新一代人工智能技術(shù)在電力系統(tǒng)調(diào)度運行中的應(yīng)用評述

　　摘要：以深度學(xué)習(xí)、強化學(xué)習(xí)為代表的新一代人工智能技術(shù)及其應(yīng)用是當(dāng)前電力系統(tǒng)領(lǐng)域的研究熱點。人工智能技術(shù)具有不依賴物理機理，計算速度快，辨別效率高等優(yōu)點。但人工智能固有的可解釋性差、穩(wěn)定性弱等缺點也制約了其在電力系統(tǒng)一些場景的應(yīng)用。文中梳理了新一代人工智能技術(shù)在電力系統(tǒng)負(fù)荷和新能源預(yù)測、故障診斷、在線穩(wěn)定性評估、頻率及電壓優(yōu)化控制和電網(wǎng)運行方式制定等調(diào)度運行場景中的應(yīng)用，并進行了分析和評述�？偨Y(jié)了現(xiàn)有研究中存在的問題，指出人工智能技術(shù)的應(yīng)用應(yīng)當(dāng)以問題為導(dǎo)向，以場景為基礎(chǔ)，以應(yīng)用為目的。最后，對未來人工智能技術(shù)在電力系統(tǒng)調(diào)度運行中的應(yīng)用作出了展望。

　　關(guān)鍵詞：人工智能;電力系統(tǒng);調(diào)度運行;深度學(xué)習(xí);強化學(xué)習(xí);場景適配

　　0引言

　　近年來，AlphaGo、人臉支付、無人駕駛和智能音箱等人工智能技術(shù)的優(yōu)越表現(xiàn)把以深度學(xué)習(xí)為代表的新一代人工智能推上了新的浪潮，備受各行各業(yè)的關(guān)注。人工智能之所以能再次興起，硬件算力、數(shù)據(jù)積累和算法性能等科學(xué)技術(shù)發(fā)展的內(nèi)在突破是基礎(chǔ)條件[1]，來自政府和產(chǎn)業(yè)界的外在支持也起到了很大的推動作用。2016年開始，各國紛紛出臺相關(guān)政策，希望抓住此次人工智能爆發(fā)的機遇。中國先后出臺了《中國制造2025》《新一代人工智能發(fā)展規(guī)劃》《人工智能標(biāo)準(zhǔn)化白皮書》[24]等多項人工智能及其相關(guān)產(chǎn)業(yè)發(fā)展政策，并已將新一代人工智能確立為國家戰(zhàn)略，加快了人工智能產(chǎn)業(yè)化和應(yīng)用落地。

　　人工智能論文范例： 論中國青島青少年人工智能科技館的規(guī)劃設(shè)計

　　人工智能在電力行業(yè)中的應(yīng)用也再次成為研究熱點。高比例新能源接入、電力電子化滲透和遠(yuǎn)距離大容量輸電等成為當(dāng)前電網(wǎng)的重要特征，因此電力系統(tǒng)中很多問題常常難以建立精確的數(shù)學(xué)模型或者難以單純用數(shù)學(xué)模型來描述[5]。與此同時，外部量測系統(tǒng)與通信技術(shù)的快速發(fā)展帶來了海量多源數(shù)據(jù)的累積，使得電力系統(tǒng)發(fā)展成為一個具有多源信息交互的高維時變非線性電力信息物理系統(tǒng)(cyberpowerphysicalsystem，CPPS)[67]。

　　當(dāng)前電網(wǎng)的這些特點都與新一代人工智能緊密契合，為新一代人工智能在電力系統(tǒng)問題中的應(yīng)用提供了廣闊舞臺。但是，并非所有的應(yīng)用都是完全成功的。清華大學(xué)張鈸院士曾在其報告《走向真正的人工智能》中指出，成功的應(yīng)用需要合適的場景。合適的場景是指滿足以下5個條件的場景：①真實樣本充足易獲取;②具備一定的容錯性;③目標(biāo)任務(wù)單一;④邊界確定的封閉環(huán)境;⑤任務(wù)靜態(tài)，信息完備且確定。電力系統(tǒng)領(lǐng)域中不同場景具有不同特點，不同問題的解決有不同需求，不是所有問題都滿足上述5個基本條件。

