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).揭开滴滴人工智能调度系统的真面目
雷锋网按：腾讯大数据峰会暨KDDChina技术峰会中，滴滴研究院副院长、密歇根大学终身教授叶杰平博士非常全面地解密了机器学习在滴滴中的大规模应用，其中包括：出行目的地预测、路径规划、拼车最优匹配、订单分配、估价、运力调度、评分系统等。雷锋网(公众号：雷锋网)根据现场演讲整理成文，并由叶杰平博士与滴滴CTO张博亲自审文。
叶杰平：
滴滴研究院副院长，美国密歇根大学的终身教授。叶杰平是机器学习领域国际领军人物，其主要从事机器学习、数据挖掘和大数据分析领域的研究，尤其在大规模稀疏模型学习中处于国际领先地位。
雷锋网了解到，去年滴滴成立了机器学习研究院，之后改名为滴滴研究院。
滴滴研究院做的事情是结合大数据与机器学习，搭建滴滴交通大脑。滴滴交通大脑需要收集每个城市、每一时刻的所有交通出行相关数据，然后做出最优的决策（匹配、导航等），从而提高出行效率。接下来我来分享一下滴滴过去一年在大数据和人工智能方面的探索。
App首页中的人工智能打开滴滴出行App，首页中就包含很多人工智能：
预测目的地
我们先会精确定位用户的位置，下方是用户所要去的目的地。很多情况下我们能够预测到用户去哪里：因为很多出行是比较有规律的：早上上班、晚上回家。我们利用用户的出行数据从时间和地点中预测用户去的目的地，这是人工智能的一种体现。
估价
我们常见的价格预估背后其实也有着非常复杂的计算过程，涉及到路径规划和时间预估（ETA）。其中从起点到终点的路径规划是非常核心的一部分，找到最佳路径后，我们需要计算出A到B的距离。随后着手解决行程所需的时间估算：起点到终点需要20分钟还是30分钟。结合路径和时间，我们给出一个预估价。
拼车
拼车选项也是非常复杂的机器学习问题，我们需要计算用户点击拼车后从起点到终点过程中找到一个拼友的概率。如果概率不大，这名乘客就很可能得一个人从头坐到尾，而滴滴给出的折扣也会低一些，如九折等。如果这条是热门路线，路途中很可能会有其他乘客与你在同一时间去同一个或附近的地方。这种情况下，我们可以打一次力度稍微较大的折扣。
叫车后的人工智能应用乘客与司机匹配
当用户确认叫车后，滴滴需要做订单匹配，找到最适合接该用户的司机。这一流程也是一系列的机器学习问题。
那么如何权衡订单合不合适，可以有多种办法解决：比如距离和时间上离你最近的司机。当然，权衡订单问题背后也包含个性化搜索，如个别用户可能只喜欢某一类车型、某一种类型的司机。尤其是女性用户在深夜十一二点，可能对车型和司机的要求比较高，这需要进行个性化匹配。
如果用户选择拼车，系统如何找到最适合的一辆车：这辆车有可能是空车，也有可能是载人车，与此同时，算出A到B的时间。
热力图
这里会遇到一种情况，新司机希望空驶时间越少越好，但往往不知道去哪接单，这时候滴滴会给到一个热力图，告诉司机哪些区域未来的半个小时，有可能有很多订单需求。
滴滴人工智能的核心：订单分配滴滴研究院目前做的最核心的事情是订单分配。在某个时刻有成千上万的乘客，同时也有成千上万的空闲车辆，我们要完成司机和乘客的最优匹配，权衡标准是匹配度。计算匹配度最简单的方法是用距离进行评估，滴滴在前几年均是用距离进行匹配。但路面距离计算仍存在很多不合理的地方，因为各个路段的状况不同，有些地方特别堵，有些则相反，同样是一公里但行驶所耗时间可能完全不同。这里就急需增加时间这一维度。而计算时间又是一大难题，比预估距离还要难。
所以滴滴实现订单最优匹配需要遵循这两大核心：做出最优路径规划，预估时间。
大规模匹配
计算出某个订单的时间和距离后，会遇到一个问题：由于滴滴数据量特别大，每一个乘客不只是让一个司机去匹配，而是需要跟周围上百个司机匹配。在任何一个时刻，滴滴的匹配量高达千万次以上，在一两秒钟完成上千万次的路径规划，这是一项非常大的挑战。
这项决策与搜索不同，用Google搜索出结果后，再过10分钟结果依旧与之前相同。而滴滴在匹配时，哪怕滞后两秒钟这个司机就可能过了某个十字路口，使得路径规划状况完全不同。我们现在建立起一个机器学习系统，该系统包含历史数据和实时数据，只要在有滴滴的地方，我们就知道车辆行驶的速度和路况。然后找特征，建立系统，也可用深度学习做路径规划和时间预估。
