新型电力系统科学智算

聚焦新型电力系统建设全力支撑新型能源体系构建2026年8月15-16日中国·南京15"-16"August,2026Nanjing·ChinaFOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEMFULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM新型电力系统科学智算AIforScience:IntelligentComputingforNew-TypePowerSystems清华大学郭庆来TsinghuaUniversity,Prof.QinglaiGuo致谢：周艳真博士、曾泓泰博士、博士生卢梁宇宸、葛彦硕、邓凯航Acknowledgments:Dr.YanzhenZhou,Dr.HongtaiZeng,anddoctoralstudentsLiangyuchenLu,YanshuoGe,andKaihangDeng研究背景Background[2]聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China研究背景Background电力系统运行控制的核心是实现精准高效的科学计算，需要求解超大规模的时间序列预测、微分代数方程组、非线性优化等科学问题。Powersystemoperationandcontrolreliesonaccurateandefficientscientificcomputingforultra-large-scaletime-seriesforecasting,differential-algebraicequationsolving,andnonlinearoptimization.a+bMATH负荷/可再生能源预测LoadandRenewableEnergyForecasting-时间序列预测问题Time-SeriesForecasting电网仿真/安全分析PowerGridSimulationandSecurityAnalysis-微分和代数方程组问题Differential-AlgebraicEquation机组组合/经济调度/电力市场UC,ED,andElectricityMarkets非线性优化问题NonlinearOptimization3聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China研究背景新型电力系统面临计算能力的挑战ComputationalChallengesofNew-typePowerSystems随着新型电力系统建设，可再生能源占比快速提高，系统形态结构和特性机理正经历从量变到质变过程，现有计算方法面临维度灾难与效率瓶颈。Asrenewablepenetrationrisesrapidly,powersystemsareundergoingfundamentalstructuralanddynamicchanges,confrontingconventionalmethodswiththecurseofdimensionalityandsevereefficiencybottlenecks.传统电力系统电动汽车新型电力系统天然气智慧楼宇储能①可再生能源占比提高Increaseofrenewableenergy间歇性、波动性②分布式资源达百万级DRsreachmillionsoflevels百万数千传统机组分布式资源③高比例电力电子渗透HighPenetrationofPowerElectronics研讨会4聚焦新型电力系统建设全力支撑新型能源体系构建2026年8月15-16日中国·南京15"-16thAugust,2026Nanjing·ChinaFOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM研究背景人工智能已成为新的科学研究范式AI:ANewParadigmforScientificResearchAI驱动的科学智能（AI4S），已经在多个领域展示出其巨大潜力。AlforScience(Al4S)hasdemonstratedenormouspotentialacrossmultiplefields.THENOBELPRIZEINPHYSICS2024THENOBELPRIZETHENOBEEPRIZEINCHEMISTRY2024AI能否为破解电力系统计算瓶颈提供新范式?CanAIprovideanewparadigmforovercomingcomputationalbottlenecksinpowersystems?人工智能/计算蛋白设计获诺贝尔奖物理信息神经网络求解偏微分方程Alphafold预测蛋白质结构AlphaTensor实现快速矩阵乘法NeuralGCM模型进行天气预测以及气象模拟第十一届紫金论电学术研讨会第十一届紫金论电The11thPurpleMountainForum5聚焦新型电力系统建设全力支撑新型能源体系构建2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·ChinaFOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM研究背景我们对AI的期待是什么？WhatDoWeExpectfromAI?替代(Replacement)人的作用直接用AI方法进行决策能源系统的复杂任务（Task）复杂任务输入变量在人力难以解决的子任务上进行辅助(Assistant)子任务1由人主导决策条件判断Human-led子任务3decision-making子任务2计算机辅助子任务4computer-aided对能源系统进行分析决策在可靠性要求极高的能源系统上存在应用挑战(Challengesexist)HeatNetworkGasNetworkPowerSystem更能被实际系统运行人员接受，实现技术突破(Moreacceptable)6聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China研究背景我们对AI的期待是什么?WhatDoWeExpectfromAI?电力系统特殊性决定了无法直接应用既有AI模型，需要专门设计。Uniquepower-systemcharacteristicslimitthedirectuseofexistingAImodels,callingfortailoredAIsolutions.现有AI模型更多是一种非线性映射电网运行需要满足众多物理规律约束ExistingAImodelsprimarilyfunctionasnonlinearmappingsPowergridoperationmustcomplywithnumerousphysicalconstraints基尔霍夫定律能量守恒定律

