国务院关于印发新一代人工智能发展规划的通知
国务院关于印发
新一代人工智能发展规划的通知国发〔2017〕35号
各省、自治区、直辖市人民政府，国务院各部委、各直属机构：
现将《新一代人工智能发展规划》印发给你们，请认真贯彻执行。
国务院
2017年7月8日
（此件公开发布）
新一代人工智能发展规划
人工智能的迅速发展将深刻改变人类社会生活、改变世界。为抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国，按照党中央、国务院部署要求，制定本规划。
一、战略态势
人工智能发展进入新阶段。经过60多年的演进，特别是在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术以及经济社会发展强烈需求的共同驱动下，人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统成为人工智能的发展重点，受脑科学研究成果启发的类脑智能蓄势待发，芯片化硬件化平台化趋势更加明显，人工智能发展进入新阶段。当前，新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。
人工智能成为国际竞争的新焦点。人工智能是引领未来的战略性技术，世界主要发达国家把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，加紧出台规划和政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。当前，我国国家安全和国际竞争形势更加复杂，必须放眼全球，把人工智能发展放在国家战略层面系统布局、主动谋划，牢牢把握人工智能发展新阶段国际竞争的战略主动，打造竞争新优势、开拓发展新空间，有效保障国家安全。
人工智能成为经济发展的新引擎。人工智能作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎，重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式，引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。我国经济发展进入新常态，深化供给侧结构性改革任务非常艰巨，必须加快人工智能深度应用，培育壮大人工智能产业，为我国经济发展注入新动能。
人工智能带来社会建设的新机遇。我国正处于全面建成小康社会的决胜阶段，人口老龄化、资源环境约束等挑战依然严峻，人工智能在教育、医疗、养老、环境保护、城市运行、司法服务等领域广泛应用，将极大提高公共服务精准化水平，全面提升人民生活品质。人工智能技术可准确感知、预测、预警基础设施和社会安全运行的重大态势，及时把握群体认知及心理变化，主动决策反应，将显著提高社会治理的能力和水平，对有效维护社会稳定具有不可替代的作用。
人工智能发展的不确定性带来新挑战。人工智能是影响面广的颠覆性技术，可能带来改变就业结构、冲击法律与社会伦理、侵犯个人隐私、挑战国际关系准则等问题，将对政府管理、经济安全和社会稳定乃至全球治理产生深远影响。在大力发展人工智能的同时，必须高度重视可能带来的安全风险挑战，加强前瞻预防与约束引导，最大限度降低风险，确保人工智能安全、可靠、可控发展。
我国发展人工智能具有良好基础。国家部署了智能制造等国家重点研发计划重点专项，印发实施了“互联网+”人工智能三年行动实施方案，从科技研发、应用推广和产业发展等方面提出了一系列措施。经过多年的持续积累，我国在人工智能领域取得重要进展，国际科技论文发表量和发明专利授权量已居世界第二，部分领域核心关键技术实现重要突破。语音识别、视觉识别技术世界领先，自适应自主学习、直觉感知、综合推理、混合智能和群体智能等初步具备跨越发展的能力，中文信息处理、智能监控、生物特征识别、工业机器人、服务机器人、无人驾驶逐步进入实际应用，人工智能创新创业日益活跃，一批龙头骨干企业加速成长，在国际上获得广泛关注和认可。加速积累的技术能力与海量的数据资源、巨大的应用需求、开放的市场环境有机结合，形成了我国人工智能发展的独特优势。
同时，也要清醒地看到，我国人工智能整体发展水平与发达国家相比仍存在差距，缺少重大原创成果，在基础理论、核心算法以及关键设备、高端芯片、重大产品与系统、基础材料、元器件、软件与接口等方面差距较大；科研机构和企业尚未形成具有国际影响力的生态圈和产业链，缺乏系统的超前研发布局；人工智能尖端人才远远不能满足需求；适应人工智能发展的基础设施、政策法规、标准体系亟待完善。
面对新形势新需求，必须主动求变应变，牢牢把握人工智能发展的重大历史机遇，紧扣发展、研判大势、主动谋划、把握方向、抢占先机，引领世界人工智能发展新潮流，服务经济社会发展和支撑国家安全，带动国家竞争力整体跃升和跨越式发展。
二、总体要求
（一）指导思想。
全面贯彻党的十八大和十八届三中、四中、五中、六中全会精神，深入学习贯彻习近平总书记系列重要讲话精神和治国理政新理念新思想新战略，按照“五位一体”总体布局和“四个全面”战略布局，认真落实党中央、国务院决策部署，深入实施创新驱动发展战略，以加快人工智能与经济、社会、国防深度融合为主线，以提升新一代人工智能科技创新能力为主攻方向，发展智能经济，建设智能社会，维护国家安全，构筑知识群、技术群、产业群互动融合和人才、制度、文化相互支撑的生态系统，前瞻应对风险挑战，推动以人类可持续发展为中心的智能化，全面提升社会生产力、综合国力和国家竞争力，为加快建设创新型国家和世界科技强国、实现“两个一百年”奋斗目标和中华民族伟大复兴中国梦提供强大支撑。
（二）基本原则。
科技引领。把握世界人工智能发展趋势，突出研发部署前瞻性，在重点前沿领域探索布局、长期支持，力争在理论、方法、工具、系统等方面取得变革性、颠覆性突破，全面增强人工智能原始创新能力，加速构筑先发优势，实现高端引领发展。
系统布局。根据基础研究、技术研发、产业发展和行业应用的不同特点，制定有针对性的系统发展策略。充分发挥社会主义制度集中力量办大事的优势，推进项目、基地、人才统筹布局，已部署的重大项目与新任务有机衔接，当前急需与长远发展梯次接续，创新能力建设、体制机制改革和政策环境营造协同发力。
市场主导。遵循市场规律，坚持应用导向，突出企业在技术路线选择和行业产品标准制定中的主体作用，加快人工智能科技成果商业化应用，形成竞争优势。把握好政府和市场分工，更好发挥政府在规划引导、政策支持、安全防范、市场监管、环境营造、伦理法规制定等方面的重要作用。
开源开放。倡导开源共享理念，促进产学研用各创新主体共创共享。遵循经济建设和国防建设协调发展规律，促进军民科技成果双向转化应用、军民创新资源共建共享，形成全要素、多领域、高效益的军民深度融合发展新格局。积极参与人工智能全球研发和治理，在全球范围内优化配置创新资源。
（三）战略目标。
分三步走：
第一步，到2020年人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，人工智能技术应用成为改善民生的新途径，有力支撑进入创新型国家行列和实现全面建成小康社会的奋斗目标。
——新一代人工智能理论和技术取得重要进展。大数据智能、跨媒体智能、群体智能、混合增强智能、自主智能系统等基础理论和核心技术实现重要进展，人工智能模型方法、核心器件、高端设备和基础软件等方面取得标志性成果。
——人工智能产业竞争力进入国际第一方阵。初步建成人工智能技术标准、服务体系和产业生态链，培育若干全球领先的人工智能骨干企业，人工智能核心产业规模超过1500亿元，带动相关产业规模超过1万亿元。
——人工智能发展环境进一步优化，在重点领域全面展开创新应用，聚集起一批高水平的人才队伍和创新团队，部分领域的人工智能伦理规范和政策法规初步建立。
第二步，到2025年人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为带动我国产业升级和经济转型的主要动力，智能社会建设取得积极进展。
——新一代人工智能理论与技术体系初步建立，具有自主学习能力的人工智能取得突破，在多领域取得引领性研究成果。
——人工智能产业进入全球价值链高端。新一代人工智能在智能制造、智能医疗、智慧城市、智能农业、国防建设等领域得到广泛应用，人工智能核心产业规模超过4000亿元，带动相关产业规模超过5万亿元。
——初步建立人工智能法律法规、伦理规范和政策体系，形成人工智能安全评估和管控能力。
第三步，到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效，为跻身创新型国家前列和经济强国奠定重要基础。
——形成较为成熟的新一代人工智能理论与技术体系。在类脑智能、自主智能、混合智能和群体智能等领域取得重大突破，在国际人工智能研究领域具有重要影响，占据人工智能科技制高点。
——人工智能产业竞争力达到国际领先水平。人工智能在生产生活、社会治理、国防建设各方面应用的广度深度极大拓展，形成涵盖核心技术、关键系统、支撑平台和智能应用的完备产业链和高端产业群，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。
——形成一批全球领先的人工智能科技创新和人才培养基地，建成更加完善的人工智能法律法规、伦理规范和政策体系。
（四）总体部署。
发展人工智能是一项事关全局的复杂系统工程，要按照“构建一个体系、把握双重属性、坚持三位一体、强化四大支撑”进行布局，形成人工智能健康持续发展的战略路径。
构建开放协同的人工智能科技创新体系。针对原创性理论基础薄弱、重大产品和系统缺失等重点难点问题，建立新一代人工智能基础理论和关键共性技术体系，布局建设重大科技创新基地，壮大人工智能高端人才队伍，促进创新主体协同互动，形成人工智能持续创新能力。
把握人工智能技术属性和社会属性高度融合的特征。既要加大人工智能研发和应用力度，最大程度发挥人工智能潜力；又要预判人工智能的挑战，协调产业政策、创新政策与社会政策，实现激励发展与合理规制的协调，最大限度防范风险。
坚持人工智能研发攻关、产品应用和产业培育“三位一体”推进。适应人工智能发展特点和趋势，强化创新链和产业链深度融合、技术供给和市场需求互动演进，以技术突破推动领域应用和产业升级，以应用示范推动技术和系统优化。在当前大规模推动技术应用和产业发展的同时，加强面向中长期的研发布局和攻关，实现滚动发展和持续提升，确保理论上走在前面、技术上占领制高点、应用上安全可控。
全面支撑科技、经济、社会发展和国家安全。以人工智能技术突破带动国家创新能力全面提升，引领建设世界科技强国进程；通过壮大智能产业、培育智能经济，为我国未来十几年乃至几十年经济繁荣创造一个新的增长周期；以建设智能社会促进民生福祉改善，落实以人民为中心的发展思想；以人工智能提升国防实力，保障和维护国家安全。
三、重点任务
立足国家发展全局，准确把握全球人工智能发展态势，找准突破口和主攻方向，全面增强科技创新基础能力，全面拓展重点领域应用深度广度，全面提升经济社会发展和国防应用智能化水平。
（一）构建开放协同的人工智能科技创新体系。
围绕增加人工智能创新的源头供给，从前沿基础理论、关键共性技术、基础平台、人才队伍等方面强化部署，促进开源共享，系统提升持续创新能力，确保我国人工智能科技水平跻身世界前列，为世界人工智能发展作出更多贡献。
1.建立新一代人工智能基础理论体系。
聚焦人工智能重大科学前沿问题，兼顾当前需求与长远发展，以突破人工智能应用基础理论瓶颈为重点，超前布局可能引发人工智能范式变革的基础研究，促进学科交叉融合，为人工智能持续发展与深度应用提供强大科学储备。
突破应用基础理论瓶颈。瞄准应用目标明确、有望引领人工智能技术升级的基础理论方向，加强大数据智能、跨媒体感知计算、人机混合智能、群体智能、自主协同与决策等基础理论研究。大数据智能理论重点突破无监督学习、综合深度推理等难点问题，建立数据驱动、以自然语言理解为核心的认知计算模型，形成从大数据到知识、从知识到决策的能力。跨媒体感知计算理论重点突破低成本低能耗智能感知、复杂场景主动感知、自然环境听觉与言语感知、多媒体自主学习等理论方法，实现超人感知和高动态、高维度、多模式分布式大场景感知。混合增强智能理论重点突破人机协同共融的情境理解与决策学习、直觉推理与因果模型、记忆与知识演化等理论，实现学习与思考接近或超过人类智能水平的混合增强智能。群体智能理论重点突破群体智能的组织、涌现、学习的理论与方法，建立可表达、可计算的群智激励算法和模型，形成基于互联网的群体智能理论体系。自主协同控制与优化决策理论重点突破面向自主无人系统的协同感知与交互、自主协同控制与优化决策、知识驱动的人机物三元协同与互操作等理论，形成自主智能无人系统创新性理论体系架构。
布局前沿基础理论研究。针对可能引发人工智能范式变革的方向，前瞻布局高级机器学习、类脑智能计算、量子智能计算等跨领域基础理论研究。高级机器学习理论重点突破自适应学习、自主学习等理论方法，实现具备高可解释性、强泛化能力的人工智能。类脑智能计算理论重点突破类脑的信息编码、处理、记忆、学习与推理理论，形成类脑复杂系统及类脑控制等理论与方法，建立大规模类脑智能计算的新模型和脑启发的认知计算模型。量子智能计算理论重点突破量子加速的机器学习方法，建立高性能计算与量子算法混合模型，形成高效精确自主的量子人工智能系统架构。
开展跨学科探索性研究。推动人工智能与神经科学、认知科学、量子科学、心理学、数学、经济学、社会学等相关基础学科的交叉融合，加强引领人工智能算法、模型发展的数学基础理论研究，重视人工智能法律伦理的基础理论问题研究，支持原创性强、非共识的探索性研究，鼓励科学家自由探索，勇于攻克人工智能前沿科学难题，提出更多原创理论，作出更多原创发现。
