清华大学_数智协同赋能新型电力系统_20260422.pdf

清华大学查看原文

摘要

1清华大学发布《数智协同赋能新型电力系统》报告，指出双碳目标下新能源高占比导致电网随机波动性增加。
2报告提出以“能源模拟器”和“能源大模型”为核心的数智孪生技术体系。
3实证显示，清华能源大模型在风/光功率预测准确率上分别提升15.31%和14.77%，AI电力交易员表现超越人类，V2G策略可节省大量碳排放。
4该研究为新型电力系统智能调控提供关键技术支撑，推动源网荷储一体化发展。

![](page=0,bbox=[1304, 76, 2087, 144])

数智协同赋能新型电力系统

李勇教授，教育部长江学者

清华大学电子工程系. 城市科学与计算研究中心

![](page=0,bbox=[131, 954, 341, 1163])

![](page=1,bbox=[107, 35, 411, 88])

碳中和是国际社会共识和中国郑重承诺

![](page=1,bbox=[62, 271, 968, 824])

![](page=1,bbox=[1028, 270, 2091, 829])

碳中和绿色低碳转型已是国际共识，迄今已有151个国家提出碳中和战略目标，覆盖了全球 88%碳排放、90%GDP、85%人口。

“中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和。”一第七十五届联合国大会一般性辩论，2020.09.22

![](page=2,bbox=[106, 35, 413, 87])

产业趋势：双碳目标驱动能源生产与利用革命

双碳战略与能源独立目标驱动下，全球新能源占比持续提高，新能源的随机性、波动性带来挑战与机会

现阶段下中国能源供需平衡图（2020）

碳中和下中国能源供需平衡图（2060）

![](page=2,bbox=[7, 529, 910, 1090])

![](page=2,bbox=[1020, 530, 1691, 1137])

![](page=2,bbox=[1702, 367, 1901, 601])

![](page=2,bbox=[1698, 611, 1903, 895])

![](page=2,bbox=[1696, 886, 1904, 1149])

![](page=2,bbox=[1934, 365, 2142, 1151])

数据来源：国家能源局、中电联、清华大学研究、BloombergNEF

![](page=3,bbox=[106, 35, 412, 87])

研究挑战：新型电力系统是高度复杂、随机波动的复杂系统

![](page=3,bbox=[407, 240, 1700, 886])

随着新能源在电力系统中占比的增加，新能源的波动性使得电力系统从能源结构单一高度可控的系统逐渐变为高度复杂，随机波动的复杂系统

需要以数字化表达、智能化决策与协同化运行的技术体系赋能新型电力系统！

![](page=4,bbox=[107, 36, 412, 87])

核心技术：能源模拟器与能源大模型

未来新能源高占比挑战电力系统供需平衡，亟需构建支撑智能调控的电力数智孪生系统

![](page=4,bbox=[150, 391, 559, 1170])

新型电力系统

![](page=4,bbox=[710, 387, 1975, 1173])

![](page=5,bbox=[114, 35, 415, 87])

研究基础：城市模拟器

![](page=5,bbox=[55, 235, 1167, 1083])

基于第一性原理的大规模城市居民活动模拟

步骤一

基于AIGC技术的居民活动轨迹模拟

步骤二

细粒度居民-城市实体交互模拟

![](page=6,bbox=[103, 34, 413, 88])

核心技术1：能源模拟器

研究目标：基于城市模拟器构建人类活动到能源链条的映射，实现能源链条全环节模拟。

![](page=6,bbox=[104, 301, 1954, 1148])

![](page=7,bbox=[106, 35, 412, 88])

能源模拟器：总体框架

![](page=7,bbox=[142, 366, 410, 536])

![](page=7,bbox=[419, 362, 744, 532])

发电

![](page=7,bbox=[146, 629, 682, 773])

用电

![](page=7,bbox=[254, 854, 608, 1035])

