機(jī)器學(xué)習(xí)和數(shù)據(jù)驅(qū)動(dòng)算法在智慧發(fā)電系統(tǒng)中的應(yīng)用 - 副本

一、引言幾十年來，火力發(fā)電是造成環(huán)境污染和碳排放的主要因素之一。據(jù)報(bào)道，2018年發(fā)電行業(yè)的碳排放占碳排放增長(zhǎng)的近三分之二，其中燃煤發(fā)電所占比重最大（約占總排放量的30%）。考慮到日益嚴(yán)重的氣候變化問題，世界主要國家被迫確定“將全球平均氣溫的上升幅度控制在工業(yè)化前水平以上低于2℃之內(nèi)”的目標(biāo)。為了實(shí)現(xiàn)這一目標(biāo)，需要對(duì)發(fā)電行業(yè)進(jìn)行改革，具體包括優(yōu)化目前流行的火力發(fā)電的效率，擴(kuò)大可持續(xù)能源（包括水電、太陽能和風(fēng)能）的比例?？刂坪蛢?yōu)化發(fā)電系統(tǒng)對(duì)于其高效和安全運(yùn)行至關(guān)重要。由于發(fā)電系統(tǒng)中各部分存在多時(shí)間尺度的特征，發(fā)電系統(tǒng)通常采用分層控制框架，以完成各層的主要任務(wù)，如圖1所示。在最低的測(cè)量過程層，必須保證重要變量測(cè)量和監(jiān)控的可見性。根據(jù)這些變量，將調(diào)節(jié)控制器放置在現(xiàn)場(chǎng)，以使每個(gè)單回路（如溫度、壓力和水位）控制在上級(jí)監(jiān)控層指定的工作點(diǎn)上?；诖?，本文將調(diào)節(jié)控制水平的性能稱為“機(jī)動(dòng)性”，它描述了目標(biāo)回路在需要時(shí)如何快速和穩(wěn)定地行動(dòng)。監(jiān)控層采用先進(jìn)的控制算法，在滿足操作約束的同時(shí)，通過考慮多變量耦合，最大限度地提高許多交互回路的靈活性。在最高級(jí)別的經(jīng)濟(jì)規(guī)劃中，制定和優(yōu)化總體效率或利潤(rùn)指標(biāo)，為較低層次的動(dòng)態(tài)控制提供穩(wěn)態(tài)工作點(diǎn)。除了自下而上的控制水平外，故障檢測(cè)和診斷（FDD）對(duì)于安全運(yùn)行和維持更長(zhǎng)的發(fā)電廠壽命至關(guān)重要。圖1中的層次結(jié)構(gòu)可用于管理完整的發(fā)電系統(tǒng)（如燃料電池單元）或子系統(tǒng)（如燃煤發(fā)電廠的鍋爐燃燒爐）。圖1

發(fā)電系統(tǒng)或子系統(tǒng)的分層結(jié)構(gòu)，用于監(jiān)測(cè)、控制、優(yōu)化和故障檢測(cè)。一般圖1中的每個(gè)層級(jí)都有一個(gè)精確的模型，這對(duì)于實(shí)現(xiàn)多個(gè)目標(biāo)至關(guān)重要。監(jiān)控層的內(nèi)部變量通常由狀態(tài)觀測(cè)器或基于狀態(tài)空間（SS）模型的卡爾曼濾波器實(shí)現(xiàn)，如電池芯溫度估計(jì)。用于調(diào)節(jié)層的則是廣泛使用的比例-積分-微分（PID）控制器——通常需要一個(gè)參數(shù)整定的過程模型。就靈活性層級(jí)而言，模型預(yù)測(cè)控制（MPC）占監(jiān)控算法的最大份額。MPC采用基于模型的輸出預(yù)測(cè)，將多變量約束優(yōu)化問題轉(zhuǎn)化為一個(gè)滾動(dòng)時(shí)域二次優(yōu)化框架。展示了在太陽能聯(lián)合循環(huán)電廠中的MPC的典型應(yīng)用。對(duì)于經(jīng)濟(jì)規(guī)劃層，動(dòng)態(tài)規(guī)劃是一種非常流行的算法，用于調(diào)度不同電源之間的能量流需求，通常以每小時(shí)運(yùn)行成本來計(jì)算，如復(fù)雜第三代發(fā)電廠的能量成本優(yōu)化或混合發(fā)電廠的運(yùn)行成本優(yōu)化。故障檢測(cè)通常使用的是先驗(yàn)?zāi)Ｐ?，就像最近在燃料電池空氣供給系統(tǒng)中的應(yīng)用一樣。