如何将物理规律引入电力AI模型中?HowCanPhysicalLawsbeEmbeddedintoAIModelsforPowerSystems?7聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China研究背景人工智能用于科学计算的主要方式KeyApproachestoAI-EnabledScientificComputing科学计算使用的人工智能算法往往将AI与科学知识进一步结合，从而使AI足够强大，更具通用性和可解释性。AIforscientificcomputingintegratesdomainknowledgetoenhancecapability,generalizability,andinterpretability.将科学知识引入人工智能的三种方式[1]ScienceforAIAI+AIScienceAIforScienceNoConstraintsLevel0--无约束实施方式：直接利用科学知识生成数据，相当于将科学知识嵌入到训练数据本身方法举例：利用仿真工具生成满足物理约束的训练数据SoftConstraintsLevel1--弱约束实施方式：通过损失函数或提示词间接地将科学知识引入模型训练中，可部分约束模型，但不会硬性要求严格遵循约束L=L(3,5)+.0278.4+.000.0(8,0)方法举例：PINN利用微分方程作为损失函数的一部分，引导参数优化HardConstraintsLevel2--强约束实施方式：直接在人工智能模型架构中建立科学基本定律，使模型决策符合科学原理方法举例：构建哈密顿或拉格朗日神经网络，使其结构符合某些物理守恒定律等由易到难progressivelydifficultThe11thPurpleMountainForum讨会8聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China研究背景人工智能用于科学计算的主要方式KeyApproachestoAI-EnabledScientificComputing科学计算使用的人工智能算法往往将AI与科学知识进一步结合，从而使AI足够强大，更具通用性和可解释性。AIforscientificcomputingintegratesdomainknowledgetoenhancecapability,generalizability,andinterpretability.将科学知识引入人工智能的三种方式[1]ScienceforAINoConstraintsSoftConstraints本次汇报重点KeypointsofthispresentationLevel0--无约束实施方式：直接利用科学知识生成数据，相当于将科学知识嵌入到训练数据本身Level1--弱约束实施方式：通过损失函数或提示词间接地将科学知识引入模型训练中，可部分约束模型，但不会硬性要求严格遵循约束Level2--强约束实施方式：直接在人工智能模型架构中建立科学基本定律，使模型决策符合科学原理能否从电力科学计算的角度，定制化AI模型?HowtodesignacustomizedAImodelforpowersystemscientificcomputing?山勿到难progressivelydifficultThe11thPurpleMountainForum9进展1基于多维注意力的统一时序预测模型UnifiedTime-SeriesForecastingModelBasedonMulti-dimensionalAttention10聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15"-16thAugust,2026Nanjing·China进展1基于多维注意力的统一时序预测模型丨问题背景Background风电、光伏和负荷预测精度对系统运行经济性有重要影响。任务专用模型之间的差异制约了电力系统基础时序大模型的发展，亟需设计一种统一模型结构。Forecastingaccuracyforwindpower,photovoltaics,andloadhasasignificantimpactontheeconomicoperationofpowersystems.Differencesamongtask-specificmodelshinderthedevelopmentofpower-systemtime-seriesfoundationmodels,underscoringtheurgentneedforaunifiedmodelarchitecture.常见电力系统时序数据CommonPower-SystemTime-SeriesData时间序列预测问题不同的神经网络结构Time-SeriesForecastingProblemDifferentNeuralNetworkArchitectures风电出力Windpower光伏出力Photovoltaics负荷LoadDDPG-AWCM[1]DCCA-LF[2]PatchGRU[3]?能否构建一种统一的电力系统时序预测模型结构Canaunifiedmodelarchitecturebedevelopedforpower-systemtime-seriesforecasting?LiM,YangM,YuY,etal.Adaptiveweightedcombinationapproachforwindpowerforecastbasedondeepdeterministicpolicygradientmethod[J].IEEETransactionsonPowerSystems,2023,39(2):3075-3087.WangK,ShanS,DouW,etal.Arobustphotovoltaicpowerforecastingmethodbasedonmultimodallearningusingsatelliteimagesandtimeseries[J].IEEETransactionsonSustainableEnergy,2024,16(2):970-980.ZhangZ,LiY,LiY,etal.AMulti-TaskEnd-to-EndMultivariateLong-sequenceTimeSeriesPredictionModelforLoadForecasting[J].IEEETransactionsonSmartGrid,2025.11聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展1基于多维注意力的统一时序预测模型丨问题背景Background不同时序数据是否具有共同特征？--均具有多维数据结构，且在各个维度分别存在一定的相关性。Dodifferenttime-seriesdatasharecommoncharacteristics?-Theyallexhibitmulti-dimensionalstructureswithcorrelationsacrossdifferentdimensions.多维数据结构Multi-dimensionalStructures多维相关性Multi-dimensionalCorrelations节点1变靈时间节点2空间变量时间节点N变量时间电学术研讨会12聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展1基于多维注意力的统一时序预测模型丨问题背景Background不同电力时序数据在空间、时间及协变量相关性上存在显著差异，难以用单一函数刻画。