　　換言之，一些問題自身的特點與人工智能方法的特性并不是完全適配，因此，不加以區(qū)別的應(yīng)用會帶來許多問題。合適的場景是成功應(yīng)用的基礎(chǔ)，將因地制宜思想融入人工智能在電力系統(tǒng)中的應(yīng)用中可以很好地從問題本身特點出發(fā)，得到適配問題本身的應(yīng)用方式，從而將人工智能技術(shù)優(yōu)勢最大化凸顯。本文從新一代人工智能技術(shù)的特點出發(fā)，梳理了人工智能在電力系統(tǒng)調(diào)度運行中的應(yīng)用場景，給出了不同場景的特點;分析和評述了現(xiàn)有研究工作及其存在的問題;結(jié)合人工智能的發(fā)展趨勢，對未來其在電力系統(tǒng)中的應(yīng)用作出了分析和展望。

　　1新一代人工智能技術(shù)特點2006年Hinton團隊提出了深度信念網(wǎng)絡(luò)[89]，使得神經(jīng)網(wǎng)絡(luò)以深度學(xué)習(xí)之名再次崛起，引領(lǐng)了新一輪人工智能熱。新一代人工智能技術(shù)以深度學(xué)習(xí)、強化學(xué)習(xí)和遷移學(xué)習(xí)等為代表，接下來簡要介紹這3類方法的特點。

　　1.1深度學(xué)習(xí)深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，含多隱含層的感知器就是一種典型深度學(xué)習(xí)結(jié)構(gòu)[10]。傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)局限性在于樣本有限、模型在復(fù)雜問題中泛化能力差。深層網(wǎng)絡(luò)可以完成復(fù)雜函數(shù)的逼近，且可以通過逐層學(xué)習(xí)算法獲取輸入數(shù)據(jù)的主要驅(qū)動特征，具有特征自提取的能力。

　　同時，深度學(xué)習(xí)還可以憑借無標(biāo)簽的數(shù)據(jù)進行學(xué)習(xí)，無須依賴監(jiān)督信息的指導(dǎo)[11]。在電力系統(tǒng)中的很多問題中，對大量數(shù)據(jù)的標(biāo)記往往耗時耗力甚至是不可行的，在這種情況下，無監(jiān)督學(xué)習(xí)可以自動抽取高層特征，突破了樣本難以標(biāo)記的問題。深度信念網(wǎng)絡(luò)[9]、堆疊自編碼器[12]、深度卷積神經(jīng)網(wǎng)絡(luò)[13]等皆為典型的無監(jiān)督深度學(xué)習(xí)模型。該類方法的主要特點是：①樣本數(shù)據(jù)需求規(guī)模大，深度學(xué)習(xí)模型復(fù)雜度高，需要有足夠的數(shù)據(jù)來支撐模型的訓(xùn)練;②需要有高效的計算環(huán)境與數(shù)據(jù)存儲能力來支撐訓(xùn)練過程中的大量數(shù)據(jù)計算;③作為黑箱模型，數(shù)學(xué)理論支撐不足，在參數(shù)確定上缺乏理論指導(dǎo)，可解釋性差;④模型復(fù)雜，參數(shù)眾多，訓(xùn)練速度較慢。

　　1.2強化學(xué)習(xí)

