可解释人工智能在电力系统中的应用综述与展望

可解释人工智能(XAI)作为新型人工智能(AI)技术,具有呈现AI过程逻辑、揭示AI黑箱知识、提高AI结果可信程度的能力。XAI与电力系统的深度耦合将加速AI技术在电力系统的落地应用,在人机交互的过程中为电力系统的安全、稳定提供助力。文中梳理了电力系统XAI的历史脉络、发展需求及热点技术,总结了XAI在源荷预测、运行控制、故障诊断、电力市场等方面的电力应用,并围绕解释含义、迭代框架、数模融合等方面展望了电力系统XAI的应用前景,可为推动电力系统智能化转型与人机交互迭代提供理论参考与实践思路。

新型电力系统数据跨域流通泛安全边界防护技术

新型电力系统建设涉及多业务系统、多部门、多方主体间进行海量、异构数据的交互和共享,电力数据的内外部网络环境与安全形势日趋复杂化,数据流通的脆弱性风险加剧。首先,分析新型电力系统下数据流的类型与特性,概括电力数据流通安全防护面临的新形势;其次,基于专用数据处理器(DPU)的高性能流量编排和多功能安全网关能力,构建面向电力数据跨域流通安全增强的泛安全边界,凭借数据面可编程技术沟通网络安全与数据安全双维度安全能力,提出基于DPU的数据跨域流通协同防护技术应用方案;最后,阐释DPU在不同电力通信网络层次的部署方式、价值与关键技术,分析现阶段DPU在电力领域应用存在的挑战。

基于季节性碳交易机制的园区综合能源系统低碳经济调度

为有效提高碳排放配额分配的合理性,并且避免年度结算时碳排放量超标导致环境污染加剧问题,提出基于奖惩因子的季节性碳交易机制,以园区综合能源系统(park integrated energy system,PIES)为对象进行低碳经济调度。首先,构建包含能量层–碳流层–管理层的综合能源系统(integrated energy system,IES)运行框架,建立电气热多能流供需动态一致性模型;其次,分析系统内“日–季节–年度”碳排放特性,打破传统应用指标法的配额分配方法,采用灰色关联分析法建立碳排放配额分配模型,并基于奖惩阶梯碳价制定季节性碳交易机制;最后,以系统内全寿命周期运行成本及碳交易成本最小为目标,对执行季节性碳交易机制的PIES进行低碳经济调度,分析长时间尺度下季节性储能参与调度的减碳量。搭建IEEE 33节点电网5节点气网7节点热网的PIES,并基于多场景进行算例分析,验证此调度方法能够实现零碳经济运行,保证系统供能可靠性,为建立零碳园区奠定理论基础。

电力P2P交易中计及社会福利的产消者合作联盟

随着分布式清洁能源发电技术的发展,传统电力用户逐渐转变为电能产消者,并可采用合作联盟形式参与电力P2P(peer to peer)交易,促进分布式清洁能源就地消纳。该文通过从源端和传输端分别核算碳减排量的方法,构建一类考虑经济效益和环境效益的社会福利函数,研究分布式电能产消者通过合作联盟形式实现社会福利最大化的途径。设计一种依据产消者对联盟社会福利贡献值分配合作剩余的机制,激励产消者合作的积极性以维持联盟的稳定。算例分析表明:相较于P2G(peer-to-grid)交易和非合作P2P交易,产消者以合作联盟方式参与电力P2P交易的社会福利分别提升了62.62%、33.79%。因此,以市场化的方式组建合作联盟参与电力P2P交易并合理分配利益,可挖掘分布式清洁能源就地消纳的潜力,促进能源消费的绿色低碳转型。

考虑碳流约束的电力系统能碳安全域模型与计算方法

针对当前电力系统碳减排任务与安全稳定运行需求,研究电力系统低碳安全运行技术。现有的能量流安全域模型使电力系统安全监视与控制更加科学有效,但忽略了系统运行过程中可能存在的“高碳”风险。文中提出了一种考虑碳流约束的电力系统能碳耦合安全域(简称能碳安全域)模型与计算方法,旨在保证系统安全性的同时减排提效。为完整刻画电力系统的低碳运行能力极限,分别从负荷端和源端角度提出了考虑碳流约束的系统最大供电能力曲线及最大消纳能力曲线模型。基于系统最大供电能力工作点,提出了能碳安全边界仿真拟合计算方法,实现了能碳安全域的降维观测。最后,结合算例验证了所提模型的有效性。

