基于生成式人工智能的停电场景生成与评估方法研究

《CSEE Journal of Power and Energy Systems》:Power outage scenarios generation based on generative artificial intelligence

【字体: 大 中 小 】 时间:2025年12月16日 来源:CSEE Journal of Power and Energy Systems 5.9

编辑推荐:

  本文针对实际停电事件数据稀缺难以支撑智能恢复策略开发的问题,提出了基于MAT-DDPM(多注意力去噪扩散概率模型)的停电场景扩展方法。研究人员通过全过程动态仿真生成基础场景,利用改进的生成式AI模型快速生成满足电力系统运行约束的多样化停电场景,并创新性地采用增强大语言模型(LLM)进行场景评估分析。该方法显著提升了场景生成效率(单场景生成时间从17.397秒降至0.334秒)和质量(合规率提升至28.67%),为电力系统自愈能力建设提供了重要数据基础。

  
近年来,极端天气频发和高比例可再生能源并网给全球电力系统安全带来严峻挑战,甚至引发严重停电事故。2017年南澳大利亚因风电出力骤降导致大规模停电,造成约3.67亿澳元经济损失;2019年英国因雷击导致百万人断电;2021年美国德州暴风雪致使450万用户停电。这些事件凸显了开发智能恢复策略和提升运行人员应急决策能力的迫切需求。然而,实际停电事件极为有限,可用数据不足以支撑系统性运行人员培训和人工智能学习需求。因此,如何生成高质量停电场景已成为电力系统自愈能力建设的关键难题。
传统停电场景研究多集中于停电预测和故障估计,虽能通过数据驱动方法预测设备停电概率,但往往忽视设备在停电过程中的动态响应和时空关联特性,导致部分场景难以完全符合电力系统运行约束。另一方面,生成式人工智能在表格数据生成方面展现出巨大潜力,其中去噪扩散概率模型(Denoising Diffusion Probabilistic Model, DDPM)因训练稳定性和生成质量优势备受关注。但电力系统变量间存在复杂非线性耦合关系,现有方法难以充分建模停电场景中的特征依赖关系。
针对上述问题,张立鹏等人在《CSEE Journal of Power and Energy Systems》发表论文,提出了一套完整的停电场景扩展方法。该方法首先通过全过程停电仿真生成基础场景,然后利用创新的MAT-DDPM模型实现多样化停电场景的快速生成,最后设计大语言模型(Large Language Model, LLM)增强流程进行场景评估。研究团队采用改进的新英格兰10机39节点系统进行验证,将33、34、35和38号节点的火电机组替换为额定容量分别为630MW、500MW、650MW和830MW的风电场,同时在8、12和20号节点安装160MW、3MW和240MW的分布式光伏电站。
关键技术方法包括:1)设计全过程停电仿真方案,集成极端天气概率模型、操作行为模拟模型(ACT-R框架)、负荷波动模型(热积累效应)和设备随机故障模型(贝叶斯网络),批量生成10745个基础停电场景;2)提出MAT-DDPM模型,通过设计输入模块(数值特征标准化和分类特征独热编码)和集成多注意力机制,有效处理电力系统混合数据类型和复杂特征依赖;3)构建LLM增强流程,结合稀疏微调(Sparse Fine-Tuning, SFT)、提示工程和检索增强生成(Retrieval-Augmented Generation, RAG)技术,生成专业停电分析报告并实现仿真反馈优化。
仿真生成基础停电场景分析
通过PSS/E 33.0仿真生成的代表性场景显示,可再生能源的高波动性和弱抗扰动能力在停电过程中起关键作用。如图6所示,负荷增加、发电机脱网和可再生能源出力波动导致的功率失衡是停电初始诱因,随后发电机组陆续脱网引起潮流大幅波动,6秒时8号和12号节点分布式光伏脱网进一步加剧功率缺额和频率下降,最终电网解列为两个区域。这表明可再生能源不仅触发停电,还通过弱化系统稳定性扩大停电范围。
MAT-DDPM停电场景生成优越性分析
训练结果表明,MAT-DDPM在10000次迭代后损失曲线收敛,训练集和测试集损失均呈稳定下降趋势,证明模型具备良好泛化能力。注意力权重分布可视化显示,模型能够动态关注不同特征,多注意力头成功捕获特征间多样化关系。
效率对比显示,MAT-DDPM将单场景平均生成时间从动态仿真的17.397秒降至0.334秒,效率提升98.1%。引入LLM反馈机制后,生成时间进一步从2.336秒优化至0.334秒,这得益于反馈驱动的训练数据集优化提高了场景合规概率。
定性分析表明,MAT-DDPM生成场景的数值特征(图9特征1和18)和分类特征(图10特征5和6)分布与真实数据高度吻合,直方图形状和箱线图统计量均优于CTAB-GAN和T-VAE模型。定量评估三个关键指标:合规率(28.669%)、特征熵(五类关键特征总和63.028)和总经济损失分布(标准差9.85×1019),MAT-DDPM均显著优于对比模型,证明其在满足运行约束、特征多样性和场景丰富度方面的综合优势。
增强LLM停电分析报告实用性验证
LLM增强流程使关键词覆盖率从45%提升至62%,GPT评分从62分升至85分,幻觉率从14.7%降至4.3%。如图11所示,基于分析报告的建议措施(隔离线路21-22和22-23)使运行发电机数量从2台增至4台,发电出力从472MW提升至1066MW,负荷供应从446MW扩大至898MW,而随机控制措施反而恶化系统状态。这证明LLM生成报告能提供有效决策支持,助力运行人员缩小停电范围。
研究结论表明,所提方法通过动态仿真、MAT-DDPM扩展和LLM评估的有机结合,有效解决了停电场景数据稀缺问题。全过程仿真方案准确还原含可再生能源的停电链式反应过程;MAT-DDPM在保证场景合规前提下显著提升生成效率和多样性;LLM增强流程不仅提供专业分析报告,还通过反馈机制优化仿真参数。该研究为智能恢复策略开发和运行人员培训提供了高质量数据基础,未来工作将聚焦于利用生成场景优化电力系统恢复策略。值得注意的是,实际应用需考虑数据可获得性、质量保证以及AI模型在复杂随机系统中的泛化能力,这些将是后续研究的重要方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号