　　深度學(xué)習(xí)因其強大的特征表示與挖掘能力，側(cè)重于對事物的感知和表達(dá)，而強化學(xué)習(xí)的基本思想則是通過智能體與環(huán)境交互獲得獎勵，從而學(xué)習(xí)到完成目標(biāo)的最佳策略，因此強化學(xué)習(xí)方法更加側(cè)重于學(xué)習(xí)解決問題的策略[14]。區(qū)別于有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，強化學(xué)習(xí)并不需要出現(xiàn)正確的輸入/輸出對，也不需要標(biāo)簽數(shù)據(jù)指導(dǎo)。它更專注于在線規(guī)劃，需要在探索未知領(lǐng)域和利用現(xiàn)有知識之間找到平衡，其學(xué)習(xí)過程是智能體不斷地與環(huán)境進行交互，不斷進行試錯的反復(fù)練習(xí)。而且在強化學(xué)習(xí)中，時間是重要的，因為強化學(xué)習(xí)的反饋具有延時性，并不是即刻生成的。

　　因此，強化學(xué)習(xí)適用于解決序貫決策問題，即需要連續(xù)做出決策從而達(dá)到最終目的的問題。但是，隨著應(yīng)用場景日趨復(fù)雜，“維度災(zāi)”的出現(xiàn)使得強化學(xué)習(xí)可行解的探索變得困難。為解決這個問題，谷歌的DeepMind團隊創(chuàng)新性地將具有感知能力的深度學(xué)習(xí)與強化學(xué)習(xí)相結(jié)合得到深度強化學(xué)習(xí)(deepreinforcementlearning，DRL)，利用深度學(xué)習(xí)來自動學(xué)習(xí)大規(guī)模輸入數(shù)據(jù)的抽象表征，并以此表征為依據(jù)進行自我激勵的強化學(xué)習(xí)，從而優(yōu)化解決問題的策略[14]。

　　1.3遷移學(xué)習(xí)

　　人工智能在電力系統(tǒng)中應(yīng)用的研究中，經(jīng)常會遇到以下幾種情形：①隨著時間推移，原先樣本數(shù)據(jù)不可用;②僅有極少量有標(biāo)簽樣本，不足以完成網(wǎng)絡(luò)的訓(xùn)練;③經(jīng)過長時間訓(xùn)練好的網(wǎng)絡(luò)因為放到其他地區(qū)同一問題不再適用。這些問題的存在是因為無論是深度學(xué)習(xí)還是強化學(xué)習(xí)都具有領(lǐng)域垂直性，即這個領(lǐng)域越垂直、越細(xì)越效果好，而且通常訓(xùn)練一個模型的代價較大。

　　因此，有必要開展相似問題間模型通用性的研究。遷移學(xué)習(xí)是一種運用已有的知識對不同但相關(guān)領(lǐng)域問題進行求解的機器學(xué)習(xí)方法[15]。遷移已有的知識來解決新的問題，源任務(wù)與目標(biāo)任務(wù)之間越相似，遷移就越容易，遷移效果也越好。遷移學(xué)習(xí)需要與其他機器學(xué)習(xí)方法結(jié)合使用，可以一定程度上解決機器學(xué)習(xí)方法依賴于數(shù)據(jù)的生成機制不隨環(huán)境改變這一基本假設(shè)，也為小樣本場景提供了解決方法[15]。

