導(dǎo)航：安全管理網(wǎng)>> 安全論文>> 電力安全論文>>正文

人工智能在抽水蓄能電站優(yōu)化調(diào)度中的應(yīng)用研究

文檔作者：張偉文檔來源：中國水利水電第十二工程局有限公司		更新日期： 2026年04月01日	點(diǎn) 擊數(shù)：
下載地址：點(diǎn)擊這里	文件大小： 818.53 KB 共3頁	文檔格式： PDF	下載點(diǎn)數(shù)： 1 點(diǎn)（VIP免費(fèi)）

全屏查看

內(nèi)容預(yù)覽 [文件共3頁]

本文件共3頁，如需編輯使用，請下載。

注：預(yù)覽效果可能會出現(xiàn)部分文字亂碼（如口口口）、內(nèi)容顯示不全等問題，下載是正常的。

	文件大小：818.53 KB 共3頁文件格式：PDF 下載點(diǎn)數(shù)：1 點(diǎn)（VIP會員免費(fèi)）

下一篇：通山抽水蓄能電站下水庫壩型比選

上一篇：五岳抽水蓄能電站籌建期工程概算及過程管控

文本預(yù)覽

僅提取頁面文字內(nèi)容，供快速閱讀使用。

LOW CARBON WORLD 2025/8
人工智能在抽水蓄能電站優(yōu)化調(diào)度中的應(yīng)用研究
張偉
（中國水利水電第十二工程局有限公司，浙江杭州310013）
【摘要】為解決抽水蓄能電站調(diào)度中存在的問題袁對人工智能算法進(jìn)行概述袁探討人工智能在抽水蓄能電站
優(yōu)化調(diào)度中的應(yīng)用袁并通過案例分析驗(yàn)證人工智能在抽水蓄能電站優(yōu)化調(diào)度中的應(yīng)用效果袁以期為抽水蓄能
電站的可持續(xù)發(fā)展提供參考遙
【關(guān)鍵詞】人工智能曰抽水蓄能電站曰優(yōu)化調(diào)度曰電網(wǎng)穩(wěn)定性
【中圖分類號】TV743 【文獻(xiàn)標(biāo)識碼】A 【文章編號】2095-2066（2025）08-0064-03
0 引言
抽水蓄能電站（圖1），作為現(xiàn)代電力系統(tǒng)中不可
或缺的能源儲存與調(diào)節(jié)“超級蓄電池”，其戰(zhàn)略地位
不容忽視。在電網(wǎng)負(fù)荷低谷階段，抽水蓄能電站可運(yùn)
用盈余電力驅(qū)動水泵作業(yè)，把水從下水庫提升至上
水庫以積累勢能。而當(dāng)電網(wǎng)需求進(jìn)入高峰時段，之前
儲存的水能則被釋放，用于驅(qū)動渦輪機(jī)產(chǎn)生電力，巧
妙地實(shí)現(xiàn)了電能的時空轉(zhuǎn)移與高效利用。這一過程
不僅有效緩解了電網(wǎng)供需間存在的峰谷矛盾，還顯
著提升了電力系統(tǒng)的靈活性和穩(wěn)定性。然而，盡管抽
水蓄能電站的作用巨大，其優(yōu)化調(diào)度問題卻復(fù)雜且
充滿挑戰(zhàn)。傳統(tǒng)的抽水蓄能電站調(diào)度策略大多依賴
于調(diào)度人員的豐富經(jīng)驗(yàn)及其對電力系統(tǒng)簡化模型的
直觀理解，可應(yīng)對確定性的負(fù)荷變化和已知的運(yùn)行
條件，但在面對電網(wǎng)負(fù)荷隨機(jī)性、可再生能源發(fā)電
不確定性提升及復(fù)雜多變的電力市場需求時，還存
在較大的挑戰(zhàn)。傳統(tǒng)的調(diào)度手段往往難以精確捕捉
這些動態(tài)變化，導(dǎo)致調(diào)度決策偏離最優(yōu)解，影響抽
水蓄能電站的運(yùn)行效率和整體經(jīng)濟(jì)效益[1]。為了克
服這一難題，本文創(chuàng)新性地提出了將人工智能技術(shù)
深度融入抽水蓄能電站的調(diào)度體系之中，以優(yōu)化調(diào)
