择要

面对电力人工智能当前运用处景繁多，发展水平与模型性能参差不齐的现状，本文从分类、回归与决策三个任务角度，总结了电力人工智能算法的范例运用范式，并结合电力运用处景需求阐述了这些范式在当前电力行业工业界的广泛运用或具有的良好前景，为未来电力人工智能算法运用供应了进一步的辅导。

关键字

人工智能算法；电力系统；运用范式

0 弁言

当前电力人工智能生态体系得到了有效发展，在实际生产中的部分领域已取得一定成效，一些较成熟的电力人工智能运用已得到支配落地，并融入进生产业务流程中。
以感知、认知和决策三个层次来看，基于图像识别、语音识别和笔墨识别等技能在设备外不雅观类毛病识别、电话客户做事、施工现场安监等场景中已达到乃至超越人类水平，但存在可理解性差、鲁棒性差、稳定性差等问题；基于自然措辞处理、知识图谱、认知推理等技能在标准规范管理、故障处理方法推举、调度指令自动天生等场景中部分常规大略任务上达到了人类水平；基于稠浊增强智能、群体智能、博弈优化、天生对抗等技能的决策智能，目前在多能源折衷优化、系统紧急掌握、电力交易决策等场景有了一定的前沿研究与运用曙光，但是还无法达到大规模支配运用。

不同的人工智能算法具有不同的出身背景，以及所办理的关键问题与引领算法发展的核心思想，面对电力行业分外的安全稳定运行、实时能量平衡等需求，也在各领域场景运用过程中涌现了适用性与性能水平差异。
在工程生产环境的电力人工智能运用不仅包括其核心算法，每每在数据输入与模型结果输出之间存在多个环节，根据人工智能技能在处理繁芜问题的不同环节，将其分为需求剖析、构建数据集、模型构建及模型运用 4 个环节。
需求剖析环节紧张是对待求业务问题的深入理解和信息的获取过程，表示为明确待求解问题在人工智能技能中的分类，包括回归、决策、分类等。
构建数据集环节紧张是根据得到的历史信息数据，对数据进行预处理，以及对输入演习集与测试集的划分，表示为数据洗濯、数据转换、数据降维等操作。
模型构建环节是实现网络框架搭建、模型参数初选、依据演习集优化模型参数、算例仿真验证模型有效性的过程。
模型运用紧张实现得当模型集成履行架构的选择，并研发相应的可视化界面与反馈模块的过程。
以此为根本衍生出人工智能技能在电力系统运用领域的范例运用范式。

1 电力系统分类算法范例运用范式

人工智能等分类技能在电力系统具有广泛的运用，其运用处景包括电力系统用户画像、趋势剖析、推举系统、图像分类和文本分类等。
分类型范式数据集构建紧张根据场景剖析确定的结果，分类型运用范式包括场景剖析、数据标签及输出构建、网络构造选择和测试评估性能四个环节。

1.1 场景剖析

场景剖析环节是针对不同业务场景进行剖析、理解，以及信息的获取过程，明确范式对应的场景，如用户画像、趋势剖析、推举系统、图像分类和文本分类等。
确定后期利用的算法类型和技能路线等。

1.2 数据标签及输出构建

与回归模型的数据样天职歧，常日分类模型的输入中带有标签信息。
此处以变压器故障分类问题为例进行解释，对不同变压器的运行信息状态可确定七种故障类型，即高能放电 D2、低能放电 D1、局部放电 PD、高温过热 T3( ＞ 700℃ )、中温过热 T2 (300 ～ 700℃ )、低温过热 T1( ＜ 300℃ ) 和放电兼过热 DT。
样本数据集可表示为 (x1, y1),(x2, y2),…, (xn, yn)。
而对付网络的输出则是对应的不同种别数。

1.3 网络构造的选择

（1）针对人工神经网络、深度学习等人工智能方法，须要确定隐含层层数和隐含层节点数。

① 隐含层层数的确定

增加隐含层的层数对网络演习信息处理能力有所提高，但同时也使网络变得繁琐繁芜，对网络性能上，以及演习速率都有一定影响。

② 隐含层节点数的确定

隐含层节点数的选取一样平常都是进行试凑，通过在网络演习中选取不同的节点数剖析比较末了得出的预测结果偏差，然后确定选取最优的节点数。
一样平常情形下，隐含层的数量不宜过多，为了进一步提高网络演习的精度，可以增加隐含层节点数，但同时网络繁芜程度将提升。

