论文阅读:人工智能赋能源网荷储协同互动的应用及展望

时间:2024-11-07 10:47:11

论文阅读:人工智能赋能源网荷储协同互动的应用及展望

[1]王继业.人工智能赋能源网荷储协同互动的应用及展望[J].中国电机工程学报,2022,42(21):7667-7682.DOI:10.13334/j.0258-8013.pcsee.220538.

文章目录

    • 论文阅读:人工智能赋能源网荷储协同互动的应用及展望
    • 摘要
    • 绪论
      • 人工智能赋能源网荷储协同研究现状
      • 负荷预测
      • 储能系统安全调控
      • 源网荷储协同运行
      • 基于数字孪生的人工智能赋能应用体

摘要

新型电力系统的主要特征之一是源网荷储高效协同,人工智能是实现源网荷储高效协同的重要赋能技术。

绪论

电力系统作为能源系统的重要组成部分以及“双碳”目标的主要参与者、推动者,其源网荷储等关键环节迎来深刻变革:
1)新能源将成为装机主体,电源由可控连续出力的煤电装机占主导,向强不确定性、弱可控出力的新能源发电机高占比转变,电力供给由可控趋向波动,发电能力从确定转向随机,系统支撑力度减弱、频率调节能力问题凸显。

  • 就是电力来源不稳定,新能源

2)新能源占比逐步提升,新能源波动幅度与频次增加,电网灵活调节能力日趋紧张,弃电与缺电交互出现,电网正由源随荷动的实时平衡、一体化控制的稳定电网,转变为源荷互动的非完全实时平衡、集中–分布协同控制的波动电网

  • 就是由于新能源发电方式不稳定,对电网调度产生了挑战

3)基本负荷持续增长,负荷尖峰化特征突出,电力供应偏紧现象时有出现,“保供应”面临困难。同时,负荷
形态上,由传统刚性、纯消费型负荷,向柔性、生产与消费兼具型负荷转变,源–荷角色转换呈现随机性,对外表现呈现不确定性。亟需挖掘负荷侧灵活资源,并与新能源进行高效匹配,保障电力供应平稳有序。

  • 就是源–荷角色转换呈现随机性

4)储能是电力系统中不可或缺的重要要素和快速灵活调节资源,其由以抽蓄集中式接入电网过渡到抽蓄和电化学储能等多元化储能因地制宜协但目前储能建设和运营成本难以转化为与之匹配的能源转化效率和稳定

  • 储能调度

image-20241106102841889

面对源荷动态波动问题,无论是大规模跨区域的电力电量平衡,还是短期、日前或日内的实时调度,都面临重重困难。

  • 一个重要原因是灵活性火电机组、新兴负荷以及储能等灵活可调资源个体分散,单体作用有限,且由于源网荷储系统分散自治,可调资源难以在统一时空维度下进行汇聚整合,因此难以形成可供电网调控的规模化资源

  • 其次,源网荷储协同通过价格驱动下的市场调节,引导要素流动支撑新型电力系统经济高效运行。在电力系统安全稳定的基础上,电网的高效运行,是新型电力系统经济运行的重要支点。出于考虑迎峰度夏、度冬,以及极端气候影响等因素下满足最大负荷,特别是尖峰负荷的电力保供需求,电网高备用运行,影响经济运行效率

人工智能赋能源网荷储协同研究现状

  • 数值天气预报
  • 功率预测

采用深度学习方法建立不同气象预报要素与新能源功率之间非线性映射关系,输入数据可以是基于单场站单点位数值天气预报,也可以是最新的时空四维网格化数值天气预报。利用人工智能技术充分挖掘融合时序、区域、场站关联等的高维度复合特征提升新能源功率预测精度目前已成为主流[15]

  • 设备健康状态监控

负荷预测

多时间尺度、高精度的电力负荷建模、预测以及优化对电力系统的运行、维护和规划至关重要。

负荷建模与预测方面,通过强化学习可以动态选择标准负荷模型进行匹配,能够有效解决负荷模型复杂度高的问题在负荷波动性大,超短期电力需求难以准确预测的场景下,通过集成学习方法进行预测模型构建,具有良好的准确性和鲁棒性。

