人工智能应用前景-IESPlaza:储能对电力系统平衡稳定支撑作用较为有限

IESPlaza数字能源网报道：坚持科技创新，通过布局5G、数据中心、特高压等新型基础设施，利用人工智能与传统行业深度融合，支撑国家基础建设向数字化、网络化和智能化发展，是不断满足国家高质量发展需求，实现碳达峰、碳中和目标的重要战略要求。

当前，构建新型电力系统，是实现“双碳”目标的关键举措，但其构建过程则面临大体量新能源送出及新兴负荷规模增加带来的源荷失配、系统波动、峰谷差增大等问题以及由此带来的电网安全稳定运行难题。

源侧，以风电、光伏为代表的新能源电源快速发展，电源间歇性、波动性、不确定性明显增强。与此同时，未来中国用电量不断快速攀升，二者共同叠加，使得新能源供需波动性和不匹配性进一步加剧，由此给电网带来巨大调峰压力。

网侧，由于高比例新能源和高比例电力电子设备的接入，电源对电力系统的平衡支撑能力不足，电力系统特性由强转动惯量向弱转动惯量转变，频率调节能力及供电可靠性问题凸显。

荷侧，电能占终端能源消费比重快速提升，温升型、冲击型负荷规模不断增长人工智能应用前景，负荷峰谷差逐年加大；同时，用户侧分布式电源装机规模增大，发用电一体“产消者”大量涌现，源荷互动和需求响应作用更加明显，电力负荷特征日趋复杂。

储侧，抽蓄等物理储能能够大规模支持电网的平衡稳定，但建设难度大，建设周期长，投资成本高昂；电池等电化学储能，功能灵活，反应迅速，但面临安全性和投资经济性等瓶颈。总体来说，当前储能对电力系统平衡稳定支撑作用较为有限。

目前电力系统发展演化面临的是动态问题。建设高效协同系统，利用人工智能、数字孪生等新一代数字技术对真实世界中物理实体和智能实体对象的特征、行为和演变过程等进行建模、分析和优化，促进源-网-荷-储多要素互补互济、分担波动、化解风险，以“动态方法”处理系统“动态问题”，是解决问题的重要途径。

其中，人工智能技术通过数据驱动方法，在应对动态、随机、新机理等非线性难题方面具有独到优势，在新型电力系统新能源供给和消纳中可以发挥关键支撑作用。

本文试图打破场景隔阂，将人工智能在电力系统中的应用，概括为预测、建模、评估分析及优化控制等4类，并对其典型应用及成效进行梳理；同时对人工智能技术发展趋势及其在新型电力系统的应用前景，进行展望分析。

人工智能在电力系统核心业务

中的研究和应用现状

当前，人工智能技术仍处于专用人工智能阶段，需要庞大的数据支撑，才能在较为特定的场景中进行简单重复性的脑力工作。在电力领域，技术成熟度较高、应用场景较明确的是计算机视觉、机器学习、知识图谱、自然语言处理和边缘智能等，它们在电力系统设备运维、故障检修、企业运营等辅助业务方面取得了一定应用成效。

但随着电力系统的数字化发展，大规模量测以及外部信息不断接入，电力结构、电力设备以及数据交互更加复杂繁多，调度等系统核心业务面临高维、时变、非线性及不确定性问题日渐凸显。传统方法受限于问题规模、变量维度、时效性以及物理模型精度等问题，难以有效应对。

人工智能对具体数学模型依赖程度低，善于通过数据驱动实现系统行为模拟、预测、自适应控制及最优决策。国内外学者广泛开展人工智能在电力系统核心业务领域的研究探索和应用验证，产出了许多有价值的学术及应用成果。

▌预测

新型电力系统构建中，新能源功率预测、负荷预测是保障其安全稳定运行的重要基础。传统预测方法多利用数据统计原理进行时间序列变化趋势预测，较少考虑多维度多约束条件下，新能源出力间歇性、新兴负荷波动性和其他隐形因素给电力系统带来的不确定性影响，预测精度有限。