确定隐层节点数有以下基本的原则：进行试凑时要从较小节点数开始，逐渐增大，在知足了偏差哀求的情形下，要只管即便较少的数；试凑时，隐层节点数的选取并不是无限取下去，而是只管即便小于n-1( 个中 n 为演习样本数 )。

③ 网络参数初始化

初始权值和阈值选取也是一个须要考虑的问题，选取不恰当会影响末了结果。
常用的勉励函数包括Sigmoid 函数、Tanh 函数、ReLU 函数等，如果初值取得太大，可能会导数勉励函数输入过大，进而达到饱和。

④ 学习速率的选取

对付学习速率的选择问题，由于权值和阈值的改动量是学习速率与偏导数的乘积，如果速率太大，可能引起过调；如果太小，又会影响演习的速率。

（2）针对支持向量机等方法，须要选取核函数及核函数参数。

① 映射函数的确定

探求一个输入空间到输出空间的非线性映射Φ，通过映射，将样本集中的数据映射到高维空间 F，并在特色空间中进行线性回归。

② 线性回归函数参数的确定

通过构建极小化目标函数，并引入拉格朗日乘子等办法对参数进行优化更新，确定线性回归函数

的最优参数。

③ 选取得当的核函数

选择不同形式的核函数就可以天生不同的支持向量机，常用的核函数有径向基函数、多项式函数、

感知器函数和线性函数等。

1.4 测试评估性能

通过演习集的演习，构建具有良好分类准确度的分类模型。
在此根本上，采取划分好的测试集对

模型进行分类准确度测试，根据分类效果对分类模型的性能进行评估。

分类型运用范式可广泛运用在电力系统中发、输、变、配、用电等领域，以及在新能源领域有一定的运用。

发电领域，火力发电厂履行设备状态检修面临的问题，如何在现有的监测技能根本上，充分利用数据库和数据挖掘等信息技能，从火电厂的实时监测系统（SIS）和管理信息系统（MIS）中提取有用信息，诊断设备的运行状态，识别故障的早期征兆，为设备的状态检修供应赞助决策信息，是当前火力发电厂履行设备状态检修面临的实际问题。
利用分类型范式对业务进行剖析后，可利用数据挖掘中的决策树分类算法，对反响设备状态的各种指标数据进行剖析，挖掘设备状态的分类规则。

电力输电线路点多、线长、面广，特殊是高压、特高压输电线路运送容量大、输电间隔远，以及线路沿途通道状况、环境条件、景象状况等对线路安全运行影响大。
根据 2010—2017 年运行统计，雷电、大风、雨雪冰冻、大雾等恶劣景象，以及山火、施工碰线等外力毁坏是导致线路故障跳闸的最紧张成分，占全部故障跳闸总数的 80% 以上。
按照分类型运用范式的流程，对场景进行剖析，利用输电线路防外破、线路毛病识别、飘浮物和覆冰检测等图像剖析算法，办理传统人工线路巡视效率低、高空作业风险大的问题，提升了事情效率效益和线路实质安全，实现标准化、规模化、智能化作业。
研发的输电线路在线监测系统，通过安装在杆塔上的智能微拍摄像机抓拍现场图片，并进行智能剖析检测。
当检测到车辆、施工机器或树木等外物靠近输电线路超过许可间隔，以及输电线路本体毛病、附着异物、舞动和覆冰等重大隐患时，会主动预警短信关照干系巡视职员，保障线路安全运行。

