吴文俊人工智能科学技术奖
青年科学家
首页 > 青年科学家 > 正文

《数据驱动的电力系统分析—初探与思考》

2021年05月20日   来源:中国人工智能学会     

9083


2021年4月10日-12日,吴文俊人工智能科学技术奖十周年颁奖盛典暨2020中国人工智能产业年会在北京和苏州同期圆满成功举办。清华大学电机系副教授张宁受邀在苏州工业园区希尔顿酒店,2020中国人工智能产业年会—青年科学家前沿论坛上发表主题报告《数据驱动的电力系统分析——初探与思考》。


以下为演讲实录:


尊敬的各位来宾,非常荣幸在这里向大家汇报我的工作,首先做一个自我介绍,我叫张宁,来自于清华大学电机系,电机系主要是研究电力系统、电网,我们学校的电子系、自动化系都是从电机系生长出来的,这是比较传统的工科院系。我们是智慧能源实验室,主要面向电力系统做电力系统规划和运行、可再生能源并网、低碳电力技术、电力市场负荷预测等等工作。


电力系统是一个典型的传统的老工科,也是典型的模型驱动的系统,电力系统的规律服从物理规律、电磁方程,近两年来,大数据逐渐被用于电力系统。其实我们探索过程当中也走过一些弯路,在这里跟大家进行分享。




电力系统应用大数据的技术,或者人工智能的技术主要背景就是电力系统的数字化,传统的电力系统在80年代,电力系统已经100多年的历史,电力系统之前是模拟电力系统,不数字化,也可以运作电力系统。但是2003、2004年提出智能电网,以及2014年提出互联网以来,电力系统的数字化将改变电力系统的各个面貌,无论是从电力系统的发电到输配,一直到用电侧各个领域逐渐被数字化,我们除了有依次系统之外,还有二次系统,有很多数据的监控,电力系统逐步积累了大量的数据,可以产生更加智能、更加高级的应用,这里列了一些简单的数据怎么帮助电力系统变得更好。




数据驱动和人工智能方向在电力系统的应用不断增加,我们电力系统非常权威的杂志里面前几篇论文一半以上都是做数据驱动,可见这也是非常热的领域。




从整个学科的角度来讲,我们说电力系统学科是典型的物理模型驱动的学科,我们之前学的电力系统分析、电磁场都是电力系统,我们系的课90%以上都是物理模型驱动的。我们在很多年前逐渐出现了统计推断模型,从统计推断的角度看电力系统的特征,就诞生了电力系统统计分析,这个跟我们计算模型结合上,我们做的电力系统很多仿真都是这一块,电力系统人工智能是电力系统的知识、计算模型和统计推断模型的集成,我们在不断地探索当中发现单纯用机器学习的方法,脱离物理模型发现电力系统并不太适用,原因就是在于电力系统本身需要遵循严格物理的特征。




电力系统从垂直的系统来说分为两个环节,第一个环节是配用环境,大家用电的环节,这个环节里面采用机器学习里面比较多的是用户行为分析,另外一方面是用户负荷预测。




第二个环节是电力系统在输电和发电领域我们做数据驱动的潮流计算与拓扑辨识、和电力系统运行方式,现在比较时髦的叫法叫数字孪生,我们有一个物理系统,还要建一个数字系统,对物理系统做出一些优化和预测,这就是数字孪生技术。


这是我们整体对于电力系统怎么样用数据驱动的方法,或者人工智能基本方法的判断。在这四个方面,我向大家简单的介绍一下,这两天开会下来就感觉人工智能研究的领域跟电力系统差别比较大,大概介绍一下我们的研究进展。


电力用户行为模型




第一是用户,电力用户其实规律很复杂,原因就是电力用户,平常用电遵循的规律跟我们平时的生活规律息息相关,息息相关很难用物理模型表述的,很显然,我们用户的行为是我们电力领域非常关注的人工智能方法非常好的应用的领域。


我们光看电力用户的曲线,就可以看到无论是某个用户每天的负荷曲线和同一天不同用户的负荷曲线发现差别度很大,规律还是很难找的,每天大家几点钟起床,几点睡觉还是有一定的随机性。我们怎么样抓住这些规律呢?电力系统说用电不会通知电网说用电,而是要随时满足我们的需求,就需要抓住什么只有用户会去用电,我们对用户行为怎么理解,我们看到的是这个负荷曲线,我们对负荷曲线让计算机理解,这个就是用户用电模式的分析,用户的行为模式是什么样的。