人工智能通过如长短期记忆网络、注意力机制模型等能够有效地捕捉气象、人类行为等外部条件及内部动态，建立输出输入之间精确的非线性耦合关系，提高源荷预测模型的精准度。

新能源出力预测方面，通过以集成学习、深度学习为代表的人工智能技术，对气象及功率数据进行高效处理、特征提取及相关性模型构建，端到端获取功率预测结果，是目前人工智能处理预测的主要应用方式。

负荷预测方面，由于负荷的强行为驱动特性，其精准预测还存在很多困难，机器学习和深度学习中的一些重要方法（如支持向量机、LSTM、随机森林等）被广泛应用，逐渐提高电力负荷预测精度。

▌建模

多时间尺度的高精度模型对电力系统的运行、维护和规划至关重要，传统建模方法大多采用假设、等值简化等方法，难以解决模型参数的时变性、模型结构的复杂性以及信息物理高度耦合等问题。通过深度神经网络的多级表征、逐级抽象特征提取方式，人工智能技术可以进行准确的特征挖掘和非线性数据拟合，在源荷特性建模等方面获得广泛应用。

新能源特性建模方面，人工智能除了在新能源预测中建立气象预测与功率预测模型，也应用于新能源设备模型及新能源场景生成等方面。《数据驱动下的虚拟同步发电机等效建模》基于LSTM实现了数据驱动的虚拟同步发电机建模，为新型发电设备建模提供了一种有效的解决思路。

负荷特性建模方面，主要是利用智能算法，在尊重用户隐私和数据安全的前提下，准确获取用户用电行为特征及分布规律。

▌评估分析

当前电力系统存在元素众多、量纲差异、数据庞杂等数据问题，以及动态特性及轨迹演化模糊等机理问题。人工智能通过对跨区域、全寿命、多尺度、高维度的数据融合和特征提取，结合物理规律明晰的成熟算法和专家经验，在新能源消纳能力评估、电网可靠性评估分析、电网暂态稳定评估等方面有所应用。

新能源消纳评估方面，传统方法主要是基于典型日分析和时序生产模拟，人工智能方法通过对数据的深度挖掘和映射计算，对上述方法进行了有效提升和改进。《基于改进DaNN的综合能源系统多能负荷预测》通过引入迁移学习理论，提出一种改进领域自适应神经网络负荷预测模型对综合能源系统中的冷、热、电负荷进行统一建模与预测，并优化训练模型，有效提高综合能源多能负荷预测精度。

电网稳定评估方面，相较于传统方法，人工智能具有更快的计算速度、良好的精度以及泛化能力，有助于在更短的时间对更复杂的情况进行评估分析，在暂态稳定评估等方面具备良好应用潜力。

《基于XGBoost的电力系统暂态稳定预测方法》为了辨识故障后对电网暂态稳定性影响较大的薄弱线路,提出一种基于双Q学习的考虑暂态稳定约束的电网薄弱线路辨识方法，提升了计算速度和辨识精度。

《基于时序的新能源跨区域消纳评估方法研究》采用深度置信网络替换卷积神经网络中的全连接层，增强网络多标签分类能力，对比传统电压暂降源识别方法，提升了模型泛化能力。

▌优化控制

传统电网优化控制主要目标是维持电力系统发用电实时平衡，维持电网频率和区域控制偏差，发电机是电网控制的主要对象。面向新型电力系统，源网荷储协同互动，电源、负荷、电网以及储能装置都成为控制对象，基于不确定性信息实现对大规模控制对象的实时可靠决策是核心问题。

源侧优化方面，由于风力及光照强度等自然条件的变化受季节、天气等因素的影响，导致电源有功出力及对电网的影响具有间歇性和随机性特征。《计及配电网运行风险的分布式电源选址定容规划》以分布式电源并网运行与离网运行时的风险成本为目标函数，采用改进多目标粒子群算法对模型进行求解。

网侧优化方面，当前人工智能多应用于微电网优化，并常以经济指标引导柔性负荷调整实现与电网整体的决策协同。《基于深度强化学习的综合能源系统动态经济调度》基于深度强化学习提出一种考虑源荷不确定性的动态经济调度方法，无需建模或预测，即可对源荷特性做出响应。

