现代文明极度依赖于电力的获取。电力系统支撑着我们视为理所当然的几乎所有基本生活功能。没有电力的获取，大多数经济活动将是不可能的。然而，现有的电网系统并未设计来应对当前——更不用说未来的——电力需求。与此同时，气候变化迫切要求我们的能源系统进行剧烈变革。发展和现代化电网基础设施需要大量投资，而这些项目的融资由于资源有限和预算优先级的竞争而变得复杂。
人工智能（AI）应用有潜力解决电网面临的许多挑战。它们可以在电力系统中执行一系列功能，使电力更便宜、更可靠。在许多情况下，AI的部署仅仅是扩展现有的方法和途径。例如，帮助增加电力市场清算的AI应用可以建立在许多现有的数据应用之上。AI工具还可以开启电力系统内互动的新方式，如电动汽车电池的动态充电和放电，以提供灵活的储能。这些机会有助于提高电力系统的整体能源安全。然而，AI应用的部署也可能引发网络安全风险，行为不明或意外的风险，或供应商依赖性和供应商锁定问题。AI的发展速度意味着这些风险中的许多尚未被充分理解。
本报告伴随着主要的政策报告《利用AI提高能源安全》（RR-A2907-1），描述了我们对基于AI的应用对欧洲电网能源安全影响的定量探索的方法、工具和结果。
1 能源安全
能源安全是衡量一个国家或地区能源供应稳定性和可靠性的重要指标，它涵盖了多个方面，包括：
1.1 可用性 (Availability)（确保有足够的供应储备以满足需求）
确保在任何时候都有足够的能源供应来满足经济和社会的需求。
- 衡量指标： 储备容量比率 (Reserve Margin)，即系统中可用的过剩容量与净负荷的比例。
- 影响因素： 电力系统容量、可再生能源的可获取性、电网稳定性、突发事件响应能力等。
1.2 可负担性 (Affordability)（电力的平均和边际成本）
与提供能源相关的成本，包括能源价格和能源获取的便利性。
- 衡量指标： 平均边际价格 (Average LMP) 和最大边际价格 (Max LMP)，即向特定地点提供额外一兆瓦时电力所需的成本。
- 影响因素： 电力市场结构、燃料价格、能源效率、补贴政策等。
1.3 可获取性 (Accessibility)（确定电力生成是否依赖进口化石燃料）
能源供应的来源和运输方式，以及由此产生的地缘政治挑战。
- 衡量指标： 燃料依赖度 (Fossil Fuel Dependency)，即社会或经济依赖化石燃料的程度。
- 影响因素： 能源资源分布、运输基础设施、国际贸易关系、地缘政治稳定性等。
1.4 可接受性 (Acceptability)（评估电力的碳排放）
与环境问题和可持续发展相关的考量。
- 衡量指标： 总二氧化碳当量排放量 (CO2e)，即电力生产过程中的温室气体排放量。
- 影响因素： 电力生产技术、能源效率、碳定价政策、公众对环境问题的关注度等。
四个维度相互关联，共同构成了能源安全的全面评估。例如，提高能源效率可以降低成本，从而提高可负担性，并减少对化石燃料的依赖，从而提高可获取性和可接受性。反之，依赖化石燃料会导致环境污染，影响公众对能源的接受度。
2 人工智能在能源系统中的应用
人工智能 (AI) 在能源系统领域具有广泛的应用潜力，可以提升能源效率、优化能源系统运营、降低成本并促进可持续发展。以下是一些主要的 AI 应用领域：
2.1 预测与规划
- 电力需求预测： AI 可以分析历史数据和实时数据，预测未来的电力需求，帮助电力系统运营商优化发电和输电计划，避免电力短缺或过剩。
- 可再生能源发电预测： AI 可以预测风能和太阳能等可再生能源的发电量，帮助电力系统运营商更好地管理这些间歇性资源，提高其利用率。
- 电力市场预测： AI 可以预测电力市场价格，帮助发电厂和用户进行市场交易，优化收益。
2.2 优化与控制
