2025年9月 新型电力系统规划运 行时序生产模拟平台 TEAP 1 目 录 一、研究背景 二、当前时序模拟方法遇到的问题 三、新型电力系统规划运行时序生产模拟平台TEAP 四、应用案例 一、研究背景 2 3 时序生产模拟是全球目前最重要的电力系统规划分析方法之一。时序生产模拟通过全年8760小时 进行逐时刻仿真，为电力电量平衡分析、调节能力测算、新能源消纳计算等提供量化支持。核心 HUST_GTDS（华科） ETAP GOPT（清华） 国内外知名时序生产模拟工具算法 （一）基于运筹的时序生产模拟需求迫切 美国能源部直属的劳伦斯伯克利国家实验室在《演进中 的电力系统资源充裕性评估改进指南：制度和技术》报 告中指出，随着新能源渗透率提升、电力市场复杂程度 加剧，时序生产模拟是电力系统分析的必要方法 4 （二）时序模拟需要面临的新场景 关键问题二：新型电力系统中，煤电向基础 0.2 0.3 0.4 0.5 0.6 0.7 0.8 PW PV 冬高方式 夏高方式 夏谷方式 传统电力系统 边界复杂、不确定性强 新型电力系统 8760 5 （二）时序模拟需要面临的新场景 关键问题四：电力市场、碳排放市场、输配 电价等多种电力机制引入，影响系统运行方 式，传统电力系统规划方法难以考量，需要 进行精准量化模拟分析。 电力市场以价格成本为引 导指定机组工作位置

应用》 产业方负责人 • 著有《 Greenplum ：从大数据战略到实现》 │ ©202 四维纵横 Confidential 1 目录 l 时序和超融合 l 数字汽车 l 工厂大脑 │ ©202 四维纵横 时 序 和 超 融 合 Confidential 1 Confidential 数据市场规模 1000 亿美金，而“ IoT 最大场景 在中国”。而物联网最典型的数据是时序数据。 DB-Engines 过去 24 个 月流行度趋势 2020 年物联网设备超过非物联网设备 │ ©202 四维纵 横 Confidential 1 什么是时序数据 • 时序数据是时间序列数据，即带有时间戳的数据序列。这个序列中的—个数据也成为数据点 （ ( … , …) (tsN,vN) │ ©202 四维纵横 Confidential 1 什么是时序数据 • 可以有很多时间序列，每个时间序列有自己的节奏。 timeseries1

电力行业作为国家基础设施的基石，肩负着向全社 会供应持续、稳定电力的使命。电力系统的稳健运 作对于维护国家的安全、促进经济的繁荣以及提升 民众的生活水平至关重要。TDengine，作为一款 以时序数据库为核心的大数据平台，凭借其突破性 的底层技术创新、卓越的性能和稳定性，持续助力 电力行业提高运营效率与可靠性，为电力行业的数 字化转型提供了独到的视角和深刻的洞察力。 在电力行业的深耕中，我们凭借深厚的项目经验， 却普遍面临性能和扩展能力不足的问题，特别是随着数据量的增加，查询速度会逐渐变慢， 且由于它们并非专为时序数据优化，在处理海量时序数据时读写性能较低。 传统关系库的局限 典型场景：低频监控场景、电力一区 SCADA 分布式环境中的性能和扩展性有限 数据量越大，查询越慢 不专为时序数据优化，海量时序数据读写性能低 典型场景：工业大数据平台、舆情电商 组建多而杂，架构臃肿 虽然支持分布式，但效率低 虽然支持分布式，但效率低 硬件、人力维护成本非常高 典型场景：非结构化数据管理、爬虫数据 计算实时性差，查询相应效率低 计算内存、CPU 开销巨大 没有专门针对时序数据进行优化 典型场景：SCADA 系统、生产监控系统 架构陈旧、无分布式方案，无法水平扩展 大多依赖特定系统，限制了跨平台能力 分析能力有限，更侧重实时监控和控制 系统封闭，限制了集成与共享 传统关系 型数据库 Hadoop

