Large Language Model-Assisted Zoning for Heterogeneous Automatic Voltage Control in Renewable-Rich Regional Power Grids

现代电网不再仅仅是电力从大型煤电或气电厂稳定流向家庭和工厂的单向通道。如今，它是一个动态的双向网络，越来越多地由风力涡轮机和太阳能电池板供电。这些可再生能源虽然清洁且至关重要，但也具有反复无常的特性；风会停止吹送，云层会遮挡太阳能场，导致其发电量剧烈波动。这种不可预测性为电网运营商带来了一个特定的挑战：保持电压稳定。电压是推动电流通过导线的电压力；如果电压过高，可能会损坏设备；如果电压过低，灯光会变暗，电机也会停转。在传统电网中，运营商可以依靠大型、稳定的发电厂来调整输出，从而平滑这些波动。但随着成千上万个分散的风能和太阳能场，电网变成了一个复杂的网络，其中一个区域电力过多或过少都可能导致另一个区域的电压发生危险的摆动。管理这一过程需要一种能够即时决定哪些电源应该调整其输出以及调整多少的系统，而这项任务对于标准的统一规则来说已经变得过于困难。

在最近的一项研究中，来自中国国家电网山西电力公司的研究人员提出了一种管理这种复杂性的新方法，即通过一种被称为大语言模型的人工智能工具来引导，对电网的不同部分采取不同的处理方式。该团队并没有强迫每个太阳能农场和风力涡轮机都遵循完全相同的指令，而是开发了一个系统，该系统首先观察电网的局部状况，以决定哪种策略最适合每个特定区域。他们根据电源如何与局部电压相互作用将电网划分为不同的区域。在一些电压天然稳定的区域，系统只是要求发电厂维持一个稳定的、预设的无功功率值——这是一种有助于维持电压但不实际向家庭输送能量的电气支持。在其他电压波动更为明显的区域，系统则切换到一种模式，让发电厂主动追踪并纠正电压，就像恒温器调节加热器以保持室内温度恒定一样。

然而，电网中最复杂的部分涉及许多不同发电厂紧密连接并产生强烈相互影响的区域。在这里，如果每家发电厂都试图独自修复电压，它们可能会陷入互相抵消的局面，形成一场浪费能量并使设备承受压力的混乱“拔河”。为了解决这个问题，研究人员引入了一种使用被称为多智能体深度确定性策略梯度（multi-agent deep deterministic policy gradient）的人工智能技术进行的复杂协调方法。在这种设置下，中央控制器决定整个群组所需的总电压支持量，而人工智能则扮演一名公正的裁判，决定每家发电厂具体应承担多少工作量以实现该目标。这确保了负担得到了均匀分配，不会出现某家电厂过度劳累而其他电厂却闲置的情况。

为了做出这些决策，研究人员使用大语言模型并非用于生成最终指令，而是将其作为高级规划器。该人工智能工具分析了电网的当前状态，包括风能和太阳能场的输出、输电线路的布局以及电压波动的历史记录。基于这些数据，它会建议如何对发电厂进行分组、为每个小组采用哪种控制策略，以及应用哪些初始设置。如果系统的初始计划未能通过安全检查（即电压仍偏离安全范围过远），人工智能会审查结果，从错误中学习，并针对分组或设置提出调整建议。这种“规划、测试、改进”的循环使得系统能够在无需人工干预的情况下适应变化的情况。

团队在一个模拟真实电网的版本上测试了这种方法，该模型基于一个拥有39个连接点、包含8个风电场和8个太阳能电站的标准测试系统。他们将这种新的、灵活的方法与应用单一规则于整个电网的旧策略进行了对比。结果显示，新方法在保持电压稳定方面明显更有效。与完全不采取特殊控制相比，它将电压超出安全范围的次数减少了近88%；与现有的最佳统一方法相比，它将此类违规情况减少了40%以上。此外，新系统更好地平衡了工作负载；在旧方法中，一些电厂经常被迫进行大幅度、突发的调整，而另一些电厂则纹丝不动，这导致了不均匀的磨损和损耗。新方法平滑了这些调整，使每家电厂需要做出的变化幅度减少了约30%，并消除了电厂之间意外抵消彼此努力的情况。

该研究的一个关键发现是，大语言模型自我优化建议的能力产生了可衡量的差异。当研究人员允许人工智能调整其对不同目标的重视程度时（例如，优先考虑电压稳定性与平衡电厂间的工作负载），系统的表现甚至更好。在最困难、连接最紧密的区域，经过人工智能优化的系统与标准控制方法相比，减少了近19%的电压误差和超过70%的工作负载不平衡。这表明，电网管理的未来可能不在于一套单一、僵化的规则，而在于能够观察局部发电厂邻里特征并决定如何维持电力供应的最佳方式的智能系统。这项研究证实，通过将人类设计的控制逻辑与大语言模型的自适应推理相结合，可以创建一个更具韧性和效率的电网，以应对低碳未来所需的高水平可再生能源。