专栏1基础理论
1.大数据智能理论。研究数据驱动与知识引导相结合的人工智能新方法、以自然语言理解和图像图形为核心的认知计算理论和方法、综合深度推理与创意人工智能理论与方法、非完全信息下智能决策基础理论与框架、数据驱动的通用人工智能数学模型与理论等。
2.跨媒体感知计算理论。研究超越人类视觉能力的感知获取、面向真实世界的主动视觉感知及计算、自然声学场景的听知觉感知及计算、自然交互环境的言语感知及计算、面向异步序列的类人感知及计算、面向媒体智能感知的自主学习、城市全维度智能感知推理引擎。
3.混合增强智能理论。研究“人在回路”的混合增强智能、人机智能共生的行为增强与脑机协同、机器直觉推理与因果模型、联想记忆模型与知识演化方法、复杂数据和任务的混合增强智能学习方法、云机器人协同计算方法、真实世界环境下的情境理解及人机群组协同。
4.群体智能理论。研究群体智能结构理论与组织方法、群体智能激励机制与涌现机理、群体智能学习理论与方法、群体智能通用计算范式与模型。
5.自主协同控制与优化决策理论。研究面向自主无人系统的协同感知与交互，面向自主无人系统的协同控制与优化决策，知识驱动的人机物三元协同与互操作等理论。
6.高级机器学习理论。研究统计学习基础理论、不确定性推理与决策、分布式学习与交互、隐私保护学习、小样本学习、深度强化学习、无监督学习、半监督学习、主动学习等学习理论和高效模型。
7.类脑智能计算理论。研究类脑感知、类脑学习、类脑记忆机制与计算融合、类脑复杂系统、类脑控制等理论与方法。
8.量子智能计算理论。探索脑认知的量子模式与内在机制，研究高效的量子智能模型和算法、高性能高比特的量子人工智能处理器、可与外界环境交互信息的实时量子人工智能系统等。
2.建立新一代人工智能关键共性技术体系。
围绕提升我国人工智能国际竞争力的迫切需求，新一代人工智能关键共性技术的研发部署要以算法为核心，以数据和硬件为基础，以提升感知识别、知识计算、认知推理、运动执行、人机交互能力为重点，形成开放兼容、稳定成熟的技术体系。
知识计算引擎与知识服务技术。重点突破知识加工、深度搜索和可视交互核心技术，实现对知识持续增量的自动获取，具备概念识别、实体发现、属性预测、知识演化建模和关系挖掘能力，形成涵盖数十亿实体规模的多源、多学科和多数据类型的跨媒体知识图谱。
跨媒体分析推理技术。重点突破跨媒体统一表征、关联理解与知识挖掘、知识图谱构建与学习、知识演化与推理、智能描述与生成等技术，实现跨媒体知识表征、分析、挖掘、推理、演化和利用，构建分析推理引擎。
群体智能关键技术。重点突破基于互联网的大众化协同、大规模协作的知识资源管理与开放式共享等技术，建立群智知识表示框架，实现基于群智感知的知识获取和开放动态环境下的群智融合与增强，支撑覆盖全国的千万级规模群体感知、协同与演化。
混合增强智能新架构与新技术。重点突破人机协同的感知与执行一体化模型、智能计算前移的新型传感器件、通用混合计算架构等核心技术，构建自主适应环境的混合增强智能系统、人机群组混合增强智能系统及支撑环境。
自主无人系统的智能技术。重点突破自主无人系统计算架构、复杂动态场景感知与理解、实时精准定位、面向复杂环境的适应性智能导航等共性技术，无人机自主控制以及汽车、船舶和轨道交通自动驾驶等智能技术，服务机器人、特种机器人等核心技术，支撑无人系统应用和产业发展。
虚拟现实智能建模技术。重点突破虚拟对象智能行为建模技术，提升虚拟现实中智能对象行为的社会性、多样性和交互逼真性，实现虚拟现实、增强现实等技术与人工智能的有机结合和高效互动。
智能计算芯片与系统。重点突破高能效、可重构类脑计算芯片和具有计算成像功能的类脑视觉传感器技术，研发具有自主学习能力的高效能类脑神经网络架构和硬件系统，实现具有多媒体感知信息理解和智能增长、常识推理能力的类脑智能系统。
自然语言处理技术。重点突破自然语言的语法逻辑、字符概念表征和深度语义分析的核心技术，推进人类与机器的有效沟通和自由交互，实现多风格多语言多领域的自然语言智能理解和自动生成。
专栏2关键共性技术
1.知识计算引擎与知识服务技术。研究知识计算和可视交互引擎，研究创新设计、数字创意和以可视媒体为核心的商业智能等知识服务技术，开展大规模生物数据的知识发现。
2.跨媒体分析推理技术。研究跨媒体统一表征、关联理解与知识挖掘、知识图谱构建与学习、知识演化与推理、智能描述与生成等技术，开发跨媒体分析推理引擎与验证系统。
3.群体智能关键技术。开展群体智能的主动感知与发现、知识获取与生成、协同与共享、评估与演化、人机整合与增强、自我维持与安全交互等关键技术研究，构建群智空间的服务体系结构，研究移动群体智能的协同决策与控制技术。
4.混合增强智能新架构和新技术。研究混合增强智能核心技术、认知计算框架，新型混合计算架构，人机共驾、在线智能学习技术，平行管理与控制的混合增强智能框架。
5.自主无人系统的智能技术。研究无人机自主控制和汽车、船舶、轨道交通自动驾驶等智能技术，服务机器人、空间机器人、海洋机器人、极地机器人技术，无人车间/智能工厂智能技术，高端智能控制技术和自主无人操作系统。研究复杂环境下基于计算机视觉的定位、导航、识别等机器人及机械手臂自主控制技术。
6.虚拟现实智能建模技术。研究虚拟对象智能行为的数学表达与建模方法，虚拟对象与虚拟环境和用户之间进行自然、持续、深入交互等问题，智能对象建模的技术与方法体系。
7.智能计算芯片与系统。研发神经网络处理器以及高能效、可重构类脑计算芯片等，新型感知芯片与系统、智能计算体系结构与系统，人工智能操作系统。研究适合人工智能的混合计算架构等。
8.自然语言处理技术。研究短文本的计算与分析技术，跨语言文本挖掘技术和面向机器认知智能的语义理解技术，多媒体信息理解的人机对话系统。
3.统筹布局人工智能创新平台。
建设布局人工智能创新平台，强化对人工智能研发应用的基础支撑。人工智能开源软硬件基础平台重点建设支持知识推理、概率统计、深度学习等人工智能范式的统一计算框架平台，形成促进人工智能软件、硬件和智能云之间相互协同的生态链。群体智能服务平台重点建设基于互联网大规模协作的知识资源管理与开放式共享工具，形成面向产学研用创新环节的群智众创平台和服务环境。混合增强智能支撑平台重点建设支持大规模训练的异构实时计算引擎和新型计算集群，为复杂智能计算提供服务化、系统化平台和解决方案。自主无人系统支撑平台重点建设面向自主无人系统复杂环境下环境感知、自主协同控制、智能决策等人工智能共性核心技术的支撑系统，形成开放式、模块化、可重构的自主无人系统开发与试验环境。人工智能基础数据与安全检测平台重点建设面向人工智能的公共数据资源库、标准测试数据集、云服务平台等，形成人工智能算法与平台安全性测试评估的方法、技术、规范和工具集。促进各类通用软件和技术平台的开源开放。各类平台要按照军民深度融合的要求和相关规定，推进军民共享共用。
专栏3基础支撑平台
1.人工智能开源软硬件基础平台。建立大数据人工智能开源软件基础平台、终端与云端协同的人工智能云服务平台、新型多元智能传感器件与集成平台、基于人工智能硬件的新产品设计平台、未来网络中的大数据智能化服务平台等。
2.群体智能服务平台。建立群智众创计算支撑平台、科技众创服务系统、群智软件开发与验证自动化系统、群智软件学习与创新系统、开放环境的群智决策系统、群智共享经济服务系统。
3.混合增强智能支撑平台。建立人工智能超级计算中心、大规模超级智能计算支撑环境、在线智能教育平台、“人在回路”驾驶脑、产业发展复杂性分析与风险评估的智能平台、支撑核电安全运营的智能保障平台、人机共驾技术研发与测试平台等。
4.自主无人系统支撑平台。建立自主无人系统共性核心技术支撑平台，无人机自主控制以及汽车、船舶和轨道交通自动驾驶支撑平台，服务机器人、空间机器人、海洋机器人、极地机器人支撑平台，智能工厂与智能控制装备技术支撑平台等。
5.人工智能基础数据与安全检测平台。建设面向人工智能的公共数据资源库、标准测试数据集、云服务平台，建立人工智能算法与平台安全性测试模型及评估模型，研发人工智能算法与平台安全性测评工具集。
4.加快培养聚集人工智能高端人才。
把高端人才队伍建设作为人工智能发展的重中之重，坚持培养和引进相结合，完善人工智能教育体系，加强人才储备和梯队建设，特别是加快引进全球顶尖人才和青年人才，形成我国人工智能人才高地。
培育高水平人工智能创新人才和团队。支持和培养具有发展潜力的人工智能领军人才，加强人工智能基础研究、应用研究、运行维护等方面专业技术人才培养。重视复合型人才培养，重点培养贯通人工智能理论、方法、技术、产品与应用等的纵向复合型人才，以及掌握“人工智能+”经济、社会、管理、标准、法律等的横向复合型人才。通过重大研发任务和基地平台建设，汇聚人工智能高端人才，在若干人工智能重点领域形成一批高水平创新团队。鼓励和引导国内创新人才、团队加强与全球顶尖人工智能研究机构合作互动。
加大高端人工智能人才引进力度。开辟专门渠道，实行特殊政策，实现人工智能高端人才精准引进。重点引进神经认知、机器学习、自动驾驶、智能机器人等国际顶尖科学家和高水平创新团队。鼓励采取项目合作、技术咨询等方式柔性引进人工智能人才。统筹利用“千人计划”等现有人才计划，加强人工智能领域优秀人才特别是优秀青年人才引进工作。完善企业人力资本成本核算相关政策，激励企业、科研机构引进人工智能人才。
建设人工智能学科。完善人工智能领域学科布局，设立人工智能专业，推动人工智能领域一级学科建设，尽快在试点院校建立人工智能学院，增加人工智能相关学科方向的博士、硕士招生名额。鼓励高校在原有基础上拓宽人工智能专业教育内容，形成“人工智能+X”复合专业培养新模式，重视人工智能与数学、计算机科学、物理学、生物学、心理学、社会学、法学等学科专业教育的交叉融合。加强产学研合作，鼓励高校、科研院所与企业等机构合作开展人工智能学科建设。
（二）培育高端高效的智能经济。
加快培育具有重大引领带动作用的人工智能产业，促进人工智能与各产业领域深度融合，形成数据驱动、人机协同、跨界融合、共创分享的智能经济形态。数据和知识成为经济增长的第一要素，人机协同成为主流生产和服务方式，跨界融合成为重要经济模式，共创分享成为经济生态基本特征，个性化需求与定制成为消费新潮流，生产率大幅提升，引领产业向价值链高端迈进，有力支撑实体经济发展，全面提升经济发展质量和效益。
1.大力发展人工智能新兴产业。
加快人工智能关键技术转化应用，促进技术集成与商业模式创新，推动重点领域智能产品创新，积极培育人工智能新兴业态，布局产业链高端，打造具有国际竞争力的人工智能产业集群。
智能软硬件。开发面向人工智能的操作系统、数据库、中间件、开发工具等关键基础软件，突破图形处理器等核心硬件，研究图像识别、语音识别、机器翻译、智能交互、知识处理、控制决策等智能系统解决方案，培育壮大面向人工智能应用的基础软硬件产业。
智能机器人。攻克智能机器人核心零部件、专用传感器，完善智能机器人硬件接口标准、软件接口协议标准以及安全使用标准。研制智能工业机器人、智能服务机器人，实现大规模应用并进入国际市场。研制和推广空间机器人、海洋机器人、极地机器人等特种智能机器人。建立智能机器人标准体系和安全规则。
智能运载工具。发展自动驾驶汽车和轨道交通系统，加强车载感知、自动驾驶、车联网、物联网等技术集成和配套，开发交通智能感知系统，形成我国自主的自动驾驶平台技术体系和产品总成能力，探索自动驾驶汽车共享模式。发展消费类和商用类无人机、无人船，建立试验鉴定、测试、竞技等专业化服务体系，完善空域、水域管理措施。
虚拟现实与增强现实。突破高性能软件建模、内容拍摄生成、增强现实与人机交互、集成环境与工具等关键技术，研制虚拟显示器件、光学器件、高性能真三维显示器、开发引擎等产品，建立虚拟现实与增强现实的技术、产品、服务标准和评价体系，推动重点行业融合应用。
智能终端。加快智能终端核心技术和产品研发，发展新一代智能手机、车载智能终端等移动智能终端产品和设备，鼓励开发智能手表、智能耳机、智能眼镜等可穿戴终端产品，拓展产品形态和应用服务。
物联网基础器件。发展支撑新一代物联网的高灵敏度、高可靠性智能传感器件和芯片，攻克射频识别、近距离机器通信等物联网核心技术和低功耗处理器等关键器件。
2.加快推进产业智能化升级。
推动人工智能与各行业融合创新，在制造、农业、物流、金融、商务、家居等重点行业和领域开展人工智能应用试点示范，推动人工智能规模化应用，全面提升产业发展智能化水平。
智能制造。围绕制造强国重大需求，推进智能制造关键技术装备、核心支撑软件、工业互联网等系统集成应用，研发智能产品及智能互联产品、智能制造使能工具与系统、智能制造云服务平台，推广流程智能制造、离散智能制造、网络化协同制造、远程诊断与运维服务等新型制造模式，建立智能制造标准体系，推进制造全生命周期活动智能化。
智能农业。研制农业智能传感与控制系统、智能化农业装备、农机田间作业自主系统等。建立完善天空地一体化的智能农业信息遥感监测网络。建立典型农业大数据智能决策分析系统，开展智能农场、智能化植物工厂、智能牧场、智能渔场、智能果园、农产品加工智能车间、农产品绿色智能供应链等集成应用示范。
智能物流。加强智能化装卸搬运、分拣包装、加工配送等智能物流装备研发和推广应用，建设深度感知智能仓储系统，提升仓储运营管理水平和效率。完善智能物流公共信息平台和指挥系统、产品质量认证及追溯系统、智能配货调度体系等。
智能金融。建立金融大数据系统，提升金融多媒体数据处理与理解能力。创新智能金融产品和服务，发展金融新业态。鼓励金融行业应用智能客服、智能监控等技术和装备。建立金融风险智能预警与防控系统。
