2023基于混合增强智能的电网优化调度决策方法报告

基于混合增强智能的电网优化调度决策方法 汇报人：杨胜春中国电力科学研究院有限公司电力自动化所yangshengchun@epri.sgcc.com.cn2023年12月 汇报提纲 研究背景 数据驱动的优化调度方法 基于混合增强智能的优化调度方法 结语 1-研究背景 新能源装机容量不断增长/源荷侧调节对象增加 近年来，新能源装机容量持续上升，其波动性、随机性对电网运行调节构成巨大挑战。为此，我国加快了新型电力系统建设步伐，在源、网、荷、储各侧均出现了大量新型调节对象。 预计2050年，全球电动汽车总数将达10亿辆，电储能容量达到12TW·h，空调热泵数骤增至2.5亿台以上 截止至2023年8月，新能源装机容量突破8亿于！ 1-研究背景 传统电网调度面临的挑战 调节对象增多：加剧了短时优化决策的难度： 资源不可观性：负荷侧资源的引入对优化模型的构建提出了挑战： 多场景计算复杂度：不确定运行场景下，调度决策的随机适应性有待提升： 难点：传统以运筹学理论为核心的传统调度模式，难以有效地协调灵活性需求和资源 1-研究背景 人工智能的快速发展为实现智能调度提供手段 7快速性：在线应用过程仅需前向计算，无需选代优化，求解速度大幅提高 7场景适应性：由海量运行数据挖掘出特征规律，实现随机场景自适应决策 无模型特性：端对端学习，无需建立底层灵活资源运行机理模型 特点：符号模型优势：规则明确不足：应用封闭 特点：数据驱动优势：学习能力强不足：解释性差泛化性差 1-研究背景 基于数据驱动的人工智能应用难题 高维空间收敛难：优化调度问题往往具有高维输入数据空间和输出策略空间，对算法的收敛稳定性构成了巨大挑战。 电网约束满足难：大多数数据驱动方法难以直接考虑电网物理约束条件（如电力传输、容量限制等）导致生成的调度方案不可行。 决策过程解释难：数据驱动方法决策过程往往缺乏透明性和解释性，使得调度员难以完全信赖其结果 如何克服纯数据驱动人工智能存在的瓶颈？ 1-研究背景 混合增强智能有望成为解决方案 混合增强智能作为国家新一代A规划五大技术方向之一，具有数据与知识的双重驱动特征，预期可有效解决第二代AI解释性差、泛化性差等问题，目前，工业界有关混合增强智能的具体应用包括：医疗操作、无人驾驶以及电网调度等复杂人机协同决策任务。 3-基于混合增强智能的优化调度方法 混合增强智能定义 混合增强智能，是指将人的认知模型引入到人工智能系统中，与机器智能共同形成混合增强智能的形态* 实现混合增强智能的关键，是让人工智能机器能够自主理解人类所掌握的信息，然后将其融入自身的调度决策过程。 *国家自然科学基金联合基金项目《面向电网调度的混合增强智能知识演化理论与方法》 汇报提纲 研究背景 数据驱动的优化调度方法 基于混合增强智能的优化调度方法 结语 2-数据驱动的优化调度方法 电网优化调度问题 电网优化调度问题是一种针对前瞻窗口内发用电调整计划、灵活机组开停机计划以及运行方式调整的多时段联合优化问题。 2-数据驱动的优化调度方法 电网优化调度数学模型=新能源出力预测 输入参数节点负荷PR=PR,PRs...PR?决策变量机组有功出力=.机组启停状态经济性目标之a,(）+b(）+c+Cu+C清洁性目标且标函数1=1 r=0 实时功率平衡机组出力上下限JpGnGmaiPGminPGr≤pGm,i新能源出力1A000RNsPPRAVI=1,机组爬坡约束Vi,t-I.....T-1线路潮流约束 机组启停约束 约束釜性 2-数据驱动的优化调度方法 电网优化调度转换为序贯决策问题 可将电网优化调度问题转为序贯决策问题。调度智能体与仿真环境的不断选代，将多时段调度计划优化解耦为单时段的滚动优化问题。 2-数据驱动的优化调度方法 面向优化调度的深度强化学习方法 考虑到电网优化调度问题具有状态信息高维、机组功率采用连续调节动作的特点，采用基于评价策略网络架构的深度强化学习训练方法。 2-数据驱动的优化调度方法 调度智能体构建及训练过程 基于评价-策略网络架构的离线学习方法：包含仿真环境、智能体经验池、评价网络、策略网络四个关键环节。 汇报提纲 研究背景 数据驱动的优化调度方法 基于混合增强智能的优化调度方法 结语 3-基于混合增强智能的优化调度方法 3-基于混合增强智能的优化调度方法 3-基于混合增强智能的优化调度方法 基于知识图谱的知识建模及分析方法 针对文本类载体，为了实现调度知识的有效集成和持续积累，提出基于知识图谱的日前调度优化知识建模与事件分析方法。 3-基于混合增强智能的优化调度方法 基于知识图谱的知识建模及分析方法 通过类型识别、统计分析、关联路径分析等方法获取调度决策相关知识，实现多维度、多层次的调度知识推送 类型识别：通过匹配指定场景的实体/关系，获取不同类型的运行约束或控制措施：选中某个节点或关系，进一步推送查看相应的属性和与之关联的设备、运行方式等节点信息。 关联路径分析：基于关联路径可以实现各种语义搜索和智能问答，并提供可视化的解释路径 3-基于混合增强智能的优化调度方法 基于知识图谱的知识建模及分析方法 针对全网充裕度、局部断面限额、设备检修、环保调控的机组调整等应用场景提供相对应的调整建议。 