數(shù)智協(xié)同賦能新型電力系統(tǒng)李勇教授，

教育部長江學(xué)者清華大學(xué)電子工程系.城市科學(xué)與計算研究中心Carbon

NeutralityAnnouncement“

中國將提高國家自主貢獻(xiàn)力度，

采取更加有力的政策和措施，

二氧化碳排放力爭于2030年前達(dá)到峰值，努力爭取2060年前實現(xiàn)碳中和

?！?/p>

—第七十五屆聯(lián)合國大會一般性辯論，

2020.09.22碳中和與綠色低碳轉(zhuǎn)型已是國際共識，

迄今已有151個國家提出碳中和戰(zhàn)略目標(biāo)，

覆蓋了全球88%碳排放

、90%GDP

、85%人口

。碳中和是國際社會共識和中國鄭重承諾2020用電量7.5萬億kWh2023用電量9.2萬億kWh2024用電量9.9萬億kWh雙碳戰(zhàn)略與能源獨(dú)立目標(biāo)驅(qū)動下，

全球新能源占比持續(xù)提高，新能源的隨機(jī)性

、波動性帶來挑戰(zhàn)與機(jī)會產(chǎn)業(yè)趨勢：

雙碳目標(biāo)驅(qū)動能源生產(chǎn)與利用革命2020風(fēng)光5.35全口徑22.0

2023風(fēng)光10.5全口徑29.2

2024風(fēng)光14.1全口徑33.5單位：億kW碳中和下中國能源供需平衡圖（2060）現(xiàn)階段下中國能源供需平衡圖（2020）2050~2060風(fēng)光50億kW全口徑70億kW數(shù)據(jù)來源：

國家能源局、

中電聯(lián)、

清華大學(xué)研究、BloombergNEF2050~2060用電量18~19萬億kWh隨著新能源在電力系統(tǒng)中占比的增加，新能源的波動性使得電力系統(tǒng)從能源結(jié)構(gòu)單一，高度可控的系統(tǒng)逐漸變?yōu)楦叨葟?fù)雜，

隨機(jī)波動的復(fù)雜系統(tǒng)研究挑戰(zhàn)：

新型電力系統(tǒng)是高度復(fù)雜

、隨機(jī)波動的復(fù)雜系統(tǒng)需要以數(shù)字化表達(dá)

、智能化決策與協(xié)同化運(yùn)行的技術(shù)體系賦能新型電力系統(tǒng)！新型

電

力

系統(tǒng)負(fù)荷調(diào)整分布式光伏及儲能用電調(diào)度側(cè)

網(wǎng)側(cè)儲能能源模擬器智能調(diào)控供給調(diào)整傳統(tǒng)電源太陽能發(fā)電風(fēng)電源側(cè)儲能風(fēng)光等隨機(jī)性

、波動性主體核心技術(shù)：

能源模擬器與能源大模型未來新能源高占比挑戰(zhàn)電力系統(tǒng)供需平衡，

亟需構(gòu)建支撐智能調(diào)控的電力數(shù)智孿生系統(tǒng)源

隨

荷

動電力用戶電網(wǎng)發(fā)電廠

新能源高占比

能源大模型智能決策電力用戶風(fēng)光預(yù)測實時調(diào)頻削峰填谷儲能規(guī)劃荷側(cè)源側(cè)網(wǎng)研究基礎(chǔ)：

城市模擬器基于第一性原理的大規(guī)模城市居民活動模擬基于AI

GC技術(shù)的居民活動軌跡模擬細(xì)粒度居民-城市實體交互模擬步驟

一步驟

二核心技術(shù)1：

能源模擬器研究目標(biāo)：

基于城市模擬器構(gòu)建人類活動到能源鏈條的映射，

實現(xiàn)能源鏈條全環(huán)節(jié)模擬。

化石燃料發(fā)電、

風(fēng)能、

核能

光伏發(fā)電電力系統(tǒng)居民活動模擬&城市實體基礎(chǔ)運(yùn)轉(zhuǎn)環(huán)境網(wǎng)

建筑耗能

交通耗能：

電動車充電儲

電動車V2G儲電

虛擬電廠儲電源

荷居民活動模擬

電網(wǎng)孿生能源模擬電路理論和功率流計算模擬能源模擬器：

總體框架支持電網(wǎng)關(guān)聯(lián)決策結(jié)果電網(wǎng)模型模擬數(shù)據(jù)反事實場景分析電網(wǎng)操作分布式光伏發(fā)電用電EV網(wǎng)狀結(jié)構(gòu)樹結(jié)構(gòu)500

kV220

kV/110

kV10

kV220V能源模擬器：

電網(wǎng)拓?fù)渖蓡l(fā)式方法王屹

."強(qiáng)—簡—強(qiáng)"供電模式下城市配電網(wǎng)網(wǎng)架結(jié)構(gòu)規(guī)劃研究[D]

.華北電力大學(xué)(北京)

,2016

.DOI

:

10

.7666/d

.Y3115244

.聚類電力需求混合整數(shù)規(guī)劃

分層聚類方法拓?fù)潋炞C能源模擬器：

基于電路理論的潮流計算

變壓器和輸電線路上的城市范圍仿真結(jié)果500

kV

line220

kV

line110

kV

station[1]Singh,Sri

N.Electric

power

generation:transmission

and

distribution

.

