數(shù)據(jù)為中心的AI技術(shù)在電力系統(tǒng)運(yùn)行控制中的應(yīng)用

在電力系統(tǒng)運(yùn)行控制中的應(yīng)用配電網(wǎng)物理特性場(chǎng)景數(shù)據(jù)安全約束物理特性P安全22研究背景隨著新型電力系統(tǒng)建設(shè)，海量新能源廣泛接入，系統(tǒng)結(jié)構(gòu)和特性機(jī)理∠系統(tǒng)規(guī)模巨大樣本模式眾多組合爆炸導(dǎo)致樣本生成效率低數(shù)據(jù)樣本安全分析傳統(tǒng)電力系統(tǒng)調(diào)度控制大模型時(shí)代開啟Transformer架構(gòu)數(shù)據(jù)Al模型+20%的算法”訓(xùn)練更好的AI更好的更好的AIGPT-3570G人工篩選數(shù)據(jù)ChatGPT帶有人類偏好的數(shù)據(jù)702回歸問題的分布不均衡多方數(shù)據(jù)的隱私保護(hù)需求多方數(shù)據(jù)的隱私保護(hù)需求據(jù)進(jìn)行分析計(jì)算，保證數(shù)據(jù)“可用不可見”9問題提出口暫態(tài)穩(wěn)定分析的樣本集存在失穩(wěn)樣本數(shù)量占比少的數(shù)據(jù)不均衡問題口人工智能方法在不均衡樣本集上效果較差，迫切需要進(jìn)行數(shù)據(jù)增強(qiáng)不均衡樣本不均衡樣本集高占比穩(wěn)定樣本穩(wěn)定樣本訓(xùn)練誤差樣本量NY:Springer,1994:409-426.技術(shù)路線1.1:基于Wasserstein距離的生成對(duì)抗網(wǎng)絡(luò)0高斯混合模型(GMM)流模型(Flow-basedModels)變分自編碼器(VAE)擴(kuò)散模型(DiffusionModels)生成對(duì)抗網(wǎng)絡(luò)(GAN)①①目標(biāo)函數(shù)對(duì)參數(shù)的梯度為0當(dāng)生成器學(xué)到了Pdata(x)某一種特征如生成重復(fù)樣本或有限多樣性的樣本時(shí)判別器難以提供梯度更新參數(shù)·采用滿足1-lipschitz約束的神經(jīng)網(wǎng)絡(luò)作為判別器(o)m(a)(b)02()(e)釋化的運(yùn)輸方案技術(shù)路線1.2:考慮電力系統(tǒng)約束的改進(jìn)生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練方法口傳統(tǒng)生成對(duì)抗網(wǎng)絡(luò)未考慮物理約束，新生成的運(yùn)行場(chǎng)景可能存在不可行的情況改進(jìn)的目標(biāo)函數(shù)：改進(jìn)的目標(biāo)函數(shù)：Pmin≤PPmin≤P22G基于Wasserstein距離的改進(jìn)方法技術(shù)路線1.3:面向少數(shù)類別和分類邊界樣本的暫穩(wěn)評(píng)估數(shù)據(jù)增強(qiáng)口針對(duì)暫穩(wěn)分類的數(shù)據(jù)需求，提出面向少數(shù)類別和分類邊界樣本的數(shù)據(jù)增口針對(duì)暫穩(wěn)分類的數(shù)據(jù)需求，提出面向少數(shù)類別和分類邊界樣本的數(shù)據(jù)增強(qiáng)方法片模型不確定域LanJ.,ZhouY,GuoQ.,etal.Anoveldata-driventransien口樣本標(biāo)注費(fèi)時(shí)費(fèi)力，提出基于信息熵的樣本高效標(