电网模型模拟数据

0=−Pi+∑k=1N∣Vi∣∣Vk∣(Gikcos⁡θik+Biksin⁡θik)0 = - P _ {i} + \sum_ {k = 1} ^ {N} \left| V _ {i} \right| \left| V _ {k} \right| \left(G _ {i k} \cos \theta_ {i k} + B _ {i k} \sin \theta_ {i k}\right)
0=−Qi+∑k=1N∣Vi∣∣Vk∣(Giksin⁡θik−Bikcos⁡θik)0 = - Q _ {i} + \sum_ {k = 1} ^ {N} \left| V _ {i} \right| \left| V _ {k} \right| \left(G _ {i k} \sin \theta_ {i k} - B _ {i k} \cos \theta_ {i k}\right)

电路理论和功率流计算

模拟

![](page=7,bbox=[824, 818, 980, 986])

EV

![](page=7,bbox=[1053, 818, 1205, 970])

分布式光伏

反事实场景

![](page=7,bbox=[1350, 304, 1945, 1115])

结果

![](page=8,bbox=[106, 35, 412, 88])

能源模拟器：电网拓扑生成

分层聚类方法

![](page=8,bbox=[136, 332, 1196, 1113])

![](page=8,bbox=[1365, 274, 1958, 844])

Table 2. Validation of transformer substation numbers

Voltage

500kV

220kV

110kV

10kV

Generated grid

9

100

535

33047

Ground truth[2]

10

82

374

59108

拓扑验证

![](page=9,bbox=[106, 35, 411, 87])

能源模拟器：基于电路理论的潮流计算

变压器和输电线路上的城市范围仿真结果

![](page=9,bbox=[106, 399, 963, 1067])

500 kV line 220 kV line 110 kV station

0=−Pi+∑k=1N∣Vi∣∣Vk∣(Cikcos⁡θik+Biksin⁡θik)0 = - P _ {i} + \sum_ {k = 1} ^ {N} \left| V _ {i} \right| \left| V _ {k} \right| \left(C _ {i k} \cos \theta_ {i k} + B _ {i k} \sin \theta_ {i k}\right)

![](page=9,bbox=[959, 377, 1510, 706])

0=−Qi+∑k=1N∣Vi∣∣Vk∣(Giksin⁡θik−Bikcos⁡θik)0 = - Q _ {i} + \sum_ {k = 1} ^ {N} \left| V _ {i} \right| \left| V _ {k} \right| \left(G _ {i k} \sin \theta_ {i k} - B _ {i k} \cos \theta_ {i k}\right)

![](page=9,bbox=[960, 708, 1509, 1024])

![](page=9,bbox=[1660, 323, 2007, 590])

![](page=9,bbox=[1659, 594, 2005, 854])

![](page=9,bbox=[1659, 861, 2006, 1138])

![](page=10,bbox=[104, 35, 412, 89])

能源模拟器：屋顶光伏供能模拟

总体目标

根据建筑物表面积推断建筑物逐日的光伏产量。

方法

使用以下映射函数[1]。

Ep=HA×S×K1×K2×rp(t)→调整后的时间比例[2]太阳辐射能光伏转换效率=16%[1]E _ {p} = H _ {A} \times S \times K _ {1} \times K _ {2} \times r _ {p} (t) \xrightarrow {\mathrm {调 整 后 的 时 间 比 例 [ 2 ]}} \mathrm {太 阳 辐 射 能} \mathrm {光 伏 转 换 效 率} = 1 6 \% [ 1 ]

官方日产量总和[1]：192M kWh/天

结果

模拟日产量总和：226M kWh/天

![](page=10,bbox=[1553, 409, 1968, 692])

![](page=10,bbox=[1559, 745, 2019, 1156])

![](page=11,bbox=[106, 35, 412, 89])

