Applications of blockchain and artificial intelligence technologies for enabling prosumers in smart grids: A review
4. Artificial intelligence supporting operations of power systems
4. 人工智能支持电力系统运行
The advanced metering infrastructures of smart grids produce a substantial volume of useful data. This data could be exploited by the AI to improve the situational awareness and operability of power systems. This is particularly useful when small or medium sized prosumers participate in the operations of power systems and make decisions independently, given limited budgets of their control systems. According to the research [10], the cost of control solution at the household level is on the order of 57 USD per year. In this section, the state-of-the-art approaches of the AI applied in the operations of power systems are reviewed.
智能电网的先进计量基础设施产生了大量有用的数据。人工智能可以利用这些数据提高电力系统的态势感知能力和可操作性。当中小型生产用户参与电力系统的运行,并在其控制系统预算有限的情况下独立做出决策时,这尤其有用。根据[10]研究,家庭层面的控制解决方案的成本约为每年57美元。在本节中,将回顾应用于电力系统运行的人工智能的最新方法。
4.1本节介绍了分析和优化电力系统运行的方法。
This subsection introduces the approaches implemented to analyse and optimise the operations of power systems.The game theory is a collection of analytical tools for modelling the strategic decision making and interactions among stakeholders in power systems. The optimisation provides a solution to find optimal decisions for delivering certain objectives. Additionally, uncertainties caused by the intermittency of RESs and flexible demand would affect the
accuracy of the power systems modelling. This review also discusses the statistical approaches for predicting these uncertainties.
博弈论 The game theory 是一种分析工具的集合,用于建模战略决策和利益相关者在电力系统中的相互作用。优化提供了一种解决方案,以找到实现特定目标的最佳决策。此外,电力系统的间歇性和灵活需求所带来的不确定性也会影响电力系统建模的准确性。本文还讨论了预测这些不确定性的统计方法。
4.1.1. Game theory
Cournot模型和Stackelberg模型是分析利益相关者决策的两个经典模型。古诺模型描述了市场参与者提供同质产品,并通过独立和同时决策的方式在供给的产品数量上进行竞争[90]。Stackelberg模型具有层次化的两级或多级顺序决策过程[91]。在两级决策中,参与者分为首先做出决策的领导者和根据领导者的策略做出后续决策的追随者。对于多级决策,在第一级follower做出响应决策后,就成为leader级,优先考虑下一级follower的决策。这个过程一直持续到最后一级的追随者做出响应决定。
4.1.2. Optimisation approaches
4.1.2 优化方法优化方法可以分为编程技术和启发式算法。规划技术包括线性规划、整数线性规划、混合整数线性规划和非线性规划。线性规划是指所有目标函数和约束都是决策变量的线性函数的最优化问题[92]。在整数线性规划中,只有二进制值和整数可以作为决策变量[93]。在混合整数线性规划中,整数和非整数都可以作为决策变量[94]。非线性规划是指至少有一个目标函数或约束是决策变量的非线性函数的优化问题[95]。
