CAS Authentication wanted!
CASAuthenticationwanted!YoushouldalreadyhavebeenredirectedtotheCASserver.Clickheretocontinue.
phpCAS1.3.1usingserverhttps://www.medlive.cn/auth/(CAS2.0)基于人工智能的生物信息学研究：机遇和挑战
2021年12月26日，中国计算机学会青年计算机科技论坛（CCFYOCSEF）武汉分论坛举办线下技术论坛（论坛编号：CCF-YO-21-WH-5FT）。本次论坛以“基于人工智能的生物信息学研究：机遇和挑战”为主题，邀请了陕西师范大学、西北工业大学、邵阳学院、华中农业大学、中国地质大学（武汉）、的专家和学者作为论坛嘉宾进行发言和思辨点讨论。本次论坛由YOCSEF武汉AC、华中农业大学教授章文，YOCSEF武汉AC、华中农业大学讲师刘世超共同担任执行主席；YOCSEF武汉AC、湖北大学副教授肖奎，YOCSEF武汉通讯AC、江汉大学讲师刘哲共同担任线上执行主席；华中农业大学为本次论坛提供了支持。本期技术论坛，邀约生物信息学领域相关的专家学者，针对“基于人工智能的生物信息学研究：机遇和挑战”进行主题讨论，分析生物信息学领域面临的主要挑战，探讨人工智能技术应用在生物信息学领域中存在的若干重要问题，探索生物信息学人才培养的痛点与解决之道，把握生物信息学领域未来发展的潜在机遇。
“基于人工智能的生物信息学研究：机遇和挑战”技术论坛
论坛的引导发言环节邀请了3位嘉宾，分别是：陕西师范大学教授雷秀娟、西北工业大学教授施建宇以及邵阳学院教授黄国华。作为中国人工智能学会生物信息与人工生命专委会常务委员，雷秀娟教授带来了题为“基于人工智能的多组学数据与疾病的关联关系预测”的引导发言。雷秀娟教授首先介绍了生物信息学在多组学和疾病方面的研究应用，主要是通过多组学模型来预测疾病，所有的组学信息之间都是有相互联系的。雷教授团队整理制作了多组学与疾病的关联数据库CircR2Disease数据库V2。目前生物信息学研究的热门包括挖掘出生物学实体之间的关系之后，找出疾病靶标。网络特征学习可以采用一些通用的深度学习方法。相似性网络的构建方面，包括相似性计算差用的方法有疾病语义相似性、序列相似性、基因关联相似性等。网络特征提取方法常用的包括表示学习、图神经网络等。评价方法可采用常用的机器学习评价方法，包括混淆矩阵、ROC曲线等。损失函数方面常用Sigmoid、ReLU、LeakyReLU等。CircRNA与RBP结合位点的研究，是利用生物信息学的方法准确解析分子之间的调控机制对探索人类疾病的机理。雷教授团队在生物信息学方面取得了诸多研究成果：提出了CSCRsites方法、circRB方法、CRPBsites方法。CircRNA与疾病的关联关系预测的研究方面，提出了RWRKNN方法、CDWBMS方法、PDC-PGWNNM方法、EDNMF方法、AANE&SAE方法、PCD_MVMF方法、GATCDA方法。代谢物与疾病的关联关系预测的研究方面，提出了SSABCMDA方法、LGBMMDA方法、MDAGCN方法、DWRF方法。微生物与疾病的关联关系预测的研究方面，提出了LGRSH方法、HNGFL方法、MDHN方法。
基于人工智能的多组学数据与疾病的关联关系预测
随后，施建宇教授作为中国计算机学会生物信息学专业委员会等3个国家一级学会的专业委员会委员，结合生物信息学研究的经验与心得，进行了题为“Compound-ProteinInteractionPredictionbyDeepLearning:Databases,DescriptorsandModels”（通过深度学习预测复合蛋白质相互作用：数据库、描述符和模型）的引导发言。施建宇教授分析了当前药物开发的大体趋势，即药物开发是个大工程，大致需要三个“十”：十年成本、十亿美元、十亿销售额。对于如此复杂庞大的工程和研发，需要跨专业科研人员的合作。靶点识别主要由生物学家来完成，而计算机科学家主要专注于化合物分析、化学结构分析、物理特性分析等。目前，AI可以帮助和加速药物研究，传统药物研究中小分子筛选需要11个月的流程，利用AI辅助可以减少至23天。药物化合物的研究中，预测某个化合物会不会和蛋白质进行相互作用。深度学习方法可以很好地帮助CPI（Compound-proteinInteraction）的研究，其本质不在于分类能力，而在于深度学习的神经网络对化合物的结构化序列的刻画能力。化合物描述子的构建需要很强的领域知识，包括1D序列分析、3D结构分析等，而卷积神经网络所具备的强力的数据特征刻画能力，可以很好地帮助化合物描述子的构建。可采用的深度学习模型包括诸多经典的卷积神经网络结构、Attention-based模型、Bindingcomplex-based模型等。对于未来的研究趋势，施建宇教授认为下列问题都非常值得深入研究：(1)如何利用生物信息学领域中大量的未标定数据；(2)如何利用大量现有的序列数据，将其迁移到3D结构的研究中；(3)如何利用深度学习模型进行单细胞测序，等等。
Compound-ProteinInteractionPredictionbyDeepLearning:Databases,DescriptorsandModels
作为最后一位引导发言嘉宾，黄国华教授进行了题为“RNA序列的语义性及其在修饰中的应用”的引导发言。黄教授首先介绍了生物信息学研究的起源，生物信息学的研究可以追溯到1953年在Nature上发表的DNA双螺旋结构论文。DNA测序是DNA研究中的重要主题之一。全球目前大约有1700个DNA序列数据库，其中代表性的数据库包括INSD、库、EMBL库、BioSino库等等。DNA序列分析主要关注DNA序列比对，分析DNA的同源性。计算生物学的一个重要主题就是比较序列并尝试找出两个序列的公共部分。序列比对包括全局比对、局部比对、双重序列比对、多重序列比对等。其优点是通过计算找到同源分子片段，确定其功能；缺点包括计算开销大、对于没有同源性的序列不可使用、完全是形式决定内容而没有解决一词多义的问题、忽略了个体之间的联系。自然语言处理技术所解决的问题与DNA序列对比问题的本质非常相近，因此采用NLP技术解决DNA序列对比问题具有如下优点：（1）捕捉句子的抽象语义关系；（2）能够全面解释句子含义；（3）内容决定形式。在生物信息学领域中常用的人工智能技术和神经网络结构包括word2vec、CNN、LSTM、Attention、Transformer。语义性在RNA序列中的重要应用包括蛋白质翻译修饰PTM（Post-translationalmodifications），即通过调控修饰位点来改善或治疗疾病。对于PTM问题，黄教授团队提出了LSTMCNNsucc模型结构。对于RNA修饰问题，黄教授团队利用CNNLSTM结构实现了RNA序列的特征提取。
RNA序列的语义性及其在修饰中的应用
在思辨环节，参与论坛的所有专家和老师就以下三个议题进行了激烈的探讨：（1）从支持向量机到深度学习，人工智能的发展是否加速了生物信息学问题的解决？（2）聚焦“四个面向”战略部署，人工智能是否带来了生物信息学研究的新范式？（3）人工智能时代，生物信息学研究需要什么样的人才？这三个问题也是目前生物信息学领域需要面对和解决的问题。
对于“从支持向量机到深度学习，人工智能的发展是否加速了生物信息学问题的解决？”这个问题的思辨，专家和老师们讨论了下列子问题：1.1深度学习是否已经取代了传统的人工智能技术？1.2人工智能的哪些关键技术是未来研究的明日之星？
华中农业大学冯在文副教授认为，深度学习技术确实已经在很大成程度上取代了传统的机器学习技术，但传统的机器学习技术也不能被完全抛弃。目前深度学习技术提出了大量的新模型，但是目前还存在一些问题，例如可解释性、数据样本量的限制、技术落地应用遇到的困难。其中，具有代表性的问题如下：（1）传统的机器学习技术可能精度不如深度学习，但是可解释性优于深度学习模型。（2）深度学习需要大量的样本数据，但是在很多应用领域，例如生物信息学领域，样本量（3）特别是标注后的样本量还非常受限。因此，对于生物信息学领域中的很多实际应用问题，例如生物大数据问题，还是依赖于传统的优化方法和搜索算法。
中国地质大学（武汉）唐厂教授认为，对于深度学习是否取代传统的机器学习方法的问题，要考虑具体的研究和应用领域。深度学习效果好的前提是要有充足的算力和充足的训练样本。但是实际工程应用中，很多终端的计算能力非常有限，因而实际应用场景中仍旧采用传统的机器学习方法，依旧可以取得不错的应用效果。生物信息学中的关联关系研究，最终需要靠临床医生去验证，因此深度学习不可完全取代传统的机器学习和数据分析方法。深度学习在某些领域和场景可以获得比机器学习方法更好的效果，但是不能一概而论地说深度学习完全取代了机器学习。
