【国网电力_陆继翔_】2025年电力系统科学智能应用和展望报告_29页_3mb

电力系统科学智能总结

核心内容

电力系统科学智能旨在利用人工智能技术解决电力系统运行中的复杂科学计算问题，包括源荷预测、仿真求解、方式分析和优化调度等。面对高比例新能源和电力电子设备带来的强不确定性、高维特征和非凸非线性等挑战，科学智能通过融合数据与机理，提升计算效率、预测准确性与决策优化能力，从而推动电力系统的智能化发展。

主要观点

• 科学智能是人工智能与科学计算的深度融合，利用AI的强大数据归纳和分析能力，学习科学规律和原理，构建科学模型，解决传统方法难以处理的复杂问题。
• 电网运行科学智能分为狭义和广义两种，狭义包括状态估计、潮流分析、稳定评估等传统数学计算功能，广义则涉及构建AI决策支持系统和多智能体系统实现电网的自主协调与优化。
• 科学智能在电力系统中的成功应用依赖于以下关键因素：
  • 人工智能模型表征与泛化能力的提升，如从CNN到Transformer等模型的演进；
  • 数据与机理的深度融合，通过特征工程提取领域知识，机理约束损失函数，提高模型的物理一致性；
  • 海量高质量数据的支撑，为模型训练和优化提供坚实基础。

关键信息

1. 科学智能在电力系统中的挑战

• 强不确定性：源荷双向不确定性导致电网运行状态演化突发且时变。
• 高维特征：系统变量众多、网络结构复杂，使状态和决策调控呈现高维特征。
• 非凸非线性：新能源的随机性和电力电子设备的开关特性，使得系统运行特征复杂化。

2. 科学智能应用案例研究

(1) 负荷预测

• 问题描述：建立历史负荷与气象等因素与未来负荷的映射关系。
• 技术路线：基于预训练的时序大模型与多维度高质量数据，结合特征工程、机理约束与微调技术。
• 实验验证：在某省级系统负荷数据上，零样本预测准确率可达95.7%，微调后提升至97.8%。

(2) 潮流分析

• 问题描述：电力系统规划和运行面临高维计算带来的挑战。
• 技术路线：结合图神经网络、注意力机制与物理信息嵌入神经网络，动态提取时空特征，实现非线性方程组的快速求解。
• 实验验证：基于118节点和300节点电网拓扑，使用GNN-Transformer等模型，潮流计算准确率分别达到98.44%和94.19%。

(3) 稳定评估

• 问题描述：机电暂态仿真难以准确刻画系统动态过程，全电磁暂态仿真计算耗时长。
• 技术路线：基于特征工程、机理约束和机理引导的AI方法，实现对电力系统暂态稳定裕度的快速评估。
• 实验验证：通过GAN与数学模型混合方法生成200万级运行场景，平均预测精度达92.83%，后续拟通过样本增强等方法进一步提升。

(4) 机组组合

• 问题描述：机组组合优化面临规模庞大、复杂度高及实时性要求高的挑战。
• 技术路线：利用深度学习预测整数变量并识别冗余约束，借助机器学习初始化机组状态，优化求解器超参数设置。
• 实验验证：在SG-126节点网络拓扑上，优化算法求解效率提升2-4倍，解质量与传统方法相当。

未来展望

科学智能在电网运行领域的应用仍处于探索阶段，未来需建立一套适用于解决电网运行科学问题的科学智能框架。关键决定因素包括：

• 模型表征能力的提升，推动AI在电力系统中的更广泛应用；
• 数据与机理的深度融合，增强模型的物理一致性与泛化能力；
• 海量高质量数据的持续积累与优化，为AI模型训练和迁移提供支撑；
• 算法优化与工程实现，提高计算效率和实际应用效果。

科学智能的持续发展将为新型电力系统提供更高效、更智能的计算与决策支持，推动电力系统向更加安全、可靠和经济的方向发展。

附：科学智能与人工智能的关系

科学智能是人工智能在科学领域的应用，强调模型对科学规律的学习与建模，而人工智能则更广泛地涵盖各种算法与技术。科学智能通过融合数据与机理，实现对复杂科学问题的高效求解。