　　2新一代人工智能技術(shù)在電力系統(tǒng)中應(yīng)用分析

　　下面介紹新一代人工智能技術(shù)在電力系統(tǒng)調(diào)度運行各類場景中的應(yīng)用，并總結(jié)各類場景特點。

　　2.1人工智能在電力系統(tǒng)調(diào)度預(yù)測方面的應(yīng)用

　　電力系統(tǒng)負(fù)荷預(yù)測與新能源預(yù)測一直以來都是人工智能在電力系統(tǒng)中應(yīng)用的熱門場景。

　　2.1.1負(fù)荷預(yù)測電力負(fù)荷預(yù)測在電網(wǎng)調(diào)度運行中具有十分重要的作用。

　　負(fù)荷與日期、政策、天氣等多種影響因素相關(guān)，難以建立精確的數(shù)學(xué)模型。新一代人工智能技術(shù)中的深度學(xué)習(xí)類方法作為強感知型算法，以其卓越的特征挖掘與映射能力，能充分解決大規(guī)模負(fù)荷數(shù)據(jù)中存在的非線性問題。卷積神經(jīng)網(wǎng)絡(luò)[1617]、深度信念網(wǎng)絡(luò)[1819]、長短期記憶網(wǎng)絡(luò)[2021]、堆疊自編碼器[2223]和深度遞歸神經(jīng)網(wǎng)絡(luò)[2425]等算法都在負(fù)荷預(yù)測領(lǐng)域中應(yīng)用廣泛。其中，長短期記憶網(wǎng)絡(luò)具有特殊的記憶結(jié)構(gòu)，能較好地學(xué)習(xí)時序數(shù)據(jù)中含有的相關(guān)性特征，從而更好地理解負(fù)荷變化的不確定性[20]。卷積神經(jīng)網(wǎng)絡(luò)則因其池化、卷積等操作有效地降低了網(wǎng)絡(luò)復(fù)雜度，減少了訓(xùn)練參數(shù)的數(shù)目[13]。

　　深度遞歸網(wǎng)絡(luò)的輸出與網(wǎng)絡(luò)的歷史狀態(tài)強相關(guān)，將其應(yīng)用于負(fù)荷預(yù)測時能很好地關(guān)聯(lián)歷史數(shù)據(jù)。上述方法都在一定程度上提高負(fù)荷預(yù)測的準(zhǔn)確度。人工智能算法在負(fù)荷預(yù)測中的應(yīng)用大致可分為特征集構(gòu)建、映射模型訓(xùn)練、測試集驗證3個部分。盡管采用人工智能進行負(fù)荷預(yù)測性能較好，但也存在一些問題，例如容易出現(xiàn)過擬合。因此，從時間尺度和空間尺度上都需要足夠量的數(shù)據(jù)，大數(shù)據(jù)采集和存儲技術(shù)的發(fā)展為負(fù)荷樣本的建立提供了重要的基礎(chǔ)。

　　2.1.2新能源預(yù)測

　　當(dāng)前電力系統(tǒng)的典型特征之一是高比例新能源的接入，這一特征的存在使得電力系統(tǒng)不確定性與波動性增強，影響了電網(wǎng)的調(diào)度運行和安全穩(wěn)定。開展不同能源預(yù)測的研究可以一定程度上減小不確定性，從而更好地支撐電力系統(tǒng)的規(guī)劃與運行。而提高間歇性可再生能源發(fā)電功率預(yù)測精度的關(guān)鍵是構(gòu)建具有強大數(shù)據(jù)處理能力和特征提取能力的預(yù)測模型[5]。

　　深度學(xué)習(xí)的引入改進了傳統(tǒng)淺層預(yù)測模型處理數(shù)據(jù)的能力。新能源預(yù)測問題與負(fù)荷預(yù)測問題本質(zhì)上存在共性，長短期記憶網(wǎng)絡(luò)[2627]的記憶能力、深度信念網(wǎng)絡(luò)[2829]與卷積神經(jīng)網(wǎng)絡(luò)[3031]的特征提取能力、堆疊自編碼器[32]的強魯棒性對提高新能源預(yù)測的準(zhǔn)確性均表現(xiàn)出良好的效果。此外，遷移學(xué)習(xí)概念的引入也為不同風(fēng)場預(yù)測模型的訓(xùn)練節(jié)約了大量時間[33]。

　　2.1.3電價預(yù)測

　　為了保證新一輪電改的順利進行，對電力市場的相關(guān)研究也日漸興起。而對電價進行準(zhǔn)確預(yù)測在市場化推進中至關(guān)重要[5]。深度學(xué)習(xí)可以從樣本數(shù)據(jù)中挖掘出歷史電價、社會因素等內(nèi)外在因素與電價間的關(guān)聯(lián)關(guān)系，預(yù)測精度較高。

