人工智能在電力系統(tǒng)及綜合能源系統(tǒng)中的應(yīng)用

人工智能在電力系統(tǒng)及綜合能源系統(tǒng)中的應(yīng)用摘要：人工智能（AI）是當(dāng)前最具顛覆性的科學(xué)技術(shù)之一，在計算智能、感知智能和認(rèn)知智能方面具有強(qiáng)處理能力。人工智能技術(shù)在電力系統(tǒng)和綜合能源系統(tǒng)中的應(yīng)用，將改變能源傳統(tǒng)利用模式，促進(jìn)系統(tǒng)進(jìn)一步智能化。文中主要從人工智能概述、電力系統(tǒng)及綜合能源系統(tǒng)對人工智能的需求，以及人工智能在能源領(lǐng)域中的應(yīng)用幾個層面進(jìn)行綜述和分析，最后對人工智能在電力系統(tǒng)及綜合能源系統(tǒng)中應(yīng)用所面臨的挑戰(zhàn)進(jìn)行了分析和展望。關(guān)鍵詞：人工智能；電力系統(tǒng)；綜合能源系統(tǒng)1人工智能的概念及其優(yōu)點(diǎn)1.1人工智能的概念人工智能的英文縮寫為AI，最初提出"人工智能〃這一理念是在1956年Dartmouth學(xué)會上，之后研究者們開始對人工智能的理論與原理進(jìn)行深入研究，使得人工智能的概念逐漸擴(kuò)展。人工智能作為一門新的技術(shù)科學(xué)，其主要指針對人的智能的模擬、延伸與擴(kuò)展的理論、方法、技術(shù)及應(yīng)用系統(tǒng)而進(jìn)行研究與開發(fā)。人工智能作為計算機(jī)科學(xué)的一個分支，其試圖對智能有更加深入的了解，并生產(chǎn)一種智能機(jī)器，即一種類似于人類智能做出反映的系統(tǒng)。機(jī)器人、語言識別、圖像識別、自然語言處理與專家系統(tǒng)等是該領(lǐng)域的主要研究對象，人工智能日漸成熟的理論與技術(shù)，使其應(yīng)用領(lǐng)域逐漸擴(kuò)大，未來人工智能的科技產(chǎn)品將對促進(jìn)人類生產(chǎn)生活發(fā)揮重要作用。1.2人工智能的優(yōu)點(diǎn)人工智能也可以理解為通過模擬人的意識、思維的信息過程，人工智能能夠像人一樣思考，也可以超過人的智能。人工智能是一門綜合的學(xué)科，其涉及的內(nèi)容較廣，包括計算機(jī)科學(xué)、心理學(xué)、哲學(xué)等；自然科學(xué)和社會科學(xué)的所有學(xué)科都涵括于人工智能當(dāng)中，思維科學(xué)更加注重理論，而人工智能則更加注重實(shí)踐；思維科學(xué)技術(shù)的表達(dá)需依靠人工智能，人工智能技術(shù)的發(fā)展與思維科學(xué)的發(fā)展有著密切聯(lián)系，兩者之間相互依靠、相互促進(jìn)。根據(jù)國務(wù)院制定的《"互聯(lián)網(wǎng)+”行動指導(dǎo)意見》相關(guān)內(nèi)容可知，需進(jìn)一步加大智能制造投入力度。為了促進(jìn)智能制造良好發(fā)展，可通過智能工廠建設(shè)的方式，或者智能制造試點(diǎn)的設(shè)置，發(fā)揮其示范與引導(dǎo)的作用。在不久的將來，人工智能在人們的生活、工作與教育中將占據(jù)重要地位，其將給人們的生產(chǎn)生活帶來更大的便捷，人工智能技術(shù)的未來發(fā)展十分可觀。