新一代人工智能技術在電力系統調度運行中的應用評述

　　摘要：以深度學習、強化學習為代表的新一代人工智能技術及其應用是當前電力系統領域的研究熱點。人工智能技術具有不依賴物理機理，計算速度快，辨別效率高等優點。但人工智能固有的可解釋性差、穩定性弱等缺點也制約了其在電力系統一些場景的應用。文中梳理了新一代人工智能技術在電力系統負荷和新能源預測、故障診斷、在線穩定性評估、頻率及電壓優化控制和電網運行方式制定等調度運行場景中的應用，并進行了分析和評述。總結了現有研究中存在的問題，指出人工智能技術的應用應當以問題為導向，以場景為基礎，以應用為目的。最后，對未來人工智能技術在電力系統調度運行中的應用作出了展望。

　　關鍵詞：人工智能;電力系統;調度運行;深度學習;強化學習;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的優越表現把以深度學習為代表的新一代人工智能推上了新的浪潮，備受各行各業的關注。人工智能之所以能再次興起，硬件算力、數據積累和算法性能等科學技術發展的內在突破是基礎條件[1]，來自政府和產業界的外在支持也起到了很大的推動作用。2016年開始，各國紛紛出臺相關政策，希望抓住此次人工智能爆發的機遇。中國先后出臺了《中國制造2025》《新一代人工智能發展規劃》《人工智能標準化白皮書》[24]等多項人工智能及其相關產業發展政策，并已將新一代人工智能確立為國家戰略，加快了人工智能產業化和應用落地。

　　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劃設計

　　人工智能在電力行業中的應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距離大容量輸電等成為當前電網的重要特征，因此電力系統中很多問題常常難以建立精確的數學模型或者難以單純用數學模型來描述[5]。與此同時，外部量測系統與通信技術的快速發展帶來了海量多源數據的累積，使得電力系統發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(cyberpowerphysicalsystem，CPPS)[67]。

　　當前電網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問題中的應用提供了廣闊舞臺。但是，并非所有的應用都是完全成功的。清華大學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目標任務單一;④邊界確定的封閉環境;⑤任務靜態，信息完備且確定。電力系統領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，不加以區別的應用會帶來許多問題。合適的場景是成功應用的基礎，將因地制宜思想融入人工智能在電力系統中的應用中可以很好地從問題本身特點出發，得到適配問題本身的應用方式，從而將人工智能技術優勢最大化凸顯。本文從新一代人工智能技術的特點出發，梳理了人工智能在電力系統調度運行中的應用場景，給出了不同場景的特點;分析和評述了現有研究工作及其存在的問題;結合人工智能的發展趨勢，對未來其在電力系統中的應用作出了分析和展望。

　　1新一代人工智能技術特點2006年Hinton團隊提出了深度信念網絡[89]，使得神經網絡以深度學習之名再次崛起，引領了新一輪人工智能熱。新一代人工智能技術以深度學習、強化學習和遷移學習等為代表，接下來簡要介紹這3類方法的特點。

　　1.1深度學習深度學習的概念源于人工神經網絡的研究，含多隱含層的感知器就是一種典型深度學習結構[10]。傳統的淺層神經網絡局限性在于樣本有限、模型在復雜問題中泛化能力差。深層網絡可以完成復雜函數的逼近，且可以通過逐層學習算法獲取輸入數據的主要驅動特征，具有特征自提取的能力。

　　同時，深度學習還可以憑借無標簽的數據進行學習，無須依賴監督信息的指導[11]。在電力系統中的很多問題中，對大量數據的標記往往耗時耗力甚至是不可行的，在這種情況下，無監督學習可以自動抽取高層特征，突破了樣本難以標記的問題。深度信念網絡[9]、堆疊自編碼器[12]、深度卷積神經網絡[13]等皆為典型的無監督深度學習模型。該類方法的主要特點是：①樣本數據需求規模大，深度學習模型復雜度高，需要有足夠的數據來支撐模型的訓練;②需要有高效的計算環境與數據存儲能力來支撐訓練過程中的大量數據計算;③作為黑箱模型，數學理論支撐不足，在參數確定上缺乏理論指導，可解釋性差;④模型復雜，參數眾多，訓練速度較慢。

