《基于混合增强智能的电网优化调度决策方法.docx》由会员分享，可在线阅读，更多相关《基于混合增强智能的电网优化调度决策方法.docx（48页珍藏版）》请在三一办公上搜索。
1、汇报提纲0研究背景数据驱动的优化调度方法基于混合增强智能的优化调度方法结语国家电网STATRGRID中国电力科学劈有限公司凤兀新能很X机口比，火电机加长机占比 TL区此次能淑电比新能源装机容量不断增长/源荷侧调节对象增加近年来，新能源装机容量持续上升，其波动性、随机性对电网运行调节构成巨大挑战。为此，我国加快了新型电力系统建设步伐，在源、网、荷、储各侧均出现了大量新型调节对象。预计2050年，全球电动汽车总数将达10亿辆，电储能容 量达到12TWh,空调热泵数骤增至2. 5亿台以上。截止至2023年8月，新能源装机容量突破8亿千瓦!传统电网调度面临的挑战调节对象增多：加剧了短时优化决策的难度；
2、资源不可观性：负荷侧资源的引入对优化模型的构建提出了挑战；多场景计算复杂度：不确定运行场景下，调度决策的随机适应性有待提升;海量分布式调度资源多场景计算复杂度高调节资源不可观tc 19* MU M MU 新占比难点：传统以运筹学理论为核心的传统调度模式，难以有效地协调灵活性需求和资源人工智能的快速发展为实现智能调度提供手段快速性：在线应用过程仅需前向计算，无需迭代优化，求解速度大幅提高场景适应性：由海量运行数据挖掘出特征规律，实现随机场景自适应决策无模型特性：端对端学习，无需建立底层灵活资源运行机理模型特点：符号模型优势：规则明确不足：应用封闭应用案例应用案例智能安全防控特点：数据驱动优势：学
3、习能力强不足：解释性差泛化性差nRB M关键断时发现*来源，迈向第三代人工智能的新征程，中国科学院院士张银，第五届中国人工智能大会(2019)基于数据驱动的人工智能应用难题Q高维空间收敛难：优化调度问题往往具有高维输入数据空间和输出策略空间，对算法的收敛稳定性构成了巨大挑战。/电网药束满足难：天多数数据驱动方法难以直接考虑电网物理药束条件（如电力传输、容量限制等），导致生成的调度方案不可行。决策过程解释难:信赖其结果 _数据驱动方法决策过程往往缺乏透明性和解释性，使得调度员难以完全如何克服纯数据驱动人工智能存在的瓶颈？国家电网STTRGRlD人机协同= WzSi医疗操作混合增强智能无人驾驶混合
4、增强智能有望成为解决方案混合增强智能作为国家新一代Al规划五大技术方向之一，具有数据与知识的双重驱动特征，预期可有效解决第二代AI解释性差、泛化性差等问题，目前，工业界有关混合增强智能的具体应用包括：医疗操作、无人驾驶以及电网调度等复杂人机协同决策任务。国家新一代人工智能发展规划方向虽一宗数据智能跨媒体智能.国主智能率.中华人民共和国中央人民政府fc国务院关于印发新一代人工智能发展规划的通知国发（2017）35号3-基于混合增强智能的优化调度方法;国家电网STATRGRID中国电力M学研究院有限公司混合增强智能定义混合增强智能，是指将人的认知模型引入到人工智能系统中，与机器智能共同形成混合增强
5、智能的形态*。实现混合增强智能的关键，是让人工智能机器能够自主理解人类所掌握的信息，然后将其融入自身的调度决策过程。知识表征电网规模 结构形态 电网分区 运行方式 调度需求知识利用转化知识表征知识表征转化*国家自然科学基金联合基金项目面向电网调度的混合增强智能知识演化理论与方法Q研究背景数据驱动的优化调度方法基于混合增强智能的优化调度方法结语汇报提纲2-数据驱动的优化调度方法电网优化调度问题电网优化调度问题是一种针对前瞻窗口内发用电调整计划、灵活机组开停机计划以及运行方式调整的多时段联合优化问题。前瞻滚动调度模式电网优化调度决策对象及目标2-数据驱动的优化调度方法国家电网 STATE GRID
6、中圜电力科学翻突院有限公司电网优化调度数学模型输入参数节点负荷L=/3(=+叱清洁性目标实时功率平衡,=yc-rIi机组出力上下限仁践二黑约束条件新能源出力0：；”4(Xi机组爬坡约束K黑哈线路潮流约束Gr.MrtrMi3JL-型RirHI，,)机组启停约束V-lfO-l3，。L-%”)系统状态安全约束PlPaE,QQ02-数据驱动的优化调度方法国家电网STATRGRID中国电力科学研究院物限公司电网优化调度转换为序贯决策问题调度智能体与仿真环境的不断迭代，将多时段调度计划可将电网优化调度问题转为序贯决策问题。优化解耦为单时段的滚动优化问题。k+1时刻电网(k+1)时刻运行状态负荷超短期预测形