2人工智能在電力系統(tǒng)及綜合能源系統(tǒng)中的應(yīng)用2.1人工智能在能源預(yù)測中的應(yīng)用2.1.1間歇性可再生能源發(fā)電功率預(yù)測隨著間歇性可再生能源的滲透率提升，發(fā)電間歇性和波動性對電網(wǎng)造成的影響愈加明顯，準(zhǔn)確的可再生能源長短周期發(fā)電功率預(yù)測對系統(tǒng)穩(wěn)定以及經(jīng)濟(jì)運(yùn)行都尤為重要。提高間歇性可再生能源發(fā)電功率預(yù)測精度的關(guān)鍵是構(gòu)建具有強(qiáng)大數(shù)據(jù)處理能力和特征提取能力的預(yù)測模型，并具有很好的自學(xué)習(xí)修正能力。傳統(tǒng)的預(yù)測方法一般為淺層模型，在處理非線性和非平穩(wěn)特性的風(fēng)能或光照數(shù)據(jù)時預(yù)測性能較差。為此，部分學(xué)者引入深度學(xué)習(xí)的回歸能力改進(jìn)預(yù)測模型。2.1.2能源負(fù)荷預(yù)測能源負(fù)荷與價格、政策、天氣等多種影響因素相關(guān)，難以建立精確的數(shù)學(xué)模型，阻礙了傳統(tǒng)的負(fù)荷預(yù)測方法獲得令人滿意的結(jié)果。人工智能方法在分析過程中無須建立對象的精確模型，能較好地擬合負(fù)荷與其影響因素之間的非線性關(guān)系，因此被用于能源負(fù)荷預(yù)測。盡管采用人工智能進(jìn)行負(fù)荷預(yù)測得到了較好的性能，但直接使用深度學(xué)習(xí)等方法時也存在一些新問題：可用于訓(xùn)練的負(fù)荷數(shù)據(jù)量通常會遠(yuǎn)小于模型中的參數(shù)量，容易出現(xiàn)過擬合［1］。為解決這些問題，需要從時間維度和空間維度擴(kuò)展負(fù)荷數(shù)據(jù)集，通過數(shù)據(jù)集的多樣性消除單一負(fù)荷數(shù)據(jù)的不確定性，提高預(yù)測精度。此外，由于人工智能方法在預(yù)測過程中并未建立明確的系統(tǒng)模型，黑盒形式存在計算莫名失敗的風(fēng)險。2.2人工智能在電力系統(tǒng)及綜合能源系統(tǒng)規(guī)劃中的應(yīng)用可再生能源發(fā)電單元、新型電力電子設(shè)備裝置的接入、以電動汽車為代表的主動負(fù)荷的增多都給電力系統(tǒng)注入了更多的不確定性，使得規(guī)劃問題更加復(fù)雜困難。1）由于各種新型設(shè)備裝置的接入，智能配電系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)和各部分的運(yùn)行方式靈活多變，使其規(guī)劃設(shè)計與運(yùn)行問題間形成了強(qiáng)耦合性［2］。2）需求側(cè)與電網(wǎng)的互動使得系統(tǒng)不確定性顯著增強(qiáng)，給空間負(fù)荷預(yù)測乃至整個規(guī)劃設(shè)計帶來了新的困難。3）除傳統(tǒng)的安全性、可靠性和經(jīng)濟(jì)性目標(biāo)外，智能配電系統(tǒng)還需同時考慮提升綜合能源利用效率、最大化綠色能源利用、最小化環(huán)境污染影響、最大化社會效益等其他規(guī)劃目標(biāo)。2.3人工智能在系統(tǒng)運(yùn)行優(yōu)化與穩(wěn)定控制中的應(yīng)用2.3.1綜合能源系統(tǒng)運(yùn)行優(yōu)化綜合能源系統(tǒng)并非多個獨(dú)立供能系統(tǒng)的簡單疊加，而是通過對多種供能單元的協(xié)同調(diào)控以及對供需雙側(cè)的協(xié)同優(yōu)化，在滿足系統(tǒng)能量需求的同時獲得比各能量系統(tǒng)獨(dú)立運(yùn)行更高的效益。