　　文獻(xiàn)[34]采用堆疊降噪自編碼器進行在線小時前電價預(yù)測和日前小時電價預(yù)測。文獻(xiàn)[35]結(jié)合長短期記憶網(wǎng)絡(luò)的時間記憶特性，將風(fēng)能和負(fù)荷的比值作為電價預(yù)測輸入?yún)��?shù)，極大地提高了對電力市場時間序列電價的預(yù)測精度。預(yù)測類問題作為人工智能在電力系統(tǒng)最早的應(yīng)用場景之一，從早期的反向傳播(BP)神經(jīng)網(wǎng)絡(luò)、支持向量機到新一代的深度學(xué)習(xí)算法都有廣泛的應(yīng)用�？梢钥偨Y(jié)這類問題的特點：①歷史數(shù)據(jù)量大;②具備一定的容錯性;③機理模型尚不明確;④任務(wù)要求單一。這類問題與人工智能方法自身特點較為契合，滿足了深度學(xué)習(xí)模型訓(xùn)練所需的大量數(shù)據(jù)。同時，這類問題的無明確物理機理也使得深度學(xué)習(xí)的“黑箱”特性得到較大的包容度。

　　2.2人工智能在電力系統(tǒng)故障診斷方面的應(yīng)用

　　電力系統(tǒng)的故障診斷從診斷級別上可分為器件級、設(shè)備級和系統(tǒng)級[36]。深度學(xué)習(xí)方法在處理故障診斷問題中具有以下優(yōu)勢。1)無需人工參與特征提取，可直接通過訓(xùn)練原始底層數(shù)據(jù)得到故障特征。2)區(qū)別于傳統(tǒng)時頻分析等手段對時序性的高要求，深度學(xué)習(xí)可以適應(yīng)不同周期的數(shù)據(jù)。3)可以有效處理高維非線性數(shù)據(jù)。深度信念網(wǎng)絡(luò)在故障診斷中常常被用作分類器[3738]和特征提取與識別[39]。卷積神經(jīng)網(wǎng)絡(luò)可提取輸入數(shù)據(jù)的局部特征，并逐層組合抽象生成高層特征。與深度信念網(wǎng)絡(luò)類似，卷積神經(jīng)網(wǎng)絡(luò)也被應(yīng)用于故障的特征提取[40]和分類識別[41]。

　　現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷研究遠(yuǎn)少于基于深度信念網(wǎng)絡(luò)的故障診斷研究，卷積神經(jīng)網(wǎng)絡(luò)較多用于實現(xiàn)視覺理解、圖像特征提取等，很少用于實現(xiàn)基于信號的特征提取與識別[36]。不同于這2類方法，基于堆疊自編碼器的故障診斷研究多著眼于濾波降噪[42]和特征提取[4344]2個方面。堆疊自編碼器的訓(xùn)練需要少量的樣本數(shù)據(jù)，再加上適當(dāng)?shù)姆诸愖R別技術(shù)即可實現(xiàn)較高性能的故障診斷效果，充分展現(xiàn)了其強大的特征提取能力以及該方法的魯棒性[34]。

　　遞歸神經(jīng)網(wǎng)絡(luò)較前3類算法最大的不同之處在于其自身的記憶能力，即網(wǎng)絡(luò)的輸出不僅取決于當(dāng)前的輸入，還與網(wǎng)絡(luò)內(nèi)部過去狀態(tài)有關(guān)。因此，遞歸神經(jīng)網(wǎng)絡(luò)適用于設(shè)備實時狀態(tài)監(jiān)測與故障診斷[4547]。故障診斷類問題由于設(shè)備及網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，模型構(gòu)建困難，獲取完備的診斷知識日趨困難。深度學(xué)習(xí)類方法通過尋求可量測的特征向量來判斷設(shè)備或網(wǎng)絡(luò)處于何種狀態(tài)，進而實現(xiàn)故障檢測、診斷與識別，可以很好地應(yīng)對模型構(gòu)建困難的問題。但仍存在以下幾個問題。