如何以统一结构表征这些异质相关性，是构建统一预测模型的关键问题。Power-systemtime-seriesdataexhibitheterogeneousspatial,temporal,andcovariatecorrelationsthataredifficulttocapturewithasinglefunction.Representingtheseheterogeneousdependencieswithinaunifiedstructureiskeytobuildingaunifiedforecastingmodel.数据类型DataType空间相关性SpatialCorrelations时序周期性TemporalPeriodicity协变量相关性CovariateCorrelations风电出力Windpower相邻节点出力形态类似弱(weak)Pwind=1/2ρAv3光伏出力Photovoltaics相邻节点出力形态类似强(strong)Psolar=αI负荷Load相邻节点趋势接近，形态各异强(strong)Pload∝{T(夏季)-T(冬季)}2026?如何通过同一模型结构刻画不同数据间的差异Howtocapturethedifferencesacrossdiversedatawithaunifiedmodelarchitecture?第十一届紫金论电学术研讨会The11thPurpleMountainForum13聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15"-16thAugust,2026Nanjing·China进展1基于多维注意力的统一时序预测模型丨问题分析Analysis如何设计电力系统时序预测模型的“最小结构单元”？--类比大语言模型大语言模型首先通过嵌入函数将离散词元映射为连续向量（tokens）。通过注意力机制，可根据输入动态分配各token的权重，使同一结构适应不同风格的文本。进一步地，通过残差连接堆叠编码器、解码器，稳定扩展模型规模并提升数据拟合能力。Largelanguagemodelsfirstmapdiscretewordsintocontinuousvectorrepresentationsthroughembeddingfunctions.Attentionmechanismsthendynamicallyassignweightstotokensbasedontheinput,enablingasharedarchitecturetoaccommodatediversetextstyles.Furthermore,encoderanddecoderlayersarestackedwithresidualconnectionstostablyscalemodelcapacityandimprovedata-fittingcapability.将语言映射为token层层堆叠的模型结构[1]通过注意力机制处理不同类型数据MappingwordsintotokensStackedmodelarchitectureProcessingdiversedatatypesthroughattentionmechanisms今天我来到北京我今天来到北京嵌入函数Token1Token2Token3Token4PositionalBrooding<>Positionalbreathing1Outputs(onlineright)超标准不同风格的文本数据（模型推入）相应的模型输出（生成结果）动态调整的注意力权重注意力机制（示例：对第1个冠元的校量分布）新闻报道对第i个词元的注意力权重分布[不同输入一不同权重]腹泻风修输出我国首个深空探测器成功发射，标志着我国在深空探测领域取得重要进展。空探测领域边出了重要一步，古典诗词对第1个词元的注意力根重分布诗同风格输出[不用输入→不同权重]春江湖水连海平。满足月升股海平、海上明月共朝生。黑泥河升板基中，万里迪光共此生。无处不见春江月，始给速度同方会。灌溉灌设千万重。大语言模型何处春江无月明。（使用注意方机制）控控请辨照古今。春兰重庆活海平参数共享对第i个词元的注意力根重分布[不同输入→不同权重]网络评论注酒化风格输出这部老师太好看了！剧情紧凑。我的起赞！期待很紧凑。这部老师太好看了！剧情紧凑，演员演替在线，特能也很震撼，强烈推荐给大家！演日演得会很好，特效越震撼。张阳安利给大家！还原电影太好看了1…人家！会14VaswaniA,ShazeerN,ParmarN,etal.Attentionisallyouneed[J].Advancesinneuralinformationprocessingsystems,2017,30.聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展1基于多维注意力的统一时序预测模型丨基本方法Methods如何设计电力系统时序预测模型的“最小结构单元”？电力时序数据的节点数、序列长度和协变量数量通常不一致，难以直接应用注意力机制。为此，分别设计空间、时间和协变量嵌入函数，将各维信息映射为统一尺寸的token，再通过同一注意力结构处理。Power-systemtime-seriesdataoftendifferinthenumbersofnodes,sequencelengths,andnumbersofcovariates,makingattentionmechanismsdifficulttoapplydirectly.Therefore,spatial,temporal,andcovariateembeddingsaredesignedtomapeachdimensionintotokensofauniformsize,whichcanthenbeprocessedbyasharedattentionarchitecture.聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15"-16thAugust,2026Nanjing·China进展1基于多维注意力的统一时序预测模型丨基本方法Methods如何设计电力系统时序预测模型的“最小结构单元”？通过多维嵌入函数将各维信息转换为token，并结合多头注意力与前馈网络，构成预测模型的最小结构单元。该单元可分别建模空间、时间与协变量相关性，并动态调整注意力权重以适应多样化时序数据。Multi-dimensionalembeddingfunctionstransforminformationfromeachdimensionintotokens,whicharecombinedwithmulti-headattentionandfeed-forwardnetworkstoformtheminimalunitoftheforecastingmodel.Thisunitseparatelymodelsspatial,temporal,andcovariatedependencies,whiledynamicallyadjustingattentionweightstoaccommodatediversetime-seriesdata.输出映射空间嵌入函数SpatialEmbedding解码器层

