面向新型配電系統(tǒng)的數(shù)據(jù)機(jī)理融合人工智能技術(shù)及應(yīng)用蒲天驕中國電力科學(xué)研究院目錄目錄中國電力科學(xué)研究院有限公司隨著新一輪科技革命和產(chǎn)業(yè)變革的持續(xù)深化，人工智能是新質(zhì)生產(chǎn)力重要的驅(qū)動(dòng)力，是搶占未來競爭制高點(diǎn)和構(gòu)建國家競爭新優(yōu)勢的新賽道。2025年9月4日，國家發(fā)展改革委國家能源局《關(guān)于推進(jìn)“人工智能+”能源高質(zhì)量發(fā)展的實(shí)施意見》指出，要搶抓人工智能發(fā)展重大戰(zhàn)略機(jī)遇，突出應(yīng)用導(dǎo)國能發(fā)科技〔2025〕73號(hào)全面實(shí)施“人工智能+”行動(dòng)，以人工智能引領(lǐng)科研范式變革，加強(qiáng)人工智能同產(chǎn)業(yè)發(fā)展、文化建設(shè)、民生保障、社會(huì)治理相結(jié)合，搶占—2025年10月，中共中央關(guān)于制定十五五規(guī)劃的建議能源領(lǐng)域人工智能創(chuàng)新應(yīng)用技術(shù)水平為主攻方向，著力提——2025年9月，推進(jìn)“人工智能+”能源高質(zhì)量發(fā)展的實(shí)施意見3中國電力科學(xué)研究院有限公司痕告行動(dòng)·推痕告行動(dòng)·挖掘十個(gè)以上可復(fù)制、易推廣、有競爭力的重點(diǎn)示范項(xiàng)2030年2030年4限公司新型配電系統(tǒng)作為電力系統(tǒng)重要組成部分，是聯(lián)接用能端與用戶的“最后一公里”。在雙碳目標(biāo)的新格局下，其所承擔(dān)的角色不僅是單純的電能分配網(wǎng)絡(luò)，還是融合了“源-網(wǎng)-荷-儲(chǔ)”的數(shù)字化主動(dòng)配電與多能耦合系統(tǒng)，是新型電力系統(tǒng)的重要載體。層層智慧高效的源網(wǎng)荷儲(chǔ)高度融合高配電中壓配電低壓配電用戶平真曉冊中壓交流中壓直率新型配電系統(tǒng)主要特點(diǎn)大型城市/地區(qū)配電網(wǎng)日趨復(fù)雜中國電力科學(xué)研究院有限公司統(tǒng)人工智能技術(shù)受限于樣本依賴強(qiáng)、泛化能力弱、知識(shí)表達(dá)能力不足以及缺乏特點(diǎn)，在計(jì)算推演、源荷預(yù)測、調(diào)度決策、協(xié)同優(yōu)化等領(lǐng)域依然面臨諸多技術(shù)挑戰(zhàn)。源荷預(yù)測計(jì)算推演調(diào)度決策協(xié)同優(yōu)化傳統(tǒng)人工智能方法依賴均勻同分布數(shù)據(jù)樣本，難以滿足源荷隨機(jī)波動(dòng)下的調(diào)調(diào)度決策協(xié)同優(yōu)化6中國電力科學(xué)研究院有限公司決策能力提供了重要支撐。通過將機(jī)理約束與數(shù)據(jù)驅(qū)動(dòng)深度融合，使模型能夠在不化數(shù)據(jù)驅(qū)動(dòng)知識(shí)驅(qū)動(dòng)自動(dòng)化能力弱表示不統(tǒng)一數(shù)據(jù)機(jī)理融合驅(qū)動(dòng)優(yōu)勢互補(bǔ)數(shù)據(jù)難以滿足任務(wù)空間的完備性因而數(shù)據(jù)驅(qū)動(dòng)模型可以因而數(shù)據(jù)驅(qū)動(dòng)模型可以綜合考慮因果性+關(guān)聯(lián)性數(shù)據(jù)(灰箱模型)映射實(shí)際系統(tǒng)機(jī)理建?？紤]數(shù)據(jù)因果性(白箱模型)數(shù)據(jù)建模考慮數(shù)據(jù)關(guān)聯(lián)性(黑箱模型)歷史|運(yùn)行目錄目錄2.