人工智能赋能新型电力系统的探索

人工智能赋能新型电力系统的探索及案例单

位：沈阳工业大学2025.07.0520紫金论电专题人工智能助力新型电力系统建设1

研

究背景2基于人工智能的多样化数据集构建案例

3人工智能在数据生成领域的不足与思考4数据集开源信息堰●

新型电力系统优势：电力电源清洁化

电力系统柔性化电力系统数字化电力系统电力电子化●

遇到挑战：为保证系统安全稳定和经济运行，新型电力系统面临灵活性、韧性、稳定性、可靠性、经济性等多项性能要求和挑战。推

动数字技术与现代能源深度融合，赋能传统能源产业数智化转型升级，是提高能源转型效率和系统可靠

性的重要抓手，是打造以新型电力系统为核心的新型能源体系的关键路径。1研究背景1.1新型电力系统的数智化升级以“电源、某著名企业、负荷、储能”为整体规划的新型电力运行模式可提高新能源发电量消纳能力和某著名企业安全运行水平。●

科学建设新型电力系统：发地

5

2

解家能

埠查esn

y

*v9k.能源电力转型转型面临挑战新整电力系统发展rnm4

阳

1

4ki城

盗

造3地sw1研究背景1.2人工智能的发展历程——进入“AI4S”新范式Transformer

BERT学术界

开启预训练大模型机器阅读理解指标时代

超过人类工业界电力行业网百度

文心大模型大瓦特多功能电力运检知识助手

大模型盘古电力

大模型商

大模型安全隐患告警大模型电力安监

知识增强

大模型供电服务指挥大模型大瓦特CV电厂生产决策大模型变电运维

大模型负荷预测

大模型AlphaFold第一代ALphaFoH

在CASP夺DeePMD-kitDepMind仿真平台FermiNet自监督学习求解

首个利用AI

从原理计方程

算原子分子质里ProGen生成式蛋白质设计泰岭翱翔流体力学湍流找合求解AI

启发理论及算法发现

科学原理不明预的领

探索科学边界外新规律A1指导和加速科学实验定位采入哪个环节解决什么问题AI

大模型代表性成果进展A14S代表性成果进展AlphaFold2

蛋白质结构预测

达仪器观测精度JAX-CFD流体力学超分求解DepModehing分子动力学模拟尺度数里级提升Ernie

通义M6

盘古

混元

文心一言ChatGPT通用大模型通用大模型通用大模型通用大模型通用大模型

聪天机器人数据-机理结合以洗件力季I模型为例1DeePMD深度势能加速

流体力学模拟TS

GPT-3Swtch

Transformer首个NLP

多任务统首个千万级大模型首个万亿级大模型一

架

推出

推出大模型幼发展二全珠生成式人工智能煜发Sora视频生成20172018201920202021202220232024一物理驱动

以分子助力1学模型为例1PINN自监督学习求解

偏微分方程数据驱动

以蛋白质

棋型为例Rap

torX首个AI蛋白质折叠算

法提出GPT4

二实现多模态输入日日新□通用大模型代表性人工智能模型AI

加速和优化科学计算

科学原理明吗的领

_如何解决复杂物理仿真PaLM自然语言进入对话

时代DeepWF4多注盘力线件化博序扈曾学曲后要准a

力零鱼性

)

性化

性点

罩开

入QTransformer模块CausalDecoderPrefx

DecoderEncoder-Decoder三种主流大模型架构专业知识嵌入领域数据扩展电力领域知识+任务十数据推理

训练适配微调如何让人工智能更懂电力系统?1研究背景1

学习能力零/少样本学习

多任务学习2

推理能力数学推理常识推理逻辑推理……3

生成能力多模态数据生成全新场景生成意图理解生成……3

认知能力由感知升级到认知辅助决策……1.2人工智能大模型——架构与特点

常用架构

十

关键技术

DecoderDecoderEncoder

Decoder因果解码器前缀解码器编码器-解码器能力提升API关联

调用零曲五季注盘力五罩垂直模型思维链本甲Tnasfmertn0→45大科学时代电力领域如何拥抱人工智能?极端场景?源荷双侧随机性与不确定性?多利益主体互联互动?……1研究背景实践经验知识能动与创新海量数据超强算力人工智能电力专家海量场景推演61.3新型电力系统智能化愿景发-输-变-配-用-调的多维互斥需求协调复杂工况下的多主体综合协同控制极端场景与极端条件下的韧性增强◆