biāo)注方法，降低口樣本標(biāo)注費(fèi)時(shí)費(fèi)力，提出基于信息熵的樣本高效標(biāo)注方法，降低樣本生成代價(jià)有標(biāo)簽樣本集有標(biāo)簽樣本集穩(wěn)定穩(wěn)定對(duì)對(duì)Dc進(jìn)行自動(dòng)標(biāo)注增強(qiáng)后數(shù)據(jù)集★算H(x)對(duì)Dw中數(shù)據(jù)進(jìn)行排序，優(yōu)先選擇到樣本標(biāo)簽本，即生成模型認(rèn)為其暫態(tài)失穩(wěn)而預(yù)測(cè)模型本，即生成模型認(rèn)為其暫態(tài)失穩(wěn)而預(yù)測(cè)模型認(rèn)為其是穩(wěn)定的樣本，將其加入Dv中，進(jìn)行本加入Dc口口通過生成模型與判穩(wěn)模型的對(duì)抗學(xué)習(xí)，消除判穩(wěn)模型的不確定域，在迭代訓(xùn)練中分類邊界樣本生成模型分類邊界樣本生成模型生成生成仿真迭代過程迭代過程分類邊界仿真分類邊界模型f模型f生成關(guān)鍵樣本初始數(shù)據(jù)集口基于中國電科院根據(jù)實(shí)際電網(wǎng)數(shù)據(jù)建立的300節(jié)點(diǎn)系統(tǒng)生成樣本，基于不同的生成模型，各生成1000條樣本，對(duì)于樣本生成結(jié)果進(jìn)行仿真校驗(yàn)其暫態(tài)穩(wěn)定性暫態(tài)穩(wěn)定仿真結(jié)果(蒙特卡洛仿真)線路命名系統(tǒng)編號(hào)首端節(jié)點(diǎn)末端節(jié)點(diǎn)生成樣本有效率(失穩(wěn)樣本/所有樣本)線路A82.1%87.1%線路B88.1%線路C口將所提樣本標(biāo)注方法應(yīng)用于300節(jié)點(diǎn)系統(tǒng)，可以顯著降低仿真標(biāo)記時(shí)間口該方法也可用于變化場(chǎng)景下模型更新的樣本生成，顯著降低模型更新時(shí)間用于場(chǎng)景變化時(shí)Al模型在線更新過程快速能夠在保證準(zhǔn)確率的同時(shí)，顯著降低計(jì)0■仿真標(biāo)注樣本自動(dòng)標(biāo)注樣本(標(biāo)注正確)■自動(dòng)標(biāo)注樣本(標(biāo)注錯(cuò)誤)訓(xùn)練時(shí)間重新訓(xùn)練學(xué)習(xí)重新訓(xùn)練學(xué)習(xí)重新訓(xùn)練學(xué)習(xí)算例驗(yàn)證口在原有暫態(tài)穩(wěn)定評(píng)估模型基礎(chǔ)上，進(jìn)一步采用所提方法生成分類邊界樣本口在原有暫態(tài)穩(wěn)定評(píng)估模型基礎(chǔ)上，進(jìn)一步采用所提方法生成分類邊界樣本，并通過對(duì)抗訓(xùn)練迭代提升判別模型準(zhǔn)確度預(yù)測(cè)穩(wěn)定隨著每一輪次新生成的樣本補(bǔ)充至訓(xùn)練集中，隨著每一輪次新生成的樣本補(bǔ)充至訓(xùn)練集中，暫穩(wěn)評(píng)估模型對(duì)于系統(tǒng)運(yùn)行場(chǎng)景的辨識(shí)能力逐步提升，有效增強(qiáng)了原始模型不確定區(qū)域的辨識(shí)能力。