能源模拟器：建筑用能模拟

总体目标 根据建筑物占用率和建筑物属性推断建筑物在各天内的能源使用情况。

方法 使用以下映射方程。

建筑i在t时刻的用电量

Ei(t)=Ci(Ni(t),Hi,Si)×Ni(t)×re(t)×SiE _ {i} (t) = \mathrm {C} _ {i} \left(\mathrm {N} _ {i} (t), \mathrm {H} _ {i}, \mathrm {S} _ {i}\right) \times N _ {i} (t) \times r _ {e} (t) \times \mathrm {S} _ {i}

建筑占地面积

人均建筑面积能源使用量 [1]

![](page=11,bbox=[1649, 473, 2066, 712])

C(Ni(t),Hi,Si)=0.0013Hi×SiNi(t)+0.05\mathrm {C} \left(\mathrm {N} _ {i} (t), \mathrm {H} _ {i}, \mathrm {S} _ {i}\right) = 0. 0 0 1 3 \frac {H _ {i} \times S _ {i}}{N _ {i} (t)} + 0. 0 5

模拟得到的时间步 t时建筑物内人数

![](page=11,bbox=[255, 809, 729, 1096])

![](page=11,bbox=[1115, 761, 1714, 1098])

![](page=12,bbox=[103, 36, 412, 90])

能源模拟器：电动车用能模拟

总体目标

模拟电动汽车的电力使用及其充电行为，从而推断电动汽车充电站的充电负荷。

数据输入

电动汽车的模拟瞬时速度；

方法

北京5238个充电站的位置、充电桩数量和容量数据[1]。

平均速度

1) 电力使用模拟[1]

f(Vtrip)={−23.12×10−3×Vtrip+0.439Vtrip≤6.70−8.14×10−3×Vtrip+0.3386.70≤Vtrip≤12.71−0.38×10−3×Vtrip+0.24012.71≤Vtrip≤21.752.11×10−3×Vtrip+0.18521.75≤Vtrip≤60.00,f \left(V _ {\mathrm {t r i p}}\right) = \left\{ \begin{array}{l l} - 2 3. 1 2 \times 1 0 ^ {- 3} \times V _ {\mathrm {t r i p}} + 0. 4 3 9 & V _ {\mathrm {t r i p}} \leq 6. 7 0 \\ - 8. 1 4 \times 1 0 ^ {- 3} \times V _ {\mathrm {t r i p}} + 0. 3 3 8 & 6. 7 0 \leq V _ {\mathrm {t r i p}} \leq 1 2. 7 1 \\ - 0. 3 8 \times 1 0 ^ {- 3} \times V _ {\mathrm {t r i p}} + 0. 2 4 0 & 1 2. 7 1 \leq V _ {\mathrm {t r i p}} \leq 2 1. 7 5 \\ 2. 1 1 \times 1 0 ^ {- 3} \times V _ {\mathrm {t r i p}} + 0. 1 8 5 & 2 1. 7 5 \leq V _ {\mathrm {t r i p}} \leq 6 0. 0 0, \end{array} \right.

每单位距离消耗电能

2）充电行为建模

  • 从在线地图资源抓取充电站统计数据，包括北京充电基础设施的分布、数量和容量。
  • 将充电决策概率表示为与剩余电池容量成反比的函数[2]，并将电动汽车与最近的充电站匹配。

![](page=13,bbox=[115, 30, 415, 81])

![](page=13,bbox=[2004, 47, 2075, 69])

核心技术2：能源大模型——整体架构

规则模拟器

![](page=13,bbox=[102, 328, 344, 553])

![](page=13,bbox=[104, 559, 343, 663])

棋牌、游戏等虚拟世界中， AI Agent智能进化超过人类取得突破

![](page=13,bbox=[423, 331, 501, 1081])

![](page=13,bbox=[466, 229, 2078, 1178])

![](page=14,bbox=[106, 37, 411, 90])

能源大模型：模型结构

![](page=14,bbox=[141, 268, 250, 335])

移动数据

![](page=14,bbox=[141, 363, 257, 432])

人口数据

气象数据

![](page=14,bbox=[143, 460, 257, 527])

