新一代人工智能技术在电力系统调度运行中的应用评述

　　摘要：以深度学习、强化学习为代表的新一代人工智能技术及其应用是当前电力系统领域的研究热点。人工智能技术具有不依赖物理机理，计算速度快，辨别效率高等优点。但人工智能固有的可解释性差、稳定性弱等缺点也制约了其在电力系统一些场景的应用。文中梳理了新一代人工智能技术在电力系统负荷和新能源预测、故障诊断、在线稳定性评估、频率及电压优化控制和电网运行方式制定等调度运行场景中的应用，并进行了分析和评述。总结了现有研究中存在的问题，指出人工智能技术的应用应当以问题为导向，以场景为基础，以应用为目的。最后，对未来人工智能技术在电力系统调度运行中的应用作出了展望。

　　关键词：人工智能;电力系统;调度运行;深度学习;强化学习;场景适配

　　0引言

　　近年来，AlphaGo、人脸支付、无人驾驶和智能音箱等人工智能技术的优越表现把以深度学习为代表的新一代人工智能推上了新的浪潮，备受各行各业的关注。人工智能之所以能再次兴起，硬件算力、数据积累和算法性能等科学技术发展的内在突破是基础条件[1]，来自政府和产业界的外在支持也起到了很大的推动作用。2016年开始，各国纷纷出台相关政策，希望抓住此次人工智能爆发的机遇。中国先后出台了《中国制造2025》《新一代人工智能发展规划》《人工智能标准化白皮书》[24]等多项人工智能及其相关产业发展政策，并已将新一代人工智能确立为国家战略，加快了人工智能产业化和应用落地。

　　人工智能论文范例： 论中国青岛青少年人工智能科技馆的规划设计

　　人工智能在电力行业中的应用也再次成为研究热点。高比例新能源接入、电力电子化渗透和远距离大容量输电等成为当前电网的重要特征，因此电力系统中很多问题常常难以建立精确的数学模型或者难以单纯用数学模型来描述[5]。与此同时，外部量测系统与通信技术的快速发展带来了海量多源数据的累积，使得电力系统发展成为一个具有多源信息交互的高维时变非线性电力信息物理系统(cyberpowerphysicalsystem，CPPS)[67]。

　　当前电网的这些特点都与新一代人工智能紧密契合，为新一代人工智能在电力系统问题中的应用提供了广阔舞台。但是，并非所有的应用都是完全成功的。清华大学张钹院士曾在其报告《走向真正的人工智能》中指出，成功的应用需要合适的场景。合适的场景是指满足以下5个条件的场景：①真实样本充足易获取;②具备一定的容错性;③目标任务单一;④边界确定的封闭环境;⑤任务静态，信息完备且确定。电力系统领域中不同场景具有不同特点，不同问题的解决有不同需求，不是所有问题都满足上述5个基本条件。

　　换言之，一些问题自身的特点与人工智能方法的特性并不是完全适配，因此，不加以区别的应用会带来许多问题。合适的场景是成功应用的基础，将因地制宜思想融入人工智能在电力系统中的应用中可以很好地从问题本身特点出发，得到适配问题本身的应用方式，从而将人工智能技术优势最大化凸显。本文从新一代人工智能技术的特点出发，梳理了人工智能在电力系统调度运行中的应用场景，给出了不同场景的特点;分析和评述了现有研究工作及其存在的问题;结合人工智能的发展趋势，对未来其在电力系统中的应用作出了分析和展望。

　　1新一代人工智能技术特点2006年Hinton团队提出了深度信念网络[89]，使得神经网络以深度学习之名再次崛起，引领了新一轮人工智能热。新一代人工智能技术以深度学习、强化学习和迁移学习等为代表，接下来简要介绍这3类方法的特点。

　　1.1深度学习深度学习的概念源于人工神经网络的研究，含多隐含层的感知器就是一种典型深度学习结构[10]。传统的浅层神经网络局限性在于样本有限、模型在复杂问题中泛化能力差。深层网络可以完成复杂函数的逼近，且可以通过逐层学习算法获取输入数据的主要驱动特征，具有特征自提取的能力。

　　同时，深度学习还可以凭借无标签的数据进行学习，无须依赖监督信息的指导[11]。在电力系统中的很多问题中，对大量数据的标记往往耗时耗力甚至是不可行的，在这种情况下，无监督学习可以自动抽取高层特征，突破了样本难以标记的问题。深度信念网络[9]、堆叠自编码器[12]、深度卷积神经网络[13]等皆为典型的无监督深度学习模型。该类方法的主要特点是：①样本数据需求规模大，深度学习模型复杂度高，需要有足够的数据来支撑模型的训练;②需要有高效的计算环境与数据存储能力来支撑训练过程中的大量数据计算;③作为黑箱模型，数学理论支撑不足，在参数确定上缺乏理论指导，可解释性差;④模型复杂，参数众多，训练速度较慢。