近年來一個(gè)重要的發(fā)展趨勢(shì)是基于經(jīng)濟(jì)模型預(yù)測(cè)控制（EMPC）框架，將經(jīng)濟(jì)性規(guī)劃與監(jiān)控水平結(jié)合形成集成EMPC。該框架能夠根據(jù)系統(tǒng)模型和各種約束條件直接制定經(jīng)濟(jì)指標(biāo)，同時(shí)實(shí)現(xiàn)經(jīng)濟(jì)優(yōu)化和動(dòng)態(tài)運(yùn)行。已有研究表明，可以利用EMPC減少鍋爐-汽輪機(jī)機(jī)組的節(jié)流損失以及提高建筑物熱電聯(lián)產(chǎn)系統(tǒng)的舒適性。傳統(tǒng)的基于模型的方法雖然有效，但其終將無法處理規(guī)模不斷增長(zhǎng)且具有各種不確定性的能源系統(tǒng)。本文總結(jié)了圖1中每個(gè)層級(jí)上通常遇到的幾種典型不確定性。這些不確定性將在下一節(jié)中逐一討論。21世紀(jì)是機(jī)器學(xué)習(xí)（ML）和數(shù)據(jù)科學(xué)蓬勃發(fā)展的時(shí)代；機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)的發(fā)展可能是解決可擴(kuò)展性和不確定性方面困難的關(guān)鍵。在這個(gè)大數(shù)據(jù)時(shí)代，許多學(xué)科，如粒子物理學(xué)、材料學(xué)和過程系統(tǒng)工程，已經(jīng)逐漸產(chǎn)生了研究方法從基于模型的分析到機(jī)器學(xué)習(xí)和基于數(shù)據(jù)驅(qū)動(dòng)（DD）研究的巨大轉(zhuǎn)變。機(jī)器學(xué)習(xí)和基于數(shù)據(jù)驅(qū)動(dòng)的研究技術(shù)徹底改變了現(xiàn)代能源系統(tǒng)的監(jiān)測(cè)、控制和優(yōu)化的方法，包括傳統(tǒng)化石燃料發(fā)電廠和可再生能源系統(tǒng)。常見的機(jī)器學(xué)習(xí)算法包括無監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)（RL），每一種算法都被應(yīng)用于不同層次的能源系統(tǒng)，以解決不同的問題。數(shù)據(jù)驅(qū)動(dòng)技術(shù)通常使用實(shí)時(shí)或歷史數(shù)據(jù)直接控制過程，包括迭代反饋調(diào)節(jié)（IFT）、迭代學(xué)習(xí)控制（ILC）和自抗擾控制（ADRC）。數(shù)據(jù)驅(qū)動(dòng)方法通常比機(jī)器學(xué)習(xí)方法具有更大的適用范圍和更快的運(yùn)行速度，它能滿足監(jiān)管控制層級(jí)的高實(shí)時(shí)性要求，應(yīng)用廣泛。本文并不試圖對(duì)所有能源系統(tǒng)應(yīng)用中的每種方法進(jìn)行全面的討論，相反，本文旨在展示如何適當(dāng)運(yùn)用機(jī)器學(xué)習(xí)和基于數(shù)據(jù)驅(qū)動(dòng)的方法，以提高發(fā)電系統(tǒng)的可見性、機(jī)動(dòng)性、靈活性、經(jīng)濟(jì)性和安全性（簡(jiǎn)稱“五性”），來應(yīng)對(duì)各個(gè)層級(jí)所出現(xiàn)的不確定性挑戰(zhàn)。根據(jù)圖1，“五性”可定義如下：?可見性——可測(cè)量變量的測(cè)量和傳輸以及內(nèi)部不可測(cè)量變量的估計(jì)。?機(jī)動(dòng)性——底層調(diào)節(jié)控制響應(yīng)的快速性和準(zhǔn)確性，主要是在單回路過程中。?靈活性——多變量協(xié)調(diào)在監(jiān)督控制水平上可以達(dá)到的程度。?經(jīng)濟(jì)性——整個(gè)系統(tǒng)或重要子系統(tǒng)的經(jīng)濟(jì)成本或效益。?安全性——系統(tǒng)的FDD，防止對(duì)發(fā)電系統(tǒng)造成危險(xiǎn)。在智慧發(fā)電中，可見性層級(jí)是其他層級(jí)的基礎(chǔ)，因?yàn)樗婕案兄糜诳刂?