研究背景
在国家“双碳”目标和电能替代战略推动下，终端用能加速向电能集中，居民、公共与小微工商业场景电气化水平持续提升，用电侧负荷规模和复杂度不断提升。用电设备品类与数量远快于传统配电网侧的感知与管理能力建设，建筑、电动交通、工业中小负荷等新型用电场景带来新的安全隐患。
用电安全隐患分析
- 电机类设备：研究了电机设备在用电行为、电能质量以及环境因素耦合应力下的复合应力问题，构建了“损耗与温升叠加→绝缘裕度下降→典型故障触发”的统一演化主链，确定了引发电气火灾风险的三类主要故障。通过Simulink模型验证了异步电机匝间短路故障机理，发现定子三相电流出现不平衡现象和特定频率谐波，且Park轨迹图为椭圆。
- 电池类设备：分析了电池老化及热失控机理，指出电池老化表现为内阻增加和容量下降，滥用会导致内短路等更大影响。正常老化与滥用老化是电池老化的两种主要形式。
- 低压线路安全隐患：研究了接触不良导致的串联电弧引发早期失火的问题，搭建了交流电弧-多设备混叠场景实验平台，构建了低压线路并联电弧多物理场仿真模型，明确了绝缘缺口、绝缘层厚度等因素的作用机理。通过MHD建模发现直流电弧磁场强度、温度、流场速度和压力与电流大小呈正相关。
智能负荷感知
- 多源异构数据融合感知：利用AI大模型融合分析智能计量设备、PMU、IoT等产生的多源异构数据，全面刻画全网级负荷，自适应下发更新端侧算法，优化参数，分析用户群体行为模式，评估系统运行安全隐患风险，评估可控负荷响应潜力。
- 智能量测体系中电力负荷大模型：主站部署大模型进行数据融合分析，端侧部署轻量化模型提升实时响应能力，构建分布式能量感知网络。
- 非侵入式负荷监测：通过总表信号的智能分析实现各电器运行状态的识别与功率分解，主要采用有监督深度学习方法，模型通常具有深度主于网络、分类检测头、回归检测头等结构。
- 轻量化非侵入式负荷监测：通过知识蒸馏、剪枝、量化技术降低模型规模，模型规模可缩至1/8~1/4，准确率下降不超过5%。提出基于多尺度特征融合以及多尺度因果注意力机制的轻量化负荷分解模型(SLFusionNet)，总参数量仅约0.32M，适合在资源受限的表计边端设备部署。
- 新型并网主体的态势感知：通过AI赋能，使电力系统具备对用电行为、设备状态及潜在风险的智能察觉与深度理解能力。
- 新型并网主体安全感知：利用AI使电力系统主体具备感知、学习与防护能力，实现从被动防御向主动安全的转变。
- 并网主体异常检测与扰动识别：通过AI技术实现光伏、储能、充电桩及高功率负载波动与耦合的异常检测与扰动识别。
- 光伏储能系统安全自监督监测：引入自监督学习，通过构建状态表征与重构任务，实现潜在故障的智能识别与安全预警。自监督任务设计包括时序掩码重构、噪声注入重构、对比学习等。
智能负荷调控
- 需求响应与优化决策：通过智能建模与决策优化实现用电行为高效化，精准建模负荷聚合体的内在动态特性与时空互补潜力，将分散的负荷资源聚合为可统一调度的虚拟集群。
- 基于AI的削峰填谷策略：通过深度学习实现对负荷特性与用户行为的动态建模与预测，自主生成分时段最优调控方案，实现电网侧负荷平衡与需求侧弹性利用。
- 考虑用户源不确定性的可控资源响应潜力评估方法：针对用户源不确定性，分别研究考虑用户因素的温控负荷响应潜力评估方法、考虑用户非完全理性行为的电动汽车响应潜力评估方法以及考虑用户需求和环境信息的储能系统响应潜力评估方法，并在此基础上进一步了考虑用户消费者心理的集群潜力评估方法。
- 开发立式空调控制终端：基于EPS32进行设计，具备自组网功能并可拓展多种通信模块，配备温湿度计测量室内温湿度，集成功率传感器获取实时功率信息，并配置遥控器模块下发控制指令，支撑调控技术落地。
AI赋能新型电力系统的新生态
通过AI赋能，实现智能感知、辅助决策，推动用电行为的智能化与自优化。
