智能优化

借助数字化与智能化技术手段，构建区域能源互联网边云协同智能理论与关键技术，对于实现能源互联网的全景感知和运行优化具有重要意义，是实现多种能源协同互补与清洁能源高效消纳的重要手段。本报告，首先对区域能源互联网的研究背景与意义，如何通过人工智能实现数字化赋能进行概述；在此基础上，提出区域能源互联网边云协同优化整体框架与关键技术；最后，对区域能源互联网边云协同智能优化技术的发展趋势进行展望。

本文研究了高低压配电网智能化技术及设备的应用。首先对高低压配电网智能化技术进行了概述，包括定义、基本原理、分类和特点，以及其优势和应用价值。然后，对智能监测与诊断技术、智能故障检测与定位技术、智能优化控制技术和智能保护与安全技术等方面的智能化技术与设备进行了详细介绍。接下来，通过案例分析评估了高低压配电网智能化技术与设备的应用效果和经济效益，并探讨了应用中的挑战和解决方案。最后，总结了研究的主要结果和结论。

针对风电并网时的随机波动功率、负荷频率控制(load frequency control, LFC)系统参数变化所引起的电力系统频率稳定问题，提出了一种基于智能优化算法与改进目标函数的互联电网LFC系统最优PID控制器设计方法。首先，分析了基于PID控制的含风电互联电力系统LFC闭环模型。其次，在时间乘误差绝对值积分(integral of time multiplied absolute error, ITAE)性能指标的目标函数中考虑了区域控制器的输出信号偏差，对优化目标函数进行改进。采用性能优良的多元宇宙优化(multi-verse optimizer, MVO)算法先计算后验证的思路，寻优获得最优PID控制器参数。最后，以两区域4机组互联电力LFC系统为例，仿真验证了基于MVO算法结合改进目标函数所获得的PID控制器，比基于MVO算法所获得的PID控制器，对阶跃负荷扰动、随机负荷扰动、风电功率偏差扰动以及系统的参数变化，具有相对较好的鲁棒性能。并且，对控制器参数也具有相对较好的非脆弱性指标。

集成了数据处理、在线建模、先进控制、在线优化控制、 智能控制等技术所形成的流程工业智能优化控制系统，具有自学习能力，能够实现在线建模功能，可针对不同装置、不同生产过程形成最适合的控制模型和优化模型，通过通用先进控制模块使各流程工业装置达到 “快、准、稳、优”的最 佳控制效果，并通过通用优化模块使装置或整个系统达到最优的运行状态，从而实现节能、节水及资源综合利用。

针对现有智能优化算法在求解电网故障诊断解析模型时存在的易于陷入局部最优和种群质量低等问题，提出一种改进二进制增益共享知识算法(improved binary gaining-sharing knowledge-based algorithm, IBGSK)。首先，根据故障诊断规则，构建一种包含完备故障信息的完全解析模型。其次，将离散工作机制融入改进算法的种群更迭中，以避免发生空间脱节。然后，结合进化种群动力学思想(evolutionary population dynamics, EPD)，引入一种自适应交叉算子，以提高种群质量和增强算法的全局寻优能力。最后，通过特征选择和故障诊断仿真实验对算法性能进行评估。结果表明：IBGSK算法相较于其他优化算法，在特征选择问题上具有更高的计算效率、更强的全局寻优能力和泛化能力；在求解电网故障诊断解析模型上具有更优的诊断可靠性、时效性和收敛性。

在覆冰条件的气象因素下，输电导线随时间累积形成的覆冰厚度、形状和分布变化，影响着电网系统的安全运行。按预测模型从覆冰生长到导线除冰各阶段存在的关联分析，讨论了各模型的优势差异以及相互存在组合的可能性。覆冰全周期存在着由微观到宏观的变化，影响着导线覆冰的生长进程。预测模型可按全周期组合，首先，对初始数据的降噪可解决数据发散，用主成分分析法的降维可提高预测精度。其次，模型中的支持向量机、混合的群智能优化算法、遗传算法组合等工具乃至交叉方式，都着力于覆冰过程的辨识与建模。再次，将热力融冰技术的负荷交流或涡流自热环应用在除冰阶段，使覆冰监测形成了动态闭环系统。最后，结合分析对输电线路覆冰预测的研究方向做了展望。

群体智能是国家《新一代人工智能发展规划》明确需重点发展的人工智能理论方向。大范围跨域动态场景和大规模智能体群对群体智能协作的可扩展性提出了重要挑战。本报告将介绍大规模、动态开放场景的群智协作方法。首先，面向大范围场景，介绍跨域协同进化的群体智能优化方法；其次，面向动态和大规模协作场景，介绍基于遗传规划的超启发式群智协作优化方法；最后，报告将介绍上述方法在巡检、水下监控、智能物流等领域的应用。

在向新型电力系统升级转型的过程中,新一代人工智能技术是其中的关键创新技术之一,可以与传统机理方法形成优势互补。然而随着电力人工智能技术应用的推广与深入,逐渐凸显出影响应用成效的3个关键问题：数据均衡问题、模型可信性问题、实时优化协同问题。针对以上3个问题,文章梳理总结其对应的核心技术分支、发展现状与典型应用,提出通过数据增强、迁移学习、仿真推演等数据增强推演技术解决小样本带来的模型过拟合与泛化性能下降问题,通过串行、引导、嵌入、反馈、并行等数据机理融合模式解决模型安全性、可解释性、鲁棒性等可信危机问题,通过群体智能、混合增强智能等智能优化决策技术解决源荷高度不确定下的大规模资源快速、实时、精准决策。最后,结合3个关键问题维度,对电力人工智能发展所需要重点突破的技术方向进行了展望。

随着“双碳”目标的提出，未来配电网中会面临极高比例的光伏等新能源接入，电压越限、潮流返送等问题频繁发生。在充分利用配电网已有调压手段和无功补偿的基础上，由于分布式光伏装机容量太大无法就地消纳，光伏大功率返送导致节点电压越上限。针对此问题，提出了一种基于矩差分析的分布式储能优化配置方法。提出了光伏矩和负荷矩的概念，进而提出了矩差的概念，对矩差和节点电压之间的关系进行了公式推导和理论分析，得出了配电网节点电压与矩差之间的关联关系，并详细阐述了光伏矩和负荷矩的计算方法。在此基础上，提出了一种基于矩差分析的配电网储能优化配置方法，以发生光伏返送时保证配电网所有节点不发生电压越上限为目标。IEEE 33节点配电网系统算例表明，与传统的智能优化算法相比，所提方法直接确定储能安装位置，计算效率高，计算结果准确，工程实用性强。

采用人工智能预测控制创建了电站煤粉的动态识别方法、实现了分级燃烧精细配风，研发了炉膛三维温度场在内的锅炉燃烧状态智能感知系统，开发了可实现智能运算闭环控制的模块化扩展控制平台，首次实现了锅炉燃烧状态感知、智能实时闭环控制、智能控制平台扩展的集成应用。该技术解决了传统控制无法对多变量、多目标、强耦合、大迟延系统进行有效控制的问题，实现了提高锅炉效率和降低氮氧化物生成量的多目标协同优化。能适用于不同炉型，在不进行大规模锅炉设备和DCS软硬件改造的前提下单纯采用此技术可提升锅炉效率0.3%-1%、降低供电煤耗约1g/kWh-3g/kWh，同时NOx生成量降低10%。