關(guān)鍵技術(shù)2.關(guān)鍵技術(shù)中國電力科學(xué)研究院有限公司經(jīng)驗(yàn)范式理論經(jīng)驗(yàn)范式理論范式仿真范式數(shù)據(jù)范式智能范式①超級(jí)計(jì)算①科學(xué)計(jì)算②人工智能(機(jī)器學(xué)習(xí))科學(xué)計(jì)算②人工智能(機(jī)器學(xué)習(xí))9科學(xué)智能概念于2018年首次提出，2021年DeepMind的AlphaFold推出后，Al4S獲得國際認(rèn)T1049/6y4fT1049/6y4fConputationalprediction從頭建模算法porta同源建模算法Euftedb利用AlphaFold實(shí)現(xiàn)蛋白質(zhì)結(jié)構(gòu)預(yù)測通過深度強(qiáng)化學(xué)習(xí)對(duì)托卡馬克等離子體進(jìn)行磁控制STATEGRID科學(xué)智能科學(xué)智能相較于傳統(tǒng)方法，科學(xué)智能技術(shù)具有特征自主學(xué)習(xí)、高維數(shù)據(jù)處理、復(fù)雜關(guān)系擬合等方面的技術(shù)優(yōu)勢。在電力系統(tǒng)領(lǐng)域，可應(yīng)用于電力氣象功率預(yù)測、運(yùn)行方式分析、優(yōu)化運(yùn)行決策等場景。電力氣象預(yù)測0EncoderDecoderbAAAHierarchicaltemporalag運(yùn)行方式分析傳統(tǒng)的運(yùn)行方式分析決策人工歸納運(yùn)行方式生成一數(shù)據(jù)樣本確定性規(guī)則運(yùn)行規(guī)則編制AI模型庫遷移更新模型驅(qū)動(dòng)安全約束難以考慮復(fù)雜目標(biāo)和約束運(yùn)行方式調(diào)整樣本庫更新基于混合智能的新型電力系統(tǒng)運(yùn)行方式分析決策中國電力科學(xué)研究院有限公司數(shù)據(jù)與機(jī)理(知識(shí))的融合是科學(xué)智能技術(shù)的重要特征之一，可充分利用數(shù)據(jù)驅(qū)動(dòng)方法的非線先驗(yàn)概率不變性不變性代數(shù)方程潮流方程先驗(yàn)概率微分方程先驗(yàn)概率不變性不變性代數(shù)方程潮流方程先驗(yàn)概率V電磁暫態(tài)與、或、非電磁暫態(tài)與、或、非VAAB→CAAB→C數(shù)據(jù)機(jī)理融合建模人機(jī)混合+大模型中國電力科學(xué)研究院有限公司數(shù)據(jù)機(jī)理融合數(shù)據(jù)驅(qū)動(dòng)方法數(shù)據(jù)驅(qū)動(dòng)方法是指根據(jù)建模對(duì)象應(yīng)用場合和模型使用目的，按表征狀態(tài)、特性、運(yùn)行環(huán)境等影響因素歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)，采用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能手段建立數(shù)字模型的方法，適用于系統(tǒng)內(nèi)部結(jié)構(gòu)和特性不明確，且難以進(jìn)行實(shí)驗(yàn)觀測系統(tǒng)特性時(shí)進(jìn)行建模。