研报总结
1. 背景意义
随着新一轮科技革命和产业变革的深化，人工智能成为新质生产力的重要驱动力，是抢占未来竞争制高点的关键。国家发展改革委和国家能源局于2025年9月发布《关于推进“人工智能+”能源高质量发展的实施意见》，强调加快人工智能与能源产业深度融合，支撑能源高质量发展和高水平安全。到2030年，人工智能技术将实现跨领域赋能，在电力智能调控、新能源智能预测等方向取得突破，成为支撑新型电力系统建设的关键技术。新型配电系统作为电力系统重要组成部分，在双碳目标下承担着融合“源-网-荷-储”的数字化主动配电与多能耦合系统角色，是新型电力系统的重要载体。然而，传统人工智能技术在源荷预测、状态计算、调度决策等领域面临样本依赖强、泛化能力弱、知识表达能力不足等挑战。
2. 关键技术
科学智能（AlforScience，AI4S）是利用人工智能推动科学发现和技术创新的科研方式，具有特征自主学习、高维数据处理、复杂关系拟合等优势。数据机理融合是科学智能的重要特征，通过融合数据驱动和机理模型的优点，提升模型泛化性和决策安全性。数据驱动方法适用于系统内部结构和特性不明确的对象，机理驱动方法适用于对内部运行机理和结构较为清晰的对象，数据机理融合驱动建模则实现二者的优势互补。数据机理融合模式包括串行模式、反馈模式、并行模式、引导模式与嵌入模式，其中引导模式引入单调性、取值范围等机理约束。
3. 应用实践
3.1 计算推演
- 数据知识串行联合驱动的线路参数辨识：采用两阶段方法，第一阶段利用线性回归得到参数初值，第二阶段采用改进信赖域反射方法得到精细化线路参数，误差降至10%以下。
- 机理嵌入的线路动态拓扑跟踪：基于多任务图自注意力学习（MT-GSAL）的配电网动态拓扑跟踪方法，在量测不完备条件下实现拓扑辨识，性能优于其他数据驱动方法。
- 知识引导的配网状态估计：通过将物理方程约束加入神经网络训练的损失函数，提升模型计算精度，少量测条件下电压误差小于1%，有功和无功潮流误差小于10%。
应用成效：研发配网智能计算推演系统，已在9家省公司试点应用，提升配网态势透明化感知能力；在江苏南京部署的系统，线路首端电压、功率计算准确率达97%以上。
3.2 源荷预测
- 协变量嵌入增强技术：将多维影响因素与目标时间序列共同转换为模型可处理的一维表示，精准捕捉变量之间的时序关联特征。
- 基于因果双向注意力机制的时序模型主干网络：通过自监督预训练，使模型掌握多领域、多粒度时间序列规律，解决复杂时序关联挖掘、模型跨场景迁移等难题。
- 语义嵌入的多模态时序模型：集成文本语义嵌入适配器，提升多模态时序模型预测准确性。
应用成效：负荷功率预测方面，省级负荷平均准确率提升0.12%，地市级负荷平均准确率提升0.67%，台区级负荷提升3.42%；新能源功率预测方面，多场景下预测准确率均有提升。
3.3 运行优化
- 数据机理融合边云协同建模：建立数据驱动与机理驱动模型的融合框架及边云协同方法，提升模型决策的鲁棒性与优化精度。
- 数据机理融合的边云协同优化方法：边云交替计算迭代直至收敛，提升优化效率。
- 数据机理融合的优化加速方法：基于深度强化学习的诱导分支方法加速最优整数取值，实现万级计算节点调度策略秒级生成。
- 数据机理融合的在线增强方法：通过校核反馈机制得到新增样本集，实现智能决策模型的自主演进。
应用成效：在天津滨海国家动漫园等多园区开展区域能源互联网协同优化试点验证，提升整体能效5.3%；联合天津调度中心研发部署的源网荷储自主智能调控系统，实现万级计算节点的调度策略秒级生成。
4. 未来展望
4.1 电力科学智能
未来将面向新型配电系统不确定性和复杂性特征，实现覆盖理论推导、实验仿真、数据分析的全流程科学智能技术形态，推动电力时序预测、运行分析、调度决策等领域的创新和突破。探索世界模型、原生大模型等前沿技术，例如构建“全球-全国气象大模型”、基于大规模预训练的电力时序预测基础模型。
4.2 数据机理融合
未来将进一步优化数据知识的双向过程，突破知识的统一表示与嵌入方法，通过知识发现技术实现领域知识的迭代更新。构建以物理虚拟实时映射、高保真仿真推演、智能决策反馈等为代表的数字孪生系统，实现新型配电系统的共同、共生和共荣。突破可信保障限制，适应动态随机波动性，重点突破电力科学智能研究范式与大小模型协同应用模式，满足高维复杂巨系统的高效智能决策需求。