比如说用KSVD的分解,就把用户比较杂乱无章不可解释的负荷曲线分成一个个分量,就是用电子模式,总体的负荷就是各个设备负荷的相加,用电子模式我是不知道的,我需要学习很多子模式,就发现用电子模式可以学出来,这就是一个字典,一个概念,这样的话不同的电子模式就表明了用户的某一类行为,比如说晚上洗衣服的行为和娱乐的行为、取暖的行为等等。通过子模式的辨识,对用户进行编码,最后可以对用户的行为进行了解。我们发现对用户用电曲线恢复的效果,仅用三四个子模式就可以非常好的信息量损失极小的恢复用户曲线,这个曲线是看不懂的,但是弄上编码之后,计算机就可以了解用户的行为,了解不同用户的关联,这个是这方面的应用。里面如果变成编码,可能编码也有季节性,反映用户行为的模式。



我们知道了用户的行为模式,还可以对用户肖像进行描绘。什么叫用户肖像呢,用户一系列社会经济的信息,到底是几口之家,到底喜欢多用电还是少用电,这些信息都可以通过杂乱无章的负荷曲线得到。具体方法就是面对几百万个客户,有一些客户的社会经济信息的收录,用一部分的信息和负荷和其他用户的负荷,通过其他的负荷直接判断到你是什么样的用户,这个是典型的机器学习的问题,我们就可以深度卷积的网络解决这个问题。


可以看到我们对不同的年龄,对不同的用电行为模式都可以学习,学习出来之后,电力用户是很多的,只中其中的几千个用户,进行学习之后,目前准确率达到60%以上。


用户负荷预测


第二部分就是用户负荷预测,负荷方面是最先用机器学习的方法,这一块的研究非常多了,我就简单的展开一下。一方面是单一的用户预测。一般来说系统的负荷预测非常多了,有将近20、30年的历史,用户的负荷预测这两年刚开始,原来基于统计学习的方法很难解决,现在基于用电模式的识别,规律性的辨识,精度还是比较高的。


一个典型的例子就是大用户,对它的模式进行挖掘,就可以很好的提高预测的精度,这块我就不详细展开了。



还有就是集群的符合预测,用户是上百万的量级,但是我们之前的负荷预测,发现总是预测不准,原因是很多电动汽车新的负荷的信息,各个行业都在电器化,我们有一个简单的想法,这个用户能不能进行分组,每组用户自己的特征会比较好。我们对不同用户的组,用不同的方法进行预测,最后就可以进行加总,就可以提升用户整体负荷曲线的精度,我要知道每一个用户进行分组之后就会更准确一些,这个就是集群负荷预测的情况,这个精度也是会提升一些的,但是提升的不是特别多,整体来说,用户负荷预测精度都应该是90%以上,误差在个位数。


数据驱动的配网潮流计算与拓扑辨识



下面汇报的就是数据驱动怎么更偏电网的研究,包括配电网潮流计算和拓扑辨识,这个和专业结合的更紧密一些,电力系统完全是物理模型驱动,就是我知道这个电网长什么样,就直接用方程带进去就可以求解,但是现在反过来电网的模型不知道,配网发展非常快,用户转接,电网不知道怎么接线的,但是我可以通过一系列的测量,发现测量当中的信息就可以反推配电网潮流怎么样进行计算,这个是配电网应用的方向,因为我们有了高计量的体系,通过智能电表的信息采集,就可以对这个进行非常详细的分析。


潮流计算用的公式太多了,我就跳过去了。


这里讲讲拓扑参数辨识,这个电网的接线的方式一般是知道的,但是目前发展很快,有可能是不知道的,我们就进行测量,测量电网端的数据,用端的数据反推电网电器是怎么样拓扑的结构,我们提出了粗辨识和细辨识的方法,基本的思路还是回归的思路,回归里面有非常难的问题就是一方面回归要基于潮流方程的回归,另外一个回归就是数据,我们说电网的两侧数据是贡献性非常高的,我们需要采用特殊的技术,内嵌进去潮流方程,才能把拓扑辨识出来,直接辨识一般方法都是行不通的。我们发现采用自己的方法,粗辨识的差别比较大,细辨识的情况下,差别还是比较小的,误差是1%以下,取得比较好的效果。