特征篩選特征篩選仿真樣本生成實(shí)際樣本采集統(tǒng)計(jì)分析研究對(duì)象模型構(gòu)建調(diào)參測試人工智能理想模型數(shù)據(jù)建模樣本無法收集或數(shù)量、質(zhì)量無法滿模型特征不足或選取錯(cuò)誤；模型對(duì)場景的適應(yīng)性不足數(shù)據(jù)驅(qū)動(dòng)建模方法分析過程數(shù)據(jù)驅(qū)動(dòng)建模方法面臨的問題中國電力科學(xué)研究院有限公司數(shù)據(jù)機(jī)理融合機(jī)理驅(qū)動(dòng)方法機(jī)理建模機(jī)理驅(qū)動(dòng)方法是指根據(jù)建模對(duì)象應(yīng)用場合和模型使用目的合理假設(shè)后，按機(jī)理建立數(shù)字/規(guī)則模型的方法。通過認(rèn)識(shí)問題機(jī)理，提取普適規(guī)則，能夠通過模型細(xì)化或參數(shù)修改等方式應(yīng)對(duì)場景變化，適用于對(duì)內(nèi)部運(yùn)行機(jī)理和結(jié)構(gòu)較為清晰的對(duì)象進(jìn)行建模。機(jī)理建模特點(diǎn)分析外部特性關(guān)系內(nèi)部機(jī)理分析研究對(duì)象模型構(gòu)建模式分析問題求解概率模型模型參數(shù)不確定性因素干擾強(qiáng)非線性難以建模模型復(fù)雜計(jì)算困難影響因素影響因素關(guān)系模糊機(jī)理驅(qū)動(dòng)建模方法分析過程機(jī)理驅(qū)動(dòng)建模方法面臨的問題中國電力科學(xué)研究院有限公司數(shù)據(jù)機(jī)理融合驅(qū)動(dòng)建?？蓪?shí)現(xiàn)傳統(tǒng)建模方法中數(shù)據(jù)驅(qū)動(dòng)和機(jī)理驅(qū)動(dòng)二者的優(yōu)勢互補(bǔ)，利用電力機(jī)理與物理規(guī)律引導(dǎo)數(shù)據(jù)驅(qū)動(dòng)模型，提升模型泛化性與決策安全性，利用數(shù)據(jù)驅(qū)動(dòng)模型構(gòu)建、修正、更新機(jī)理模型，在提升模型計(jì)算效率的同時(shí)保證建模結(jié)果的準(zhǔn)確性與可信性。機(jī)理建模數(shù)據(jù)-機(jī)理融合建模數(shù)據(jù)建?？紤]數(shù)據(jù)關(guān)聯(lián)性(黑箱模型)考慮數(shù)據(jù)因果性(白箱模型)考慮數(shù)據(jù)關(guān)聯(lián)性(黑箱模型)考慮數(shù)據(jù)因果性(白箱模型)(灰箱模型)抽象抽象歷史|運(yùn)行實(shí)際系統(tǒng) 數(shù)據(jù)數(shù)據(jù)驅(qū)動(dòng)特征選擇模型構(gòu)建模型訓(xùn)練結(jié)果預(yù)測/決策產(chǎn)生數(shù)據(jù)數(shù)據(jù)假設(shè)模型假設(shè)f(x)定義問題結(jié)果預(yù)測/決策產(chǎn)生數(shù)據(jù)數(shù)據(jù)假設(shè)模型假設(shè)f(x)定義問題y↑數(shù)據(jù)變換數(shù)據(jù)去噪y↑校正/更新x校正/更新x模式模式限定篩選限定知識(shí)圖譜語義向量字符表征公理公式知識(shí)圖譜語義向量字符表征預(yù)訓(xùn)練模型(暗知識(shí))知識(shí)庫推導(dǎo)表達(dá)式邏輯算子知識(shí)庫模型表征函數(shù)表征模型表征數(shù)據(jù)機(jī)理融合數(shù)據(jù)機(jī)理融合模式采用層疊式解耦的電力數(shù)據(jù)機(jī)理融合建模方法，構(gòu)建了5種數(shù)據(jù)機(jī)理融合模式：串行模式、反饋模式、并行模式、引導(dǎo)模式與嵌入模式。