7、成多时段调度计划k+n时亥J新能源预测电网(kl) 时刻计划 o*电网(k+n) 时刻计划决策时间点：k+n决策时间点：k+12-数据驱动的优化调度方法国家电网Mll.(ikll)面向优化调度的深度强化学习方法考虑到电网优化调度问题具有状态信息高维、机组功率采用连续调节动作的特点，采用基于评价-策略网络架构的深度强化学习训练方法。深度强化学习方法分类132-数据驱动的优化调度方法调度智能体构建及训练过程基于评价-策略网络架构的离线学习方法：包含仿真环境、智能体经验池、评价网络、策略网络四个关键环节。梯度信息汇报提纲0研究背景数据驱动的优化调度方法基于混合增强智能的优化调度方法结语3-基于混合增
8、强智能的优化调度方法国家电网STATRGRID蹿电力科学研究院有限公司研究框架基础内容1：混合增强智能调度的知识表示（解决“机器知识形成”）核心内容2:混合增强智能调度的知识利用（解决“利用机器知识决策）验证内容3:技术集成与仿真验证3-基于混合增强智能的优化调度方法.国家电网STTRGRID中国电力科学研究院有限公司知识表征总体技术路线9-*SMm拓扑图及模型类信息载体Sg*成果面向优化调度问题的知识图谱表示方法文本类信息载体周国主m理论调度规调度支本=知识图谱时序数据类信息载体成果面向优化调度可行域的斜决策树表示方7二WWI一彷真样木成果面向电网动态拓扑的注意力网络表征方电两拓扑一设客故障
9、3-基于混合增强智能的优化调度方法国家电网SlAiRGRID中国电力科学研究院有限公司基于知识图谱的知识建模及分析方法针对文本类载体，为了实现调度知识的有效集成和持续积累，提出基于知识图谱的日前调度优化知识建模与事件分析方法。美电机blL厂姑事件从同交备从M-设行许指履任从限分区厂站厂基SS期吉坡找检修断面名称表页五型坡变替反险映身射新捺中文IkIa1省级电网图谱子图架构运行方式工SS=一第，和执检任细制运行规程图谱子图架构断面端连接:检修预案图谱子图架构调度细则图谱子图架构18支撑材料：Reviewonknowledgegraphanditsapplicationinpowerdispatc
10、hing,2O21IEEEInternationalConferenceonPowerJnteIligcntComputingandSystems(ICPICS).3-基于混合增强智能的优化调度方法基于知识图谱的知识建模及分析方法国家电网STATRGRID中国电力科学研究院有限公司通过类型识别、统计分析、关联路径分析等方法获取调度决策相关知识，实现多维度、多层次的调度知识推送。日前调度优化知识图谱提供筛选条件（实体/关系的类型、属性）类型识别：通过匹配指定场景的实体/关系，获取不同类型的运行约束或控制措施；选中某个节点或关系，进一步推送查看相应的属性和与之关联的设备、运行方式等节点信息。获得符
11、合条件的知识（实体、关系、类型、属性）线路检修的控制措施有哪些？潮流功率控制地区新能源力抑制火电机组停运选取分析对象（实体、关系）关联路径分析：基于关联路径可以实现各种语义搜索和智能问答,并提供可视化的解释路径选取分析指标（实体/关系的特定属性）对选取指标进行统计计算（计数、累加、判断等）风电小发时的上备用如何调整？联络上备线,用当日晚上17约束结果输会与解释说明（辅助调度决策）调整动作上备用=风电*0.6+500支撑材料：Reviewonknowledgegraphanditsapplicationinpowerdispatching,2021IEEEInternationaConferen
12、ceonPowenIntelligentComputingandSystems(ICPICS)193-基于混合增强智能的优化调度方法国家电网STATRGRID中国电力号那史度有限公司基于知识图谱的知识建模及分析方法针对全网充裕度、局部断面限额、设备检修、环保调控的机组调整等应用场景提供相对应的调整建议。未经调度日志和辅助工具修正的优化过程及结果国调.宁东二期电厂kV. #3机优化会清日前调度 输入数据优化软件经调度日志和辅助工具修正的优化过程及结果日前调度 输入数据优化软件修正096磨煤机突发缺陷， 机组出力受阻。原最大可调能力60600MW,520Wo现为020 O 6080ime掌材料：R
