什么是电力系统？
源
各类发电机
网
电网，所谓的国家电网、南方电网公司其实指针对电力系统中的电网部分
荷
负荷，用户端
储
储能，因为电能在电网中以光速传播，任何功率不平衡都会导致电网失稳
所以，需要有储能环节保证电网时刻功率平衡
什么是智能电网
定义
智能电网是利用数字和智能技术来提高电力系统的可靠性、安全性和效率（包括经济效率和能源效率）的电网。
覆盖范围
智能电网的范围涵盖电力系统的以下领域：
- 输配电基础设施
- 终端用户系统及相关的分布式能源
- 在不同系统协调层级对发电和输配电基础设施的管理
- 信息网络
- 驱动投资并激励决策者采购、实施和维护系统各个方面的金融和监管环境
系统组成示意图元素
- 输电自动化 (Transmission Automation)
- 可再生能源整合 (Renewables Integration)
- 配电自动化 (Distribution Automation)
- 需求参与信号与选项 (Demand Participation Signals & Options)
- 智能家电、插电式混合动力汽车与储能 (Smart Appliances PHEVs, & Storage)
- 系统协调态势评估 (System Coordination Situation Assessment)
- 系统运行 (System Operations)
- 能源效率 (Energy Efficiency)
- 分布式发电与储能 (Distributed Generation & Storage)
智能电网的特征
互动 (Interactive)
电网通过运用多样化技术和新设备，整合各类市场，促进系统内的开放性和互动性。
智能电网与传统电网的区别
发电 (Generation)
能源结构转型
电力生产将从以煤炭为主转向可再生能源，以实现碳减排目标。
可再生能源占比提升
近年来，可再生能源装机容量的比例一直在稳步上升。图表显示了全球及中国电力来源的变化趋势，煤炭占比下降，非水可再生能源占比提升。
电网 (Grid)
公用电网的核心角色
在电力系统运行中，公用电网在电力的调度、控制和管理方面发挥着至关重要的作用。
智能电网下的特性变化
智能电网运营框架下，电网的特性也发生变化：
- 特高压输电规模扩大，以支持大规模可再生能源的消纳。
- 微电网、大规模柔性直流输电等技术的快速发展，促进了公用电网和微电网的融合。
- 配电网向具有灵活控制和运营能力的智能灵活有源配电网转型。
- 电力网与天然气网、通信网、电视网、交通网等的整合与联合治理。
负荷 (Load)
传统电力系统特点
传统电力系统是一个“发电跟随负荷”生产组织模式的超大规模、非线性、时变能量平衡系统。
智能电网下负荷的复杂性
在智能电网中，住宅光伏等分布式电源、插电式电动汽车等可调负荷、虚拟电厂以及制冷制热设备的整合，增加了负荷侧类型和组织形式的复杂性。
储能 (Energy Storage)
储能的必要性
储能是应对智能电网中可再生能源不确定性的重要基础设施。有必要引入储能作为灵活的调节资源，以维持实时平衡。
储能技术分类
储能技术按能量形式可分为：
- 抽水蓄能
- 电化学储能
- 压缩空气储能
- 机械储能
人工智能与物联网（AI&IoT）在智能电网中的作用
应用广度与核心能力
AI&IoT的应用涵盖了电力系统的整个范围，包括发电、输电、变电、配电和用电。AI&IoT技术可以从不同来源收集数据，并通过大数据做出明智决策。
具体研究方向与应用
发电领域
- 光伏(PV)超短期功率预测
- 风电集群预测
电网领域
- 电厂实时监控
- 设备智能故障诊断与状态评估
- 变电站监控视频图像智能识别
- 低压配电区域拓扑智能识别
- 智能故障诊断与分析
负荷领域
- 智能计量
- 智能家居与建筑
- 需求响应
AI&IoT 应用实例
太阳能功率预测 (Solar power forecast)
关键技术方法
AI&IoT技术在光伏功率预测中起着关键作用，主要方法包括：
- 数据收集与传感器: 实时监测影响太阳能效率的环境数据（光照、温度、湿度、风速等）。