層疊式解耦融合建模方法5種數(shù)據(jù)機(jī)理融合模式層疊式解耦融合建模方法5種數(shù)據(jù)機(jī)理融合模式約束機(jī)理數(shù)據(jù)聯(lián)合建模，符合物理約束引入單調(diào)性、取值范圍等機(jī)理約束基于機(jī)理知識(shí)提取更有物理意義的特征①串行結(jié)構(gòu)數(shù)據(jù)驅(qū)動(dòng)修正機(jī)理約束機(jī)理數(shù)據(jù)聯(lián)合建模，符合物理約束引入單調(diào)性、取值范圍等機(jī)理約束基于機(jī)理知識(shí)提取更有物理意義的特征①串行結(jié)構(gòu)數(shù)據(jù)驅(qū)動(dòng)修正機(jī)理模型參數(shù)聯(lián)合決策提升模型安全性與效果②反饋結(jié)構(gòu)校③⑤機(jī)理引導(dǎo)④機(jī)理嵌入并行結(jié)構(gòu)⑥引導(dǎo)、約束更新、校正表示□機(jī)理驅(qū)動(dòng)層■數(shù)據(jù)驅(qū)動(dòng)層訓(xùn)練輔助變量◎中國電力科學(xué)研究院有限公司校正正②①規(guī)劃模型1規(guī)劃模型2規(guī)劃模型3優(yōu)化邊界校正正②①規(guī)劃模型1規(guī)劃模型2規(guī)劃模型3優(yōu)化邊界結(jié)果線路參數(shù)初始辨識(shí)模型示例：機(jī)理模型配網(wǎng)分布式優(yōu)化調(diào)度線路參數(shù)精細(xì)化配網(wǎng)分布式優(yōu)化調(diào)度配電線路參數(shù)辨識(shí)③③糊運(yùn)孀模型模型糊運(yùn)孀模型模型估n電力系統(tǒng)穩(wěn)定評(píng)估2.關(guān)鍵技術(shù)2.關(guān)鍵技術(shù) 有限量測信息知識(shí)模型有限量測信息知識(shí)模型節(jié)點(diǎn)電壓節(jié)點(diǎn)模型數(shù)據(jù)模型束模型數(shù)據(jù)模型⑥⑥機(jī)理模型融合嵌融合嵌入模型數(shù)據(jù)模型目錄目錄國家電網(wǎng)STATEGRID配電網(wǎng)的透明感知是其他高級(jí)應(yīng)用與決策的基礎(chǔ)。臺(tái)賬信息錯(cuò)誤、缺失或環(huán)境氣溫變化，可能導(dǎo)致配網(wǎng)線路參數(shù)不準(zhǔn)確；配網(wǎng)量測設(shè)備故障、數(shù)據(jù)傳輸延遲/缺失等問題，可能導(dǎo)致動(dòng)態(tài)拓?fù)湓诰€更新不及時(shí)。亟需通過人工智能技術(shù)，實(shí)現(xiàn)配電網(wǎng)參數(shù)透明化、拓?fù)渫该骰⑦M(jìn)行精準(zhǔn)狀態(tài)估計(jì)。自動(dòng)化(TTU/融合終端)自動(dòng)化(TTU/融合終端)調(diào)度自動(dòng)化源"源"BB站低壓柱上開關(guān)低壓柱上開關(guān)光伏發(fā)電戶戶中國電力科學(xué)研究院有限公司采用機(jī)理和數(shù)據(jù)串行驅(qū)動(dòng)的兩階段配網(wǎng)線路參數(shù)辨識(shí)方法。第一階段利用線性潮流方程和量測機(jī)理驅(qū)動(dòng)線路參數(shù)初值的線性回歸模型機(jī)理驅(qū)動(dòng)線路參數(shù)初值的線性回歸模型矩陣形式假設(shè)條件矩陣形式辨識(shí)結(jié)果數(shù)據(jù)驅(qū)動(dòng)2M組觀測數(shù)據(jù)M組觀測數(shù)據(jù)改進(jìn)信賴域反射方法梯度求解方程迭代求解迭代求解國家電網(wǎng)3.1計(jì)算推演機(jī)理嵌入的線路動(dòng)態(tài)拓?fù)涓櫥诙嗳蝿?wù)圖自注意力學(xué)習(xí)(MT-GSAL)的配電網(wǎng)動(dòng)態(tài)拓?fù)涓櫡椒?