⚡ electrical engineering

An Embedded Model-Data Interactive Drive Method for Power System Dispatch

本文提出了一种用于电力系统调度的嵌入式模型-数据交互框架，该框架利用 U-Net GAN 将节点序列映射为图像张量，并作为一种快速的、物理信息驱动的潮流计算代理模型，从而在确保运行可靠性与安全性的同时，克服了传统方法的计算瓶颈。

原作者： Peizhe Yi, Zhen Li, Jianye Zou

发布于 2026-07-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Peizhe Yi, Zhen Li, Jianye Zou

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，电网是一座巨大的、充满活力的电力之城。每一秒钟，发电厂（生成器）都必须向家庭和工厂（负荷）发送恰到好处的能量，以保持灯火通明。但今天，这座城市迎来了一位反复无常的新室友：天气。风能和太阳能就像是难以预测的派对宾客；有时他们会带来丰盛的能量盛宴，有时却空手而来。为了让这座城市安全运行，“交通控制器”（调度员）必须不断调整流量，确保没有哪一条单一路线（输电线路）因为过于拥挤而导致崩溃。

长期以来，这些控制器一直使用一套非常严格、基于规则的地图来做出决策。他们在给出绿灯之前，会计算出每一种可能的交通拥堵情况。但随着城市的规模扩大以及天气变得愈发难以捉摸，这张地图变得如此庞大且复杂，以至于计算机需要花费极长的时间去读取它。这就像是在夕阳西下时，试图拼凑一个百万块的拼图。另一方面，有些人尝试使用“黑盒”人工智能，仅根据过去的图像进行猜测。虽然这种方式很快，但其猜测具有风险；有时，人工智能会建议一条看起来不错但实际上会导致事故的路线，因为它并不理解物理定律。一个大问题是：我们能否构建一个既拥有猜测的速度，又拥有规则手册般的安全性的系统？

本文提出了一种被称为“嵌入式模型-数据交互驱动法”的巧妙解决方案。可以将其想象为聘请了一位超级快速且精通物理学的助手来帮助交通控制器。该系统不再是一个一个地检查每一条道路（这太慢了），而是使用了一种特殊类型的人工智能——U-Net GAN。这种人工智能被训练成不再将电网视为一串数字，而是将其视为一张彩色的图像或一张天气图。它能一眼看清整座城市，识别出哪些道路可能变得拥挤，以及哪些道路完全空闲。

研究人员发现，城市中的大多数道路实际上都非常安全，很少发生拥堵。旧的、缓慢的方法在一次又一次地检查这些安全的道路，白白浪费时间。而这个新的 AI 助手则可以瞬间识别出那些真正需要关注的少数危险道路，并忽略其余部分。通过将这种 AI “嵌入”到传统的安全检查中，系统可以跳过那些枯燥、冗余的数学运算，转而专注于最关键的部分。在他们的模拟实验中，这种方法能够识别并移除超过 97% 的不必要安全检查，将原本耗时漫长的过程缩短到了毫秒级。

该论文还表明，这种方法比标准的“猜测型”人工智能要聪明得多。因为人工智能学习了物理规则（例如电流是如何实际流动的），它不会犯危险的错误。在针对不同规模电网（从小型城镇到大规模国家网络）的测试中，即使在天气剧烈变化的情况下，该系统也能保持电力流动既安全又高效。此外，通过将日前计划与实时调整相结合，该系统节省了成本——在他们的测试中，与那些没有提前规划的旧方法相比，成本降低了约 3% 到 6%。本质上，这篇论文表明，通过教人工智能像观察图像一样“看见”电网并理解物理规则，我们可以更安全地依赖于风能和太阳能等不可预测的能源，同时确保我们的灯火常亮。

以下是关于论文《一种用于电力系统多阶段最优调度的嵌入式模型-数据交互驱动方法》的技术摘要详细翻译：

1. 问题陈述

本文研究了在“双碳”目标下，具有高比例间歇性可再生能源（风能和太阳能）渗透率的电力系统所面临的运行挑战。文中确定了两个主要的瓶颈：

模型驱动的局限性： 传统的优化方法（如混合整数规划）面临“维度灾难”。随着电网拓扑结构的扩大，为确保全局安全所需的安全性约束（支路功率流）数量呈指数级增长，导致计算时间大幅增加，使得实时或日内优化变得困难。
数据驱动的局限性： 纯深度学习方法虽然提供了快速推理能力，但其本质是“黑盒”系统。它们往往缺乏物理可解释性，难以处理高维拓扑关系，并且可能产生违反物理安全边界的决策，从而限制了其工业化部署。

现有的混合方法通常依赖于简单的算法（如一维 MLP），无法充分捕捉电网的空间拓扑特征，从而导致可解释性和可靠性问题。

2. 研究方法

作者提出了一种用于日前（DA）和日内（ID）多阶段经济调度的嵌入式模型-数据交互框架。其核心创新在于将深度学习代理模型直接集成到传统的优化循环中，以加速约束识别。