持续迭代与升级(持续学习、联合进化)◆

应用部署与集成

(人-机协同决策)◆模型训练与优化(知识-规则-经验引导)◆

数据处理与整合(多源异构数据互补)无人机

气家观测姑

机暴人智能化电力系统框架多元数据收菜数据清洗增广异构数据鞭合

验入[…模型评估高性能计算平台深度学习-计算求解系枝模型预测

控制多目标动态权重经济型电

力

大

模

型

能

力

层

基础层感知层1研究背景高地特征

契取特征选择

及知议关

系表宗立体特征

关系构迎某著名企业结构

淘流约束节点分布

定价标准环境数据推断与环块交互开

最大化其效用的动作蔓数据准备

特征工程

模型生成提取/磁解意图信息

生成相应新内容生成式AI构速单个填型进行

多目标伍务学习多任务集成多三务理科

王成多物人数据处理

及多共型喻出多模志技术复杂德式表征

迁移学习能力

零/少样本习能力浦现施力电力

大模星…专家妇议电产运行理论调度奴程定机理起参数优化更机控

进化算法

化学习

博弈理论新能源关型断面

分

布运行数据电塔/变电站图像架空城路杵塔机损交互*三维地貌地层岩性军享兵用设施配电房状态数据低压故唐实时数据智能化需求交通分布人口分布城市速设分区植技空间分布水文站点地

表径流量出清织则

负荷禁求经济数据隧道巡险环境检测机组移力

安全幼束基础数据中压状态数据

台区状态

数据气象条件地质灾害

分布

分关安全性环保性M配

能

转E

回推理葬边(施力

分类分类

该别

分部预阳英生

皮海量工况模拟人工智施

大模型祖堂-文本数据优型

,

案荐

最

德

方

推大数据

平台超熟电

提检结构搜堂纯视堂

数据领语力在城监测…时序数据擦感卫属特知识图数据物

出答交人工智能大模型的优势大规模并行计算能力以及分布式

执行与中心式学习能力物理信息嵌入专用模型整合社会经济信息、先验知识规

则与传统物理系统信息计算精度及速度优势电力系统智能化需求多维不确定性耦合以及大规模变

量约束实时决策带来的多元数据

高效滚动协同难题偏微分方程约束难以直接求解以

及网络参数不准确不断变化的经济环境海量工况模拟1研究背景1.3人工智能大模型的应用场景1——规划调度方案推演多模块并行计算+海量工况推演

→

实时/高效智能调度规划调度方案推演框架系统观测‘动作+指标优化系统观测‘动作+指标优化多时段来样海量

工况

模拟个多时段来样负荷预测运行工况监测设备故障集匹配紧急投切专家先验知识智能人工交互安

全

可

掌出力场景新能源出力预测智能化需求安全可靠性高决策效率高动态权重多目标

优化调度智能决策新

型

电

力系统中

里凸C吾B场景特点复杂开放实时超短期

日前配某著名企业潮流推演

十主某著名企业潮流推演协同规划负荷场景绿色低碳济可行-中81研究背景人工智能大模型的优势基于共享表示同时学习多个目标

和任务多主体之间实时交互电力系统智能化需求实现高维多样化且相互竞争关系多任务目标优化提升用户体验的同时实现某著名企业的高灵活性运行1.3人工智能大模型的应用场景2——需求响应场景模拟场景特点随机性强极端场景频发新

型电力系统智能化需求提高灵活性与韧性用户数据库工量

商业

居民用户负有紫合商··被细化客户投游管理

差异化励推运智能需求响应系统需求响应校理资源聚合分类响应潜力分析激励定制实时分级响应监测环境数据交通

气象人口

经济辅某省市场调峰

阻塞间障填谷

调频紧急响应机制某省市场碳资某省市场综合能某省市场新能源储能凸充电桩0可控负荷长期合约某省市场市场竞价空间交月度竞价直购电出青价格报价行为柔性负荷可削城负荷可转移负荷可平移负荷电力大模型多任务统一

多目标协调

多主体互动需求响应场景模拟框架数据交互调度策略数据交互调度策略运行指导数据交互数据交互度策略电某省市场统一智理适时两用91研究背景后处理预测解释整合启发式专家知识理解预测和工作机制不同场景下有效数据建模特征工程

预

测

模

型多源数据的收集/处理与融合电力数

据

天气数据

额外数据(叫

法，系恢如我等

(光断%度，城度等)

(旅妒计划，产计划等)1.3人工智能大模型的应用场景3——智能预测与故障检测有效缓解

电力系统数据量不足、数据缺失、比例失调多源数据集成预测框架

多模态故障检测框架应

用新年某省市系统负荷?

士

大风天气风电场发电量?工业区母线负荷曲线?有效缓解

多模态数据处理数据转化为数字向量D2表计读数图片模态融合多模态

协同学习模态转换故障定位可视化(图像)个多源异构数据融合基础模型多模态表征学习处理方案生成(文本)故障告警《语音婚报)向量空间

对

齐专家知识库

功率被形历史工况

序列数据多模态

特征对齐故障推演《视频)设备运行视频设备拓朴图10数

据基础数据

应用数据电力电子设备或某著名企业中参数类数据风光等不确定性出力预测、负荷实时数据电力系统实时运行状态类数据环境数据人口、经济、地理、天气等信

息类数据模型模型

●传统数学方法面临维数灾问题●小规模神经网络对于数据隐式规律和原理的归纳分析不足√方案：数据与机理融合√方案：大模型与小模型协同1研究背景●海量数据呈现多源、高维、异构特点●数据不均衡问题突出，异常数据稀少