任務(wù)1:量測補(bǔ)全；任務(wù)2:拓?fù)浔孀R(shí)),依據(jù)配網(wǎng)拓?fù)浣D學(xué)習(xí)模型結(jié)構(gòu)，實(shí)現(xiàn)在量測不完備條件下的拓?fù)浔孀R(shí)，通過共享表示的端到端多任務(wù)聯(lián)合訓(xùn)練策略共同引導(dǎo)模型參數(shù)更新方向，提升模型泛化性與抗噪性。任務(wù)1:量測補(bǔ)全4N×33×3N×37×2N×37×2個(gè)個(gè)個(gè)門控殘差門控殘差任務(wù)2:拓?fù)浔孀R(shí)A?個(gè)個(gè)個(gè)3.1計(jì)算推演知識(shí)引導(dǎo)的配網(wǎng)狀態(tài)估計(jì)物理知識(shí)提出了基于深度學(xué)習(xí)模型與知識(shí)引導(dǎo)的配電網(wǎng)少量測狀態(tài)計(jì)算方法。通過將物理方程約束加入到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的損失函數(shù)中，引導(dǎo)神經(jīng)網(wǎng)絡(luò)訓(xùn)練朝著更符合物理規(guī)律方向進(jìn)行，提升模型計(jì)算精物理知識(shí)[P;]m=[P?,P23,…P;]M[Q]M=[Q?,Q?3…2;]M量測數(shù)據(jù)深度學(xué)習(xí)模型深度神經(jīng)網(wǎng)絡(luò)基于深度學(xué)習(xí)模型與知識(shí)引導(dǎo)的狀態(tài)估計(jì)方法物理引導(dǎo)節(jié)點(diǎn)電壓節(jié)點(diǎn)相角樣本標(biāo)簽數(shù)據(jù)驅(qū)動(dòng)有限量測信息國家電網(wǎng)3.1計(jì)算推演應(yīng)用成效研發(fā)配網(wǎng)智能計(jì)算推演系統(tǒng)，實(shí)現(xiàn)模型計(jì)算推演結(jié)果和單線圖數(shù)據(jù)融合展示，增強(qiáng)數(shù)據(jù)的可視化交互能力。已在江蘇、上海、冀北等9家省公司完成了試點(diǎn)應(yīng)用，能夠有效提升配網(wǎng)態(tài)勢透明化感知能力，進(jìn)一步支撐配網(wǎng)監(jiān)測分析、輔助決策、規(guī)劃設(shè)計(jì)等業(yè)務(wù)。數(shù)據(jù)知識(shí)串行聯(lián)合驅(qū)動(dòng)的線路參數(shù)辨識(shí)數(shù)據(jù)知識(shí)串行聯(lián)合驅(qū)動(dòng)的線路參數(shù)辨識(shí)角量測數(shù)據(jù)，難以進(jìn)行線路校核難題。在拓?fù)浔孀R(shí)任務(wù)中，在不完全信息下對(duì)配電網(wǎng)拓?fù)涞谋孀R(shí)性能明顯角量測數(shù)據(jù)，難以進(jìn)行線路校核難題。在拓?fù)浔孀R(shí)任務(wù)中，在不完全信息下對(duì)配電網(wǎng)拓?fù)涞谋孀R(shí)性能明顯優(yōu)于其他數(shù)據(jù)驅(qū)動(dòng)方法，同時(shí)具備很強(qiáng)的泛化性與抗噪性。少量測條件下計(jì)算的電壓誤差小于1%,有功和無功潮流誤差小于10%,在量測缺失比例達(dá)到20%以上的情況仍可實(shí)現(xiàn)配電網(wǎng)狀態(tài)計(jì)算。中國電力科學(xué)研究院有限公司在江蘇南京部署了配電網(wǎng)采集優(yōu)化配置與狀態(tài)智能計(jì)算系統(tǒng)，示范區(qū)內(nèi)包含5609條配網(wǎng)線路、100367臺(tái)公專變，系統(tǒng)每15分鐘對(duì)系統(tǒng)動(dòng)態(tài)拓?fù)?