度策略。
1 人工智能算法概述
1.1 神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)算法通過構(gòu)建多層次的神經(jīng)元網(wǎng)絡(luò)結(jié)
構(gòu)，模擬人腦的學(xué)習(xí)和記憶過程。在訓(xùn)練階段，神經(jīng)
網(wǎng)絡(luò)算法接收大量的歷史數(shù)據(jù)作為輸入，包括抽水
蓄能電站歷史負(fù)荷需求、水位變化、氣象數(shù)據(jù)、電網(wǎng)
負(fù)荷趨勢及其他相關(guān)因素，通過前向傳播和反向傳
播的不斷迭代，逐漸調(diào)整內(nèi)部權(quán)重和偏置參數(shù)，以最
小化預(yù)測誤差，從而實(shí)現(xiàn)對未來負(fù)荷需求和水位變
化的精確預(yù)測。在抽水蓄能電站的調(diào)度決策過程中，
這些精準(zhǔn)的預(yù)測數(shù)據(jù)至關(guān)重要，其可為電站運(yùn)營人
員提供寶貴的前瞻性信息，使調(diào)度策略的制定更加
科學(xué)、合理。例如，根據(jù)負(fù)荷需求的預(yù)測結(jié)果，抽水蓄
能電站可以提前規(guī)劃抽水時段和發(fā)電時段，以最大
化利用低谷電價時段進(jìn)行抽水儲能，并在高峰時段
釋放電能。同時，水位變化的準(zhǔn)確預(yù)測有助于電站優(yōu)
化水庫管理，確保在關(guān)鍵時刻有足夠的蓄水量來滿
足發(fā)電需求，也避免過度抽水導(dǎo)致生態(tài)和環(huán)境問題
出現(xiàn)[2]。此外，神經(jīng)網(wǎng)絡(luò)算法還具備自適應(yīng)性和魯棒
性強(qiáng)的特點(diǎn)，能夠隨著新數(shù)據(jù)的加入不斷更新和優(yōu)
化預(yù)測模型，以適應(yīng)抽水蓄能電站運(yùn)行環(huán)境的變化。
這種持續(xù)學(xué)習(xí)和改進(jìn)的能力，使神經(jīng)網(wǎng)絡(luò)算法在抽
水蓄能電站優(yōu)化調(diào)度中的應(yīng)用前景更加廣闊。神經(jīng)
網(wǎng)絡(luò)算法如圖2所示。
1.2 遺傳算法
遺傳算法，作為一種受自然選擇和遺傳學(xué)原理
啟發(fā)的優(yōu)化搜索算法，其核心理念在于模擬生物進(jìn)
化過程中的自然選擇和遺傳機(jī)制，以此尋找復(fù)雜問
題的最優(yōu)或近似最優(yōu)解。在抽水蓄能電站的優(yōu)化調(diào)
度領(lǐng)域，遺傳算法展現(xiàn)出了獨(dú)特的優(yōu)勢和廣泛的適
用性，特別是在解決具有高度非線性、多變量及約束
條件的復(fù)雜優(yōu)化問題時。在初始化階段，算法會隨機(jī)
圖1 浙江寧海抽水蓄能電站
低碳技術(shù)
64
LOW CARBON WORLD 2025/8
生成一個包含多個候選解的初始種群，每個個體都
代表著一種可能的調(diào)度策略，其基因編碼則對應(yīng)著
調(diào)度策略的具體參數(shù)設(shè)置。這些個體構(gòu)成了解空間
的初始探索集合。隨后，算法進(jìn)入選擇階段，依據(jù)適
應(yīng)度函數(shù)的值對種群中的個體進(jìn)行篩選。適應(yīng)度較
高的個體更有可能被選中作為父代，參與后續(xù)的交
叉和變異操作，以此模擬自然界中的“適者生存”原
則[3]。交叉操作通過交換父代個體的部分基因，生成
新的后代個體，這一過程有助于結(jié)合不同個體的優(yōu)
秀特征，擴(kuò)大搜索范圍。變異操作則是對后代個體的
基因進(jìn)行隨機(jī)的小概率改動，以增加種群的多樣性，