在用电领域，分类型运用范式可对国家电网客户用电非常行为剖析。
近年来，窃电办法也由野蛮窃电发展到设备智能化、手段专业化、行为暗藏化、履行规模化的高科技窃电，给反窃电事情增加了很大难度。
分类型运用范式可基于实时网络海量的用户用电行为数据、电力设备监测数据，建立分类模型，提高反窃电事情效率，降落窃电行为剖析的韶光及本钱。
利用公司关于用户用电量、电能表停走、电流失落流、计量们打开灯计量非常情形、窃电行为等干系数据，构建经由现场电工职员现场确认的窃电用户清单，利用大数据剖析算法与技能，创造窃电用户的行为特色，形成窃电用户行为画像，准确识别窃电用户，实现系统更快速、准确地识别窃电用户，提高窃电监测效率，降落窃电丢失。

2 电力系统回归算法范例运用范式

理解业务问题并网络获取可靠历史信息，确定待求解问题在人工智能技能中属于回归问题；进行数据预处理，包括数据洗濯、数据转换、数据降维等，并进行演习集与测试集的划分；根据不同的电网业务需求，选择得当的人工智能算法，搭建网络框架，并通过演习集调度模型参数，以构建最优模型，末了通过测试集进行算例仿真，验证模型性能；根据实际电网业务需求，选择得当的模型集成履行架构，并根据业务职员需求，研发相应的可视化界面与反馈模块。
回归型运用范式流程，如图1所示。

图1 回归型运用范式流程图

2.1 输入及输出的确定

输入和输出须要根据详细选取的样本情形而定。
这里以配电网负荷数据为例进行解释。
针对采样间隔为每小时一次的电力负荷数据样本集(x1,x2,…,xn)，即一天 24 组负荷值。
首先用前一天的 24 组历史负荷数据，以及对负荷影响最大的日特色干系成分，包括当天的温度（最高温度、最低温度和均匀温度）、景象类型和日期类型作为输入样本，这样输入层的节点数取29；而目标输出为当天的24个负荷值，因此输出节点数为24个。
末了将样本数据划分为演习集和测试集。

2.2 网络构造的选择

（1）针对人工神经网络、深度学习等人工智能方法，须要确定隐含层层数和隐含层节点数。

① 隐含层层数的确定

增加隐含层的层数对网络演习的信息处理能力有所提高，但同时也使网络变得繁琐繁芜，对网络的性能和演习速率都有一定影响。

② 隐含层节点数的确定

隐含层节点数的选取一样平常都是进行试凑，通过在网络演习中选取不同节点数剖析、比较，末了得出预测结果偏差，然后确定选取最优的节点数。
一样平常情形下，隐含层的数量不宜过多，为了进一步提高网络演习精度，可以增加隐含层节点数，但同时提升了网络繁芜程度。

确定隐层节点数有以下基本的原则：进行试凑时要从较小节点数开始，逐渐增大，在知足偏差哀求的情形下，只管即便取较少的数；试凑时，隐层节点数的并不是无限制选取，而是只管即便小于 n-1( 个中 n为演习样本数 )。

③ 网络参数初始化

初始权值和阈值的选取也是一个须要考虑的问题，选取不恰当会影响末了结果。
常用的勉励函数包括 Sigmoid 函数、Tanh 函数、ReLU 函数等，如果初值取得太大，可能会导数勉励函数输入过大，进而达到饱和。

④ 学习速率的选取

对付学习速率的选择问题，由于权值和阈值的改动量是学习速率与偏导数的乘积，如果速率太大，可能引起过调；如果太小，又会影响演习的速率。

（2）针对支持向量机等方法，须要选取核函数及核函数参数。

① 映射函数的确定

探求一个输入空间到输出空间的非线性映射Φ，通过映射，将样本集中的数据映射到高维空间 F，并在特色空间中进行线性回归。

② 线性回归函数参数的确定

通过构建极小化目标函数，并引入拉格朗日乘子等办法对参数进行优化更新来确定线性回归函数

的最优参数。

③ 选取得当的核函数

选择不同形式的核函数就可以天生不同的支持向量机，常用的核函数有径向基函数、多项式函数、感知器 (Sigmoid) 函数、线性函数等。

2.3 测试评估性能

构建演习好的回归模型，采取测试集对模型进行测试，输出结果值，并对结果进行剖析和评价。

（1）以负荷预测为例进行回归问题技能特色剖析负荷预测和配电台区重过载预测是基于人工智能技能的一个回归预测。

负荷预测以历史负荷数据为根本，并考虑影响负荷变革的成分，根据系统的社会条件、经济运行条件、自然条件和负荷自身规律等条件，通过对历史数据的处理和剖析，探索数据之间的内在联系和发展规律，建立具有一定预测精度的预测模型，用来确定未来某特定时刻的负荷数据，可有效办理电力供需不平衡问题。