、?yōu)化和診斷的內(nèi)部參數(shù)。強(qiáng)大的機(jī)動(dòng)性級(jí)別是實(shí)現(xiàn)靈活性和經(jīng)濟(jì)性的有力保證，而安全級(jí)別是保護(hù)整個(gè)系統(tǒng)安全的基本保障。本文全面回顧了機(jī)器學(xué)習(xí)和數(shù)據(jù)驅(qū)動(dòng)方法在電力行業(yè)的應(yīng)用：從傳統(tǒng)火力發(fā)電到新興的可再生能源領(lǐng)域；從確定性場(chǎng)景到不確定性場(chǎng)景；從整個(gè)運(yùn)行管理框架的底層到頂層。本文選擇不確定性處理視角的原因如下：?不確定性廣泛存在于發(fā)電系統(tǒng)的各個(gè)層面。正如RogerBrockett所說，“如果系統(tǒng)、控制或環(huán)境中沒有不確定性，那么反饋控制在很大程度上是不必要的。”?不確定性的性質(zhì)在不同層級(jí)上有所不同，所以需要各個(gè)層級(jí)單獨(dú)考慮。例如，應(yīng)估計(jì)并抵消靈活性層級(jí)上的干擾不確定性，而經(jīng)濟(jì)性上的環(huán)境不確定性應(yīng)建模為隨機(jī)過程，然后將其考慮在內(nèi)在經(jīng)濟(jì)優(yōu)化過程中。本文側(cè)重于發(fā)電方面，將不討論電網(wǎng)方面的文獻(xiàn)。本文的其余部分組織如下：第2節(jié)討論了底層可見性和機(jī)動(dòng)性，其中數(shù)據(jù)驅(qū)動(dòng)和機(jī)器學(xué)習(xí)算法必須快速響應(yīng)監(jiān)管要求；第3節(jié)回顧了基于數(shù)據(jù)驅(qū)動(dòng)模型的預(yù)測(cè)控制、在能源系統(tǒng)規(guī)劃層面的監(jiān)管靈活性以及各種無監(jiān)管和RL方法，計(jì)算時(shí)間從數(shù)分鐘到數(shù)小時(shí)不等；第4節(jié)對(duì)發(fā)電系統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)的FDD方法進(jìn)行了回顧，并與基于模型的方法進(jìn)行了比較；第5節(jié)總結(jié)了調(diào)查結(jié)果，并闡述了智慧發(fā)電的未來研究方向。二、可見性和機(jī)動(dòng)性可見性要求涉及變量測(cè)量、定量過程表征和隱藏變量軟測(cè)量。測(cè)量信號(hào)中不可避免的隨機(jī)噪聲是在這一層級(jí)上的主要的不確定性。機(jī)動(dòng)性是基于過程識(shí)別和可見性層級(jí)的測(cè)量或估計(jì)信號(hào)實(shí)現(xiàn)的，主要目標(biāo)是抑制不確定性干擾。（一）動(dòng)態(tài)特性系統(tǒng)辨識(shí)是一種用于動(dòng)態(tài)系統(tǒng)的經(jīng)典數(shù)據(jù)驅(qū)動(dòng)的方法。由于物理建模的困難，它通常被視為一個(gè)黑箱。自20世紀(jì)60年代以來，該學(xué)科受到了廣泛關(guān)注并取得了巨大成功，甚至早于機(jī)器學(xué)習(xí)的興盛。通過將某些激勵(lì)作為控制輸入，用于辨識(shí)發(fā)電過程輸入/輸出數(shù)據(jù)背后的基本結(jié)構(gòu)和參數(shù)?；诮?jīng)典階躍響應(yīng)的傳遞函數(shù)識(shí)別是發(fā)電廠中最常用的方法。階躍響應(yīng)識(shí)別在能源系統(tǒng)中的應(yīng)用包括再熱器中的水位控制、燃料電池的溫度控制和多變量流化床燃燒室控制。已有研究表明，經(jīng)典的階躍響應(yīng)方法無法辨識(shí)存在測(cè)量噪聲的高階過程。為了緩解這一問題，參考文獻(xiàn)[33]針對(duì)換熱器（能源系統(tǒng)中常見的高階設(shè)備）開發(fā)了一種混合時(shí)域和頻域的辨識(shí)方法。傳感器噪聲是現(xiàn)代系統(tǒng)辨識(shí)方法需要解決的核心問題。加性高斯白噪聲（AWGN）主要來源于熱噪聲，是發(fā)電系統(tǒng)中最常見的傳感器噪聲。