2024年科学智算支撑能源系统运行的应用初探报告

清华大学 TsinghuaUniversity A 科学智算 支撑能源系统运行的应用初探 郭庆来教授 清华大学 guoqinglai@tsinghua.edu.cn 致谢：周艳真博士、博士生曾泓泰、张佳琛 研究背景 随着“双碳”战略的提出与实施，风、光等新能源大力开发利用，我 国电力和能源产业格局发生深刻变化，为能源系统运行带来严峻挑战 电力系统内部：高比例可再生能源、高比例电力电子，双高特性电力系统外部：热网、气网等多类能源系统互联集成和互补融合 气网电网热网 研究背景电力系统运行的挑战 海量新能源广泛接入，电力系统结构和特性机理发生重大变化，传统基于专家经验的方法越来越难以为继 风光发电装机容量（单位：亿干瓦）12系统规模巨大决策变量高维 全国发电能力百万 10.000 数干 8.006 5.4 6000 4000 0.52000 02020212010 -7030年总#标 2035 传统机组 吧分布式资源 火电电动机 安全机理复杂不确定性显著 电能机理为主体的传统电力系统 电动产 风电/光伏 锂电然缆 电磁、电子酸合的新型电力系统 2016年南洗大停电风工时安 研究背景多能流系统运行的挑战 多能协同调控是实现双碳的重要途径，但多能流系统的热、气网数字化水平相对低，动态模型复杂，传统数值方法难以满足在线应用需求 热、气网数字化水平低状态时空耦合 83 实际案例： 以吉林省长春市供热系统为例，根据现场调研，其量测采集系统上传数 我国集中供热面积逐年增加据的采样间隔为15min 来源：国家统计局除热源、换热站外的管 道流量、温度量测大多 12.4缺失，且量测噪声较大，数学模型复杂 坏数据较多。 .量测（实时量测+历史量测）量测方程 我国管网建设里程亦不断增加 来源：国家统计局 x,-xxa-u.=?givenc).(h].af.g. 确定系统状态的动态约束静态约束 实时量测采样间隔大、量测配置相对较少新增不确定性变量 研究背景 共性难题：复复杂科学计算问题 物理对象：高维、复杂的非线性动力学系统 输电网配电网用户侧 电力系统多能流系统 数学模型：非线性方程、常微分方程、偏微分方程等计算问题：数学建模与预测、仿真求解、系统优化等 研究背景 共性难题：复杂科学计算问题 物理对象：高维、复杂的非线性动力学系统 检电网配电网 吸需引入人工智能辅助 电力系统和多能流系统运行涉及的科学计算 电力系统多能流系统 数学模型：非线性方程、常微分方程、偏微分方程等计算问题：数学建模与预测、仿真求解、系统优化等 研究背景 在深度学习、大模型等技术推动下，AIforScience(AI4S)成为全球人工智能新前沿，为科学计算提供了新思路 2018 2020 2022 ChatGPT大模型时代开启 AlphaTensor提出，Ai4S成为新热点 GPT-1,BERTGPT-3 第3代生成式预训练大模型 DeePMD-kit发布AlphaFold2提出 20162019AI4S方法持续提出 AlphaGo GPT-2 掀起强化学习热潮第2代生成式预训练大模型 2012 深度学习在蛋白质结构预测的可行性 AlphaFold提出 Al药物逆合成设计登上Science AlexNet2017 掀起深度学习浪潮Transformer架构 神经网络表达能力大幅提升 2015 ResNet 解决深度网络退化问题 DeePMD发布 研究背景 人工智能科学计算，即科学智算，是利用人工智能对科学问题进行智能计算和分析的新兴技术范畴，已经取得了诸多进展和应用 OoservationOParaneters -09=0 Vartat Mininzatonio-P+DIEeP T1037/6vr4T1049/6y4f 90.7GDT93.3GDT (RNApolymerasedomain)(adhesintip) AlsolverDifforentialequation AlphaTensor实现快速矩阵乘法[2]物理信息神经网络求解偏微分方程[3][4] @ExperimentalresultNeuralGCM模 eComputationalprediction型进行天气预测 以及气象模拟[5] Alphafold预测蛋白质结构[1] [1]JumperJ,EvansR,PritzelA,etal.HighlyaceunuteprotcinstructureprodictionwithAlphaFoll.Nature,2021,596(7873):583-589. 3jWang,H,Fu,T.,Du,Y.etal.Scientificdiscoverymtheageofartificialinlelligence.Nature620,47-60(2023) [4]Raissi,M_,Perdikaris,P.&Komiadakis,G.EPhysics-infomedneuralnetworksadoepleamingframeworkforsolvingforwardandiiverseproblemsinvolvingnonline [5]Kochkov,D.,Yuval,J.,Langmore,I,etal.Neuralgeneralcirculationmodelsforweatherandclimate.Nature(2024) 研究背景 科学计算使用的人工智能算法往往将AI与科学知识进一步结合，从而 使AI足够强大，更具通用性和可解释性 将科学知识引入人工智能的三种方式[1] A ScienceforAi Levelo一无约束Level1-一弱约束Level2——强约束 实施方式：直接利用科学知识实施方式：通过损失函数间接实施方式：直接在人工智能模 生成数据，相当于将科学知识地将科学知识引入模型训练中型架构中建立科学基本定律， 嵌入到训练数据本身可部分约束模型，但不会硬性使模型决策符合科学原理 Science要求其严格遵循约束 W. 