PHI

Learning

Pvt.

Ltd

.,2008.能源模擬器：

屋頂光伏供能模擬總體目標(biāo)根據(jù)建筑物表面積推斷建筑物逐日的光伏產(chǎn)量。方法

使用以下映射函數(shù)

[1]。系統(tǒng)效率=80%[1]光伏能源

占地面積t

'

f

調(diào)整后的時間比例[2]E=

HA

×S

×K

1

×

K2

×

rp

(t)

太陽輻射能

光伏轉(zhuǎn)換效率=16%[1]結(jié)果官方日產(chǎn)量總和

[1]：

192M

kWh

/

天模擬日產(chǎn)量總和：

226M

kWh

/

天p建筑i在t時刻的用電量

動態(tài)耗電曲線

[2]Ei(t)=Ci(Ni(t),Hi,

Si)

×Ni(t)×

re

(t)×

Si

一

建筑占地面積人均建筑面積能源使用量

[1]C(Ni(t),

Hi,

Si)

=

0.0013

+

0.05

模擬得到的時間步

t

時建筑物內(nèi)人數(shù)能源模擬器：

建筑用能模擬總體目標(biāo)根據(jù)建筑物占用率和建筑物屬性推斷建筑物在各天內(nèi)的能源使用情況。方法

使用以下映射方程。[1]MGonzá

lez-Torres,LuisPérez-Lombard,

Juan

F

Coronel,

IsmaelR

Maestre,and

Da

Yan

.

2022

.

Areview

on

buildings

energy

information:Trends,

end-uses,fuels

and

drivers

.

Energy

Reports

8

(2022),626

–637

.[2]https://www.gov.cn/zhengce/zhengceku/2020-12/03/content_5566580.htm2)

充電行為建模?從在線地圖資源抓取充電站統(tǒng)計數(shù)據(jù)，包括北京充電基礎(chǔ)設(shè)施的分布

、數(shù)量和容量。?

將充電決策概率表示為與剩余電池容量成反比的函數(shù)[2]，

并將電動汽車與最近的充電站匹配。[1]https://www.daas-auto.com/supermarket_data_De/845.html[1]

Xu

,Yanyan

,

等

."通過將充電曲線與城市出行相結(jié)合來規(guī)劃電動汽車需求

."自然能源3

.6(2018)

:484-493

.[2]

安德雷納奇

,

娜塔西亞

,

和瑪麗亞

·皮亞瓦倫蒂尼

.

"關(guān)于私人電動汽車充電行為的文獻(xiàn)綜述

。

"

應(yīng)用科學(xué)13

.23(2023)

:12877

.總體目標(biāo)數(shù)據(jù)輸入

方法1)電力使用模擬[1]電動汽車的模擬瞬時速度；北京5238個充電站的位置

、

充電樁數(shù)量和容量數(shù)據(jù)[1]。模擬電動汽車的電力使用及其充電行為，

從而推斷電動汽車充電站的充電負(fù)荷。能源模擬器：

電動車用能模擬每單位距離消耗電能平均速度能源資產(chǎn)AI

Ag

e

nt構(gòu)

建/

代

碼

自

動

生

成時空大模型ST-LLMAI

模

擬

器

訓(xùn)

練

Agents語言大模型

Energy

LLM時序大模型TS-LLM控制

電力量化交易規(guī)則模擬器棋牌

、游戲等虛擬世界中，AI

Agent智能進(jìn)化超過人類取得突破核心技術(shù)2：

能源大模型——整體架構(gòu)AI

Ag

e

nt迭

代/

大

小

模

型

融

合真實

世

界

落

地

受

阻多能運(yùn)行控制交易預(yù)測能源大模型2

、Auto-Aggressive

+

DiT結(jié)構(gòu)的融合3

、通用掩碼與訓(xùn)練能源大模型：

模型結(jié)構(gòu)

交通數(shù)據(jù)……

地理數(shù)據(jù)

活動數(shù)據(jù)1

、時空學(xué)習(xí)領(lǐng)域的第一個提示學(xué)習(xí)框架環(huán)境數(shù)據(jù)移動數(shù)據(jù)氣象數(shù)據(jù)能源數(shù)據(jù)人口數(shù)據(jù)2018年至今發(fā)表時空智能領(lǐng)域CCF-A類論文85篇