避免早熟收斂。經(jīng)過選擇和遺傳操作后，新生成的種
群將繼承父代的優(yōu)點(diǎn)并引入新的變異特征，從而在
解空間中逐步逼近最優(yōu)解。遺傳算法之所以適用于
解決抽水蓄能電站的優(yōu)化調(diào)度問題，是因?yàn)槠淠軌?
有效地處理非線性關(guān)系、進(jìn)行多目標(biāo)優(yōu)化及約束條
件等。通過模擬生物進(jìn)化過程，遺傳算法能夠在龐大
的解空間中高效搜索，發(fā)現(xiàn)傳統(tǒng)方法難以觸及的最
優(yōu)解或次優(yōu)解，從而顯著提高調(diào)度策略的效率并增
強(qiáng)其效果。此外，遺傳算法的魯棒性強(qiáng)，對初始條件
的依賴性較低，這使其在處理實(shí)際調(diào)度問題時更加
靈活和可靠。
1.3 深度強(qiáng)化學(xué)習(xí)
在馬爾可夫決策過程的框架下，抽水蓄能電站
的調(diào)度問題被抽象為一個由狀態(tài)空間、動作空間、轉(zhuǎn)
移概率、獎勵函數(shù)及策略組成的數(shù)學(xué)模型。其中，狀
態(tài)空間涵蓋電站當(dāng)前運(yùn)行的所有相關(guān)信息，如水庫
水位、電網(wǎng)負(fù)荷需求、可再生能源出力狀況等；動作
空間則包含所有可能的調(diào)度操作，如抽水功率的調(diào)
整、發(fā)電功率的設(shè)定等；轉(zhuǎn)移概率描述從一個狀態(tài)轉(zhuǎn)
移到另一個狀態(tài)的可能性；而獎勵函數(shù)則根據(jù)調(diào)度
策略的效果給予即時反饋，用于指導(dǎo)策略改進(jìn)。深度
強(qiáng)化學(xué)習(xí)算法通過構(gòu)建一個深度神經(jīng)網(wǎng)絡(luò)作為策略
網(wǎng)絡(luò)或價值網(wǎng)絡(luò)，學(xué)習(xí)并優(yōu)化調(diào)度策略。在訓(xùn)練過程
中，深度強(qiáng)化學(xué)習(xí)算法不斷與抽水蓄能電站的實(shí)際
運(yùn)行場景進(jìn)行交互，根據(jù)當(dāng)前狀態(tài)選動作，觀察環(huán)境
返回的下一狀態(tài)及獎勵值，并利用這些信息更新網(wǎng)
絡(luò)參數(shù)[4]。這一過程通過在線學(xué)習(xí)的方式實(shí)現(xiàn)，使算
法能夠逐步適應(yīng)環(huán)境的變化，發(fā)現(xiàn)更加高效、經(jīng)濟(jì)的
調(diào)度策略。深度強(qiáng)化學(xué)習(xí)算法中的策略梯度方法或
價值迭代方法被廣泛應(yīng)用于抽水蓄能電站的調(diào)度優(yōu)
化中。策略梯度方法用于直接優(yōu)化策略網(wǎng)絡(luò)，以最大
化長期累計獎勵為目標(biāo)，通過計算策略梯度并沿梯
度方向更新網(wǎng)絡(luò)參數(shù)。而價值迭代方法則通過估計
狀態(tài)或動作狀態(tài)的價值函數(shù)，間接指導(dǎo)策略的選擇，
其核心在于利用深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的函數(shù)逼近能
力，準(zhǔn)確估計不同狀態(tài)下采取不同動作的未來收益。
通過深度強(qiáng)化學(xué)習(xí)算法的不斷優(yōu)化，抽水蓄能電站
的調(diào)度策略能夠逐漸收斂至最優(yōu)或近似最優(yōu)解，實(shí)
現(xiàn)電站在不同負(fù)荷需求、不同電價時段及不同天氣
條件下的動態(tài)經(jīng)濟(jì)調(diào)度。這一過程中，深度強(qiáng)化學(xué)習(xí)