非线性规划问题虽然可以准确地模拟电力系统的实际运行,但难以用解析方法求解,且难以保证全局最优性。为了克服这一问题,对启发式算法进行了进一步的研究。启发式算法可以迭代搜索整个可行空间以保证全局最优解,包括粒子群算法、遗传算法、人工免疫算法等启发式算法。粒子群算法[96]通过从粒子组成的解集中进行搜索,并根据粒子位置和速度的预定义函数在搜索空间内移动粒子来优化问题。粒子的运动由搜索空间的局部已知位置和全局已知位置共同决定。一群粒子最终会朝着最佳解决方案移动。遗传算法[97]基于达尔文的进化理论,随机生成优化问题候选解的种群,并定义为一代。对群体中每个个体的目标函数值进行评估并定义为适应度。高度匹配的个体被选中并变异形成新一代。种群向最优解迭代演化。与遗传算法类似,对于人工免疫算法[98],优化问题的候选解群体是随机生成的,并定义为抗原。对人群中每个抗原的目标函数值进行评估,并将其定义为抗体。抗原被反复克隆,以获得最佳解。
4.1.3. Research and implementations
博弈论和优化已经在电力系统调度的研究中得到了很好的证明。表4总结了当前研究的博弈论模型、参与者、解决方法、优势、挑战、差异和共同点。Belgana等人[99]提出了一个多领导者和多追随者的Stackelberg博弈理论问题,以寻找能使公用事业利润最大化和碳排放最小化的最优策略。采用混合多目标进化算法求解。结果显示了排放、利润和账单之间的权衡,同时还有机会改进算法的搜索机制,并考虑电力损失。孟和Zeng[100]提出了1-leader, n-follower的Stackelberg博弈,在考虑实时定价方案的情况下,使leader级零售商的利润最大化,而follower级消费者的电费最小化。采用遗传算法求解leader的优化问题,采用线性规划求解follower的优化问题。Stackelberg博弈产生了一个有效的零售定价来激励消费者的需求响应,而竞争激烈的零售市场和来自消费者的不完全信息可以通过该模型进行扩展。类似地,[101]提出了一个Stackelberg博弈论问题,对脱碳电力系统中决策者与发电机/消费者之间的相互作用进行建模,通过设计的双层多目标免疫算法来解决该问题。该模式可以减少碳排放,提高国家能源体系的社会福利。然而,如何重新分配能源部门的碳收入仍然是一个挑战。Ghosh等人[102]制定了一个耦合约束潜在博弈,以设定能源交换价格,使生产消费者之间的能源交换量最大化,并减少公用事业电网的消耗。提出了一种分布式算法,使个体生产消费者能够优化自己的支付。这一工作可以进一步推广到生产消费者的非线性价格和由RESs引起的不确定性。古诺博弈(Cournot game)在[103]中实现,用来模拟配电网络中客户和公用事业公司为满足系统可靠性而进行的竞争。如何促进消费者参与到可靠性改进中来,仍有待考虑。同样,Zhang等人[104]将本地能源交易建模为非合作的古诺博弈,以刺激区域能量平衡,促进RESs的渗透,同时考虑传输和跨期约束,以提高所提模型的准确性。
4.1.4. Analysis of uncertainties in power systems
在建模和优化操作时,单个生产用户和电力系统考虑不确定性的可能变化是至关重要的。使用一组情景是一种预测这些变化的统计方法,每个变化都被定义为一个情景[105]。利用抽样方法[106],如蒙特卡罗模拟[107,108]、拉丁超立方抽样[109,110,111]和随机分析[112,113],从历史数据的概率分布中生成不确定情景。表5总结了典型文献、不确定变量、优势、挑战、差异和共性。Santos等人[107]实现了蒙特卡罗模拟,生成RESs的场景,并使用确定性方法解决这些场景下的系统优化问题。与随机方法相比,所提出的方法提高了计算效率,而对预测不确定性的响应措施可以考虑到优化问题。同样,Hemmati等[108]通过蒙特卡罗模拟分析了RESs和负荷偏差的不确定性,并将不确定性分析纳入到决策过程中,使产生的利润最大化。该方法有助于系统运营商在这些不确定性条件下更好地进行能源调度决策。然而,该方法的计算效率还有待提高。
在蒙特卡罗模拟中,由于随机抽样导致的样本标准差偏高,会导致计算量大、效率低的问题。这些问题可以通过拉丁超立方体抽样来克服,因为拉丁超立方体抽样的空间填充会降低样本的标准差。在[109]中,为了克服蒙特卡罗模拟的这些问题,使用拉丁超立方采样来生成间歇生成的不确定情景,并考虑了低概率条件。结果对小样本的不确定性做出了准确的预测,同时也有机会考虑在线概率分析。Mavromatidis等人[112]提出了结合拉丁超立方抽样的两阶段随机规划,将能源价格、排放因素、供热需求、电力需求和太阳辐射的不确定性纳入到分配系统的调度中。研究表明,与确定性方法相比,设计的随机方法能够更准确地估计这些不确定性,同时代表风险水平的决策准则可以考虑到决策过程。Huang等[113]设计了一种虚拟电厂经济调度模型,该模型将RESs和柔性需求引起的不确定性用随机区间来描述。这些间隔随后被整合到最小化成本的问题中。结果表明,该方法在不需要获得概率密度函数的情况下,具有良好的工业适用性。然而,确定区间的概率程度仍然是一个挑战。
