报告行业投资评级 无相关内容。[无] 报告的核心观点 1. 新型电力系统的主要特征包括高比例可再生能源并网、高比例电力电子设备化、大量储能设备接入、负荷侧响应资源以及电力市场新规则等。[5][7][8] 2. 新型电力系统运行的主要挑战包括电网运行的动态性、随机性和不确定性显著增强,给电网在线安全稳定性控制带来巨大挑战。[8] 3. 针对新型电力系统的挑战,需要快速准确的在线安全评估方法、有效的在线安全智能调度控制方法、以及基于有限经验与模型仿真的离线策略难以达到最优效果的问题。[8] 报告内容总结 应用1：多时间维度功率预测 1. 开发基于监督式学习的多时间、空间维度功率预测技术,包括负荷、电动车充电、光伏、风电等。[34][35] 2. 该技术可以实现15分钟前、1小时前、4小时前和24小时前的功率预测,并具有较高的预测准确率(97%-98.3%)。[37][39] 应用2：基于无监督式学习的负荷聚类分析 1. 开发基于人工智能的方法进行有效的负荷聚类、关键特征和成分识别。[40][41] 2. 该方法可以通过聚类分析有效识别出居民负荷、工商业负荷等不同类型的负荷特征。[41] 应用3：基于深度强化学习算法的自主安全控制 1. 开发基于深度强化学习的电网自主安全控制技术框架,可以实现电网状态估计、故障诊断、自主调控等功能。[50][54][55][56] 2. 该技术在江苏电网的应用中,可以有效解决电压越限问题,降低主干网络功率损耗,并且智能体的调控性能不断提升。[70][75][76] 应用4：基于强化学习的意志性模型自动调参 1. 开发基于强化学习的发电机和励磁模型关键参数自动校验技术,可以提高模型的准确性。[82][83][94][95] 2. 该技术可以通过训练智能体自动搜索高维模型参数空间,使得模型与实测数据更好匹配。[85][86] 应用5：基于深度强化学习的电网经济运行方式 1. 开发基于深度强化学习的电网经济运行方式优化技术,可以在满足电压约束条件下,最小化发电成本。[97][98][99][100][101][102][103][104][105][106][107] 2. 该技术可以训练DQN智能体搜索最优的电网运行点,并在IEEE 14节点系统上进行了验证。[102][103][104][105] 应用6：分布式资源管理与控制 1. 开发基于虚拟电厂的分布式资源管理与控制技术,可以实现用户侧光伏、储能等设备与电网的协同互动。[118][119][120] 2. 该技术在香港中华电力和浙江宁波的应用中,可以有效降低配网电压波动、削峰填谷,提高电网经济性和可靠性。[121][135][136][137][139][140]