19進(jìn)展2-考慮輸電斷面安全裕度的特定場(chǎng)景樣本生成面向電力系統(tǒng)AI回歸問題問題提出口輸電斷面是運(yùn)行方式分析需要考慮的重要因素，有利于實(shí)現(xiàn)電網(wǎng)降維監(jiān)控口電網(wǎng)運(yùn)行方式面臨組合爆炸，運(yùn)方人員難以根據(jù)實(shí)際需求生成所需的典型運(yùn)行方式，面臨樣本生成難度大、生成效率低、所需類型樣本不足的問題廠站2廠站廠站1廠站輸電斷面廠站6樣本分布樣本分布0%分區(qū)1分區(qū)輸電斷面安全裕度100%拓?fù)浣Y(jié)構(gòu)電網(wǎng)參數(shù)依從變量f(A,p,D,u,x)=0可控變量如:發(fā)電機(jī)出力可控變量如:發(fā)電機(jī)出力口特定輸電斷面裕度的場(chǎng)景樣本數(shù)量嚴(yán)重不足，導(dǎo)致生成模型訓(xùn)練難度大訓(xùn)練數(shù)據(jù)xr指定運(yùn)行場(chǎng)景數(shù)據(jù)所有樣本數(shù)據(jù)●源域模型學(xué)習(xí)所有運(yùn)行場(chǎng)景樣本的共性特征●目標(biāo)域模型學(xué)習(xí)目標(biāo)運(yùn)行場(chǎng)景的關(guān)鍵特征2:自目標(biāo)樣本集D?中抽取m個(gè)樣本{xr}m1∈D?3:自非目標(biāo)樣本集Dnr中抽取m個(gè)樣本{xnr}"生成隨機(jī)插值樣本計(jì)算判別器損失函數(shù)：8:基于源域模型參數(shù)θc初始化目標(biāo)域生成模型Gr9:while模型參數(shù)θ未收斂或未達(dá)到最大訓(xùn)練批次，do:11:結(jié)束訓(xùn)練中國電機(jī)工程學(xué)報(bào)2022,42(8):2889-2900.技術(shù)路線2.2:面向特定運(yùn)行場(chǎng)景的樣本生成基本方法可以針對(duì)性地生成不同斷面裕度的運(yùn)行場(chǎng)景運(yùn)行場(chǎng)景1分析決策運(yùn)行場(chǎng)景N運(yùn)行場(chǎng)景1分析決策運(yùn)行場(chǎng)景N分析決策電力系統(tǒng)大量仿真/歷史運(yùn)行場(chǎng)景數(shù)據(jù)電力系統(tǒng)指定運(yùn)行場(chǎng)景N樣本生成數(shù)據(jù)支撐對(duì)抗訓(xùn)練參數(shù)遷移離線多次訓(xùn)練參數(shù)遷移離線多次訓(xùn)練復(fù)雜模型在線少量訓(xùn)練在線少量訓(xùn)練更新復(fù)雜模型基礎(chǔ)生成對(duì)抗網(wǎng)絡(luò)模型離線訓(xùn)練階段：通過所有運(yùn)行場(chǎng)景數(shù)據(jù)集訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)，得到基礎(chǔ)生成模型Gs在線應(yīng)用階段：利用有限目標(biāo)樣本參數(shù)微調(diào)得到目標(biāo)生成模型Gr,實(shí)現(xiàn)樣本高效生成技術(shù)路線2.3:基于特征選擇和特征重組的多目標(biāo)場(chǎng)景生成方法口針對(duì)存在復(fù)雜耦合關(guān)系的輸電斷面，提出基于特征選擇和特征重組的多目標(biāo)場(chǎng)景生成方法，選擇與目標(biāo)樣本最相關(guān)的特征，結(jié)合改進(jìn)生成對(duì)抗網(wǎng)絡(luò)遷移訓(xùn)練形成單一屬性生成模型，利用特征組合獲得完整方式樣本將原有一個(gè)生成模型直接生成復(fù)雜樣本轉(zhuǎn)化為將原有一個(gè)生成模型直接生成復(fù)雜樣本轉(zhuǎn)化為多個(gè)子目標(biāo)的生成模型的組合方法，提高數(shù)據(jù)利用效率和生成樣本有效率III.