刁瑞盛博士面向新型電力系統(tǒng)的智能規(guī)劃與決策技術(shù)面向新型電力系統(tǒng)的智能規(guī)劃與決策技術(shù)研究工作1:多時空維度功率預(yù)測技術(shù)研究工作2:電網(wǎng)運(yùn)行關(guān)鍵特征提取與解析研發(fā)了基于集成機(jī)器學(xué)習(xí)模型的針對交直流混聯(lián)新型電力系統(tǒng)多時間、空間維度功率預(yù)測技術(shù)，運(yùn)行風(fēng)險，建立機(jī)電-電磁混應(yīng)用場景包括生活負(fù)荷、工商業(yè)合仿真模型，研發(fā)了基于人工園區(qū)負(fù)荷、新能源發(fā)電、充電場智能的電網(wǎng)運(yùn)行關(guān)鍵特征自動站等，落地應(yīng)用于多個電力公司。解析技術(shù)，形成軟件系統(tǒng)。2口高比例可再生能源并網(wǎng)口高比例電力電子設(shè)備化口儲能設(shè)備大量接入口負(fù)荷側(cè)響應(yīng)資源口電力市場新規(guī)則效果(過度樂觀或保守)Q33(situationalawarenes◆仿真速度受限機(jī)器學(xué)習(xí)AVCAGC事件化自巡航NNNN1實時決策●●機(jī)器人游戲人工智能●●技能獲取55無監(jiān)督學(xué)習(xí)無監(jiān)督學(xué)習(xí)半監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)強(qiáng)化學(xué)習(xí)監(jiān)督學(xué)習(xí)強(qiáng)化學(xué)習(xí)開發(fā)的制066監(jiān)督式學(xué)習(xí)Alabelertotrainour強(qiáng)化學(xué)習(xí)7應(yīng)用1:多時間維度功率預(yù)測應(yīng)用1:多時間維度功率預(yù)測核心功能模塊多時間維度15分鐘前多時間維度15分鐘前4小時前24小時前光伏、風(fēng)場發(fā)電整試電動汽車充電試9標(biāo)幺化驗證集訓(xùn)練集滾動預(yù)測24小時數(shù)據(jù)更測試集配網(wǎng)日前光伏預(yù)測Time(1daya應(yīng)用2:基于無監(jiān)督式學(xué)習(xí)的負(fù)荷聚類分析應(yīng)用2:基于無監(jiān)督式學(xué)習(xí)的負(fù)荷聚類分析mcz.Shen,L.Ling,L.Zhang,S.ShenY.Huang,S.Fu,R.Diao*,andH.Li,“IntelientClusteringandTreDistribution,"inProceedingsof交直流混聯(lián)電網(wǎng)復(fù)雜故障后穩(wěn)定特性解析交直流混聯(lián)電網(wǎng)復(fù)雜故障后穩(wěn)定特性解析機(jī)受98故障模型序號王之偉，黃俊輝，孫文濤，孫方圓，蘭圖，刁瑞盛，“含嵌入式直流的受端電網(wǎng)動態(tài)響應(yīng)智能分析方法”,電力工程技術(shù)，2024.114★技術(shù)優(yōu)勢：邏輯推演、優(yōu)化、運(yùn)行與控制+actipn通過“左右手互博”方式進(jìn)行自主學(xué)習(xí)通過“左右手互博”方式進(jìn)行自主學(xué)習(xí)),評估測試并反饋其“智力”水平。決常材度電網(wǎng)眼(高性能計算)十可在不斷與電網(wǎng)環(huán)境交互的過程中學(xué)習(xí)有效的控制策略，并最終掌握該項調(diào)控應(yīng)用。NetworkNetwork基本原理基本原理電網(wǎng)運(yùn)行/仿真環(huán)境電網(wǎng)運(yùn)行/仿真環(huán)境深度強(qiáng)化學(xué)習(xí)agentvJ1zv.Qu.ov,M10)ViotationzoneNegativeDivergedsolution的控制沖預(yù)期控制電網(wǎng)腦的控制沖預(yù)期控制電網(wǎng)腦FinalReward=Z”_,Reward,/n訓(xùn)練過程ReinforcementLeaning,”inP型，覆蓋江蘇全網(wǎng)(QS文件)狀態(tài)空間·線路潮流(有功、無功),約100條線路動作空間·5個發(fā)電廠(共12臺機(jī)組)的電壓設(shè)定值，獎勵值設(shè)計·懲罰線路功率越限部署于江蘇省電力公司調(diào)控中心交流潮流求解程序019年11月22日311571個斷面越(下決19年11目29日19年11目29日面獎勵值隨斷面變化過程有239個斷面越(解決獎勵值隨斷面變化過程斷面?zhèn)€數(shù)在測試階段，經(jīng)過D5000系統(tǒng)的驗證，所有潮流斷面均得到求解。智能體調(diào)控性能總結(jié)(江蘇張家港分區(qū))多多SAC智能體·4個離線訓(xùn)練·1個在線更新·1個實時應(yīng)用·性能總結(jié)·平均網(wǎng)損降低約3.6412%·1,019個斷面潮流出現(xiàn)電壓問余5個得到有效緩解R.Diao*,D.Shi,B.Zhang,J.Duan,D.Shi,R.Diao,Z.Wang,D.Bian"DeepControlforGridOperatio2019/12/03-15:11:38.