目前已經(jīng)開發(fā)出多種成熟的數(shù)據(jù)驅(qū)動(dòng)的方法來解決能源系統(tǒng)中的AWGN，最常用的方法是使用最小標(biāo)準(zhǔn)，如平方誤差。對(duì)于單輸入單輸出系統(tǒng)（SISO），參考文獻(xiàn)[35]給出了一個(gè)示例，其中使用自適應(yīng)遞歸最小二乘法（ARL）實(shí)時(shí)識(shí)別燃料電池混合系統(tǒng)模型的回歸參數(shù)，即具有AWGN的線性差分方程或具有額外輸入的自回歸（ARX）模型。該ARX模型基于遞歸最小二乘法（RLS）識(shí)別方法，是幾乎所有發(fā)電行業(yè)最常用的抵消AWGN的方法之一，包括風(fēng)力發(fā)電行業(yè)、太陽能發(fā)電行業(yè)、火力發(fā)電行業(yè)和儲(chǔ)能系統(tǒng)行業(yè)。而對(duì)于非高斯有色噪聲，參考文獻(xiàn)[42]中的電池參數(shù)識(shí)別研究引入了一種輔助變量方法，該方法改進(jìn)了最小二乘識(shí)別方法，優(yōu)于傳統(tǒng)RLS。當(dāng)涉及SS模型描述的多狀態(tài)系統(tǒng)時(shí)，噪聲問題變得更加棘手。對(duì)于具有未知參數(shù)（即灰盒）的SS物理模型，Cramer-Rao界分析用于電池和混合儲(chǔ)能系統(tǒng)的參數(shù)識(shí)別，以處理電池電壓測(cè)量中的AWGN。為了避免理論解中的分析困難，啟發(fā)式優(yōu)化方法被廣泛用于識(shí)別能源系統(tǒng)，如燃料電池、太陽能電池和水輪的SS模型參數(shù)。對(duì)于沒有任何物理機(jī)制和SS模型的黑箱系統(tǒng)，通常采用子空間識(shí)別（SID）。此類系統(tǒng)的示例包括燃料電池、電廠再熱器和流化床燃燒器。上述系統(tǒng)識(shí)別方法通常需要特定類型的輸入激勵(lì)信號(hào)，并且主要作用于線性系統(tǒng)。隨著機(jī)器學(xué)習(xí)方法的發(fā)展，這一慣例發(fā)生了變化，機(jī)器學(xué)習(xí)方法能夠識(shí)別基于大量數(shù)據(jù)記錄的復(fù)雜非線性系統(tǒng)。淺層神經(jīng)網(wǎng)絡(luò)（NN）是能源系統(tǒng)中最常用的方法之一，如燃料電池的動(dòng)態(tài)建模、鍋爐-渦輪機(jī)組和太陽能發(fā)電。為了降低結(jié)構(gòu)風(fēng)險(xiǎn)，支持向量機(jī)（SVM）也廣泛用于能源系統(tǒng)識(shí)別。在過去10年中，隨著深度學(xué)習(xí)的重新興起，長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）變得越來越普遍，因?yàn)樗芨玫靥幚戆l(fā)電系統(tǒng)的時(shí)間序列數(shù)據(jù)。（二）軟測(cè)量由于能源系統(tǒng)中的一些關(guān)鍵變量可能無法直接測(cè)量，軟測(cè)量技術(shù)，包括基于模型的狀態(tài)估計(jì)和數(shù)據(jù)驅(qū)動(dòng)的相關(guān)算法，可以有效地觀測(cè)系統(tǒng)內(nèi)部的情況，并為控制層提供反饋信號(hào)。基于模型的狀態(tài)估計(jì)通常存在隨機(jī)噪聲的不確定性和傳感器的不精確性等問題。一些數(shù)據(jù)驅(qū)動(dòng)的方法已被用來彌補(bǔ)這一不足，如基于狀態(tài)增強(qiáng)和反饋校正的電池芯溫度估計(jì)?；跀?shù)據(jù)驅(qū)動(dòng)代數(shù)相關(guān)的軟測(cè)量方法旨在通過測(cè)量次要變量來估計(jì)不可測(cè)量變量（也稱為主要變量）。雖然在系統(tǒng)運(yùn)行時(shí)無法直接測(cè)量，但主要變量可以脫機(jī)測(cè)量和（或）間歇性訪問，每個(gè)樣本的成本很高。所以，軟測(cè)量的基本任務(wù)是根據(jù)有限的觀測(cè)數(shù)據(jù)，確定主要變量和次要變量之間的關(guān)系。