人工智能技术及应用：面向新型配电系统的数据机理融合

目录CONTENTS 1.背景意义2.数据机理融合技术3.应用探索4.总结展望 1.背景意义 随着新一轮科技革命和产业变革的持续深化，人工智能是新质生产力重要的驱动力，是抢占未来竞争制高点和构建国家竞争新优势的新赛道。；2025年9月4日，国家发展改革委国家能源局《关于推进“人工智能+”能源高质量发展的实施意见》指出，要抢抓人工智能发展重大战略机遇，突出应用导向，加快推动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 以拓展人工智能与能源领域深度融合应用场景为重要依托，以提升能源领域人工平药主收方尚着力提升能源系统安全可靠与灵活高效运行能力，保障能源安全稳定供应和绿色低碳转型 2025年9月，推进*人工智能+”能源高质量发展的实施意见 2025年10月，中共中央关于制定十五五规划的建议 1.背景意义 到2030年，人工智能技术将实现跨领域、跨行业、跨业务场景赋能，在电力智能调控、新能源智能预测等方向取得突破，具身智能、科学智能等关键场景实现落地应用。《十五五规划建议》明确提出要引领科研范式变革，以大模型、智能计算等重构科学研究与工程开发路径。人工智能将成为新一轮科技和产业革命的核心驱动力，以及支撑新型电力系统建设的核心技术之一。 推动五个以上专业大模型在电网、发电、煤炭、油气等行业深度应用；挖掘十个以上可复制、易推广、有竞争力的重点示范项目；探索百个典型应用场景赋能路径：制定完善百项技术标准，培育一批行业级研发创新平台。 2027年目标 推动能源领域人工智能专用技术实现体系化突破与规模化落地，注重核心技术自主创新与深度融合应用，通过人工智能技术增强能源系统安全性、绿色化和效率，支撑我国新型能源体系建设。 2030年目标 1.背景意义 新型配电系统作为电力系统重要组成部分，是联接用能端与用户的“最后一公里”。在双碳目标的新格局下，其所承担的角色不仅是单纯的电能分配网络，还是融合了“源-网-荷-储”的数字化主动配电与多能耦合系统，，是新型电力系统的重要载体。 1.背景意义 作为新型配电系统建设的重要支柱，人工智能技术取得了较为成功的应用实践成果。然而传统人工智能技术受限于样本依赖强、泛化能力弱、知识表达能力不足以及缺乏物理机理约束等特点，在计算推演、源荷预测、调度决策、协同优化等领域依然面临诸多技术挑战 分布式光伏，电动汽车，储能等新型源荷的大量接入，显著增加了传统人工智能方法进行源荷预测的难度。 配电网测点少，精度不足，无法实时感知拓扑和参数变化，传统人工智能方法无法有效完成状态计算。 配网功率流动由单向变为双向，加之冷热电气等多类能源形式的协同互补，传统人工智能方法面临挑战。 传统人工智能方法依赖均匀同分布数据样本，难以满足源荷随机波动下的调度策路快速生成需求。 建设可观可测、可控、可信的透明化数字电网 1.背景意义 数据机理融合方法为人工智能向科学智能演进、提升对于新型配电系统运行机理认知与智能决策能力提供了重要支撑。通过将机理约束与数据驱动深度融合，使模型能够在不确定性条件下保持推理一致性与认知可解释性，从而突破传统人工智能技术“经验学习”的局限 目录CONTENTS 1.背景意义数据机理融合技术3.应用探索4.总结展望 2.关键技术 科学智能 科学智能（AlforScience，AI4S）是人工智能驱动的科学研究新范式，即第五科研范式，是利用人工智能对自然现象进行学习、模拟、预测和优化，从而推动科学发现和技术创新的科研方式 2.关键技术 科学智能 科学智能概念于2018年首次提出，2021年DeepMind的AlphaFold推出后，Al4S获得国际认可。科学智能目前在蛋白质结构预测、可控核聚变等领域已经取得显著成效，在电力系统领域处于初步探索阶段。 2.关键技术 科学智能 相较于传统方法，科学智能技术具有特征自主学习、高维数据处理、复杂关系拟合等方面的技术优势。