数据

√方案：数据生成及增强场景●电力系统中海量设备离散运行●源网荷储互动频繁√方案：海量工况模拟场景困境型电力系统的数智化升级困境1.4新波动预测等计划类数据111研究背景2基于人工智能的多样化数据集构建案例3人工智能在数据生成领域的不足与思考4数据集开源信息堰系统总体介绍◆系统类别：区域级电-气-热-冷综合能源系统◆系统构成：配某著名企业、燃气网、供热网、供冷网、耦合设备系统特点◆系统规模大：包含多类型能源设备，采用“源-网-荷-储”一体

化架构，嵌入通信网络，适配高比例可再生能源接入场景◆耦合程度深：整合了电、气、热、冷四类能源子系统，通过

CCHP、P2G、电锅炉、燃气锅炉、电制冷等5种耦合设备实现了异质能源在源-荷两端的深度交互。◆数据资源全：提供了完整的系统结构和参数，同时提供了全年

15分钟级负荷与可再生能源出力时序数据，以及极端天气与设

备故障等场景的异常数据。IES-134综合能源系统“◎□

自2.1数据集背景——IES-134

系统概况2基于人工智能的多样化数据集构建案例13120100节点一能源属性电属性-109个气属性-98个能源类型

热属性-103个冷属性-9个T能源供应节点·传统胜潦·新能源806040200电属性节

点

一

功

能

属

性储能节点

能源耦合节点·

电储能

·

热储能

·

亩，热

电电-冷

气-热·

9气热冷98气属性热属性

冷属性功能屋性负荷节点,电负荷，气负荷·

热负荷，冷负荷能源供应节点-25个储能节点-9个多能耦合节点-8个负荷节点-58个传统能源-5个新能源-20个电储能-7个热储能-2个电-热耦合-2个电-气耦合-1个电-冷耦合-1个气-热耦合-3个电-气-热-冷耦合-1个电负荷-58个气负荷-50个热负荷-51个冷负荷-4个2基于人工智能的多样化数据集构建案例2.1数据集背景——IES-134系统概况口

系统节点总体概况

□

IES-134节点类型概况■系统节点能源属性计及电气热冷，功能属性考虑能源供应、储能、多能耦合、多能负荷分类方式

节点14IES-134系统“t十

大3志封2基于人工智能的多样化数据集构建案例系统设备集CCHP

冷热电

联产P2G

电转气电储能热储能自

柴油发电机2.1数据集背景——系统设备类型电锅炉燃气

锅炉电制冷多能负荷14种设备类型l上二"照配电站燃气站热源站光伏电站风机电站■系统考虑电气热冷能源网络基础设备配置，以及各能源系统间的耦合设备DS#配

备15需=mu12基于人工智能的多样化数据集构建案例134系统概况综合能源仿真系统“三元

素系统节点2.1数据集背景——IES-能源网络配电网中压配某著名企业109节点110线路燃气网中压A级燃气网98节点100线路供热网一级供热网101节点101线路供冷

网一级供冷网9节点

8线路系统配备大量风机电站光伏电站电锅炉

燃气

锅炉

电制

冷机电转气CCHP分布式储能设备系统配备大量

分布式储能电储能热储能大量分布式

大量可调节储

能

节

点

负荷节点世

吉高比例新能源节点性l

lul清洁低碳可发展能源供应节点能源耦合节点多元储能节点多能负荷节点大量能源耦合节点多能协调可互补新能源

发电设备多能耦

合设备新型设备需求响应可互动灵活程度

可调节162.2多样化数据集——构建需求目

的口推动数据资源整合及数据分析应用口构建数据统一化管理，提升数据共享与应用效能

口建立仿真系统和关联数据协同研究的标准化体系------------

-数据基础

构

建□公共数据集：美国亚利桑那州综合能源系统数据

IEEE能源预测竞赛数据集OpenEI

、ORNL

公共数据集口机理仿真结果：电力—Simulink天然气—ANSYS&Fluent热力—Thermolib口项目脱敏数据：电力、天然气、热力耦合数据口

大模型生成数据：图卷积生成对抗神经网络神经网络迁移模型电-气-冷-热负荷风机电站出力光伏电站出力演化暴雪、寒潮、

高温、无风等设备(源侧/耦合)

线路(短路/泄漏)寒潮、高引起设备/线路故障典型日典型月典型年异常天气系统故障异常天气下

系统故障2基于人工智能的多样化数据集构建案例常规数据集

异常数据集多

样

化

数

据

集17考虑当前研究需求及关键技术，设计满足能源产输储用一体化设计原则

设计需求设计理念多时间尺度实原规范复杂

灵活

多能流

多耦合

创新

高效

可持续通过经济调度模型优化资源配置，需求

响应机制实现供需平衡，变工况适应性

确保灵活运行，促进能源高效转换，增

强了系统预测和决策的准确性通过应用CGAN进行数据校验，精准捕

捉并分析异常与故障时序数据，从而优

化能源调度策略，增强了系统的预测准

确性和故障应对机制包括牛顿-拉夫逊算法的精确求解、粒子

群算法、二次规划的迭代求解能力以及

蒙特卡洛方法的概率模拟，形成了一个

高效、稳健的能源管理决策体系，以应

对复杂的能源优化挑战2基于人工智能的多样化数据集构建案例2.2多样化数据集——核心理念架构构思1模型2数据3算法风险

评估环境

影响架构

构建关键

技术案例

研究智能

调度市场

需求18■

典型日负荷变化特点·电负荷：居民、公共机构节点具有早、晚高峰的双峰特性，仓储节点集中于日间，充

电站、商业节点集中于下午和晚上时段，工业节点和数据中心节点较为平稳没有明显

的波动情况。·气负荷：居民、商业、公共机构、工业节点的变化趋势与各自用电负荷行为类似。·热负荷：居民节点的夜间需求高于日间，而商业、公共节点的需求相反，工业节点则