- 电力系统优化： AI 可以优化电力系统的运行，例如确定最优的发电组合、调度储能设施、控制电网潮流等，降低发电成本并提高系统效率。
- 需求响应： AI 可以控制建筑物和工业用户的电力消耗，例如自动调整空调温度、调整照明时间等，以减少峰值负荷并降低电力成本。
- 电网运行优化： AI 可以优化电网的运行，例如检测电网故障、预测电网拥塞、自动切换备用电源等，提高电网的可靠性和安全性。
2.3 数据分析与洞察
- 能源数据挖掘： AI 可以分析大量的能源数据，发现数据中的模式和趋势，帮助能源公司更好地理解能源使用情况，并制定更有效的能源管理策略。
- 设备故障预测： AI 可以预测发电厂和电网设备的故障，帮助提前进行维护，避免停电事故。
- 环境监测： AI 可以监测空气和水质等环境指标，帮助评估能源生产对环境的影响，并制定相应的环境保护措施。
2.4 新能源开发
- 智能电网： AI 可以优化智能电网的运行，例如自动控制分布式能源资源、优化电网拓扑结构等，提高电网的灵活性和可靠性。
- 储能技术： AI 可以优化储能设施的运行，例如确定最佳的充放电策略、预测储能设施的寿命等，提高储能设施的利用效率。
- 电动汽车： AI 可以优化电动汽车的充电策略，例如选择最佳的充电时间和地点，降低充电成本并提高电动汽车的利用率。
AI 在能源领域的应用仍然处于早期阶段，但已经取得了一些显著的成果。随着 AI 技术的不断发展，AI 将在能源领域发挥越来越重要的作用。
3 量化建模
3.1 优化模型
- 目标函数： 通常是最小化发电成本或最大化系统效率。
- 约束条件： 包括电力需求、发电容量、输电容量、环境限制等。
- 求解器： 用于找到满足约束条件并实现目标函数最优解的算法。
- 应用： 优化电力系统的运行，例如确定最优的发电组合、调度储能设施、控制电网潮流等。
3.2 网络模型
- 节点和边： 节点代表发电厂、储能设施和负荷，边代表输电线路。
- 流量： 表示电力在不同节点和边上的流动。
- 约束条件： 包括节点功率平衡、线路潮流限制等。
- 应用： 分析电网的结构和运行，例如检测电网故障、预测电网拥塞、优化电网拓扑结构等。
3.3 时间序列模型
- 时间序列数据： 例如电力需求、发电量、市场价格等。
- 模型类型： 例如自回归模型、移动平均模型、ARIMA 模型等。
- 应用： 预测未来的电力需求和发电量，帮助电力系统运营商进行规划和决策。
3.4 机器学习模型
- 数据驱动： 使用历史数据训练模型，以预测未来的事件或模式。
- 模型类型： 例如神经网络、支持向量机、决策树等。
- 应用： 预测电力需求、可再生能源发电量、电力市场价格等，以及进行设备故障预测、环境监测等。
3.5 AI场景分析
场景分析是量化建模中的一种方法，它通过模拟不同的情景来评估 AI 应用对电力系统的影响。
3.5.1 基准场景
研究 AI 应用对欧洲电网能源安全影响的起点，它模拟了 2013 年 1 月 16 日至 22 日这一周内，欧洲电网在未部署任何 AI 应用的情况下的运行情况。
- 研究工具: PyPSA-Eur，一个开源的欧洲电力系统模型，它包含了 33 个欧洲国家的发电、存储、需求以及输电基础设施数据。
- 数据来源: PyPSA-Eur 使用了多个开源数据源构建了欧洲电网模型，并提供了 2013 年这一年的完整数据集。
- 时间范围: 2013 年 1 月 16 日至 22 日，这一周是欧洲电网历史上负荷最高的时期，通常伴随着极端寒冷的天气，导致供暖需求激增。
- 国家范围: 研究涵盖了 33 个欧洲国家，包括阿尔巴尼亚、奥地利、波斯尼亚和黑塞哥维那、比利时、保加利亚、瑞士、捷克共和国、德国、丹麦、爱沙尼亚、西班牙、芬兰、法国、英国、希腊、克罗地亚、匈牙利、爱尔兰、意大利、立陶宛、卢森堡、拉脱维亚、黑山、北马其顿、荷兰、挪威、波兰、葡萄牙、罗马尼亚、塞尔维亚、瑞典、斯洛文尼亚和斯洛伐克。