层归一化前馈神经网络时间嵌入函数TemporalEmbedding

层归一化多头注意力机制协变量嵌入函数CovariateEmbedding↑Q↑K

嵌入函数L+S时段1区域1温度时段2辐照区域3风速时段3您值得知道大时间注意力空间注意力负荷预测结果负荷光伏预测结果光伏时段1时段2时段3时段1区域1温度时段2区域2辐照电学术研讨会16时段3区域3风速聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展1基于多维注意力的统一时序预测模型I模型结构ModelStructure如何将这些结构单元高效组织在一起?提出电力系统统一时序预测模型UniMATS，该模型由最小结构单元通过残差连接堆叠而成，可作为电力系统时序大模型的基础结构。通过残差级联融合多维信息、逐步修正预测结果并逼近真实值。WeproposeUniMATS,aunifiedtime-seriesforecastingmodelforpowersystems.Itisbuiltbystackingminimalunitsviaresidualconnections,providingafoundationalarchitectureforpower-systemtime-seriesfoundationmodels.Residualcascadingintegratesmulti-dimensionalinformationtoprogressivelyrefineforecaststowardthegroundtruth.

输出映射预测模块

时问嵌入函数北归一化输出映射解列素质邮政洋层=美安层层归化S.C-B(1,n,d)G_{0},P[C-1])时间或久居空间嵌入函数批归一化前读神经网络(L+5,N)每日落第8点东近层归一化(N,d)(8.MG)

