研究背景
新型电力系统由于高比例新能源和高比例电力电子设备，导致系统计算、分析与决策存在强不确定性、高维特征和非凸非线性等复杂特征，给电力电量平衡、安全稳定控制带来巨大挑战。这些复杂特征主要体现在：
- 强不确定性：高比例源荷双向不确定性导致电力系统运行方式多样化，新能源网运行状态演化呈现突发性和时变性。
- 高维特征：高比例新型电力系统变量数量众多、网络结构复杂，使得系统状态和决策调控呈现高维特征。
- 非凸非线性：新能源随机性特征以及电力电子设备的开关特性，导致电力系统的运行特征呈现出明显的非凸非线性。
这些复杂特征带来的共性问题是科学计算，主要涉及源荷预测、仿真求解、方式分析和优化调度等电网运行核心业务环节。
科学智能概念与典型案例
科学智能是指让人工智能利用自身强大的数据归纳和分析能力学习科学规律和原理，从而得到科学模型解决实际的科研问题。典型案例包括：
- 蛋白质折叠：AlphaFold3基于15万高质量数据，融合三角不等式约束物理知识，将蛋白质折叠问题的计算时间从数年缩减到数分钟。
- 中期天气预报：华为盘古气象大模型融合地球专用位置偏差等地理规律，预测速度比数值预报快1万倍。
- 分子势能计算：DeePMD基于实验高精度数据，融合能量守恒等物理定律训练分子势能预训练机理模型，速度提升五个数量级。
- 可控核聚变：DeepMind融合等离子体动力学等物理机理，通过深度强化学习等技术，在50微秒时间内实现对等离子体的自主优化控制。
- 自动驾驶：TeslaFSDV12将感知、预测、规划结合到统一端到端模型中，直接输出规划和控制动作，实现自动驾驶技术的颠覆性发展。
科学智能案例的成功因素主要包括：
- 人工智能模型表征能力和泛化能力的提升：从CNN到Transformer到扩散模型，不断提取相似特征输入模型。
- 数据与机理的深度融合：根据领域知识简化神经网络模型，使用物理特性约束损失函数。
- 海量且高质量的数据：多个遗传数据库、40年高分辨率全球气象数据等。
电网运行科学智能定义与探索
电网运行科学智能是将人工智能技术融入电网运行科学计算，旨在提升计算效率、预测准确性和决策优化，实现电力系统的智能化计算。其定义包括：
- 广义：包含认知计算的智能系统，如构建电力科学计算工具决策支持系统提供实时决策帮助、利用多智能体数据工程模型算法工程系统实现电网的自主协调和优化。
- 狭义：状态估计、潮流分析、仿真建模、暂态稳定分析、短路计算、电压控制、最优调度和电力行业大棋型风险评估等涉及数学计算的功能。
电网运行科学智能探索包括：
- 负荷预测：基于预训练的时序大模型及自主构建的多场景的负荷、气象等多维度高质量数据，结合领域知识特征工程、机理约束、微调等前沿技术，构建通用性强、扩展性好、准确率高的电力时序大模型。在某省级系统负荷数据上开展日前预测实验，零样本预测准确度达95.7%，微调后准确度提高到97.8%。
- 潮流分析：综合运用图神经网络、注意力机制及物理信息嵌入神经网络等技术，结合电网历史数据，动态提取时空特征，实现潮流计算等非线性方程组的快速精确求解。实验验证表明，预训练模型的求解精度高，N-K线路功率预测、拓扑辨识、参数辨识、状态估计等下游任务的预测效果良好。
- 暂态稳定评估：开发基于人工智能的在线仿真加速技术，实现对电力系统实时运行场景暂态稳定裕度的快速评估。实验验证表明，采用GAN与在秒级评估耗时下，目前达到92.83%的平均数学模型混合方法，产生200万级运行场景，并调用PSCAD仿真计算得到裕度标签，完成样本集构建。
- 机组组合：利用深度学习预测整数变量并识别冗余约束，从而有效缩减问题规模；借助机器学习初始化部分机组状态值以实现热启动，并优化求解器的超参数设置，进一步引导加速求解过程。实验验证表明，优化后模型复杂度显著减少，优化效率显著提升，实现2-4倍加速且解质量稳定。
未来展望及重点任务
科学智能在电网运行领域的成功应用将取决于以下几个关键决定因素：
- 电网运行领域科学智能应用：构建与训练科学智能预训练模型，实现源荷预测、建模仿真、方式分析、优化调度等应用。
- 高质量电力数据的积累：利用特征工程方法融合物理信息，融合模型设计：融合先验知识和物理规律，专业领域知识，更好地表示业务逻辑和底层规律的特征来指导模型的设计，同时设计符合物理规律的损失函数。
- 电力科学智能问题抽象：将未来电网运行某些适合的科学问题抽象转化为科学智能的问题，进行抽象提炼筛选适配电网运行问题。