- 网络拓扑: 由于计算资源有限，研究将电网简化为 37 个节点，每个节点代表一个或多个国家。
- 优化目标: PyPSA-Eur 模型以最低成本为目标，优化发电和储能设备的调度，同时满足每小时的需求和物理约束条件。
3.5.2 AI 驱动的负荷减少 (S1)
使用 AI 技术控制商业和工业用户的电力消耗，例如自动调整空调温度、调整照明时间等，以减少峰值负荷并降低电力成本。
假设： AI 技术可以将商业和工业用户的电力消耗减少 14%。
结果：
- 能源安全指标： 可用性、可负担性、可获取性和可接受性指标均有所改善。
- 发电组合： 减少了联合循环燃气轮机的发电量，增加了抽水储能设施的发电量。
- 边际价格： 大多数节点的边际价格有所下降。
3.5.3 AI 驱动的负荷转移 (S2)
使用 AI 技术自动调整电力消耗时间，以减少峰值负荷并降低电力成本。
假设： AI 技术可以将欧盟系统峰值负荷减少 9%。
结果：
- 能源安全指标： 可用性和可负担性指标有所改善，但可获取性和可接受性指标没有变化。
- 发电组合： 与基准场景相比没有显著变化。
- 边际价格： 大多数节点的边际价格有所下降。
3.5.4 AI 驱动的风力机尾流控制 (S3)
使用 AI 技术控制风力机的运行，以减少尾流损失并提高风力发电效率。
假设： AI 技术可以将风力发电量提高 3%。
结果：
- 能源安全指标： 没有显著变化。
- 发电组合： 与基准场景相比没有显著变化。
- 边际价格： 与基准场景相比没有显著变化。
3.5.5 所有 AI 应用组合 (S4)
同时使用 S1、S2 和 S3 中的 AI 应用。
结果：
- 能源安全指标： 储备容量比率指标表现最佳，但平均和最大边际价格指标表现不如 S1。
- 发电组合： 与 S1 相比，联合循环燃气轮机的发电量进一步减少，但抽水储能设施的发电量没有增加。
- 边际价格： 与 S1 相比，部分节点的边际价格有所上升。
场景分析结果表明，AI 应用可以改善能源安全，但需要根据不同指标进行权衡。例如，S1 场景可以显著降低边际价格，但 S2 和 S4 场景对边际价格的影响较小。
此外，不同 AI 应用场景对能源安全指标的影响存在差异，这表明 AI 应用的选择需要考虑具体的应用场景和目标。
4 开源模型PyPSA-Eur
PyPSA-Eur 是一个开源的欧洲电力系统优化模型，它在研究电力系统能源安全方面具有广泛的应用。
源码链接：https://github.com/ECON3/pypsa-eur2
4.1 优点
- 数据可用性： 包含欧洲电力系统的开放数据，这些数据可以免费获取，并可以根据需要进行修改。
- 系统要求： 可以在多种计算资源上运行，例如个人电脑和服务器。
- 可配置性： 允许用户根据需要修改模型参数，例如节点数量、发电容量、输电容量等。
- 优化能力： 可以进行电力系统优化，例如确定最优的发电组合、调度储能设施、控制电网潮流等。
- 场景分析： 可以模拟不同的情景，例如使用 AI 应用的不同组合，以评估它们对电力系统的影响。
- 社区支持：有一个活跃的社区，用户可以在这里获取帮助、分享经验和学习新知识。
4.2 缺点
- 操作系统限制：需要在 Linux 系统上运行，这可能会限制其在某些用户中的使用。
- 调试和错误处理：调试和错误处理可能不如商业软件直观，需要用户具备一定的技术能力。
- 偏离基本设置： 如果用户想要修改 PyPSA-Eur 的基本设置，例如选择不同的年份进行研究，可能会遇到一些挑战。
- 频繁更新： PyPSA-Eur 频繁更新，每次更新都会带来一些新的功能和改进，但用户需要重新配置模型才能使用这些新功能。