华中农业大学章文教授认为，目前生物医学领域的很多研究者仍旧倾向于传统的机器学习模型，因为深度学习的模型得到的结果难以设计医学实验进行验证。
武汉理工大学李琳教授表示，人工智能NLP领域中目前常采用基于大规模数据样本预训练得到的模型。那么对于生物信息学领域的问题，是否也可以采用预训练模型来获得更好的效果？对于多种类型的数据组合问题，已有的联合表示学习等技术是否可以应用在多组学的研究上？此外，在NLP领域，目前的研究发展趋势是依赖预训练模型抽取的大规模样本的先验知识，然后让下游任务贴合上游得到的特征抽取结果。那么生物信息学是否也可以采用类似的机制？
思辨问题1：从支持向量机到深度学习，人工智能的发展是否加速了生物信息学问题的解决？
在“聚焦’四个面向’战略部署，人工智能是否带来了生物信息学研究的新范式？”的问题上，来自不同领域和方向的专家、老师们也各抒己见，讨论了下列子问题：2.1在哪些重大问题上已经取得了突破？2.2在哪些重大问题上还有待破冰？
施建宇教授认为AI技术在生物信息学领域的应用尚存在如下问题：（1）医疗影像方面，积累了大量的图像数据，可以直接应用人工智能技术辅助诊断工作。但是目前的问题是缺乏统一、权威的评价标准。（2）对于蛋白质的结构预测有个很大的突破。很多蛋白质测定不了结构，因为很多蛋白是膜蛋白，而球蛋白容易测定结构。因此，对于膜蛋白的测定是个非常有前景的研究方向。（3）药物研究的样本数量很有限，例如6000左右的样本数据，如何更好地将深度学习技术应用到小数据样本问题上是个值得研究的问题。（4）深度学习的相关技术，例如Python语言、Pytorch框架等都是国外开发研究的，国内的相关基础技术的研究较为缺乏，需要进一步研究和发展。
黄国华教授则表示，人工智能技术可以用在新型的功能分子的研究上，例如是否可以设计一些类似的功能分子，以促进合成生物的研究和发展。
思辨问题2：聚焦”四个面向”战略部署，人工智能是否带来了生物信息学研究的新范式？
在“人工智能时代，生物信息学研究需要什么样的人才？”的问题上，专家和老师们分析和讨论了如下子问题：3.1从事基于人工智能的生物信息学研究，应该具备哪些基本的知识？3.2生物背景的人才和计算机背景人才，未来谁更有优势？
雷秀娟教授认为，计算机和生物人才的优势不能一概而论，还是需要看具体的领域和问题。目前的研究需要的是高度复合型的人才，需要生物、化学、计算机、信息学等多领域多学科交叉的专业知识。雷教授目前团队中的学生以计算机专业背景为主。
施建宇教授表示，一般来说生物学背景的学生完全不懂数学和计算机，而计算机背景的学生则表示看不太明白生物方面的问题。本身生物信息学就是生物加上信息学，因此需要学生掌握生物学和信息学的基础知识，同时也要掌握最新的人工智能模型和技术。生物学背景的学生只能使用已有的方法来跑数据，对算法和模型本身难以进行研究；而计算机和信息学背景的学生对于实验结果的分析相对欠缺，对数据结果的敏感性不够。因此，学生都应该具备挖掘深层机制的驱动意识。生物和计算机人才都是有优势的，只是侧重点不同。
黄国华教授课题组里面主要是计算机背景的学生，没有生物学背景的学生。计算机学生倾向于写代码写程序，但是对于实验结果的生物学意义缺乏认识和理解，因而计算机学生对于较为复杂的建模感到吃力。因此，计算机学生和生物学学生一起合作、相互互补，才能得到更好的研究成效。
冯在文副教授提到，在2021年国家基金委的研究指南中，生物信息学的大方向是生物大数据的标准化、可视化是一个重要的研究方向，特别是生物大数据的标准化方面。因此，需要形成一个更好的协作机制，方便计算机学生和生物学学生进行讨论、分析、合作。
唐厂教授认为，计算机专业背景强调的是技术和方法，生物学专业背景强调的是机制和原理。只有计算机专业学生更好地理解了生物学的原理和机制之后，才能把技术和方法更好地应用到具体的生物信息学领域的研究中。
李琳教授表示，生物信息学的学生培养方案中加入更多的计算机相关课程，或许能得到更好的人才培养成效，生物信息学的发展主要还是依赖于生物学人才。
武汉科技大学胡威教授表示，生物信息学的培养体系中是否进行了学科交叉的课程设置？如果生物信息学的人才培养体系本身就缺乏计算机的相关课程和知识，是否应该加入相关交叉性的课程？章文教授则回答道，目前华中农业大学生物信息学专业的学生培养体系的课程中，一部分课程跟生命科学专业交叉，而另一部分则涵盖了一些编程相关的课程。即使是在生命科学专业，也是非常欢迎生物信息学学生这样的复合型人才的。
思辨问题3：人工智能时代，生物信息学研究需要什么样的人才？
与会人员合影
本次论坛历时三个小时，通过引导发言、论坛思辨，辨明了生物信息学领域在人工智能时代遇到的新问题和困惑，分析生物信息学领域面临的主要挑战，探讨人工智能技术应用在生物信息学领域中存在的若干重要问题，探索生物信息学人才培养的痛点与解决之道，将更好地推动人工智能深度学习技术在生物信息学领域中的深入应用。
“互联网+”时代智慧课堂教学设计与实施策略研究
二智慧课堂的内涵及特点
(一)智慧课堂的内涵
智慧课堂的提出和发展实际上是学校教育信息化聚焦于教学、聚焦于课堂、聚焦于师生活动的必然结果。关于智慧课堂的含义，从不同的视角来看有不同的理解。“智慧”通常包含心理学意义上的“聪敏、有见解、有谋略”和技术上的“智能化”两个不同层面上的含义[4]。因此对智慧课堂的概念总体上有两种视角的理解：一种是基于教育视角的，认为课堂教学不是简单的“知识传授”过程，而是以“智慧”为核心的综合素质培养与生成的过程，智慧课堂的根本任务是“开发学生的智慧”，这里“智慧课堂”的概念是相对于“知识课堂”而言的；另一种是基于信息化视角的，指利用先进的信息技术手段实现课堂教学的信息化、智能化，构建富有智慧的课堂教学环境，这里是相对于使用传统教学手段的“传统课堂”。事实上上述两种视角的认识是紧密关联的，利用信息技术创设富有智慧的课堂教学环境，其根本目的也是促进“知识课堂”向“智慧课堂”转变，实现学生的智慧发展。本研究对“智慧课堂”的定义是侧重于后一种视角而提出的。
从信息化视角建立“智慧课堂”的概念，是开展信息化教学研究的前提，也是构建“互联网+”时代智慧课堂教学理论与实践体系的逻辑起点。从信息化的视角，目前国内的学校或教育信息化企业发布的“智慧课堂”相关应用或产品研发项目，以及学者提出的智慧课堂概念有多种理解，尚无公认统一的定义。比如：强调物联网的“智能化”感知特点，认为“智慧课堂”是基于物联网和智能终端等技术的智能化课堂[5]；强调“移动化”智能终端应用，提出建立基于电子书包等智能终端的“智慧课堂”系统，为师生提供一种高效的“教”与“学”模式[6]；强调技术支持的课堂目标分析，认为“智慧课堂”应以有效促进智慧能力培养为目标，基于信息技术的支持，将技术融入课堂教学中，构建个性化、智能化、数字化的课堂学习环境[7]；等等。
可见，智慧课堂概念是随着信息技术在教学中的不断应用与融合而发展的。当今社会进入“互联网+”时代，利用新一代信息技术来提高课堂教学环境的信息化、智能化水平，促进智慧的教与学，实现学生的智慧发展，是教学信息化深化发展的必然趋势。我们认为，“智慧课堂”是依据建构主义理论，运用“互联网+”的思维方式和物联网、大数据、云计算等新一代信息技术构建的，支持课前、课中、课后全过程应用的智能、高效的课堂[8]。智慧课堂是新一代信息技术与课堂教学深度融合的新阶段、新形态。智慧课堂的核心是开发利用各种新媒体、新技术，创设有利于协作探究和意义建构、富有智慧的学习环境，提高教学过程中的数据分析、评价反馈、交流互动和资源推送能力，通过智慧的教与学，促进全体学生实现符合个性化成长规律的智慧发展。
(二)智慧课堂的核心特征
“互联网+”时代，基于物联网、大数据、云计算等新一代信息技术构建的智慧课堂相较于传统课堂，在信息技术与教学的融合创新及应用上具有重要的特色，其核心特征包括以下四个方面。1.教学决策数据化。智慧课堂始终以学校构建的信息技术平台为支撑，基于动态学习数据的收集和挖掘分析，对学生学习全过程及效果进行数据化呈现，使得教学过程从过去依赖于教师的教学经验转向依赖于教学中的客观数据，依靠数据精准地掌握学情，基于数据进行决策，方便教师有的放矢地安排及调整教学。2.评价反馈即时化。智慧课堂教学中采取动态伴随式学习评价，即贯穿课堂教学全过程的动态学习诊断与评价，包括课前预习测评与反馈、课堂实时检测评价与即时反馈、课后作业评价及跟踪反馈，从而实现了即时、动态的诊断分析及评价信息反馈，重构形成性教学评价体系。3.交流互动立体化。智慧课堂教学的交流互动更加生动灵活，教师与学生之间、学生与学生之间的信息沟通和交流方式多元化，除了在课堂内进行师生互动外，师生还可以借助云端平台进行课外的交流，在任何时间、任何地点进行信息交流和互动，实现师生、生生之间全时空的持续沟通。