第一代：传统时间序列统计方法 （指数平滑、ARIMA、Holt-Winters） 1. 准确性：低 2. 稳定性：高 3. 可调整性： 低（后处理） 4. 可解释性：高（逻辑易于理解） 5. 执行效率：低（针对单条时序） 应用局限：后处理（规则）工作重 技术局限：难以拟合脉冲性波动；无法灵活引入海量协变 量（特征）信息；无法描述复杂的交叉影响 第二代：特征工程+经典机器学习算法 （GBDT/XGB/LGB、随机森林、SVR） 4. 可解释性：低（黑盒算法，只能解释输入输出） 5. 执行效率：高（可批量训练/预测） 应用局限：调超参纯靠体力、算力；特征工程强依赖人工 判断、业务理解、数据探查、写SQL能力 技术局限：时序特征提取；类别变量的编码；损失函数选 择有限；端到端学习能力有限；训练策略难以定制 第三代：深度学习算法 （CNN，RNN，Attention） 前景：轻松克服左边的全部技术局限；深度学习在CV、 执行效率：低（模型较重，GPU训练成本较高） 应用局限：炼丹工作重，训练时间长，摸索成本高 技术局限：模型重，数据量要求高；时序针对性低 自研深度学习时序预测算法--Falcon Falcon是什么 算法： • 多block叠加的残差链接主干网络，类似n-beats （右图）结构，实现时序成份分解 • 丰富的block库捕捉时序的各种成份（趋势、周期/季节、脉冲、节假日、其他数值特征），个性化按需 组装 • 参数规模：数千；训练时间：几小时

模型技术结合的新路径. 基于此, 本文提出了工业大模型赋能的新型流程工业智能工厂核心工业软件 体系. 该体系构建了基于大语言模型的工业大模型, 其架构分为模型底座层、公共能力层和业务应用 层. 其中, 公共能力层提供时序数据、图像数据、文本数据等多模态处理能力, 业务应用层则结合具体 业务场景开发了多种类型的智能体, 包括图表智能体、低代码智能体、感知智能体、分析智能体、诊 断智能体、决策优化智能体和控制智能体. . 近年来, 以大语言模型为代表的新一代人工智能技术发展迅速 [6], 特别是在结合工业多模态预训 练机制与多模态融合能力后, 为流程工业智能工厂建设带来了新的契机 [6,7]. 例如, 针对工业时序数据 的生成, MetaIndux-TS [8] 等模型展现了显著的进步, 能够有效解决数据稀缺问题. 大语言模型强大的 交互能力和跨领域逻辑思考能力能够将流程工业智能工厂的知识经验融入核心工业软件体系中 [31,36,37], 整体架构如图 3 所示. 模型底座层采用 DeepSeek R1, DeepSeek V3, Qwen 等大语言模型, 公共能力层提供了处理工业业务所需要具备的多模态能力, 包括时序数据能力、图像 数据能力、文本数据能力. 在业务应用层, 需要结合具体业务场景开发智能体. 3.1 模型底座层 模型底座层是工业大模型赋能流程工业智能工厂软件体系的核心基础, 决定了系统能力的下限

性。 总体技术路线 2 电能质量领域的应用：电压暂降反演 ③ 多重判据的电压暂 降 同源检测 ③ 特征融合的 DG 控 制 参数辨识 ③ 暂降幅值分区并行 迭 代评估 ③ 脱网时序估计的多 ① 电压暂降事件映射 规则挖掘 ①DG 控制参数对暂 降 的影响规律 ① 配网拓扑多阶段自 动分区 ①DG 随机出力场景生 成 ② 电压暂降波形相似 性度量 ② 暂降波形的显 影格程单 020.304.0506 (708 时间 (s) 2.4 电能质量领域的应用： DG 时序脱网与多阶段电压暂降反演 有源配网暂降与 DG 脱网存在 时 序关联，结合 LVRT 特性研究时序特征和规律， 实现多阶段电压 暂 降等短时电压扰动反演。 Journal of Electrical Power&Energy 电力系统自动化，已录用。 故六轻值 巴治程放 939 0 01 62 0.3 04_05060.70.8 时 间 (s) DG 脱网时序估计与暂降多阶段反演 DG 跳闸时序不同， 导致电压幅值进一 步下降，放大风险 considering ow-voltage ride-through of inverter-interfaced