计及IGBT结温约束的光伏高渗透配电网无功电压优化控制策略

光伏电源参与配电网无功电压调节是提升光伏高渗透配电网运行经济性和可靠性的有效手段,但光伏电源提供无功支撑会使得光伏电源IGBT最大结温升高、结温波动加剧,进而影响光伏电源和配电网的安全稳定运行。为此,该文提出一种计及IGBT结温约束的光伏高渗透配电网无功电压优化控制策略。首先,利用CatBoost算法计算IGBT结温,提高了IGBT结温计算效率,避免了传统结温算法对IGBT热模型参数的依赖;然后,建立考虑IGBT结温约束的有源配电网多目标无功优化模型,利用二分法求解IGBT结温约束下的光伏电源最大输出功率,实现了IGBT结温约束向二阶锥约束的转换;最后,利用IEEE33节点典型配电系统验证了所提策略在光伏高渗透配电网无功电压优化、光伏电源运行可靠性提升方面的有效性,并提出了综合考虑配电网网损、光伏电源可靠性的光伏电源IGBT结温限值整定原则。

美国加州车网互动政策、标准与市场机制最新进展及其启示

电动汽车与电网互动(简称“车网互动”)可以释放电动汽车作为灵活性资源的潜力,能够有效提升电网调峰能力、促进高比例可再生能源消纳、提升电动汽车用户经济收益,日益受到各方重视。美国加利福尼亚州(简称“加州”)近些年在推动电动汽车与电网互动发展方面做了大量工作,取得了重要进展。首先,文中介绍了加州在电动汽车与电网互动配套政策法规方面的最新动向;之后,从技术标准、市场机制两方面介绍了加州在电动汽车与电网互动相关基础工作方面的最新进展;最后,结合中国电动汽车与电网互动发展实际提出了有关建议。

大模型时代:电力视觉技术新起点

随着无人机、巡检机器人和远程监控系统在输电、变电、配电、安监等电力场景中的广泛应用,利用电力视觉技术完成对海量巡检图像的自动处理,能够进一步提升电力系统智能化运维水平,对我国源网荷储一体化进程的快速推进具有至关重要的作用。随着通用视觉大模型的兴起,电力视觉技术正处于从传统深度学习时代向大模型时代跨越的重要节点。该文首先综述了电力视觉技术和通用视觉大模型的最新研究进展,结合视觉大模型在多种公共场景的应用先例,探讨视觉大模型在电力视觉领域将面临的3重能力边界问题。从初步探索通用视觉大模型的潜力,到逐步构建电力视觉大模型的过程,提出4种模型应用范式以突破视觉大模型能力边界。最后分析了视觉大模型对电力视觉研究者的影响,并对大模型浪潮下电力视觉技术的发展方向进行了展望。

新能源电力系统不确定优化调度方法研究现状及展望

风电场和光伏电站出力的不确定性给电力系统优化调度带来很大技术挑战。文中主要介绍了考虑新能源不确定性的电力系统优化调度方法的研究现状及后续研究方向展望。首先,重点论述了各种不确定优化调度(UOD)方法,包括随机优化方法、鲁棒优化方法、随机鲁棒优化结合方法和基于人工智能技术的方法。其中,随机优化方法包括场景法、机会约束规划法和近似动态规划法;鲁棒优化方法包括传统鲁棒优化法和分布鲁棒优化法;随机鲁棒优化结合方法包括采样鲁棒优化法和分布鲁棒机会约束规划法。然后,介绍了每一种方法的优化模型形式、模型的转化和求解原理及其优缺点。最后,对UOD的后续重点研究方向进行展望,包括兼顾多个目标的UOD问题及多目标不确定优化方法、输配系统UOD问题及分布式不确定优化方法、考虑稳定性约束的UOD问题及含常微分方程约束的不确定优化方法、考虑管道传输动态的综合能源系统UOD问题及含偏微分方程约束的不确定优化方法。