(N,k)批归化协变量嵌入函数多头注意力机制

C请写此表A填到后鲁站席入院G+S(C+1)!J+5

H?输入的建

出差[修工童]协变量解码器[协变量信息]一时间照差(钟正量)空间解码器逐步接近（空间信息）时间残差(修正量)时间解码器时间表码组（时间信息）时间真实值2026第十一届紫金论电学术研讨会预测结果17GEYS,ZHOUYZ,GUOQL.UniMATS:Aunifiedtimeseriesforecastingmodelwithmulti-dimensionalattentionstructureforpowersystems[J].IEEETransactionsonSmartGrid,2026,17(2):1601-1614.聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展1基于多维注意力的统一时序预测模型丨技术效果Results在风电、光伏和负荷三个公开数据集上，UniMATS的均方根误差RMSE较最优基线分别降低9.8%、6.9%和14.6%。在相同参数规模下，UniMATS计算效率最高。在0.114B参数规模下，使用单张NVIDIAV100显卡，UniMATS单次训练迭代仅需0.099s（batchsize为32）。Acrossthreepublicwindpower,photovoltaic,andloaddatasets,UniMATSreducesRMSEby9.8%,6.9%,and14.6%,respectively,comparedwiththebestbaseline.Italsoachievesthehighestcomputationalefficiencyatthesameparameterscale.With0.114BparametersonanNVIDIAV100GPU,eachtrainingiterationtakesonly0.099satabatchsizeof32.模型所提模型iTransformerInformerSTGCNCNN-LSTMBi-LSTM误差指标MAERMSEMAERMSEMAERMSEMAERMSEMAERMSEMAERMSE风电（24）0.12340.17250.22010.27850.13570.18490.13300.18330.15310.20150.15800.2070风电（96）0.13040.17980.21920.27970.15980.21060.15970.21190.15290.20160.15780.2060风电（168）0.13530.18370.21800.27750.18010.23470.17150.22360.15380.20240.15940.2071光伏（24）0.03810.07820.04670.08920.03760.08000.04100.08260.04340.08100.04600.0857光伏（96）0.03900.07840.04440.08450.03840.08200.04270.08570.04180.08320.04750.0872光伏（168）0.03960.07740.04290.08290.04020.08330.04600.09320.04060.08160.04820.0891负荷（24）0.02260.03040.02550.03680.02770.03630.03270.04140.03330.04380.03580.0467负荷（96）0.02070.02810.02430.03470.03060.04070.02620.03560.03130.04120.03250.0429负荷（168）0.01810.02580.02250.03320.03570.04750.02610.03580.02730.03790.02940.0402DataWind(L=24,S=24)Solar(L=168,S=24)Load(L=168,S=24)MetricsNumberofParameters(M)TrainingTimeperIteration(ms)InferenceLatency(ms)TPR(ms/M)NumberofParameters(M)TrainingTimeperIteration(ms)InferenceLatency(ms)TPR(ms/M)NumberofParameters(M)TrainingTimeperIteration(ms)InferenceLatency(ms)TPR(ms/M)CNN-LSTM0.62867520410750.1882518313350.3775531791493STGCN0.23641315417502.594401871702.59613271237TSMixer0.04102285370.32822867.10.31821766.0TimesNet4.856224711280.37590402400.37510955291FEDformer2.604411381703.6213363803693.621469373406Informer20.855212.6412.541143.2820.7122455.89iTransformer6.341352.059.571971.999.571971.99UniMATS29.951181.7147.175261.5911499450.87寸会18聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展1基于多维注意力的统一时序预测模型丨技术效果Results在某省负荷预测中，2024年12月9日至30日的模型测试期间，UniMATS以98.72%的日前负荷预测准确率高出现网0.7%，且在20/22天（占比90.9%）优于现网水平，更有14/22天（占比63.6%）的表现超越了同期参与测试的时序大模型。Forprovincialloadforecasting,duringtestingfromDecember9to30,2024,UniMATSachievedaday-aheadloadforecastingaccuracyof98.72%,outperformingthedeployedsystemby0.7%.Itsurpassedthedeployedsystemon20of22days(90.9%)andoutperformedthetime-seriesfoundationmodelevaluatedinthesameperiodon14of22days(63.6%).