模型遷移與模型微調(diào)源域生成器初始樣本集初始樣本集II重替特征P-(Y)=P(Ylyk-P-(Y考慮多目標(biāo)的可用數(shù)據(jù)集P-(Y)=P(Ylyk-P-(Y考慮多目標(biāo)的可用數(shù)據(jù)集非關(guān)鍵樣本原始數(shù)據(jù)集考慮單目標(biāo)的可用數(shù)據(jù)集原始數(shù)據(jù)集x:樣本數(shù)據(jù)(例如：發(fā)電機(jī)有功Pg口在新英格蘭10機(jī)39節(jié)點(diǎn)系統(tǒng)上進(jìn)行算例分析，選定4個(gè)輸電斷面的不同安全?？谠谛掠⒏裉m10機(jī)39節(jié)點(diǎn)系統(tǒng)上進(jìn)行算例分析，選定4個(gè)輸電斷面的不同安全?！霾豢紤]模型遷移考慮模型遷移場(chǎng)景方法斷面1斷面2斷面3■不考慮模型遷移考慮模型遷移緊急緊急0模型訓(xùn)練耗時(shí)所提方法93.9%77.3%84.6%96.7%模型訓(xùn)練耗時(shí)采用10%和50%作為斷面安全裕度劃分準(zhǔn)則采用10%和50%作為斷面安全裕度劃分準(zhǔn)則正常預(yù)警緊急++樣本生成有效率(CR樣本生成有效率(CR)所提方法86.0%83.1%81.5%69.7%10% 訓(xùn)練數(shù)據(jù)用量口在電科院模擬實(shí)際電網(wǎng)的300節(jié)點(diǎn)算例上進(jìn)行算例分析，選口在電科院模擬實(shí)際電網(wǎng)的300節(jié)點(diǎn)算例上進(jìn)行算例分析，選定4個(gè)輸電斷面的不正常預(yù)警緊急斷面1斷面2緊急26.1%正常口在新英格蘭10機(jī)39節(jié)點(diǎn)系統(tǒng)和電科院300節(jié)點(diǎn)系統(tǒng)上分別驗(yàn)證了不同方法考慮◆10機(jī)39節(jié)點(diǎn)系統(tǒng)原始24.1%原始算例驗(yàn)證口利用數(shù)據(jù)生成方法得到斷面裕度評(píng)估訓(xùn)練用數(shù)據(jù)集，進(jìn)行AI回歸模型訓(xùn)練口在相同AI模型結(jié)構(gòu)的基礎(chǔ)上，使用增強(qiáng)后的數(shù)據(jù)集能夠顯著提升AI模型在斷面緊急情況場(chǎng)景下的準(zhǔn)確率，能夠更多地避免漏警情況的發(fā)生斷面名稱斷面名稱全測(cè)試集全測(cè)試集安全格度預(yù)測(cè)(原始數(shù)據(jù)集)安全裕度預(yù)測(cè)(增強(qiáng)數(shù)據(jù)集)進(jìn)展3-以數(shù)據(jù)為中心的大規(guī)模機(jī)組組合AI加速方法面向電力系統(tǒng)Al輔助優(yōu)化問題問題提出口機(jī)組組合問題的高效求解是保障電網(wǎng)安全經(jīng)濟(jì)運(yùn)行的關(guān)鍵口機(jī)組組合變量約束規(guī)模巨大，矩陣數(shù)值條件差，求解速度及精度要求高口迫切需要使用AI加速機(jī)組組合，訓(xùn)練出高性能的Al智能體斷面功率Pgmax出力斷面功率時(shí)間組出力機(jī)P組出力機(jī)十0時(shí)間開關(guān)時(shí)間開關(guān)口通過求解機(jī)組組合模型為AI提供數(shù)據(jù)集，利用監(jiān)督學(xué)習(xí)訓(xùn)練AI預(yù)測(cè)機(jī)組啟停，通過AI固定優(yōu)化中的啟停變量來加速機(jī)組組合求解求解UC模型MILP可行整數(shù)解○MILP