更多集中于日间时段。·

冷负荷：工业、仓储节点的负荷需求集中于日间时段，数据中心节点的需求变化较为

平稳。■

全年负荷变化特点·电负荷：居民、充电站、商业、公共节点在夏季期间的总体需求高于其他季节，工业、

仓储节点的全年需求较为平稳。·气负荷：各节点受季节因素的影响较小，没有明显的变化。·热负荷：各节点在深冬时节的总体需求最大，除冬季外，只有工业节点在其他季节具

有热负荷需求。·冷负荷：工业和数据中心节点的夏季需求量更大，仓储节点的需求变化较为平稳。2基于人工智能的多样化数据集构建案例2.3常规数据集构建——数据生成结果

(负荷数据)M%+

-N+Via1-SI24一N

→NIG0要.662L口负荷时序数据曲线

口

负荷数据特点0.5d3.402净时间(5上时间(m)小时平均负荷月平均负荷前(6)不胃尝负而全年于村平D

织员简

(山不得★负员而会年小村平a

员苫时月伽(不丹六负而会小村平9气负时间(mnik

不两奖型分防会年嗅月如负时同(mcrh)下网奖鱼而全年麻月冷负鸢N→N82-NS+Not-I4

Mi-n?0知o的

l

i

u生步研h(19□

风机、光伏数据特点■日间风光变化特点·

风机在夜间的出力明显高于日间出

力，呈现出显著的日间波动特性。·

光伏出力则集中于日间，在日内的波动更为明显。■

全年风光变化特点·

风能资源在秋冬季节较为丰富，而夏季相对匮乏，因此风机在夏季出

力较低，而在秋冬季节出力较高。·

光伏的出力主要受到辐射强度的影

响，因此在夏季的出力情况高于其他

季

节

。2基于人工智能的多样化数据集构建案例0.14「0.120.10.080.060.040.02PVI+pV4→PV7-PV10-PVI3→PV2+PVS-PV8-PV11

一PV14+PV3PV6+pV9-PV12

PV151月2

月

3

月

4

月

5

月

6

月

7

月

8

月

9

月1

0

月11

月1

2

月时

间(month)月均出力一WTI

一WT2

WT3+WT4一WT50.250.20.150.11月

2月

3月4月

5月

6月7月

8月

9月

10月

11月12月时间(monh)一WTI

一WT2WT一WT4

一WT50.3020207

020802092.3常规数据集构建——数据生成结果(风机、光伏数据)□风机、光伏时序数据曲线光伏出力风机出力02-05

020602-07

时间(month-day)一数据PV1-BV4PV7

PV10

PV13

PV2V5-V-PVIIPW4+PV3-PV6PV9-PV12-PV151[0.80.6040.200203

0204时间(month-day)0208

02-0902-03

02-06风

机

出

p

u0.60.4光伏出力(pu)02042002-03风

慌

出

力

(

p

,

.

a

.

)0光伏出力p.u)2.4异常数据集构建——数据生成内容场景分类无

风

：长时间近地面风

速持续≤0.5m/s,且无显著风向变化亿

种

异

常

数

据1.异常天气2.系统故障3.异常天气

下系统故障寒

潮

：日气超过

10℃,日最低气下30℃及以下暴

雪

：24小时内降雪

量≥10毫米，并伴随强

风等恶劣条件高温：气超过历史同期平均水平，连续

3天日最高温≥35℃设备故障管道泄漏恶劣天气下线路短路恶劣天气下设备故障恶劣天气下管道泄漏2基于人工智能的多样化数据集构建案例线路短路2112

暴雪天气时段103060.402MN02-0

02-04

02-45

02-06

024702-08时间(monthdzy)(b)暴雪天气1r连续无风时段0.4020808

084

08-

10

08-11

08-22

08-

13

时岗(month

dy)(d)连续无风+风机出力一光伏出力一

电负荷一气负荷一热负荷一冷负荷020808-14口风机、光伏数据特点■

寒潮天气下·

对系统整体负荷影响较大，系统电、气、热负荷峰值

明显上升，分别达常规值的约1.7、1.8和2.1倍，负荷

峰谷差扩大。■

暴雪天气·

系统电、热整体负荷上升，光伏机组表面因积雪覆盖

以及辐射度降低，出力下降。■

高·

系统电、冷整体负荷上升，光伏机组的组件受外界温

度升高影响效率降低，因此出现出力下降现象。■连续无风·

风速长时间小于风电机组切入风速，风电机组连续5天

以上出力小于装机容量的20%,无法为配某著名企业提供足

量功率供给。2基于人工智能的多样化数据集构建案例2.4异常数据集构建——数据生成结果

(异常天气)08-08

02.09

08-12

08-3时周(monthdy)口异常天气下风机、光伏、负荷时序数据率p

1)