部分预测结果预测准确率对比SelectedForecastingResultsForecastingResultsComparison19进展2机理内嵌的潮流计算神经网络Mechanism-EmbeddedNeuralNetworkforPowerFlowCalculation20聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展2机理内嵌潮流计算神经网络|问题背景ProblemBackground潮流计算是能源管理系统的高频调用模块。新型电力系统使需求从单工况求解，转向覆盖新能源波动、运行方式变化和N-1组合的海量场景计算。PowerflowisafrequentlyinvokedEMSfunction.Thetaskisshiftingfromsingle-casesolvingtomassivescenariosinvolvingrenewablevariability,operatingchanges,andN-1contingencies.日前计划。短期负荷/开停机计划→滚动调度，新资源预测实时调度有功调频控制SCADA网络模型超短期负责/在线故障计算与新能源预测重建短路容量扫描补分析与状态估计力静态安全预警与答案答案预防控制电压安全预警与在线潮流潮流结果预防控制爱岗岗医院办学出醨态稳定安全預无功优化警与预防控制历史数继电保护配合规划电安全预警周模塑在线安全预警与预验控制新型电力系统新需求New-typepowersystemsintroducenewcomputationaldemands.潮流计算是能源管理系统中的核心环节海量运行场景的快速潮流计算成为需求Powerflowcalculationisacorefunctionofenergymanagementsystems.Fastcalculationformassivescenarioshasbecomeanurgentneed.'21聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展2机理内嵌潮流计算神经网络I研究动因ResearchMotivation电网基础模型已将潮流决策纳入关键能力；嵌入拓扑与运行机理可提升物理一致性和推理效率，但精度及跨工况、跨拓扑泛化仍是瓶颈。Gridfoundationmodelsalreadyincludepower-flowdecisionsupport.Embeddingtopologyandoperatingmechanismsimprovesphysicalconsistencyandinferenceefficiency,yetaccuracyandgeneralizationremainopenchallenges.国家电网光明大模型相关报道“大瓦特”相关报道数据驱动潮流计算中的机理嵌入建模思路ReportsonStateGrid's"GuangmingPowerLargeModel"ReportsonChinaSouthernPowerGrid's"DaWatt"AIModelMechanism-EmbeddedModelingforData-DrivenPowerFlowCalculation2026|第十一届紫金论电学术研讨会The11thPurpleMountainForum22聚焦新型电力系统建设全力支撑新型能源体系构建2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·ChinaFOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM进展2机理内嵌潮流计算神经网络丨技术路线TechnicalRoadmap单阶段图网络直接映射输入到潮流解，过程黑箱且泛化有限。受传统“初值生成一失配计算一迭代修正”启发，采用预测与校正协同的两阶段架构。Asingle-stageGNNmapsinputsdirectlytothesolution,offeringlimitedinterpretabilityandgeneralization.Wefollowtheclassicalinitialguess-mismatchcalculation-iterativecorrectionlogicwithatwo-stagepredict-and-correctarchitecture.第一阶段：初值生成StageI:InitialGuessGeneration给定初值计算失配迭代修正逼近潮流解图神经网络电网拓扑(GNN)单阶段直接输出运行工况图网络潮流结果\|ΔP,ΔQ\|DirectPowerFlowPrediction第二阶段：潮流校正迭代循环核心思想：预测+校正StageII:PowerFlowCorrection模型完全黑箱，泛化能力不足CoreIdea:Prediction+Correction来自阶段一的机理修正网络精缓修正结果潮流机理/FullyBlack-BoxModelwith高质量初值（融合潮流机重）失配信息《最终潮流解》过程可解释，泛化性强ΔP,ΔQLimitedGeneralizationInterpretableProcesswithStrongGeneralization基于图网络的单阶段模型潮流求解过程启发两阶段网络架构Single-StageModelBasedonInspiredbythePowerTwo-StageNetworkGraphNetworksFlowSolutionProcessArchitecture2026|第十一届紫金论电学术研讨会The11thPurpleMountainForum23聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展2机理内嵌潮流计算神经网络丨两阶段架构Two-StageArchitecture第一阶段快速生成高质量初值，第二阶段依据潮流失配进行机理引导的精细校正，在推理速度与求解精度之间取得平衡。StageIquicklyproducesahigh-qualityinitialstate;StageIIappliesmechanism-guidedcorrectionsfrompower-flowmismatch,balancinginferencespeedandsolutionaccuracy.11第二阶段网络第一阶段网络StageIStageIIV

