人工智能的历史、现状和未来
如同蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网，人工智能正成为推动人类进入智能时代的决定性力量。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷转型发展，抢滩布局人工智能创新生态。世界主要发达国家均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，力图在国际科技竞争中掌握主导权。习近平总书记在十九届中央政治局第九次集体学习时深刻指出，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。错失一个机遇，就有可能错过整整一个时代。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。
概念与历程
了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（ArtificialIntelligence，简称AI）”这一概念，标志着人工智能学科的诞生。
人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。
人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。
三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
现状与影响
对于人工智能的发展现状，社会上存在一些“炒作”。比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。
专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务（比如下围棋）的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。
通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段；全球知名风投调研机构CBInsights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。
创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。
人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。
趋势与展望
经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？
从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯·哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。
从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。
从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低人员成本。
人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。
人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40%；到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。
人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。
人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。
人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所（UNICRI）决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。
态势与思考
当前，我国人工智能发展的总体态势良好。但是我们也要清醒看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少值得重视的问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
高度重视。党中央、国务院高度重视并大力支持发展人工智能。习近平总书记在党的十九大、2018年两院院士大会、全国网络安全和信息化工作会议、十九届中央政治局第九次集体学习等场合多次强调要加快推进新一代人工智能的发展。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。
态势喜人。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。根据2017年爱思唯尔文献数据库统计结果，我国在人工智能领域发表的论文数量已居世界第一。近两年，中国科学院大学、清华大学、北京大学等高校纷纷成立人工智能学院，2015年开始的中国人工智能大会已连续成功召开四届并且规模不断扩大。总体来说，我国人工智能领域的创新创业、教育科研活动非常活跃。
差距不小。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距。在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司CompassIntelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。
前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年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。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧等，需要深入思考。
树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。
重视固本强基的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。
构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。同时，我们要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。
推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家中，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。
（作者：中央人民政府驻香港特别行政区联络办公室副主任、中国科学院院士）
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).