為此，可以使用回歸或曲線擬合。例如，學(xué)習(xí)證據(jù)回歸模型，將其作為軟傳感器來監(jiān)測(cè)磨煤機(jī)中的粉末濃度；訓(xùn)練偏最小二乘（PLS）回歸來預(yù)測(cè)1000MW級(jí)發(fā)電廠中NOx的排放。（三）監(jiān)管控制為了實(shí)現(xiàn)強(qiáng)大的靈活性，許多反饋控制器被部署在調(diào)節(jié)控制層級(jí)。該層級(jí)接收來自可見性層級(jí)的信號(hào)和來自上層的參考命令。其主要目標(biāo)是減輕不可測(cè)量和不確定性干擾的影響。對(duì)每個(gè)回路進(jìn)行建模和設(shè)計(jì)單獨(dú)的反饋控制器既十分耗時(shí)又很昂貴。因此，數(shù)據(jù)驅(qū)動(dòng)的控制方法在工業(yè)調(diào)節(jié)控制中起著核心作用。本文回顧了PID控制、自抗擾控制和ILC在一些典型擾動(dòng)中的應(yīng)用。PID控制仍然是發(fā)電系統(tǒng)中的主要控制器，因?yàn)樗子谑褂茫谝罂焖俜磻?yīng)的環(huán)境中，計(jì)算時(shí)間可以忽略不計(jì)。PID控制使用比例、積分和實(shí)時(shí)誤差數(shù)據(jù)推導(dǎo)的組合，而不是物理模型，來調(diào)整執(zhí)行器并在最佳條件下保持設(shè)備運(yùn)行。困難通常在于調(diào)整控制器參數(shù)。工程師有時(shí)采用機(jī)器學(xué)習(xí)技術(shù)來提高性能，如神經(jīng)網(wǎng)絡(luò)增強(qiáng)PID控制在火力發(fā)電廠、燃料電池、太陽能發(fā)電廠和風(fēng)力渦輪機(jī)中的應(yīng)用。此外，模糊邏輯在風(fēng)力渦輪機(jī)、燃料電池、太陽能發(fā)電和聯(lián)合循環(huán)發(fā)電廠中非常流行，用于在線調(diào)整PID參數(shù)。為了能充分利用歷史數(shù)據(jù)的潛力，還對(duì)IFT進(jìn)行了研究，以調(diào)整鍋爐-汽輪機(jī)機(jī)組的PID參數(shù)。IFT是一種有趣的方法，通過學(xué)習(xí)以前任務(wù)的性能來迭代地提高控制性能。由于PID控制在處理非線性和模型不確定性方面的局限性，自抗擾控制正在成為一種突破性的數(shù)據(jù)驅(qū)動(dòng)控制技術(shù)。與PID控制相同，自抗擾控制器的設(shè)計(jì)不需要物理模型。與PID控制相比，自抗擾控制的主要優(yōu)點(diǎn)在于它具有兩個(gè)自由度，在設(shè)定點(diǎn)跟蹤和干擾抑制方面都能產(chǎn)生令人滿意的性能。自抗擾控制的數(shù)據(jù)驅(qū)動(dòng)補(bǔ)償機(jī)制如圖2所示。首先設(shè)計(jì)一個(gè)擴(kuò)展?fàn)顟B(tài)觀測(cè)器來估計(jì)未知?jiǎng)討B(tài)和外部干擾，然后通過分析輸入和輸出數(shù)據(jù)直接補(bǔ)償控制輸入中的未知?jiǎng)討B(tài)和外部干擾。增強(qiáng)型設(shè)備，即圖2中的灰色塊，可以作為串級(jí)積分器過程進(jìn)行近似補(bǔ)償，從而可以容易地設(shè)計(jì)外環(huán)控制器。參考文獻(xiàn)[29]表明，自抗擾控制器具有抗積分飽和能力，適用于1000MW級(jí)發(fā)電廠的再熱器。通過鍋爐爐膛控制中的實(shí)驗(yàn)應(yīng)用，討論了自抗擾控制器的整定。通過引入串級(jí)自抗擾控制結(jié)構(gòu)，電廠過熱溫度的波動(dòng)顯著降低。最近，自抗擾控制器還被引入風(fēng)力渦輪機(jī)、光伏發(fā)電和燃料電池的監(jiān)管控制中。圖2

