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

　　摘要：以深度學(xué)習(xí)、強(qiáng)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(diǎn)。人工智能技術(shù)具有不依賴物理機(jī)理，計(jì)算速度快，辨別效率高等優(yōu)點(diǎn)。但人工智能固有的可解釋性差、穩(wěn)定性弱等缺點(diǎn)也制約了其在電力系統(tǒng)一些場(chǎng)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(cè)、故障診斷、在線穩(wěn)定性評(píng)估、頻率及電壓優(yōu)化控制和電網(wǎng)運(yùn)行方式制定等調(diào)度運(yùn)行場(chǎng)景中的應(yīng)用，并進(jìn)行了分析和評(píng)述�？偨Y(jié)了現(xiàn)有研究中存在的問(wèn)題，指出人工智能技術(shù)的應(yīng)用應(yīng)當(dāng)以問(wèn)題為導(dǎo)向，以場(chǎng)景為基礎(chǔ)，以應(yīng)用為目的。最后，對(duì)未來(lái)人工智能技術(shù)在電力系統(tǒng)調(diào)度運(yùn)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(yùn)行;深度學(xué)習(xí);強(qiáng)化學(xué)習(xí);場(chǎng)景適配

　　0引言

　　近年來(lái)，AlphaGo、人臉支付、無(wú)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(lái)自政府和產(chǎn)業(yè)界的外在支持也起到了很大的推動(dòng)作用。2016年開(kāi)始，各國(guó)紛紛出臺(tái)相關(guān)政策，希望抓住此次人工智能爆發(fā)的機(jī)遇。中國(guó)先后出臺(tái)了《中國(guó)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(shū)》[24]等多項(xiàng)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(guó)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(guó)青島青少年人工智能科技館的規(guī)劃設(shè)計(jì)

　　人工智能在電力行業(yè)中的應(yīng)用也再次成為研究熱點(diǎn)。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(wèn)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(lái)描述[5]。與此同時(shí)，外部量測(cè)系統(tǒng)與通信技術(shù)的快速發(fā)展帶來(lái)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(gè)具有多源信息交互的高維時(shí)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(diǎn)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(wèn)題中的應(yīng)用提供了廣闊舞臺(tái)。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(bào)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(chǎng)景。合適的場(chǎng)景是指滿足以下5個(gè)條件的場(chǎng)景：①真實(shí)樣本充足易獲取;②具備一定的容錯(cuò)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(chǎng)景具有不同特點(diǎn)，不同問(wèn)題的解決有不同需求，不是所有問(wèn)題都滿足上述5個(gè)基本條件。

　　換言之，一些問(wèn)題自身的特點(diǎn)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(huì)帶來(lái)許多問(wèn)題。合適的場(chǎng)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(wèn)題本身特點(diǎn)出發(fā)，得到適配問(wèn)題本身的應(yīng)用方式，從而將人工智能技術(shù)優(yōu)勢(shì)最大化凸顯。本文從新一代人工智能技術(shù)的特點(diǎn)出發(fā)，梳理了人工智能在電力系統(tǒng)調(diào)度運(yùn)行中的應(yīng)用場(chǎng)景，給出了不同場(chǎng)景的特點(diǎn);分析和評(píng)述了現(xiàn)有研究工作及其存在的問(wèn)題;結(jié)合人工智能的發(fā)展趨勢(shì)，對(duì)未來(lái)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(diǎn)2006年Hinton團(tuán)隊(duì)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(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)等為代表，接下來(lái)簡(jiǎn)要介紹這3類(lèi)方法的特點(diǎn)。

　　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(wèn)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(guò)逐層學(xué)習(xí)算法獲取輸入數(shù)據(jù)的主要驅(qū)動(dòng)特征，具有特征自提取的能力。