决策实时性要求严苛 ： 复杂优化问题需在秒级甚 强大的数据处理与模式识别能力 ，有望从海 量数据中洞察运行规律 出色的上下文学习与推理能力 ，可辅助甚至 优化复杂决策过程 多模态融合潜力 ，整合文本、 时序、 图像 等 多元信息 ，实现全景感知 挑战与机遇并存：大模型技术破局电力系统复 杂性 新型电力系统的“成长烦恼” - 大模型能力 破局的关键钥匙： 大模型 大模型在电力领域中的角色 定位 l 通用大模型：并非为电力系统的时序性、物理性、高维动态性而生 ，直接应用到电力场景 ，效果往往受限。 l 定制化模型骨架： 在成熟通用模型基础上 ，增加电力专用层（如时序特性、物理约束层） ，兼顾通用能力与专业性。 或者设计适用于电力时序数据的模型架构（如基于状态空间模型、图神经网络结合时序特征的模型） ，更精准捕 捉 电力系统动态。 融合物理机理模型与数据驱动模型 ，形成优势互补。 l 选择和优化模型骨架要考虑： 电力数据的特性 ：电力数据以时序为主 ，包 含 大量数值型数据 ，对模型捕捉时间依赖和 动态 变化能力要求高。 不同的任务需求 ：不同任务（预测、控制、 诊 断）对模型架构的侧重点不同。 计算资源的约束 ：需平衡模型性能与训 练 / 推 理成本。 架构之基：选择与优化适应电力特性的模型

技能泛化、真实交互、本体扩展 Skill （技能泛化） Reality （真实交互） Embodiment （本体扩展） Adapted from Jim Fan’s talk 13 技能泛化：多智能体实现长时序开放具身任务解决 Day Long-horizon open- Forest world embodied tasks Stone Water Task: Gather wood from it to kill a pig during the daytime near water and grass Wood Pig Grass Plains 14 技能泛化：多智能体实现长时序开放具身任务解决 Task: Gather wood from the forest, craft a stone sword on the plains, and then use it to kill stone sword O : stone 6 1 O8 O : wooden pickaxe 5 Pig Grass 长时序具身任务 上下文依赖 + 过程依赖 2 O8 O1: log 1 O8 O1 O6 O8 2 技能泛化：多智能体实现长时序开放具身任务解决 n MP5 (CVPR 2024): 5 (M)LLMs with different roles, communicating

型 发 展 历 程 图 背景 2—— 人工智能大模型引领新 一 FLAN Uni-Pereiver Uni-Pereiver-MoE AlphaCode 轮科技革命 2025 电力时序数据分析监测模型 电力专家与客服系统 豆 开 源 社 区 大 模 型 测 评 城 市 ⑤ 传统电网：传统电力系统人工依赖度高，存在资源配置低效和故障响应不及时等问题。 视频中的隔离开关正处于什么状态 ? 文本问答 图像输入 5s 10s 155 国内大厂模型 用户 8 白 0 时序数据 ( 如电压、电流信号 ) 是电力场景中最基本、最易获取、参考性最大的数据。利用此类 数 据可以进行电力场景精细化感知与深度分析。 问题分析 目标： GIS 开 关 任务：分析有无异常情况 损坏等情况，但 UHF 信 号 显示可能存在悬浮电位缺 ↓ 陷 … … 决策生成 … 视频、获 电力时序数据分析监测模型可根据人类交互输入生成任务指令并对各类时序数据进行分析与推理 30/37 多种时序数据 " adim 一 的 8 8 m 古 应用四：电力时序数据分析监测模型 损耗估算 故障检修 电能质量 生产监控 经济规划 发电控制 状态监测 危险预警

2 峰谷价差变化趋势及特点 ................................................................... - 13 - 2.3 峰谷时序和时长的变化趋势及特点 ................................................... - 15 - 2.4 电价变化对项目投资经济性的影响 ..... 所示。2025 年工商业电价政策调整表现在峰谷时序的调整、峰谷平 时长的变化、新增或取消尖峰/深谷电价、峰谷浮动项和浮动比例调整等方面。 表 3 2025 年以来发布/执行新版工商业电价政策的地区及其政策调整方向 地区 发布 时间 实施 时间 午间 低谷 新 增 深 谷 取 消 尖 峰 浮动 项变 化数 量 浮动比例变化 峰谷时序 变化 新 增 时 长 调 √ 数据来源：寻熵研究院统计分析。注：统计截至 2025 年 10 月底。*表示该地区的电价政策 尚处于征求意见稿阶段。午间低谷时长调整指此前已有午间低谷电价，但新政中调整了午间 低谷的时长。时序变化指峰谷平的先后顺序，不考虑对应时长的变化。浮动项变化数量“-1” 表示参与浮动的项目减少一项。 2.2 峰谷价差变化趋势及特点 峰谷价差是影响用户侧削峰填谷套利模式经济性的最直接因素。峰谷价差变