在负荷预测经历多个阶段发展过后，基于人工智能的负荷预测方法受到越来越多的关注。
基于深度学习的方法凭借着其准确性、智能性和高效性，在电力系统负荷预测领域得到广泛运用和发展。

深度学习的观点基于人工神经网络，是一种以机器学习为根本的含多隐蔽层的多层感知器，它可以通过组合低层特色抽象出更加深入的数据特色，具有更好的学习性能。
该方法因此深度学习模型为手段，以提取深层特色为目的学习方法。
目前，将深度学习的方法运用于负荷预测领域已成为大的趋势。

（2）以光伏短期功率预测为例进行技能特色剖析

风电、光伏预测，可再生能源日前场景天生属于机器学习中的回归问题。
依据预测结果的物理类型，光伏着力预测可以分为确定性预测与概率预测。

确定性预测方法以确定的功率值为预测结果，包括韶光序列回归、相似日聚类、深度神经网络等。
确定性预测能够支持调度系统进行永劫光尺度优化，但无法给出预测结果的概率与颠簸区间。
概任性预测适应在繁芜景象条件下，光伏着力短时颠簸较大的情形。

光伏着力概率预测的结果给出预测时候光伏设备所有可能的着力值及其概率，从而对预测点的不愿定性进行描述。
传统的概率预测方法常日预先假设预测目标服从确定的分布函数，如正态分布、Beta 分布或 Weibull 分布等，从历史数据中学习分布函数的参数，从而得到预测点光伏着力的分布情形与功率区间；然而在不同景象条件下，光伏着力的分布特性并不完备同等，采取单一分布函数无法准确描述光伏着力的随机特性。
利用概率神经网络模型，例如贝叶斯神经网络，将神经网络的权重值以概率分布表示，提高模型学习数据随机特性的能力，而不依赖于预设参数；同时对输入特色进行构建，并采取适当的演习方法学习模型中的变量，从而准确表征输入特色与光伏着力间的关系。
此外，极限学习机等方法也运用在光伏着力预测中。

概率神经网络在光伏处理预测中，能够有效应对模型学习数据随机特性的能力，并给出精确的预

测区间，同时也对光伏功率突变具有良好的适应性。

3 电力系统决策算法范例运用范式

决策问题是指实际状态与期望状态之间存在的一种须要缩小或打消的差距。
传统运行办法的多样性决定了实际运行工况难以与离线剖析的办法完备匹配，同时调度员要在电网遭受大扰动后的很短韶光内进行剖析决策也是极其困难的。
由于传统的监测系统无法实时获取系统故障后信息，电网的暂态稳定剖析决策大多采取离线剖析、人工决策的办法由调度员凭借自身履历来实现。
然而，电力系统运行办法的多样性决定了实际运行工况难以与离线剖析的办法完备匹配，同时调度员要在电网遭受大扰动后的很短韶光内进行剖析决策也是极其困难的。

强化学习是一种源自刺激和相应的机器学习方法，因其在办理连续决策问题上的成功而盛行起来。
强化学习与深度学习的结合，被称作深度强化学习，在电力系统中决策领域取得了一定研究与运用成果。
基于深度强化学习的电力系统决策运用流程，如图2所示。

图 2 基于深度强化学习的电力系统决策运用

3.1 理解业务问题并网络获取可靠历史信息

在运用人工智能技能之前，首先要理解业务目标，确保人工智能技能是得当的工具。
一样平常情形下，现实中的已有业务需求都有一套自有的逻辑来支撑，理解业务需求的运行逻辑和目标瞄准确利用人工智能技能至关主要。
在网络获取历史信息时，须要明确哪些信息数据与待求目标之间存在内在联系。
电网掌握决策方面，须要提前获取包括发电机无功、发电机电磁功率、发电机机器功率、节点电压、发电机速率偏差和发电机功角等属性维度的样本数据。