　　同時(shí)，深度學(xué)習(xí)還可以憑借無(wú)標(biāo)簽的數(shù)據(jù)進(jìn)行學(xué)習(xí)，無(wú)須依賴監(jiān)督信息的指導(dǎo)[11]。在電力系統(tǒng)中的很多問(wèn)題中，對(duì)大量數(shù)據(jù)的標(biāo)記往往耗時(shí)耗力甚至是不可行的，在這種情況下，無(wú)監(jiān)督學(xué)習(xí)可以自動(dòng)抽取高層特征，突破了樣本難以標(biāo)記的問(wèn)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(wú)監(jiān)督深度學(xué)習(xí)模型。該類(lèi)方法的主要特點(diǎn)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(lái)支撐模型的訓(xùn)練;②需要有高效的計(jì)算環(huán)境與數(shù)據(jù)存儲(chǔ)能力來(lái)支撐訓(xùn)練過(guò)程中的大量數(shù)據(jù)計(jì)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(qiáng)化學(xué)習(xí)

　　深度學(xué)習(xí)因其強(qiáng)大的特征表示與挖掘能力，側(cè)重于對(duì)事物的感知和表達(dá)，而強(qiáng)化學(xué)習(xí)的基本思想則是通過(guò)智能體與環(huán)境交互獲得獎(jiǎng)勵(lì)，從而學(xué)習(xí)到完成目標(biāo)的最佳策略，因此強(qiáng)化學(xué)習(xí)方法更加側(cè)重于學(xué)習(xí)解決問(wèn)題的策略[14]。區(qū)別于有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，強(qiáng)化學(xué)習(xí)并不需要出現(xiàn)正確的輸入/輸出對(duì)，也不需要標(biāo)簽數(shù)據(jù)指導(dǎo)。它更專(zhuān)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(shí)之間找到平衡，其學(xué)習(xí)過(guò)程是智能體不斷地與環(huán)境進(jìn)行交互，不斷進(jìn)行試錯(cuò)的反復(fù)練習(xí)。而且在強(qiáng)化學(xué)習(xí)中，時(shí)間是重要的，因?yàn)閺?qiáng)化學(xué)習(xí)的反饋具有延時(shí)性，并不是即刻生成的。

　　因此，強(qiáng)化學(xué)習(xí)適用于解決序貫決策問(wèn)題，即需要連續(xù)做出決策從而達(dá)到最終目的的問(wèn)題。但是，隨著應(yīng)用場(chǎng)景日趨復(fù)雜，“維度災(zāi)”的出現(xiàn)使得強(qiáng)化學(xué)習(xí)可行解的探索變得困難。為解決這個(gè)問(wèn)題，谷歌的DeepMind團(tuán)隊(duì)創(chuàng)新性地將具有感知能力的深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)相結(jié)合得到深度強(qiáng)化學(xué)習(xí)(deepreinforcementlearning，DRL)，利用深度學(xué)習(xí)來(lái)自動(dòng)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(lì)的強(qiáng)化學(xué)習(xí)，從而優(yōu)化解決問(wèn)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(huì)遇到以下幾種情形：①隨著時(shí)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(guò)長(zhǎng)時(shí)間訓(xùn)練好的網(wǎng)絡(luò)因?yàn)榉诺狡渌�地區(qū)同一問(wèn)題不再適用。這些問(wèn)題的存在是因?yàn)闊o(wú)論是深度學(xué)習(xí)還是強(qiáng)化學(xué)習(xí)都具有領(lǐng)域垂直性，即這個(gè)領(lǐng)域越垂直、越細(xì)越效果好，而且通常訓(xùn)練一個(gè)模型的代價(jià)較大。

　　因此，有必要開(kāi)展相似問(wèn)題間模型通用性的研究。遷移學(xué)習(xí)是一種運(yùn)用已有的知識(shí)對(duì)不同但相關(guān)領(lǐng)域問(wèn)題進(jìn)行求解的機(jī)器學(xué)習(xí)方法[15]。遷移已有的知識(shí)來(lái)解決新的問(wèn)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(jī)器學(xué)習(xí)方法結(jié)合使用，可以一定程度上解決機(jī)器學(xué)習(xí)方法依賴于數(shù)據(jù)的生成機(jī)制不隨環(huán)境改變這一基本假設(shè)，也為小樣本場(chǎng)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(yùn)行各類(lèi)場(chǎng)景中的應(yīng)用，并總結(jié)各類(lèi)場(chǎng)景特點(diǎn)。