滴滴研究院最近建立了一套深度学习系统，然后加上路况和其他信息去进行预测，这是滴滴在深度学习领域的一次崭新尝试。简单对比下结果，去年开始用机器学习再到最近的深度学习使误差大概降低了70%左右。
接下来需要做最优匹配，这里有很多不同的方法。滴滴有出租车、快车、专车、豪华车等等多条业务线，滴滴能否把各个业务线打通？比如用户叫了快车，但周围可能没有快车司机来接用户，那有没有可能利用算法去做决策，在这个时刻让专车或出租车司机来接这位用户，该调度方案要做一个全局的最优匹配，充分发挥滴滴优势。
在北京，高峰期大家打车困难可能会认为是由于运力不够导致，但经过分析发现，在高峰期滴滴的运力其实是足够的，主要是因为车辆分布不合理。
此我们开发了一套系统，把整个地球分割成无数个六边形。每一时刻都在检测每一个六边形，然后在某个六边形里面计算订单数和空车数，计算供需是否平衡。
运力问题解决
司机没有在他应该在地方是我们需要解决的一大问题，如果有一个平台可掌握所有信息，这样使其能做出最优决策、最优调度以及导航决策。解决这个问题的第一种方法就是动态调价。我们也在探索另外两种解决方式：
供需预测、运力调度：如何完成预测，我们先来还原一个场景，比如说某个大会大致在晚上6点结束后，很多人会有打车需求，这就是预测的一种体现。此外，我们之前也提到人们出行普遍是有规律的，所以能预测某一时刻、某一区域可能缺多少辆车，这样我们就提前15分钟或半小时做调度，把过剩的运力从周围调过去，缓解供需问题。这里牵涉到供需预测，供需预测本质上就是一个时间序列的预测问题。
拼车：如果两个乘客的行程和出行时间类似，就无需两个司机去接，而是把两个订单整合为一个组合订单，用一个司机来接。拼车中涉及到一项非常重要的问题就是用户体验：用户体验体现在两个维度，一是价格便宜，二是在接另外一个人时绕的路程和时间不要太多。我们希望把两个订单整合起来后，这个行程路径是相似的。为此，我们建立了几个机器学习模型估计路径匹配度的高低。
预测乘客体验行程结束后，我们也需要去预测乘客的体验是好是坏。由于历史订单中有些乘客会进行投诉，比如说拼车匹配欠佳、绕路。而有些用户则会给出好评。我们从大量历史数据学习出来哪些特征是导致乘客抱怨的原因，哪些特征会导致好评。
拼车最核心的一点是定价，里面用的也是机器学习优化算法。核心想法非常简单，如果乘客发了拼车单，我们会预测这个乘客起点到终点系统为它找到拼友的概率大不大，匹配度如何？如果预测出他很大概率自己一个人会从头到尾走到底的话，折扣相对就会更低，反之则会高一些。
除此之外，我们也做了很多图像方面的工作。比如驾照图像检测，识别证件号码等，让司机的很多手续无需要到滴滴办公室即可解决。
评分系统我们可以把滴滴看做是一种搜索引擎，即乘客搜索司机。与百度搜索信息不同，在百度搜索结束后，就没有其他后续问题。但乘客在滴滴中搜索好司机后，滴滴需要保证安全和出行体验。于是我们在近期引入一套机器学习系统，预测司机的服务质量和服务态度，衡量服务好还是坏需要通过分析大量乘客的打分、评语数据。
以往滴滴和Uber都采用星级打分制，后来我们发现该功能并不完美。现实情况是用户要么不打分，要么给较高的五分或四分，使得星级评分功能不够有效。
这本质上是用户习惯问题，为了让评分系统更加全面，平台把乘客留下的所有痕迹都整合起来，然后给出一个分数评判。比如乘客打出星级后，又进行文字评价态度很差、绕路等，针对乘客给出的两个维度信息，我们再根据轨迹等多项数据，然后给出综合的分数。分数越高，滴滴也会保证司机的收入越高，推动司机主动提高服务质量。
这里存在另外一个问题，就是乘客恶意给司机写差评。针对这一情况我们建立了一个判责机器学习系统，该模型能够判差评的背后是司机的责任，还是乘客的责任。如果责任不在司机，我们就不会降低它的分数。判责系统上线后滴滴平台司机满意度有了显著提高。
系统可视化
最后我们提一下非常重要的系统可视化性，这套系统能够看到历史订单行程中发生了什么事情，如哪些区域是我们比较感兴趣的、成交率高的，订单多的。其次是区域变化情况，如早高峰时订单量涨了，晚高峰订单量跌了，应答率可能在早晚高峰非常低，平时可能非常高，我们可以迅速知道每个区域、每个时刻的情况。