4.资源推送智能化。
智慧课堂为学习者提供了形式多样的富媒体资源，包括微视频、电子文档、图片、语音、网页等极为丰富的学习资源，而且可以根据学生的个性化特点和差异，智能化地推送针对性的学习资料，满足学习者富有个性的学习需要，帮助学生固强补弱，提高学习效果。
三智慧课堂的教学流程结构设计
(一)传统课堂与智慧课堂的教学流程比较分析
随着新一代信息技术在学校教育中广泛应用，技术与教学的融合不断深入，引发了传统课堂教学流程与结构的深刻变化。可以看到，传统课堂的教学流程结构通常采取“5+4模式”，即由教师“教”的5个步骤(备课、讲课、提问、布置作业、批改作业)和学生“学”的4个步骤(预习、听课、代表回答、完成作业)以及它们之间的互动联系方式所组成的系统过程，形成了“课前、课中、课后”持续发展的课堂教学循环。但在传统课堂模式中，“教”与“学”的联系方式比较简单，缺乏、全面深入的互动交流。由于大数据分析、动态学习评价和“云+端”信息技术平台的运用，智慧课堂教学的要素及流程结构发生了重大变化。从理想化的状态来看，智慧课堂教学中教师的“教”变成8个步骤(学情统计、资源发布、教学设计、课题导入、新任务下达、精讲与点评、个性化推送、批改作业)，学生的“学”也变成了8个步骤(预习与作业、课前讨论、展现分享、合作探究、随堂测试、巩固提升、完成作业、总结反思)，师生之间的互动交流更加丰富多样，因此，理想的智慧课堂教学流程结构是“8+8模式”，基于“课前、课中、课后”的闭环实现智慧教学持续改进[9]。
从传统课堂教学流程结构的“5+4模式”到智慧课堂的“8+8模式”，充分体现了“互联网+”时代新一代信息技术支持下课堂教学变革的趋势。但理想的智慧课堂教学流程结构“8+8模式”主要是一种理论模型，对于智慧课堂教学的“教”与“学”要素及联系的理论分析来说具有重要价值，而对于教学实践应用则比较复杂，可操作性不强。因而需要进一步优化、简化，建立一个实用性强的智慧课堂教学流程结构。通过对传统的“5+4模式”和“8+8模式”之理论模型进行分析和整合，不再把“教”与“学”作为分离的要素来构建教学过程，而是围绕“以学生为中心”，注重“教”与“学”的相互渗透和融合，来构建“教与学统一”的智慧课堂实用教学流程模式，在基于平台的教学互动中促进和实现学生的智慧发展(如下表所示)。
(二)智慧课堂实用教学流程结构设计
智慧课堂为“教”与“学”的融合和统一提供了有利的条件。基于智慧课堂信息技术平台，增进师生互动和协作交流，使“教”与“学”相互渗透、融合一体，因而对智慧课堂的实用教学流程结构设计，应把“教”与“学”作为一个统一的系统整体来考虑，采取“三段十步”的教学流程模式，即由三个教学阶段和十个教学步骤组成。其中，“三段”即智慧课堂仍然是由“课前、课中、课后”组成的三段式课堂教学闭环，“十步”即学情分析、预习测评、教学设计、情景创设、探究学习、实时检测、总结提升、课后作业、微课辅导、反思评价等十个教学步骤，构成了教与学统一、可持续发展的完整智慧教学过程。(如图1所示)
“三段十步”的智慧课堂实用教学流程结构，在各个阶段应用上既要分担促进学生智慧发展的总体目标任务，又有各个阶段任务的重点和特色，从而构成智慧课堂的完整教学过程和持续发展体系，我们具体分析如下。
1.课前阶段——以学情分析为核心
在课前阶段，传统课堂教学的任务就是教师备课和学生预习，教师备课主要是研究教材、撰写教案，对学生的分析主要是基于经验和平时的直观感受，缺少对学情的深入调查分析，而学生的预习就是自学教师布置的教材内容，无法与教师或同学进行课前的讨论交流。智慧课堂的课前教学准备从根本上改变了这一点，以学情分析为基础优化教学设计，实现以学定教。首先，利用智慧课堂信息技术平台，提供学生学习历史成绩查询统计和作业分析，精确地掌握学情基本信息，便于教师进行教学目标预设，并可通过平台向学生推送微课视频、学习课件、预习测试题等预习内容。其次，学生通过在课前学习教师推送的预习材料，完成预习测试题并提交到平台上，还可以通过平台记录在预习过程中遇到的问题，基于平台进行相关讨论。再次，教师基于教学目标预设、学生预习测试统计分析和讨论的情况等，进行综合学情分析，据此拟制合适的教学设计方案。
2.课中阶段——以师生互动为关键
在课中阶段，传统课堂教学就是教师讲课和提问，学生听课和部分代表回答问题。而智慧课堂教学中，关键是基于智慧课堂信息技术平台开展多种形式的师生互动、生生互动。主要包括：
(1)在情景创设上，可以采取多种方式创设学习情景、导入教学课题，如通过预习反馈、测评练习等方式创设情景、导入新课，或由学生演讲展示课前预习成果，进而教师提示或精讲预习中存在的问题，学生重点听取在预习中的疑惑或掌握薄弱的知识，积极参与教学。
(2)在课堂探究上，由教师通过信息技术平台下达新的学习探究任务和要求，以及任务完成后的随堂测验题目，并组织和指导学生的合作探究活动，学生开展协作学习，提交成果并展示。
(3)在评价反馈上，教师通过平台对学生进行学习过程诊断评价，布置随堂测验，学生完成测试练习并及时提交，得到即时的评价反馈。
(4)在总结提升上，教师根据课堂探究和随堂测试反馈信息，精讲、辨析难点，补充、巩固弱点，拓展、提升重点，进一步深化师生互动交流，培养学生创新思维和能力，促进学生意义建构。
3.课后阶段——以个性化辅导为重点
在课后阶段，传统课堂教学是学生完成课后作业，教师批改作业，作业布置是统一的，而批改和反馈是滞后的，一般是学生在下堂课上提交作业，再下堂课才能得到反馈，作业讲评也只是讲共性问题。而智慧课堂教学完全改变了这一状况，基于信息技术平台重点开展个性化辅导，进行针对性教学。首先，教师不再是布置统一的作业，而是依据每个学生课前预习和课堂学习情况发布针对性的作业任务，基于信息技术平台智能推送个性化复习资料；其次，学生完成作业后可以根据自己的进度，通过平台及时将作业提交给老师，客观题可以得到即时的自动批改和反馈，而对于主观作业题，教师可以针对每个学生的作业情况录制作业批改微课，及时推送给这名学生或更多的学生，进行个性化辅导；再次，学生基于平台观看自己的作业批改微课，也可在平台上发布自己的学习感受与疑问，与老师、同学讨论交流，进行总结反思，并可以通过平台及时反馈到教师的下次课备课中，以利于及时改进和实施针对性教学。
四智慧课堂教学目标及方案设计
教学目标及方案设计是课前教学阶段的重点任务，是组织和实施教学的前提和基础。智慧课堂教学设计要充分体现出课堂教学以学生为主体的宗旨，确定合适的教学目标，设计理想的学习情景和教学方案，让学生去主动建构知识意义。同时，将智慧课堂的教学理念、教学方法、教学手段运用和体现于教学设计中，贯穿于教学过程的始终。具体分析如下：
(一)预设课程目标及教与学目标
智慧课堂教学准备的首要环节是进行教学目标的预设。首先，确定三位一体的课程目标。在新课改方案中已经明确提出了三位一体的课程目标，它是指在课程学习过程中应该达到知识与能力、过程与方法、情感态度与价值观等三维目标。智慧课堂目标设计中应遵循这一基本要求，并利用智慧课堂的有利环境加以有效落实。其次，把三位一体课程目标具体化为教与学的目标。三位一体课程目标的每个维度包含的具体目标都很多，不可能在一次课上都涉及到，但要尽可能涉及到三个方面。在智慧课堂教学目标设计中，教师要依据每节课的教学内容特点，基于智慧课堂信息化环境应用，设计出具体的学生学习目标及教师教学目标，恰如其分地将三个方面目标融入到智慧课堂环境下知识学习的过程中。
(二)便于学情分析
智慧课堂为开展学情分析提供了极为方便的信息技术平台。开展学情分析是指全面地了解学生的学习及相关情况，既包括学生已有基础知识的水平，也包括学生学习心理、生理及社会特点等。智慧课堂的核心理念是“以全体学生为中心”，因此在课前教学准备中如果不对学生做全面的了解，教学过程的每一个环节都会发生背离学生学习需求和成长规律的事情，教师的所有工作都将是徒劳的。为了科学地实施学情分析，教师平时要养成建立规范的学生特征档案和学习档案的习惯。智慧课堂信息技术平台提供了学生档案格式和管理维护功能，并可以统计分析出有用的各种情况所占比例，给出建设性的教学建议，为有的放矢地制定有效的课程教学设计提供依据。
