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

高智能分析与调控策略研究刁瑞盛博士面向新型电力系统的智能规划与决策技术面向新型电力系统的智能规划与决策技术解析技术，形成软件系统。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：数字孪生模型，研发了基于Al的关键参数智能识别技术：.里热贴热贴用2事事*总体目标：“碳达峰、碳中和”,构建新型电力系总体目标：“碳达峰、碳中和”,构建新型电力系口高比例可再生能源并网口高比例电力电子设备化口储能设备大量接入口负荷侧响应资源□电力市场新规则效果(过度乐观或保守)33◆模型质量和参数问题◆仿真速度受限◆缺乏应对电网强不确定性、强随机性的有效分析手段◆多数调度策略通过离线制定◆基于历史运行经验或有限仿真结果Eartyartificialintoftourish.toftourish.机器学习AVCAGC事件化2NtwonNtwon4图像分类结构复原图像分类特征提取客户保留欺诈检测有价值压缩欺诈检测推荐系统测witheutonomous强化学实时决策游戏人工智能实时决策游戏人工智能●技能获取55监督学习无监督学习强化学习环境有输出开发的器人尊法监督学习无监督学习强化学习环境有输出开发的器人尊法6半监督学习输入输出输入输出输入L输出神经网络Alabeler合自目Mr88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)15分钟前15分钟前1小时前4小时前24小时前网调、社会、计划负荷光伏、风场发电整试9原始数据验证集训练集000◎测试集oo000CO0O真实值报据篮6262配网日前光伏预测应用2:基于无监督式学习的负荷聚类分析Kmeans++钟h巷h、部B居民负荷浙江EV充电场站原始数据图-国网浙江电动汽奉服务有限公司原始数据图-国网浙江电动汽奉服务有限公司备时好板挥分有一网新江电地汽丰藤务有服会司Z.Shen,L.Ling,L.Zhang,S.Shen,Y.Huang,S.Fu,R.Diao*,andH.Li,"IntelligentClusteringandTrendingAnalysisofEVCh交直流混联电网复杂故障后稳定特性解析不同故障下所有线路换相失败总次数机电-电磁混合仿真不同故障下所有线路换相失败总次数发电被加所种制部模不网类整前荷梁型发电被加所种制部模怕圆抗，中流防率模裂P电压，积耕合程学出确机模以电地了交慢望慧合血碎镜型爱直流缸联电怕圆抗，中流防率模裂P电压，积耕合程学出确机模以电地了交慢望慧合血碎镜型爱直流缸联电2自实叉稳节履F5自实叉稳节履F5模望交出号壁a[交流电网挂江a[交流电网挂江吸十媒吸十8频率响应聚类蓝04的4的三c一一5★技术优势：模式识别、建模分类、预测(仿真/实际)环境数据驱动的、基于先进Al技术(深度强化学习)的电网脑技术框架及应用++盈正我系化反鼓性凝含式盈正我系化反鼓性凝含式决策来定电网眼亚秒级实现离线训练调度员经验(高性能计算)亚秒级实现离线训练调度员经验(高性能计算)基于深度强化学习的逻辑推演与自主实时控制：电网不同运行工况，可从实时系统如EMS或WAMS中获取动作集发电机端电压设定值或电容电抗器投切，可从控制集中选择：VtolafionsolutionzoneNegativerew号割身身Nimicing.BDPGzv.Qu.v(1e)离线训练景路状态&奖励电网仿真器电网实际环境←利用带有随机噪音计算动在线应用及更新电网脑调度员验证Network训练过程训练过程ReinforcementLeaning,"inProceedingsofthe2019IEEEPESGeneralMeeting,Atlanta,GA,August2019.(最优论文奖)16控制目标：·降低主干网络功率损耗(220kV+)·输电线路功率不越限样本样本型，覆盖江苏全网(QS文件)·5个发电厂(共12台机组)的电压设定值，·惩罚线路功率越限部署于江苏省电力公司调控中心，～SAC算法D5000EMS系统交流潮流求解程序奖励值计算方法：奖励值计算方法：电压和潮流均不越限，奖励值为正；网损降低越多，奖励值越大2571个断面越(下)界，智能体均解决19年11月22日19年11月22日32O1O1有239个断面越(下)界，智能体均解决断面个数在训练阶段，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)·1个在线更新·1个实时应用余5个得到有效缓解R.Diao⁴,D.Shi,B.Zhang,et.al,"OnTrainingEffectiveReinforcementLearninProcessingSystemJ.Duan,D.Shi,R.Diao,Z.Wang,D.Bian"DeepReinforcementLearning2019/12/03-15:11:38,#2019/12/03-15:11:38,#11996年北美西部电网停电事故-->模型质量问题使用PMU数据进行在线模型验证RemainderRemainderof基于强化学习的调参方法：训练智能体自动搜索高维模型参数空间，使得模型响应与实测数据匹配 