车

p

r

r

'

)02-40

02-06

02-7时间(month-day)(a)寒潮天气寒潮气时段(c)

高03o60.40202-08

02-09220.802-0402-0312o0N40NIL

PV12N112N39

N113

PV13

N2Q

节点N111①

ES1

节点N111

√

场景

1:

功率下降20%;

较近线路输送功率下降且延迟恢复；中远节点受到影响较

节点N7

小，产生轻微波动√

场景2:功率稳定不变，部分储存能源输送至其他节点，较近线路输送功率下降且N7

N6

延迟恢复；中远节点受到影响较小，产生轻微波动故障位置■冷热电三联供CCHP

和电储能ES1设备故障参考历史数据场景

1:CCHP机组冷机故障，电和热，7小时后冷机修复完毕

场景2:

ES1储能设备故障，拒绝接受输入和输出，4小时后修复完毕节点N64

节点N632基于人工智能的多样化数据集构建案例2.4异常数据集构建——数据生成结果(系统故障——耦合、储能设备故障)口节点位置N78节点N63N59NGoN¹N2节点N64Nz7o节点N62卫T距离故障节点远近故障位置

近远23节

点N114节

点N115

节

点N108√

场景1:电负荷下降至原37.5%;较近线路下降至原20%;电厂为保持稳定，增加输出√

场景2:

断路器迅速跳闸，电负荷下降至原0.1%;较近线路功率下降至原20%;电

厂为保持稳定，增加输出2基于人工智能的多样化数据集构建案例单相接地故障(历史数据)迁移三相接地故障(模拟仿真)口

节点位置Ni

,

购

N■N13-N114

线路单相接地和三相接地故障场景1:

线路单相接地，故障继续维持1小时10分后排除并恢复

场景2:线路三相接地，0.05s切断，3.5小时后排除并恢复居民节点N114居民节点N115s1N102GBIa4NI08N13

Ni2-N10N117曰GN₁1416N1电厂节点N108故障位置2.4异常数据集构建——数据生成结果

(系统故障——线路接地)节点N114近节点N115距离故障节点远近节点N108远N44

N119PVi5ESZNIZ+NIS

PV424N₉N₈N√

场景1:

故障导致气负荷下降30%,能源经其他线路输送，较近节点功率下降，中

远节点受到影响较小，产生轻微波动√

场景2:

故障导致冷负荷下降50%

,较近节点功率下降，修复过程造成冷负荷进一

步下降，中远节点受到影响较小，产生轻微波动2基于人工智能的多样化数据集构建案例■

燃气管道和冷管道泄漏参考历史数据场景1:

N7-N8

燃气管道泄漏，1小时后排除故障并恢复场景2:

N18-N1

9冷管道泄漏，1小时后排除故障并恢复近距离故障节点远近

远02.4异常数据集构建——数据生成结果

(系统故障——管道泄漏)节点19

节点N124

节点N117节点N12429NNt2rveedN1N40口节点位置98N100□Py8N50Nn⁰5N10t节点N117N07GB节点N72N95N2—NIIlNI12故障位置故障位置

节点N19NI7节点N9NO14

节

点NBPV14

N39N8

N7

N6e8N99民，

NN42PV6四N41LN102ES619●

N—

NEBloaTs-

N103

PV9节点N72节点N8节点N9N4M1725N101N51N14us6a7一2.4异常数据集构建——数据生成结果(异常天气下系统故障——源侧设备故障)风-机WT1

■风机、光伏数据通过历史数据场景迁移、场景叠加模拟生成寒潮

沙尘

暴

雨

冰

雹沙尘

暴雨

高寒潮来临风速

沙尘来临风速增加，出力增

增

加

，出力增

加

加雨雪导致叶片▶叶片等机组元覆

冰

，出力降

件遭沙尘侵蚀

低

出力降低暴雨来临叶片阻力增大，

出

力降低线路被雨水浸

泡

，绝缘降低

部分风机停止

工作冰雹来临，叶片受损，风机出力降低寒潮来临设

沙尘来临，

暴雨来临，光光伏组件出备表面结冰，

设备表面大照强度大幅下现热斑效应，部分光伏逆

量覆沙，光

降，出力降低

导致功率断变器损

坏

，

伏板遭到沙

线路被雨水浸崖式下跌出力降低，

尘侵蚀，

出

泡绝缘降低部后续维修，

力降低，经

分光伏停止工逐渐恢复

清洁修复后

作逐渐恢复2基于人工智能的多样化数据集构建案例262基于人工智能的多样化数据集构建案例■

N13-N114线路持续极寒天气下单相接地和三相接地故障场景

1:

极寒天气下线路覆冰单相接地，故障发生后维持1小时，6小时经检修后恢复。场景2:极寒天气下线路覆冰断线，由于天气原因6小时检修后恢复。后因检修下降至原0.1%,由于天气和故障，气负荷增加20%;较近节点电负荷下降；