在电力系统领域。可应用于电力气象功率预测、运行方式分析、优化运行决策等场景。 2.关键技术 数据机理融合 数据与机理（知识）的融合是科学智能技术的重要特征之一，可充分利用数据驱动方法的非线性拟合与特征提取能力和机理模型的泛化、可解释能力，在提升模型计算效率的同时保证建模结果的准确性与可信性 数据机理融合建模 2.关键技术 数据机理融合数据驱动方法 数据驱动方法是指根据建模对象应用场合和模型使用目的，按表征状态、特性、运行环境等影响因素历史数据和实时数据，采用数据挖掘、机器学习、深度学习等人工智能手段建立数字模型的方法，适用于系统内部结构和特性不明确，且难以进行实验观测系统特性时进行建模 2.关键技术 数据机理融合机理驱动方法 机理驱动方法是指根据建模对象应用场合和模型使用目的合理假设后，按机理建立数字/规则模型的方法。通过认识问题机理，提取普适规则，能够通过模型细化或参数修改等方式应对场景变化适用于对内部运行机理和结构较为清晰的对象进行建模 2.关键技术 数据机理融合数据机理融合驱动建模 数据机理融合驱动建模可实现传统建模方法中数据驱动和机理驱动二者的优势互补，利用电力机理与物理规律引导数据驱动模型，提升模型泛化性与决策安全性，利用数据驱动模型构建、修正、更新机理模型，在提升模型计算效率的同时保证建模结果的准确性与可信性 2.关键技术 数据机理融合数据机理融合模式 机理知识具有函数、字符与模型等多种表征方式，可与数据驱动的建模方法在数据生成、！特征构建筛选、模型训练以及模型决策等多个阶段进行融合。 2.关键技术 数据机理融合 数据机理融合模式 采用层叠式解耦的电力数据机理融合建模方法，构建了5种数据机理融合模式：！串行模式、反馈模式、并行模式、引导模式与嵌入模式 2.关键技术 数据机理融合 2.关键技术 数据机理融合 数据机理融合模式 引导模式引入单调性、取值范围等机理约束 目录CONTENTS 1背景意义2.数据机理融合技术3.应用探索4.总结展望 3.应用实践 3.1计算推演 配电网的透明感知是其他高级应用与决策的基础。台账信息错误、缺失或环境气温变化，可能导致配网线路参数不准确；配网量测设备故障、数据传输延迟/缺失等问题，可能导致动态拓扑在线更新不及时。函需通过人工智能技术，实现配电网参数透明化、拓扑透明化，并进行精准状态估计。 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辩识 采用机理和数据串行驱动的两阶段配网线路参数辨识方法。第一阶段利用线性潮流方程和量测数据，采用线性回归方法在相角未知情况下得到参数初值；第二阶段提出基于机理和数据联合驱动的改进信赖域反射方法，得到精细化线路参数。解决了无相角量测数据，又难以进行线路校核难题。 3.应用实践 3.1计算推演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（任务1：量测补全：任务2：拓扑辨识），依据配网拓扑建立图学习模型结构，实现在量测不完备条件下的拓扑辨识，通过共享表示的端到端多任务联合训练策略共同引导模型参数更新方向，提升模型泛化性与抗噪性 3.应用实践 3.1计算推演知识引导的配网状态估计 提出了基于深度学习模型与知识引导的配电网少量测状态计算方法。通过将物理方程约束加入到神经网络训练的损失函数中，引导神经网络训练朝着更符合物理规律方向进行，提升模型计算精度。利用知识引导深度学习模型实现了少量测条件下的状态估计。 量测数据 3.应用实践 3.1计算推演应用成效 研发配网智能计算推演系统，实现模型计算推演结果和单线图数据融合展示，增强数据的可视化交互能力。已在江苏，上海、翼北等9家省公司完成了试点应用能够有效提升配网态势透明化感知能力，进一步支撑配网监测分析、辅助决策、规划设计等业务。 数据知识串行联合驱动的线路参数辨识 基于实际配网数据，线路参数辨识误差降到10%以下，解决了无相角量测数据，难以进行线路校核难题。 