具体来说，学生特征档案一般包括姓名、学号、年龄、性别、性格、认知能力、对学习的期望、爱好、特长、生活经验、以及经济、文化及社会背景等，可以以学生特征档案表格形式进行归档管理。比如：性格是指学生在学习和生活过程中表现出来的行为，一般可以用活跃(思维活跃积极发言)、沉稳(有独立见解但不善于表现自己)、随和(人云亦云没有自己的见解)、懒惰(不去思考和参与)等来描述学生的性格；认知能力指学生通过自己的思维对知识加工处理的能力，通常用强、一般、弱来描述学生的认知能力；对学习的期望指学生对自己学习状况希望达到的状态，其实也蕴含了学生学习的动机，可以用兴趣、有用、学习成绩、教师的评价、家长的评价等来描述。学生学习档案一般包括姓名、学号、年龄、性别、学习内容、预习测评、课堂评测、作业成绩、掌握程度分析等，可以以学生学习档案表形式进行归档管理，用于针对本次课的学习内容，查阅学生以往相关基础知识掌握的情况。
(三)进行预习设计
在智慧课堂教学准备中，依据学习目标的要求，结合学生特征档案和学习档案的分析结果，教师便可以有针对性地设计预习内容，制作和提供预习资料，用于学生的预习活动。一般预习设计包括学习目标、学习内容、学习重难点、学习过程、预习测试等基本要素。预习资料的制作是预习设计的重点，一般包括微课程资源、富媒体资源、预习测试题等内容和形式。
1.微课程资源
微课是一种新型的课程资源，即微型教学视频。微课是教师以微视频为载体进行知识讲授的教学短片(一般为5-10分钟)，视频内容通常以一个知识点或一个教学环节或一类教学活动为单位，主要用于帮助学生完成某个知识概念的学习理解。微课程资源建设包括微课设计与制作等环节。在制作微课前首先要设计微课教学方案，根据教学的需要，可以是新知识讲授、难点知识剖析、考试讲评等类型的微课，也可以是用于一门课程教学的系列化微课程。微课制作的工具和方式多种多样，常用的有利用拍摄设备直接录制教学视频、快课工具+PPT录制、平板电脑+“涂鸦”工具录制、录屏软件录制等类型，实践中应根据微课教学的目的和内容来选择合适的工具和录制方式。
2.富媒体资源
在智慧课堂教学中，富媒体资源是指通过网络传送的适宜于学生自学的各类电子文档、图片、影视、Flash、语音、PPT、网页等形式多样的学习资料。富媒体资源是智慧课堂的教学内容基础，是实现智慧课堂教学的基本资料。选择富媒体资源也是智慧课堂教学准备的重要任务，要重点把握以下两个方面：(1)选择合适的资源内容。从内容来源上看，富媒体资源是智慧课堂的教学内容资料，包括各学科课程标准、全科数字化教材、多媒体课件、网络课程、各类练习题、讨论题、专题学习材料、教学案例、参考资料等。但在实际应用中不是每次都需要各种资源，而要根据当次课学习的需要，有所选取。(2)确定合适的资源推送方式。富媒体资源的推送形式可以是教师制作好的课件、文档等学习资料传递，也可以是提供整理归类好的分类信息、网址或者是网上搜索的关键词等。比如，对于需要学生到互联网上浏览、学习的资料，就可以将整理归类好的网址或者是网上搜索的关键词等推送给学生。
3.预习测试题
预习测试题的设计要坚持目的性、主体性、知识性相结合。围绕学习目标给出预习测试题，符合学生学习规律要求，贴近学生的生活实际。智慧课堂特别强调学生自主建构知识意义，因此预习测试题要有探索性，可以让学生动手去尝试。测试题的难度要分层次，让大多数的学生能体会到成功的喜悦，题目类型要多样，可以有判断、选择、计算、问答等题目类型，教师可以通过智慧课堂的测试评价信息系统进行批阅、分析。
(四)实施预习测评及交流
在课前环节，学生做完预习测试题后通过智慧课堂学生终端上传到测试评价信息系统，系统评价分析完成后，自动输出评价结果，通常可以以表格、条形图或饼图形式来表示。在得到这些评价结果的基础上，教师和学生、学生和学生之间可以通过移动终端进行针对性的沟通、交流和讨论，并据此对教学过程进行设计和安排。比如对普遍存在的问题，教师利用新课导入，创设教学情景，给予重点讲解或引导学生进行讨论；对个别学生存在的问题，教师进行个别指导。
(五)进行教学方案设计
课前教学准备要形成课堂教学方案，即教学方案设计。进行教学方案设计要根据课程标准的要求和学生的具体特点，将教学诸要素有序安排，通常包括教学目标、教学内容、教学方法、教学手段、教学步骤与时间分配等基本要素，形成合适的教学方案。智慧课堂的教学方案设计，是为意义建构学习而设计教学方案，要围绕学生如何学得更有效来设计和组织教学，要基于信息化环境来设计教学过程。智慧课堂教学设计更加突出教学目标预设、学生学情分析、教学重点与难点、教学媒体手段、教学评价与反思等要素的设计和安排。
五智慧课堂教学实施的关键——互动教学
智慧课堂教学实施的关键是互动教学，即把课堂教学过程看作是一个教与学融合、交互作用与影响的动态过程，其核心标志是具有立体化的互动交流能力。在教学互动过程中，强调学生是学习活动的主体，教师是学生学习的指导者、帮助者、促进者。它不同于传统的互动教学，不仅仅是师生间、生生间的语言交流讨论，最根本不同的是它借助智能化的移动学习工具和应用支撑平台，实现教师与学生的立体、高效、持续的互动交流，在互动过程中实现协作、探究和意义建构，促进学生的智慧生成与发展。智慧课堂的互动教学体现在学生学习发展的全过程。
(一)学生信息获取过程中的互动
基于智慧课堂信息技术平台的资源管理与服务系统，可以提供图文并茂、丰富多样的信息，但在互动过程之中，学生很容易被过多的信息资源干扰，找不到对于课程学习最有利的教学资源，从而分散了学生的学习注意力和精力，拉长了教学过程。因此，教师在推送学习资料时，要注意跟踪观察，采取实时引导、提示、发问等方式，形成在学生获取信息阶段的高效互动。
具体来讲，可以采取以下方法和措施：
(1)教师可以在开始实施教学之前或学生查找资料过程中，给学生进行教学资源收集的相关培训指导，让学生知道在什么地方查找、如何查找、搜索什么关键词等。
(2)适时展示学生收集到的资源信息，比较哪位学生收集到的信息更为有效、更有价值。
(3)让学生归纳自己收集到的信息的观点并展示等。学生将自己收集整理归纳的信息上传给教师，教师可以通过测试评价信息系统的分析结果，了解学生信息获取、整理、归纳的情况，及时给予点评和指导。通过这些方法，使教学互动过程更为有效，既把控了课堂教学进程，又提高了学生信息获取的能力。
(二)课堂研究探讨过程中的互动
在课堂教学过程中，研究探讨是学生自己建构知识意义的重要环节，通过自己对资料的整理归纳分析、与同学的交流探讨以及与教师的交互沟通，逐步形成较为完整的知识认知。在智慧课堂教学环境下，学生利用信息技术手段获取富媒体学习资源及动态信息，就某个问题展开互动交流和协作探究，展示和分享学习成果，同时教师基于信息技术平台对学生的探究提供指导和帮助，促进学生的知识意义建构。
例如，在研究探讨过程中，学生将不明白的问题，通过移动学习终端，上传和发布到班级讨论栏，并显示在教室的白板或大屏幕上，学生便可以看着白板或屏幕展开讨论。在讨论的过程中，遇到不明白的地方，教师可以指导学生或自己操作示范，现场上网查找探究相关内容，电脑屏幕可以投影在幕布上，学生可以看到查找探究全过程(如右图2所示)。这样做的好处一方面是课堂探讨气氛较浓，人人都参与到讨论中，避免了学生只是低头看着自己的移动终端，进行“无声”的交流或干别的什么事情；另一方面，教师可以了解研究探讨全过程，了解每位学生的情况，可以随时调整教学方式和进程，寻找适合学生的教学方法和手段。
(三)随堂测评过程中的互动
在智慧课堂教学环境下，随堂测评过程中的互动主要体现在教师通过信息技术平台智能推送测评试题，学生通过信息技术平台完成测试题并提交答案的过程。平台的测试评价信息系统会自动给出客观题的测试评价结果，即时反馈给学生和教师，用于改进教学。
具体来说，智慧课堂信息技术平台利用智能终端和基于云服务的测试评价信息系统，具有多元分析评价功能，对学生的作业测试实时处理、实时反馈，并会对全体学生的成绩进行及时的统计分析并给出评价结果。教师可以通过结果分析了解学生对知识的掌握情况，并即时进行错因分析，给出正确答案。随堂测评互动既可以在教学过程中、也可以在教学任务完成后进行，以检验学生对某一知识或整个教学内容的掌握情况，便于教师掌握学生学情，有针对性地进行重点讲解、补充说明。
六结束语
对“互联网+”时代智慧课堂教学的探索还是一个崭新的课题，无论是理论研究还是实际应用上都属于起步阶段，在智慧课堂的教学理论与应用策略方面还存在大量现实问题：如何构建基于智慧课堂的智慧教学模式，确立“智慧教学”“智慧学习”观，结合各学科教学实际，优化智慧课堂环境下教学内容与方法，形成具有各学科特色的智慧教学体系；如何对学习行为、学习过程和学习评价数据进行深度挖掘分析，制定适应学生差异的个性化教学方案与策略，真正实现个性化教学和因材施教；如何对学习过程中学习者的情感、态度等进行科学、客观的评测，从认知评价向情感评价、全面评价转变，形成科学的智慧学习评价体系；等等。这些需要我们下一步重点关注，不断深化研究。
参考文献：
[1]邓光强.“智慧课堂”中的学生个性化学习[J].教育信息技术,2013,(12):11-13.