自抗擾控制器數(shù)據(jù)驅(qū)動(dòng)干擾補(bǔ)償結(jié)構(gòu)。kp：比例增益；e：反饋誤差；b0：過程增益；ESO：擴(kuò)展?fàn)顟B(tài)觀測(cè)器。ILC專門用于解決周期性干擾，盡管在發(fā)電系統(tǒng)中的應(yīng)用相對(duì)有限，但仍然得到了控制界的廣泛關(guān)注。通過學(xué)習(xí)前面序列中相應(yīng)的時(shí)間步，ILC在每個(gè)時(shí)間步逐步修改控制動(dòng)作。發(fā)電系統(tǒng)中典型的周期性擾動(dòng)和探索性ILC應(yīng)用包括燃料電池陽極凈化過程和風(fēng)力渦輪機(jī)峰值負(fù)荷。三、靈活性和經(jīng)濟(jì)性靈活性是指監(jiān)控級(jí)別協(xié)調(diào)多個(gè)回路之間操作的能力，構(gòu)成了盈利能力的基礎(chǔ)。為了尋求最大利潤(rùn)和最小成本，盈利水平計(jì)算中間層過程變量的最佳條件。因此，更大的靈活性使高度互動(dòng)的能源系統(tǒng)能更容易、更安全地在選定的幾個(gè)操作條件下得到維護(hù)，并具有最大的經(jīng)濟(jì)效益。（一）靈活性系統(tǒng)靈活性的監(jiān)控層級(jí)主要負(fù)責(zé)兩個(gè)基本監(jiān)管回路的協(xié)調(diào)。更靈活的多變量控制器設(shè)計(jì)策略使系統(tǒng)在任何干擾后能快速地轉(zhuǎn)換回經(jīng)濟(jì)性最優(yōu)的狀態(tài)。多變量模型仍然很重要，目前在監(jiān)控應(yīng)用（包括發(fā)電應(yīng)用）中發(fā)揮著基本作用。由于發(fā)電過程中嚴(yán)格的安全要求，純數(shù)據(jù)驅(qū)動(dòng)控制的研究和應(yīng)用受到一定限制。沒有模型，通常很難保證多變量控制系統(tǒng)的穩(wěn)定性。然而，基于模型的控制的主要挑戰(zhàn)是在條件轉(zhuǎn)換、設(shè)備老化和環(huán)境變化期間的模型不確定性。為此，機(jī)器學(xué)習(xí)和數(shù)據(jù)驅(qū)動(dòng)技術(shù)可以提高系統(tǒng)對(duì)模型不確定性的魯棒性。對(duì)于計(jì)算資源有限的傳統(tǒng)監(jiān)控應(yīng)用，通常使用模糊邏輯調(diào)整參數(shù)以提高性能。通過識(shí)別電廠主蒸汽壓力的一組線性模型，使用模糊邏輯在線調(diào)整解耦PID控制器的參數(shù)，以適應(yīng)磨煤機(jī)的不確定條件。同樣，為光伏/燃料電池發(fā)電廠開發(fā)了基于平滑度的智能模糊邏輯控制器，以實(shí)現(xiàn)對(duì)電力系統(tǒng)的快速穩(wěn)定響應(yīng)。開發(fā)了一種混合經(jīng)典和模糊控制方法，用于控制電廠鍋爐的蒸汽溫度和水位。模型信息可用于增強(qiáng)多變量自抗擾控制器的數(shù)據(jù)驅(qū)動(dòng)控制性能，如水箱中的多變量控制應(yīng)用和火力發(fā)電廠的直接能量平衡控制。鑒于工業(yè)計(jì)算能力的快速發(fā)展，上述監(jiān)控方法有些過時(shí)，這使得先進(jìn)的、算力需求較大的控制算法（如MPC）得以應(yīng)用。當(dāng)缺少物理模型時(shí)，通常使用SID方法為MPC開發(fā)數(shù)據(jù)驅(qū)動(dòng)模型。參考文獻(xiàn)中提出了模糊聚類與SID組合的方法，以便在MPC框架下制定和處理鍋爐-汽輪機(jī)機(jī)組的多變量耦合和運(yùn)行約束。對(duì)于沒有完全在線測(cè)量所有輸出變量的燃料電池系統(tǒng)，SID方法直接嵌入MPC，以實(shí)現(xiàn)完全數(shù)據(jù)驅(qū)動(dòng)控制。最近，數(shù)據(jù)驅(qū)動(dòng)增強(qiáng)型MPC被用于燃煤發(fā)電廠的污染控制和碳捕獲控制。除了數(shù)據(jù)驅(qū)動(dòng)方法外，機(jī)器學(xué)習(xí)方法還與MPC相結(jié)合。神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練MPC模型，并在動(dòng)態(tài)能量管理系統(tǒng)中取得了成功。此外，最小二乘支持向量機(jī)（LS-SVM）和偏最小二乘支持向量機(jī)分別用于識(shí)別燃料電池系統(tǒng)，在此基礎(chǔ)上部署MPC，以實(shí)現(xiàn)對(duì)工作溫度有約束的快速功率跟蹤。