幅值幅值潮流失配量变换层机理内嵌的注意力层校正层①预测

校正初值②

特征变换层

节点特征图卷积层×T

向量向量幅值向量①层③

④

③$\Delta\theta_{35}$<支路特征Δθ预测层④相角Δθ⑥相角校正层

差初值向

校正

向量量关联矩阵相角差向量模型输入模型输出×L-'精度Accuracy

24聚焦新型电力系统建设全力支撑新型能源体系构建2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·ChinaFOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM进展2机理内嵌潮流计算神经网络I第一阶段：初值生成StageI:Initial-StatePrediction初值网络融合拓扑、支路参数与节点特征，重构基尔霍夫定律与欧姆定律表征的局部物理关系。TheMPNNcombinesgridtopology,branchparameters,andnodalfeatures,enablingtheinitial-statepredictortoreconstructlocalrelationsgovernedbyKirchhoff'sandOhm'slaws.第一阶段网络StageINetwork

融合电网拓扑结构信息+融合支路参数VOutputLayerV输出层FeatureTransformationLayer

GraphConvolutionalLayers物理信息幅值初值GridTopology物理信息BranchParameters①Initial节点导纳矩阵②节点特征Voltage-特征变换层图卷积层xT

BusAdmittanceMatrixMagnitudeBusFeatures

3欧姆定律基尔霍夫定律④B'Ohm'sLawKirchhoff'sLaw

5支路特征$\Delta\theta\gamma\text{输出层<}$AnOutputLayer相角差初值BranchFeatures输出层

Initial

B''Voltage-Angle-

关联矩阵DifferenceIncidenceMatrix第一阶段网络具备两大物理定律重构能力TheStageINetworkCanReconstructTwoFundamentalPhysicalLaws2026第十一届紫金论电学术研讨会The11thPurpleMountainForum25聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展2机理内嵌潮流计算神经网络丨第一阶段：学习目标Stage1:LearningTargets直接预测绝对电压与相角会引入冗余基准信息。改为学习相对1p.u.的电压残差和支路相角差，可聚焦真正变化并改善初值质量。Directlypredictingabsolutevoltageandangleintroducesredundantreferenceinformation.Learningvoltageresidualsaround1u.andbranchangledifferencesfocusesthemodelonmeaningfulvariationsandimprovestheinitialstate.机器学习研究表明

良好的学习目标应尽量去除冗余基准信息，突出真正需要学习的变化与关系Awell-designedlearningtargetshouldminimizeredundantreferenceinformationandemphasizethevariationsandrelationshipsthattrulyneedtobelearned.学习幅值残差Learnvoltage-magnituderesidualsDeepResidualLearningforImageRecognition

KaimingHeXiangyuZhangMicrosoftResearch{kahe,v-xiangz,v-shren,jiansun}@micrcShaoqinBatchNormalization:AcceleratingDeepNetworkTrainingbyReducingInternalCovariateShiftSergeyIoffeGoogleInc.,sioffe@ChristianSzegedyGoogleInc.,szegedy@学习支路相角差Learnbranchangledifferences2026第十一届紫金论电学术研讨会