智能商务。鼓励跨媒体分析与推理、知识计算引擎与知识服务等新技术在商务领域应用，推广基于人工智能的新型商务服务与决策系统。建设涵盖地理位置、网络媒体和城市基础数据等跨媒体大数据平台，支撑企业开展智能商务。鼓励围绕个人需求、企业管理提供定制化商务智能决策服务。
智能家居。加强人工智能技术与家居建筑系统的融合应用，提升建筑设备及家居产品的智能化水平。研发适应不同应用场景的家庭互联互通协议、接口标准，提升家电、耐用品等家居产品感知和联通能力。支持智能家居企业创新服务模式，提供互联共享解决方案。
3.大力发展智能企业。
大规模推动企业智能化升级。支持和引导企业在设计、生产、管理、物流和营销等核心业务环节应用人工智能新技术，构建新型企业组织结构和运营方式，形成制造与服务、金融智能化融合的业态模式，发展个性化定制，扩大智能产品供给。鼓励大型互联网企业建设云制造平台和服务平台，面向制造企业在线提供关键工业软件和模型库，开展制造能力外包服务，推动中小企业智能化发展。
推广应用智能工厂。加强智能工厂关键技术和体系方法的应用示范，重点推广生产线重构与动态智能调度、生产装备智能物联与云化数据采集、多维人机物协同与互操作等技术，鼓励和引导企业建设工厂大数据系统、网络化分布式生产设施等，实现生产设备网络化、生产数据可视化、生产过程透明化、生产现场无人化，提升工厂运营管理智能化水平。
加快培育人工智能产业领军企业。在无人机、语音识别、图像识别等优势领域加快打造人工智能全球领军企业和品牌。在智能机器人、智能汽车、可穿戴设备、虚拟现实等新兴领域加快培育一批龙头企业。支持人工智能企业加强专利布局，牵头或参与国际标准制定。推动国内优势企业、行业组织、科研机构、高校等联合组建中国人工智能产业技术创新联盟。支持龙头骨干企业构建开源硬件工厂、开源软件平台，形成集聚各类资源的创新生态，促进人工智能中小微企业发展和各领域应用。支持各类机构和平台面向人工智能企业提供专业化服务。
4.打造人工智能创新高地。
结合各地区基础和优势，按人工智能应用领域分门别类进行相关产业布局。鼓励地方围绕人工智能产业链和创新链，集聚高端要素、高端企业、高端人才，打造人工智能产业集群和创新高地。
开展人工智能创新应用试点示范。在人工智能基础较好、发展潜力较大的地区，组织开展国家人工智能创新试验，探索体制机制、政策法规、人才培育等方面的重大改革，推动人工智能成果转化、重大产品集成创新和示范应用，形成可复制、可推广的经验，引领带动智能经济和智能社会发展。
建设国家人工智能产业园。依托国家自主创新示范区和国家高新技术产业开发区等创新载体，加强科技、人才、金融、政策等要素的优化配置和组合，加快培育建设人工智能产业创新集群。
建设国家人工智能众创基地。依托从事人工智能研究的高校、科研院所集中地区，搭建人工智能领域专业化创新平台等新型创业服务机构，建设一批低成本、便利化、全要素、开放式的人工智能众创空间，完善孵化服务体系，推进人工智能科技成果转移转化，支持人工智能创新创业。
（三）建设安全便捷的智能社会。
围绕提高人民生活水平和质量的目标，加快人工智能深度应用，形成无时不有、无处不在的智能化环境，全社会的智能化水平大幅提升。越来越多的简单性、重复性、危险性任务由人工智能完成，个体创造力得到极大发挥，形成更多高质量和高舒适度的就业岗位；精准化智能服务更加丰富多样，人们能够最大限度享受高质量服务和便捷生活；社会治理智能化水平大幅提升，社会运行更加安全高效。
1.发展便捷高效的智能服务。
围绕教育、医疗、养老等迫切民生需求，加快人工智能创新应用，为公众提供个性化、多元化、高品质服务。
智能教育。利用智能技术加快推动人才培养模式、教学方法改革，构建包含智能学习、交互式学习的新型教育体系。开展智能校园建设，推动人工智能在教学、管理、资源建设等全流程应用。开发立体综合教学场、基于大数据智能的在线学习教育平台。开发智能教育助理，建立智能、快速、全面的教育分析系统。建立以学习者为中心的教育环境，提供精准推送的教育服务，实现日常教育和终身教育定制化。
智能医疗。推广应用人工智能治疗新模式新手段，建立快速精准的智能医疗体系。探索智慧医院建设，开发人机协同的手术机器人、智能诊疗助手，研发柔性可穿戴、生物兼容的生理监测系统，研发人机协同临床智能诊疗方案，实现智能影像识别、病理分型和智能多学科会诊。基于人工智能开展大规模基因组识别、蛋白组学、代谢组学等研究和新药研发，推进医药监管智能化。加强流行病智能监测和防控。
智能健康和养老。加强群体智能健康管理，突破健康大数据分析、物联网等关键技术，研发健康管理可穿戴设备和家庭智能健康检测监测设备，推动健康管理实现从点状监测向连续监测、从短流程管理向长流程管理转变。建设智能养老社区和机构，构建安全便捷的智能化养老基础设施体系。加强老年人产品智能化和智能产品适老化，开发视听辅助设备、物理辅助设备等智能家居养老设备，拓展老年人活动空间。开发面向老年人的移动社交和服务平台、情感陪护助手，提升老年人生活质量。
2.推进社会治理智能化。
围绕行政管理、司法管理、城市管理、环境保护等社会治理的热点难点问题，促进人工智能技术应用，推动社会治理现代化。
智能政务。开发适于政府服务与决策的人工智能平台，研制面向开放环境的决策引擎，在复杂社会问题研判、政策评估、风险预警、应急处置等重大战略决策方面推广应用。加强政务信息资源整合和公共需求精准预测，畅通政府与公众的交互渠道。
智慧法庭。建设集审判、人员、数据应用、司法公开和动态监控于一体的智慧法庭数据平台，促进人工智能在证据收集、案例分析、法律文件阅读与分析中的应用，实现法院审判体系和审判能力智能化。
智慧城市。构建城市智能化基础设施，发展智能建筑，推动地下管廊等市政基础设施智能化改造升级；建设城市大数据平台，构建多元异构数据融合的城市运行管理体系，实现对城市基础设施和城市绿地、湿地等重要生态要素的全面感知以及对城市复杂系统运行的深度认知；研发构建社区公共服务信息系统，促进社区服务系统与居民智能家庭系统协同；推进城市规划、建设、管理、运营全生命周期智能化。
智能交通。研究建立营运车辆自动驾驶与车路协同的技术体系。研发复杂场景下的多维交通信息综合大数据应用平台，实现智能化交通疏导和综合运行协调指挥，建成覆盖地面、轨道、低空和海上的智能交通监控、管理和服务系统。
智能环保。建立涵盖大气、水、土壤等环境领域的智能监控大数据平台体系，建成陆海统筹、天地一体、上下协同、信息共享的智能环境监测网络和服务平台。研发资源能源消耗、环境污染物排放智能预测模型方法和预警方案。加强京津冀、长江经济带等国家重大战略区域环境保护和突发环境事件智能防控体系建设。
3.利用人工智能提升公共安全保障能力。
促进人工智能在公共安全领域的深度应用，推动构建公共安全智能化监测预警与控制体系。围绕社会综合治理、新型犯罪侦查、反恐等迫切需求，研发集成多种探测传感技术、视频图像信息分析识别技术、生物特征识别技术的智能安防与警用产品，建立智能化监测平台。加强对重点公共区域安防设备的智能化改造升级，支持有条件的社区或城市开展基于人工智能的公共安防区域示范。强化人工智能对食品安全的保障，围绕食品分类、预警等级、食品安全隐患及评估等，建立智能化食品安全预警系统。加强人工智能对自然灾害的有效监测，围绕地震灾害、地质灾害、气象灾害、水旱灾害和海洋灾害等重大自然灾害，构建智能化监测预警与综合应对平台。
4.促进社会交往共享互信。
充分发挥人工智能技术在增强社会互动、促进可信交流中的作用。加强下一代社交网络研发，加快增强现实、虚拟现实等技术推广应用，促进虚拟环境和实体环境协同融合，满足个人感知、分析、判断与决策等实时信息需求，实现在工作、学习、生活、娱乐等不同场景下的流畅切换。针对改善人际沟通障碍的需求，开发具有情感交互功能、能准确理解人的需求的智能助理产品，实现情感交流和需求满足的良性循环。促进区块链技术与人工智能的融合，建立新型社会信用体系，最大限度降低人际交往成本和风险。
（四）加强人工智能领域军民融合。
深入贯彻落实军民融合发展战略，推动形成全要素、多领域、高效益的人工智能军民融合格局。以军民共享共用为导向部署新一代人工智能基础理论和关键共性技术研发，建立科研院所、高校、企业和军工单位的常态化沟通协调机制。促进人工智能技术军民双向转化，强化新一代人工智能技术对指挥决策、军事推演、国防装备等的有力支撑，引导国防领域人工智能科技成果向民用领域转化应用。鼓励优势民口科研力量参与国防领域人工智能重大科技创新任务，推动各类人工智能技术快速嵌入国防创新领域。加强军民人工智能技术通用标准体系建设，推进科技创新平台基地的统筹布局和开放共享。
（五）构建泛在安全高效的智能化基础设施体系。
大力推动智能化信息基础设施建设，提升传统基础设施的智能化水平，形成适应智能经济、智能社会和国防建设需要的基础设施体系。加快推动以信息传输为核心的数字化、网络化信息基础设施，向集融合感知、传输、存储、计算、处理于一体的智能化信息基础设施转变。优化升级网络基础设施，研发布局第五代移动通信（5G）系统，完善物联网基础设施，加快天地一体化信息网络建设，提高低时延、高通量的传输能力。统筹利用大数据基础设施，强化数据安全与隐私保护，为人工智能研发和广泛应用提供海量数据支撑。建设高效能计算基础设施，提升超级计算中心对人工智能应用的服务支撑能力。建设分布式高效能源互联网，形成支撑多能源协调互补、及时有效接入的新型能源网络，推广智能储能设施、智能用电设施，实现能源供需信息的实时匹配和智能化响应。
专栏4智能化基础设施
1.网络基础设施。加快布局实时协同人工智能的5G增强技术研发及应用，建设面向空间协同人工智能的高精度导航定位网络，加强智能感知物联网核心技术攻关和关键设施建设，发展支撑智能化的工业互联网、面向无人驾驶的车联网等，研究智能化网络安全架构。加快建设天地一体化信息网络，推进天基信息网、未来互联网、移动通信网的全面融合。
2.大数据基础设施。依托国家数据共享交换平台、数据开放平台等公共基础设施，建设政府治理、公共服务、产业发展、技术研发等领域大数据基础信息数据库，支撑开展国家治理大数据应用。整合社会各类数据平台和数据中心资源，形成覆盖全国、布局合理、链接畅通的一体化服务能力。
3.高效能计算基础设施。继续加强超级计算基础设施、分布式计算基础设施和云计算中心建设，构建可持续发展的高性能计算应用生态环境。推进下一代超级计算机研发应用。
（六）前瞻布局新一代人工智能重大科技项目。
针对我国人工智能发展的迫切需求和薄弱环节，设立新一代人工智能重大科技项目。加强整体统筹，明确任务边界和研发重点，形成以新一代人工智能重大科技项目为核心、现有研发布局为支撑的“1+N”人工智能项目群。
“1”是指新一代人工智能重大科技项目，聚焦基础理论和关键共性技术的前瞻布局，包括研究大数据智能、跨媒体感知计算、混合增强智能、群体智能、自主协同控制与决策等理论，研究知识计算引擎与知识服务技术、跨媒体分析推理技术、群体智能关键技术、混合增强智能新架构与新技术、自主无人控制技术等，开源共享人工智能基础理论和共性技术。持续开展人工智能发展的预测和研判，加强人工智能对经济社会综合影响及对策研究。
“N”是指国家相关规划计划中部署的人工智能研发项目，重点是加强与新一代人工智能重大科技项目的衔接，协同推进人工智能的理论研究、技术突破和产品研发应用。加强与国家科技重大专项的衔接，在“核高基”（核心电子器件、高端通用芯片、基础软件）、集成电路装备等国家科技重大专项中支持人工智能软硬件发展。加强与其他“科技创新2030—重大项目”的相互支撑，加快脑科学与类脑计算、量子信息与量子计算、智能制造与机器人、大数据等研究，为人工智能重大技术突破提供支撑。国家重点研发计划继续推进高性能计算等重点专项实施，加大对人工智能相关技术研发和应用的支持；国家自然科学基金加强对人工智能前沿领域交叉学科研究和自由探索的支持。在深海空间站、健康保障等重大项目，以及智慧城市、智能农机装备等国家重点研发计划重点专项部署中，加强人工智能技术的应用示范。其他各类科技计划支持的人工智能相关基础理论和共性技术研究成果应开放共享。
创新新一代人工智能重大科技项目组织实施模式，坚持集中力量办大事、重点突破的原则，充分发挥市场机制作用，调动部门、地方、企业和社会各方面力量共同推进实施。明确管理责任，定期开展评估，加强动态调整，提高管理效率。
四、资源配置
充分利用已有资金、基地等存量资源，统筹配置国际国内创新资源，发挥好财政投入、政策激励的引导作用和市场配置资源的主导作用，撬动企业、社会加大投入，形成财政资金、金融资本、社会资本多方支持的新格局。
（一）建立财政引导、市场主导的资金支持机制。
统筹政府和市场多渠道资金投入，加大财政资金支持力度，盘活现有资源，对人工智能基础前沿研究、关键共性技术攻关、成果转移转化、基地平台建设、创新应用示范等提供支持。利用现有政府投资基金支持符合条件的人工智能项目，鼓励龙头骨干企业、产业创新联盟牵头成立市场化的人工智能发展基金。利用天使投资、风险投资、创业投资基金及资本市场融资等多种渠道，引导社会资本支持人工智能发展。积极运用政府和社会资本合作等模式，引导社会资本参与人工智能重大项目实施和科技成果转化应用。
（二）优化布局建设人工智能创新基地。
按照国家级科技创新基地布局和框架，统筹推进人工智能领域建设若干国际领先的创新基地。引导现有与人工智能相关的国家重点实验室、企业国家重点实验室、国家工程实验室等基地，聚焦新一代人工智能的前沿方向开展研究。按规定程序，以企业为主体、产学研合作组建人工智能领域的相关技术和产业创新基地，发挥龙头骨干企业技术创新示范带动作用。发展人工智能领域的专业化众创空间，促进最新技术成果和资源、服务的精准对接。充分发挥各类创新基地聚集人才、资金等创新资源的作用，突破人工智能基础前沿理论和关键共性技术，开展应用示范。