负荷优化方面,主要针对包括电动汽车、智能楼宇和虚拟电厂在内的可调控负荷进行自主优化研究。考虑新能源不确定性与电价因素综合作用下,利用深度学习技术实现大型共享电动车运营商的联合充电调度;

将楼宇用电过程建模为马尔可夫过程,应用基于注意力机制的多智能体深度强化学习实现了楼宇成本控制。

储能系统安全调控

储能状态评估及预测分析方面,一种基于神经网络的质子交换膜燃料电池建模方法,训练后的模型可用于分析燃料电池的动态变化过程。采用数据驱动的因果关系和基于拓扑的模型相结合的方法,为固体氧化物燃料电池系统振荡提供了完整的诊断方法。提出了一种混合神经网络与假近邻方法,有效提高了锂离子电池的剩余使用寿命预测精度。储能协同调控方面,以孤立微网系统稳定性和运行经济性为目标,利用深度强化学习算法给出网络复合储能协调控制策略。则结合双重深度Q学习算法,以最小化微网24小时从外网取电费用为目标,训练得到储能控制的优化策略

源网荷储协同运行

储能状态评估及预测分析方面,一种基于神经网络的质子交换膜燃料电池建模方法,训练后的模型可用于分析燃料电池的动态变化过程。采用数据驱动的因果关系和基于拓扑的模型相结合的方法,为固体氧化物燃料电池系统振荡提供了完整的诊断方法。提出了一种混合神经网络与假近邻方法,有效提高了锂离子电池的剩余使用寿命预测精度。储能协同调控方面,以孤立微网系统稳定性和运行经济性为目标,利用深度强化学习算法给出网络复合储能协调控制策略。则结合双重深度Q学习算法,以最小化微网24小时从外网取电费用为目标,训练得到储能控制的优化策略

image-20241106111532726

基于数字孪生的人工智能赋能应用体

面向源网荷储协同互动的数字孪生系统可以抽象为一个如图3的三平面体系,其中物理平面是对现实物理系统的抽象,数字平面是对数字空间的抽象,而位于两者之间的互作用平面,则成为沟通这两个各自遵循自身运行机理、存在天然壁垒隔阂平面的辅助平面,用以支撑物理和数字两个平面的彼此连接、互动与运作。以互作用平面为关键支撑的三平面体系的基本运行流程如下:

image-20241106111806024

1)物理平面利用智能感知等技术获取电力系统运行情况、元器件性能等物理参数和源网荷储状态数据,通过数字化将数据、知识等信息传输至互作用平面;

2)互作用平面基于人工智能的先进数据处理技术进行信息筛选、补齐及加工,解决能源物理系统感知不全面、量测信息时空不同步等问题;通过混合时空图卷积网络以及大规模预训练模型对数据及知识进行抽象提取及融合建模,并根据当前数字平面运行及计算情况,将部分与当前数字平面状态相耦合的数据及模型传输至数字平面;

3)数字平面在保障电力供给和新能源消能等目标下,考虑暂稳约束、经济性约束、实时性要求、模型精准度、算力水平等条件的基础上,利用基于可解释性人工智能的智能优化决策方法,完成数据模型的自适应调整及求解加速,形成指令及运行方案集,并将其传输至互作用平面;

4)互作用平面基于当前物理平面运行情况,考虑物理层当前约束条件和数据隐私核验情况,对符合条件的指令和方案进行传送,反馈至物理量化状态积分层,驱动物理要素控制和人类行为引导;

5)物理平面产生新的运行状态,继续通过互作用平面传输至数字平面,开始新一轮的物理平面–互作用平面–数字平面的交互与迭代过程。

通过以上5个过程的不断循环迭代,数字平面和物理平面通过互作用平面不断进行交互、调整和匹配,两者一致性不断提升,最终实现物理平面信息的全面数字化处理,以及数字化指令策略对于物理平面的全局协同。值

image-20241106111932162

终实现物理平面信息的全面数字化处理,以及数字化指令策略对于物理平面的全局协同。值

[外链图片转存中…(img-nS6gs6aB-1730870011042)]

image-20241106112000471