不可行整數(shù)解原LP松弛可行域AlAl模型訓(xùn)練x,=1,i∈l口口提出支撐大規(guī)模機(jī)組組合的高質(zhì)量數(shù)據(jù)高效生成方法，通過添加割平面收緊可行域，提升數(shù)據(jù)質(zhì)量，同時(shí)也提高了數(shù)據(jù)生成效率數(shù)據(jù)生成數(shù)據(jù)質(zhì)量提升AI模型訓(xùn)練minc1x添加割平面求解UC模型添加割平面MILP可行整數(shù)解MILP可行整數(shù)解MILP不可行整數(shù)解x,=1,i∈l原LP松弛可行域收緊后LP松弛可行域技術(shù)路線3.2:優(yōu)化模型可行域收緊111技術(shù)路線3.2:優(yōu)化模型可行域收緊1口對(duì)于訓(xùn)練后的AI智能體，無法從理論上保證AI策略一定滿足電網(wǎng)運(yùn)行的硬約束利用可行動(dòng)作空間對(duì)AI啟停動(dòng)作面命安全層面命口相關(guān)方法應(yīng)用于第五屆南網(wǎng)AI競(jìng)賽，對(duì)基線程序中5類約束進(jìn)行收緊，共計(jì)約30萬條，約占所有約束的50%口針對(duì)30天訓(xùn)練數(shù)據(jù)，均設(shè)置求解器相對(duì)容差≤1%時(shí)終止然后求解機(jī)組組合基線程序所提方法0.69%減少一個(gè)數(shù)量級(jí)口相關(guān)技術(shù)用于口相關(guān)技術(shù)用于2023年南方電網(wǎng)第五屆電力調(diào)度AI應(yīng)用大賽，在結(jié)果最優(yōu)值與計(jì)口相關(guān)技術(shù)獲得阿里巴巴達(dá)摩院AIR項(xiàng)目《基于AI的新型電力系統(tǒng)大規(guī)模實(shí)時(shí)調(diào)委托研發(fā)合同委托研發(fā)合同(第五屆電力羽度進(jìn)展4-多主體互動(dòng)下考隱私保護(hù)的多方協(xié)同計(jì)算問題提出口多主體交互是新型電力系統(tǒng)運(yùn)行面臨的新挑戰(zhàn)口傳統(tǒng)的協(xié)同優(yōu)化計(jì)算過程將泄露不同主體的敏感運(yùn)行信息物理層物理層新能源汽車k信息層k大數(shù)據(jù)&AI大數(shù)據(jù)&AI業(yè)務(wù)層口聯(lián)邦學(xué)習(xí)是一種保障多方數(shù)據(jù)安全的分布式機(jī)器學(xué)習(xí)架構(gòu)，在數(shù)據(jù)不可見下實(shí)現(xiàn)可用聚合，口聯(lián)邦學(xué)習(xí)是一種保障多方數(shù)據(jù)安全的分布式機(jī)器學(xué)習(xí)架構(gòu)，在數(shù)據(jù)不可見下實(shí)現(xiàn)可用聚合，使多方數(shù)據(jù)的“可用不可見”成為可能決策樹線性回歸神經(jīng)網(wǎng)絡(luò)強(qiáng)化學(xué)習(xí)算法模型決策樹線性回歸神經(jīng)網(wǎng)絡(luò)強(qiáng)化學(xué)習(xí)云邊協(xié)同式云邊協(xié)同式昆隱私計(jì)算隱私計(jì)算消納新能源消納新能源電力聯(lián)邦強(qiáng)化學(xué)習(xí)聯(lián)邦強(qiáng)化學(xué)習(xí)疏導(dǎo)交通擁堵優(yōu)化疏導(dǎo)交通擁堵優(yōu)化口將電力-交通網(wǎng)協(xié)同調(diào)控問題建模為馬爾可夫決策過程，通過與仿真環(huán)境交互學(xué