，及運(yùn)行狀態(tài)進(jìn)行計(jì)算，線路首端電壓、功率計(jì)算準(zhǔn)確率達(dá)97%以上，合格率達(dá)90%以上，增強(qiáng)配電網(wǎng)可觀測、可描述、可計(jì)算能力。中國電力科學(xué)研究院有限公司3.2源荷預(yù)測在源荷預(yù)測中，存在時(shí)序數(shù)據(jù)復(fù)雜關(guān)聯(lián)難以挖掘、信息缺失及新建場站樣本不足、特殊氣象及政策影響因素融合不足的難題，對(duì)此遞進(jìn)地通過協(xié)變量嵌入技術(shù)、基礎(chǔ)模型構(gòu)建與微調(diào)技術(shù)、多模態(tài)時(shí)序基礎(chǔ)模型技術(shù)等構(gòu)建核心技術(shù)體系，推動(dòng)實(shí)現(xiàn)高精度源荷時(shí)序預(yù)測的關(guān)鍵技術(shù)突破。源荷時(shí)序預(yù)測整體思路源荷時(shí)序預(yù)測整體思路面臨問題時(shí)序數(shù)據(jù)復(fù)雜關(guān)聯(lián)難以挖掘信息缺失、樣本不足的小樣本問題響因素融合不足前置處理多模型預(yù)測前置處理多模型預(yù)測差分平穩(wěn)化樣本增強(qiáng)微調(diào)技術(shù)時(shí)序特征統(tǒng)一表示在源荷預(yù)測中，協(xié)變量指的與預(yù)測目標(biāo)趨勢相關(guān)的影響因素。采用協(xié)變量嵌入技術(shù)，可將多維影響因素與目標(biāo)時(shí)間序列共同轉(zhuǎn)換為模型可處理的一維表示，再利用注意力機(jī)制構(gòu)建動(dòng)態(tài)權(quán)重矩陣，時(shí)序特征統(tǒng)一表示查詢/鍵m位置查詢/鍵m位置氣象協(xié)變量氣象協(xié)變量社會(huì)協(xié)變量2424協(xié)變量1協(xié)變量位置編碼查詢/鍵原始數(shù)據(jù)原始數(shù)據(jù)國家電網(wǎng)構(gòu)建基于因果雙向注意力機(jī)制的時(shí)序模型主干網(wǎng)絡(luò)，通過在海量異構(gòu)時(shí)間序列數(shù)據(jù)上的自監(jiān)督TimeTimePchesp?p氣象歷史數(shù)據(jù)氣象預(yù)報(bào)數(shù)據(jù)地理位置信息⑤+X+3.2源荷預(yù)測語義嵌入的多模態(tài)時(shí)序模型通過集成文本語義嵌入適配器，構(gòu)建源荷預(yù)測語義-時(shí)序多模態(tài)模型。將語義信息與時(shí)序數(shù)據(jù)拼接，利用大模型的語義信息理解與推理能力，通過非均勻采樣、推理路徑獎(jiǎng)勵(lì)、目標(biāo)函數(shù)構(gòu)建等方式，實(shí)現(xiàn)多模態(tài)時(shí)序基礎(chǔ)模型強(qiáng)化學(xué)習(xí)訓(xùn)練，提升多模態(tài)時(shí)序模型預(yù)測準(zhǔn)確性。96點(diǎn)分段1分段5分段6分段2分段3分段1分段5分段6…時(shí)序token語義描述：根據(jù)歷史同期，明天時(shí)序token_END時(shí)序token__END時(shí)序tokenaaTraina中國電力科學(xué)研究院有限公司負(fù)荷功率預(yù)測方面，自研電力時(shí)序大模型及相關(guān)核心成果已在浙江和江蘇落地應(yīng)用驗(yàn)證，全面確率提升0.12%,地市級(jí)負(fù)荷平均準(zhǔn)確率提升0.67%,臺(tái)區(qū)級(jí)負(fù)荷提升3.42%。