　　1.2強化學習

　　深度學習因其強大的特征表示與挖掘能力，側重于對事物的感知和表達，而強化學習的基本思想則是通過智能體與環境交互獲得獎勵，從而學習到完成目標的最佳策略，因此強化學習方法更加側重于學習解決問題的策略[14]。區別于有監督學習和無監督學習，強化學習并不需要出現正確的輸入/輸出對，也不需要標簽數據指導。它更專注于在線規劃，需要在探索未知領域和利用現有知識之間找到平衡，其學習過程是智能體不斷地與環境進行交互，不斷進行試錯的反復練習。而且在強化學習中，時間是重要的，因為強化學習的反饋具有延時性，并不是即刻生成的。

　　因此，強化學習適用于解決序貫決策問題，即需要連續做出決策從而達到最終目的的問題。但是，隨著應用場景日趨復雜，“維度災”的出現使得強化學習可行解的探索變得困難。為解決這個問題，谷歌的DeepMind團隊創新性地將具有感知能力的深度學習與強化學習相結合得到深度強化學習(deepreinforcementlearning，DRL)，利用深度學習來自動學習大規模輸入數據的抽象表征，并以此表征為依據進行自我激勵的強化學習，從而優化解決問題的策略[14]。

　　1.3遷移學習

　　人工智能在電力系統中應用的研究中，經常會遇到以下幾種情形：①隨著時間推移，原先樣本數據不可用;②僅有極少量有標簽樣本，不足以完成網絡的訓練;③經過長時間訓練好的網絡因為放到其他地區同一問題不再適用。這些問題的存在是因為無論是深度學習還是強化學習都具有領域垂直性，即這個領域越垂直、越細越效果好，而且通常訓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。遷移學習是一種運用已有的知識對不同但相關領域問題進行求解的機器學習方法[15]。遷移已有的知識來解決新的問題，源任務與目標任務之間越相似，遷移就越容易，遷移效果也越好。遷移學習需要與其他機器學習方法結合使用，可以一定程度上解決機器學習方法依賴于數據的生成機制不隨環境改變這一基本假設，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在電力系統中應用分析

　　下面介紹新一代人工智能技術在電力系統調度運行各類場景中的應用，并總結各類場景特點。

　　2.1人工智能在電力系統調度預測方面的應用

　　電力系統負荷預測與新能源預測一直以來都是人工智能在電力系統中應用的熱門場景。

　　2.1.1負荷預測電力負荷預測在電網調度運行中具有十分重要的作用。

　　負荷與日期、政策、天氣等多種影響因素相關，難以建立精確的數學模型。新一代人工智能技術中的深度學習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，能充分解決大規模負荷數據中存在的非線性問題。卷積神經網絡[1617]、深度信念網絡[1819]、長短期記憶網絡[2021]、堆疊自編碼器[2223]和深度遞歸神經網絡[2425]等算法都在負荷預測領域中應用廣泛。其中，長短期記憶網絡具有特殊的記憶結構，能較好地學習時序數據中含有的相關性特征，從而更好地理解負荷變化的不確定性[20]。卷積神經網絡則因其池化、卷積等操作有效地降低了網絡復雜度，減少了訓練參數的數目[13]。

　　深度遞歸網絡的輸出與網絡的歷史狀態強相關，將其應用于負荷預測時能很好地關聯歷史數據。上述方法都在一定程度上提高負荷預測的準確度。人工智能算法在負荷預測中的應用大致可分為特征集構建、映射模型訓練、測試集驗證3個部分。盡管采用人工智能進行負荷預測性能較好，但也存在一些問題，例如容易出現過擬合。因此，從時間尺度和空間尺度上都需要足夠量的數據，大數據采集和存儲技術的發展為負荷樣本的建立提供了重要的基礎。