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

　　電力系統(tǒng)負(fù)荷預(yù)測(cè)與新能源預(yù)測(cè)一直以來(lái)都是人工智能在電力系統(tǒng)中應(yīng)用的熱門(mén)場(chǎng)景。

　　2.1.1負(fù)荷預(yù)測(cè)電力負(fù)荷預(yù)測(cè)在電網(wǎng)調(diào)度運(yùn)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(lèi)方法作為強(qiáng)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(wèn)題。卷積神經(jīng)網(wǎng)絡(luò)[1617]、深度信念網(wǎng)絡(luò)[1819]、長(zhǎng)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(cè)領(lǐng)域中應(yīng)用廣泛。其中，長(zhǎng)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(shí)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(qiáng)相關(guān)，將其應(yīng)用于負(fù)荷預(yù)測(cè)時(shí)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(cè)的準(zhǔn)確度。人工智能算法在負(fù)荷預(yù)測(cè)中的應(yīng)用大致可分為特征集構(gòu)建、映射模型訓(xùn)練、測(cè)試集驗(yàn)證3個(gè)部分。盡管采用人工智能進(jìn)行負(fù)荷預(yù)測(cè)性能較好，但也存在一些問(wèn)題，例如容易出現(xiàn)過(guò)擬合。因此，從時(shí)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(chǔ)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(cè)

　　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(dòng)性增強(qiáng)，影響了電網(wǎng)的調(diào)度運(yùn)行和安全穩(wěn)定。開(kāi)展不同能源預(yù)測(cè)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(yùn)行。而提高間歇性可再生能源發(fā)電功率預(yù)測(cè)精度的關(guān)鍵是構(gòu)建具有強(qiáng)大數(shù)據(jù)處理能力和特征提取能力的預(yù)測(cè)模型[5]。

　　深度學(xué)習(xí)的引入改進(jìn)了傳統(tǒng)淺層預(yù)測(cè)模型處理數(shù)據(jù)的能力。新能源預(yù)測(cè)問(wèn)題與負(fù)荷預(yù)測(cè)問(wèn)題本質(zhì)上存在共性，長(zhǎng)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(qiáng)魯棒性對(duì)提高新能源預(yù)測(cè)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(chǎng)預(yù)測(cè)模型的訓(xùn)練節(jié)約了大量時(shí)間[33]。

　　2.1.3電價(jià)預(yù)測(cè)