　　1)可解釋性差。故障診斷不同于預(yù)測問題，其容錯性差，深度學(xué)習(xí)的方法只能作為參考。2)實際樣本具有不均衡性。電網(wǎng)實際故障發(fā)生概率低，造成有效的實際樣本過少會使訓(xùn)練的模型有偏差。因此，針對樣本不均衡性的研究十分重要。3)特征選取完備與否無法衡量。特征是決定診斷效果的關(guān)鍵，而黑箱模型中知識是否挖掘完全目前無法衡量。由于存在以上問題，目前基于深度學(xué)習(xí)的故障診斷在工程實際中更適合作為業(yè)務(wù)人員的輔助判斷手段。

　　3人工智能應(yīng)用于電力系統(tǒng)調(diào)度的探討

　　本文對人工智能在電力系統(tǒng)調(diào)度運行各場景中的應(yīng)用有如下觀點。

　　1)當(dāng)前人工智能技術(shù)仍處在發(fā)展階段，只是一種有感知能力的人工智能，距離強人工智能，即具備理解能力的人工智能，還有待進一步發(fā)展。目前的人工智能針對數(shù)據(jù)完備、規(guī)則確定以及目標(biāo)明確的問題，能夠發(fā)揮強大的記憶、搜索和運算能力。但是，在數(shù)據(jù)不全、規(guī)則不確定及目標(biāo)不明確的場景中，包括電力系統(tǒng)暫態(tài)穩(wěn)定評估、電壓無功控制、自動發(fā)電控制和電網(wǎng)故障判別等領(lǐng)域，人工智能方法所得到的結(jié)果有時不盡人意。在電力系統(tǒng)中，只有同時滿足易獲取大量真實樣本，邊界確定的封閉環(huán)境，場景靜態(tài)，任務(wù)垂直單一，擁有完全且確定的信息且具有一定的容錯性這幾個條件的場景，人工智能方法才能完美適用。

　　2)沒有最好的方法，只有最適合的場景。人工智能發(fā)展至今，算法層出不窮，新一代的人工智能算法優(yōu)勢明顯，深度學(xué)習(xí)具備自選擇特征的能力，但對工程師調(diào)參技術(shù)過分依賴，需要大量數(shù)據(jù)，且訓(xùn)練的模型往往泛化能力差。淺層網(wǎng)絡(luò)在一些小樣本的場景中應(yīng)用時結(jié)果并不一定比深層網(wǎng)絡(luò)差，因此應(yīng)該針對場景的特點尋找最適合的方法。

　　3)對于人工智能技術(shù)應(yīng)用而言，電力系統(tǒng)調(diào)度場景可分為3種不同類型：完全適配、部分適配和目前不適配。基于因地制宜思想可以對不同類型問題中人工智能技術(shù)的應(yīng)用作出指導(dǎo)。在完全適配的場景中，人工智能方法可以作為解決問題的重要基礎(chǔ)。在部分適配的問題中，人工智能方法應(yīng)當(dāng)與機理模型結(jié)合使用，將專業(yè)知識和經(jīng)驗進行數(shù)學(xué)化表示和封裝，形成知識模塊，嵌入機器學(xué)習(xí)方法，指導(dǎo)機器學(xué)習(xí)[6768]。

　　把人工智能用在其擅長的領(lǐng)域，即記憶、搜索和運算等，而針對其存在的可解釋性差、過擬合和欠擬合等問題，可以通過將機理知識作為約束等來解決[6970]。例如，在電力系統(tǒng)穩(wěn)定評估的場景中，人工智能方法的時效性明顯優(yōu)于傳統(tǒng)的機理方法，但通過數(shù)據(jù)的映射關(guān)系得到的評估結(jié)果受到輸入?yún)��?shù)的影響極大，因此輸入量的完備性十分重要。機理知識在輸入?yún)��?shù)的選擇中起到重要的指導(dǎo)作用。由于人工智能技術(shù)目前仍在發(fā)展中，因此更為準(zhǔn)確的說法是針對目前不適配的問題，人工智能方法的應(yīng)用只能作為探索，不具有工程意義，在實際應(yīng)用中依然應(yīng)當(dāng)以人為主，以人工智能為輔。