《分散式储能自趋优经济运行的强化学习算法》基于售电电价周期性和波动性，利用强化学习算法求解分散式储能最优充放电策略以获取周期最大收益，同时在峰谷时段通过聚合商参与需求响应市场获取补偿收益。

荷侧优化方面，将柔性负荷和储能等海量用户侧资源通过信息网络聚合，由数据驱动方式对负荷响应能力进行精准量化与特征提取，通过主从博弈以及分布式优化等方法提升分布式资源参与电网调控积极性。

储侧优化方面，如何利用储能控制单元实现对电网控制能力的提升也是新形势下“源网荷储”协同技术需要研究的关键。

源荷平衡优化方面，由于新型电力系统源荷双侧不确定性增加，大量场景生成使得求解规模变大，电网优化待求变量和约束条件数目异常庞大，传统随机、鲁棒优化算法对不确定性的刻画不准确，考虑最差场景下的最优解，结果较为保守，同时需要对模型进行线性化、凸松弛，精度不高。利用强化学习等人工智能方法，可以自适应变量的不确定性，有助于对高维、非线性问题的求解寻优。

人工智能技术发展及其

在电力系统应用前景分析

尽管人工智能技术的引入为能源互联网机理不清晰的动态建模及基于不完全随机信息下的优化决策提供了潜在技术路线，但当前主流人工智能技术仍存在技术瓶颈，如基于深度学习的人工智能技术存在灾难性遗忘问题，难以实现数据增量学习，形成模型训练低效问题；又如“端到端”的决策模式导致深度学习“黑盒模型”缺乏可靠性评估方法，形成可解释性及应用可信性问题。

▌元学习模型

能源系统运行状况错综复杂，人工智能算法难以保证对模型的充分探索或对全部数据特征的有效学习，且以标签训练范式难以衡量和实现模型在训练数据之外的决策能力，形成模型泛化性问题。为提高人工智能训练质效，要求人工智能具备持续学习及泛化能力，研究有效、稳健、连续地从非平稳环境中获取有效经验的方法。

传统机器学习实际应用中通常难以保证足量数据以使深度模型微调参数至收敛，很多领域要求快速反应、快速学习。元学习可以有效提高数据利用和计算效率，高效协同机器与人类决策。元学习的基础形态可以描述为基于泛化性能强的一个初始网络对新数据集的快速适应，也即机器学习中的小样本学习甚至零样本学习。

最出色的多任务泛化验证实验结果来自模型无关元学习算法（model-agnostic meta-learning，MAML）及其后续改进型。目前，领域内将元学习的研究对象表达为3类，分别为针对元知识表达形式的元表征研究、针对优化方法选择的元优化器研究和针对不同目的定制任务的元目标研究。

特别的，作为领域结合的元强化学习同样受到关注，其希望提升强化学习算法泛化能力以实现在没有见过或者经验较少的决策任务的快速学习。元强化学习的主要研究方向包括任务自适应的奖励函数和探索策略生成，以及任务环境系列生成等。

应用方面，随着元学习在多样化和多模式任务分配学习中的不断突破，有望实现快速多目标优化决策。《基于元学习动态选择集成的电力调度数据异常检测方法》提出一种基于元学习动态选择集成的电力调度数据异常检测方法，有效提高检测准确性及通用性。

此外，在协同优化方面，基于不同网络拓扑结构形成决策任务族训练元学习智能体，有助于突破拓扑约束限制，使智能体快速适应新拓扑人工智能应用前景，避免因环境改变造成的模型重复训练；元学习可有效提升模型在线学习和适应性学习能力，在应对电网紧急状态的快速适应以及提升多目标优化有效性等方面同样值得关注。

▌无监督预训练大规模模型

目前，以预训练加精细微调的范式提升深度神经网络的学习能力，除了上述提及的基于快速适应任务环境实现小样本或零样本学习的元学习模型，还有基于多模态信息融合无监督预训练大规模模型。多模态信息融合无监督预训练大规模模型是近年来兴起于自然语言处理领域的技术。

