人工智能在新型电力系统优化调度与控制中的应用

四川大学电气工程学院针对新型电力系统的运行与控制挑战，探讨了人工智能在最优调度与控制中的应用。新型电力系统具有组件间耦合关系复杂、源荷不确定性、多代理交互等特点，给建模、运行和控制带来巨大挑战。深度神经网络（DNN）和深度强化学习（DRL）因其强大的非线性建模能力和适应性，成为解决这些挑战的有效工具。

报告首先介绍了基于无模型的DRL进行稳态最优调度，以内蒙古偏远沙漠地区的孤立电网为例，通过日前优化和实时频率调节，利用电池储能系统（BESS）和氢能生产厂促进新能源消纳。研究采用图卷积网络（GCN）和长短期记忆网络（LSTM）构建实时频率调节模型，结果表明GCN-LSTM网络在减少功率偏差和频率偏差方面表现良好。

其次，报告提出了基于模型的DRL技术路线，利用因果Transformer（CT）网络构建世界模型，快速获取训练样本，并通过CT-TD3算法实现风电系统最优调度策略。研究结果表明，CT-TD3算法在全局优化方面更加稳定，能够合理分配各单元输出，实现低碳经济运行。

此外，报告还探讨了新型电力系统过渡过程中的广域阻尼控制方法，针对远程通信信道中的随机时延问题，提出基于条件变分自动编码器（CVAE）的建模方法，通过神经网络参数化系统动态模型，预测控制轨迹，缓解时延影响。案例研究表明，神经网络模块直接生成PSS控制信号比配置时延补偿模块具有更快的响应速度、更小的超调和更低的硬件要求。

最后，针对新能源场站缺乏历史数据的问题，报告提出了基于域对抗迁移学习的解决方案。通过域对抗神经网络（DAAN）和LSTM结合，实现新能源输出预测，有效解决数据增强和模型迁移问题。研究结果表明，该方法在不同天气条件下需要设置不同的迁移参数，预测精度受迁移层数影响。

总体而言，报告核心观点是人工智能技术，特别是DRL和深度学习模型，能够有效应对新型电力系统的复杂性和动态性，提高系统运行效率和稳定性，促进新能源消纳，为实现“双碳”目标提供技术支撑。