√

场景2:极寒天气下输电线路结冰致使输电线路断裂，电负荷下降至原0.1%,由于天气和故障，气负荷增加25%;较近节点电负荷下降；电节点N115口节点位置K居民电节点N114=G2.4异常数据集构建——数据生成结果(异常天气下系统故障——线路接地)√

场景1:持续低线路绝缘层受损，线路覆冰致使单相接地，电负荷下降40%持续极寒天气线路断线(仿真模拟)低下单相接地(历史数据)57L居民电节点N115居民气节点N114N4415故障位置N9

N₈气节点N114场景2场景1场景

迁移场景

叠

加电节点N11427N场景1:寒潮导致N44-N11

8气管道冰冻破裂泄漏，32小时后泄漏排除并恢复场景2:

寒潮导致N12-N117

气管道冰冻破裂泄漏，15小时后泄漏排除故障并恢复场景3:寒潮导致N109-N11

0热管道结冰堵塞，3小时后堵塞排除并恢复场景1

场景2

场景3节点N118节点N117节点N11

节点N

11√

场景1:泄漏导致气负荷下降60%,较近节点气负荷下降30%√

场景2:泄漏导致气负荷下降90%,较近节点气负荷下降35%√

场景3:堵塞导致起始段热负荷增加80%,终点端热负荷下降80%2基于人工智能的多样化数据集构建案例2.4异常数据集构建——数据生成结果(异常天气下系统故障——管道泄漏)N119N9典，

LN

福

NNsNNi6

需v*nz节点N117N4

N³

节点N109口节点位置

■管道泄漏通过历史数据场景迁移、场景叠加生成N44故障位置an15N12-节点N11节点N109口

GB2N118

故障位置

N116节点N11节点N118故障位置N110

N109NN14NI1NN11N10281研究背景2基于人工智能的多样化数据集构建3人工智能在数据生成领域的不足与思考4数据集开源信息堰■

Al生成数据存在的问题√极值分布：峰谷值扁平，全

天负荷波动不够剧烈√突变性：变化平滑，缺少实际突变点(跳变、骤降等)√时间规律性：工作日早晚高

峰不显著√场景间异质性：不同类型负

荷缺乏差异性√模式复制：多曲线走势类似√异常：规律过强

，忽略节假日因素3人工智能在数据生成领域的不足与思考0.80.7

走势类似，平滑，无季节规律

0.60.50.40.30.2L1月

2月

3

月

4

月

5

月

6

月

7月

8月

9月10月11月12月AI

生

成0.80.60.4跳变

骤降010:0020:00实际测量电

负

荷

(

p

t实际测量3.1

Al生成数据存在的问题——常规数据□用电负荷

居民十充电站

工

业

商

业

十

公共机构

数据中心十仓储小时平均负荷月平均负荷A生成电

负

荷

(

p

u

.

)300.23人工智能在数据生成领域的不足与思考0.8

+WT1

一WT2

一WT3→WT4←WT50.60.40.20.15月

6月

8月

9

月

10月11月12月

时间(month)0.24

WT1

一WT2—WT3-WT4-WT50.220.20.180.160.1410-00

16-00

20:00时间(h)+WT¹-WT²-WT3+WT4→WTS030504002-03

02-04

02-05

02-0602-0702-40802-09时间(month-day)3.1

Al生成数据存在的问题——常规数据0.4时间(month)风机出力p.u)108060402ol02-0302-04A

生

成实际测量小时发电量月平均出力口风机出力一数据02-05

02-06

02-07时间(month-day)异常出力(

n

d

串

国3月

4月02-0802091月

2月风机出力p.u)0231风

机

出

p

.