3.2 构建数据集

人工智能技能的运用依赖于数据的输入。
数据是布局人工智能技能输入特色的根本，在人工智能领域中，数据和特色决定了学习能力的上限，数据对付模型有着直接影响。

然而，不论是采取经典奈奎斯特采样或是压缩感知的采样办法，时常会由于传感器、传输设备、转换设备等故障造成部分采集数据丢失问题；亦或是在通信通道，如电力线载波，传播过程中由于信道的滋扰导致数据丢失的征象。
由于电网数据采集的不可重复性，在冗余量不敷的情形下，利用缺失落数据进行剖析，毋庸置疑得出的结论与精确的规律有较大偏差，因此须要对数据进行预处理，包括数据洗濯、数据转换、数据降维等。
在此根本上选取和构建的样本数据或特色变量能够合理地反响电网的运行状况，使通过人工智能技能建立和演习后的模型更具备科学性。
末了，须要对样本数据按一定比例分为演习集和测试集。

3.3 确立得当的方法并建立模型

针对不同的电网业务需求问题，须要确立得当的方法。

（1）目标函数的确定

剖析问题，建立相应的数学模型，并构建目标函数。
例如，针对可再生能源着力不愿定性对微电

网经济性的影响，须要以微电网总发电本钱最优为优化目标，构建目标函数。

（2）约束条件的确定

与数学模型相对应，对付待求解问题中，须要考虑运用处景的实际情形，因此就会存在一些逼迫性约束。
例如，在电网优化调度中，首先须要知足电源功率平衡；其次蓄电池也存在自身的内在约束，如最大最小充放电功率、蓄电池荷电状态的高下限值、充放电状态唯一性、一天中开始与结束时段蓄电池荷电状态守恒等；同时还须要知足，调频电源的功率等约束条件。

（3）优化迭代更新

初始化参数并得到初始值，根据目标函数求取当前最优值，通过对各参数的不断迭代更新，在知足约束条件的根本上，打算相应的目标函数，并与此前的最优值进行比拟，直至知足收敛条件或达到最大迭代次数。
终极得到待求解问题的全局最优值。

运用方面，暂态稳定紧急掌握的目的因此最小的掌握代价，担保系统在遭受严重故障后依然能够保持稳定运行。
随着人工智能理论的日趋成熟，运用领域不断扩大，基于人工智能技能的紧急掌握研究已有进展。
基于人工智能的紧急掌握方法具有学习能力强、算法框架灵巧、具备在线运用代价等上风。
该类方法在离线阶段通过对大量仿真或历史录波数据的学习，利用特定智能算法建立电网信息与输出量之间的映射关系，在线运用时输入电网实时信息，从而得到掌握策略。

基于人工智能的暂态稳定剖析、掌握方法，常日须要从大量演习样本中获取表征电网稳定特性的变量，以此建立输入和输出的映射规则。
而离线样本的特色范围决定了输出结果的准确度，要获取大量具有广泛适应性的样本并不大略，若系统实际运行状态超出样本涵盖的特色范围则可能无法做出精确判别。
因此获取可靠的、大量的、准确的，具有广泛适应性的学习样本是有必要的，虽然样本的获取存在一定难度，但该类型算法仍不失落为电力系统安全稳定赞助决策工具。

4 结束语

本文根据任务种别总结并阐述了三种紧张电力人工智能运用范式和实际运用。
未来，电力人工智能将进一步向强鲁棒人机协同稠浊增强、高泛化性迁移学习、可阐明性知识与数据领悟等方向发展，在根本支撑层面，打破群体智能、稠浊增强智能、跨媒体智能等人工智能前沿技能在电网智能调度赞助决策中的领悟运用，办理电网优化掌握与人机领悟决策的难题；在业务能力层面，通过在技能与业务深度领悟方面的长期攻关，繁芜环境下电网知识的自主创造与优化决策能力大幅提升，实现电网核心业务的人工智能常态化决策，电网进入人机高度互联与深度领悟决策的聪慧能源系统发展期。

（参考文献略）

选自《中国人工智能学会通讯》

2021年第11卷第11期

聪慧能源专题