參考文獻(xiàn)[96]中針對(duì)核電廠過熱蒸汽供應(yīng)系統(tǒng)提出了一種基于多層感知的MPC?；跈C(jī)器學(xué)習(xí)的MPC的主要缺點(diǎn)是通常無法保證閉環(huán)穩(wěn)定性。（二）經(jīng)濟(jì)性經(jīng)濟(jì)性規(guī)劃是發(fā)電系統(tǒng)規(guī)劃的最高水平。它的時(shí)間步長(zhǎng)通常為小時(shí)或天，因此有足夠的時(shí)間計(jì)算較低級(jí)別的經(jīng)濟(jì)參考。傳統(tǒng)上，數(shù)據(jù)挖掘的方法用于根據(jù)歷史數(shù)據(jù)計(jì)算最經(jīng)濟(jì)的操作。例如，在最近的無監(jiān)督學(xué)習(xí)應(yīng)用中，首先通過主成分分析（PCA）減小電廠脫硫系統(tǒng)的歷史數(shù)據(jù)的量，然后使用模糊C-均值聚類方法得出具有相似操作條件的多個(gè)組。因此，運(yùn)行系統(tǒng)的經(jīng)濟(jì)參考可確定為類似組的最低脫硫成本點(diǎn)。換言之，主成分分析和聚類相結(jié)合的方法旨在通過將當(dāng)前工況與其所屬組中類似的運(yùn)行工況進(jìn)行比較來尋找最佳點(diǎn)。然而，這種方法只能搜索數(shù)據(jù)庫的現(xiàn)有條件，不能保證最優(yōu)性。這是一種不同于鍋爐燃燒優(yōu)化的方法?；谧钚《酥С窒蛄繖C(jī)，對(duì)鍋爐燃燒效率和污染物排放量進(jìn)行了大量的回歸分析。然后采用遺傳算法優(yōu)化條件設(shè)置，平衡燃燒效率和污染排放。當(dāng)涉及可再生能源發(fā)電系統(tǒng)時(shí)，由于不確定環(huán)境變量的存在，如風(fēng)和陽光的周期，以及各種負(fù)荷的波動(dòng)，使得經(jīng)濟(jì)規(guī)劃更加困難。為此，對(duì)每個(gè)不確定變量的合理預(yù)測(cè)對(duì)于下一步的盈利能力決策至關(guān)重要。這可能是發(fā)電領(lǐng)域最活躍的研究領(lǐng)域，有大量文獻(xiàn)研究了各種機(jī)器學(xué)習(xí)算法。以風(fēng)電預(yù)測(cè)為例，各種人工神經(jīng)網(wǎng)絡(luò)（ANN）結(jié)構(gòu)，包括前饋、時(shí)間序列、遞歸和深度神經(jīng)網(wǎng)絡(luò)，已被用于將不同的天氣變量映射到一系列不同時(shí)間尺度（如每日、每周和每月）的確定性風(fēng)電預(yù)測(cè)值。風(fēng)力發(fā)電的統(tǒng)計(jì)特性通過貝葉斯方法進(jìn)行評(píng)估，如稀疏貝葉斯學(xué)習(xí)、貝葉斯非參數(shù)方法和馬爾可夫鏈蒙特卡羅（MCMC）方法，以得出一定范圍內(nèi)的概率分布。最近，開發(fā)了一個(gè)兩層式機(jī)器學(xué)習(xí)模型，以產(chǎn)生確定性和概率性的風(fēng)電預(yù)測(cè)，其中天氣變量（溫度、濕度、壓力和風(fēng)向）通過深度特征選擇塊進(jìn)行預(yù)處理。如文獻(xiàn)所述，最先進(jìn)的太陽能和負(fù)荷預(yù)測(cè)方法與風(fēng)能的預(yù)測(cè)方法相似。隨著間歇性可再生能源和不確定負(fù)荷的預(yù)測(cè)，優(yōu)化混合發(fā)電和儲(chǔ)能系統(tǒng)的經(jīng)濟(jì)規(guī)劃成為可能。RL似乎是一個(gè)很有前途的數(shù)據(jù)驅(qū)動(dòng)解決方案，因?yàn)樗词箾]有模型也能處理具有不確定性的優(yōu)化問題。RL繼承自馬爾可夫決策過程（MDP）框架，由環(huán)境中的一組代理狀態(tài)、每個(gè)代理的一組可能操作以及控制動(dòng)態(tài)轉(zhuǎn)換、偏好和觀察的規(guī)則來描述。通過與宿主環(huán)境交互（即接收觀察和獎(jiǎng)勵(lì)），RL代理選擇適當(dāng)?shù)牟僮饕宰畲蠡?jiǎng)勵(lì)。