2024数据为中心的AI技术在电力系统运行控制中的应用研究报告-清华大学_48页_12mb

数据为中心的AI技术在电力系统运行控制中的应用总结

核心内容

随着新型电力系统建设，新能源广泛接入使得系统结构和特性发生重大变化，给电力系统分析与决策带来严峻挑战。传统的专家经验方法已难以应对，亟需人工智能技术辅助。然而，人工智能在电力系统分析控制中的应用仍面临诸多挑战，包括数据样本不足、运行不确定性高、数据质量差以及隐私保护需求。因此，研究者们提出了以数据为中心的人工智能（Data-Centric AI）方法，旨在通过优化数据质量与生成策略提升AI模型的性能。

主要观点

• 数据为中心是提升AI性能的关键，相比算法改进，数据质量对模型效果影响更大。
• 数据生成与增强是解决类别不平衡、分布不均和样本不足的有效手段。
• 模型迁移与特征选择可以提高样本生成效率与准确性，减少对原始数据的依赖。
• 联邦学习是实现多方数据协同计算、保护隐私的重要技术，适用于多主体交互场景。
• 安全与隐私保护是AI在电力系统中应用的必要条件，尤其在涉及多主体数据交互时。
• AI模型优化包括改进生成对抗网络（GAN）训练方法、引入安全层、使用监督学习等，以提高模型的鲁棒性与可靠性。

关键信息

数据增强与生成技术

• 基于Wasserstein距离的GAN改进：解决了传统GAN中的梯度消失与模式崩溃问题，提升了生成样本的稳定性。
• 考虑物理约束的生成模型：在损失函数中加入约束项，确保生成样本符合电力系统运行规则。
• 样本高效标注方法：利用信息熵与样本偏差准则，降低标注成本，提高样本选择效率。
• 对抗训练方法：通过生成模型与判别模型的对抗学习，减少模型的不确定域，提升模型性能。

电力系统运行方式样本生成

• 基于模型迁移的样本生成：通过源域模型参数初始化目标域模型，提高样本生成效率与质量。
• 多目标场景生成方法：利用特征选择与重组，提高复杂断面裕度样本生成精度。
• 实际测试结果：在新英格兰10机39节点系统和300节点系统上，所提方法显著优于传统方法，如GMM、VAE、GAN等。

机组组合AI加速方法

• 基于割平面的可行域收紧：通过添加约束，提高模型的求解效率与精度。
• 监督学习预测发电机启停：结合AI与优化模型，减少求解时间，提高计算效率。
• 在实际竞赛中应用：所提技术在南方电网第五届电力调度AI应用大赛中获得第一名，并获得阿里巴巴达摩院的进一步资助。

多方协同计算与隐私保护

• 联邦学习架构：实现数据“可用不可见”，保障多主体数据隐私。
• 电力-交通网协同调控：通过纵向联邦强化学习，避免敏感信息泄露，提升协同控制效果。
• 风电场协同预测：采用横向联邦学习与安全多方加密技术，提升预测精度与收敛性能。

技术路线与方法

1. 暂态稳定评估数据增强

   • 基于Wasserstein距离的GAN改进
   • 考虑物理约束的生成模型训练
   • 面向少数类与边界样本的数据增强方法
   • 基于信息熵的样本高效标注
   • 对抗训练提升模型性能

2. 输电断面安全裕度预测

   • 基于模型迁移的样本生成
   • 多目标场景生成方法
   • 实际算例分析验证方法有效性

3. 大规模机组组合AI加速

   • 割平面方法收紧可行域
   • 监督学习预测发电机启停
   • 优化模型与AI结合提升求解效率

4. 多方协同计算与隐私保护

   • 联邦强化学习用于电力-交通网协同调控
   • 安全联邦学习用于风电场协同预测
   • 分布式多方加密提升数据安全性

研究成果与影响

• 所提方法在多个实际系统中验证了有效性，如新英格兰10机39节点系统和300节点系统。
• 在南方电网第五届电力调度AI应用大赛中获得第一名，并获得阿里巴巴达摩院的继续资助。
• 相关技术被应用于国家重点研发计划与企业合作项目，提升电网运行的安全性与效率。
• 多篇论文发表于IEEE Transactions on Power Systems、IEEE Transactions on Smart Grid等权威期刊，推动了电力系统AI应用的发展。

未来方向

• 提升数据生成与标注效率：通过更智能的数据选择策略，进一步减少标注工作量。
• 增强AI模型的泛化能力：应对运行场景变化，提升模型的适应性。
• 加强隐私保护与安全机制：确保AI在多方协同计算中的安全性与可靠性。
• 推动AI与物理模型的深度融合：实现更高效、更安全的电力系统运行控制。