算法不僅考慮了即時的經(jīng)濟(jì)收益，還兼顧了長期運(yùn)
行效率和穩(wěn)定性，為抽水蓄能電站的高效運(yùn)行和電
力系統(tǒng)的整體優(yōu)化提供了有力的支持。
2 抽水蓄能電站優(yōu)化調(diào)度中人工智能技術(shù)的
應(yīng)用
2.1 負(fù)荷預(yù)測與調(diào)度優(yōu)化
在抽水蓄能電站的調(diào)度優(yōu)化中，人工智能技術(shù)
通過深度挖掘歷史負(fù)荷數(shù)據(jù)及其他相關(guān)因素的潛在
規(guī)律，能夠構(gòu)建高度精確的負(fù)荷預(yù)測模型。這些負(fù)荷
預(yù)測模型具備強(qiáng)大的學(xué)習(xí)能力和適應(yīng)性，能夠從歷
史數(shù)據(jù)中提取特征，實(shí)時捕捉負(fù)荷變化的動態(tài)趨勢，
包括季節(jié)性波動、周期性規(guī)律及突發(fā)事件引起的異
常波動等。通過不斷迭代和優(yōu)化，負(fù)荷預(yù)測模型能夠
自我調(diào)整，以適應(yīng)負(fù)荷模式的新變化，確保預(yù)測結(jié)果
的準(zhǔn)確性和時效性。基于這些精確的負(fù)荷預(yù)測結(jié)果，
人工智能算法能夠進(jìn)一步發(fā)揮其在優(yōu)化調(diào)度策略方
面的優(yōu)勢。在電網(wǎng)負(fù)荷高峰時段，人工智能算法能夠
智能地判斷何時放水發(fā)電，以最大化地滿足電網(wǎng)需
求，同時確保抽水蓄能電站的發(fā)電效率和經(jīng)濟(jì)性。此
外，人工智能算法還能夠綜合考慮多種約束條件，如
水庫容量限制、機(jī)組運(yùn)行效率、電網(wǎng)安全穩(wěn)定要求
等，以確保調(diào)度策略的可行性和最優(yōu)性。通過模擬不
同場景下的調(diào)度效果，人工智能算法能夠篩選出最
優(yōu)或接近最優(yōu)的調(diào)度方案。
2.2 設(shè)備狀態(tài)監(jiān)測
在抽水蓄能電站優(yōu)化調(diào)度中，人工智能通過實(shí)
時監(jiān)測關(guān)鍵設(shè)備（水泵水輪機(jī)、發(fā)電電動機(jī)、變頻器
等）的運(yùn)行狀態(tài)，如振動、溫度、壓力等參數(shù)，為調(diào)度
圖2 神經(jīng)網(wǎng)絡(luò)算法
x1
x2
xn
節(jié)點(diǎn)1
節(jié)點(diǎn)2
節(jié)點(diǎn)3
…
…
…
…
節(jié)點(diǎn)m
SD
SN1
SN2
SNk
…
…
y1
y2
yk
…
…
輸入層模式層求和層輸出層
x—輸入特征，是模型接收的原始數(shù)據(jù)；SD和SN—求和層節(jié)點(diǎn)；y—輸出結(jié)果，對
應(yīng)模型的預(yù)測值或分類類別。
低碳技術(shù)
65
LOW CARBON WORLD 2025/8
決策提供設(shè)備可靠性評估。基于物聯(lián)網(wǎng)數(shù)據(jù)的深度
學(xué)習(xí)模型可動態(tài)預(yù)測設(shè)備性能衰減趨勢，量化評估
機(jī)組可調(diào)度潛力以支持優(yōu)化調(diào)度，具體如下。
（1）調(diào)度容量修正。通過振動頻譜分析，識別轉(zhuǎn)
子處于不平衡狀態(tài)時，自動下調(diào)該機(jī)組調(diào)頻任務(wù)分
配權(quán)重。
（2）負(fù)荷優(yōu)化分配。當(dāng)預(yù)測某機(jī)組軸承溫度存在