上述为区域，我们也可以有一个城市的维度，比如这个城市大概有多少订单？大概有多少司机？乘客发出订单需求成交率大概有多少？我们也能掌握过去和现在的情况，司机实时看到热区所处的位置，引导司机沿着热区去走，减少空驶时间、提高平台效率。
除此之外，我们也能实时看到跨城情况，尤其是春节之前等节假日，因为有很多人会拼车回家。为此，我们也会找到一些比较特殊的区域，单独去分析它发生了什么事。
可视化系统也能让大家看到全城各个时刻供需不平衡情况：哪些区域供大于求，哪些区域求大于供，哪些区域供需平衡，以及现在和过去发生了什么事。针对这些现象，我们需找到应答率低、成交率低的原因。
雷锋网原创文章，未经授权禁止转载。详情见转载须知。
人工智能在铁路运力上的应用实例
当前，人工智能(AI)被用于预测火车延误情况，在无需搭建新基础设施的情况下帮助提高运力。Resonate正在与铁路运营商合作，尝试利用英特尔®技术实施端到端解决方案。
当前，人工智能(AI)被用于预测火车延误情况，在无需搭建新基础设施的情况下帮助提高运力。Resonate正在与铁路运营商合作，尝试利用英特尔®技术实施端到端解决方案。
长期以来，铁路运输管理依靠对当地情况的了解和沿线电话沟通才能就某些变动达成一致。现在，使用LuminateDigitalPlatform，运输调度人员第一时间就可以看到线路端到端的运行状况；同时，调度指挥中心之间也实现了数字化数据流动。利用从轨道旁收集的数据、时间表信息以及有关维护和铁路是否开放的信息，人工智能即可对未来的延误情况进行预测。
挑战
· 在无需搭建新基础设施的情况下提高铁路网运力
· 通过显著减少延误，提高旅客满意度并降低经济处罚带来的影响
解决方案
· 从轨道旁收集铁轨上列车行进的实时数据
· LuminateDigitalPlatform利用人工智能来预测未来可能出现的运输中断情况，便于运输调度人员及时介入
· 英特尔®技术赋能从轨道旁到调度指挥中心的解决方案
· 借助人工智能算法，英特尔®至强®金牌处理器被用于分析铁路运输状况以及预测未来运输中断情况
结果
· 运输调度人员第一时间就可以看到线路端到端的运行状况
· 调度指挥中心之间的沟通不再依靠电话而是基于数字信息流
· 如果将来有发生延误的可能，运输调度人员可以提前介入，通过重新安排列车来减少延误
· 延误情况减少，既可以提高铁路网运力，也可以提升客户满意度
释放铁路运力
在许多国家，无论是客运还是货运，铁路都是运输基础设施的重要组成部分。随着需求的增长，铁路行业正面临着如何增加运力的挑战。通常，由于没有足够的土地和预算来扩大铁路网，因此铁路行业需要能够利用现有基础设施提升运力的技术解决方案。
同时，尽量减少延误也非常重要。延误不仅会影响铁路旅客的出行体验，而且还可能导致基础设施和铁路服务运营商承担经济处罚。
Resonate和铁路运营商此次合作的目的就在于减少延误和中断，从而提升铁路网运力、提高客户满意度和降低处罚带来的影响。
解决方案详情
Resonate的LuminateDigitalPlatform利用人工智能来预测铁路网未来的延误情况。该解决方案已经使用10年的历史数据进行了训练，因此可以识别导致运输中断的规律。
铁路运营商使用物联网(IoT)网关从轨道旁收集列车行进数据。Luminate还可以访问时间表数据和有关维护、临时速度限制以及资产故障的信息。结合相关数据，该解决方案可以确定是否有可能发生运输中断，并向运输调度人员发出警报，便于他们采取预防措施。例如，该解决方案可以预测到因两列火车中有一列发生延误，所以在一小时后它们可能会需要使用同一站台。这时，运输调度人员就可以进行干预，让其中一列火车停靠到另一个空闲站台。这样一来，不仅可以避免当前运输服务出现延误，还能保证未来需要这两列火车及时投入使用才能提供的服务不受影响。
Luminate让运输调度人员可以实时查看线路端到端的运行状况。每天早上，他们首先根据轨道封闭或列车可用情况来预测可能导致最大问题出现的原因，从一开始就掌握主动权。
当运输调度人员确定好需要采取的措施时，Luminate解决方案可以对决策进行模拟，便于他们看到变更带来的影响并对方案进行测试。如果测试结果让运输调度人员满意，Luminate就可以与信号传输系统通信，自动实施变更。