n

)0■

AI生成数据存在的问题√

时序特性失真：生成数据过

于平滑，缺乏真实风功率中

的波动性与突变特征，模式

重复严重。√

忽略空间异质性：机组间互相关性过高，空间分布特征

被削弱，曲线趋同，呈现明

显“平移+噪声”结构。√

统计结构理想化：分布规律过于规整，自相关性呈明显

，聚类边界清晰，不

符合实际系统中复杂性。3人工智能在数据生成领域的不足与思考常规数据100.86.8单

自0.4100

640.26.84

1000.0W

T4

DW

T

S

D

W)1.00性2Al生成数据存在的问题——出

力明显250

500WTS

jwa⁸5

384

0

叫W

F

j伊W

w2D

M0

W73

1wn实际测量A

生

成3.1口

风

机wrMTws

750sw

1.00(w

0iswdn⁶05461.00高

林036聘1.006wriwEzww4#w聚类中心自相关性互

相

关32印

州

美

调

和KAcg1pA1规则钟形30

未考虑云层遮0.4

挡，出力过高0.20.0L02-0302-04

02-05

02-0602-07

02-0802-09数据3人工智能在数据生成领域的不足与思考PV1→PV6

一PV11PV2+PV7→PV12+PV3-PVs

PV13PV4+PV9一PV14

→PVS-PV10

一PV150.050L6时间(h)0.14「0.12000一PV1-PV4→PV⁷一PV10一PV13一PV2+PV3

一PV+PV71-PV14PV3+PV6+PVg→PV12PV151月2

月

3

月

4月5月

6

月

7月8月

9

月

10月11月12月时

间(month)0.140.120.1日照拟过于规整波动模式复制1月2

月

3

月

4

月

5

月

6

月

7

月

8

月

9

月

1

0

月

1

1

月

1

2

月时

间(month)PV1-PV4-FV7

PV10-PV13V2+PV5-VS-PV11-PV14+2V3+PV6+PV9→PV12-PV130604-023.1

Al生成数据存在的问题——常规数据实际测量A

生

成0205

0206

02070208

0209

时间(month-day)小时平均发电量口

光伏出力月平均出力0.08

0.060.04

0.020

020302041r080.040.020.350.333中4光伏出力pu.)光伏出力(p.u)■Al生成数据存在的问题√时序特性失真：生成曲线

呈标准钟形分布，未体现

云层遮挡等扰动，峰值偏

高，曲线趋同，缺乏多样

性。√

相关结构异常：自相关周

期性过强无衰减，气象相

关性过高，太阳拟

过于规整，模式趋同。√

分布理想化：类间边界过

于清晰，缺乏真实数据中

的分布模糊性。3人工智能在数据生成领域的不足与思考3.1

Al生成数据存在的问题——常规数据明显且无衰减250

500

750n100J0阳

spo

lyCalirng

mne

jPCAfhae.1-类间边界清晰et-8

面A

生

成030就口

光

伏出

力ii互相关性自相关性聚类中心实际测量v

summer-Forcet3CLsters院优自至美系数和买系配34c谐i3人工智能在数据生成领域的不足与思考十

十N79vas

N78

故障点

NeoNoN60N⁶1节点

N621π正常值

故障值0.990.98选取故障变化大的节点展示0.97020406080

100

1203.1

Al生成数据存在的问题——故障数据口设备故障-冷热电三联供CCHP

停机40

5060筛血田导电压超限

50

60

点缩电压箱50t00一一

算第

6000.9950994.990-91075+0.97

20101.01s10+6.00890Aa000ars020A

生

成实际测量故障位置节点选择博

1点缩号110节点骗号相角节点

N64节点

N63B粉节点编号电压35N石03人工智能在数据生成领域的不足与思考正常值

故障值选取故障变化大的节点展示0.973.1

Al生成数据存在的问题——故障数据一

重4用师趋势偏离0%0985089970.974050007080

节点编梦*风机电站WT1WI

故障点□设备故障-风机电站WT1部分风机停机ES7章飞轮储能+锂电池ES7A

生

成实际测量故障位置节点选择020

406080100节点编号0.995

0.990.985

0.980.975N19节点N19电压相角60节点骗些90

100

楼90

100

蹄电压点编36节点临砖构参E19电压蓄0031楼13人工智能在数据生成领域的不足与思考■

Al生成数据

存在的问题√趋势偏离：变化方向严重偏差√特

征震

荡：非扰动区域

产生异常波

动√边

界

异

常：电压相角值

超出物理合

理范围1正常值故障值0.980.96选取故障变化大的节点展示0.940

20406080100120特征震荡10

40

50

9700

90

100110

110W点

骗

琴某省市点编步电压

相

角3.1

Al生成数据存在的问题——故障数据0.9908097090.950945

20

30

40

50

60

70

节点响号故障点本

wT₄E9N

10ES2

NI²6E0N122WT3不●BEB2

E107

EE21

E23ND

4E10020节

点N20108N132实际测量故障位置1.0厂1属映

驿

惰一

拥口线路故障-E20

发生断路0990.980.970.960s50.94

10

220

60

100

180童点编号N21三19N133节点选择7本□EC2节点N21A

生

成N2

N23节点编号37扣身电国断国E211一

风机出力

一

用电负荷

一光伏出力一

用电负荷寒

潮19幅值过度放大幅值过度缩减趋

势

相

反

，违背物理实际2

4

的

醋

0%

00

000

2确3人工智能在数据生成领域的不足与思考■Al

生成数据

存在的问题√时序迟滞：极端事件在

生成结果中滞后显现√幅度异常：输出变化幅

度显著偏离真实分布√

趋势相反：预测方向与实际演化趋

势相悖3.1

Al生成数据存在的问题——极端天气数据高

温时序迟滞109

原4部中

0高

温s奶09

4-0

0

日分口

无风

□

寒潮

口

暴

雪实际测量A

生

成幅值缩减不足6

馨

醉

醉

国

66一

光伏出力一

用电负荷数据数据一数据数据□高温检

殖无

风暴

雪38击ai■涵盖生产、传输、储存、交

易、消费、等领域■数据体量大，价值密度低■各类结构化、半结构化数据及非结构化数据■

与经济、社会、环境、能源多领域相关，涉及多元主体3人工智能在数据生成领域的不足与思考3.2原因分析——数据问题用电负荷■电力系统数据多源异构，获取难度高且样本不均衡，影响Al模型应用成效数据可获取性问题