　　2.1.2新能源預測

　　當前電力系統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不確定性與波動性增強，影響了電網的調度運行和安全穩定。開展不同能源預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的規劃與運行。而提高間歇性可再生能源發電功率預測精度的關鍵是構建具有強大數據處理能力和特征提取能力的預測模型[5]。

　　深度學習的引入改進了傳統淺層預測模型處理數據的能力。新能源預測問題與負荷預測問題本質上存在共性，長短期記憶網絡[2627]的記憶能力、深度信念網絡[2829]與卷積神經網絡[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測的準確性均表現出良好的效果。此外，遷移學習概念的引入也為不同風場預測模型的訓練節約了大量時間[33]。

　　2.1.3電價預測

　　為了保證新一輪電改的順利進行，對電力市場的相關研究也日漸興起。而對電價進行準確預測在市場化推進中至關重要[5]。深度學習可以從樣本數據中挖掘出歷史電價、社會因素等內外在因素與電價間的關聯關系，預測精度較高。

　　文獻[34]采用堆疊降噪自編碼器進行在線小時前電價預測和日前小時電價預測。文獻[35]結合長短期記憶網絡的時間記憶特性，將風能和負荷的比值作為電價預測輸入參數，極大地提高了對電力市場時間序列電價的預測精度。預測類問題作為人工智能在電力系統最早的應用場景之一，從早期的反向傳播(BP)神經網絡、支持向量機到新一代的深度學習算法都有廣泛的應用。可以總結這類問題的特點：①歷史數據量大;②具備一定的容錯性;③機理模型尚不明確;④任務要求單一。這類問題與人工智能方法自身特點較為契合，滿足了深度學習模型訓練所需的大量數據。同時，這類問題的無明確物理機理也使得深度學習的“黑箱”特性得到較大的包容度。

　　2.2人工智能在電力系統故障診斷方面的應用

　　電力系統的故障診斷從診斷級別上可分為器件級、設備級和系統級[36]。深度學習方法在處理故障診斷問題中具有以下優勢。1)無需人工參與特征提取，可直接通過訓練原始底層數據得到故障特征。2)區別于傳統時頻分析等手段對時序性的高要求，深度學習可以適應不同周期的數據。3)可以有效處理高維非線性數據。深度信念網絡在故障診斷中常常被用作分類器[3738]和特征提取與識別[39]。卷積神經網絡可提取輸入數據的局部特征，并逐層組合抽象生成高層特征。與深度信念網絡類似，卷積神經網絡也被應用于故障的特征提取[40]和分類識別[41]。

　　現有基于卷積神經網絡的故障診斷研究遠少于基于深度信念網絡的故障診斷研究，卷積神經網絡較多用于實現視覺理解、圖像特征提取等，很少用于實現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。堆疊自編碼器的訓練需要少量的樣本數據，再加上適當的分類識別技術即可實現較高性能的故障診斷效果，充分展現了其強大的特征提取能力以及該方法的魯棒性[34]。

　　遞歸神經網絡較前3類算法最大的不同之處在于其自身的記憶能力，即網絡的輸出不僅取決于當前的輸入，還與網絡內部過去狀態有關。因此，遞歸神經網絡適用于設備實時狀態監測與故障診斷[4547]。故障診斷類問題由于設備及網絡結構復雜，模型構建困難，獲取完備的診斷知識日趨困難。深度學習類方法通過尋求可量測的特征向量來判斷設備或網絡處于何種狀態，進而實現故障檢測、診斷與識別，可以很好地應對模型構建困難的問題。但仍存在以下幾個問題。

　　1)可解釋性差。故障診斷不同于預測問題，其容錯性差，深度學習的方法只能作為參考。2)實際樣本具有不均衡性。電網實際故障發生概率低，造成有效的實際樣本過少會使訓練的模型有偏差。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，目前基于深度學習的故障診斷在工程實際中更適合作為業務人員的輔助判斷手段。