以OpenAI发布的由1750亿个参数构成的GPT-3自然语言处理模型为代表，试图将“弱人工智能”推向极限。除此之外，同样由OpenAI发布的DALL-E借助大规模参数训练成功实现了图像及文字的多模态数据融合，展现出了惊人的语言理解和图像生成能力，进一步发掘了超级模型的潜力。由中国人民大学主导的“文澜”大规模中文多模态预训练模型实现了基于中文的视觉-语言检索和基础常识理解。

相关研究表明预训练模型准确性的提高和泛化能力没有直接关系，而训练数据集的多样性以及自我监督训练本身可以有效改善分布外泛化能力和检测能力。从这一角度出发，新的自监督形式是模型泛化鲁棒性提升的研究方向之一。

此外，以不变性风险最小化和深度学习模块化等各具特色的研究同样在泛化性研究上取得了成果，但都远未达到应用标准。可以预见，真正实现人工智能模型分布外泛化能力，一定需要对主流训练方法及架构进行变革。

应用方面，电力系统源网荷储运行要素相对割裂，难于在统一模型中进行完整表达，难以有效支撑新型电力系统对新能源的大规模并网消纳。大规模模型中丰富的特征提取参数结构及无监督自映射训练方法为统一建模提供了思路。

如通过电力系统规范语料信息、调度机制文本信息、实时量测数据与系统运行数据训练大规模预训练模型，将有助于快速完成调控策略生成及系统运行方式生成，有力支撑能源互联网调度辅助决策。

▌可解释性与人机混合增强

电力系统运行具有极高的安全性要求，而以深度学习为基础的人工智能模型可解释性差是目前技术无法在系统实际落地的主要原因。针对深度学习模型可信性，一方面需要研究深度神经网络的解释方法实现错误溯源，另一方面需要研究混合增强技术实现人机协同提升人工智能模型决策可靠性。

目前深度神经网络解释方法方面，主要方法分为3类：对模型内部学习的权重参数、神经网络神经元参数或者特征的可视化方法；对不同区域特征汇总统计或者显著性分析以建立特征和预测结果之间的因果关系；基于近似模拟黑盒预测的可解释统计模型解释模型内部的参数或者特征统计信息。

以上方法仍停留于定性统计探索阶段，被用于解释深度神经网络特征及预测结果时仍然无法满足可靠应用要求，仍需进一步研究参数运作机制，统一定量可解释性评价指标及扩大解释方法应用范围。

另外，由于智能决策结果所有的最终仲裁者和服务对象均为人类自身，人类对机器决策的干预始终无法避免。人工智能技术研究面对的场景往往不具有人类面临的许多实际问题的高度复杂性、不确定性和开放性，在人工智能模型应用中，有必要引入人工监督、交互和参与，通过人机协同混合增强，避免人工智能技术在一些重要应用中的局限性所带来的风险甚至危害。

混合增强技术的实现主要通过两种途径。一是以提高智能系统的置信度为目标，构建以人在回路为核心的混合增强智能；二是依托认知计算将人类知识得到最大利用。

应用方面，《面向电力系统智能分析的机器学习可解释性方法研究（一）：基本概念与框架》对电力系统机器学习可解释性方法的基本概念、研究框架与关键技术等进行探索，构建机器学习模型“构建-解释-诊断-提升”的技术周期迭代闭环。可解释性研究方面的突破，将有助于分析以强化学习为代表的模型决策底线，从根本上避免不合理决策的产生；构建以人在回路为核心的系统调度运行机制，也将有效提升系统运行可靠性。

▌数字孪生

数字孪生由美国密西根大学Grieves教授首次提出，通过数字化物理产品并实现虚拟与物理间数据交互，最终实现对物理产品的全生命周期管理。随着数字孪生在航空航天、智慧城市、智慧制造等领域的研究和应用，数字孪生的概念也在不断演化与发展。

数字孪生通过对物理系统的精准感知、实时连接，构建与物理系统实时完整映射的数字空间，通过在数字空间的计算、分析、优化和决策，并通过控制、响应及协同等实现对物理系统的认知、诊断、预测、决策和管理。

