發(fā)布時間：2021-12-21 22:58

　　智能電網(wǎng)是人工智能（artificial intelligence,AI）的重要應(yīng)用領(lǐng)域之一,以高級機器學(xué)習(xí)理論、大數(shù)據(jù)、云計算為主要代表的新一代人工智能（new generation artificial intelligence,NGAI）技術(shù)的進步和突破,將會促進智能電網(wǎng)的發(fā)展。首先概述AI的主要方法,并對NGAI的內(nèi)涵、特點與技術(shù)體系進行論述。之后,對NGAI在能源供應(yīng)、電力系統(tǒng)安全與控制、運維與故障診斷、電力需求和電力市場等領(lǐng)域中的最新應(yīng)用研究情況進行比較系統(tǒng)的綜述。最后,總結(jié)NGAI在智能電網(wǎng)中應(yīng)用的關(guān)鍵問題,提出人工智能在智能電網(wǎng)中的應(yīng)用可分為三階段實施的建議。 

【文章來源】：電力建設(shè). 2018,39(10)北大核心

【文章頁數(shù)】：11 頁

【部分圖文】：

機器學(xué)習(xí)的主要算法Fig．1Mainalgorithmsofmachinelearning1.1.1深度學(xué)習(xí)

第39卷第10期戴彥，等:新一代人工智能在智能電網(wǎng)中的應(yīng)用研究綜述電力系統(tǒng)中的應(yīng)用現(xiàn)代人工智能在http://www．cepc．com．cn3且效果也不一定好。(2)深度反饋神經(jīng)網(wǎng)絡(luò)。對時間序列敏感的問題，通常采用循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrentneuralnetwork，ＲNN)。LSTM是ＲNN模型的變種，繼承了ＲNN的大部分特性，同時解決了梯度反傳過程中由于逐步縮減而產(chǎn)生的梯度消失問題。LSTM非常適于處理與時間序列高度相關(guān)的問題，例如機器翻譯、對話生成、編碼\\解碼等。圖2人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的聯(lián)系Fig．2Therelationshipsbetweenartificialneuralnetworksanddeeplearning1.1.2強化學(xué)習(xí)強化學(xué)習(xí)又稱再勵學(xué)習(xí)、評價學(xué)習(xí)，是一種重要的機器學(xué)習(xí)方法，它的本質(zhì)是解決決策上的問題，即學(xué)會自動進行決策。強化學(xué)習(xí)主要包含個體、環(huán)境狀態(tài)、行動和獎勵這4個元素，學(xué)習(xí)過程中，學(xué)習(xí)個體根據(jù)環(huán)境狀態(tài)，搜索策略做出最優(yōu)動作，繼而引起狀態(tài)改變，因而得到環(huán)境反饋的獎懲值;個體再根據(jù)獎懲值對當(dāng)前策略做出調(diào)整并進入新一輪的學(xué)習(xí)訓(xùn)練，重復(fù)循環(huán)直到環(huán)境對學(xué)習(xí)個體在某種意義下的評價最佳。典型強化學(xué)習(xí)方法包括Q學(xué)習(xí)［13］、深度Q網(wǎng)絡(luò)［14］、Sarsa方法［15］等。1.1.3遷移學(xué)習(xí)遷移學(xué)習(xí)的目的是利用學(xué)習(xí)目標(biāo)和已有知識的相關(guān)性，將現(xiàn)有的知識運用到相關(guān)但不相同的領(lǐng)域中解決相應(yīng)的問題。很多情況下，某些應(yīng)用場景中僅有少量的標(biāo)簽樣本甚至難以獲取樣本，無法支持可靠模型的構(gòu)建，利用遷移學(xué)習(xí)能將相關(guān)場景中已存在的模型參數(shù)遷移到該場景中指導(dǎo)新模型的構(gòu)建，從而提高新模型的泛化能力。典型的遷移學(xué)習(xí)算法