測試集時(shí)間%2025年7月省級(jí)臺(tái)區(qū)級(jí)中國電力科學(xué)研究院有限公司新能源功率預(yù)測方面，自研電力時(shí)序大模型及相關(guān)核心成果已在浙江、河北、陜西和江蘇%%升上省級(jí)光伏上省級(jí)光伏分布式光伏臺(tái)區(qū)分布式光伏臺(tái)區(qū) 國家電網(wǎng) 3.3運(yùn)行優(yōu)化和云計(jì)算的優(yōu)勢，提供了高效、靈活和可擴(kuò)展的計(jì)算架構(gòu)，在邊緣側(cè)就地處理敏感數(shù)據(jù)，而將非敏感數(shù)據(jù)傳輸?shù)皆浦行倪M(jìn)行集中處理，降低了數(shù)據(jù)泄露的風(fēng)險(xiǎn)，提高了計(jì)算效率并緩解了通信壓力。濂濂全局信息調(diào)度指令多能上上邊緣自治+邊云協(xié)同部分信息國家電網(wǎng)采用機(jī)理優(yōu)化與數(shù)據(jù)驅(qū)動(dòng)優(yōu)化，實(shí)現(xiàn)兩種方法的并行與交互迭代優(yōu)化。云端服務(wù)器中心云服務(wù)層邊緣服務(wù)層設(shè)備層云層任務(wù)云層任務(wù)邊緣任務(wù)邊緣節(jié)點(diǎn)間優(yōu)化計(jì)算邊緣節(jié)點(diǎn)間優(yōu)化計(jì)算邊緣節(jié)點(diǎn)內(nèi)優(yōu)化計(jì)算邊緣節(jié)點(diǎn)2服務(wù)商供應(yīng)商神經(jīng)網(wǎng)絡(luò)物理引導(dǎo)Y函數(shù)中國電力科學(xué)研究院有限公司3.應(yīng)用實(shí)踐中國電力科學(xué)研究院有限公司3.3運(yùn)行優(yōu)化數(shù)據(jù)機(jī)理融合的邊云協(xié)同優(yōu)化方法針對(duì)區(qū)域能源互聯(lián)網(wǎng)邊云協(xié)同優(yōu)化問題，提出了數(shù)據(jù)機(jī)理串行融合的邊云協(xié)同交替迭代優(yōu)化方法。在邊緣側(cè)，基于博弈智能策略提升算法完成智能體本地優(yōu)化；當(dāng)自治優(yōu)化出現(xiàn)異常時(shí)，邊端將當(dāng)前決策功率需求值上傳云中心，在云中心利用優(yōu)化求解器協(xié)調(diào)全局資源；云側(cè)下發(fā)修正后的功率交互邊界值指導(dǎo)邊緣智能體進(jìn)一步優(yōu)化，邊云交替計(jì)算迭代直至收斂。最最優(yōu)潮流運(yùn)行數(shù)據(jù)運(yùn)行數(shù)據(jù)優(yōu)化求解器化化弈能功率交互值優(yōu)功率交互值)+(R2+x?)l,=0判據(jù)判據(jù)策略提升算法策略提升算法人工智能十十狀態(tài)信息十博智狀態(tài)信息狀態(tài)信息中國電力科學(xué)研究院有限公司3.3運(yùn)行優(yōu)化數(shù)據(jù)機(jī)理融合的優(yōu)化加速方法針對(duì)復(fù)雜約束下的高維混合整數(shù)優(yōu)化問題，提出數(shù)據(jù)/機(jī)理串行融合模式的優(yōu)化加速求解方法。上層基于深度強(qiáng)化學(xué)習(xí)的誘導(dǎo)分支方法加速最優(yōu)整數(shù)取值，下層基于可行域降維與有序頂點(diǎn)搜索減少?zèng)Q策變量與約束條件，兼具模型驅(qū)動(dòng)求解穩(wěn)定性和數(shù)據(jù)驅(qū)動(dòng)求解快速性，可實(shí)現(xiàn)萬級(jí)計(jì)算節(jié)點(diǎn)調(diào)度策略秒級(jí)生成。