　　1.2强化学习

　　深度学习因其强大的特征表示与挖掘能力，侧重于对事物的感知和表达，而强化学习的基本思想则是通过智能体与环境交互获得奖励，从而学习到完成目标的最佳策略，因此强化学习方法更加侧重于学习解决问题的策略[14]。区别于有监督学习和无监督学习，强化学习并不需要出现正确的输入/输出对，也不需要标签数据指导。它更专注于在线规划，需要在探索未知领域和利用现有知识之间找到平衡，其学习过程是智能体不断地与环境进行交互，不断进行试错的反复练习。而且在强化学习中，时间是重要的，因为强化学习的反馈具有延时性，并不是即刻生成的。

　　因此，强化学习适用于解决序贯决策问题，即需要连续做出决策从而达到最终目的的问题。但是，随着应用场景日趋复杂，“维度灾”的出现使得强化学习可行解的探索变得困难。为解决这个问题，谷歌的DeepMind团队创新性地将具有感知能力的深度学习与强化学习相结合得到深度强化学习(deepreinforcementlearning，DRL)，利用深度学习来自动学习大规模输入数据的抽象表征，并以此表征为依据进行自我激励的强化学习，从而优化解决问题的策略[14]。

　　1.3迁移学习

　　人工智能在电力系统中应用的研究中，经常会遇到以下几种情形：①随着时间推移，原先样本数据不可用;②仅有极少量有标签样本，不足以完成网络的训练;③经过长时间训练好的网络因为放到其他地区同一问题不再适用。这些问题的存在是因为无论是深度学习还是强化学习都具有领域垂直性，即这个领域越垂直、越细越效果好，而且通常训练一个模型的代价较大。

　　因此，有必要开展相似问题间模型通用性的研究。迁移学习是一种运用已有的知识对不同但相关领域问题进行求解的机器学习方法[15]。迁移已有的知识来解决新的问题，源任务与目标任务之间越相似，迁移就越容易，迁移效果也越好。迁移学习需要与其他机器学习方法结合使用，可以一定程度上解决机器学习方法依赖于数据的生成机制不随环境改变这一基本假设，也为小样本场景提供了解决方法[15]。

　　2新一代人工智能技术在电力系统中应用分析

　　下面介绍新一代人工智能技术在电力系统调度运行各类场景中的应用，并总结各类场景特点。

　　2.1人工智能在电力系统调度预测方面的应用

　　电力系统负荷预测与新能源预测一直以来都是人工智能在电力系统中应用的热门场景。

　　2.1.1负荷预测电力负荷预测在电网调度运行中具有十分重要的作用。

　　负荷与日期、政策、天气等多种影响因素相关，难以建立精确的数学模型。新一代人工智能技术中的深度学习类方法作为强感知型算法，以其卓越的特征挖掘与映射能力，能充分解决大规模负荷数据中存在的非线性问题。卷积神经网络[1617]、深度信念网络[1819]、长短期记忆网络[2021]、堆叠自编码器[2223]和深度递归神经网络[2425]等算法都在负荷预测领域中应用广泛。其中，长短期记忆网络具有特殊的记忆结构，能较好地学习时序数据中含有的相关性特征，从而更好地理解负荷变化的不确定性[20]。卷积神经网络则因其池化、卷积等操作有效地降低了网络复杂度，减少了训练参数的数目[13]。

　　深度递归网络的输出与网络的历史状态强相关，将其应用于负荷预测时能很好地关联历史数据。上述方法都在一定程度上提高负荷预测的准确度。人工智能算法在负荷预测中的应用大致可分为特征集构建、映射模型训练、测试集验证3个部分。尽管采用人工智能进行负荷预测性能较好，但也存在一些问题，例如容易出现过拟合。因此，从时间尺度和空间尺度上都需要足够量的数据，大数据采集和存储技术的发展为负荷样本的建立提供了重要的基础。

　　2.1.2新能源预测

　　当前电力系统的典型特征之一是高比例新能源的接入，这一特征的存在使得电力系统不确定性与波动性增强，影响了电网的调度运行和安全稳定。开展不同能源预测的研究可以一定程度上减小不确定性，从而更好地支撑电力系统的规划与运行。而提高间歇性可再生能源发电功率预测精度的关键是构建具有强大数据处理能力和特征提取能力的预测模型[5]。