押经网缝质测 AlforScience方法举例：利用仿真工具生成满方法举例：PINN利用微分方程方法举例：构建哈密顿或拉格朗足物理约束的训练数据作为损失函数的一部分，引导参日神经网络，使其结构符合某些 数优化物理守恒定律等 [1]2023版科学智能（AI4S)全球发展观察与展望 AI4S：AI与科学知识的双向增强 能源系统运行涉及各类科学计算问题，将科学智算引入能源系统辅助数学建模和计算求解，有助于提高A用于能源系统的科学性和适用性 舒数学建模?仿真计算精准预测民优化求解 科学知识 知识引导 监育学习措长预测 强化学习可与环境交互学习知识 WA送移学习可提升性能和效率 美型动拓展性强 经箱识可活用于不同场用 大电网仿南计直可 可理易于波接受 A14S 算力支持 在线调用速度快 人工智能 10 我们对人工智能的期待是什么？ 替代人的作用能源系统运行的复杂任务在人力难以解决的 直接用AI方法进行决策 复杂任务输入变量 子任务上进行辅助 Artificial子任务1Artificial intelligenceintelligence 由人主导 决策条件判断 子任务3 子任务2 000000 0000000000 计算机辅助 000000Q000000Q000000 子任务4 000000 0000000Q0000000000000 对能源系统进行分析决策 在可靠性要求极高更能被实际系统 的能源系统上存在运行人员接受 应用挑战实现技术突破 11 GasNetworkPowerSystemHeatNetwork - 本报告介绍✁两个主题 机组组合在线分析 应用场景电力系统 多能流系统 科学计算问题复杂优化问题求解 minf(x) 偏微分方程求解CPAr aTP(t,x) -cm aTP(t,x) st.g(x)≤0+uPTP(t,X)=0 结合基于知识✁内嵌可行性投影 科学知识 ✁AI方法 数据生成✁神经网络 物理信息神经网络 Level0无约束Level2强约束Level1弱约束 AI4S在电力系统运行✁应用 AI辅助✁大规模机组组合高效求解 科学问题：复杂优化问题求解 问题背景 口机组组合问题✁高效求解是保障电网安全经济运行✁关键 口机组组合变量约束规模巨大，矩阵数值条件差，3求解速度及精度要求高 口迫切需要使用A加速机组组合，实现混合整数规划问题✁高效求解 整数变量连续变量约束条件 2E(p.0+ey(0)+ 最小化发电成本 ~13万1个 ~70万1个 ~60万EM(s(0+s(0)+EEM(s0+s(0)) stZp.(0)+s()-s(0)=D(0) 负荷平衡约束 断面罚因子数量级转移分布因子数量级 24(0)2u,(0) 最小连续开机时间约束 10710-22(-0)≥DT0)最小连续关机时间约束 FSEHP(-ZHULO+S(-(SF断面功率约束 尽可能快地收敛到相对容差P.Osp.OspSO发电机上下限约束 p,()-p.(t-)≤Ru(i-1)+p,(u,(0)-u,(t-1)+p.(1-u,(0)上爬坡约束 1%以下 P,(t-1)-P,(0)sRn,(t)-P,(u,()-u,(t-1))+p.(1-u,(t-1)下爬坡约束 14 s(0)s(0)20,teT.s()s.(0)20整数约束 s(0.y,(0.,(0e0.1) AI辅助✁整体框架一一个直观✁想法 口求解机组组合为AI提供数据集，使用监督学➀训练AI预测机组状态（开/关）来 解决MILP求解中最困难✁部分，固定机组状态变量后通过求解更简单✁优化问题 来加速UC问题 数据生成AI模型训练 minclx s.t.Ax≤b,x,efo,ll,ie1 原始UC模型 求解UC模型生成数据集 监督学➀训练AI 固定启停变量 MILP可行整数解mincx MILP不可行整数解SLA'xSb' 原LP松弛可行域 xe(o1j.ier x,=0,iel, x=liel AI辅助✁整体框架一一个直观✁想法，但还不够 口然而，直接求解原始问题以获得高质量✁解通常需要数个小时，并且数据生成 效率很难满足神经网络训练所需✁数据规模 数据生成AI模型训练 minclx s.t.Ax≤b,x,efo,l,ie1 计算费时求解UC模型 生成数据集 需要更多训练数据监督学➀训练AI 如何改进这部分？固定启停变量 原始UC模型 MILP可行整数解mincx MILP不可行整数解SLA'XSb' 原LP松弛可行域 x,eo1).je x,=o,iel, x=liel 1.1：基于割平面收紧✁机组组合数据高效生成 口提出支撑大规模机组组合台✁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 数据生成数据质量提升AI模型训练 minc'xminex s.t.Ax<b,x,efo,,ieIs.t.A'xsb',xefo.l,ieI 求解UC模型 添加割平面生成数据集 收紧可行域监督学➀训练AI 固定启停变量 原始UC模型收紧UC模型 MILP可行整数解MILP可行整数解minc'x MILP不可行整数解MILP不可行整数解st.A'xSb' 原LP松弛可行域原LP松弛可行域 收紧后LP松弛可行域 xe(on,ier x=Liel, 1.2：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✁开关状态t y.()=(0,1)→发电机g在t时刻✁启动动作 z(0)=[0,1)→发电机g在t时刻✁关停动作 基线程序中✁最小连续开机时间约束 y.(t Zs,()≥UT,:zg(0) =I-UT UT。=2时原问题可行整数解 18 1.2：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.()=[0,1]→发电机g在t时刻✁开关状态(t) y.(t),=[0,1]→发电机g在1时刻✁启动动作 z.()=[0,1]→发电机g在t时刻✁关停动作 基线程序中✁最小连续开机时间约束 y.(0) Zs(