![](page=14,bbox=[143, 556, 257, 623])

能源数据

![](page=14,bbox=[143, 654, 259, 720])

地理数据

![](page=14,bbox=[143, 749, 257, 815])

环境数据

![](page=14,bbox=[145, 840, 260, 911])

交通数据

![](page=14,bbox=[147, 939, 261, 1004])

活动数据

1、时空学习领域的第一个提示学习框架

Stage 1 - Spatio-Temporal Pre-Training

Stage 2 - Spatio-Temporal Knowledge-Guided Prompt Learning

![](page=14,bbox=[667, 244, 2073, 1184])

2、Auto-Aggressive + DiT结构的融合

3、通用掩码与训练

![](page=15,bbox=[107, 37, 412, 89])

![](page=15,bbox=[2009, 53, 2082, 78])

能源大模型：研究成果

![](page=15,bbox=[0, 398, 90, 461])

2018年至今

发表时空智能领域CCF-A类论文85篇，CSRankings排名世界第一 3篇奠基性论文位列同期引用第一，超1500次

![](page=15,bbox=[69, 842, 328, 1027])

ACM Transactions on Knowledge Discovery from Data

流量预测 DGCRN

![](page=15,bbox=[380, 826, 591, 915])

轨迹预测 DeepMove

UBICOMP2020

![](page=15,bbox=[562, 999, 611, 1088])

隐私保护 PMF

2023年

研发国际首个通用时空基础模型 UniST，奠定能源大模型的基石

![](page=15,bbox=[735, 680, 941, 909])

13亿+数据

![](page=15,bbox=[970, 680, 1388, 935])

时空GPT模型

20+城市应用

2024年

突破能源大模型关键技术，首次提出跨尺度天气+气候+能源协同预测技术，获ACL2024 (CCF-A类）杰出论文奖

![](page=15,bbox=[1479, 817, 1677, 1035])

通用基础模型

能源大模型：增强能源领域知识

能源领域应用

![](page=16,bbox=[106, 37, 410, 89])

能源大模型：新能源发电预测达到国内外SOTA水平

能源大模型有效建模复杂气象模式，赋能电网调度/新能源场站/分布式能源精准功率预测

全球多源气象模型多权威数据源+大模型数据源

ECMWF

ICON

GraphCast

GFS

GSM

国家气象局

盘古

风乌

![](page=16,bbox=[97, 999, 600, 1192])

![](page=16,bbox=[674, 457, 755, 537])

能源时空大模型

有效建模复杂物理时空规律

![](page=16,bbox=[1401, 457, 1481, 536])

大小模型协同

精准建模设备特性

![](page=16,bbox=[632, 637, 1187, 931])

风功率预测

华北准确率

最优小模型

84.57

清华能源大模型

93.06

(15.31%↑)

![](page=16,bbox=[1174, 631, 1669, 933])

光功率预测

南网准确率

最优小模型

76.27

清华能源大模型

85.12(14.77%↑)

![](page=16,bbox=[1710, 636, 2051, 876])

主办单位：数字中国建设联合组委会

出品单位：国网福建省电力有限公司

海上风电出力预测

第一名

华安教育管理

清朗校园

100%保证

![](page=17,bbox=[113, 35, 415, 87])

能源大模型：AI电力交易员超越人类水平

山西市场多场站月度月内交易实证

在中国最早正式运行的电力现货省份，支持多类型场站月度月内实盘交易

![](page=17,bbox=[2, 401, 2160, 1206])

![](page=18,bbox=[107, 37, 412, 90])

能源模拟器和能源大模型支撑电力系统智能决策优化

动作：电力系统决策策略

![](page=18,bbox=[12, 371, 649, 815])

能源模拟器

![](page=18,bbox=[877, 402, 1086, 499])

V2G电动车充放电

![](page=18,bbox=[828, 509, 1193, 814])