　　深度学习的引入改进了传统浅层预测模型处理数据的能力。新能源预测问题与负荷预测问题本质上存在共性，长短期记忆网络[2627]的记忆能力、深度信念网络[2829]与卷积神经网络[3031]的特征提取能力、堆叠自编码器[32]的强鲁棒性对提高新能源预测的准确性均表现出良好的效果。此外，迁移学习概念的引入也为不同风场预测模型的训练节约了大量时间[33]。

　　2.1.3电价预测

　　为了保证新一轮电改的顺利进行，对电力市场的相关研究也日渐兴起。而对电价进行准确预测在市场化推进中至关重要[5]。深度学习可以从样本数据中挖掘出历史电价、社会因素等内外在因素与电价间的关联关系，预测精度较高。

　　文献[34]采用堆叠降噪自编码器进行在线小时前电价预测和日前小时电价预测。文献[35]结合长短期记忆网络的时间记忆特性，将风能和负荷的比值作为电价预测输入参数，极大地提高了对电力市场时间序列电价的预测精度。预测类问题作为人工智能在电力系统最早的应用场景之一，从早期的反向传播(BP)神经网络、支持向量机到新一代的深度学习算法都有广泛的应用。可以总结这类问题的特点：①历史数据量大;②具备一定的容错性;③机理模型尚不明确;④任务要求单一。这类问题与人工智能方法自身特点较为契合，满足了深度学习模型训练所需的大量数据。同时，这类问题的无明确物理机理也使得深度学习的“黑箱”特性得到较大的包容度。

　　2.2人工智能在电力系统故障诊断方面的应用

　　电力系统的故障诊断从诊断级别上可分为器件级、设备级和系统级[36]。深度学习方法在处理故障诊断问题中具有以下优势。1)无需人工参与特征提取，可直接通过训练原始底层数据得到故障特征。2)区别于传统时频分析等手段对时序性的高要求，深度学习可以适应不同周期的数据。3)可以有效处理高维非线性数据。深度信念网络在故障诊断中常常被用作分类器[3738]和特征提取与识别[39]。卷积神经网络可提取输入数据的局部特征，并逐层组合抽象生成高层特征。与深度信念网络类似，卷积神经网络也被应用于故障的特征提取[40]和分类识别[41]。

　　现有基于卷积神经网络的故障诊断研究远少于基于深度信念网络的故障诊断研究，卷积神经网络较多用于实现视觉理解、图像特征提取等，很少用于实现基于信号的特征提取与识别[36]。不同于这2类方法，基于堆叠自编码器的故障诊断研究多着眼于滤波降噪[42]和特征提取[4344]2个方面。堆叠自编码器的训练需要少量的样本数据，再加上适当的分类识别技术即可实现较高性能的故障诊断效果，充分展现了其强大的特征提取能力以及该方法的鲁棒性[34]。

　　递归神经网络较前3类算法最大的不同之处在于其自身的记忆能力，即网络的输出不仅取决于当前的输入，还与网络内部过去状态有关。因此，递归神经网络适用于设备实时状态监测与故障诊断[4547]。故障诊断类问题由于设备及网络结构复杂，模型构建困难，获取完备的诊断知识日趋困难。深度学习类方法通过寻求可量测的特征向量来判断设备或网络处于何种状态，进而实现故障检测、诊断与识别，可以很好地应对模型构建困难的问题。但仍存在以下几个问题。

　　1)可解释性差。故障诊断不同于预测问题，其容错性差，深度学习的方法只能作为参考。2)实际样本具有不均衡性。电网实际故障发生概率低，造成有效的实际样本过少会使训练的模型有偏差。因此，针对样本不均衡性的研究十分重要。3)特征选取完备与否无法衡量。特征是决定诊断效果的关键，而黑箱模型中知识是否挖掘完全目前无法衡量。由于存在以上问题，目前基于深度学习的故障诊断在工程实际中更适合作为业务人员的辅助判断手段。