13、eviewcnknde9graphanditsapplicaticninpowerdiHtching2021IEEEIntematicnalGcnferencecnRer;IntelligaitGupiitingandSystens(ICPlCS).203-基于混合增强智能的优化调度方法国家电网STATE GRID基于斜决策树的安全规则抽取方法基于斜决策树的电网安全约束表征方法实现了电力系统运行状态安全性的快速精准辨识，可以为调度智能体提供安全调度规则。0.3x+x-1.4=0?Degh轴平行决策树轴平行决策树斜决策树表示的调度安全可行域av.罚斜决策树形成的安全逻辑规则isimim斜决策树e
14、W*RGI*Ql7*PZ1385aO*FCt+6=IC-2.8hixdit=I.J不安全W-J不安全dit=(Lj斜决策树213-基于混合增强智能的优化调度方法国家电网STATRGRID中国电邠学研究席有限公司基于斜决策树的安全规则抽取方法基于多种遍历方式，从斜决策树种抽取用于表示机组力与电网运行安全性关系的调度安全调度规则。类型序号表示连/离离散树结点的序号，全局唯划分ttrD离散特征的索引r连续特征的系数threhl连续阈值树深eth离散决策树的树深叶结点_lef离散是否为叶结点左子结点离散左子结点序号右子结占/、离散右子结点序号只次谢历：0123456789先序图切：0137849256
15、中序遍历：7381940526所序追历：7839415620广度遍历：(1)先将节点0入队。(2)0出队访问，0的子节点1、2入队。(3)1出队访问，1的子节点3、4入队。(4)2出队访问，2的子节点5、6入队。(5)3出队访问，3的子节点7、8入队。(6)4出队访问，4的子节点9入队。5出队访问。(8)6出队访问。(9)7出队访问。(10)8出队访问。(10)9出队访问。01,22,3,43,4,5,64,5,6,7,85,6,7,8,9.6,7,8,97,8,98,993-基于混合增强智能的优化调度方法国家电网STATEGRlD中国电力科学础究够高限公司基于斜决策树的安全规则抽取方法为了避
16、免将不安全的运行状态误判为安全状态，提出基于边界紧缩的斜决策树模型微调方法。ObliquetightAlgorithm规则收紧获取所有安全路径P以及对应的伪正类样本循环p=lP执行一直循环，直到彳Pr为空伪正类样本彳/0出队列计算伪正类样本匕”（。）到路径P里各超平面；的欧式距离不安全安全PGUMWlnr0获取距离最小对应的超平面n*更新其阈值判断伪正类样本如果匕，GP移除：VPr代结束如果结束循环结束循环降低非安全状态误判概率的规则边界收紧方法算法流程3-基于混合增强智能的优化调度方法国家电网STATEGRID中圄电力科学研究蜕有限公司基于自注意力机制的电网拓扑表征方法构建基于多头注意力机制
17、的预训练嵌入模型，实现复杂电网拓扑结构的向量化表征。y=MLP(Z)%powernenvork个representationz1=MLP(LN(z,)+z/,=i.l个z,1=MS4(LN(Z-)+zi-is=,x个3-基于混合增强智能的优化调度方法国家电网Stategrfd基于自注意力机制的电网拓扑表征方法使用自注意力矩阵捕捉拓扑变化中需要关注的节点信息，综合所有节点信息形成整体拓扑的全局表征。Single-headself-attention(Contigency:branch2)buslbus2(bus4btrsS-bus6Ius70bus8*rrr,rQ-0.160.140,12u)-
18、0.08.0.060.040.02一0.00SelfAttentionMatMuIQMaskiopt)SoftMaxqkvUJ9zeR*,URD*A=SghlnX(qkdD.)AeR*SA(Z)=AxD=768=12X64,Df64h=12,N=93-基于混合增强智能的优化调度方法国家电网STATRGRID中国电搦学研究院有限公司协助强化学习智能体进行训x=lp7,Po,8,0,pMj,I基于自注意力机制的电网拓扑表征方法在简单的潮流任务(PF)上进行训练，然后将其迁移到较为复杂的优化调度任务,练3-基于混合增强智能的优化调度方法国家电网sMRGRlD知识利用总体技术路线基于知识表征环节中形成
19、的人类认知模型，实现调度领域知识在从数据驱动模型计算环节的赢入和利用（包括输入端、模型端、输出端），构建知识-数据联合驱动的混合增强优化调度模型。数据预处理数据驱动的调度智能体学习和决策过程调度决策计算实现思路：构建针对电网拓扑嵌入信息的时空 关联图，使用图卷积神经网络进行 特征聚合，从而实现复杂输入数据 的结构化致据驱动网绪物理方程嵌入层实现思路：在原有数据驱动神经网络中引入电 网物理方程约束。分别嵌入面向等 式约束的“补全”模块和面向不等 式约束的“校正模块”。计划输及模型调参实现思路：在策略网络损失函数中加入基于调度规 则的知识正则项，直接建立调度智能体 决策与系统安全性的梯度关系，防止