3-基于混合增强智能的优化调度方法 基于斜决策树的安全规则抽取方法 基于斜决策树的电网安全约束表征方法实现了电力系统运行状态安全性的快速精准辨识，可以为调度智能体提供安全调度规则。 3-基于混合增强智能的优化调度方法 基于斜决策树的安全规则抽取方法 基于多种遍历方式，从斜决策树种抽取用于表示机组力与电网运行安全性关系的调度安全调度规则。 广度遍历： (1)先将节点0入队。[0]（2）0出队访问，0的子节点1、2入队。[1, 2]（3）1出队访问，1的子节点3、4入队。[2, 3, 4]（4）2出队访问，2的子节点5、6入队。[3, 4,5, 6]（5)3出队访问，3的子节点7、8入队。[4, 5, 6, 7, 8]（6）4出队访问，4的子节点9入队。[5, 6, 7,8, 9](7)5出队访问。[6,7,8, 9](8)6出队访问。[7, 8, 9]（97出队访问。[8, 9]（10)8出队访问。[6](10)9出队访问。[] 3-基于混合增强智能的优化调度方法 基于斜决策树的安全规则抽取方法 为了避免将不安全的运行状态误判为安全状态，提出基于边界紧缩的斜决策树模型微调方法。 降低非安全状态误判概率的规则边界收紧方法 3-基于混合增强智能的优化调度方法 基于自注意力机制的电网拓扑表征方法 构建基于多头注意力机制的预训练嵌入模型，实现复杂电网拓扑结构的向量化表征。 3-基于混合增强智能的优化调度方法 基于自注意力机制的电网拓扑表征方法 使用自注意力矩阵捕提拓扑变化中需要关注的节点信息，综合所有节点信息形成整体拓扑的全局表征 3-基于混合增强智能的优化调度方法 基于自注意力机制的电网拓扑表征方法 在简单的潮流任务（PF）上进行训练，然后将其迁移到较为复杂的优化调度任务，协助强化学习智能体进行训练 3-基于混合增强智能的优化调度方法 知识利用总体技术路线 基于知识表征环节中形成的人类认知模型，实现调度领域知识在从数据驱动模型计算环节的嵌入和利用（包括输入端、模型端、输出端），构建知识-数据联合驱动的混合增强优化调度模型。 3-基于混合增强智能的优化调度方法 输入端知识利用 输入信息结构化：面向时序预测数据、调度文本和电网物理模型的多源异构知识载体，统一将其转换为机器容易吸收利用的高信息向量，并用于引导调度智能体决策行为。 3-基于混合增强智能的优化调度方法 模型端知识利用 基于知识工程的策略网络设计：面向包含安全约束的优化调度问题，提出模型-数据混合驱动的调度智能体决策自校正架构，在现有数据驱动智能体的策略网络中引入基于电网模型知识的物理方程嵌入层，解决深度学习背景下的调度策略可行性问题。 3-基于混合增强智能的优化调度方法 输出端知识利用 输出端损失函数正则项引导：在策略网络损失函数中加入基于安全规则的知识正则项，结合安全强化学习训练方法，防止模型训练过程中的盲目探索行为。 3-基于混合增强智能的优化调度方法 SG126算例分析 基于聚类算法从2021年全年负荷/新能源预测出力数据中筛选得到若于典型日场景构成测试集合对各类算法的性能进行比较。 （红色代表火电机组出力，绿色代表新能源机组出力） 3-基于混合增强智能的优化调度方法 SG126算例分析 基于聚类算法从2021年全年负荷/新能源预测出力数据中筛选得到若于典型日场景构成测试集合对各类算法的性能进行比较。 3-基于混合增强智能的优化调度方法 基于某省级电网的算例分析 结果分析 基于混合增强智能的收敛性优于纯数据驱动方法。 智能体决策导致断面重载的概率随离线训练过程持续下降。 3-基于混合增强智能的优化调度方法 基于某省级电网的算例分析 结果分析 运行成本方面，混合增强智能方法优于传统优化方法和数据驱动方法 计算效率方面，混合增强智能方法略低于数据驱动方法，但是显著优于传统优化方法。 》相对于数据驱动方法，混合增强智能方法基本上可以满足所有调度问题约束。 汇报提纲 研究背景 数据驱动的优化调度方法 基于混合增强智能的优化调度方法 结语 4-结语 混合增强智能是对纯数据驱动方法的改进升级，是适应持续演变电网、满足少见场景或未来场景调度需求的关键 4-结语 知识-数据联合驱动的混合增强优化理论，有望在未来新型电力系统调控发挥更大重要作用。兼顾数据驱动方法超前调节、快速响应和知识驱动方法可靠性高、结果可解释的优点，能够全面支撑高比例新能源新型电力系统建设 电网控制 预警和紧急处置 电网调度 自动功率控制·分布式资源协同控制 超前调度新能源消纳需求侧管理 紧平衡实时预警故障响应关键输电通道处置 致谢 本报告得到国家自然科学基金“面向电网调度的混合增强智能知识演化理论与方法”支持 主要贡献人： 姚建国 教授级高工、博士生导师、享受国务院政府特殊津贴中国电力科学研究院有限公司资深专家调度自动化和智能电网领域知名专家国家电网首批科技攻关团队“电网协调优化调度技术攻关团队”学术带头人 余涛 杨胜春 华南理工大学教授，博导广东省电气工程学科“珠江学者”特聘教授IEEE/PES负荷特性技术分委会（中国）主席中国电工学会人工智能与电气应用专委会秘书长 教授级高工。中国电力科学研究院有限公司电力自动化所副所长IECPC118WG2召集人，全国电力系统管理及其信息交换标准化技术委员（SAC/TC82）委员，全国智能电网用户接口标准化技术委员（SAC/TC549）委员