- 数据传输: 利用物联网实现传感器数据的低延迟实时传输至数据中心。
- 数据分析与预测: 机器学习和人工智能模型通过分析历史和实时数据来预测功率输出。
- 反馈与优化: 系统根据预测准确性自学习调整模型参数以改进预测。
混合LSTM与CNN模型应用
- 数据收集与模型训练: 使用物联网设备收集太阳辐照度、温度、湿度、风速和功率输出等历史数据。 利用历史数据训练一个混合长短期记忆（LSTM）和卷积神经网络（CNN）模型。
- 实时预测: 通过物联网传感器持续收集当前气象数据。 将此实时数据输入训练好的混合CNN和LSTM模型，生成气象数据和太阳能功率预测数据。
两阶段预测模型 (POST-enCNN)
- 第一阶段 - 基于CNN的温度预测模型:
- 输入：日前气象信息（温度、降水、风速、湿度、辐射、云量、能见度 - 7维）。
- 输出：日前场内温度（板温、空气温度 - 各1维，共2维，随时间变化）。
- 第二阶段 - 基于LSTM的光伏功率预测模型:
- 输入：预测的场内温度以及日前气象信息。
- 输出：每小时光伏功率预测。
预测结果评估
在不同气候条件下（晴天、阴天、雨天），混合LSTM和CNN模型使用预测的场内温度，其预测结果更接近实际光伏发电量，并且总体预测准确性高于传统方法。
输电线路故障检测 (Transmission Fault Detection)
AI&IoT的角色与优势
AI&IoT辅助输电线路故障识别：
- 实时监测与数据收集: 沿输电线路部署物联网传感器（如无人机搭载的传感器），持续监测电压、图像、振动等参数。 实时收集数据以检测可能指示故障的异常情况。
- 故障检测与分析: 使用无线通信技术（如LoRa, NB-IoT, 4G/5G）将数据传输到中央系统。 使用算法和人工智能分析数据，快速识别和定位故障，从而实现及时维护。
关键处理流程
- 样本处理: 分为低/中/高等级（对局部信息的不同关注度），设备集（设备检测信息）。
- CNN训练:
- 输入：航空影像的不同感受野。
- 过程：采用集成学习方法。
- 输出：绝缘子故障的最终结果。
- 故障检测: 检测整张图像、多设备图像和单设备图像中的设备故障。
详细检测过程示例 (基于多级感知集成学习的绝缘子故障)
- 输入：多级处理后的图像 ()。
- 网络结构：基础网络（Base Network）和辅助网络（Auxiliary Network）。
- 损失函数：两个损失函数计算预测标签与真实标签间的损失。
- 输出：低级（全局故障）、中级（多设备图像故障）、高级（单个绝缘子故障）。
负荷分解 (Load Disaggregation)
数据采集：智能电表
- 在家庭中安装支持物联网的智能电表，以收集详细的能耗数据。
- 这些电表提供各种电器实时用电信息。
核心分析方法：时频域（T-F）分析
- 根据负荷在时频域的特性观察特定负荷模式。
- 基于目标负荷与聚合负荷之间的相关性定制掩码。
AI训练数据处理策略
- 根据外部环境因素导致的负荷特性进行预聚类（如工作日/非工作日，温度相关/温度无关）。
- 使用快速傅里叶变换（FFT）滤波器组进行频域信道划分、特征提取和掩码估计。
深度神经网络（DNN）模型应用
- 训练输入: 目标负荷和剩余负荷通过特征计算转换为频谱值。
- 训练目标: DNN学习为每个频率通道和时间帧映射特征和掩码值。
- 测试输入: 聚合负荷被转换为每个频率通道和时间帧的特征值。
- 输出数据: 训练好的DNN估计掩码，以从聚合负荷中提取所需的目标负荷。
应用成果与评估
模型能更有效地从聚合负荷中提取目标负荷（如住宅和商业建筑的HVAC和照明负荷），即使这些负荷模式比商业负荷更复杂和不规则。 分解后的负荷与住宅和商业建筑中的实际负荷显示出高度相似性。
结论
变革潜力
AI&IoT有潜力显著改变电力行业。
数的赋能：IoT收集越来越多的数据
质的赋能：AI利用IoT收集的数据改进电网运行
主要效益
通过结合历史和实时信息与分析技术，AI&IoT可以提高资产的可靠性，降低运营成本，消除计划外停机，从而使电力公司实现更高的生产力。