（三）统筹国际国内创新资源。
支持国内人工智能企业与国际人工智能领先高校、科研院所、团队合作。鼓励国内人工智能企业“走出去”，为有实力的人工智能企业开展海外并购、股权投资、创业投资和建立海外研发中心等提供便利和服务。鼓励国外人工智能企业、科研机构在华设立研发中心。依托“一带一路”战略，推动建设人工智能国际科技合作基地、联合研究中心等，加快人工智能技术在“一带一路”沿线国家推广应用。推动成立人工智能国际组织，共同制定相关国际标准。支持相关行业协会、联盟及服务机构搭建面向人工智能企业的全球化服务平台。
五、保障措施
围绕推动我国人工智能健康快速发展的现实要求，妥善应对人工智能可能带来的挑战，形成适应人工智能发展的制度安排，构建开放包容的国际化环境，夯实人工智能发展的社会基础。
（一）制定促进人工智能发展的法律法规和伦理规范。
加强人工智能相关法律、伦理和社会问题研究，建立保障人工智能健康发展的法律法规和伦理道德框架。开展与人工智能应用相关的民事与刑事责任确认、隐私和产权保护、信息安全利用等法律问题研究，建立追溯和问责制度，明确人工智能法律主体以及相关权利、义务和责任等。重点围绕自动驾驶、服务机器人等应用基础较好的细分领域，加快研究制定相关安全管理法规，为新技术的快速应用奠定法律基础。开展人工智能行为科学和伦理等问题研究，建立伦理道德多层次判断结构及人机协作的伦理框架。制定人工智能产品研发设计人员的道德规范和行为守则，加强对人工智能潜在危害与收益的评估，构建人工智能复杂场景下突发事件的解决方案。积极参与人工智能全球治理，加强机器人异化和安全监管等人工智能重大国际共性问题研究，深化在人工智能法律法规、国际规则等方面的国际合作，共同应对全球性挑战。
（二）完善支持人工智能发展的重点政策。
落实对人工智能中小企业和初创企业的财税优惠政策，通过高新技术企业税收优惠和研发费用加计扣除等政策支持人工智能企业发展。完善落实数据开放与保护相关政策，开展公共数据开放利用改革试点，支持公众和企业充分挖掘公共数据的商业价值，促进人工智能应用创新。研究完善适应人工智能的教育、医疗、保险、社会救助等政策体系，有效应对人工智能带来的社会问题。
（三）建立人工智能技术标准和知识产权体系。
加强人工智能标准框架体系研究。坚持安全性、可用性、互操作性、可追溯性原则，逐步建立并完善人工智能基础共性、互联互通、行业应用、网络安全、隐私保护等技术标准。加快推动无人驾驶、服务机器人等细分应用领域的行业协会和联盟制定相关标准。鼓励人工智能企业参与或主导制定国际标准，以技术标准“走出去”带动人工智能产品和服务在海外推广应用。加强人工智能领域的知识产权保护，健全人工智能领域技术创新、专利保护与标准化互动支撑机制，促进人工智能创新成果的知识产权化。建立人工智能公共专利池，促进人工智能新技术的利用与扩散。
（四）建立人工智能安全监管和评估体系。
加强人工智能对国家安全和保密领域影响的研究与评估，完善人、技、物、管配套的安全防护体系，构建人工智能安全监测预警机制。加强对人工智能技术发展的预测、研判和跟踪研究，坚持问题导向，准确把握技术和产业发展趋势。增强风险意识，重视风险评估和防控，强化前瞻预防和约束引导，近期重点关注对就业的影响，远期重点考虑对社会伦理的影响，确保把人工智能发展规制在安全可控范围内。建立健全公开透明的人工智能监管体系，实行设计问责和应用监督并重的双层监管结构，实现对人工智能算法设计、产品开发和成果应用等的全流程监管。促进人工智能行业和企业自律，切实加强管理，加大对数据滥用、侵犯个人隐私、违背道德伦理等行为的惩戒力度。加强人工智能网络安全技术研发，强化人工智能产品和系统网络安全防护。构建动态的人工智能研发应用评估评价机制，围绕人工智能设计、产品和系统的复杂性、风险性、不确定性、可解释性、潜在经济影响等问题，开发系统性的测试方法和指标体系，建设跨领域的人工智能测试平台，推动人工智能安全认证，评估人工智能产品和系统的关键性能。
（五）大力加强人工智能劳动力培训。
加快研究人工智能带来的就业结构、就业方式转变以及新型职业和工作岗位的技能需求，建立适应智能经济和智能社会需要的终身学习和就业培训体系，支持高等院校、职业学校和社会化培训机构等开展人工智能技能培训，大幅提升就业人员专业技能，满足我国人工智能发展带来的高技能高质量就业岗位需要。鼓励企业和各类机构为员工提供人工智能技能培训。加强职工再就业培训和指导，确保从事简单重复性工作的劳动力和因人工智能失业的人员顺利转岗。
（六）广泛开展人工智能科普活动。
支持开展形式多样的人工智能科普活动，鼓励广大科技工作者投身人工智能的科普与推广，全面提高全社会对人工智能的整体认知和应用水平。实施全民智能教育项目，在中小学阶段设置人工智能相关课程，逐步推广编程教育，鼓励社会力量参与寓教于乐的编程教学软件、游戏的开发和推广。建设和完善人工智能科普基础设施，充分发挥各类人工智能创新基地平台等的科普作用，鼓励人工智能企业、科研机构搭建开源平台，面向公众开放人工智能研发平台、生产设施或展馆等。支持开展人工智能竞赛，鼓励进行形式多样的人工智能科普创作。鼓励科学家参与人工智能科普。
六、组织实施
新一代人工智能发展规划是关系全局和长远的前瞻谋划。必须加强组织领导，健全机制，瞄准目标，紧盯任务，以钉钉子的精神切实抓好落实，一张蓝图干到底。
（一）组织领导。
按照党中央、国务院统一部署，由国家科技体制改革和创新体系建设领导小组牵头统筹协调，审议重大任务、重大政策、重大问题和重点工作安排，推动人工智能相关法律法规建设，指导、协调和督促有关部门做好规划任务的部署实施。依托国家科技计划（专项、基金等）管理部际联席会议，科技部会同有关部门负责推进新一代人工智能重大科技项目实施，加强与其他计划任务的衔接协调。成立人工智能规划推进办公室，办公室设在科技部，具体负责推进规划实施。成立人工智能战略咨询委员会，研究人工智能前瞻性、战略性重大问题，对人工智能重大决策提供咨询评估。推进人工智能智库建设，支持各类智库开展人工智能重大问题研究，为人工智能发展提供强大智力支持。
（二）保障落实。
加强规划任务分解，明确责任单位和进度安排，制定年度和阶段性实施计划。建立年度评估、中期评估等规划实施情况的监测评估机制。适应人工智能快速发展的特点，根据任务进展情况、阶段目标完成情况、技术发展新动向等，加强对规划和项目的动态调整。
（三）试点示范。
对人工智能重大任务和重点政策措施，要制定具体方案，开展试点示范。加强对各部门、各地方试点示范的统筹指导，及时总结推广可复制的经验和做法。通过试点先行、示范引领，推进人工智能健康有序发展。
（四）舆论引导。
充分利用各种传统媒体和新兴媒体，及时宣传人工智能新进展、新成效，让人工智能健康发展成为全社会共识，调动全社会参与支持人工智能发展的积极性。及时做好舆论引导，更好应对人工智能发展可能带来的社会、伦理和法律等挑战。
人工智能技术在电网调控中的应用研究
0引言随着大数据和计算机硬件技术的发展,以深度学习为代表的人工智能(artificialintelligence,AI)技术迎来了第三次浪潮。2016年,“人工智能”一词已被写入中国“十三五”规划纲要,明确人工智能作为国家新一代信息技术的主要方向。2017年我国出台了《新一代人工智能发展规划》,有力推动了人工智能技术研发和产业化发展。2019年1月,国家电网提出了“三型两网、世界一流”的战略目标,充分应用移动互联、人工智能等现代信息技术和先进通信技术,实现电力系统各个环节万物互联以及人机交互,从而打造出具有状态全面感知、信息高效处理、应用便捷灵活等全面功能的泛在电力物联网。
电力系统是一个复杂多维非线性系统。电力系统的安全、自愈、绿色、坚强、可靠运行依赖于电力系统的“大脑”——电网调控系统。该系统集电网数据采集、存储和分析决策控制于一体,贯穿于电力的发-输-配-用各个环节,是确保电网安全、稳定、经济运行的中枢。现有的电网调度技术支持系统在大电网侧的应用较为成熟,量测点以及数据质量相较于配用电侧较为完善。然而,目前大电网调控业务仍以设备监视与人工分析为主,决策、执行等环节仍需要调控人员参与主导,更多依赖调控人员经验分析,这显然无法满足调度智能化要求。随着电网运行调度方式日趋复杂,传统的基于机理分析与电网模型的调控方法,在处理大电网非线性、非连续性以及预测不确定性问题时,很难达到预期效果。伴随深度学习等人工智能技术的飞速发展,基于数据驱动方式的人工智能技术在解决上述问题方面具有潜在的“去模型化”技术优势。基于先进人工智能技术训练的辅助调度智能体(Agent)具有潜在的强模式识别能力与快速决策能力,可有效辅助电网调控部门对当前运行模式进行快速分析和决策。随着分布式计算以及大数据分析技术的发展,利用人工智能技术解决大电网调控中的难题已成为可能。
电力领域专家学者一直关注人工智能技术在电力系统中的应用。上世纪我国就开展了专家系统在电力系统故障诊断[1]以及电网运行控制[2-3]等方面的研究,尝试利用专家经验来解决上述领域所存在的复杂非线性问题。随后,人工神经网络(artificialneuralnetwork,ANN)初步应用于电力系统负荷预测[4]及故障诊断[5]等方面。遗传算法、粒子群算法等进化算法则用于求解电力系统非线性优化问题[6]。近年来,专家学者采用深度学习、强化学习和迁移学习用于电网紧急控制[7]、自动电压控制[8]和自动发电控制[9]等方面的研究,初步提出了知识分析与数据挖掘相融合的机器学习范式,并探索了人机协同混合增强智能的实现机理[10-11]。文献[12-13]结合电力系统及综合能源系统对人工智能的需求,对人工智能在电力系统及综合能源系统中应用进行了分析和展望。文献[14]提出了基于人工智能的调控系统设计思路和总体框架,并对人工智能技术在电网调控中关键技术进行了阐述。文献[15]探讨了电力脑的研究背景、概念及主要特征,提出电力脑认知计算结构并探讨了其在配电网健康诊断和调度决策等场景下的实际应用方案。
综上,虽然利用人工智能技术解决电力系统调控领域的难题已有进展,但是深度学习及深度强化学习技术在网络架构、样本输入及输出方面有一定的限制,其在电力系统各方面领域的应用仍处于一种初级的探索阶段且颇具挑战性。因此,如何将人工智能领域新技术与电网调控特定领域的技术需求进行有效对接,进而在电力系统特定研究领域有效发挥先进人工智能的模式识别及合理决策能力,已成为人工智能应用研究的热点与难点问题。本文分析总结了人工智能技术的发展,重点介绍了引领新一代人工智能发展的深度学习技术,然后聚焦大电网调控领域,论述了其对人工智能技术的需求。在此基础上,分析了人工智能技术在电网故障辨识、负荷预测、电网智能辅助决策和人机交互的典型的电网调控应用场景,并通过深度学习在电网故障辨识中的应用算例,对人工智能技术在电网调控领域如何具体实际的应用进行了探索。最后对人工智能在电网调控中应用进行了总结和展望。通过分析可见,当前电力系统行业应对人工智能先进技术持谨慎乐观态度,并坚持逐步探索其在电力系统不同领域场景中的有效应用。
1人工智能技术1.1人工智能技术历史发展脉络人工智能是研究用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。1956年约翰·麦卡锡等在达特茅斯会议上首次提出“人工智能”一词,标志着人工智能学科的诞生。人工智能技术发展经历了专家知识系统[16]、BP(backpropagation)神经网络[17]、进化计算[18]、机器学习等逐步演变推进的过程。2016年,以深度学习为代表的人工智能迎来了第3次发展机遇,谷歌公司DeepMind研发的AlphaGo在围棋人机大战中击败韩国棋手李世石,展现了强大的感知与决策能力,激起了人们对新一代人工智能的重新思考和关注。以机器学习为代表的新一代人工智能技术是否能在各行各业尤其是电力系统领域广泛深入地应用,也值得大家期待。
1.2机器学习机器学习是目前人工智能的主要流派,分为传统机器学习、深度学习、强化学习和深度强化学习等几个技术方向。
1.2.1传统机器学习传统机器学习根据学习样本是否含标签信息,可以分为监督学习、半监督学习和无监督学习,其中监督学习算法主要解决回归和分类两大问题,比如线性回归、逻辑回归、贝叶斯分类、决策树、K近邻算法、支持向量机(supportvectormachine,SVM)[19]、ANN等。无监督学习算法是根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题,典型代表为K-Means聚类,可将一个未标记的数据集按特定算法聚类成不同的组。半监督学习算法是监督学习与无监督学习相结合的一种混合学习方法。该算法同时使用大量的未标记数据以及标记数据,来进行模式识别工作,典型的算法包括TransductiveSVM[20]、Co-training[21]等。
相较后文提到的基于海量样本训练的深度学习而言,传统的机器学习在具体的应用场景,尤其在小数据集环境下,在模型的难易程度和准确性方面仍然有独特的技术优势。
1.2.2高级机器学习1）深度学习。
目前,深度学习(deeplearning)已成为大多数AI类型问题的首选技术,在语音识别、图像识别、自然语言处理领域获得了极大的成功。深度学习本质而言是经典全连接神经网络理论的延伸。深度学习完全依赖于大数据驱动,其架构设计成功关键在于海量级的训练数据和深度网络的架构理念。