进一步的研究致力于提高情景的预测精度和适应性。Liang等人[110]提出了一种非参数核密度估计方法,用于得到电动汽车行为中不确定性的概率密度分布。通过拉丁超立方抽样,根据概率密度分布生成场景。然而,电动汽车混合en- 13能量模式的概率行为还有待进一步研究。为了选择高概率场景,Xiao等人[111]提出了一种统计方法来合并概率距离最小的场景。所提出的方法选择了典型的场景,以准确预测不确定性,而对其他电网的可扩展性仍然是一个挑战。
4.2. Data-driven machine learning
机器学习能够利用历史数据捕捉电力系统运行中参与者的典型特征,并通过使用优化方法提高可伸缩性和计算效率。
4.2.1。准备学习方法
学习方法可以分为监督学习、非监督学习和强化学习。对于有监督学习,输入是作为一个带标签的数据集提供的,这样模型可以从标签中学习,提高学习精度[114]。相比之下,对于无监督学习,没有标签数据集,因此模型以自组织的方式探索隐藏的特征并预测输出[115]。对于强化学习,模型通过从一种状态移动到另一种状态来学习对环境做出自我调整[116]。
4.2.2。研究和实现
将学习方法应用于解决电力系统运行中的决策问题,已经在文献中得到了很好的研究。表6总结了典型文献、目标问题、优势、挑战、差异和共同点。Zhang等人[117]开发了一种在线学习方法,以取代启发式算法来解决不确定RESs和负载下的成本最小化问题。结果表明,与启发式算法相比,改进后的解的最优性和计算效率都有所提高,同时可考虑RESs的选址规划问题。Mbuwir等[118]比较了强化学习的两种方法,即策略迭代和拟合q迭代,对住宅微电网中电池和热泵的运行进行调度。仿真结果表明,策略迭代优于拟合q迭代,两种方法在提高计算效率方面都优于优化方法,而未来的工作可以扩展到考虑网格拥挤和能源共享。在[119]中,采用Q-learning算法作为强化学习方法,在电动汽车车主交换能量时最小化成本并保护隐私,同时可以进一步考虑车辆到电网(V2G)的物理约束。类似地,Shafie-Khah等人[120]设计了q -学习算法,以最优地为最终用户提交需求响应投标。数值计算结果表明,该模型能够降低用电成本,改善负荷平衡。然而,如何促进消费者对需求响应方案的参与可以考虑。为了提供需求响应服务,[121]设计了一种能量管理系统,该系统使用强化学习提取的特征表示代替了预先定义的消费者不满模型。设计的能源管理系统能够满足不同用户的灵活需求。然而,如何避免由于大量消费者的同步需求响应而导致新的高峰仍然是一个挑战。Ruelens等人[122]将启发式算法与强化学习相结合来控制负载和存储设备集群。仿真结果表明,所提出的算法在降低成本方面是有效的,同时可以引入探索策略来提高学习效率。Gasse等人[123]提出了一个提取分支界变量选择策略的学习模型来解决组合优化问题,并证明了一系列计算复杂问题都可以快速求解。如何应用本文提出的学习模型来辅助其他启发式算法,还有待进一步探讨。Zhang等[124]将学习机制与优化技术相结合,获得最优的需求响应策略。所设计的控制器可以帮助用户降低电费,提高计算效率。然而,如何捕捉两个设定值之间的负载变化仍然是一个挑战。
4.3.1。实际的实现
将人工智能应用于电力系统运行的程度可分为4个层次,如图6所示。
第一级,即响应级,以电力系统的常规操作为特征,其中分析型AI协助态势感知、故障检测和在接到中断呼叫后电力系统的恢复。深度人工智能和电力系统数字化的发展使电力系统向第二个层次(即预测层次)过渡,在这个层次中包含更多基于人工智能的分析和决策支持工具,以预测实时发电、需求和不确定性,从而保持系统性能,例如稳定性。产能余量和弹性。在第三层,即规定层,前两层中的一些功能可以在基于人工智能的软件支持下自动执行,从而从系统角度将干扰和中断最小化。在第四个层次,即自治层次,未来将实现系统操作的完全自动化,在此阶段,基于人工智能的数字层可以在不需要系统操作员干预的情况下,实现广域控制决策和网络优化,从而使系统能够保持自愈。
4.3.2。好处
将人工智能应用于电力系统运行的好处总结如下:
自动化:人工智能可以自动为发电机(如发电调度)、电力系统运营商(如状态估计、实时控制、能源平衡和应急筛选)、消费者(如智能负载控制)做出最优决策。
计算效率:人工智能可以提高电力系统管理的计算效率,从而实现实时无功运行。
互操作性:人工智能可以协助电力系统参与者的战略协调,以实现整体系统效益。
可扩展性:开发的基于AI的模型和软件可扩展到不同规模的电力系统,从家庭、工业、企业到整个地区,因为它们只需要历史数据来提取这些系统的典型特征。
适应性:基于人工智能的管理工具可以动态地适应电力系统的情况,确保系统在高可能性但低影响的问题(如电力不平衡)和低可能性但高影响的问题(如极端天气条件)下的弹性。
4.3.3。挑战
在将人工智能应用于电力系统运行时,存在两个主要问题:
首先,当历史数据太少,无法训练出一个精确的AI模型时,如何保证模型的准确性,避免拟合过/不拟合的问题是一个挑战。
其次,如何确保人工智能模型产生的控制决策符合电力系统的物理约束,是另一个挑战。