团队介绍
- 高球：四川大学电气工程学院博士，研究方向包括电力系统知识发现与运行、人工智能动态转移极限控制等。
- 刘军勇教授：四川大学电气工程学院智能电网优化与电力市场运行研究团队负责人，二级教授，博士生导师，享受国务院特殊津贴，拥有伦敦布鲁内尔大学荣誉博士学位。
团队由4名教授、5名副教授和3名助理研究员组成，每年指导超过50名博士和硕士研究生。主要研究方向为电力系统经济运行和电力市场，承担过20余项国家863、973计划、科技部重点研发计划和国家自然科学基金项目，出版专著7部，发表论文400余篇，获得四川省科技进步奖3项、国家电网和南方电网二等奖、广东电网一等奖等。
背景与动机
- 电力系统风险：电力系统面临的风险挑战，如可再生能源波动性、电网安全稳定性等。
- 人工智能的动机：人工智能（AI）在解决电力系统问题中的潜力，例如DeepMind的AlphaGo和AlphaStar在围棋和星际争霸II中的成功应用，证明AI在复杂环境中的实时决策能力。
学习/代理辅助方法及其应用
-
多周期运行规划与动态TTC约束
- 挑战：时间序列特征引入电力系统后，需要考虑多周期模型，但模型高维复杂。
- 解决方案：利用学习辅助方法降低复杂度，并采用基于梯度的非线性求解器（如内点法）提高求解效率。
- 数值研究：在改进的IEEE 39节点和68节点系统上测试，包括理想储能系统和DFIG风电四阶发电机动态模型，结果表明该方法效率提升17倍，具有良好的可扩展性。
-
实时动态总转移能力控制
- 挑战：实时TTC控制器需要应对复杂环境，传统强化学习（RL）训练时间长。
- 解决方案：利用学习辅助模型建立即时反馈环境，并采用自组织映射（SoM）和多近端策略优化（PPO）代理提高泛化能力。
- 数值研究：通过元启发式和基于敏感度的方法加速RL交互，未见过的安全场景下效率提升至少17倍。
-
基于场景分类的混合带宽方法
- 背景：现有TTC方法计算密集，可靠性存疑。
- 解决方案：利用聚类方法将运行空间划分为子空间，设置每个子空间的转移限制边界，利用聚类隶属度建立子空间与对应边界的映射。
- 数值研究：在改进的IEEE 39节点和西北电网上测试，结果表明该方法规则可解释性强，优于端到端深度学习模型，释放了电力输送潜力，提高了可再生能源消纳。
-
基于集成梯度技术的暂态稳定性预防控制
- 背景：轨迹敏感性技术将暂态稳定性预防控制问题转化为线性规划问题，但局部敏感性方法精度不足。
- 解决方案：采用集成梯度（IG）技术，利用深度学习快速计算集成发电机控制贡献梯度，将局部敏感性转化为近全局IG控制敏感性，形成闭环控制方案。
- 数值研究：在GHST模型上测试，结果表明该方法在故障情况下实现最快稳定，最小超调，并确保系统恢复。
物理驱动学习技术及其应用
-
物理引导图神经网络用于实时AC/DC潮流分析
- 挑战：AC/DC潮流问题的非凸性影响解的全局最优性。
- 解决方案：采用增广拉格朗日法（ALM）提高求解最优性，并构建基于深度学习的实时AC/DC潮流计算工具，实现自动切换直流控制模式。
- 数值研究：结果表明该方法在毫秒级实现在线计算，效率优于基于物理的方法，节点-边耦合图建模显著增强DL在拓扑变化下的泛化能力。
-
拓扑可迁移的物理引导图神经网络用于实时OPF
- 挑战：OPF在规模增长时收敛性和效率下降，忽略电网拓扑信息，未充分利用OPF物理特性。
- 解决方案：提出基于物理引导图神经网络（PG-GNN）的实时OPF方法，直接利用电网拓扑特征和基尔霍夫定律指导深度学习，避免不依赖于物理规律的模式模仿。
- 数值研究：结果表明该方法在未见过的拓扑情况下仍保持性能，并通过OPF标签准备和在线迁移学习提高泛化能力。
-
物理信息动作网络用于暂态稳定性预防控制
- 背景：强化学习在电力系统中的应用面临参数调优、收敛性和可靠性问题。
- 解决方案：提出基于物理-数据协同驱动的实时暂态稳定性预防控制方法。
- 数值研究：结果表明该方法在故障情况下实现快速稳定控制。
-
近哈密顿神经网络增强的多机励磁控制
- 挑战：非线性系统能量函数构建困难，全局协调非线性励磁控制设计复杂。
- 解决方案：提出基于测量驱动的近哈密顿NN增强哈密顿实现和励磁控制方法。
- 数值研究：结果表明该方法在故障情况下实现最快稳定，最小超调，并确保系统恢复，提高计算效率，适应高阶系统，并具有强鲁棒性。
前景
- 研究目标：创建“强可解释、高度开放和泛化”的AI辅助决策系统，提升高渗透率可再生能源电网的运行灵活性。
- 研究内容：基于物理原理构建AI知识，利用实际测量数据校准高阶AI模型，通过专家经验进行AI参数剪枝，实现高度稳定的可迁移性支持异构AI的自主泛化，通过大模型构建决策AI，实现 minimalist 交互。