数据质量问题数据安全问题消费侧通过分布式发电、储能、电动汽车等方式

参与需求响应源网荷储数据强耦合

发电

需求天气情况、地理环境以及社会环境

变化都对其产生特定影响对数据采集、处理、分析提出强

时效性要求广泛性跨界性雷电

风机出力

风机服务器网络改击■交互性■■实时性■光伏湿度口电力系统数据特点光伏出力39暴雪3人工智能在数据生成领域的不足与思考请生成五组风机小时出力曲线(

横

坐用户

标是24小时，纵坐标是标幺化出力)GPT-40电力系统运行不确定性强，机理复杂，可行域非线性，传统AI适应性不足3.2问题分析——算法问题SnbZrugrn

Hadrwantfindeloh日9uhn

d

elZahruCaro

R

tb5

ngmg

tog4Ged生成的内容偏离事实或逻辑断裂，违背电力系统对真实性与规范化的要求Al

模型是黑箱模型，复杂度高、数据依赖性强且输出有不确定性Rn

不确定性边界巨型非线性空间安全约束(N-1)运行域资源约束■“

算法黑箱”影响Al模型智能运维辅助决策的透明度和可靠性□可解释性不足口幻觉问题□能力边界资源主体约束◆功率平衡约束◆配网潮流约束不确定性强un0

GdZ4GelF6Adtu海量参数黑箱模型Patamoderon

Fam约束

边界L

fZha%

0DeGra5

fudkZeke4

CaagDGsCAMBuen3TfMFihut40uwyDrepDip开e

日1gPetDebpnty项目脱敏数据

数据附加信息

系统拓扑结构

软件仿真数据模型库Simulink|ANSYS&TherFluent

molib气象数据影响系统参数变化电力

天然气多时间尺度

信号传播燃气流星热力压力数据汇聚技术驱动

知识赋能异常数据集可靠性分析

碳排放轨迹跟踪优化调度

运行监测可

再

生

能

源

消

纳

系统运维管理●评判1数据汇聚2技术驱动3知识赋能整合现有不同数据来源，构建统一化数据枢

纽以人工智能技术为基础，大模型与小模型协同，生成满足系统运行数据集以应用需求为出发点，改造单一化场景数据，

实现多源数据融合3人工智能在数据生成领域的不足与思考3.3解决方案探索1——

多源数据融合策略实现方式分布式关联分析计算分布式计算和存储深度学习图文识别机理+数据+知识混合驱动构建策略节点数量节点类型公共数据集常规数据集数据清洗和汇总公共数据集风机

光伏

负荷◆

构建步骤数据开放共享数据

交换数据

质量采集时间采集位置数据

分层分级节点参数

线路参数流数据接入批数据接入非端构化文件数据库堪构化文件采集日志邻接矩阵MySQL迭

更41代

新其

他Oracle热力A

P

一

接

口3人工智能在数据生成领域的不足与思考多源异构数据一物理信息图模型→电力系统知识图谱知识迭代更新

模型动态组合

模型动态组合

知识迭代更新常规数据集构建

模

型

异常数据集增强参数共享无监督数据重建与标注

困难负样本增强与生成输

出

面向研究内容自由配比，实现不同场景下模型性能验证极端场景数据增广对预处理后的数据集进行节点实体、约束信息等提取，

构建知识图谱与因果关系图以

研究场景需求为出发点，通过因果推理，实现极端场景数据增广3.3解决方案探索1——

不均衡数据增广策略◆

增广步骤数量

增强种类

增强图扩散生成模型1

粗糙数据进行数据清洗，数据

利用相关性及属性特征进行

预处理

缺失值填补与数据标注2信息

提取3因果推理时序数据缺失值

填补时空图数据知识

图谱风险溯因风险

子

图关系

挖掘

标签

增强423

.3解决方案探索2——小样本学习及迁移学习口系统故障、极端天气场景样本严重不足，导致生成模型训练难度大口探索模型迁移训练方法，利用少量特定场景样本实现参数微调，实现强针对性的小样本场景生成数据评判模块常规数据异常数据模型迁移常规

异常数据分布异常数据特征

全连接神经网络3人工智能在数据生成领域的不足与思考故障数据集(少量样TES-134系统软件仿真数据

NSYS故

率

点学气象特征(协变量)风速、能见度、光照强度、……常规数据集(

大

量

祥风机、光伏、赍荷全年时序数据卷积层

池化层

注意力机制常规数据特征输

入

特征提取模块电-气-冷-热典型日、月、年曲线参数微调故障数据集常规数据集10n8960402个电

有

u43源-荷-储采集数据+仿真数据+实时运行数据+伪数据集基于多域混合训练的物理信息神经网络扩展PINN主分支

评价分支特征提取

反馈调优统计线损率分布式能源数据□P45部设备负载率电压合格率支持集

查询集3人工智能在数据生成领域的不足与思考3.3解决方案探索2——混合训练策略Step

2收集对比数据训练

奖励模型Step

3

强化学习

优化模型从训练数据集及其他模型的结果采样数据集重新采样应用模型生成输出指令反馈响应

人工智能大模型利用监督孕习训练或老微调大模型用于反馈