#ofVoltViolationresolved:0.delta(LineLoss):-0.1996年北美西部電網(wǎng)停電事故-->模型質(zhì)量問題1996年北美西部電網(wǎng)停電事故-->模型質(zhì)量問題Remaindorof33基于強(qiáng)化學(xué)習(xí)的調(diào)參方法：訓(xùn)練智能體自動搜索高維模型參數(shù)空間，使得模型響應(yīng)與實測數(shù)據(jù)匹配ameteiClibrahanameteiClibrahan4ZJUI最優(yōu)參數(shù)自動搜索(綜合考慮多event數(shù)據(jù))ZJUI智能體獎勵值(-1*模型偏差)-220智能體調(diào)參過程(5個關(guān)鍵參數(shù))有功調(diào)參智能體訓(xùn)練效果無功o同時適配多事件數(shù)據(jù)事件1事件2s.Wang,R.Dio,C.Xo,D.Sh,Z.Wang,“OnMaliEvenCo-CalirationofDyamicModelPS.Wang,R.Diao,etal,"ADRL-AdedMumiLayerStabltyModelCalitrationPatformConsideringMaultY.Zhou,W.Lee,R.Diao,D.Shi,"DeepReinforcement80%90%ConsideringUncertainties,”JournalofModernPowerSystemsandCleanEnergy.July202Y.Zhou,B.Zhang.C.Xu,I.Lan,R.Diao,D.Shi.Z.Wang,W.Lee,CleanEnergySpecialIssueonAIinPowerSjstems,vol.8,no.6,Oct.2020.(BestPaperAward)★技術(shù)優(yōu)勇：模式識別、建模分類、預(yù)測+深度學(xué)習(xí)挖掘電網(wǎng)運(yùn)行方式內(nèi)在特征；強(qiáng)化學(xué)習(xí)負(fù)責(zé)自動生成滿足安全要求的運(yùn)行方式。電月傷A體體理離拔調(diào)發(fā)電機(jī)型在線應(yīng)月頁荷控機(jī)智發(fā)電機(jī)型在線應(yīng)月頁荷控機(jī)智體變化x.Shang,J.Yang,B.Zhu,L.Ye,J.Zhang,J.xu,Q.Lye,R.Diao*,"Multi-stageTransmissionLineFlowConDecentalizedReinforcementLearningAgents"inProceedingsoftheConferenceonNeuralInformationProcesingSystemsNeuriPS)2020.ZJUI應(yīng)用5:分布式資源管理與控制與傳統(tǒng)電廠區(qū)別：與傳統(tǒng)電廠區(qū)別：務(wù)方面，更具優(yōu)勢。功能作用：構(gòu)建新型電網(wǎng)，助力雙碳目標(biāo)>為電網(wǎng)提供容量服務(wù)、輔助服務(wù)，提高電力系統(tǒng)的>優(yōu)化阻塞區(qū)可調(diào)資源，緩解電網(wǎng)局部阻塞儲能息虛擬電廠家居智能管控平臺蓄熱式(用戶資產(chǎn))配網(wǎng)變壓器微型氣象站分布式資源管理平臺能源機(jī)器人實現(xiàn)了用戶側(cè)光伏、儲能等設(shè)備與電網(wǎng)配電線路B相電壓控制效果vmin_before_2vma×before_2222___電壓調(diào)節(jié)器B相變比調(diào)節(jié)指令tvrr2Ivrr_2beforeo20o電池調(diào)度日前計劃調(diào)節(jié)后有效降低了系統(tǒng)的最大負(fù)荷和對變壓器容量的需求——有效幫助客戶節(jié)省初始投資和空載損耗。%b)發(fā)電機(jī)組54個，其中新能源18個，火力35個，發(fā)電和負(fù)荷功平曲線圖峰谷差降低峰值降低谷值增加峰谷差降低峰值降低谷值增加峰谷窗口差降低整體標(biāo)準(zhǔn)差降低移動窗口標(biāo)準(zhǔn)差降低1年的仿真數(shù)據(jù)，5分鐘·每288個連續(xù)時間點(diǎn)(1天)劃分為1個場景儲能充放電最大功率總和85MW(每5分鐘)儲能充放電最大功率總和85MW(每5分鐘)·所有場景都降低了峰谷窗口差，場景整體標(biāo)準(zhǔn)差·所有場景都降低了峰谷窗口差，場景整體標(biāo)準(zhǔn)差5.3智能拓?fù)淇刂?浙江紹興)MaximizetheremainingpowertrStep_single_line_margin=Max(0,1-FloStep_single_line_score=1-(1-Step_singTransferCapabiityofAlScenarios:ffT.Lan,J.Duan,B.Zhang,D.Shi,Z.Wang,R.Diao*,XZhang,“AI-BasedAutonomousTopologyConTransferCapabilitiesConsideringUncertainties,”inProceedingsofthe2020IEEEPESGene(1)從歷史測量數(shù)據(jù)或潮流(4)超參數(shù)整定；iiNakvokap用于VM和VA估計的DNN模型結(jié)構(gòu)假設(shè)一定比例的隨機(jī)缺失測量值，包括5%,1假設(shè)一定比例的隨機(jī)缺失測量值，包括5%,10%和15%,制了圖?？梢钥闯?，用缺失5%和10