典型的深度学习网络包括卷积神经网络(convolutionneuralnetwork,CNN)[22]、深度信念网络(deepbeliefnets,DBN)[23]、循环神经网络(recurrentneuralnetwork,RNN)[24]等,这些不同的深度网络适合应用于不同的场景。以CNN为例,其网络结构如图1所示。CNN属于空间上的深度神经网络,常被用于图像识别、语音识别等各种场合,尤其是在图像识别方面,大部分的深度学习网络都是以CNN为基础,其核心内容为神经网络的网络结构以及学习方法。CNN结构中存在多个卷积层和池化层,并采用了“局部连接”和“权值共享”的方式,大大减少了网络参数的数量,有效解决了传统全连接神经网络参数多、训练难的问题。深度神经网络的学习是以损失函数最小值为目标,从训练数据中获取各层所对应的最优权重参数的过程,此过程称为最优化。优化方法包括随机梯度下降法(stochasticgradientdescent)、动量法(momentum)、AdaGrad及Adam等。CNN网络输出一般采用ReLU激活函数,且在训练过程中会采取抑制过拟合方法如dropout、batchnormalization等。依托于ImageNet这样百万量级并带有标注的数据,CNN在图形识别方面相较于以往图像识别方法具有压倒性的优势。
图1卷积神经网络架构Fig.1ArchitectureofCNN迄今为止,针对它已经提出了多种网络结构,其中代表性的有两种结构,一是在1998年被提出的CNN元祖LeNet[25],二是2012年被提出且在深度学习领域受到重要关注的AlexNet[26]。
此外,CNN是以二维平面作为输入,其相对经典ANN的特有技术优势是对“二维平面图片”进行分类辨识。即在将CNN应用于电网调控领域时,所面向的调控问题必须具有“平面化”特征。换言之,基于CNN的深度学习应用于电网调控的一个关键问题就是如何将电网运行状态进行“平面图形化”的转化与表达,这也是CNN在电网调控领域应用的关键性技术约束。
深度学习依赖于海量数据训练,网络训练时间耗时较多,这对硬件的计算能力提出了更高的要求。训练模型准确率和泛化能力与网络结构以及学习算法也有直接关系,未来的人工智能发展更依赖于模型算法的改进和提升。
2）经典强化学习。
强化学习是机器学习的一个重要分支,用于解决策略优化问题。策略优化问题是指面对特定的状态(state),Agent选择采取何种动作(action)将其作用于环境,才能获得最大的收益(reward)。事实上AlphaGoZero的核心算法就是强化学习。强化学习可赋予Agent不断学习摸索合理决策的能力,使其在没有人类棋谱的情况下,也能有效探索出超越人类棋力的战略战术。
Q-learning算法是强化学习中应用广泛的一种算法,基本模型如图2所示。其核心策略是探索-利用,即“ε-greedy”策略。设置ε,在“1-ε”的范围内探索,也就是当智能体不了解采取动作后结果好坏时,随机选择动作,记录结果的回报。在“ε”的范围内,根据记录结果的反馈,选择可带来高奖励值的动作。待形成一定策略后,便逐渐减少探索,而形成稳定的最终决策。
图2Q-learning基本模型Fig.2BasicmodelofQ-learning强化学习用来解决“环境-决策”问题具有明显优势。然而其在电网调控领域中应用却存在挑战性。以无功电压调控为例,大电网实际运行过程中,其运行状态会跟随负荷变化而时序变化。这也意味着无功电压调控不可能“一步到位”,而是应该随电网状态变化而不断改变调控措施。此外,变电站的调控资源有限。若变电站耗尽无功调节资源(如变压器分接头调至上限),则其调控措施与上调或下调皆有富余能力时完全不同。因此电网很多调控问题属于状态与动作高度耦合、且需要随时间推移根据电网复杂运行状态来针对性调整动作的强化学习问题,具有较强复杂性。在此过程中,复杂电网运行方式描述及复杂动作设计都可能导致智能体的Q表出现“维数灾”问题并失效。
3）深度强化学习。
深度强化学习网络(deepQnetwork,DQN)是Google的DeepMind团队提出的一种深度网络。该网络结合了深度学习以及强化学习各自的优点。DQN可以采用二维图片形式对电网运行状态进行感知,并给出相应决策。相比经典强化学习中基于有限维度Q表的Agent,基于DQN训练的Agent理论上具有更强的感知电网复杂运行态势的能力。该智能体在复杂不确定的环境中不断探索,形成最优策略并实现既定目标。这又与电网运行状态时序变化这一特征完全相符。简言之,在DQN中深度学习的作用相当于智能体的“眼睛”,而强化学习则相当于智能体的“大脑”,将二者巧妙地结合起来便形成了深度强化学习Agent架构。因此,深度强化学习的核心技术依然是强化学习。在强化学习的基础上引入深度学习技术,将赋予Agent有效感知复杂系统运行状态的能力,从而根本上解决在经典强化学习过程中出现的“维数灾”问题。
在网络架构设计层面,DQN除采取深度学习与强化学习结合的技术途径外,还利用了经验回放训练DQN网络。这就使得Agent在学习时不局限于当前一段时间,削弱了数据的关联性。DQN中的目标网络(targetnet)固定步数更新,如此即可有效解决DQN的网络参数更新问题。
以上分析可见,相较于深度学习,DQN的技术约束条件更多。基于CNN与强化学习的DQN,除了要求网络输入具有二维图片特征外,更进一步要求动作集有限性(目前高维度动作集设计技术仍在探索阶段)。综合来看,深度强化学习目前在电力系统中应用较少。主要存在以下3个问题：第一,深度强化学习以平面二维图片为输入,如何将电网运行状态进行平面图形化表达。第二,深度强化学习以少量关键动作为输出,有何种类型电网调控符合少量关键动作特点。第三,深度强化学习网络收敛对网络架构设计要求较高,如何设计一个适用于电网调控的DQN架构。总体而言,虽然深度强化学习是深度学习及强化学习两个先进人工智能技术的集大成者,其在电网调控中应用仍需谨慎论证。
2电网调控对人工智能技术的需求分析随着人工智能技术的不断发展,调度业务智能化已经成为电网调度运行控制的发展趋势,而调控数据来源于不同的系统,如能量管理系统、生产管理系统、地理信息系统等,系统中的海量数据如实时数据、结构化、半结构化和非结构化数据等,则为人工智能技术在电网调控中应用提供了数据驱动的基础。
为充分发挥AI技术优势以支撑电网调控业务的发展,需要将AI技术特点及优势与电网调控业务的需求相结合。人工智能技术以数据驱动为特征,擅长解决一些特定、复杂的规则化或模式识别(去模型化)问题,比如：1）具有明确规则且耗费大量人力的工作;2）目前基于模型机理分析并不能很好解决的调控任务。换言之,只有针对上述问题,人工智能才可能真正发挥其技术优势。目前,人工智能技术在互联网领域应用发展比较广泛,其应用的场景和方案也主要围绕着图像识别、语音识别和自然语言理解来开展。基于百度公司的AI开放平台,南方电网佛山供电局采用深度学习技术,通过在线监测设备以一定时间间隔进行拍照,利用识别大型机车等外部安全隐患的图像技术,及时排查输电线路外部隐患并达到实时监控的目的,从而实现了输电运检模式从自动化向智能化的转变[27]。上述案例就其本质而言,属于图像识别的范畴。
电网调控业务涉及监视、分析及决策等不同的典型业务场景,各业务场景具有不同的功能特点,且拥有不同数量等级的数据。人工智能技术在涉及安全控制的电网调控业务场景方面具有一定的局限性,主要是基于人工智能技术训练得到的模型在进行前向推理的过程中,受制于其模型的泛化能力,其训练数据的准确性并不能保证完全正确,而对于深度神经网络,精度为99%以上已经算是非常优秀的性能,但这对于可靠性要求非常高的电力系统来说,将采用人工智能得出的结果直接用于电网运行控制中,有可能导致电网巨大的安全隐患和经济损失。但人工智能技术在绝大多数应用环境下具有远超人类生物机能限制的快速及准确性优势,因此可作为调度辅助决策工具。一般而言,电网调控中预测类、图像识别、故障辨识等相关业务具有应用人工智能技术的潜力,但是在模型和算法的选择方面需要充分考虑所应用业务的特有技术特点以及数据规模。对于具有小样本特征且无法离线生成海量模拟数据的调控业务,不宜采用深度学习来解决,易导致训练模型过拟合和泛化能力不强的问题,可考虑传统人工智能技术或仍保留人工经验决策方式。
以上分析可见,虽然电网调控对于人工智能技术存在巨大的技术需求,但目前人工智能处在一个基于海量数据驱动的“感知智能”阶段,属于“弱人工智能”。从时间尺度上来看,电网调控对于人工智能的需求的发展需要经历如下两个阶段：
第一阶段：将在互联网领域中应用成熟的感知智能技术直接平移到电网调控系统中,如图像识别、人脸识别、语音识别、合成等,实现电气设备损伤探测、变电站监控视频及图像智能分析、调度人员权限管理以及语音调阅界面等功能。
第二阶段：在充分掌握深度学习及强化学习的技术优点和局限基础上,采用特定的技术方法,将先进人工智能技术与电网调控领域的感知与决策需求有效结合。将人工智能技术集成于电网调度控制系统中部分子模块中,构建集态势感知、自主学习推理能力的辅助调度决策机器人以提升电网智能化调控水平,从而在一定程度上实现电网调控由人工经验向智能调度方向过渡。
3人工智能在电网调控的应用场景设计及分析本节结合当前人工智能技术的发展,依托于各类AI技术的特点和适用环境,基于电网调控业务本身特点,从涉及输电网层面的故障辨识、负荷预测、电网智能辅助决策和人机交互几个方面,分析探讨人工智能在电网调控应用的典型场景,其对于未来配电网侧的相关应用有借鉴意义。
3.1电网故障辨识电网故障诊断主要是对各级各类保护装置产生的报警信息、断路器的状态变化信息以及电压电流等电气量测量的特征进行分析判断可能的故障位置和故障类型,为系统故障恢复提供依据。目前,受人类信息接受能力、分析能力与决策能力的生理限制,为避免系统向更加恶化的方向发展,调度员往往只能有选择地关注少数断面潮流和电网中较为关键的机组和负荷以快速将电网调控回安全运行区间。随着电网规模扩大和大量量测装置接入,当电力系统发生故障时,SCADA(supervisorycontrolanddataacquisition)会把大量的警报信息在短时间内传送至调度中心,海量故障数据往往使得调度人员对电网整体运行态势的感知能力弱化,导致故障处理能力不足。
从20世纪80年代开始,国内外学者就深入研究了人工智能技术在电网故障诊断方面的应用,主要包括专家系统方法[28]、Petri网络[29-30],贝叶斯网络[31],优化方法(optimizationmethods,OM)[32],因果网络(causeeffectnetworks,CE-Nets)[33]、传统ANN方法[34]等。其中,ANN由于其不依赖专家知识,泛化能力强得到了广泛的应用[35]。但是,在实际应用中ANN仍然存在着一些问题：
1）“维数灾”。传统的ANN是一个全连接的网络,这使得针对大型电力系统开发的ANN规模过大,不易构建[36-37]。
2）输入数据敏感。ANN输入基于SCADA提供的警报记录及线路潮流信息,然而在保护系统断电时继电器和断路器可能会误动作,因此这些信息往往不完整或不准确。当继电器和断路器非正常工作时,ANN判断故障区域十分困难[38]。
3）无法感知平面空间特征。ANN数据输入为单纯的一维列向量,不具备对平面二维空间图片中各元素位置及形状的感知能力。
近些年来,电网故障诊断采用多种人工智能方法结合的方式。文献[39]提出了基于改进动态自适应模糊Petri网与BP算法的电网故障诊断方法,推理简单且具有较好的容错性。以上介绍的方法各有优缺点[12]。在实际工程应用中的效果并不理想。
在电网故障诊断领域,如果不是从物理模型角度分析,而是关注于故障前后电网潮流的时序变化,则电网故障诊断可以看作是一个基于“潮流指纹”的经典模式识别问题[40]。由于故障后电网有功潮流分布相较于无功潮流分布存在明显的时空变化特征,而CNN具有远超传统ANN的平面图形感知能力,因此,电网故障诊断方法可尝试采用基于卷积神经网络的深度学习方法来提取电网状态特征并进行故障的判断,此技术思路的核心就是将电网运行状态进行二维图形化表达,也即转换为具有电气特征的“计算机视觉图片”。本文将在下面的算例中进行验证分析。
3.2负荷预测电力系统负荷预测一直是国内外学者关注的热点。电力负荷时序曲线本身具有一定的不确定性、非线性和随机性等特点,加之影响电力系统负荷预测的因素众多,难以用确定统一的数学模型来表示。电力系统负荷预测是以统计历史数据为依据,用科学的方法预测未来电力负荷的发展趋势和变化,而基于海量数据驱动的人工智能技术在解决此类非线性问题具有技术潜力。
现有的传统预测方法主要包括线性外推技术、时间序列方法、卡尔曼滤波方法、机器学习方法等,上述方法各自具有优缺点[41]。早期传统机器学习算法采用ANN[42]、支持向量回归(supportvectorregression,SVR)[43]以及决策树[44]模型等方法可以达到一定的预测精度,但由于气象信息不完备,负荷预测较少考虑气象因素的影响。文献[45]分析了母线负荷与气象因素的相关特性,构建了基于数值天气预报和负荷分类的母线负荷预测模型,采用BP神经网络算法进行预测。随着深度学习在各种领域的广泛应用,学者尝试利用深度学习模型解决负荷预测问题。文献[46]提出了一种基于改进深度信念网络的短期负荷预测方法,有效提升了模型的建模能力和预测精度。上述的算法涉及的网络模型缺少对时序数据时间相关性的考虑,作为一种循环神经网络(recurrentneuralnetworks,RNNs)的长短期记忆(longshort-termmemory,LSTM)网络被应用到负荷预测领域[47]。文献[48]提出一种基于CNN-LSTM网络混合模型的短期负荷预测方法,利用CNN处理多源数据提取有效特征形成特征向量作为LSTM网络的输入进行时序数据预测分析,并与传统短期负荷预测方法进行了比较。
