亚洲一区人妻,久久三级免费,国模少妇无码一区二区三区,日韩av动漫

國內(nèi)或國外 期刊或論文

您當(dāng)前的位置:發(fā)表學(xué)術(shù)論文網(wǎng)經(jīng)濟(jì)論文》 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> 正文

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

所屬分類:經(jīng)濟(jì)論文 閱讀次 時間:2021-10-12 10:51

本文摘要: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

  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(jìn)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

人工智能技術(shù)

  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(tuán)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(jìn)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(jìn)行交互,不斷進(jìn)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(tuán)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(jìn)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(jìn)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(jìn)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(jìn)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(jìn)行,對電力市場的相關(guān)研究也日漸興起。而對電價進(jìn)行準(zhǔn)確預(yù)測在市場化推進(jìn)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(jìn)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。可以總結(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(jìn)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(jìn)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;谝虻刂埔怂枷肟梢詫Σ煌愋蛦栴}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(jìn)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(jìn)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