能源治理

回报：短期/长期政策结果

虚拟电厂调度

光伏规划

![](page=18,bbox=[1753, 357, 2119, 504])

![](page=18,bbox=[1752, 565, 2108, 818])

![](page=18,bbox=[1760, 860, 2121, 1049])

![](page=19,bbox=[101, 29, 405, 83])

![](page=19,bbox=[2003, 45, 2076, 70])

决策优化支撑一：电动车充放电策略优化

总体目标

基于能源模拟器，使用能源大模型优化车对网（V2G）策略以增强电网稳定性。

![](page=19,bbox=[114, 370, 1200, 1196])

V2G：调整电动车的充电时间，从而实现电网的削峰填谷。

我们的尝试：

结合深度强化学习优化最佳V2G策略

![](page=20,bbox=[106, 36, 411, 90])

决策优化支撑一：电动车充放电策略优化

V2G策略在节能方面表现出色

![](page=20,bbox=[114, 349, 593, 524])

![](page=20,bbox=[600, 352, 1207, 522])

所提V2G策略可以大大提高光伏电力的利田率 从而大幅节省非光伏

论文产出：Qianyue Hao, Qinglai Guo, Yong Li et al. City-scale Vehicle-to-grid Coordination with Real-world Data via Deep Reinforcement Learning. 投稿至Nature Sustainability.

![](page=20,bbox=[146, 777, 398, 1127])

![](page=20,bbox=[402, 781, 636, 1125])

![](page=20,bbox=[644, 783, 1204, 1122])

所提方法可以实现V2G策略理论潜力的 98.3% 。为每个城市每年节省 1.16万吨二氧化碳。

![](page=21,bbox=[106, 36, 412, 90])

决策优化支撑二：光伏规划

在分布式用户节点上部署屋顶光伏系统，以最大限度地提高太阳能发电量并最大限度地降低电网运营成本。

![](page=21,bbox=[37, 403, 1212, 1039])

Sibo Li, Yong Li et al. Multi-Agent Reinforcement Learning for Rooftop Photovoltaic Planning in Power Grids. 投稿至 AAAI (CCF A类会议).

问题建模：连续规划过程

状态：AOI的静态功率需求、当前光伏发电量概况和当前光伏装机率。

动作：调整当前部署比例。

奖励：光伏发电成本奖励和电网运行成本奖励的加权总和

![](page=21,bbox=[1279, 779, 1692, 1182])

所提方法在光伏发电容量和爬坡成本方面都实现了帕累托最优。

![](page=22,bbox=[105, 35, 412, 89])

优化支撑三：虚拟电厂调度

能源大模型生成AI智能体构建虚拟电厂模拟器实现分布式资源高效聚合参与电力市场，支撑潜力评估与合理定价

![](page=22,bbox=[91, 405, 2014, 1129])

Jingwei Wang, Qianyue Hao, Guozhen Zhang, Yong Li, Scalable Virtual Power Plant Scheduling of Heterogeneous Devices with Multi-Agent Reinforcement Learning, KDD 2025

![](page=23,bbox=[106, 37, 411, 90])

数智协同是新型电力系统建设的内在要求

传统调频

![](page=23,bbox=[204, 258, 330, 391])

源随荷动

新能源高占比

新型电力系统智能调控

新型电力系统

![](page=23,bbox=[708, 242, 2116, 1074])

新能源高占比的新型电力系统供需实时平衡挑战大，以数智孪生系统为核心的源网荷储一体化智能调频是必然趋势

![](page=24,bbox=[854, 227, 1307, 678])

![](page=24,bbox=[548, 767, 727, 857])

清华大学电子工程系

Department of Electronic Engineering, Tsinghua University

城市科学与计算研究中心 Research Center of Urban Science and Computing

https://fi.ee.tsinghua.edu.cn

![](page=24,bbox=[1012, 1047, 1218, 1137])

本站所有资讯是用户利用其本地Agent获取并分享，均为公开信息，如需删除请联系我们。