实际工程应用中,基于人工智能技术的预测方法相较于统计分析方法在目前来讲优势并不明显,主要表现在以下几个方面：首先是网络架构问题。神经网络模型的参数较多,结构相对复杂,训练速度慢;其次是训练数据规模与机器学习模型匹配问题。深度学习模型在训练数据较少情况下,容易出现过拟合并导致模型的泛化能力较弱。对于一定深度的网络,当训练数据较多时,容易出现欠拟合并影响预测模型的输出精度。数据规模要与模型深度相互匹配。再者是神经网络更新问题。基于海量负荷数据训练的网络需要通过新数据不断更新网络参数,来不断提高模型预测的准确性,因此模型训练需要定期系统维护。
以上分析可见,为充分发挥人工智能技术在负荷预测中作用,需要从以下两个方面考虑：1）影响负荷变化的因素较多,不同地区负荷影响因素也不尽相同,需要通过相关性分析影响该地区负荷变化的重要因素,并将其作为预测模型的重要输入特征。2）针对负荷数据时序性特点和负荷训练数据的规模,需要选择合适的神经网络模型以及网络深度,可考虑采取不同神经网络的相互结合方式,扬长避短,提高负荷预测精度。
3.3电网智能辅助决策当前电网调度系统在决策环节仍大量依赖于调度人员的个人经验,在实际调度环境下,调度人员需要依从各类文本形式的稳定、保护及操作规定以及其他文本形式预案中的规程进行决策。然而,随着电网规模不断扩大以及伴随而来的电网运行特性变化,电网调度运行控制也变得日趋复杂,进而导致调度人员对于电网的感知能力弱化,以经验和人工分析为主的调控手段在故障处置等方面越发不足。在上述背景下,若能借助当前成熟的人工智能技术学习文本等形式的调度业务相关知识,在较短的时间内给出辅助性决策信息,协助调度人员进行故障处置工作,则可有效降低大电网调控决策和系统失控风险。
随着自然语言处理、知识图谱等技术的快速发展,由商业互联网公司开发的成熟人工智能技术用于解决电网智能辅助决策问题已逐渐可行。对于电网调度而言,各类文本形式的规定拥有调度专有的名词以及表达方式,自然语言处理技术可以通过建立调度专业词语的语料库和语义模型,对操作规定、预案等文本形式的数据进行信息提取、推理与总结[49],最终形成计算机可识别的机器语言和决策结果。知识图谱的概念是谷歌公司于2012年提出的,并将以此为基础构建下一代智能化搜索引擎。知识图谱不是知识体系颠覆性再造,其本质上仍是一种结构化的语义知识库,主要用于描述知识间的关系,通过查询可以进行知识的检索、推理和分析。知识图谱架构体系主要涉及数据采集、知识抽取、知识链接和融合以及知识应用等过程。从应用角度来讲,知识图谱可以分为通用知识图谱和垂直知识图谱(行业知识图谱)。知识图谱在搜索、互联网、电子商务等多个领域应用广泛,文献[50]提出了一种自底向上和自顶向下相结合的调度自动化系统知识图谱构建方法,并以D5000系统中遥测数据不刷新故障为例介绍了知识图谱的应用,用于辅助有关人员进行故障定位和问题排查。文献[14]则以故障处置预案知识图谱为例,介绍了基于知识谱图的智能辅助决策技术关键技术以及技术路线。
客观而言,当前知识图谱技术在电网调控中应用仍处于初级阶段。电网调控知识图谱作为行业知识图谱有其独特的专业特点,需要较强的电力专业背景才能保证所建立知识图谱的准确性和专业性。目前关于知识图谱应用于电网调控辅助决策方面的研究与应用均较少。未来电网智能辅助决策更倾向于依靠构建专业的调度知识图谱,更快速给出处置策略供调度人员参考,进一步提高调度人员驾驭电网的能力。伴随电网形态和特性不断变化,电网调度机构需要通过机器学习和人工参与的方式不断迭代提升知识图谱,从而进一步提升调度控制系统辅助决策的智能化水平。
3.4人机交互电网调控中的人机交互是指调度相关人员与电网调度控制系统以及辅助调度决策智能体之间的交流、互动。相较于智能手机与互联网领域,目前电网调控中的人机交互方式比较单一,主要通过鼠标键盘操作以及图形用户界面的方式进行交互,用户友好性不强,难以分担调度人员的日常繁琐工作。
人工智能技术在语音识别、自然语言理解方面的进展驱动了人机交互技术的发展,目前,基于语音的智能人机交互技术在智能手机和互联网领域发展迅速并获得了广泛的应用,比如苹果Siri、微软小冰、亚马逊Alexa、谷歌Assistant、三星Bixby等。上述智能语音助手都是为了解决传统人机对话方式低效问题而催生的人工智能应用[51]。虽然以Siri为代表的智能手机语音助手已经能够处理电话、发短信、搜索内容、设置提醒等简单任务,但是目前使用率不高,效果不佳,实现质的突破面临很多瓶颈,一方面环境噪音、口音差异会导致语音识别率低,另一方面系统对语义的理解力也远远达不到要求,答非所问情况时有出现。除了智能语音交互之外,人机交互还包括在智能手机上常用的触摸控制和人脸识别等。
未来电网调控系统人机交互技术应借鉴互联网思维,引入互联网人工智能技术,辅助调控人员处理电网实时调控业务,为调度人员提供便捷、高效的交互方式。
1）辅助调度方面。电网调控系统引入语音交互功能,交互过程包括语音识别、语义分析及语音合成。语音交互作为调度平台提供的公共服务,渗透于各类调度应用。在电网事故处置中,调控人员可通过语音进行信息搜索查询、画面调阅等,进一步提高电网调度人员对问题的处理效率。另外,通过人工智能技术进一步挖掘分析调控人员的操作行为特征,可为调控人员智能定制信息并自动推送画面,引导和帮助调控人员主动、快速、全面、准确地掌控当前电网状态和发展趋势,为调控运行提供相应的辅助决策。当调度指令下发时,尤其是倒闸操作,可通过语音实现操作命令自动执行。
2）安全操作方面。调度人员在登入平台和处置事故的过程中涉及用户登录及权限验证过程。将人脸识别功能引入到调控系统中,可实现调控人员快速身份识别,解决调控场景下系统的权限和身份认证安全的问题,实现面向调控业务的快速、安全、准确的权限认证。
未来调控系统人机交互应是集语音交互、触摸控制和人脸识别等多种交互手段并存的多重交互方式,具有集成化、智能化、友好化的特点,同时还须满足处置电网实时故障的快速性操作要求。目前上述人机交互关键技术在智能手机和互联网领域中应用比较充分,技术条件成熟,在电网调控领域范围的技术拓展可行。
4算例分析本章以电网故障辨识为应用场景,对深度学习技术在电网调控中应用进行分析讨论。采用人工智能技术解决电网故障辨识问题,更多的是将其作为辅助来提高调度人员对电网感知能力,避免部分量测数据因错误或缺失而导致调度人员对于电网故障的误判,协助调度员快速定位故障。下面以3机9节点系统发生断线故障作为算例,进行进一步的说明。
4.1电网潮流图片转换规则设计为充分利用CNN在处理空间图片方面所具有的巨大优势,首先要将电网潮流数据及电气拓扑信息转化为基于计算机视觉的电网潮流图片(computer-
vision-basedpowerflowimage,CVPFI)。图3(a)与(b)分别为转换前的网络潮流分布示意图及转换后的CVPFI。CVPFI整体由28×28个像素点组成。其转换基本原则为：
1）发电机或负载在CVPFI中绘制为一个2×2像素的矩形。
2）线路和变压器绘制为一个1×3像素的直线。
3）CVPFI中各像素点的绝对值用来表示潮流功率数值,符号用来表示潮流方向。
4）空白区域的所有像素值均设为零。
上述步骤中设备像素的形状可自定义。转义的主旨是将电气设备、系统拓扑、以及元件的功率大小和方向完全保留在CVPFI中。一旦电网潮流发生变化,其对应CVPFI也会同时发生变化。
图3CVPFI和数字化的潮流数据之间的转换规则Fig.3TransformationrulebetweenthenumericalpowerflowandtheCVPFI4.2CNN架构设计图4为CNN结构示意图。CNN将表征电力系统不同运行状况的节点和有功信息的CVPFI作为输入,采用多个卷积层和池化层提取CVPFI的空间结构特征,之后其被转化为列向量进而输入全连接层,输出层包含7个纵向排列的神经元(分别对应着网络的7种故障类型)。该CNN对输入的CVPFI具备平面感知能力,进而能对电网进行故障诊断。
图4CNN的结构示意图Fig.4StructureoftheCNN4.3结果分析图5为相同的训练和验证数据集样本下,具有不同网络模型参数的CNN与ANN进行故障辨识准确率对比结果。其中训练集中包含70000个样本,测试集中包含9800个样本。具体的网络模型结构参数如表1所示。
如图5所示,本算例中ANN的识别率为92.0%,
图5CNN与ANN的故障辨识准确率Fig.5AccuracyoftheCNNandtraditionalANNineach表1不同的神经网络模型Tab.1Differentneuralnetworkmodel
CNN1和CNN2识别率分别为96.2%和99.8%。随着迭代次数的增加,以CVPFI作为训练数据得到的CNN对电网故障的识别率会达到较高水平,CNN所表现出的远超ANN的故障辨识能力,主要是因为其有效捕获了电网潮流的二维空间变化信息。根据图5结果比较可以得出,CNN模型深度的增加以及超参数的调整,可以使得神经网络进行高效的学习,从而提高其识别精度。
本文进一步以IEEE39节点系统为例对基于深度神经网络的电网故障辨识技术在大系统应用进行了讨论分析。在大系统环境下,受系统节点规模及CVPFI大小限制,可考虑采用多个CNN(一个CNN可视为一个Agent),使其观测的范围覆盖整个系统,各Agent分别对系统进行观测,最后综合所有Agent的输出给出诊断结果。图6展示了一个Agent的观测区域,图7为该Agent对于系统不同
图6CNN观测区域Fig.6ObservationareaofaCNN图7CNN局部观测下的支路故障类型识别正确率Fig.7RecognitionrateoflinefaulttypesbyaCNNwithlocalobservation类型的故障的识别正确率。由图可见该CNN对于其观测范围内的支路故障识别效果较好,同时对于距离其观测范围较近的支路也具备一定的故障诊断能力,而对于远方故障识别能力变弱。因此如果合理设计全面覆盖全网的多个Agent,通过多个Agent并行观测系统故障及综合会诊,就可以有效提高大系统故障辨识准确性。
5结论人工智能技术从发展之初在电力系统领域已
有较多的应用研究。从专家系统到深度学习,人工智能技术不断拓展其在电力系统领域的应用范围,进一步支撑了电力产业的智能化升级。本文从人工智能发展以及各项AI技术特点出发,结合电网调控业务,对电网调控的人工智能需求以及人工智能技术在电网故障辨识、负荷预测、电网智能辅助决策和人机交互4个典型场景应用展开了深入分析。最后结合电网故障辨识这一典型场景,对深度学习在大电网调控领域的具体应用进行了探索与展示。
大电网特有的网络节点规模性、调控手段复杂性及调控结果多样性,使得人工智能技术在大电网调控中应用面临巨大挑战。其在电网调控方面应用的关键在于：首先是前期如何将调控运行业务的需求与人工智能训练模型相结合,依据专家先验知识通过对电网运行、设备监测、人员行为、外部环境等数据挖掘以及自主学习,利用深度网络抽象出隐藏在各类数据中的内在规律,从而弥补基于物理模型分析方式在电网调控中存在的不足;在此基础上,后期对所建立的人工智能学习模型应进行全生命周期管理,通过对模型优劣的评估,依靠多场景下的模型持续训练和新的算法模型对模型迭代升级,进一步增加模型的准确性以及泛化能力,最终全面提高电网调控业务的智能化水平。
参考文献[1]朱永利,尹金良.人工智能在电力系统中的应用研究与实践综述[J].发电技术,2018,39(2):106-111.ZhuYongli,YinJinliang.Reviewofresearchandpracticeofartificialintelligenceapplicationinpowersystems[J].PowerGenerationTechnology,2018,39(2):106-111(inChinese).[2]王耀瑜,张伯明,孙宏斌,等.一种基于专家知识的电力系统电压/无功分级分布式优化控制分区方法[J].中国电机工程学报,1998,18(3):221-224.WangYaoyu,ZhangBoming,SongHongbin,etal.Aexpertknowledgebasedsubareadivisionmethodforhierarchicalanddistributedelectricpowersystemvoltage/varoptimizationandcontrol[J].ProceedingsoftheCSEE,1998,18(3):221-224(inChinese).[3]杨争林,孙雅明.基于ANN的变电站电压和无功综合自动控制[J].电力系统自动化,1999,23(13):10-13.YangZhenglin,SunYaming.ThesyntheticandautomaticcontrolofsubstationvoltageandreactivepowerbasedonANN[J].AutomationofElectricPowerSystems,1999,23(13):10-13(inChinese).[4]吕志来,张保会.基于ANN和模糊控制相结合的电力负荷短期预测方法[J].电力系统自动化,1999,23(22):37-39.LüZhilai,ZhangBaohui.Short-termloadforecastingmethodbasedoncombinationofANNandfuzzycontrol[J].AutomationofElectricPowerSystems,1999,23(22):37-39(inChinese).