电动汽车与电网互动:综述与展望

随着新能源发电、电动汽车的大规模发展,电网的调节能力持续下降,新能源消纳的压力日益增加,配电网的薄弱性逐渐暴露。电动汽车与电网互动技术的推广应用对于充电需求的满足、配电网建设压力的缓解、电动汽车灵活性资源的利用及新能源消纳都具有重要意义。文中从电动汽车与电网互动的技术研究、相关政策与标准制定、基础设施及能量管理等平台、信息安全以及示范应用五大方面入手,对电动汽车与电网互动领域的研究现状进行了系统总结,指出了现有研究中的不足之处,并进一步探讨了未来电动汽车与电网互动领域的潜在研究方向。

计及LCA碳排放的源荷双侧合作博弈调度研究

为实现新型电力系统的低碳经济目标,提出一种计及生命周期评价(lifecycleassessment, LCA)的源荷双侧合作博弈优化调度模型。首先,考虑灵活可调度的柔性负荷,构建含热电联产机组、燃气锅炉、电转气等设备的源荷双侧合作运行框架。然后,运用LCA方法分析源荷双侧中不同能源链的温室气体排放,并结合碳交易机制,建立碳交易成本计算模型。最后,基于合作博弈策略,建立以源荷合作联盟总成本最小为目标的源荷双侧协同运行优化模型,并利用改进的Shapley值法对成员合作收益进行分配。算例分析表明,所提模型有利于降低系统运行的总成本、减少系统碳排放量、提升可再生能源消纳量,有效促进系统低碳经济的发展。

基于CNN-SAEDN-Res的短期电力负荷预测方法

基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足。提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法。特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征。初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷。引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷。算例结果表明,所提方法在预测精度和预测稳定性方面具有优势。

考虑电动汽车充放电的输配协同能量-灵活性市场出清机制

为应对输电网对灵活性资源的迫切需求,挖掘配电网分布式资源的灵活性支撑潜力,首先,构建市场环境下电动汽车的车-网互动响应模型,分析不同充放电方式下电动汽车的需求响应能力,为电动汽车参与市场环境下电网调度控制提供模型基础;然后,计及配电网运营商对需求侧灵活性资源的聚合作用,以购买电力和灵活性资源总成本最低为目标,构建考虑电动汽车充放电方式的输配协同能量-灵活性市场出清模型,通过协调控制输配电网中各类灵活性资源来满足输电网的灵活性需求;最后,通过修改的IEEE 33节点输电网与2个IEEE 33节点配电网耦合的测试系统对所提输配协同能量-灵活性市场出清方法的有效性进行分析与验证。结果表明,所提方法可提升电力系统的运行经济性和灵活性。

计及UPFC最优配置的电力系统鲁棒调度协同优化策略

统一潮流控制器(UPFC)应用于潮流调控时,计及UPFC调控参数的交流潮流计算是非凸、非线性问题,且多台装置间的非线性交叉耦合特性也会直接影响优化配置方案。为此,基于UPFC的潮流调控特性,构建了计及UPFC的松弛型交流潮流二阶锥规划模型;计及风电的不确定性,协同考虑UPFC的规划和电力系统的调度问题,建立了计及UPFC最优配置的电力系统鲁棒协同优化模型,并采用列和约束生成算法进行求解。以IEEE RTS-24节点系统为算例进行仿真分析,结果表明所提协同优化策略有效提升了UPFC配置方案的适应性,提高了系统运行经济性和风电消纳能力,增强了系统运行调控的灵活性。

考虑光伏电源可靠性的新能源配电网数据驱动无功电压优化控制

充分挖掘分布式光伏电源的无功支撑能力,有助于解决光伏高比例接入带来的配电网电压波动、电压越限以及新能源消纳等问题,但光伏电源无功输出会造成其功率器件结温越限或剧烈波动,严重威胁到光伏电源的可靠运行。为此,提出考虑光伏电源可靠性的新能源配电网数据驱动无功电压优化控制策略。首先,提出一种基于数据驱动的光伏电源可靠性评估方法,该方法采用XGBoost机器学习模型计算IGBT结温,提高了IGBT结温计算效率,避免了评估精度对IGBT参数的依赖;进而建立考虑光伏电源可靠性的配电网无功电压优化模型,将IGBT结温均值和结温波动引入模型优化目标;然后,将该模型进行马尔可夫决策过程转化,并基于深度确定性策略梯度强化学习算法完成智能体训练;最后,通过IEEE33节点系统验证所提策略在无功电压快速优化和光伏电源可靠性提升方面的优势。

