数智协同赋能新型电力系统
李勇教授，教育部长江学者清华大学电子工程系.城市科学与计算研究中心 https://fi.ee.tsinghua.edu.cn 碳中和是国际社会共识和中国郑重承诺 碳中和与绿色低碳转型已是国际共识，迄今已有151个国家提出碳中和战略目标，覆盖了全球88%碳排放、90%GDP、85%人口。 “中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值努力争取2060年前实现碳中和。”一第七十五届联合国大会一般性辩论，2020.09.22 产业趋势：双碳目标驱动能源生产与利用革命 双碳战略与能源独立目标驱动下，全球新能源占比持续提高新能源的随机性、波动性带来挑战与机会 研究挑战：新型电力系统是高度复杂、随机波动的复杂系统 随着新能源在电力系统中占比的增加，新能源的波动性使得电力系统从能源结构单一，高度可控的系统逐渐变为高度复杂，随机波动的复杂系统 需要以数字化表达、智能化决策与协同化运行的技术体系赋能新型电力系统！ 核心技术：能源模拟器与能源大模型 未来新能源高占比挑战电力系统供需平衡，函需构建支撑智能调控的电力数智李生系统 研究基础：城市模拟器 基于第一性原理的大规模城市居民活动模拟 细粒度居民-城市实体交互模拟 核心技术1：能源模拟器 研究目标：基于城市模拟器构建人类活动到能源链条的映射，实现能源链条全环节模拟。 能源模拟器：总体框架 能源模拟器：电网拓扑生成 口分层聚类方法 能源模拟器：基于电路理论的潮流计算 口变压器和输电线路上的城市范围仿真结果 能源模拟器：屋顶光伏供能模拟 总体目标根据建筑物表面积推断建筑物逐日的光伏产量方法使用以下映射函数[1]。 结果 官方日产量总和[1]：192MkWh／天模拟日产量总和：226MkWh／天 能源模拟器：建筑用能模拟 总体目标根据建筑物占用率和建筑物属性推断建筑物在各天内的能源使用情况方法使用以下映射方程 动态耗电曲线[2] 建筑i在t时刻的用电量 建筑占地面积 人均建筑面积能源使用量【1] 能源模拟器：电动车用能模拟 总体目标 模拟电动汽车的电力使用及其充电行为，从而推断电动汽车充电站的充电负荷。 电动汽车的模拟瞬时速度北京5238个充电站的位置、充电桩数量和容量数据[1]。 1）电力使用模拟1] 每单位距离消耗电能 2）充电行为建模 ，从在线地图资源抓取充电站统计数据，包括北京充电基础设施的分布、数量和容量。将充电决策概率表示为与剩余电池容量成反比的函数[2]，并将电动汽车与最近的充电站匹配。 核心技术2：能源大模型整体架构 能源大模型：：模型结构 1、时空学习领域的第一个提示学习框架 Stage 2 - Spatio-Temporal Knowledge-(iuided Prompt Leaming 能源大模型：研究成果 2024年 2023年 2018年至今 研发国际首个通用时空基础模型UnisT，奠定能源大模型的基石 突破能源大模型关键技术，首次提出跨尺度天气+气候+能源协同预测技术，获ACL2024(CCF-A类)杰出论文奖 发表时空智能领域CCF-A类论文85篇，CsRankings排名世界第-3篇奠基性论文位列同期引用第一，超1500次 UBICOMP2020 隐私保护PMF 能源大模型：新能源发电预测达到国内外SOTA水平 能源大模型有效建模复杂气象模式赋能电网调度/新能源场站/分布式能源精准功率预测 全球多源气象模型 能源时空大模型 有效建模复杂物理时空规律 多权威数据源+大模型数据源 精准建模设备特性 能源大模型：AI电力交易员超越人类水平 山西市场多场站月度月内交易实证 在中国最早正式运行的电力现货省份，支持多类型场站月度月内实盘交易 能源模拟器和能源大模型支撑电力系统智能决策优化 决策优化支撑一：电动车充放电策略优化 基于能源模拟器，使用能源大模型优化车对网（V2G）策略以增强电网稳定性。 V2G：调整电动车的充电时间从而实现电网的削峰填谷。 我们的尝试： 结合深度强化学习优化最佳V2G策略 决策优化支撑一：电动车充放电策略优化 ·V2G策略在节能方面表现出色 所提V2G策略可以大大提高光伏电力的利田率从而大幅节省非光伏 论文产出: Qianyue Hao, Qinglai Guo, Yong Li et al. City-scale Vehicle-to-gridCoordinationwithReal-worldDataviaDeepReinforcementLearning.投稿至NatureSustainability 所提方法可以实现V2G策略理论潜力的98.3%。为每个城市每年节省1.16万吨二氧化碳。 决策优化支撑二：光伏规划 在分布式用户节点上部署屋顶光伏系统，以最大限度地提高太阳能发电量 并最大限度地降低电网运营成本。 问题建模：连续规划过程状态：AOI的静态功率需求、当前光伏发电量概况和当前光伏装机率动作：调整当前部署比例奖励：光伏发电成本奖励和电网运行成本奖励的加权总和 所提方法在光伏发电容量和爬坡成本方面都实现了帕累托最优。 Sibo Li,Yong Li etal.Multi-Agent Reinforcement LearningforRooftopPhotovoltaicPlanninginPowerGrids.投稿至AAA/（CCFA类会议） 优化支撑三：虚拟电厂调度 能源大模型生成A智能体构建虚拟电厂模拟器实现分布式资源高效聚合参与电力市场，支撑潜力评估与合理定价 以数智李生系统为核心的源网荷储一体化智能调频是必然趋势 https:l/fi.ee.tsinghua.edu.cn