[5]AygenZE,SekerS,BagnyanikM,etal,Faultsectionestimationinelectricalpowersystemsusingartificialneuralnetworkapproach[C]//IEEETransmissionandDistributionConference.NewOrleans,LA,USA:IEEE,1999:466-469.[6]张武军,叶剑锋,梁伟杰,等.基于改进遗传算法的多目标无功优化[J].电网技术,2004,28(11):67-71.ZhangWujun,YeJianfeng,LiangWeijie,etal.Multiple-objectivereactivepoweroptimizationbasedonimprovedgeneticalgorithm[J].PowerSystemTechnology,2004,28(11):67-71(inChinese).[7]刘威,张东霞,王新迎,等.基于深度强化学习的电网紧急控制策略研究[J].中国电机工程学报,2018,38(1):109-119.LiuWei,ZhangDongxia,WangXinying,etal.Adecisionmakingstrategyforgeneratingunittrippingunderemergencycircumstancesbasedondeepreinforcementlearning[J].ProceedingsoftheCSEE,2018,38(1):109-119(inChinese).[8]张孝顺,李清,余涛,等.基于协同一致性迁移Q学习算法的虚拟发电部落AGC功率动态分配[J].中国电机工程学报,2017,37(5):1455-1467.ZhangXiaoshun,LiQing,YuTao,etal.CollaborativeconsensustransferQ-learningbaseddynamicgenerationdispatchofautomaticgenerationcontrolwithvirtualgenerationtribe[J].ProceedingsoftheCSEE,2017,37(5):1455-1467(inChinese).[9]李婷,刘明波.求解多目标协调二级电压控制的简化强化学习方法[J].中国电机工程学报,2013,33(31):130-139.LITing,LiuMingbo.Areducedreinforcementlearningmethodappliedtomulti-objectivecoordinatedsecondaryvoltagecontrol[J].ProceedingsoftheCSEE,2013,33(31):130-139(inChinese).[10]尚宇炜,马钊,彭晨阳,等.内嵌专业知识和经验的机器学习方法探索(一):引导学习的提出与理论基础[J].中国电机工程学报,2017,37(19):5560-5571.ShangYuwei,MaZhao,PengChenyang,etal.Studyofanovelmachinelearningmethodembeddingexpertise(partI):proposalsandfundamentalsofguidinglearning[J].ProceedingsoftheCSEE.2017,37(19):5560-5571(inChinese).[11]尚宇炜,马钊,彭晨阳,等.内嵌专业知识和经验的机器学习方法探索(二):引导学习的应用与实践[J].中国电机工程学报,2017,37(20):5852-5861.ShangYuwei,MaZhao,PengChenyang,etal.Studyofanovelmachinelearningmethodembeddingexpertise(partII):applicationsandpracticesofguidinglearning[J].ProceedingsoftheCSEE.2017,37(20):5852-5861(inChinese).[12]杨挺,赵黎媛,王成山.人工智能在电力系统及综合能源系统中的应用综述[J].电力系统自动化,2019,43(1):2-14.YangTing,ZhaoLiyuan,WangChengshan.Reviewonapplicationofartificialintelligenceinpowersystemandintegratedenergysystem[J].AutomationofElectricPowerSystems,2019,43(1):2-14(inChinese).[13]李博,高志远.人工智能技术在智能电网中的应用分析和展望[J].中国电力,2017,50(12):136-140.LiBo,GaoZhiyuan.Analysisandprospectontheapplicationofartificialintelligencetechnologiesinsmartgrid[J].ElectricPower,2017,50(12):136-140(inChinese).[14]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).[15]尚宇炜,郭剑波,吴文传,等.电力脑初探:一种多模态自适应学习系统[J].中国电机工程学报,2018,38(11):3133-3143.ShangYuwei,GuoJianbo,WuWenchuan,etal.Preliminarystudyofelectricpowerbrain:amultimodaladaptivelearningsystem[J].ProceedingsoftheCSEE,2018,38(11):3133-3143(inChinese).[16]YongliZhu,YangYH,HoggBW,etal.Anexpertsystemforpowersystemsfaultanalysis[J].IEEETransactionsonPowerSystems,1994,9(1):503-509.[17]史德明,李林川,宋建文.基于灰色预测和神经网络的电力系统负荷预测[J].电网技术,2001,25(12):14-17.ShiDeming,LiLinchuan,SongJianwen.Powersystemloadforecastingbaseduponcombinationofgreyforecastandartificialneuralnetwork[J].PowerSystemTechnology,2001,25(12):14-17(inChinese).[18]武新宇,程春田,廖胜利,等.两阶段粒子群算法在水电站群优化调度中的应用[J].电网技术,2006,30(20):25-28.WuXinyu,ChenChuntian,LiaoShengli,etal.Applicationoftwo-stageparticleswarmoptimizationalgorithminoptimizeddispatchingofhydropowerstationgroup[J].PowerSystemTechnology,2006,30(20):25-28(inChinese).[19]CorinnaC,VladimirV.Support-vectornetworks[J].MachineLearning,1995,20(3):273-297.[20]ChenY,WangG,DongS.Learningwithprogressivetransductivesupportvectormachine[J].PatternRecognitionLetters,2003,24(12):1845-1855.[21]TurianJ,RatinovL,BengioY.Wordrepresentations:asimpleandgeneralmethodforsemi-supervisedlearning[C]//ACL2010-48thAnnualMeetingoftheAssociationforComputationalLinguistics.Uppsala,Sweden:AssociationforComputationalLinguistics(ACL),2010:384-394.[22]HuB,LuZ,LiH,etal.Convolutionalneuralnetworkarchitecturesformatchingnaturallanguagesentences[J].AdvancesInNeuralInformationProcessingSystems,2015,3(1):2042-2050.[23]HintonGE,OsinderoS,TehYW.Afastlearningalgorithmfordeepbeliefnets[J].NeuralComputation,2006,18(7):1527-1554.[24]朱乔木,李弘毅,王子琪,等.基于长短期记忆网络的风电场发电功率超短期预测[J].电网技术,2017,41(12):3797-3802.ZhuQiaomu,LiHongyi,WangZiqi,etal.Short-termwindpowerforecastingbasedonLSTM[J].PowerSystemTechnology,2017,41(12):3797-3802(inChinese).[25]LecunYL,BottouL,BengioY,etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,1998,86(11):2278-2324.[26]KrizhevskyA,SutskeverI,HintonG.ImageNetclassificationwithdeepconvolutionalneuralnetworks[C]//26thAnnualConferenceonNeuralInformationProcessingSystems.LakeTahoe,NV,UnitedStates:NeuralInformationProcessingSystemsFoundation,2012:1097-1105.[27]Baidu大脑AI开放平台.EasyDL升级输电线路外部隐患检查方案[EB/OL].[2019-06-12]..[28]LeeHJ,AhnBS,ParkYM.Afaultdiagnosisexpertsystemfordistributionsubstations[J].IEEETransactionsonPowerDelivery,2000,15(1):92-97.[29]SunJ,QinS,SongY.Faultdiagnosisofelectricpowersystemsbasedonfuzzypetrinets[J].IEEETransactionsonPowerSystem,2004,19(4):2053-2059.[30]LuoX,KezunovicM.Implementingfuzzyreasoningpetri-netsforfaultsectionestimation[J].IEEETransactionsonPowerDelivery,2008,23(2):676-685.[31]YongliZ,LiminH,JinlingL.Bayesiannetworks-basedapproachforpowersystemsfaultdiagnosis[J].IEEETransactionsonPowerDelivery,2006,21(2):634-639.[32]AécioLO,OlintoCBdeA,GhendyCJ,etal.Amixedintegerprogrammingmodelforoptimalfaultsectionestimationinpowersystems[J].InternationalJournalofElectricalPowerandEnergySystems,2016,77(5):372-384.[33]ChenW,TsaiS,LinH.Faultsectionestimationforpowernetworksusinglogiccause-effectmodels[J].IEEETransactionsonPowerDelivery,2011,26(2):963-971.[34]郭创新,朱传柏,曹一家,等.电力系统故障诊断的研究现状与发展趋势[J].电力系统自动化,2006,30(8):98-103.GuoChuangxin,ZhuChuanbai,CaoYijia,etal.Stateofartsoffaultdiagnosisofpowersystems[J].AutomationofElectricPowerSystems,2006,30(8):98-103(inChinese).[35]dosSantosFWA,BezerraUH,NunesMVA,etal.Simultaneousfaultsectionestimationandprotectivedevicefailuredetectionusingpercentagevaluesoftheprotectivedevicesalarms[J].IEEETransactionsonPowerSystem,2013,28(1):170-180.