[2]姜强,赵蔚,李松,王朋娇.个性化自适应学习研究——大数据时代数字化学习的新常态[J].中国电化教育,2016,(2):25-32.
[3]卞金金,徐福荫.基于智慧课堂的学习模式设计与效果研究[J].中国电化教育,2016,(2):64-68.
[4]刘晓琳,黄荣怀.从知识走向智慧：真实学习视域中的智慧教育[J].中国电化教育,2016,(3):14-20.
[5]王盛之,毛沛勇.基于数字化教学案的智慧课堂互动教学系统实践研究[J].教学月刊(教学管理)中学版,2014,(4):51-55.
[6]林利尧.中小学智慧课堂建设与应用研究[J].中国现代教育装备,2013,(10):38-39.
[7]唐烨伟,庞敬文,钟绍春,王伟.信息技术环境下智慧课堂构建方法及案例研究[J].中国电化教育,2014,(11):23-29.
[8]孙曙辉,刘邦奇,李新义.大数据时代智慧课堂的构建与应用[J].中国信息技术教育,2015,(7):112-114.
[9]孙曙辉,刘邦奇.基于动态学习数据分析的智慧课堂模式[J].中国教育信息
化,2015,(22):21-24.
作者简介：
刘邦奇：教授，研究员，硕士生导师，所长，研究方向教育信息技术应用、智慧
课堂(lbq-nj@163.com)。
参考文献：
[1]邓光强.“智慧课堂”中的学生个性化学习[J].教育信息技术,2013,(12):11-13.
[2]姜强,赵蔚,李松,王朋娇.个性化自适应学习研究——大数据时代数字化学习的新常态[J].中国电化教育,2016,(2):25-32.
[3]卞金金,徐福荫.基于智慧课堂的学习模式设计与效果研究[J].中国电化教育,2016,(2):64-68.
[4]刘晓琳,黄荣怀.从知识走向智慧：真实学习视域中的智慧教育[J].中国电化教育,2016,(3):14-20.
[5]王盛之,毛沛勇.基于数字化教学案的智慧课堂互动教学系统实践研究[J].教学月刊(教学管理)中学版,2014,(4):51-55.
[6]林利尧.中小学智慧课堂建设与应用研究[J].中国现代教育装备,2013,(10):38-39.
[7]唐烨伟,庞敬文,钟绍春,王伟.信息技术环境下智慧课堂构建方法及案例研究[J].中国电化教育,2014,(11):23-29.
[8]孙曙辉,刘邦奇,李新义.大数据时代智慧课堂的构建与应用[J].中国信息技术教育,2015,(7):112-114.
[9]孙曙辉,刘邦奇.基于动态学习数据分析的智慧课堂模式[J].中国教育信息
化,2015,(22):21-24.
作者简介：
刘邦奇：教授，研究员，硕士生导师，所长，研究方向教育信息技术应用、智慧
课堂(lbq-nj@163.com)。返回搜狐，查看更多
电网调控领域人工智能技术框架与应用展望
0引言
当前,人工智能正在引领新一轮科技革命和产业变革。2019年年初,国家电网有限公司以习近平新时代中国特色社会主义思想为指导,顺应能源转型发展趋势,做出“三型两网、世界一流”战略部署[1],为以人工智能为代表的现代信息技术在电网企业应用落地提供了宽广平台。电力系统发展进入新时期,技术特征和功能形态都在发生深刻变化,调控领域正面临前所未有的机遇与挑战[2]。质量变革、效率变革催生电网调控思维变革、技术创新和管理提升,运用人工智能技术,将调度数据、知识和经验进行有效管理和应用,推动现有技术体系智能化升级,提升电网运行水平,已成为必然趋势。
本文首先分析电网发展新特点、调度控制面临的挑战以及人工智能的应用基础,之后将人工智能技术与调控技术支撑体系深度融合,开展电网调控领域人工智能应用技术框架研究,提出总体思路、建设目标,设计了系统体系架构,最后对电网调控领域人工智能应用进行展望,分析了应用发展方向,以期为相关研究建设工作提供参考。
1人工智能技术发展现状人工智能概念诞生于1956年,在半个多世纪的发展历程中,人工智能技术和应用发展经历了三起两落。2006年以来,以深度学习为代表的机器学习算法在机器视觉和语音识别等领域取得了极大成功[3-4],使人工智能再次受到学术界和产业界的广泛关注。
近年来,随着计算能力提升,数据爆发增长、机器学习算法进步、投资力度加大,人工智能迎来新一轮发展浪潮。在人工智能战略和资本市场的推波助澜下,人工智能的企业、产品和服务层出不穷。
新一代人工智能技术的主要特征是大数据基础上的人工智能,呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等特点。新一代人工智能的技术体系包括：基础技术(机器学习)、通用技术(语音交互、计算机视觉、自然语言处理、知识图谱等)和应用技术(人脸闸机、自动驾驶等)。
目前,国内人工智能发展已具备一定的技术和产业基础,在芯片、数据、平台、应用等领域集聚了一批人工智能企业,在部分方向取得阶段性成果并向市场化发展。自动驾驶、工业机器人、智能医疗、无人机、智能家居助手等人工智能消费级产品孕育兴起。人工智能在金融、安防、客服等行业领域已实现应用,在特定任务中语义识别、语音识别、人脸识别、图像识别技术的精度和效率已远超人工。
实体经济数字化、网络化、智能化转型演进给人工智能带来巨大历史机遇,展现出极为广阔的发展前景。新技术、新模式、新业态、新产业正在构筑经济社会发展的新动能,在新一轮科技革命和产业变革的历史进程中,人工智能将扮演越来越重要的角色。
2电网发展特点及调度控制面临的挑战2.1电网发展新特点近些年,我国电力电量保持快速增长,发电装机和用电量均居世界首位,“清洁低碳、安全高效”的能源体系正在逐步构建。电源方面,新能源迅猛发展,占比持续提高。截至2019年底,国家电网调管范围内风电、太阳能装机分别达1.71亿kW、1.79亿kW,均居世界第一。国家电网经营区域内,21个省级电网的新能源成为第一、第二大电源。电网方面,基于我国能源资源与负荷逆向分布的禀赋特性,国网公司大力发展特高压技术,目前建成“八交十一直”特高压工程,构建了覆盖经营区范围的特高压互联大电网,形成三大受端电网和三大送端电网;特高压线路输电距离较500kV线路提高1.8倍以上,大电网资源优化配置作用显著,2019年度夏期间,国家电网经营区跨区输电通道合计最大输送电力7735万kW,跨省通道合计最大输送电力9337万kW,近1/4的用电负荷通过跨省区骨干网输送电力。负荷方面,随着交互式能源大量接入,网络由无源变有源,功率流动由单向变双向,负荷预测和潮流控制更为复杂,同时可控负荷的接入也为拓展控制资源提供了潜在空间。
2.2电网调度控制面临的挑战长期以来,我国电网调度控制技术体系和管理
机制日益完善,有效保障了大电网安全和清洁能源消纳,促进了我国经济社会的快速发展。但是,随着新能源快速发展、特高压工程不断投产和电力市场化改革纵深推进,电网调度控制面临新的挑战。
一是大电网安全管控难度加大。国家电网已发展成为以跨区直流大规模送电为典型特征的交直流混联电网。跨区大规模送电成为影响电力平衡的重要因素,电力平衡协调难度增加。系统故障形态复杂,大功率直流冲击下导致的新能源大规模脱网、大范围潮流转移、同送同受多回直流同时换相失败等连锁反应成为新特征,影响范围扩大,事故处置与恢复难度加大。交直流故障引发大范围连锁反应、密集输电通道遭受严重灾害、安控装置拒/误动等事件均可诱发大面积停电事故,安全风险管控难度增大。
二是清洁能源消纳压力增大。新能源装机占比已达20%,新能源发电波动性显著,目前仅国家电网经营区新能源出力最大波动已超过1.3亿kW,相当于西北电网和东北电网的最大负荷之和。按国家规划,2020年底我国新能源装机将达4.5亿kW,装机占比达23%,新能源波动效应将更加显著,且要求水风光利用率均达95%,清洁能源并网运行和电量消纳面临更加严峻的挑战。
三是电力市场化改革任务重。市场化改革需要妥善处理市场电与计划电衔接、中长期与现货市场衔接、省间与省内市场协调、市场化生产组织与一体化安全管控相协调的难题,需要优化重构年度、月度、日前、日内调度业务流程以及国分省地四级调度纵向协同流程,需要全面提升调度计划和现货市场业务支撑能力。
3电网调控领域人工智能应用基础3.1电网调度技术体系电网调度运行是一项极为复杂的系统性工程。多年来,国家电网调度系统构建了“系统认知、运行控制和故障防御”三大体系,有力地保障了调度控制各项工作顺利运转。