A. 多阶段协同框架

日前（DA）阶段： 通过最小化总运营成本来确定机组组合（UC）和基准储能调度方案。
日内（ID）阶段： 针对超短期波动。它继承了日前组合状态作为物理前提，并进行残差优化以最小化实时调整成本。

B. 系统状态的张量化映射

为了使卷积神经网络（CNN）能够提取电网拓扑特征，作者将一维离散节点序列映射为二维多通道图像张量：

输入通道：
1. 总线级负荷功率（ $P_{load}$ ）。
2. 总线级可再生能源发电容量（ $P_{renw}$ ）。
3. 系统拓扑结构（二值矩阵）。
处理过程： 原始数据被转换为灰度图像并统一调整大小为标准 $256 \times 256$ 张量，通过卷积核保留空间相关性。

C. 物理启发式嵌入式 GAN 代理模型

一个基于 U-Net 的生成对抗网络（GAN） 作为潮流代理模型。

架构： 生成器采用带有**拓扑保持跳跃连接（skip connections）**的 U-Net 结构。这使得模型能够融合深层语义特征（全局趋势）与浅层高分辨率特征（局部拓扑细节），确保在从图像到数据的映射过程中保持总线的物理空间坐标。
物理启发式损失函数： 为确保物理可靠性，训练损失（ $L_{total}$ $L_{t o t a l}$ ）结合了：
1. 对抗损失（ $L_{adv}$ ）： 标准 GAN 损失。
2. 物理启发式损失（ $L_{phys}$ ）：
  - 支路潮流约束损失（ $L_{flow}$ ）： 利用 PTDF 矩阵惩罚违反传输限制的行为。
  - 结构相似性指数（SSIM）损失（ $L_{ssim}$ ）： 评估图像保真度，以确保预测的功率流分布符合结构特征。
集成方式： 训练好的 GAN 取代了耗时的交叉验证步骤。它能够快速识别并剔除优化模型中的冗余安全约束（即运行安全的线路），使求解器仅专注于“活跃”约束。

3. 主要贡献

本文概述了四项主要贡献：

嵌入式交互框架： 一种新型架构，其中深度学习代理模型被嵌入到传统优化器中，以快速剪枝无效约束，平衡了安全性与效率。
时空张量映射： 一种将一维节点序列转化为多通道图像张量的创新方法，利用 CNN 的感受野来保留空间拓扑特征。
拓扑保持 U-Net GAN： 引入了跨层跳跃连接和物理启发式损失函数（整合了潮流惩罚和 SSIM），以确保毫秒级的推理严格遵循物理边界。
多时间尺度协同优化： 一个 DA-ID 框架，其中 ID 阶段锁定在 DA 基准之上，将复杂的重调度转化为残差优化，从而提高了经济效率。

4. 结果

该方法在不同 MIP 容差间隔下的 IEEE-33、IEEE-118 和 IEEE-300 系统上进行了验证。

降维与速度： 代理模型成功识别并剔除了超过 97% 的冗余约束。这使计算开销与系统规模及 MIP 间隔脱钩，将复杂的 MIP 问题转化为具有毫秒级速度的确定性神经网络推理。
重建保真度： 该方法在所有系统规模下均保持了较高的结构相似性指数（SSIM）（通常在 0.95–0.98 之间），即使在严格的优化要求下也是如此。相比之下，纯数据驱动（DD）方法在严格约束下表现出明显的退化（在 IEEE-300 系统中 SSIM 降至约 0.6）。
鲁棒性： 物理启发式方法对数据扰动和优化容差变化保持稳健，而纯 DD 方法表现出高度的敏感性并偏离真实值。
经济效益： DA-ID 协同调度优于独立的日内调度。在 IEEE-300 系统中，协同方法实现了约 5.7% 至 6.1% 的总运营成本节省，有效缓解了孤立调度带来的“短期主义惩罚”。

5. 意义与主张

论文声称这种嵌入式模型-数据双驱动方法为新型电力系统的多时间尺度灵活调度提供了一个通用框架。其意义在于：

解决维度灾难： 通过使用 GAN 过滤约束，它实现了大规模电网的毫秒级在线安全性验证，且不牺牲物理严谨性。
弥合差距： 它成功平衡了计算及时性、经济效率和物理可靠性，解决了纯模型驱动和纯数据驱动方法的局限性。
物理安全： 与黑盒模型不同，物理启发式损失函数和安全裕度的引入确保了生成的调度策略严格遵守刚性的物理边界，使其具备工业化部署的可行性。

作者总结道，该方法有效地解决了传统黑盒数据驱动模型的固有缺陷，同时也克服了传统基于物理的模型在计算方面的瓶颈。