　　4)未來電力系統(tǒng)中人工智能技術(shù)的應(yīng)用研究應(yīng)致力于解決2個問題。①機理知識如何更好地與數(shù)據(jù)融合驅(qū)動。機理方法的優(yōu)勢在于原理明確、可解釋強，但其繁復(fù)不靈活，且模型構(gòu)建過程中也存在很多近似的處理手段，并不能完整精確地反映問題本身;數(shù)據(jù)驅(qū)動方法的優(yōu)點在于速度快，易于處理復(fù)雜映射問題，便于多方面考慮非線性因素，但其也存在可解釋性差、依賴數(shù)據(jù)質(zhì)量等問題。二者的有機結(jié)合意味著可以取長補短，以機理知識為基礎(chǔ)，以挖掘樣本數(shù)據(jù)得到的經(jīng)驗為指導(dǎo)，從而更好、更快、更準(zhǔn)確地解決問題。

　　這也是未來人工智能方法在電力系統(tǒng)中應(yīng)用的必由之徑。②人工智能模型的通用性。人工智能方法往往需要使用大量數(shù)據(jù)訓(xùn)練模型，這個過程耗時較久。與此同時，電網(wǎng)又在迅速發(fā)展中，每一次環(huán)境、網(wǎng)絡(luò)等變化都意味著模型需要重新訓(xùn)練，因此研究如何找到新舊問題間的共同特性，將已訓(xùn)練好的模型知識遷移至新模型中，從而更好地指導(dǎo)新模型的訓(xùn)練具有十分重要的意義。

　　4結(jié)語

　　隨著大數(shù)據(jù)、物聯(lián)網(wǎng)、云計算等技術(shù)的發(fā)展，人工智能與電力系統(tǒng)調(diào)度運行的聯(lián)系愈加緊密。本文介紹了新一代人工智能技術(shù)方法及其特點，對人工智能在電力系統(tǒng)負(fù)荷、新能源和電價預(yù)測、設(shè)備和系統(tǒng)故障診斷、在線穩(wěn)定性評估、有功無功優(yōu)化控制和電網(wǎng)運行方式制定等調(diào)度運行場景中的應(yīng)用進行了綜述，梳理和分析了人工智能在電力系統(tǒng)調(diào)度部分應(yīng)用場景中存在的不足，指出未來應(yīng)致力于解決機理知識與數(shù)據(jù)融合驅(qū)動和人工智能模型的通用性2個問題。新一代人工智能技術(shù)未來將會在電力系統(tǒng)調(diào)度員行為特征畫像與個性化互動、電力用戶行為畫像和復(fù)雜電網(wǎng)運行精細(xì)化規(guī)則獲取等方面獲得好的應(yīng)用前景。

　　參考文獻(xiàn)

　　[1]韓禎祥，文福拴.電力系統(tǒng)中專家系統(tǒng)的應(yīng)用綜述[J].電力系統(tǒng)自動化，1993，17(3)：5156.HANZhenxiang，WENFushuan.Thesurveyoftheapplicationofexpertsystemtopowersystem[J].AutomationofElectricPowerSystems，1993，17(3)：5156.

　　[2]中華人民共和國國務(wù)院.中國制造2025[R].2015.StateCouncilofthePRC.MadeinChina2025[R].2015.

　　[3]中華人民共和國國務(wù)院.新一代人工智能發(fā)展規(guī)劃[EB/OL].[20200521].

　　作者：趙晉泉1，夏雪1，徐春雷2，胡偉2，尚學(xué)偉3

轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/28375.html