动态建模及协同仿真作为数字孪生的基本方法理论，可以构建系统元件和系统动态演化模型，通过分析数据本身及数据间关系，提取数据中的关键信息，构建动态的统计模型；通过多元数据融合及数据-物理模型融合，构建多环节多时空尺度的协同仿真，突破机理模型的假设简化限制，提高系统分析评估的准确性，对动态对象建模及仿真具备技术优势。

数字孪生应用于新型电力系统，通过人工智能算法对源网荷储各元素进行全面协调控制以及对包含感知、传输、计算、动作执行的全过程进行超前处理，构建满足全局性和超实时性要求的电网稳定控制新机理；利用电网广域时空信息，深度强化学习等人工智能技术为电网控制提供更强的模型适配能力、实时更新能力以及控制轨迹追踪能力，结合机电混合仿真等技术，更好地揭示电网的时空动力学运行特性及演变规律，协调空间、时间及目标要素，实现多角度的电网综合协调控制。

人工智能技术在

新型电力系统应用场景

随着人工智能技术学习能力、泛化能力、可解释性、人机互动等方面的提升与突破，融合先验知识的机器学习方法，可以更清晰表征电网的时空特征；

基于数据知识融合驱动建模，辅助提升或弥补机理模型；基于群体智能、混合增强智能、精准智能等，实现复杂环境下的优化计算，这些都将为系统的调控提供决策支持，实现电力系统各要素之间的协同控制和优化配置。

▌源网荷储广域协同

新型电力系统面临的主要挑战是解决新能源的高效送出、消纳以及系统的平衡稳定，人工智能技术的广泛应用有助于多资源广域配置及运行优化，提升源网荷储协同水平。

1）基于规划、运行、天气等海量数据，利用人工智能技术对新能源出力及负荷需求通道输送能力进行精准预测。

2）构建电力系统大规模模型，结合弹性输电技术和多端直流网进行多综合能源的快速功率互补及调配，利用不同地区气候差异、不同类型能源发电特征差异，在更广域范围内实现新能源出力的互补，降低波动性随机性的影响。

3）基于跨区域、全寿命、多尺度、高安全复合维度的数据融合和特征挖掘，实现电网数据的分层分域分权协同管理，构建电网精准仿真的智能数据管理平台。通过智能决策技术优化资源配置，动态调配优化各能源基地外送通道的输电潜力，提升跨区域外送通道的整体外送能力。

▌台区微电网智能自治

台区微电网通过人工智能（边缘计算）对天气、用户行为以及系统外特性的统筹判断实现台区自治，形成智能微电网。

通过微网将分布式新能源、储能、负荷以及多种能源聚合，利用深度神经网络等技术构建短期负荷预测以及发电预测模型，通过深度强化学习等技术进行多种能源的综合利用，构建各耦合元件和储电、储热、储气等储能设备的互动方式，协调可控发电机与分布式新能源之间的配合，同时在多微网主体或者多运营商之间的博弈互动以及需求响应的条件下，通过边缘计算对分布式的智能体进行管理，通过各智能体与相邻智能体之间的通信来优化各智能体的调度策略，在满足微网自治要求的同时，提高新能源消纳能力，降低微网运营成本，将微网自身收益最大化。

展望“十四五”，要实现能源清洁、低碳转型的巨大变革，电力系统面临重大挑战。构建新型电力系统，开展能源互联网建设，实现系统的数字化、智能化升级是实现能源转型变革的有力支撑。通过建立源、网、荷、储广泛互联的全要素协同支撑平台，将能源互联网物理系统映射到可计算、可仿真、可优化、可决策的数字空间；

在数字空间，人工智能技术以数字赋能、数据驱动为核心理念，提供解决能源互联网动态、不确定、机理模糊、控制复杂等难题的具体手段，支撑新能源大规模供给消纳，使新型电力系统更加有序、更加智能。（本文作者系中国电力科学研究院有限公司 赵日晓 闫冬 周翔 王新迎）