過熱風(fēng)險時，人工智能調(diào)度系統(tǒng)將優(yōu)先調(diào)用備用機(jī)
組參與峰荷調(diào)節(jié)。
（3）檢修窗口優(yōu)化。結(jié)合設(shè)備剩余壽命預(yù)測模
型，在電價低谷期智能安排預(yù)防性檢修，最大限度減
少調(diào)度容量損失。
這種數(shù)據(jù)驅(qū)動的設(shè)備狀態(tài)監(jiān)測方式，使調(diào)度系
統(tǒng)能動態(tài)規(guī)避高風(fēng)險機(jī)組，確保調(diào)度指令與設(shè)備實(shí)
際承載能力精確匹配，提升抽水蓄能電站整體響應(yīng)
的可靠性。相較于傳統(tǒng)固定檢修周期的調(diào)度模式，應(yīng)
用人工智能技術(shù)可增加約12%的有效可調(diào)度容量。
2.3 智能決策支持系統(tǒng)的應(yīng)用
智能決策支持系統(tǒng)內(nèi)部嵌入了多種先進(jìn)的人工
智能算法和模型，這些算法能夠深入挖掘數(shù)據(jù)間的
關(guān)聯(lián)性，識別影響抽水蓄能電站運(yùn)行效率和經(jīng)濟(jì)效
益的關(guān)鍵因素。基于這些數(shù)據(jù)和分析結(jié)果，智能決策
支持系統(tǒng)能夠自動生成一系列科學(xué)、合理的抽水、發(fā)
電、儲能等調(diào)度建議，使電站的運(yùn)行效率和經(jīng)濟(jì)效益
最大化。智能決策支持系統(tǒng)能夠根據(jù)電網(wǎng)負(fù)荷的實(shí)
時變化、設(shè)備狀態(tài)的動態(tài)調(diào)整及外部環(huán)境因素的波
動，迅速調(diào)整調(diào)度策略，確保抽水蓄能電站在各種復(fù)
雜工況下保持最佳運(yùn)行狀態(tài)[5]。在實(shí)際應(yīng)用中，智能
決策支持系統(tǒng)為調(diào)度人員提供了強(qiáng)大的輔助決策支
持，不僅能夠展示直觀的調(diào)度方案，還能夠通過模擬
不同調(diào)度策略下的運(yùn)行結(jié)果，幫助調(diào)度人員深入理
解各種策略可能帶來的社會、經(jīng)濟(jì)、環(huán)境影響，極大
地增強(qiáng)了調(diào)度決策的透明度和可追溯性，使決策過
程更加科學(xué)、合理且易于接受。此外，智能決策支持
系統(tǒng)還能與電站現(xiàn)有的自動化控制系統(tǒng)無縫對接，
實(shí)現(xiàn)調(diào)度指令的自動化執(zhí)行和反饋。這一集成能力
不僅提高了調(diào)度操作的執(zhí)行效率，還確保了調(diào)度策
略與電站實(shí)際運(yùn)行狀態(tài)之間的一致性，進(jìn)一步提升
了電站的整體運(yùn)營水平。
3 案例分析
以南方電網(wǎng)抽水蓄能人工智能優(yōu)化調(diào)度平臺為
例，該平臺深度融合機(jī)器學(xué)習(xí)與運(yùn)籌優(yōu)化算法，構(gòu)建
了“數(shù)據(jù)感知—動態(tài)預(yù)測—智能決策”的全鏈條調(diào)度
優(yōu)化體系。南方電網(wǎng)抽水蓄能人工智能優(yōu)化調(diào)度平
臺通過物聯(lián)網(wǎng)技術(shù)實(shí)時采集機(jī)組的振動、溫度、效率
等20 余項(xiàng)狀態(tài)參數(shù)，結(jié)合電網(wǎng)數(shù)據(jù)采集與監(jiān)視控制
（supervisory control and data acquisition, SCADA）系
統(tǒng)提供的負(fù)荷需求、新能源出力波動、分時電價等外
