2024基于机理与人工智能混合驱动的新型电力系统智能分析与调控策略研究报告

基于机理与人工智能混合驱动的新型电力系统智能分析与调控策略研究自 刁瑞盛博士 长聘副教授、博土生导师、国家重点实验室研究员、浙江省千人特聘专家IETFelloW、新能源电力系统仿真与智能控制课题组负责人2024.6 面向新型电力系统的智能规划与决策技术 研究工作1：多时空维度功率预测技术 研究工作2：电网运行关键特征提取与解析 针对交直流混联新型电力系统运行风险，建立机电-电磁混合仿真模型，研发了基于人工智能的电网运行关键特征自动解析技术，形成软件系统。 研发了基于集成机器学习模型的多时间、空间维度功率预测技术应用场景包括活生活负荷、工商业园区负荷、新能源发电、充电场站等，落地应用于多个电力公司 研究工作3：电力系统规划与调度智能决策 研究工作4：数字李生建模与参数智能辨识 针对电力设备复杂运行特征，建立数字季生模型，研发了基于AI的关键参数智能识别技术： 针对新型电力系统强不确定性、随机性带来的控制难题，研发了基于深度强化学习的智能决策技术： 心传统发电机组模型直流、风电等电力电子设备模型复合负荷模型 电力设备优化配置方案心无功电压、有功、网损、拓扑控制典型运行方式自动生成 总体目标：“碳达峰、碳中和”，构建新型电力系统，其主要特征包括： 核心技术需求： 快速准确的在线安全评估方法以提升“态势感知(situationalawareness)模型质量和参数问题仿真速度受限缺之应对电网强不确定性、强随机性的有效分析手段有效的在线安全智能调度控制方法多数调度策略通过离线制定基于历史运行经验或有限仿直结果缺乏有效的数据驱动控制系统以缓解电网运行风险 口高比例可再生能源并网口高比例电力电子设备化储能设备大量接入口口负荷侧响应资源口电力市场新规则 主要挑战：电网运行的动态性、随机性、不确定性显著增强，为电网在线安全稳定性控制带来巨大挑战。基于有限经验与模型仿真的策略难以达到最优效果（过度乐观或保守） 监督式学习 强化学习 Step2Collectcomparisondataandtrainareward model. Step1Collectdemonstrationdataand traina supervised policy. OptimizeapolicyagainsttherewardmodelusingthePPOreinforcementlearningalgorithm. Apromptandseveral modeloutputsaresampled. Apromptissampledfromourpromptdataset. Anewpromptissampledfromthedataset. ThePPOmodel isinitializedfromthesupervised policy. Alabelerdemonstrates thedesiredoutputbehavior, Thepolicygeneratesanoutput. Alabeler ranks theoutputsfrombesttoworst. This data isusedtofine-tuneGPT-3.5withsupervisedlearning. The reward modelcalculates a rewardfortheoutput. Thisdata isusedtotrainourrewardmodel. Thereward is usedtoupdatethepolicy using PPO. 来源：OpenAl 应用1：多时间维度功率预测 基于监督式学习的多时间、空间维度功率预测（负荷、EV充电、光伏、风电等） 应用2：基于无监督式学习的负荷聚类分析 》目标：开发基于AI的方法进行有效地负荷聚类、关键特征和成分识别>核心技术：聚类分析（Kmeans++），关联规则，降维（拉普拉斯特征映射） 交直流混联电网复杂故障后稳定特性解析 王之伟黄俊辉，孙文涛孙方圆，兰图，刁瑞盛，含歌式直流的受端电网动态响应智能分析方法”，电力工程技术，2024.1 应用3：基于深度强化学习算法的自主安全控制 ★技术优势：模式识别、建模分类、预测 深度神经网络为系统内核，负责系统建模：强化学习为系统的框架，负责目标设定。 数据驱动的、基于先进A技术（深度强化学习）的电网脑技术框架及应用 思路：通过“左右手互博”方式进行自主学习 基于实际系统断面数据合理随机“出题”，AI“智能体”不断通过解题来提升“智力”水平。利用人工经验或经过验证的电力系统分析算法，构建合理的价值体系（取向/函数），评估测试并反馈其“智力”水平“智力”达标后投入在线运行，针对各种运行场景和断面给出解决方案，并通过在线训练持续提升。“智能体”实现完全的数据驱动，“系统运行数据”入，“解决方案”出，即：利用智能体的快速计算特性，针对系统实际运行数据，在亚秒内给出解决方案。 训练框架 基于深度强化学习的逻辑推演与自主实时控制： 可在不断与电网环境交互的过程中学习有效的控制策略，并最终掌握该项调控应用 动作集 多自标在线安全控制：部署于江苏电网 控制目标：·解决电压越限问题 ：降低主干网络功率损耗（220kV+）·输电线路功率不越限 样本EMS潮流断面.5分钟间隔节点/断路器模 型，覆盖江苏全网（QS文件）状态空间 母线电压、相角：约50个变电站 线路潮流（有功、无功），约100条线路动作空间 ：5个发电厂（共12台机组）的电压设定值 [0.97,1.07]p.u.奖励值设计 惩罚电压越限 惩罚线路功率越限鼓励降低网损 部署于江苏省电力公司调控中心 张家港分区：~50个变电站，12台发电机~100条输电线路（220kV+）.