基于人工神经网络与代理模型(ANN)的电力系统转型模拟

《Energies》：Power Systems Transition Simulation Using Artificial Neural Networks and Surrogate Modelling

　　

转变能源供应系统对于实现可持续、碳中和的未来至关重要。然而，由于大规模无碳能源的并网、技术与经济子系统之间的强烈相互作用、多个利益相关者以及显著的不确定性，这种转型大幅增加了长期规划的复杂性。对替代发展路径的全面评估需要在众多场景下进行详细的电力系统和电力市场模拟，从而产生重大的计算瓶颈。本文的目标是开发并展示一个基于人工智能的代理建模(Surrogate Modelling)框架，该框架能够实现大量长期电力系统发展场景的快速评估，同时保持详细模拟模型的准确性。所提出的框架结合了随机场景生成、详细的电力系统与电力市场模拟，以及基于人工神经网络(ANN)的代理模型，用于近似依赖于场景的性能指标。通过用ANN代理替代重复的高保真模拟，该方法大幅提高了计算效率，同时支持不确定性分析、多场景评估和多利益相关者决策。案例研究证明了所提框架在可扩展、高分辨率战略电力系统规划中的有效性。

**研究背景与意义**
向碳中和能源系统的持续转型以快速电气化、可变可再生能源(RES)渗透率不断提高以及多部门更强耦合为特征。尽管这些发展增强了可持续性，但也大幅增加了规划和运营未来电力系统的复杂性。可再生能源发电的波动性、技术层面与经济和监管子系统之间日益增长的相互作用，以及对可靠性、韧性和经济可负担性的需求，都要求开发先进的决策支持方法，以应对不确定性并评估大量的备选发展方案。在当前的长期电力系统规划中，研究人员通常使用基于优化的能源系统模拟方法，以最大化社会福利或最小化系统总成本。然而，随着场景数量、技术、决策变量和不确定性维度的增加，计算需求迅速增长，常常使得全面的场景分析变得不切实际。规划者往往被迫减少场景数量或简化系统模型，这可能会损害规划决策的稳健性和质量。尽管近年来数据驱动的代理模型在加速特定电力系统分析任务方面展现出潜力，但现有方法多针对狭窄定义的问题，难以满足战略性长期规划中需同时考虑数千个随机发展场景、多利益相关者互动及电力市场动态的广泛需求。为解决这一计算瓶颈，本研究在《Energies》期刊上发表，提出并展示了一种基于人工智能的代理建模框架，旨在在保持详细模拟模型精度的同时，实现大量长期电力系统发展场景的快速评估。

**关键技术方法**
研究人员为开展此项研究采用了以下关键技术方法：首先，构建了包含预测模块和场景生成器(SG)的随机场景生成方法，通过变量分解将系统变量划分为准固定变量和时间变化变量，并结合蒙特卡洛采样在多维可行域内生成场景；其次，建立了多主体电力系统与市场模块(PSMM)作为计算骨干，基于线性规划在日前市场中通过社会福利最大化进行市场出清；最后，采用前馈神经网络(FFNN)架构并利用Levenberg–Marquardt算法进行代理模型训练，以建立场景描述符与性能指标之间的非线性映射，该方法依托于波罗的海电力系统(BPS)历史时间序列数据队列开展研究。

**研究结果**

* **Description of the Considered Power System（所考虑的电力系统描述）**
通过对波罗的海电力系统(BPS)进行案例研究，研究人员构建了包含水电(HP)、抽水蓄能(PSHP)、光伏(SPP)、风电(WPP)、备用电源及热电联产(CHPP)等异构技术及交直流互联的结构模型，并设定了涵盖电力需求显著增加及发电机组容量扩建的多个未来发展场景，以验证所提方法在描绘系统转型结构特征中的有效性。

* **Operationalization of the Planning Strategy（规划策略的操作化）**
研究人员将所有模型变量依据时间维度分解为以年单位的准固定变量（如装机容量等结构特征）和以小时为单位的时间变化变量（如调度水平、需求与价格）。通过在设定的极值范围(S_min与S_max)内对不确定参数进行随机采样构建数据集，并利用详细模拟模型计算市场出清及各类市场参与者的性能指标，为代理模型的训练提供数据支撑。

* **Sample Inputs for Planning Task Scenarios（规划任务场景的样本输入）**
针对规划任务，研究通过均匀抽样在多维场景描述符空间内生成了分布广泛的训练样本。研究指出，该采样程序的核心目的并非重现实际运行条件的概率分布，而是确保对可行规划空间的全面覆盖，即使某些场景组合在实际中发生概率极低也予以保留，以此提升ANN代理模型在未知区域的插值能力和泛化性能。

* **A Representative Subset of Π_i Estimates（性能指标估计的代表性子集）**
研究人员从16维场景描述符空间中提取了与关键利益相关者（如政府机构、输电系统运营商(TSOs)、大型发电商和产消者）相关的部分性能指标进行展示。训练后的代理模型能够迅速提供包括年度进出口收支随SPP和WPP装机容量变化的关系，以及不同类型发电商利润与平均年度电价、备用能源价格之间关系的快速估算，有效展示了该框架在实际用户视角下的决策支持能力。

* **Time and Accuracy of Indicator Estimation（指标估计的时间与精度）**
通过对比代理模型与详细模型的计算表现，研究人员发现，针对20,000个样本构建数据集若采用详细模型需耗时约16天，而单次样本计算耗时约70秒。而训练完成的代理模型单次估算耗时不到一秒。在模型精度方面，当训练样本量达到2000至3000个时，代理模型对年度平均电价的预测平均绝对百分比误差(MAPE)趋于稳定；在验证集中，73%的预测结果的MAPE维持在0至1%的区间内，整体程序的平均误差仅为1.27%。

* **Model Accuracy and Computation Time（模型精度与计算时间）**
研究证实，前馈神经网络(FFNN)的训练单次耗时约为0.005秒，与数据集准备过程相比其计算开销微不足道。代理模型的评估使得单场景的计算耗时从数十秒大幅缩减至一秒以内，充分证明了所提方法在显著降低计算复杂度的同时，具备了高度逼近详细模型输出的预测精度。

**讨论与结论**
本研究开发了一个面向战略电力系统规划的代理建模框架，通过人工神经网络(ANN)从详细模拟生成的数据集中学习，进而对大量长期发展场景下的盈利能力和系统性能进行近似评估，从而减少了对重复高分辨率运行模拟的依赖。研究结果表明，在所考察的案例中，训练后的ANN代理模型再现详细模型输出的平均近似误差低于1.5%，每个场景的评估时间从数十秒降至一秒以内，这在更高维度不确定性的规划问题中实质性拓展了场景枚举和敏感性分析的可行范围。在讨论中研究人员指出，框架通过引入显式的利润（或成本）估算层，将短期运营行为对长期经济成果的影响嵌入战略评估中。虽然使用了聚合的年度性能指标而未完全保留短期的极端事件细节，但此选择在大规模备选方案对比评估中具备合理性。最终研究得出结论：基于ANN的代理模型在长期电力系统规划中可作为有效的近似层，该框架在支持规划者、监管者和研究人员进行广泛场景探索和不确定性分析时具备极高的计算效率，但在最终设计方案的敲定阶段，尤其是在电价、需求和可再生能源发电高度多变的情况下，仍需结合时间分辨率模拟进行最终验证。