)習(xí)最優(yōu)策略口搭建縱向聯(lián)邦式訓(xùn)練架構(gòu)，通過本地提取原始狀態(tài)數(shù)據(jù)的高維特征，避免信息直接泄露口在信息交互環(huán)節(jié)融合差分隱私技術(shù)，加強(qiáng)保障電力網(wǎng)和交通網(wǎng)敏感運(yùn)行信息安全調(diào)控信號(hào)調(diào)控信號(hào)算例驗(yàn)證口通過所提動(dòng)態(tài)協(xié)同定價(jià)方法，引導(dǎo)口通過所提動(dòng)態(tài)協(xié)同定價(jià)方法，引導(dǎo)EV用戶的駕駛、充電行為，實(shí)現(xiàn)城市能源網(wǎng)降碳減排口相關(guān)技術(shù)受到國家重點(diǎn)研發(fā)計(jì)劃《電-氣-熱-儲(chǔ)多能系統(tǒng)協(xié)同優(yōu)化控制與韌性提升技術(shù)》支持√保護(hù)敏感運(yùn)行數(shù)據(jù)，不影響訓(xùn)練性能√√保護(hù)敏感運(yùn)行數(shù)據(jù)，不影響訓(xùn)練性能4兩網(wǎng)碳排放光伏利用率1道路擁塞!p0os4兩網(wǎng)碳排放光伏利用率1道路擁塞!p0os40040440pDQNYWang.0.Gm,ndY.Yu“CopoatgPicmgfoVehckTaficPwaNeustosiponCiyDseatomiatonAfadcasa口準(zhǔn)確的風(fēng)電出力預(yù)測(cè)是電網(wǎng)可靠穩(wěn)定運(yùn)行的關(guān)鍵保障口準(zhǔn)確的風(fēng)電出力預(yù)測(cè)是電網(wǎng)可靠穩(wěn)定運(yùn)行的關(guān)鍵保障口單個(gè)風(fēng)電場(chǎng)難以收集足量歷史數(shù)據(jù)訓(xùn)練準(zhǔn)確度更高的預(yù)測(cè)模型，且風(fēng)電場(chǎng)間不愿共享原始數(shù)據(jù)口從每輪迭代中的模型參數(shù)可逆向推理出部分原始數(shù)據(jù)*,安全性保障亟需加強(qiáng)更新聚合上傳λ技術(shù)路線4.2:基于安全聯(lián)邦的風(fēng)電場(chǎng)協(xié)同預(yù)測(cè)口口采用分布式多方內(nèi)積加密技術(shù)實(shí)現(xiàn)模型參數(shù)的安全聚合，云端對(duì)加密模型解密后得聚合結(jié)果口考慮到各風(fēng)電場(chǎng)持有數(shù)據(jù)的統(tǒng)計(jì)異質(zhì)性，通過動(dòng)態(tài)限制每輪迭代的更新幅度，提升收斂性能上傳部分密鑰上傳部分密鑰上傳本地加密模型聯(lián)合聯(lián)合模型聚合參數(shù)66象數(shù)據(jù)①自適應(yīng)本地更新②自主安全聚合算例驗(yàn)證口口在加強(qiáng)的隱私安全保護(hù)下，通過聚合地理臨近風(fēng)電場(chǎng)數(shù)據(jù)集，充分挖掘風(fēng)電出力時(shí)空相關(guān)性，提升了預(yù)測(cè)準(zhǔn)確度；且所提的改進(jìn)算法收斂性能更優(yōu)口相關(guān)技術(shù)受到國家電網(wǎng)公司科技項(xiàng)目《公?；?dòng)網(wǎng)絡(luò)環(huán)境下的新型業(yè)務(wù)系統(tǒng)安全風(fēng)險(xiǎn)評(píng)估與主動(dòng)防控技術(shù)研究》、清華大學(xué)-港華能源投資有限公司零碳智慧園區(qū)支持 W0