系统认知体系方面,建成了世界上仿真规模最大、计算能力最强、模拟精度最高的新一代大电网仿真平台,形成了科学、高效的大电网认知体系,为掌握电网运行机理和客观规律提供了保障。在数模仿真系统建设上,采用“物理+数字”模型,将部分关键设备与数字仿真系统相连,解决了仿真精度问题。在数字仿真系统方面,基于超算技术,理论峰值计算能力达到918.7万亿次/s,解决了仿真速度问题。
运行控制体系方面,调度自动化、生产组织、新能源消纳等技术在电网调控领域成熟、广泛应用。调度自动化技术方面,近30年来调度自动化系统历经引进消化、自主研发、全面国产化3个阶段,2008年国调中心组织研制智能电网调度控制系统,实现了调度业务应用“横向集成、纵向贯通”;在各级调控机构部署主站系统1785套,接入8000个厂站约百万个实时监控数据,实现35kV以上厂站实时监控;接入广域相量测量装置近4000套,实现500kV主网及220kV枢纽变电站故障动态感知。2016年起国调中心组织研发的调控云[5],基于调度通用数据对象结构化建模,汇集国网公司范围内35kV及以上电网、10kV及以上电源的模型、运行、实时数据资源,构建了信息共享和业务应用平台。生产组织及市场化技术方面,传统计划模式下,中长期机组组合、日前/实时经济调度、日前实时安全校核等关键技术从国分省多层级、中长期/日前/实时多时间尺度为调度生产组织提供技术支撑。针对市场模式下的新需求,已初步研发并试点应用电力现货市场技术支持系统。新能源预测和消纳能力测算分析技术取得实质性突破。电力行业规模最大、计算能力最强的数值天气预报运行中心建成投运,新能源功率预测系统在各分中心、省调和新能源场站部署。开发了电力系统时序生产模拟系统,实现了新能源消纳能力测算分析,为新能源建设规模、时序、布局提出了量化依据。
故障防御体系方面,继电保护技术成熟应用,大电网安全综合防御体系日趋完善。继电保护技术实现了由中国制造到中国引领的巨大跨越。自20世纪80年代起,在引进、吸收的基础上,经过不断改进提高,我国继电保护技术已达到国际领先。目前,国家电网220kV及以上继电保护设备已达18.7万套,电网第一道防线较为完备;同时构建了“保护设备状态评价、智能整定与在线校核、在线监视与智能预警”三大支撑平台,实现了电网信息的自动采集和智能诊断,具备电网故障快速分析处置能力。国家电网主网部署安控装置3200余台,切机总量3.83亿kW、切负荷总量3766万kW,成为“强直弱交”过渡期电网的必备措施,近70%的跨区输送能力提升依赖安控系统。为适应大直流快速发展之后大电网安全的需要,研究构建了大电网安全综合防御体系,已在各区域电网进行部署,安控系统广域化特征愈发明显。
3.2已开展的研究和应用人工智能从发展之初就受到调控领域工程界和学术界的广泛关注。20世纪80年代至21世纪初,神经网络、专家系统等算法已开始在故障诊断、事故处理、在线监测等领域得到应用。受限于当时计算力和数据量制约,研发和应用效果不显著。随着物联网、云计算、大数据技术的发展,近些年,调控领域人工智能应用再次成为热点[6-8]。
现阶段人工智能应用主要方向为降低安全隐患、降低劳动成本、实现生产效率提升,并逐步向实现专业领域复杂问题的智能化分析、智能决策方向发展。
在故障诊断和辅助决策方面,学术界和工程界已开展了基于新一代人工智能技术的研究和应用尝试。当前D5000系统的综合智能告警基本上是采用专家规则库的方式,对信号完整性、时序正确性要求较高;文献[9]提出基于机器学习的综合智能告警,可在信号遗失及时序错乱的情况下,模拟人工运行经验,对故障进行较为准确判断,提高综合智能告警准确性。文献[10]提出基于自然语言处理的故障处置辅助决策,基于自然语言处理、知识图谱的人工智能技术对电网事故预案文本进行信息抽取与构建,并与实际系统关联,实现处置要点信息的整合监视与辅助控制,辅助电网故障处置。
在减轻工作强度、提高工作效率方面,文献[11]提出的调控操作智能助手实现调控知识库构建(学)、智能感知(听、看)、智能交互(说)、智能决策(思)、智能语音服务、执行代理(行)等。从在福建试点情况看,语音识别、知识库、多轮对话(意图识别)可靠性基本上能满足调控操作的要求。存在的问题一是语料不够充分,目前机器学习的算法,必须要有大量的有效语料支撑;二是语音识别和意图识别准确度需要提高。
在电网运行智能分析方面,学术界和工程界已经开展了基于深度学习的在线安全评估[12]、深度增强学习在电力系统分析中的应用[13]、基于引导学习的配电网健康指数[14]、基于深度学习的负荷预测[15]等研究和初步实践。
总体来说,人工智能技术在电网调控领域应用已有初步成果,但应用还较零散,深度和广度都不足,对调控业务支撑的范围、程度还不够,亟需结合业务需求、技术成熟度,开展系统性研究和应用。
3.3应用挑战调控机构利用人工智能技术模拟人类思维,通过学习海量电网运行数据和运行经验,发现规律、形成知识并指导电网运行,是推动调度控制技术升级的有效途径。但在工程实践上,应用人工智能技术面临诸多困难和挑战。
长期以来,电力系统在理论分析、数学建模、仿真计算的基础上,辅以自动化监控和安全自动控制技术,形成了当前完整的特性认知、运行控制和故障防御体系。这套体系基于模型驱动,严格遵循电力系统物理规律进行建模,优点是：1）物理概念清晰;2）在模型准确、数据准确的情况下,可保证分析结果准确、可靠。不足之处为：1）由于存在一定的假设和简化,不可避免地易受模型误差影响引起的偏差;2）难以有效应对不确定性和随机性问题;3）不具备“记忆”功能,每次遇到问题时,基于机理模型的方法都需要进行一次完整的迭代推导才能得出结果。面临海量计算规模时(如暂态稳定分析),计算速度尚不满足要求。
不同于传统的模型驱动方法,人工智能通过海量数据输入和深度学习形成隐性知识,在大数据(包含噪声、杂乱数据)基础上通过训练和拟合形成自动化的决策模型,当新的情况发生、新数据输入的时候,系统可以利用前面建立的模型直接进行决策,优点为：1）基于数据驱动,通过发现数据间的联系得到结论,分析结果不受制于设备和系统无法准确建模的影响。2）在有效训练后,会将过去的经验以权重的方式存储在神经网络中,不断“进化”;针对新的输入,可瞬间快速提供决策结果。3）可更好处理不确定性和随机性问题,精度和算法鲁棒性较高。实际使用中的困难包括：1）需要大量样本,有些样本实际中无法对应,需要通过仿真等其他途径提供。2）模型训练时间较长。3）可解释性较差,内在逻辑和物理概念不够清晰,不易满足运行控制“万无一失”的高可靠性要求。
电网调控领域人工智能应用需要将人工智能技术与现有技术体系优势互补,探寻合适的应用场景和处理方法。当前,调控机构抓住泛在电力物联网建设的重要机遇,积极思考并开展许多有益尝试,将人工智能技术优势与电网调控业务需求深度融合,形成了调控领域人工智能应用方向的初步共识。
4电网调控领域人工智能应用技术框架4.1总体思路遵循“需求驱动、问题导向”原则,以服务“清洁低碳、安全高效”能源体系为目标,深入分析电网调控业务需求与人工智能技术的结合点,有效借鉴前期探索和实践经验,充分发挥调控数据资源优势,引入先进、适用的人工智能技术,引领调控领域智能化发展,支撑全社会清洁经济用能和大电网安全高效运行。
一是依托现有技术体系开展人工智能研究与应用。依托现有技术体系中仿真计算平台、调度自动化系统、调控云等技术装备的数据、算力和业务场景资源,夯实人工智能应用基础,探寻明确人工智能应用领域,运用人工智能的创新驱动力,推动现有技术体系升级。
二是充分吸收借鉴已有研究和实践成果。巩固调度运行智能助手、监控信号智能分析、人机智能交互等前期探索成果,以点带面、触类旁通,带动调控领域人工智能技术应用的深化与拓展。
三是利用人工智能技术助力调度自动化系统升级换代。抓住新一代调度自动化系统研发的历史机遇,运用调控云带来的大数据优势,紧扣负荷调度控制、新能源消纳、气象环境影响分析等新应用的研发需求,服务于在线精准分析、运行智能安排、市场自动出清等技术难题的攻关,大胆研发应用人工智能新技术,实现技术跨代创新。
4.2建设目标针对新形势下电网调控核心业务需求与挑战,把握人工智能技术应用发展机遇,以“人工智能引领调控领域技术发展”为目标,按照“近期结合现有系统资源重点布局优先发展项目、中远期全面打造深度融合人工智能技术的新一代调度自动化系统”两个阶段,实现“智能感知、智能分析、智能控制”3个特征,在“调度控制、计划交易、运行管理、特性认知、基础支撑”5个方面取得标志性成果,全面提升电网调控智能化水平。
