行特征，建立机性带来的控制难题，研发了基于数字季生模型，研发了基于AI的关 深度强化学习的智能决策技术：键参数智能识别技术： 电力设备优化配置方案心传统发电机组模型 心无功电压、有功、网损、拓扑控制直流、风电等电力电子设备模型 典型运行方式自动生成复合负荷模型 ZJUI 2 新型电力系统主要特征 ZJUI Thewell-known TRANSMISSIONGENERATION Californianduck 20182023 DISTRIBUTION Systemfastdynamiresponsesunder extremeevents--th ResidentalMidightNoonMidnightMidnightNoonMidnight August2003North AmericanBlackout 总体目标：“碳达峰、碳中和”，构建新型电力系核心技术需求： 统，其主要特征包括： 口高比例可再生能源并网 口高比例电力电子设备化 快速准确的在线安全评估方法以提升“态势感知 (situationalawareness) 口储能设备大量接入模型质量和参数问题 口负荷侧响应资源 口电力市场新规则 主要挑战：电网运行的动态性、随机性、不确定性 仿真速度受限 缺之应对电网强不确定性、强随机性的有效分析手段 有效的在线安全智能调度控制方法 显著增强，为电网在线安全稳定性控制带来巨大挑多数调度策略通过离线制定 战。基于有限经验与模型仿真的策略难以达到最优基于历史运行经验或有限仿直结果 效果（过度乐观或保守）缺乏有效的数据驱动控制系统以缓解电网运行风险3 人工智能技术发展的里程碑T ZJUI ARTIFICIAL Earlyartificiatintetligence oxcitoment 人工智能 MACHINELEARNING 16 toflourish 机器学习 DeepReinforcement Learning深度学习+强化学习 1950's1960's1970's1980's1990'S2000°s2010's 专家系统 AVCAGC事件化NN(( 自巡航 4 人工智能方法简介工ZJUI 有价值压缩大数据可 结构复原图像分类 特征提取客户保留 欺诈检测 CAT 推荐系统测 LABELEI PHOTOS 目标市场 DOGrobotsaresetup tocollectgraspingepisodes 客witheutonomousself-supervision 程优化 强化学 实时决策机器人 游戏人工智能技能获取 任务学习图片来源：谷歌大脑5 机器学习核心方法工 ZJUI 监督学习无监督学习半监督学习强化学习 深度学习属于机器学习是监督学习、无监督学习和半监督学习的深度扩展，通常环境 需要建立许多层结构的人工神经网络 输入输出输入L输出输入7输出输入L输出 月 Outputs(e.g Alactions) Transfer Learning =f(x)+g(x)uInputs(e.g. humanactions) 01001101011011010 11811616010111000 10111000101110801 开发的 几器人 空制 PhysicalMathematicalor Outputs(e.g.system享法 responses) System LogicEquations AlAgent 神经网络 深度强化学习=深度学习+强化学习 VSARSA 法(TD) 6 ChatGPT模型训练ZJUI 监督式学习强化学习 Step1 Step2 Step3 Collectdemonstrationdata Collectcomparisondataand Optimizeapolicyagainstthe andtrainasupervisedpolicy. trainarewardmodel. rewardmodelusingthePPO reinforcementlearningalgorithm. ApromptisApromptandAnewpromptis sampledfromour Expiainreinforcement severalmodel Explainreinforceimerit sampledfrom Wrteastory promptdataset.learningtoa6yearcid.outputsarelearningtoaGyearold.thedataset.aboutotters sampled. ThePPOmodelis Alabelerinitializedfromthe demonstratesthesupervisedpolicy. desiredoutput behavior, Wogivetreatsand Alabelerranksthe outputsfrombest toworst.0:00:0 Thepolicygenerates anoutput. Dnoeuponatime Thisdataisusedto fine-tuneGPT-3.5withsupervised learning. Thisdataisused Therewardmodelcalculatesarewardfortheoutput. + totrainourTherewardisused rewardmodel. 