最优参数自动搜索(综合考虑多event数据)IZJUI智能体奖励值(-1*模型偏差)智能体调参过程(5个关键参数)有功调参智能体训练效果无功Y10015roV0事件1事件2S.Wang,R.Diao,C.Xu,D.Shi,Z.Wang,"OnMulti-EventCo-CalibrationofDynamicModelParametersUsingSoftActS.Wang,R.Diao,etal.,"ADRL-AidedMulti-LayerStabilityModelCalibrationPlatformConsideringMult控制目标：训练DQN智能体搜索满足电压约束条件下的最控制目标：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9奖励值：Y.Zhou,W.Lee,R.Diao,D.Shi,"DeepReinforcementLearningBasedReal-TimeACOptimalPowConsideringY.Zhou,W.Lee,R.Diao,D.Shi,"DeepReinforcementLearningBasedReal-TimeACOptimalPowConsideringUncertainties,"JouY.Zhou,B.Zhang.C.Xu,T.Lan,R.Diao,D.Shi.Z.Wang,W.Lee,"DerivingFastACCleanEnergySpecialIssueonAIinPowerSystems,vol.8,no.6,Oct.2020.(BestPaperAward) 总体目标总体目标：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强化学习：动态系统决策、控制能力强化学习：动态系统决策、控制能力+_(仿真/实际)环境深度学习：非线性表征学习能力DeepLearning苏深度学习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智能体设计电网仿真n负荷发电租发电租环淡智能体解检池动作空间：发电机有功出力(第一阶段)、变电站负荷转移(第二阶段)奖励值：r=Tbase电网仿真环境使康量优发电机控制策静电网仿真环境使康量优发电机控制策静·考虑不同检修计划下的拓扑DecentralizedReinforcementLearningAgents",inProceedingsoftheConferenceonNeuralInformationProcessingSystems(与传统电厂区别：与传统电厂区别：决新能源并网难题。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。务方面，更具优势。虚拟电厂：实体，参与电力市场各种交易的管理平台。功能作用：虚拟电厂虚拟电厂移动真联网大教据人工智能移动真联网大教据人工智能区块经●云边协同云平台●边计智能管控平台蓄热式5.1配网电压和负荷容量管理(香港中华电力)分布式资源管理平台配网变压器(用户资产)储能电池能源机器人监视控制系统配网变压器配网变压器(用户资产微型气象站的协同互动。优化电网投资，显著提升微型气象站配电线路B相电压控制效果电压调节器B相变比调节指令电池调度日前计划调节后有效降低了系统的最大负荷和对变压器容量的需求——有效帮助客户节省初始投资和空载损耗。%5.2园区负荷峰谷差控制案例分析(浙江宁波)5.2园区负荷峰谷差控制案例分析(浙江宁波)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a)126个节点，185条支线动率b)发电机组54个，其中新能源18个，火力35个，(MW)2200d)储能设备5个2000电网拓扑发电和负荷功平曲线图控制效果(宁波灵峰和前湾园区)峰谷差降低峰值降低峰谷差降低峰值降低谷值增加峰谷窗口差降低整体标准差降低移动窗口标准差降低·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·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·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，场景整体标准差一一斯斯ncontrolthroughtopologyadjustConstraint_jStep_single_line_margStep_single_line_score=1-(1-Step_singeCombinationofNodeLineSwitchingon4口1一268十1Generator十1自物pe,4r4纳w~与紫y草y个灯rywT.Lan,J.Duan,B.Zhang,D.Shi,Z.Wang,R.Diao*,X.Zhang,“AI-BasedAutonomousTopologyControlfoTransferCapabilitiesConsideringUncertainties,”inProceedingsofthe2020IEEEPESGeneralMeeting.August2020.