，

CSRankings排名世界第一3篇奠基性論文位列同期引用第一，

超1500次突破能源大模型關(guān)鍵技術(shù)，

首次提出跨尺度天氣+

氣候+

能源協(xié)同

預(yù)

測

技

術(shù)

，

獲ACL2

0

2

4

(CCF-A類)杰出論文獎研發(fā)國際首個通用時空基礎(chǔ)模型UniST，

奠定能源大模型的基石13億+數(shù)據(jù)時空GPT模型20+城市應(yīng)用能源領(lǐng)域應(yīng)用能源大模型：

研究成果能源大模型:增強(qiáng)能源領(lǐng)域知識通用基礎(chǔ)模型性能↑

200M5M軌跡預(yù)測DeepMove流量預(yù)測DGCRN隱私保護(hù)

PMF2024年2023年能源大模型有效建模復(fù)雜氣象模式，賦能電網(wǎng)調(diào)度/新能源場站/分布式能源精準(zhǔn)功率預(yù)測超過90%風(fēng)功率預(yù)測華北準(zhǔn)確率最優(yōu)小模型84.57清華能源大模型93.06（15.31%↑

)光功率預(yù)測南網(wǎng)準(zhǔn)確率最優(yōu)小模型76.27清華能源大模型85.12（14.77%↑

)能源時空大模型有效建模復(fù)雜物理時空規(guī)律大小模型協(xié)同精準(zhǔn)建模設(shè)備特性全球多源氣象模型多權(quán)威數(shù)據(jù)源+大模型數(shù)據(jù)源能源大模型：

新能源發(fā)電預(yù)測達(dá)到國內(nèi)外SOTA水平南方區(qū)域某場站考核降低……ECMWFICONGraphCast國家氣象局GFS盤古風(fēng)烏GSM山西市場多場站月度月內(nèi)交易實證在中國最早正式運(yùn)行的電力現(xiàn)貨省份，

支持多類型場站月度月內(nèi)實盤交易新能源場站功率預(yù)測準(zhǔn)確率+2.37%區(qū)域發(fā)電特性500+場站預(yù)測區(qū)域用電特性全省/節(jié)點(diǎn)區(qū)域預(yù)測市場主體行為深入理解火電報價模式月度策略旬策略日滾動策略現(xiàn)貨策略能源大模型：

AI電力交易員超越人類水平收益提升1.1分/kWh收益提升0.9分/kWhAI

Agent

v.s.

民營代理交易AI

Agent

v.s.

能源集團(tuán)策略電力量化交易AI

Agent清華能源大模型動作：

電力系統(tǒng)決策策略

V2G電動車充放電

虛擬電廠調(diào)度

環(huán)境

代理能源模擬器和能源大模型支撐電力系統(tǒng)智能決策優(yōu)化能源模擬器

能源治理回報:短期/長期政策結(jié)果光伏規(guī)劃基于能源模擬器，

使用能源大模型優(yōu)化車對網(wǎng)

（V2G）

策略以增強(qiáng)電網(wǎng)穩(wěn)定性。我們的嘗試：結(jié)合深度強(qiáng)化學(xué)習(xí)優(yōu)化最佳V2G策略V2G：

調(diào)整電動車的充電時間，從而實現(xiàn)電網(wǎng)的削峰填谷。決策優(yōu)化支撐一：

電動車充放電策略優(yōu)化電網(wǎng)波動估計

能源模擬器

總體目標(biāo)V2G策略所提V2G策略可以大大提高光伏電力的利用率，

從而大幅節(jié)省非光伏所提方法可以實現(xiàn)V2G策略理論潛力的98.3%

。

為每個城市每年節(jié)省1.16萬噸二氧化碳。論文產(chǎn)出:

Qianyue

Hao,

Qinglai

Guo,Yong

Li

et

al.

City-scaleVehicle-to-gridCoordinationwith

Real-world

Datavia

Deep

Reinforcement

Learning.投稿至Nature

Sustainability.決策優(yōu)化支撐一：

電動車充放電策略優(yōu)化?

V2G策略在節(jié)能方面表現(xiàn)出色決策優(yōu)化支撐二：

光伏規(guī)劃在分布式用戶節(jié)點(diǎn)上部署屋頂光伏系統(tǒng)，

以最大限度地提高太陽能發(fā)電量并最大限度地降低電網(wǎng)運(yùn)營成本

。問題建模：

連續(xù)規(guī)劃過程狀態(tài)：

AOI

的靜態(tài)功率需求

、

當(dāng)前光伏發(fā)電量概況和當(dāng)前光伏裝機(jī)率。動作：

調(diào)整當(dāng)前部署比例。獎勵：

光伏發(fā)電成本獎勵和電網(wǎng)運(yùn)行成本獎勵的加權(quán)總和Sibo

Li,Yong

Li

et

al.

Multi-Agent

Reinforceme