　　為了保證新一輪電改的順利進(jìn)行，對(duì)電力市場(chǎng)的相關(guān)研究也日漸興起。而對(duì)電價(jià)進(jìn)行準(zhǔn)確預(yù)測(cè)在市場(chǎng)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(jià)、社會(huì)因素等內(nèi)外在因素與電價(jià)間的關(guān)聯(lián)關(guān)系，預(yù)測(cè)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(shí)前電價(jià)預(yù)測(cè)和日前小時(shí)電價(jià)預(yù)測(cè)。文獻(xiàn)[35]結(jié)合長(zhǎng)短期記憶網(wǎng)絡(luò)的時(shí)間記憶特性，將風(fēng)能和負(fù)荷的比值作為電價(jià)預(yù)測(cè)輸入?yún)��?shù)，極大地提高了對(duì)電力市場(chǎng)時(shí)間序列電價(jià)的預(yù)測(cè)精度。預(yù)測(cè)類(lèi)問(wèn)題作為人工智能在電力系統(tǒng)最早的應(yīng)用場(chǎng)景之一，從早期的反向傳播(BP)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)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(lèi)問(wèn)題的特點(diǎn)：①歷史數(shù)據(jù)量大;②具備一定的容錯(cuò)性;③機(jī)理模型尚不明確;④任務(wù)要求單一。這類(lèi)問(wèn)題與人工智能方法自身特點(diǎn)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(shí)，這類(lèi)問(wèn)題的無(wú)明確物理機(jī)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(jí)別上可分為器件級(jí)、設(shè)備級(jí)和系統(tǒng)級(jí)[36]。深度學(xué)習(xí)方法在處理故障診斷問(wèn)題中具有以下優(yōu)勢(shì)。1)無(wú)需人工參與特征提取，可直接通過(guò)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(shí)頻分析等手段對(duì)時(shí)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(lèi)器[3738]和特征提取與識(shí)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(lèi)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(lèi)識(shí)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(shí)現(xiàn)視覺(jué)理解、圖像特征提取等，很少用于實(shí)現(xiàn)基于信號(hào)的特征提取與識(shí)別[36]。不同于這2類(lèi)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(gè)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?lèi)識(shí)別技術(shù)即可實(shí)現(xiàn)較高性能的故障診斷效果，充分展現(xiàn)了其強(qiáng)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(lèi)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(guò)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(shí)時(shí)狀態(tài)監(jiān)測(cè)與故障診斷[4547]。故障診斷類(lèi)問(wèn)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(shí)日趨困難。深度學(xué)習(xí)類(lèi)方法通過(guò)尋求可量測(cè)的特征向量來(lái)判斷設(shè)備或網(wǎng)絡(luò)處于何種狀態(tài)，進(jìn)而實(shí)現(xiàn)故障檢測(cè)、診斷與識(shí)別，可以很好地應(yīng)對(duì)模型構(gòu)建困難的問(wèn)題。但仍存在以下幾個(gè)問(wèn)題。

　　1)可解釋性差。故障診斷不同于預(yù)測(cè)問(wèn)題，其容錯(cuò)性差，深度學(xué)習(xí)的方法只能作為參考。2)實(shí)際樣本具有不均衡性。電網(wǎng)實(shí)際故障發(fā)生概率低，造成有效的實(shí)際樣本過(guò)少會(huì)使訓(xùn)練的模型有偏差。因此，針對(duì)樣本不均衡性的研究十分重要。3)特征選取完備與否無(wú)法衡量。特征是決定診斷效果的關(guān)鍵，而黑箱模型中知識(shí)是否挖掘完全目前無(wú)法衡量。由于存在以上問(wèn)題，目前基于深度學(xué)習(xí)的故障診斷在工程實(shí)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(duì)人工智能在電力系統(tǒng)調(diào)度運(yùn)行各場(chǎng)景中的應(yīng)用有如下觀點(diǎn)。

　　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(qiáng)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(duì)數(shù)據(jù)完備、規(guī)則確定以及目標(biāo)明確的問(wèn)題，能夠發(fā)揮強(qiáng)大的記憶、搜索和運(yùn)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(chǎng)景中，包括電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估、電壓無(wú)功控制、自動(dòng)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(shí)不盡人意。在電力系統(tǒng)中，只有同時(shí)滿足易獲取大量真實(shí)樣本，邊界確定的封閉環(huán)境，場(chǎng)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(cuò)性這幾個(gè)條件的場(chǎng)景，人工智能方法才能完美適用。

　　2)沒(méi)有最好的方法，只有最適合的場(chǎng)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(shì)明顯，深度學(xué)習(xí)具備自選擇特征的能力，但對(duì)工程師調(diào)參技術(shù)過(guò)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(chǎng)景中應(yīng)用時(shí)結(jié)果并不一定比深層網(wǎng)絡(luò)差，因此應(yīng)該針對(duì)場(chǎng)景的特點(diǎn)尋找最適合的方法。