基于分布鲁棒优化的车-站-网日前能量管理与交易

为考虑上级电网电价、光伏出力等多重多层级不确定性对车-站-网互动博弈模型的影响,且充分体现配电网主动管理技术支撑效果,文中提出了一种基于分布鲁棒优化的车-站-网能量管理与交易方法。首先,针对主动配电网内多元主体能量管理与交易问题,建立了配电网运营商、充电站和电动汽车的日前市场互动框架。其次,融合主动网络管理技术和网络约束,在配电网运营商与聚合了电动汽车的多个充电站之间构建了以多主体各自利益最大为目标的双层Wasserstein分布鲁棒互动博弈模型。然后,提出了结合Karush-Kuhn-Tucker条件、对偶原理和大M法的化简方法以解决多层级不确定性造成的求解难题,将双层Wasserstein分布鲁棒模型转化为单层混合整数二阶锥规划模型,并利用商业求解器YALMIP/GUROBI进行了求解。最后,通过算例仿真验证了所提模型和方法的有效性。

基于集合经验模态分解和多目标遗传算法的火-多储系统调频功率双层优化

针对分布于区域电网不同网络节点的多座储能电站参与电网调频功率调度问题,该文提出一种基于集合经验模态分解(EEMD)和多目标遗传算法(MOGA)的火-多储系统调频功率双层优化策略。该策略包含火-储调频功率优化层和多储能电站调频功率优化层:上层计及火-储调配资源各自优势及剩余调频能力,构建火-储调频功率优化分配模型,完成火-储调频功率的分配;下层引入关于调频成本和荷电状态(SOC)的自适应权重系数,以调频成本最低和SOC均衡为优化目标,完成调频功率在多储能电站之间的分配。仿真结果表明,所提策略可以提升区域电网调频效果并降低调频成本,均衡控制多个储能电站的调频成本和SOC,可以防止经济性较好的储能电站长期处于SOC越限边缘状态,提升储能电站参与调频的积极性和可持续性。

基于混合两阶段鲁棒的多微网合作优化运行

针对微网独立运行时面临运行成本高,受可再生能源出力和多能负荷功率不确定性影响大等问题,提出一种基于混合两阶段鲁棒优化的多微网合作运行方法。首先,为了应对源荷双重不确定性挑战,在传统两阶段鲁棒优化基础上,提出一种基于多场景数据的最恶劣概率场景驱动的混合两阶段鲁棒优化方法,并采用可并行计算列与约束生成(column and constraint generation,C&CG)算法来提高求解效率。然后,在建立的多微网点对点分布式能源交易系统框架上,根据纳什谈判理论构造多微网合作成本最小化问题和收益分配问题,并提出一种耦合可并行计算C&CG的交替方向乘子法进行求解。最后,根据各微网不同的贡献率,设计一种基于点对点电能交易贡献度的非对称纳什谈判机制来分配各微网的合作收益。算例结果表明,所提方法能兼顾系统的鲁棒性、经济性和隐私性,并实现每个微网公平合理的收益分配。

基于改进深度Q网络的虚拟电厂实时优化调度

深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved deep Q-network,MDQN)算法。该算法将深度神经网络表达为混合整数规划公式,以确保在动作空间内严格执行所有操作约束,从而保证了所制定的调度在实际运行中的可行性。此外,还进行了敏感性分析,以灵活地调整超参数,为算法的优化提供了更大的灵活性。最后,通过对比实验验证了MDQN算法的优越性能。该算法为应对虚拟电厂运营中的复杂性问题提供了一种有效的解决方案。

小样本学习技术在新型电力系统中的应用与挑战

数据驱动已成为新型电力系统建设及其数字化转型的核心范式,相关算法在负荷预测、状态检修、多主体调控等多项业务中展现出优越的工程效果与应用潜力。然而,实际工程数据往往面临着样本不足、样本不平衡等问题,制约了数据驱动算法的最终效果。因此,需要借助小样本学习来应对这一挑战。文中从数据、特征、模型3个层面探究了小样本学习技术,综述并分析了相关技术在场景生成、故障诊断、电力系统暂态稳定评估等业务的应用现状,并进一步指出小样本学习技术在新型电力系统中所面临的不足与挑战。