　　3人工智能应用于电力系统调度的探讨

　　本文对人工智能在电力系统调度运行各场景中的应用有如下观点。

　　1)当前人工智能技术仍处在发展阶段，只是一种有感知能力的人工智能，距离强人工智能，即具备理解能力的人工智能，还有待进一步发展。目前的人工智能针对数据完备、规则确定以及目标明确的问题，能够发挥强大的记忆、搜索和运算能力。但是，在数据不全、规则不确定及目标不明确的场景中，包括电力系统暂态稳定评估、电压无功控制、自动发电控制和电网故障判别等领域，人工智能方法所得到的结果有时不尽人意。在电力系统中，只有同时满足易获取大量真实样本，边界确定的封闭环境，场景静态，任务垂直单一，拥有完全且确定的信息且具有一定的容错性这几个条件的场景，人工智能方法才能完美适用。

　　2)没有最好的方法，只有最适合的场景。人工智能发展至今，算法层出不穷，新一代的人工智能算法优势明显，深度学习具备自选择特征的能力，但对工程师调参技术过分依赖，需要大量数据，且训练的模型往往泛化能力差。浅层网络在一些小样本的场景中应用时结果并不一定比深层网络差，因此应该针对场景的特点寻找最适合的方法。

　　3)对于人工智能技术应用而言，电力系统调度场景可分为3种不同类型：完全适配、部分适配和目前不适配。基于因地制宜思想可以对不同类型问题中人工智能技术的应用作出指导。在完全适配的场景中，人工智能方法可以作为解决问题的重要基础。在部分适配的问题中，人工智能方法应当与机理模型结合使用，将专业知识和经验进行数学化表示和封装，形成知识模块，嵌入机器学习方法，指导机器学习[6768]。

　　把人工智能用在其擅长的领域，即记忆、搜索和运算等，而针对其存在的可解释性差、过拟合和欠拟合等问题，可以通过将机理知识作为约束等来解决[6970]。例如，在电力系统稳定评估的场景中，人工智能方法的时效性明显优于传统的机理方法，但通过数据的映射关系得到的评估结果受到输入参数的影响极大，因此输入量的完备性十分重要。机理知识在输入参数的选择中起到重要的指导作用。由于人工智能技术目前仍在发展中，因此更为准确的说法是针对目前不适配的问题，人工智能方法的应用只能作为探索，不具有工程意义，在实际应用中依然应当以人为主，以人工智能为辅。

　　4)未来电力系统中人工智能技术的应用研究应致力于解决2个问题。①机理知识如何更好地与数据融合驱动。机理方法的优势在于原理明确、可解释强，但其繁复不灵活，且模型构建过程中也存在很多近似的处理手段，并不能完整精确地反映问题本身;数据驱动方法的优点在于速度快，易于处理复杂映射问题，便于多方面考虑非线性因素，但其也存在可解释性差、依赖数据质量等问题。二者的有机结合意味着可以取长补短，以机理知识为基础，以挖掘样本数据得到的经验为指导，从而更好、更快、更准确地解决问题。

　　这也是未来人工智能方法在电力系统中应用的必由之径。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数据训练模型，这个过程耗时较久。与此同时，电网又在迅速发展中，每一次环境、网络等变化都意味着模型需要重新训练，因此研究如何找到新旧问题间的共同特性，将已训练好的模型知识迁移至新模型中，从而更好地指导新模型的训练具有十分重要的意义。

　　4结语

　　随着大数据、物联网、云计算等技术的发展，人工智能与电力系统调度运行的联系愈加紧密。本文介绍了新一代人工智能技术方法及其特点，对人工智能在电力系统负荷、新能源和电价预测、设备和系统故障诊断、在线稳定性评估、有功无功优化控制和电网运行方式制定等调度运行场景中的应用进行了综述，梳理和分析了人工智能在电力系统调度部分应用场景中存在的不足，指出未来应致力于解决机理知识与数据融合驱动和人工智能模型的通用性2个问题。新一代人工智能技术未来将会在电力系统调度员行为特征画像与个性化互动、电力用户行为画像和复杂电网运行精细化规则获取等方面获得好的应用前景。

　　参考文献

　　[1]韩祯祥，文福拴.电力系统中专家系统的应用综述[J].电力系统自动化，1993，17(3)：5156.HANZhenxiang，WENFushuan.Thesurveyoftheapplicationofexpertsystemtopowersystem[J].AutomationofElectricPowerSystems，1993，17(3)：5156.

　　[2]中华人民共和国国务院.中国制造2025[R].2015.StateCouncilofthePRC.MadeinChina2025[R].2015.

　　[3]中华人民共和国国务院.新一代人工智能发展规划[EB/OL].[20200521].

　　作者：赵晋泉1，夏雪1，徐春雷2，胡伟2，尚学伟3

转载请注明来自发表学术论文网：http://www.fbxslw.com/jjlw/28375.html