為了克服傳統(tǒng)優(yōu)化方法的分析挑戰(zhàn)，無論是否有物理/仿真模型，RL將極端尋求或經(jīng)濟(jì)規(guī)劃轉(zhuǎn)化為發(fā)電系統(tǒng)的純數(shù)據(jù)學(xué)習(xí)問題。一個(gè)直觀的單代理Q-學(xué)習(xí)示例來自風(fēng)能轉(zhuǎn)換系統(tǒng)（WECS）的最大功率點(diǎn)跟蹤（MPPT）控制，其中RL代理是風(fēng)力渦輪機(jī)，過渡狀態(tài)是轉(zhuǎn)子速度和電功率輸出，動(dòng)作是速度調(diào)整命令，獎(jiǎng)勵(lì)定義為電功率輸出的增量。針對(duì)多電源分布式發(fā)電，提出了一種以燃料電池、柴油發(fā)電機(jī)、電池、海水淡化裝置和電解槽等可調(diào)節(jié)裝置的累積期望折扣回饋?zhàn)畲?，來減少系統(tǒng)的油耗裝置為主體的多智能體模糊學(xué)習(xí)方法。通過這些可調(diào)元件之間的RL協(xié)調(diào)行動(dòng)，可最大化減少耗能，以確保系統(tǒng)可靠性并最大限度地減少化石燃料消耗。深度強(qiáng)化學(xué)習(xí)（DRL）被引入，利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的逼近能力來解決復(fù)雜的能源網(wǎng)絡(luò)問題。關(guān)于RL和DRL在發(fā)電系統(tǒng)中應(yīng)用的進(jìn)一步示例，可在最近的調(diào)查中查閱。四、安全性——故障檢測(cè)和診斷通常，智慧發(fā)電中用于FDD的方法分為兩類：基于模型的方法和基于實(shí)例的方法?；谀Ｐ偷姆椒▽で笤O(shè)備的輸入、狀態(tài)和輸出之間的定量關(guān)系，受潛在設(shè)備不確定性的影響。計(jì)算目標(biāo)輸出和模型預(yù)測(cè)之間的殘差，如果累計(jì)殘差大于規(guī)定閾值，則檢測(cè)并隔離故障。以某制粉系統(tǒng)為例，利用SS方程建立了基于觀測(cè)器的FDD模型，用于監(jiān)測(cè)漏煤、堵磨等故障。實(shí)驗(yàn)結(jié)果表明，基于觀測(cè)器的FDD方法在標(biāo)稱情況下表現(xiàn)良好。然而，未知干擾或不確定性可能導(dǎo)致基于觀測(cè)器的FDD模型表現(xiàn)不夠好。為防止此類故障，一種數(shù)據(jù)驅(qū)動(dòng)FDD方法被開發(fā)出來。這種方法基于可測(cè)過程數(shù)據(jù)構(gòu)建魯棒的殘差生成器以檢測(cè)故障，如應(yīng)用在存在未知干擾和測(cè)量噪聲的情況下的風(fēng)機(jī)故障檢測(cè)與診斷中。此外，數(shù)據(jù)驅(qū)動(dòng)的FDD方法可能不需要來自工廠的先驗(yàn)信息。在參考文獻(xiàn)中可以找到風(fēng)力渦輪機(jī)故障檢測(cè)的應(yīng)用，其中比較了神經(jīng)網(wǎng)絡(luò)和其他回歸方法。數(shù)據(jù)驅(qū)動(dòng)基于實(shí)例的方法還將具有不同故障類型的歷史樣本視為位于由輸入、輸出和（或）狀態(tài)組成的混合特征空間中的模式。然后將新的觀測(cè)結(jié)果與歷史模式進(jìn)行比較，以確定是否存在斷層；如果是，則檢測(cè)到的故障將被分配到已知的最相似的故障類型。數(shù)據(jù)驅(qū)動(dòng)的方法是基于案例的方法解決分類問題，而基于模型的方法是解決回歸問題。換句話說，任何分類算法都可以重新調(diào)整用途并部署為FDD模型。類似地，燃料電池FDD基于分類算法進(jìn)行。參考文獻(xiàn)對(duì)支持向量機(jī)和自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）分類器進(jìn)行了研究，以識(shí)別汽輪機(jī)機(jī)組的故障狀態(tài)。對(duì)于基于能源系統(tǒng)分類算法的其他FDD模型，感興趣的讀者可查閱參考文獻(xiàn)及其中的文獻(xiàn)。普遍存在的不確定性阻礙了FDD在發(fā)