The11thPurpleMountainForum26聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展2机理内嵌潮流计算神经网络丨第二阶段：机理引导校正Stage2:GuidedCorrection第二阶段不直接输出潮流解，而以基态灵敏度给出鲁棒主修正，再由可学习注意力补偿运行工况与拓扑变化。StageIIpredictsstatecorrectionsratherthanthefinalsolution:base-casesensitivitiesprovidearobustmainupdate,whilelearnableattentioncompensatesforoperating-pointandtopology-dependentdeviations.!第二阶段网络StageIINetworkV校正层/CorrectionLayer|ΔθCorrectionLayerMismatchTransformationLayerPhysics-EmbeddedAttentionLayer机理内嵌的注意力层

潮流失配量变换层幅值向量Voltage-MagnitudeΔθ校正层

相角差向量Voltage-Angle-Difference基态电网灵敏度矩阵嵌入+可学习注意力修正Base-CaseGridSensitivityMatrixEmbedding+LearnableAttention-BasedCorrection

基态灵敏度Basesensitivity给出鲁棒、可复用的主修正量Providesarobust,reusablemaincorrection可学习注意力补偿Learnableattentioncompensation适应运行工况与拓扑扰动Adaptstooperating-pointandtopologyshifts2026第十一届紫金论电学术研讨会

The11thPurpleMountainForum27聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展2机理内嵌潮流计算神经网络|IEEE1354算例：精度IEEE1354:Accuracy

2026第十一届紫金论电学术研讨会

The11thPurpleMountainForum28聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展2机理内嵌潮流计算神经网络丨算例：N-1安全评估CaseStudy:N-1Security评估10,000个样本时，电压/功率校核准确率约99%，相较PYPOWER加速超过100倍；对1,329种未见拓扑，准确率仍达96.49%。Across10,000samples,voltageandpower-limitchecksachieveabout99%accuracywith>100×speedupoverPYPOWER.Accuracyremains96.49%on1,329unseentopologies.训练集包含的拓扑N-1评估结果N-1EvaluationResultsforTopologiesIncludedintheTrainingSetN-1判别指标metricsGNN所提方法Proposed电压评估准确率VoltageAssessmentAccuracy79.10%99.51%功率评估准确率PowerAssessmentAccuracy84.79%99.15%全网1429种N-1评估结果（含训练集中未曾出现的1329种拓扑）N-1EvaluationResultsforAll1,429NetworkContingencies(Including1,329TopologiesUnseenDuringTraining)N-1判别指标metricsGNN所提方法Proposed电压评估准确率VoltageAssessmentAccuracy79.47%99.03%功率评估准确率PowerAssessmentAccuracy63.12%96.49%N-1安全评估提速超100倍2026第十一届紫金论电学术研讨会

The11thPurpleMountainForum29进展3满足一般约束的神经网络激活层Constraint-compliantNeuralNetworkActivationLayers30聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展3满足一般物理约束的神经网络激活层|问题背景Background电力系统调度本质上要解决含复杂物理约束的优化问题，传统人工智能方法求解速度快，但输出难以保证符合物理规律，可能产生不可行动作从而带来应用风险。Powerdispatchinvolvessolvingoptimizationproblemswithcomplexphysicalconstraints.TraditionalAImethodsofferfastcomputation,buttheiroutputsmayviolatephysicallaws,resultinginapplicationrisks.基尔霍夫定律Kirchhoff'sLaws能量守恒定律LawofConservationofEnergyk=1∠k=1

元件约束Componentconstraintsdi

'dt讨会31聚焦新型电力系统建设全力支撑新型能源体系构建FOCUSINGONTHECONSTRUCTIONOFANEW-TYPEPOWERSYSTEM,FULLYSUPPORTINGTHEDEVELOPMENTOFANEW-TYPEENERGYSYSTEM2026年8月15-16日中国·南京15th-16thAugust,2026Nanjing·China进展3满足一般物理约束的神经网络激活层|求解思路Solution如何将物理规律引入AI模型中?HowtoembedphysicslawsintoAlmodels?c输入x激活层InputsActivationl