机理嵌入的线路动态拓扑跟踪 在拓扑辨识任务中，在不完全信息下对配电网拓扑的辨识性能明显优于其他数据驱动方法，同时具备很强的泛化性与抗噪性 知识引导的配网状态估计 少量测条件下计算的电压误差小于1%，有功和无功潮流误差小于10%，在量测缺失比例达到20%以上的情况仍可实现配电网状态计算。 3.应用实践 3.1计算推演 应用成效 在江苏南京部署了配电网采集优化配置与状态智能计算系统，示范区内包含5609条配网线路100367台公专变，系统每15分钟对系统动态拓扑，及运行状态进行计算，线路首端电压、功率计算准确率达97%以上，合格率达90%以上，增强配电网可观测、可描述、可计算能力。 3.应用实践 3.2源荷预测 在源荷预测中，存在时序数据复杂关联难以挖掘、信息缺失及新建场站样本不足、！特殊气象及政策影响因素融合不足的难题，对此递进地通过协变量嵌入技术、基础模型构建与微调技术、多模态时序基础模型技术等构建核心技术体系，推动实现高精度源荷时序预测的关键技术突破 3.应用实践 3.2源荷预测协变量嵌入增强技术 在源荷预测中，协变量指的与预测目标趋势相关的影响因素。采用协变量嵌入技术，可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，再利用注意力机制构建动态权重矩阵对协变量与预测目标之间的关系进行分析判断和加权从而精准捕捉变量之间的时序关联特征 3.应用实践 基于因果双向注意力机制的时序模型主干网络 3.2源荷预测 构建基于因果双向注意力机制的时序模型主干网络通过在海量异构时间序列数据上的自监督预训练，使模型掌握多领域、多粒度时间序列规律，在下游任务中实现少样本乃至零样本的快速适配，解决复杂时序关联挖掘、模型跨场景迁移、样本稀缺场景预测、！时序概率区间预测等难题。 3.应用实践 3.2源荷预测语义嵌入的多模态时序模型 通过集成文本语义嵌入适配器，构建源荷预测语义-时序多模态模型。将语义信息与时序数据拼接，利用大模型的语义信息理解与推理能力，通过非均匀采样、推理路径奖励、目标函数构建等方式，实现多模态时序基础模型强化学习训练，提升多模态时序模型预测准确性。 3.应用实践 3.2源荷预测应用成效 负荷功率预测方面，自研电力时序大模型及相关核心成果已在浙江和江苏落地应用验证，全面覆盖省级、地市级、台区级负荷功率日前预测场景；日前预测验证结果相较现网，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% 3.应用实践 3.2源荷预测应用成效 新能源功率预测方面，自研电力时序大模型及相关核心成果已在浙江、河北、陕西和江苏落地应用验证，全面覆盖省级总光伏、台区级分布式光伏、集中式光伏场站、风电场站多颗粒度新能源功率日前预测场景。与主流时序预测模型相比，自研模型预测准确率在多场景下均有提升。 3.应用实践 3.3运行优化 区域能源互联网具备分布式资源广泛、数据维度庞大、多主体特性显著等特征。集中式优化的计算量显著增大、实时求解困难，且无法保证多主体的数据隐私安全性。边云协同技术充分结合了边缘计算和云计算的优势，提供了高效、灵活和可扩展的计算架构，在边缘侧就地处理敏感数据，而将非敏感数据传输到云中心进行集中处理，降低了数据泄露的风险，提高了计算效率并缓解了通信压力。 3.应用实践 3.3运行优化数据机理融合边云协同建模 针对区域能源互联网的数据驱动智能优化方法可解释性、鲁棒性不足，以及传统方法计算效率低难以应对不确定因素的问题，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，例如提出物理嵌入式机器学习建模方法，提升模型决策的鲁棒性与优化精度；根据云、边的优化任务特点，分别采用机理优化与数据驱动优化，实现两种方法的并行与交互迭代优化 3.应用实践 3.3运行优化数据机理融合的边云协同优化方法 针对区域能源互联网边云协同优化问题，提出了数据机理