智能感知：对外界输入产生的文字、语音、表情、动作等能够自主感应、有效理解,人与机器间可以产生交互与互动,机器设备越来越理解调度运行人员,实现与人的共同协作、优势互补。
智能分析：实现对人类经验的有效模拟,辅助调控专业人员开展各类分析决策工作,进行复杂多维度问题的全面分析、快速处理。
智能控制：实现对电网运行态势的全景感知、准确预测、超前预判、风险评估和协同控制,大幅提升电网调控运行效率和驾驭能力,全面实现大电网智慧型调度控制系统。
4.3体系架构4.3.1总体架构调控领域人工智能应用总体架构包括感知层、平台层、应用层3层结构,如图1。
感知层,借助泛在电力物联网建设成果,通过各类终端数据统一标准化接入,实现对电源(含储能)、电网、负荷、外部环境等各类信息的全景、广域采集和感知,并通过低时延、高可靠的信息通信网络,汇聚形成调控大数据。平台层,基础自动化提供平台和业务支撑,调控云提供模型数据支撑,在此基础上构建人工智能AI引擎,通过丰富的机器学习算法和模型库,支持从数据集选择、开发、训练到服务的全流程一站式管理。应用层,人工智能技术和传统技术优势互补,共同支撑电网调控各类运行、管理应用,提升电网运行控制、分析决策和调度管理水平,引领调控领域智能化发展。
基于三层的总体架构,依托泛在电力物联网奠定的信息全面感知的有利条件,利用调控云提供的数据资源优势,深度融合人工智能技术,发挥人工智能在数据驱动、人机融合、智能推理等方面的优势,可实现电网运行海量数据快速处理,提升对复杂大电网特性和规律的认知能力,提高电网运行控制的智能化水平,支撑新一代电力系统的调度控制。
图1调控领域人工智能应用总体架构Fig.1Overallarchitectureofartificialintelligenceapplicationsinthefieldofpowergriddispatchingandcontrol4.3.2技术架构调控领域人工智能应用技术架构包括基础资源层、数据管理层、计算训练层、支撑服务层和应用场景层,如图2。
图2调控领域人工智能应用技术架构Fig.2Technologyarchitectureofartificialintelligenceapplicationsinthefieldofpowergriddispatchingandcontrol基础资源层为整个系统提供基础资源支撑,主要由硬件资源、资源管理、公共服务3部分组成。所有基础资源通过平台统一进行安全管理。数据管理层通过数据预处理、数据样本管理,为系统提供全面、准确、高效的数据及样本,支持的数据类型包括模型、数据、音频、图像、文本等格式类型。AI引擎的核心模块为计算训练层,其中计算框架集成主流通用的机器学习与深度学习框架,据此开展数理统计、机器学习、深度学习、文本挖掘等计算。进行算法库管理并支持引入外部主流算法包及模型,开展计算任务调度与管理,以支持不同的人工智能应用的快速调用。支撑服务层为各个应用场景调用人工智能计算结果提供接口、服务与管理。在上述四层支撑下,应用场景层实现调控领域各类人工智能应用落地。
5电网调控领域人工智能应用展望根据总体思路和建设目标,拟在如下5个方面率先开展电网调控领域人工智能技术研究和应用。
5.1提高电网运行特性认知水平方面1）大电网仿真样本管理与生成。
面向在线和离线数据,构建海量仿真样本的系统性存储和高效访问机制;利用人工智能方法,自动实现仿真样本补充和样本分布改造,提升仿真样本库的均衡性、多样性和合理性,为进一步挖掘电网稳定规律提供数据基础。
2）方式计算智能辅助工具箱。
针对仿真分析工作中潮流调整环节需反复试探的问题,实现高收敛性的交流潮流自动调整;提出影响输电断面极限传输容量的关键敏感因素搜索方法;针对目前大量暂态稳定仿真曲线严重依赖人工判稳分析的问题,实现仿真曲线的自动分析,识别各种失稳形态。
5.2提高调度控制效率方面1）基于泛在感知的电网监控事件化技术。
研究基于泛在感知的电网监控事件化技术,实现电网监控运行规律智能分析、基于人工智能的电网监控事件识别和智能作业,实现监控业务处理由传统单点信号监视向综合事件监视的转变。
2）基于大数据的设备状态趋势感知。
构建统一的监控设备模型,将多源数据关联融合,利用大数据分析技术实现设备状态趋势评估,辅助识别设备故障及缺陷等造成的电网风险隐患,提前进行风险预防。
3）调度机器人助手。
研究电网调控事务性工作智能执行技术,实现基于语音的电力信息查询、搜索、功能调用,实现可定制报表、自动构图、典型业务电话自动应答等功能;研究计划性倒闸操作智能执行技术,实现计划性倒闸的一键式操作和智能安全校核;提出电网复杂故障诊断与辅助处置方法,实现交直流混联大电网系统级复杂故障告警及原因诊断,以及设备故障后的电网快速自动恢复。
4）电网稳态自适应巡航。
研究面向调控运行知识库的运行规则电子化方法,实现基于知识图谱的运行规则知识抽取,将离散知识形成可以支撑实际应用场景的调控知识体系,支撑调控运行业务场景的自动处置。研究考虑外部环境、负荷预测、清洁能源消纳、电网安全约束等因素的发输电计划与电压控制策略滚动校核与调整技术,实现电网运行风险的实时评估与预测、调度计划和控制策略的滚动调整和自动下发。
5.3提高计划交易自动化水平方面1）停电计划智能编排与电力交易辅助决策。
挖掘停电检修与负荷平衡、新能源消纳、电力交易、网络限额等各类因素的关联关系,为主网发输变电设备确定最佳停电窗口期;实现停电窗口期智能生成及停电组合优化,促进停电计划编制由人工经验向智能化转变。
提出考虑电网安全、输电费用、网络损耗等各类因素的电力交易路径成本评估方法,构建跨省区交易路径智能寻优模型,确定最佳交易路径。
2）电力市场运行数据分析。
研究电力现货市场运营情况与电网运行、调度计划、清洁能源消纳、输电通道阻塞情况的多维关联关系,基于对电力现货市场历史数据的挖掘,研究市场主体的报价策略、交易行为对电力市场运行的影响。研究电力现货市场运营风险类型识别与预判告警技术,建立电力现货市场运行风险防范机制和应急预案。研究电力现货市场交易输电通道阻塞度分析评估技术,优化交易路径,减少通道阻塞
情况。
5.4提高运行管理智能化方面1）新能源资源分析及预测。
基于海量资源数据和运行数据,研究数据清洗及挖掘技术,实现新能源资源和运行数据的有效利用;基于大数据挖掘结果,建立资源及出力特性分析模型,提取影响新能源资源及出力波动的关键特征。通过深度学习等智能算法,不断优化集中式新能源功率预测模型,提高功率预测精度,扩展预测期;通过人工智能聚类分析技术,实现分布式电源出力的精准估计和预测。
2）电力二次系统一体化运行智能管控。
研究二次系统统一建模技术,实现海量二次数据汇集处理;研究二次设备运行数据异常变化特征量,研究装置运行状态变化趋势预测,实现二次设备运行状态的准确评价及风险预警,提高二次系统整体运行管控水平。
3）通信调度的智能监视与运维。
基于提炼的通信监视和运维规则,通过对海量样本训练和语音互动,实现通信缺陷自动判断、缺陷自动派单和重要通道迂回路由自动优选,提升通信运维工作效率和专业管理水平。
5.5提高人工智能应用基础支撑能力方面1）基于泛在感知的电网运行数据预测、挖掘与分析关键技术研究。
依托调控云平台,构建标签化的电网调控大数据管理体系,通过分析天气、季节、节假日等数据对负荷预测、新能源功率预测的影响,提高预测精度,为电力电量平衡、电网稳定运行提供支撑,支撑发电侧(风电、光伏、火电、水电、煤炭、天然气)、输变电侧和负荷侧(天气、季节、节假日)各类数据融合与统一管理。
2）新一代调度自动化系统人工智能支撑技术。
开展面向调控领域的人工智能平台架构及其数据处理、通用算法框架和基础应用技术研究,构建以调控大数据为基础的标签化数据体系,提供符合电网调控业务需求的机器学习模型搭建与训练平台,研究语音、计算机视觉、自然语言处理等基础应用技术,实现数据统一、算力统筹、智能共享、安全可控的分布式AI生态环境,促进人工智能在电网调控领域应用。
6结语人工智能是电网调控技术进步的方向,将传统模型驱动的调控技术升级为模型和数据混合驱动,可极大提升调控技术支撑的效率和质量,更好地满足新形势下运行和管理需求,引领电网调控领域的智能化发展。本文分析了电网调度控制现状及面临的挑战、电网调控领域人工智能应用基础,将人工智能技术与调控技术支撑体系深度融合,开展电网调控领域人工智能应用技术框架研究,提出总体思路、建设目标,设计了系统体系架构,对电网调控领域人工智能应用进行展望,分析了应用发展方向,为后续相关研究、建设工作提供参考。