　　3人工智能應用于電力系統調度的探討

　　本文對人工智能在電力系統調度運行各場景中的應用有如下觀點。

　　1)當前人工智能技術仍處在發展階段，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，還有待進一步發展。目前的人工智能針對數據完備、規則確定以及目標明確的問題，能夠發揮強大的記憶、搜索和運算能力。但是，在數據不全、規則不確定及目標不明確的場景中，包括電力系統暫態穩定評估、電壓無功控制、自動發電控制和電網故障判別等領域，人工智能方法所得到的結果有時不盡人意。在電力系統中，只有同時滿足易獲取大量真實樣本，邊界確定的封閉環境，場景靜態，任務垂直單一，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。人工智能發展至今，算法層出不窮，新一代的人工智能算法優勢明顯，深度學習具備自選擇特征的能力，但對工程師調參技術過分依賴，需要大量數據，且訓練的模型往往泛化能力差。淺層網絡在一些小樣本的場景中應用時結果并不一定比深層網絡差，因此應該針對場景的特點尋找最適合的方法。

　　3)對于人工智能技術應用而言，電力系統調度場景可分為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的應用作出指導。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。在部分適配的問題中，人工智能方法應當與機理模型結合使用，將專業知識和經驗進行數學化表示和封裝，形成知識模塊，嵌入機器學習方法，指導機器學習[6768]。

　　把人工智能用在其擅長的領域，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，在電力系統穩定評估的場景中，人工智能方法的時效性明顯優于傳統的機理方法，但通過數據的映射關系得到的評估結果受到輸入參數的影響極大，因此輸入量的完備性十分重要。機理知識在輸入參數的選擇中起到重要的指導作用。由于人工智能技術目前仍在發展中，因此更為準確的說法是針對目前不適配的問題，人工智能方法的應用只能作為探索，不具有工程意義，在實際應用中依然應當以人為主，以人工智能為輔。

　　4)未來電力系統中人工智能技術的應用研究應致力于解決2個問題。①機理知識如何更好地與數據融合驅動。機理方法的優勢在于原理明確、可解釋強，但其繁復不靈活，且模型構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;數據驅動方法的優點在于速度快，易于處理復雜映射問題，便于多方面考慮非線性因素，但其也存在可解釋性差、依賴數據質量等問題。二者的有機結合意味著可以取長補短，以機理知識為基礎，以挖掘樣本數據得到的經驗為指導，從而更好、更快、更準確地解決問題。

　　這也是未來人工智能方法在電力系統中應用的必由之徑。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據訓練模型，這個過程耗時較久。與此同時，電網又在迅速發展中，每一次環境、網絡等變化都意味著模型需要重新訓練，因此研究如何找到新舊問題間的共同特性，將已訓練好的模型知識遷移至新模型中，從而更好地指導新模型的訓練具有十分重要的意義。

　　4結語

　　隨著大數據、物聯網、云計算等技術的發展，人工智能與電力系統調度運行的聯系愈加緊密。本文介紹了新一代人工智能技術方法及其特點，對人工智能在電力系統負荷、新能源和電價預測、設備和系統故障診斷、在線穩定性評估、有功無功優化控制和電網運行方式制定等調度運行場景中的應用進行了綜述，梳理和分析了人工智能在電力系統調度部分應用場景中存在的不足，指出未來應致力于解決機理知識與數據融合驅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未來將會在電力系統調度員行為特征畫像與個性化互動、電力用戶行為畫像和復雜電網運行精細化規則獲取等方面獲得好的應用前景。

　　參考文獻

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

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

　　[3]中華人民共和國國務院.新一代人工智能發展規劃[EB/OL].[20200521].

　　作者：趙晉泉1，夏雪1，徐春雷2，胡偉2，尚學偉3

轉載請注明來自發表學術論文網：http://www.zpfmc.com/jjlw/28375.html