部數(shù)據(jù)，利用長短期記憶人工神經(jīng)網(wǎng)絡(luò)（long short謠term
memory, LSTM）實(shí)現(xiàn)15 min 級超短期負(fù)荷預(yù)測，預(yù)
測精度達(dá)92%。在決策層，南方電網(wǎng)抽水蓄能人工智
能優(yōu)化調(diào)度平臺采用深度強(qiáng)化學(xué)習(xí)算法動態(tài)優(yōu)化機(jī)
組組合，綜合考慮設(shè)備健康度（基于貝葉斯網(wǎng)絡(luò)評
估）、電網(wǎng)調(diào)頻需求、水頭變化等約束條件，生成最
優(yōu)調(diào)度指令。實(shí)際運(yùn)行情況表明，南方電網(wǎng)抽水蓄
能人工智能優(yōu)化調(diào)度平臺可使機(jī)組啟停決策響應(yīng)時
間從傳統(tǒng)人工調(diào)度的30 min縮短至45 s，調(diào)頻響應(yīng)
速度提升23%。通過智能匹配峰谷電價差和機(jī)組工
況，單站年輔助服務(wù)收益增加約1 760 萬元。此外，
南方電網(wǎng)抽水蓄能人工智能優(yōu)化調(diào)度平臺創(chuàng)新的
“設(shè)備狀態(tài)-調(diào)度安全域”耦合模型，將設(shè)備劣化趨勢
量化為調(diào)度容量修正系數(shù)，使故障預(yù)警與調(diào)度預(yù)案
聯(lián)動成功率提升至89%，顯著增強(qiáng)了電網(wǎng)對可再生
能源波動的消納能力。該案例為人工智能驅(qū)動新型
電力系統(tǒng)靈活調(diào)節(jié)資源優(yōu)化調(diào)度提供了可復(fù)用的技
術(shù)范式。
4 結(jié)論
人工智能技術(shù)在抽水蓄能電站優(yōu)化調(diào)度中的應(yīng)
用，不僅顯著提高了電站的運(yùn)行效率和經(jīng)濟(jì)效益，還
有效增強(qiáng)了電網(wǎng)的穩(wěn)定性和安全性。這一創(chuàng)新實(shí)踐
不僅推動了抽水蓄能電站的數(shù)字化、智能化轉(zhuǎn)型，更
為全球能源行業(yè)的可持續(xù)發(fā)展注入了新的活力和動
力。隨著技術(shù)的不斷進(jìn)步和應(yīng)用場景的不斷拓展，人
工智能技術(shù)在抽水蓄能電站優(yōu)化調(diào)度中的潛力和價
值將得到更加充分的釋放和體現(xiàn)。
參考文獻(xiàn)
[1] 謝東亮，薛峰，宋曉芳，等.基于最優(yōu)價值網(wǎng)絡(luò)的儲能系統(tǒng)
調(diào)度優(yōu)化及仿真[J].電力系統(tǒng)自動化，2016，40（24）：42-48.
[2] 黃琴.基于深度強(qiáng)化學(xué)習(xí)的風(fēng)光儲系統(tǒng)運(yùn)行和控制方法研
究[D].成都：電子科技大學(xué)，2022.
[3] 王凱，王小軍，馬娜，等.基于人工智能的圖像識別技術(shù)在
抽水蓄能電站中的應(yīng)用研究[J].水電與抽水蓄能，2019，5
（4）：18-20，46.
[4] 王卓瑜.抽水蓄能電站控制自動化設(shè)備的特點(diǎn)及新技術(shù)的
采用[D].保定：華北電力大學(xué)，2009.
[5] 李美玲.抽水蓄能電站設(shè)備智能化關(guān)鍵技術(shù)及發(fā)展趨勢分
析[J].中國房地產(chǎn)業(yè)，2020（15）：148.
作者簡介院張偉（1989—），男，漢族，湖北鐘祥人，本
科，工程師，主要從事工程項(xiàng)目管理工作。
低碳技術(shù)
66

網(wǎng)友評論 more

電力安全論文最新內(nèi)容

04-02