6月20日,清华大学电机系长聘教授、青海大学副校长梅生伟在2025国家能源互联网大会上作《人工智能赋能新型电力系统的探索》的主题演讲,演讲从数学角度出发,讲述了深度学习在电力系统中的应用,分享了数字电力系统的概念及其在电力系统中的应用等。他认为,新型电力系统作为国家战略,其核心特征体现

首页 > 输配电 > 保护与控制 > 评论 > 正文

清华大学梅生伟:深度学习可实现人工智能驱动电力系统增强感知、认知和决策

2025-06-23 18:07 来源:北极星电力网 

6月20日,清华大学电机系长聘教授、青海大学副校长梅生伟在2025国家能源互联网大会上作《人工智能赋能新型电力系统的探索》的主题演讲,演讲从数学角度出发,讲述了深度学习在电力系统中的应用,分享了数字电力系统的概念及其在电力系统中的应用等。

图片1.png

他认为,新型电力系统作为国家战略,其核心特征体现为:一是大规模风光基地的集中建设,二是依赖特高压技术实现清洁能源的远距离输送。截至2023年底,我国已累计建成39条特高压线路,年输送清洁电量超3万亿千瓦时,堪称工业史上的创举。然而,高比例可再生能源接入与特高压输电也带来了“双高”(高比例新能源、高比例电力电子设备)挑战:新能源强波动性显著,且风光机组惯量支撑能力薄弱(光伏近乎为零,风机较弱),导致系统在量测感知、精确建模及优化调控方面面临严峻困难。

对此,他讲述了数字电力系统的概念,并强调了其在控制物理系统方面的优势,面临新型电力系统海量的仿真,详细解释了深度学习在增强感知、认知和决策方面的作用,并指出其主要作用于三个要素:数据、知识和决策。他认为,只要有历史数据就可以搞训练,揭示输入和输出的关系。

他表示,基于上述数字系统与增强闭环(感知-认知-决策),可将风机、光伏等发电单元接入电网模型,通过微分代数方程进行动态模拟,确保风光并网的友好性与稳定性。该模拟对算力要求极高:在针对6800种不同潮流工况下的暂态故障情景仿真中,前80%用于训练微分代数神经网络,剩余20%用于暂态测试。结果表明,通过训练后可以实现高精度拟合真实系统动态,误差显著低于传统方法。

然而,新能源强波动性导致系统运行风险陡增,传统安全边界难以精确刻画。面对工况多变、边界模糊、随机性强及计算复杂等挑战,例如高比例电力电子设备引入的不确定性,亟须构建实时动态防御能力——其核心在于“快”。为此,引入生成对抗网络,通过生成极端场景样本与动态对抗训练,快速识别脆弱环节并优化安全策略,最后获得非常快的调控方案。

最后,他总结,深度学习可以实现人工智能驱动的电力系统增强感知、增强认知和增强决策,助力新型电力系统发展。通过深度学习不断挖掘海量数据中隐含规律,挖掘得越多,认知的越多,能做的也越多。除此之外,深度学习也将为电网调度、运行、维护人员提供更加精准的量测、更贴近实际的数学模型、更加智能高效的控制策略,大幅降低决策能耗,未来的目标是打造电力系统的数字孪生模型。


( 来源: 北极星电力网 )
特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。

凡来源注明北极星*网的内容为北极星原创,转载需获授权。
展开全文
打开北极星学社APP,阅读体验更佳
2
收藏
投稿

打开北极星学社APP查看更多相关报道

今日
本周
本月
新闻排行榜

打开北极星学社APP,阅读体验更佳