调度指挥中心之间以前依靠运输调度人员相互致电对变更达成共识，自从Luminate提供了线路信息数字流后，极大地简化了决策和实施工作。
解决方案的技术组件
· 物联网网关。轨道旁的网关负责收集数据，帮助实时定位列车在铁路网中的位置。网关基于英特尔®处理器。
· 英特尔®至强®处理器E5。该解决方案采用基于英特尔®至强®处理器E5的服务器，使用历史数据在云端进行训练。
· 英特尔®至强®金牌处理器。使用基于英特尔®至强®金牌处理器的服务器对铁路网状况进行实时分析并预测未来可能出现中断的情况。这让Resonate及其铁路运营商合作伙伴能够将用于其他工作负载的软硬件技术同时也用于人工智能解决方案。
· 运输管理界面。铁路网络可以使用基于英特尔®处理器的笔记本电脑进行管理。
英特尔赋能端到端解决方案
Resonate视觉技术总监DarenWood表示：“从轨道旁到调度室，英特尔®技术为这项解决方案提供了全面支持。物联网网关基于英特尔®处理器，负责在轨道旁收集有关列车行进的数据。在调度指挥中心，运输调度人员可以使用基于英特尔®处理器的笔记本电脑。英特尔®至强®处理器E5用于在云中训练人工智能模型。在调度指挥中心，基于英特尔®至强®金牌处理器的服务器正在进行运输实况分析。英特尔®至强®金牌处理器为我们提供了一种灵活而熟悉的架构，使我们能够在相同服务器上同时运行人工智能算法与其他工作负载。可靠性和复原力对我们来说非常重要，因为任何故障都会直接影响铁路网络。我们相信英特尔®处理器能够为我们提供所需的性能。”
英特尔携手Resonate共同开发这一解决方案。英特尔工程师审核并优化了代码，增强调度指挥中心所用笔记本电脑的性能，并就实施人工智能算法为Resonate提供指导。Wood表示：“通过与英特尔合作，我们能够将高级计算和人工智能算法运用到高度复杂的运营环境中，最终提高铁路运输能力。”
他还说：“我们之所以选择英特尔®Python*分发版，是因为其中所做的优化能够利用英特尔®处理器某些硬件功能来为我们的人工智能算法提速。我们正越来越多地使用英特尔®AIBuilders计划来获取计算和咨询服务，以训练和部署更多的人工智能模型。”
“通过与英特尔合作，我们能够将高级计算和人工智能算法运用到高度复杂的运营环境中”-Resonate视觉技术总监DarenWood
结果
Resonate联合一家欧洲铁路运营商在一条繁忙的通勤路线上对Luminate进行为期一年的试运行，目前项目进程已经过半。试运行结束时，他们将能够评估Luminate对于客运旅程的影响。事实证明，这一解决方案对于帮助解决诸如某主要车站因停电而关闭一天导致列车第二天无法到达目的地这样的突发事件非常有价值。Luminate解决方案帮助运输调度人员了解列车的位置，便于他们能够主动管理铁路，使其恢复到可接受的运营水平。
Wood说道：“对于一般的铁路旅客，我们希望减少延误，这将改善他们使用铁路出行的体验，同时有助于将铁路网的额外运力释放出来。”
将来，该铁路运营商计划将更多内部数据公开给Resonate等合作伙伴，以供他们在其解决方案中使用。Wood表示：“随着可用数据的不断增加，我们的算法将能够发挥更大的作用，在更多方面为运营商提供支持。”
Resonate简介
Resonate设计、开发和部署数字铁路和互联运输解决方案，它提供的交通运输管理解决方案包括LuminateDigitalPlatform、实时中断管理、客户体验管理和信号传输控制系统。该公司的信号传输控制系统已经在美国各地投入使用，负责管理密度大的混合交通、复杂区域以及乡村路线。
www.resonate.tech
了解更多信息
· 英特尔®AIBuilders计划
· 英特尔®至强®金牌处理器
· 英特尔®至强®处理器E5
寻找适合贵企业和机构的解决方案。请联系您的英特尔代表或访问intel.cn。
此处提供的所有信息可在不通知的情况下随时发生变更。关于英特尔最新的产品规格和路线图，请联系您的英特尔代表。
英特尔技术特性和优势取决于系统配置，并可能需要支持的硬件、软件或服务得以激活。产品性能会基于系统配置有所变化。没有计算机系统是绝对安全的。更多信息请从原始设备制造商或零售商处获得，或请见intel.cn。