20、模 型训练过程中的盲目探索行为。3-基于混合增强智能的优化调度方法盟法劈策魏限公司国家电网STATR GRID输入端知识利用输入信息结构化：面向时序预测数据、调度文本和电网物理模型的多源异构知识载体，统一将其转换为机器容易吸收利用的高信息向量，并用于引导调度智能体决策行为。稠密嵌入电网模型调度智能体3-基于混合增强智能的优化调度方法国家电网STATR GRID电国组奥翔网洒限公司模型端知识利用基TWnF衍T制网客定计：面向包含安全约束的优化调度问题，提出模型-数据混合驱动的调度智能体决策自校正架构，在现有数据驱动智能体的策略网络中引入基于电网模型知识的物理方程嵌入层，解决深度学习背景下的调度策
21、略可行性问题。数据驱动网络物理万桂嵌入层优化问题输入参数miny fz(y) s.t.gx(y)0h2 (y)=o(yi,y2 ,y3 ，yn)决策补全 （等式约束）智能体策略 网络损失函数lsoft（g）v调度决策输出Y J决策校正（不等式约束）) (,yz,yn)3-基于混合增强智能的优化调度方法国家电网、 STAIR GRID中国电力科学研究院有限公司输出端知识利用输出端损失函数正则项引导：在策略网络损失函数中加入基于安全规则的知识正则项，结合安全强化学习训练方法，防止模型训练过程中的盲目探索行为。运行规则立2PN-M(I-I2)规则抽取斜决策树/知识图谱嵌入RgPN-M(I-Ig)3-
22、基于混合增强智能的优化调度方法SG126算例分析基于聚类算法从2021年全年负荷/新能源预测出力数据中筛选得到若干典型日场景构成测试集合,对各类算法的性能进行比较。不同调度智能体算法的效果比较（红色代表火电机组出力，绿色代表新能源机组出力）3-基于混合增强智能的优化调度方法SG126算例分析基于聚类算法从2021年全年负荷/新能源预测出力数据中筛选得到若干典型日场景构成测试集合,对各类算法的性能进行比较。(奖励分数越高越好)DK-TD3本项目算法DDPGIL-DDPG总有效性评分(R)494.28196.06377.43线路平均负载率评分(al*】7)214.01201.46191.19新能源
23、消纳评分(a2*r2)570.78284.39450.98平衡机不越限评分(a3*r3)-0.24-0.24-0.22运行成本评分(a4*r4)-288.0-288.0-263.05发电机无功不越限评分(a5*r5)-0.06-0.037-0.04节点电压越限评分(a6*r6)-1.51-1.51-1.38功率不平衡量现次数002单步计算时间(三)0.30.372h26.7h0.01s0.08sMWMM_NMBIMMMMIramngsteps计划相对于实际量测误差变化关键断面负载率变化结果分析基于混合增强智能的收敛性优于纯数据驱动方法。智能体决策导致断面重载的概率随离线训练过程持续下降。.3-
24、基于混合增强智能的优化调度方法中国电力科学研究院有限公司基于某省级电网的算例分析口性能对比结果分析(SE)+JoqoMethods运行成本对比1.15L10J058(EUo宅O三_E苫Methods等式约束违反总量对比Methods计算效率对比(.bou=UoNB01AIgoJ运行成本方面，混合增强智能方法优于传统优化方法和数据驱动方法计算效率方面，混合增强智能方法略低于数据驱动方法，但是显著优于传统优化方法。相对于数据驱动方法，混合增强智能方法基本上可以满足所有调度问题约束。Methods不等式约束违反总量对比汇报提纲0研究背景数据驱动的优化调度方法基于混合增强智能的优化调度方法国家电网STATRGRID呼电力科学研究院有限公司纯数据驱动VS.混合增强智能纯数据驱动混合增强智能信息来源信息来源信息利用信息利用优势不足C混合增强智能是对纯数据疝方法的诙进并级，是适应持续演变电网、满足少见场桌或未来V场景调度需求的关键。知识-数据联合驱动的混合增强优化理论，有望在未来新型电力系统调控发挥更大重要作用。兼顾数据驱动方法超前调节、快速响应和知识驱动方法可靠性高、结果可解释的优点，能够全面支撑高比例新能源新型电力系统建设。电网控制超前调度新能源消纳需求侧管理自动功率控制分布式资源协同控制紧平衡实时预警故障响应关键输电通道处置