[36]BiT,YanZ,WenF,etal.On-linefaultsectionestimationinpowersystemswithradialbasisfunctionneuralnetwork[J].InternationalJournalofElectricalPowerandEnergySystems,2002,24(4):321-328.[37]CardosoG,RolimJG,ZurnHH.Applicationofneural-networkmodulestoelectricpowersystemfaultsectionestimation[J].IEEETransactionsonPowerDelivery,2004,19(3):1034-1041.[38]Salehi-DobakhshariA,RanjbarAM.Applicationofsynchronizedphasormeasurementstowide-areafaultdiagnosisandlocation[J].IETGeneration,TransmissionDistribution,2014,8(4):716-729.[39]谢敏,吴亚雄,闫圆圆,等.基于改进动态自适应模糊Petri网与BP算法的电网故障诊断[J].中国电机工程学报,2015,35(12):3008-3017.XieMin,WuYaxiong,YanYuanyuan,etal.Powersystemfaultdiagnosisbasedonimproveddynamicadaptivefuzzypetrinetsandbackpropagationalgorithm[J].ProceedingsoftheCSEE,2015,35(12):3008-3017(inChinese).[40]陈彬,于继来.基于电网潮流分布特征的在线故障智能诊断[J].电力系统自动化,2007,31(16):29-34.ChenBin,YuJilai.Onlinefaultintelligentdiagnosisbasedondistributedcharacteristicsofpowerflowwithoutageofelectricpowernetwork[J].AutomationofElectricPowerSystems,2007,31(16):29-34(inChinese).[41]于尔铿,刘广一,周京阳.能量管理系统(EMS)[M].北京:科学出版社,1998.[42]侯广松,刘伟生,谢广建.基于相关因素映射和神经网络的短期负荷预测[J].电网技术,2006,30(S2):553-556.HouGuangsong,LiuWeisheng,XieGuangjian.Shorttermloadforecastingbasedoncorrelativefactormappingandneuralnetworks[J].PowerSystemTechnology,2006,30(S2):553-556(inChinese).[43]耿艳,韩学山,韩力.基于最小二乘支持向量机的短期负荷预测[J].电网技术,2008,32(18):72-76.GengYan,HanXueshan,HanLi.Short-termloadforecastingbasedonleastsquaressupportvectormachines[J].PowerSystemTechnology,2008,32(18):72-76(inChinese).[44]牛东晓,王建军,李莉,等.基于粗糙集和决策树的自适应神经网络短期负荷预测方法[J].电力自动化设备,2009,29(10):30-34.NiuDongxiao,WangJianjun,LiLi,etal.Short-termloadforecastingusingadaptiveANNbasedonroughsetanddecisiontree[J].ElectricPowerAutomationEquipment,2009,29(10):30-34(inChinese).[45]李博,门德月,严亚勤,等.基于数值天气预报的母线负荷预测[J].电力系统自动化,2015,39(1):137-140.LiBo,MenDeyue,YanYaqin,etal.Busloadforecastingbasedonnumericalweatherprediction[J].AutomationofElectricPowerSystems,2015,39(1):137-140(inChinese).[46]孔祥玉,郑锋,鄂志君,等.基于深度信念网络的短期负荷预测方法[J].电力系统自动化,2018,42(5):133-139.KongXiangyu,ZhengFeng,EZhijun,etal.Short-termloadforecastingbasedondeepbeliefnetwork[J].AutomationofElectricPowerSystems,2018,42(5):133-139(inChinese).[47]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).[48]陆继翔,张琪培,杨志宏,等.基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J].电力系统自动化,2019,43(8):131-137.LuJixiang,ZhangQipei,YangZhihong,etal.Short-termloadforecastingmethodbasedonhybridCNN-LSTMneuralnetworkmodel[J].AutomationofElectricPowerSystems,2019,43(8):131-137(inChinese).[49]邱剑,王慧芳,应高亮,等.文本信息挖掘技术及其在断路器全寿命状态评价中的应用[J].电力系统自动化,2016,40(6):107-112.QiuJian,WangHuifang,YingGaoliang,etal.Textminingtechniqueandapplicationoflifecycleconditionassessmentforcircuitbreaker[J].AutomationofElectricPowerSystems,2016,40(6):107-112(inChinese).[50]李新鹏,徐建航,郭子明,等.调度自动化系统知识图谱的构建与应用[J].中国电力,2019,52(2):70-77.LiXinpeng,XuJianhang,GuoZiming,etal.Constructionandapplicationofknowledgegraphofpowerdispatchingautomationsystem[J].ElectricPower,2019,52(2):70-77(inChinese).[51]范俊君,田丰,杜一,等.智能时代人机交互的一些思考[J].中国科学:信息科学,2018,48(4):361-375.FanJunjun,TianFeng,DuYi,etal.Thoughtsonhuman-computerinteractionintheageofartificialintelligence[J].ScientiaSinicaInformationis,2018,48(4):361-375(inChinese).新一代人工智能将给 电力调度带来哪些改变
碳达峰、碳中和目标下，以新能源为主体的新型电力系统正在加快构建，新能源的不确定性和难预测性对电力系统运行的影响更加突出，传统以人为中心的电力调度模式面临挑战。而新一代人工智能技术的创新发展正在引发链式突破，为提升电力调度技术支撑能力提供了新的途径。
新型电力系统加快构建，电力调度面临新挑战
电力系统是现代社会最重要、最庞大、最复杂的人工系统。作为电力系统的“大脑”，电力调度承担着确保电力系统安全高效经济运行的职责，其功能主要包括：预测用电负荷，安排发电任务、确定运行方式，监测和分析全系统运行状态，指挥操作、故障处理等。
在加快构建以新能源为主体的新型电力系统的新形势下，我国电力系统的结构形态和商业模式正在发生深刻变化，电力调度面临的挑战愈发严峻。
一是随着新能源、可控负荷、储能等不断增加，电网运行方式的不确定性日益增加。二是气象、市场和社会因素对新能源和负荷预测误差的影响越来越明显，电网实际运行情况与基于传统预测方法的预测结果之间的偏差扩大。三是“源-网-荷-储”协同运行导致各层级电网调度对象的数量呈指数级增加，监控信息大幅增长。受制于预测误差、边界条件、优化算法等条件限制，传统的基于优化建模的经济调度方法或求解时间过长，或难以得出结果，调度人员实时决策的压力剧增。四是电力市场下多方主体利益博弈加剧了电力系统运行的不确定性，多方利益平衡和电力平衡的交集空间变小，实现电力系统最优调度决策的复杂程度增加。
基于新一代人工智能的电力调度取得初步成效
面对挑战，电力调度亟须向智能化方向发展。2017年，国务院印发《新一代人工智能发展规划》，明确建立新一代人工智能关键共性技术体系，其中包括跨媒体分析推理技术、群体智能关键技术、混合增强智能新架构与新技术等。新一代人工智能技术为提升电力调度智能化水平提供了新思路、新手段。目前，人工智能技术在电力调度领域的应用已取得初步成效。
中国电科院、南瑞集团等单位的技术攻关人员将深度学习等人工智能技术引入电力系统有功和无功负荷预测业务，基于海量历史数据样本掌握电力系统有功频率、无功电压的分布特性，开发了母线负荷预测软件。该软件已在福建、江苏电力调度控制中心等得到应用，提升了母线负荷预测准确度。
技术攻关人员利用知识图谱技术，构建了电网设备操作、故障处理知识库。应用了知识库的调度自动化系统可根据电网运行数据和故障信息，主动向调度人员推送电网操作与故障处置预案，避免人为误操作的发生。相关研究成果已在江苏、福建、冀北电力调度控制中心等得到应用，提升了调度人员对电网事故的处置能力。团队还利用语音识别、语义理解等技术，结合调度业务语料，开发了调度语音助手。这一工具目前已在华东电力调度控制分中心和上海、江苏电力调度控制中心应用，丰富了电力调度人机交互手段，提升了交互效率。
探索电力调度领域人工智能应用新场景
面向加快构建新型电力系统的新形势，继续结合知识图谱、强化学习、群体智能等新一代人工智能技术，探索电力调度领域智能应用新场景，将有力支撑新型电力系统安全高效经济运行。
●基于知识图谱的调度优化决策
知识图谱是结构化的语义知识库。它是由节点和边组成的数据结构，每个节点表示现实世界中存在的“实体”，而每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起得到一个关系网络，再运用网络结构描述现实世界中的概念、实体及其相互关系。其信息表达方式更接近人类认知世界的方式。
借助知识图谱技术提取和凝练电力调度控制中心常年积累的系统运行数据、调度专业知识和人工经验，再通过知识搜索和推理，优化调度策略，有助于提升调度策略的有效性和经济性。下一步可重点在基于知识图谱的电网故障处置成果基础上，把调控领域的知识图谱应用由固定规则判断提升到先验知识运用，并应用于日前调度计划优化编制等更复杂的调度核心业务，实现由知识驱动的优化调度辅助决策。
●基于混合增强智能的调度控制
混合增强智能是将人的作用或人的认知模型引入人工智能系统中，与机器智能共同形成混合增强智能的形态。这是人工智能或机器智能可行的、重要的成长模式。
混合增强智能技术与当前电力调度中人（调度员）与机器（调度自动化系统）协同合作方式高度契合，有望成为解决电力调度复杂问题的新工具。
实现混合增强智能调度需要解决众多理论和技术问题。基于混合增强智能的电力调度将打通机器和人之间的双向通道，实现复杂随机电力调度问题的人机共识和共融决策，可应对能源转型过程中“源-网-荷-储”多元资源参与调度运行带来的随机性强、状态演变复杂、决策变量多、利益主体诉求不一等问题，提升调度决策的智能化水平。
●基于群体智能的协同调度
群体智能是指在集体层面表现的分散、去中心化的自组织行为，比如蚁群、蜂群的集体行为，鸟群、鱼群为适应空气或海水而进行的群体迁移等。群体智能不是简单的多个体集合，而是超越个体行为的更高级表现，具有自组织性、高度自治性、高效协同性、自主学习性等优点，特别适合开放环境下利用竞争与合作等多种方式来解决复杂系统的决策问题。
群体智能的优点与能源互联网的互联、对等、互动等特征十分契合。将群体智能的协同、共享、控制等理念与能源互联网环境下地区电网可调控资源的多样化类型和优化目标结合，可提出能源互联网环境下的群体智能协同调度架构。上层为群体层，调控中心智能体代表电网利益，与新能源汽车充电站、智慧小区、储能站和负荷聚合商等群体的智能体共同完成地区电网层面的集体决策；中间层为子群层，包括直辖设备群和用户设备群，群体中心通过激励、合作等方式协调子群智能体共同完成群内决策；下层为终端层，归属群体中心直辖的设备由群体中心智能体通过功率快速分配算法直接控制，归属用户管理的设备由用户智能体自主控制，实现最优响应。
由此，可将传统集中式、单向的电力系统转变为参与者对等、与更多资源融合互动的系统。这一方面可以降低电力调度控制中心优化电力系统运行方式的难度，减轻调控压力，提升电力系统运行的安全性和经济性，另一方面能充分发挥海量负荷侧资源调控潜力，促进负荷侧资源参与电网互动，实现多方共赢。
（作者单位：中国电力科学研究院有限公司）