最后一部分就是电力系统运行方式分析,这是大电网方面的研究,大电网面临的问题就是高比例可再生能源的并网,这种情况下电力系统原来的运行方式很稳定,冬天和夏天两种方式,未来电网运行方式会越来越复杂,原因就是电网越来越看天吃饭,今天风刮的特别大是一种运行方式,风刮得特别小是另外一种运行方式,我们就采取数据驱动的方式对电网进行分析。


光伏有不确定性,有的时候没有光,这两天苏州非常阴天,有的时候阳光明媚,就有不确定性,这个时候电力系统的运行方式是怎样的,我们就提出了典型运行方式提取的方法,通过电力系统运行模拟,把电力系统每个点看成高维空间的数据。这个数据多高维呢?大概是几万维的数据。一种运行方式是一个点,比如说全年8760个小时,就有8760个点,用数据驱动的方式把高维情况下,比如说几万维的情况下,里面有8760个点,这几个点怎么进行聚类,典型的数据驱动问题,专门研究数据驱动可能认为这个问题比较简单,电力系统还是觉得很难的,第一步进行降维进行聚类,聚类完之后进行第二步降维,这个维度太高了,首先第一步降维PCA,然后聚类方式用一些简单的方法,第二层就是用非线性的降维,最后进行可视化。



这是我们得到的结果,对青海电力系统,这是非常复杂的电力系统进行分析,可再生能源比例非常少的时候,有很多水电,这个运行方式在全年可视化的结果,这个是按照天排的结果,发现很有规律,就是冬天、春天,夏天、秋天,中间有一部分就是水特别多的时候。可再生能源越来越多的时候,运行方式就会发生分散,就会知道电力系统今天变了一个方式,明天又变了另外一个运行方式,电力系统通过不断地更好的适应这个运行方式,这个不是模型驱动,是通过数据驱动的结果。这是我们从负荷一直做到电力系统的分析。


电力系统运行方式分析



最后分享一下我们对电力系统工科的研究怎么用人工智能方法思考,我们原来做的工作就是从模型到决策,但是现在有了很多数据,我们可以从数据到数据,预测就是一大堆数,最后来了另外一大堆数,或者数据到模型,什么概念呢?原来不知道这个数据,通过数据拟合什么模型。除此之外可以从数据到决策,现在很多电网脑,基于机器学习,从数据得到电网怎么操作,这也是目前的趋势。




我们目前研究说这个趋势论文很多,但是发现对于电力系统来讲,从数据到决策的方式,像滴滴打车软件的决策不一样,电力系统要求100%安全,现在机器学习的方法找不到100%安全的方式,所以怎么办呢?我们目前研究的逻辑就是从数据考虑一部分模型,然后再到决策这样的运行方式,数据驱动的模型在决策模型当中嵌套,这个是电力系统研究中的难点,单纯直接套数据驱动的方法效果并不好,但是如果能够考虑一些模型,会发现效果非常好,但是数据驱动中非常复杂的一些方法当中怎么嵌电力系统的模型是非常难的事情,所以应用于电力系统的人工智能的模型要考虑到电力系统。


从电力系统典型的物理驱动的系统来看,怎么看数据驱动和物理驱动的关系,首先就是物理模型,一个系统可以有N多个物理模型,每一个物理模型假设不一样,所以每一个物理模型应用领域不一样,但是数据驱动模型有一系列数据驱动模型,每一个模型都长得不一样,但是如果有一个模型既符合物理规律又符合数据的测量,这个模型肯定就很好,我们现在就需要找这个模型,但是现在绝大多数论文找的都是这些(模型,数据拟合的很好,但是可能优化,一出边界就变的非常差,希望我们考虑物理模型,这是可信性、可解释性、可移植性的问题,这也是我们一直探讨的问题。

组织机构

主管单位
中华人民共和国科学技术部
国家科学技术奖励工作办公室
主办单位
中国人工智能学会

奖励资质