高峰负荷：3.5GW 智能体调控性能（奖励值） 在训练阶段，经过200多个断面的训练，智能体开始收敛，之后能力持续提升；在测试阶段，经过D5000系统的验证，所有潮流断面均得到求解 智能体调控性能总结（江苏张家港分区） 多SAC智能体·多个训练进程 ·4个离线训练 1个在线更新：1个实时应用性能总结 7.249EMS断面潮流文件(2019.12.03-2020.1.13)99.41%得到有效指令平均网损降低约3.6412%1.019个断面潮流出现电压问题；1.014个得以完全解决：剩余5个得到有效缓解 应用4：基于强化学习的稳定性模型自动调参 发电机和励磁模型关键参数自动校验 Environment: State CommercialsoftwareTSAT Action Parameteradjustmentamount Reward Parametercalibrationthroughplay-inPMUsignal DevelopedPythonAPIforTSAT Othercustomizedrewardfunctions VRead the currentparameters fromdynamic data files and send them toDRL agents;VLoadplay-insignalsand invokeTSATtoperformtransientsimulations;YModifydynamicmodel datafilesGetthe simulation results (i.e.P,Q,V,f)fromTSATand sendthemback toagents. 基于强化学习的电网经济运行方式 DQN智能体寻优过程 控制目标：训练DQN智能体搜索满足电压约束条件下的最小化发电成本电网运行点 状态空间：母线电压、发电机有功 动作空间：发电机有功的调整值[AP1,△PAP.] 智能体寻优精度验证一IEEE14节点系统 电网运行方式自动编排与智能调节（浙江省调） 总体自标：训练深度强化学习智能体自动生成并调节电网安全运行方式 深度学习挖掘电网运行方式内在特征：强化学习负责自动生成满足安全要求的运行方式。 AI智能体设计 应用5：分布式资源管理与控制 虚拟电厂：虚拟电厂是以现代通信、互联网技术为基础，将分布 与传统电厂区别：传统电厂只能调整电厂备用容量适应用户需求，虚拟 式可再生发电、：储能及负荷等子系统聚合成一虚拟实体，参与电力市场各种交易的管理平台。 电厂实现用户侧调整，经济性更好、精细化程度更高传统电厂难以解决新能源随机性、波动性导致的接入并网问题，虚拟电广可实现用户需求的智能调控，解决新能源井网难题传统电网调控模式导致能源浪费和安全问题，虚拟电厂通过智能调整各类负荷设备，能较大程度避免浪费和安全问题。比传统电厂在储能使用、作为备用容量和提供辅助服务方面，更具优势。 功能作用：>构建新型电网，助力双碳目标 >为电网提供容量服务、辅助服务，提高电力系统的经济性和可靠性，促进新能源消纳和高效利用参与电网削峰、填谷、调频、负荷侧备用优化阻塞区可调资源，缓解电网局部阻塞分布式发电 蓝色曲线为馈线上的负荷减去光伏输出的结果，橙色曲线为负荷减去光伏再加上电池充放电功率的结果 5.2园区负荷峰谷差控制案例分析（浙江宁波） 日标：降低园区负荷峰谷差和整体波动 控制手段：储能设备 约束条件 a）储能充放电功率和容量b)电网线路潮流约束C)潮流收敛d)平衡机不能越界 测试系统 a）126个节点，185条支线6发电机组54个，其中新能源18个，火力35个，C负荷总量区间：1400MW-3200MWd)储能设备5个 控制效果（宁波灵峰和前湾园区） 样本 ·1年的仿真数据，5分钟：每288个连续时间点（1天）划分为1个场景，1200个有效场景，其中1000个场景用于训练，200个场景用于测试 控制变量、状态空间 ·储能充放电最大功率总和85MW（每5分钟）峰谷窗口大小：8个峰值近点和8个谷值近点 实验结果·所有测试场景均降低峰谷差和整体波动水平 ·所有场景都降低了峰谷窗口差，场景整体标准差 T.Lan,R.Diao*,F.Sun,A.Wang,B.Zhu,L.Wu,Y.Xiao,ReinforcementLearning-BasedNetLoadVolatilityControlofActiveDistributionPowerNetworks,paperacceptedforIEEEPESGeneralMeeting,2024 5.3智能拓扑控制（浙江绍兴） .Time-seriesoptimal controlthroughtopologyadjustment 5.4考虑不完全信息的主动配电网潮流评估 使用DNN模型来训练模型，用于估计有源配电网的潮流解决方案。此方法为两种类型的标签训练了两个独立的DNN模型，以获得更好的功率流解决方案精度。 （1）从历史测量数据或潮流分析中收集样本； （2）创建数据库；(3）DNN模型训练；(4)超参数整定：(5)最佳模型的选择和应用。 假设一定比例的随机缺失测量值，包括5%，10%和15%使用该模型进行训练，比较了Vm估计误差的MAPE，并绘制了图。可以看出，用缺失5%和10%数据训练的模型表现相似，Vm估计误差的MAPE为到0.26%。当缺失测量值增加到15%时，Vm估计误差的MAPE增加到1.312% 采用IEEE123节点馈线模型作为测试系统模型，在该系统的10个节点上增加了10台屋顶光伏发电机，包括节点2、6、24、33、48、43、52、98、99、105。 基于AI、HPC、大数据技术的综合型规划、预警、调控平台 工 浙江大学伊利诺伊大学厄巴纳香槟校区联合学院 Zhejiang University/Universityof lllinois atUrbana-Champaign Institute 感谢聆听！