调控领域人工智能应用坚持需求驱动、目标导向、实用实效,将先进、适用的人工智能技术与业务迫切需求紧密结合。方向上从解放人力、提高效率开始,逐步开展辅助分析、智能决策,最终到全面应用于电网调控运行与管理。布局上通过试点先行、逐步推广,有序、稳健推进电网调控领域人工智能研发和应用。
参考文献[1]寇伟.“三型两网”知识读本[M].北京:中国电力出版社,2019.[2]李明节.大规模特高压交直流混联电网特性分析与运行控制[J].电网技术,2016,40(4):985-991.LiMingjie.Characteristicanalysisandoperationalcontroloflarge-scalehybridUHVAC/DCpowergrids[J].PowerSystemTechnology,2016,40(4):985-991(inChinese).[3]郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用,2019,55(12):20-36.ZhengYuanpan,LiGuangyang,LiYe.Surveyofapplicationofdeeplearninginimagerecognition[J].ComputerEngineeringandApplications,2019,55(12):20-36(inChinese).[4]侯一民,周慧琼,王政一.深度学习在语音识别中的研究进展综述[J].计算机应用研究,2017,34(8):2241-2246.HouYimin,ZhouHuiqiong,WangZhengyi.Overviewofspeechrecognitionbasedondeeplearning[J].ApplicationResearchofComputers,2017,34(8):2241-2246(inChinese).[5]许洪强.调控云架构及应用展望[J].电网技术,2017,41(10):3104-3111.XuHongqiang.Architectureofdispatchingandcontrolcouldanditsapplicationprospect[J].PowerSystemTechnology,2017,41(10):3104-3111(inChinese).[6]孔德钱,张新燕,童涛,等.基于差分进化算法与BP神经网络的变压器故障诊断[J].电测与仪表,2019:1-5.KongDeqian,ZhangXinyan,TongTao,etal.TransformerfaultdiagnosisbasedondifferentialevolutionalgorithmandBPneuralnetwork[J].ElectricalMeasurementandInstrumentation,2019:1-5(inChinese).[7]蔡富裕,郭文勇,赵闯,等.基于参数在线辨识的电流源型变流器状态监测及自适应控制[J].电力系统自动化,2019,43(18):67-74.CaiFuyu,GuoWenyong,ZhaoChuang,etal.Statemonitoringandadaptivecontrolofcurrentsourceconverterbasedononlineidentificationofparameters[J].AutomationofElectricPowerSystems,2019,43(18):67-74(inChinese).[8]杨胜春,汤必强,姚建国,等.基于态势感知的电网自动智能调度架构及关键技术[J].电网技术,2014,38(1):3635-3641.YangShengchun,TangBiqiang,YaoJianguo,etal.Architectureandkeytechnologiesforsituationalawarenessbasedautomaticintelligentdispatchingofpowergrid[J].PowerSystemTechnology,2014,38(1):3635-3641(inChinese).[9]闪鑫,戴则梅,张哲,等.智能电网调度控制系统综合智能告警研究及应用[J].电力系统自动化,2015,39(1):65-72.ShanXin,DaiZemei,ZhangZhe,etal.Researchonandapplicationofintegratedsmartalarmbasedonsmartgriddispatchingandcontrolsystems[J].AutomationofElectricPowerSystems,2015,39(1):65-72(inChinese).[10]闪鑫,陆晓,翟明玉,等.人工智能应用于电网调控的关键技术分析[J].电力系统自动化,2019,43(1):49-57.ShanXin,LuXiao,ZhaiMingyu,etal.Analysisofkeytechnologiesforartificialintelligenceappliedtopowergriddispatchandcontrol[J].AutomationofElectricPowerSystems,2019,43(1):49-57(inChinese).[11]陈郑平,米为民,林静怀,等.电网调控操作智能助手方案探讨[J].电力系统自动化,2019,43(33):173-178.ChenZhengping,MiWeimin,LinJinghuai,etal.Discussiononintelligenceassistantschemeofdispatchingandcontroloperationinpowergrid[J].AutomationofElectricPowerSystems,2019,43(33):173-178(inChinese).[12]汤奕,崔晗,李峰,等.人工智能在电力系统暂态问题中的应用综述[J].中国电机工程学报,2019,39(1):2-13.TangYi,CuiHan,LiFeng,etal.Reviewonartificialintelligenceinpowersystemtransientstabilityanalysis[J].ProceedingsoftheCSEE,2019,39(1):2-13(inChinese).[13]杜明秋,李妍,王标,等.电动汽车充电控制的深度增强学习优化方法[J].中国电机工程学报,2019,39(14):4042-4048.DuMingqiu,LiYan,WangBiao,etal.Deepreinforcementlearningoptimizationmethodforchargingcontrolofelectricvehicles[J].ProceedingsoftheCSEE,2019,39(14):4042-4048(inChinese).[14]马钊,周莉梅,袁海文,等.现代配电网健康指数理论及其应用研究[J].中国电机工程学报,2019,39(1):130-140.MaZhao,ZhouLimei,YuanHaiwen,etal.Healthindexmethodologyofmoderndistributionnetworkanditsapplication[J].ProceedingsoftheCSEE,2019,39(1):130-140(inChinese).[15]张宇帆,艾芊,林琳,等.基于深度长短时记忆网络的区域级超短期负荷预测方法[J].电网技术,2019,43(6):1884-1892.ZhangYufan,AiQian,LinLin,etal.Averyshort-termloadforecastingmethodbasedondeepLSTMRNNatzonelevel[J].PowerSystemTechnology,2019,43(6):1884-1892(inChinese).