針對由蓄電池、蓄熱槽、微型燃?xì)廨啓C(jī)、余熱鍋爐以及熱電負(fù)荷組成的熱電聯(lián)供系統(tǒng)的運(yùn)行優(yōu)化問題進(jìn)行研究，建立了多目標(biāo)機(jī)會模型。文獻(xiàn)將能量樞紐優(yōu)化設(shè)計問題分解為設(shè)備容量配置和系統(tǒng)運(yùn)行能量分配問題，采用遺傳算法和粒子群算法分別尋優(yōu)［3］。但傳統(tǒng)人工智能算法對大規(guī)模綜合能源系統(tǒng)高維優(yōu)化問題的求解速度普遍較慢。針對該問題，部分學(xué)者嘗試通過對歷史信息的遷移學(xué)習(xí)，提升算法收斂速度。2.3.2電力系統(tǒng)穩(wěn)定控制及評估電力系統(tǒng)的穩(wěn)定控制主要考慮系統(tǒng)在受到擾動后能否正常運(yùn)行。輸配電網(wǎng)的開發(fā)以及電力市場的參與程度提升都增加了電力系統(tǒng)穩(wěn)定控制的不確定因素和難度。對于電網(wǎng)結(jié)構(gòu)的變化和新型電力設(shè)備裝置的適應(yīng)性不強(qiáng)，難以滿足電網(wǎng)發(fā)展需求?？梢試L試采用數(shù)據(jù)驅(qū)動方法替換過程仿真，借助強(qiáng)化學(xué)習(xí)的自主決策能力，充分挖掘系統(tǒng)環(huán)境信息，直接得到穩(wěn)定控制策略［4］。同時注意到強(qiáng)化學(xué)習(xí)在信息感知和獲取方面的能力較弱，可在前期分析電網(wǎng)環(huán)境信息時，先借助深度學(xué)習(xí)在特征提取方面的優(yōu)勢，提取電網(wǎng)運(yùn)行特征，進(jìn)而提供高價值密度信息作為強(qiáng)化學(xué)習(xí)的輸入數(shù)據(jù)，以提高決策的正確性和控制效率。2.4人工智能在電力系統(tǒng)故障診斷中的應(yīng)用1）專家系統(tǒng)方法：將保護(hù)、斷路器與設(shè)備的映射關(guān)系和專家經(jīng)驗(yàn)知識相融合并規(guī)則表示，形成故障診斷專家知識庫。當(dāng)電網(wǎng)故障時，通過輸入告警信息與知識庫進(jìn)行邏輯匹配來診斷出故障元件。此類方法具有較強(qiáng)的知識表現(xiàn)能力和較強(qiáng)的故障解釋能力，但對不完整數(shù)據(jù)的容忍能力較差，自學(xué)習(xí)能力也較差，且系統(tǒng)的維護(hù)難度非常大。2）粗糙集方法：利用告警信息的冗余性對數(shù)據(jù)間的關(guān)系進(jìn)行挖掘，從故障樣本集中發(fā)現(xiàn)隱含知識，推導(dǎo)出相應(yīng)的診斷規(guī)則。該方法可在告警信息不完備、不確定情況下進(jìn)行診斷推理，具有較強(qiáng)的容錯能力，但對于多重關(guān)鍵信息缺失、含錯等不可觀事件疊加情況，故障診斷效果不夠理想。結(jié)束語隨著人工智能上升到國家戰(zhàn)略高度，人工智能和電力系統(tǒng)及綜合能源系統(tǒng)的融合將愈加緊密。但縱觀目前發(fā)表的研究成果還只是處于“可以用〃的階段，距離"很好用〃還有較長的路要走。在本文結(jié)束部分梳理當(dāng)前亟須深入研究的問題，為后續(xù)研究提供參考。參考文獻(xiàn)：加鶴萍，丁一，宋永華，胡怡霜，尚楠，劉月琴.信息物理深度融合背景下綜合能源系統(tǒng)可靠性分析評述[J].電網(wǎng)技術(shù)，2019,43（01）：1-11.戴彥，王劉旺，李媛，顏擁，韓嘉佳，文福拴.新一代人工智能在智能電網(wǎng)中的應(yīng)用研究