0-0-0:0 toupdatethe policyusingPPO. 来源：OpenAl ChatGPT模型训练 ZJUI 来源：ChatGPT8 应用1：多时间维度功率预测 基于监督式学习的多时间、空间维度功率预测（负荷、EV充电、光伏、风电等） 核心功能模块多时间维度多应用场景 历史数据采集 ZJUI 15分钟前网调·社会·计划负荷 A预测中心预测实时及预测态数 数据输出据获取1小时前生活负荷 A模型自适应调AI模型训练及调 4小时前光伏、风场发电 整24小时前电动汽车充电 9 基于A的功率预测方法流程图 原始数据 5200 数据预处理坏数据清理50004-24小时预测窗口 4800滚动预测 160 1400 120024小时数据更 数据结构变换新模型 验证集训练集测试集 DNN✁模DNN负荷预测模型 H ZJUI 00000 0.0 o 00000 DNN模型选择 + DNN模型优化误差分析预测结果模型训练模型测试 10 功率曲线预测效果 ZJUI 6000 准确率：97-98.3%真类缘6000 真卖值 原测值 55005500 50005000 4500 $500 1000 4000 3500 3500 3000 3000 EV充电负荷日前功率预测 2018-11-3008:00:00配网日前光伏预测 70EV-Actual100 EV-Prediction 60 80 SolarPower-Actual SolarPower-Prediction 50 MX 40 peo (MX) 60 40 30SolarPower 20 20 10020030040020406080 Time(1dayahead,3Omresolution)Time(1dayahead,15min.resolution)11 应用2：基于无监督式学习的负荷聚类分析 》目标：开发基于AI的方法进行有效地负荷聚类、关键特征和成分识别 >核心技术：聚类分析（Kmeans++），关联规则，降维（拉普拉斯特征映射） ZJUI 10千伏变电站海 量负荷数据拉普拉斯特征映射， 用以降维 搜索最优类别数量 Ntypes Kmeans++ 4.01. 聚类后可有效识别 12 居民负荷 浙江绍兴充电场站负荷聚类分析 浙江EV充电场站 原始数据围-国网渐江电动汽车服务有限公司 ZJUI Distribution"inProceedingsofthe7thIEEEConferenceonEnergyInternetandEnergySvstemInteeration13 交直流混联电网复杂故障后稳定特性解析 机电-电磁混合仿真受端电网故障下多直流换向失败分析 不同故障下所有线路换相失败总次数 ZJUI 仿真结构及信息交互 电产 仿真精度验证 频率响应聚类 王之伟黄俊辉，孙文涛孙方圆，兰图，刁瑞盛，含歌式直流的受端电网动态响应智能分析方法”，电力工程技术，2024.114 应用3：基于深度强化学习算法的自主安全控制 深度学习一强大的表征性学习能力强化学习一强大的逻辑推演、决策、控制能力 ★技术优势：模式识别、✁模分类、预测★技术优势：逻辑推演、优化、运行与控制 MachineLearning智能体 statesreward Seactipn ZJUI DeepLearning 深度神经网络为系统内核，负责系统✁模：强化学习为系统的框架，负责目标设定。 规则、模型 （仿真/实际）环境 数据驱动的、基于先进A技术（深度强化学习）的电网脑技术框架及应用 SCADA思路： 电力系统通过“左右手互博”方式进行自主学习 WAMS 基于实际系统断面数据合理随机“出题”，AI“智能体”不断通过解题来提升“ 状方估计智力”水平。 电网眼 车件拉制 利用人工经验或经过验证的电力系统分析算法，构✁合理的价值体系（取向/函数 电网脑动作），评估测试并反馈其“智力”水平 “智力”达标后投入在线运行，针对各种运行场景和断面给出解决方案，并通过 在线训练持续提升。 亚秒级实现 高我调练 “智能体”实现完全的数据驱动，“系统运行数据”入，“解决方案”出，即： 调度员经验 （高性能计算）利用智能体的快速计算特性，针对系统实际运行数据，在亚秒内给出解决方案。 15 训练框架 ZJUI 基于深度强化学习的逻辑推演与自主实时控制： 可在不断与电网环境交互的过程中学习有效的控制策略，并最终掌握该项调控应用 样本 auon-NN(w.o(cfam-rar)) Humanbrain Network 电网不同运行工况，可从实时系统如EMS或WAMS中获取DeepQ Mimicin 状态 母线电压幅值、相角Action095.0971.05 ·传输线路潮流等 动作集 发电机端电压设定值或电容电抗器投切，可从控制集中选择 [0.95,0.975,1.0,1.025,1.05]p.u. States Reward CridMind Pow ystem Gan 可对不同的设定值进行排列组合（DQN）基本原理 也可以采用连续变量在一个范围内选取（DDPG） 奖励定文深度强化学习agent动作电网运行/仿真 VtoladtonzoneNegativereward LargepenaltyD利ON用: 食楚策略选取动作值 105 argmaxQid) 更新深度强化学习agent 1.0Positiv