　　3)對(duì)于人工智能技術(shù)應(yīng)用而言，電力系統(tǒng)調(diào)度場(chǎng)景可分為3種不同類(lèi)型：完全適配、部分適配和目前不適配�；�于因地制宜思想可以對(duì)不同類(lèi)型問(wèn)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(chǎng)景中，人工智能方法可以作為解決問(wèn)題的重要基礎(chǔ)。在部分適配的問(wèn)題中，人工智能方法應(yīng)當(dāng)與機(jī)理模型結(jié)合使用，將專(zhuān)業(yè)知識(shí)和經(jīng)驗(yàn)進(jìn)行數(shù)學(xué)化表示和封裝，形成知識(shí)模塊，嵌入機(jī)器學(xué)習(xí)方法，指導(dǎo)機(jī)器學(xué)習(xí)[6768]。

　　把人工智能用在其擅長(zhǎng)的領(lǐng)域，即記憶、搜索和運(yùn)算等，而針對(duì)其存在的可解釋性差、過(guò)擬合和欠擬合等問(wèn)題，可以通過(guò)將機(jī)理知識(shí)作為約束等來(lái)解決[6970]。例如，在電力系統(tǒng)穩(wěn)定評(píng)估的場(chǎng)景中，人工智能方法的時(shí)效性明顯優(yōu)于傳統(tǒng)的機(jī)理方法，但通過(guò)數(shù)據(jù)的映射關(guān)系得到的評(píng)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(jī)理知識(shí)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(shuō)法是針對(duì)目前不適配的問(wèn)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(shí)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(lái)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(gè)問(wèn)題。①機(jī)理知識(shí)如何更好地與數(shù)據(jù)融合驅(qū)動(dòng)。機(jī)理方法的優(yōu)勢(shì)在于原理明確、可解釋強(qiáng)，但其繁復(fù)不靈活，且模型構(gòu)建過(guò)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(wèn)題本身;數(shù)據(jù)驅(qū)動(dòng)方法的優(yōu)點(diǎn)在于速度快，易于處理復(fù)雜映射問(wèn)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(wèn)題。二者的有機(jī)結(jié)合意味著可以取長(zhǎng)補(bǔ)短，以機(jī)理知識(shí)為基礎(chǔ)，以挖掘樣本數(shù)據(jù)得到的經(jīng)驗(yàn)為指導(dǎo)，從而更好、更快、更準(zhǔn)確地解決問(wèn)題。

　　這也是未來(lái)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(gè)過(guò)程耗時(shí)較久。與此同時(shí)，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(wèn)題間的共同特性，將已訓(xùn)練好的模型知識(shí)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(yǔ)

　　隨著大數(shù)據(jù)、物聯(lián)網(wǎng)、云計(jì)算等技術(shù)的發(fā)展，人工智能與電力系統(tǒng)調(diào)度運(yùn)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(diǎn)，對(duì)人工智能在電力系統(tǒng)負(fù)荷、新能源和電價(jià)預(yù)測(cè)、設(shè)備和系統(tǒng)故障診斷、在線穩(wěn)定性評(píng)估、有功無(wú)功優(yōu)化控制和電網(wǎng)運(yùn)行方式制定等調(diào)度運(yùn)行場(chǎng)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(chǎng)景中存在的不足，指出未來(lái)應(yīng)致力于解決機(jī)理知識(shí)與數(shù)據(jù)融合驅(qū)動(dòng)和人工智能模型的通用性2個(gè)問(wèn)題。新一代人工智能技術(shù)未來(lái)將會(huì)在電力系統(tǒng)調(diào)度員行為特征畫(huà)像與個(gè)性化互動(dòng)、電力用戶行為畫(huà)像和復(fù)雜電網(wǎng)運(yùn)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(zhuān)家系統(tǒng)的應(yīng)用綜述[J].電力系統(tǒng)自動(dòng)化，1993，17(3)：5156.HANZhenxiang，WENFushuan.Thesurveyoftheapplicationofexpertsystemtopowersystem[J].AutomationofElectricPowerSystems，1993，17(3)：5156.

　　[2]中華人民共和國(guó)國(guó)務(wù)院.中國(guó)制造2025[R].2015.StateCouncilofthePRC.MadeinChina2025[R].2015.

　　[3]中華人民共和國(guó)國(guó)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(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/28375.html