降維前降維后2約束降維前降維后問題規(guī)模縮減比例有序頂點(diǎn)10024節(jié)點(diǎn)節(jié)點(diǎn)測試算例，可調(diào)計(jì)算時(shí)間C基于深貨學(xué)習(xí)的混合整數(shù)優(yōu)化加速上層系統(tǒng)全局優(yōu)化Q下層資源中國電力科學(xué)研究院有限公司3.3運(yùn)行優(yōu)化數(shù)據(jù)機(jī)理融合的在線增強(qiáng)方法針對(duì)當(dāng)前智能模型無法有效應(yīng)對(duì)訓(xùn)練數(shù)據(jù)中未出現(xiàn)的復(fù)雜新增場景問題，提出數(shù)據(jù)/機(jī)理反饋融合模式的在線增量強(qiáng)化學(xué)習(xí)方法。通過校核反饋機(jī)制得到新增樣本集，進(jìn)而提出基于彈性權(quán)重鞏固的增量強(qiáng)化學(xué)習(xí)框架，實(shí)現(xiàn)智能決策模型的自主演進(jìn)，并結(jié)合知識(shí)蒸餾的遷移策略進(jìn)一步提升了增運(yùn)行場景機(jī)理優(yōu)化模型智能決策模型機(jī)理優(yōu)化模型結(jié)合知識(shí)蒸餾和圖神經(jīng)網(wǎng)絡(luò)的性能提升方法量訓(xùn)練增量強(qiáng)化學(xué)習(xí)模型收斂更快0訓(xùn)練獎(jiǎng)勵(lì)曲線對(duì)比0學(xué)習(xí)強(qiáng)化學(xué)習(xí)兩種模型測試結(jié)果中國電力科學(xué)研究院有限公司3.3運(yùn)行優(yōu)化應(yīng)用成效在天津?yàn)I海國家動(dòng)漫園等多園區(qū)開展區(qū)域能源互聯(lián)網(wǎng)協(xié)同優(yōu)化試點(diǎn)驗(yàn)證，提升整體能效5.3%。成果推廣至北京、黑龍江等省市電網(wǎng)，提升了源網(wǎng)荷儲(chǔ)協(xié)同運(yùn)行的智能化水平。聯(lián)合天津調(diào)度中心研發(fā)部署了源網(wǎng)荷儲(chǔ)自主智能調(diào)控系統(tǒng)，具備源荷場景生成、優(yōu)化儲(chǔ)能出力、管理可控負(fù)荷、維持系統(tǒng)穩(wěn)定運(yùn)行等功能，可100%就地消納天津?yàn)I海地區(qū)電網(wǎng)可再生能源，高效e集中式新能源場站分布式新能源虛擬電廠調(diào)度策略計(jì)算平均時(shí)間個(gè)數(shù)容量(MW)源網(wǎng)荷儲(chǔ)調(diào)控案例綜合能源微網(wǎng)群寫字樓類虛擬電廠(電價(jià)高峰且光伏小時(shí)、空調(diào)短時(shí)關(guān)停)負(fù)荷最大)目錄目錄中國電力科學(xué)研究院有限公司電力科學(xué)智能電力科學(xué)智能面向新型配電系統(tǒng)不確定性和復(fù)雜性特征，未來以科學(xué)仿真數(shù)據(jù)為基礎(chǔ)，科學(xué)定理為導(dǎo)向，實(shí)現(xiàn)覆蓋理論推導(dǎo)、實(shí)驗(yàn)仿真、數(shù)據(jù)分析的全流程科學(xué)智能技術(shù)形態(tài)，推動(dòng)電力時(shí)序預(yù)測、運(yùn)行分析、調(diào)度決策等領(lǐng)域的創(chuàng)新和突破。通過高通量篩選，人工智能預(yù)測器有效檢查候選假設(shè)，并選擇使下游模擬和實(shí)驗(yàn)結(jié)果最大化的假EnhancedEnhanced=Original+A在復(fù)雜系統(tǒng)的計(jì)算模擬中，人工智能系統(tǒng)可以加快對(duì)罕見事件的檢測，例如蛋白質(zhì)不同構(gòu)象結(jié)構(gòu)之間的過渡。幾何深度學(xué)習(xí)通過圖形和信息傳遞，將復(fù)雜的結(jié)構(gòu)信息整合到深度學(xué)習(xí)模型中，幫助理解和操作具有復(fù)雜幾何結(jié)構(gòu)的科學(xué)數(shù)據(jù)，如分子和材料領(lǐng)域。R口中國電力科學(xué)研究院有限公司