電力系統(tǒng)中的應(yīng)用現(xiàn)代人工智能在電力建設(shè)2018年10月4http://www．cepc．com．cn系，通過匯總和梳理，本文從支撐學(xué)科技術(shù)、典型共性技術(shù)、基礎(chǔ)應(yīng)用技術(shù)以及典型行業(yè)應(yīng)用4個層次描繪NGAI的技術(shù)體系，如圖3所示。可以看出，NGAI的研究需要以數(shù)學(xué)等多學(xué)科為基礎(chǔ)，以算法及理論為核心，以提升關(guān)鍵領(lǐng)域問題的解決能力為重點，以發(fā)展穩(wěn)定成熟的典型行業(yè)應(yīng)用為最終目的。圖3新一代人工智能技術(shù)體系Fig．3Technicalsystemofnewgenerationartificialintelligence2新一代人工智能在智能電網(wǎng)中的重點應(yīng)用領(lǐng)域人工智能技術(shù)從發(fā)展之初就一直受到電力領(lǐng)域?qū)W者的高度關(guān)注，專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊集理論以及啟發(fā)式搜索等傳統(tǒng)人工智能方法在電力系統(tǒng)中早已廣泛應(yīng)用。隨著分布式電源、電動汽車、分布式儲能元件等具有能源生產(chǎn)、存儲、消費多種特性的新型能源終端高比例接入電網(wǎng)，現(xiàn)代電力系統(tǒng)呈現(xiàn)出復(fù)雜非線性、不確定性、時空差異性等特點，使傳統(tǒng)人工智能方法在電力系統(tǒng)預(yù)測、調(diào)度、交易方式等方面面臨諸多挑戰(zhàn)。以高級機器學(xué)習(xí)理論、大數(shù)據(jù)、云計算為主要代表的NGAI技術(shù)，具有應(yīng)對高維、時變、非線性問題的強優(yōu)化處理能力和強大學(xué)習(xí)能力，將為突破上述技術(shù)瓶頸提供有效解決途徑。NGAI與智能電網(wǎng)的深度融合，將逐步實現(xiàn)智能傳感與物理狀態(tài)相結(jié)合、數(shù)據(jù)驅(qū)動與仿真模型相結(jié)合、輔助決策與運行控制相結(jié)合，從而有效提升駕馭復(fù)雜系統(tǒng)的能力，提高電力系統(tǒng)運行的安全性和經(jīng)濟性。圖4給出了NGAI在智能電網(wǎng)重點領(lǐng)域的應(yīng)用框架。圖4新一代人工智能在智能電網(wǎng)重點領(lǐng)域的應(yīng)用框架Fig．4Theapp

【參考文獻】：
期刊論文
[1]反映實時供需互動的Stackelberg博弈模型及其強化學(xué)習(xí)求解[J]. 包濤,張孝順,余濤,劉希喆,王德志.  中國電機工程學(xué)報. 2018(10)
[2]“智能電網(wǎng)+”研究綜述[J]. 鞠平,周孝信,陳維江,余一平,秦川,李若梅,王成山,董旭柱,劉健,文勁宇,劉玉田,李揚,陳慶,陸曉,孫大雁,徐春雷,陳星鶯,吳峰,馬宏忠.  電力自動化設(shè)備. 2018(05)
[3]基于深度Q學(xué)習(xí)的強魯棒性智能發(fā)電控制器設(shè)計[J]. 殷林飛,余濤.  電力自動化設(shè)備. 2018(05)
[4]基于性能改善深度置信網(wǎng)絡(luò)的風(fēng)電機組主軸承狀態(tài)分析[J]. 趙洪山,劉輝海.  電力自動化設(shè)備. 2018(02)
[5]基于深度結(jié)構(gòu)多任務(wù)學(xué)習(xí)的園區(qū)型綜合能源系統(tǒng)多元負(fù)荷預(yù)測[J]. 史佳琪,譚濤,郭經(jīng),劉陽,張建華.  電網(wǎng)技術(shù). 2018(03)
[6]基于油中氣體分析的變壓器故障診斷ReLU-DBN方法[J]. 代杰杰,宋輝,楊祎,陳玉峰,盛戈皞,江秀臣.  電網(wǎng)技術(shù). 2018(02)
[7]基于深度學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法[J]. 周悅,譚本東,李淼,楊旋,周強明,張振興,譚敏,楊軍.  電力建設(shè). 2018(02)
[8]基于深度信念網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法[J]. 孔祥玉,鄭鋒,鄂志君,曹旌,王鑫.  電力系統(tǒng)自動化. 2018(05)
[9]信息–物理–社會融合的智慧能源調(diào)度機器人及其知識自動化:框架、技術(shù)與挑戰(zhàn)[J]. 程樂峰,余濤,張孝順,殷林飛,瞿凱平.  中國電機工程學(xué)報. 2018(01)
[10]基于深度強化學(xué)習(xí)的電網(wǎng)緊急控制策略研究[J]. 劉威,張東霞,王新迎,侯金秀,劉麗平.  中國電機工程學(xué)報. 2018(01)

博士論文
[1]電力批發(fā)市場中基于強化學(xué)習(xí)的參與者行為特性研究[D]. BACH THANHQUY（白青貴）.湖南大學(xué) 2013

碩士論文
[1]基于機器學(xué)習(xí)的智能電網(wǎng)實時電價研究[D]. 鄧麗.沈陽理工大學(xué) 2016



本文編號：3545333