优化调度

深化人工智能在能源建设、调度、算电协同等场景的应用，优化电源电网布局与智能建造。推动“人工智能＋风光水储”一体化协同，强化风光功率预测、风光电站智能运维、水电优化调度、灵活性资源调控与智能电网管理。打造云南省数字能源平台，进一步拓展云南能源大数据中心应用场景和领域，推动绿色能源、节能降碳等多领域数据汇聚、处理、分析和融合应用。

为了促进多能耦合互补和实现可再生能源就地消纳，综合能源系统已成为多领域的研究热点。考虑到能源设备及网络的多样性、复杂性以及多种能源时间尺度的差异性，根据能量平衡原理，对系统内具有可调特性的源、网、荷进行储能化建模，并构成虚拟储能系统参与到综合能源系统的优化调度中。为了准确把握虚拟储能的研究重点，首先介绍了虚拟储能的定义、逻辑架构和技术内涵；其次针对综合能源系统源、网、荷端设备或网络，总结和归纳了4种虚拟储能建模方法和特性指标；然后重点分析了虚拟储能在4种典型场景的具体应用；最后展望了虚拟储能未来的发展方向。

双碳目标下，多能耦合协同运行的虚拟电厂（virtual power plant，VPP）能够有效提升系统经济效益。为降低VPP碳排放量，同时挖掘其需求侧可调节潜力，提出一种考虑阶梯碳交易及综合需求响应的虚拟电厂优化调度模型。首先，基于阶梯式碳交易机制，考虑虚拟电厂各组成元件约束，建立参与碳交易市场的虚拟电厂模型；其次，将需求响应分为价格型需求响应和替代性需求响应，分别构建响应模型；最后，考虑购能成本、系统运营成本和阶梯式碳交易成本，以VPP在调度周期内收益最大为目标函数建立虚拟电厂低碳经济运行模型，并通过算例仿真验证所提模型的有效性。

5月19日，国家电网新型电力系统科技攻关行动计划2022专项重大科技项目责任状签订视频会议召开。会议深入学习贯彻习近平总书记重要讲话和指示精神，落实党中央、国务院关于构建新型电力系统的决策部署，进一步统一思想、明确任务，扛牢责任、狠抓落实，全力攻关新型电力系统核心技术，推动能源清洁低碳转型，助力实现碳达峰碳中和目标，积极服务“六稳”“六保”大局，为促进经济社会高质量发展作出更大贡献，以实际行动迎接党的二十大胜利召开。

随着人工智能技术特别是强化学习在能源优化调度领域的深入研究，将系统状态表示为向量用于学习的模式，其训练效率与信息利用率较低。针对这一问题，提出了一种融合图神经网络模型与强化学习的综合能源系统优化调度方法。首先，将电-热-气综合能源系统建模为图结构数据，充分利用系统的拓扑信息。其次，提出了基于图神经网络架构的强化学习模型，使其可以充分利用图结构信息实现更快的训练速度，获得更大的探索空间。最后，将表示系统状态的图结构信息送入该模型进行训练，算例仿真验证了该方法的训练效率与探索能力。

为深入贯彻党的二十大精神，加快规划建设新型能源体系，落实《关于加快推动新型储能发展的指导意见》（发改能源规〔2021〕1051号）、《新型储能项目管理规范（暂行）》（国能发科技规〔2021〕47号）、《关于进一步推动新型储能参与电力市场和调度运用的通知》（发改办运行〔2022〕475号）有关要求，规范新型储能并网接入管理，优化调度运行机制，充分发挥新型储能作用，支撑构建新型电力系统，现就有关事项通知如下。

针对综合能源系统（integrated energy system，IES）中各主体间交互关系复杂、利益冲突显著的问题，提出了基于主从博弈的电热氢综合能源系统优化调度模型。首先，在分析氢能“产消一体化”传输特性的基础上，构建计及氢能全过程充分利用的能源生产商（energy producer，EP）模型；其次，分析EP、负荷聚合商（load aggregator，LA）及能源销售商（energy system operator，ESO）之间的价格信息交互关系，考虑负荷聚合商在需求响应机制下的资源整合效用，建立IES中各利益主体的收益模型；最后，引入“主从博弈”思想，建立以ESO为主导者，采用遗传算法和二次规划相结合的方法，对以EP和LA为跟随者的一主多从Stackelberg博弈模型进行求解。以中国北部某地区的园区IES为例，验证了该模型在促进各主体间利益均衡及共同获利方面的有效性。

建筑减排已成为中国达到“双碳”目标的重要途径，智慧楼宇作为多能流网络耦合的综合能源主体，面临碳排放量较多、多能流网络耦合程度高、负荷用能行为动态特性明显等问题。针对这一问题，提出基于深度强化学习的多能流楼宇低碳调度方法。首先，根据智慧楼宇的实际碳排放量，建立了一种奖惩阶梯型碳排放权交易机制。其次，面向碳市场和多能流耦合网络，以最小化运行成本为目标函数，建立多能流低碳楼宇调度模型，并将该调度问题转换为马尔可夫决策过程。然后，利用Rainbow算法进行优化调度问题的求解。最后，通过仿真分析验证了优化调度模型的可行性及有效性。 Building emissions reduction has become a crucial pathway for China to achieve its 'dual-carbon' goals.As an integrated energy entity coupled with multi-energy flow networks, smart buildings face challenges such as high carbon emissions, a high degree of coupling in multi-energy flow networks, and distinct dynamic characteristics in load energy consumption behavior. In response to these challenges, a low-carbon scheduling method for multienergy flow buildings based on deep reinforcement learning(deep RL) is proposed. Firstly, a reward and punishment ladder-type carbon emissions trading mechanism is established based on the actual carbon emissions of smart buildings. Secondly, targeting the carbon market and multi-energy flow coupling networks, a low-carbon scheduling model for multi-energy flow buildings is developed, aiming to minimize operating costs as the objective function, and the scheduling is transformed into a Markov decision process(MDP). Subsequently, the Rainbow algorithm is employed to solve the optimal scheduling. Finally, the feasibility and effectiveness of the optimal scheduling model are verified through simulation analysis.

针对新能源大规模并网下，因系统惯量低、调频备用不足导致的系统运行安全问题，提出了考虑风机惯量支撑及有功备用的新能源电力系统优化调度模型。首先，建立实时风速下风机参与系统惯量支撑响应的风机惯量模型及风机降载出力的有功备用模型；然后，构建了两阶段随机鲁棒优化调度模型，以总运行成本最小为目标，采用列与约束生成算法求解两阶段模型；最后，以改进的IEEE-RTS 24节点系统为算例进行分析，结果表明，所提优化调度模型的总成本较低且弃风弃光量较少。

对企业内供配电、空调等系统进行智慧化改造，建立重点设备、产线、班组、车间、部门、厂区等分级计量、诊断评价、优化调控系统、网络通信系统及能源集中调度中心。通过能源可视化、运行监控、设备运维、资产管理、优化调度等功能，将人工智能算法和专家知识有机结合，实现对水、电、空压气、蒸气、冷、暖、污水等能源的统一调度。