PDF《基于人工智能 Agen t的负荷态势感知及调控方法》

文献[

1 6] 将 互联网 + 技术理念与电能替代进行结合, 提出了面向电能 替代增量负荷调控分析的技术架构及发展路线.然 而随着电力系统环境和用户负荷设备趋于多元化、 智能化的发展, 人工智能( a r t i f i c i a l i n t e l l i g e n c e , A I ) 的应用将成为必然. A I技术起源可追溯至1

9 5 6年, 而随着近年来 以Google公司为代表的科研团队将其深化应用到 生活和生产实践当中, 使得 A I技术迅速成熟[

1 7] , 并 已发展至可以部分投入应用的阶段, 为需求侧智能 化提升提供了新的手段.2

0 1 8年, 国家标准化管理 委员会指导发布了《 人工智能标准化白皮书》 [

1 8] , 对AI的概念、 现状、 标准化技术体系等方面进行了阐 述.系统的 A I技术虽然在智能用电领域的应用尚 处于起步阶段, 但是目前 A I技术中的神经网络、 决 策树、 随机森林( r a n d o mf o r e s t , R F) 、 深度学习等核 心系列算法也已得到应用研究, 文献[

1 9 -

2 2] 分别将 神经网络应用于系统频率控制、 风电功率预测、 空间 负荷预测、 广义电力负荷建模中;

文献[

2 3 -

2 5] 将深 度学习算法分别应用于多能源系统优化调度、 光伏 出力预测和系统暂态稳定性评估中;

R F 算法的应

1 第4 2卷 第期

2 0

1 8年月日 V o l .

4 2N o . . ,

2 0

1 8 D O I :

1 0.

7 5

0 0 / A E P S

2 0

1 8

0 3

2 9

0 0

6 地质制版 \ \ D z

0 2 \ D \倪超\电力系统自动化\许鹏-A 1校样 排版: 倪超 时间

2 0

1 8年1 1月1

5 章节序号 公式序号 图序 表序 参考文献顺序引用 附录引语核查 用则更为广泛, 在业务 分类[

2 6] 、 负荷预测[

2 7] 、 关联辨识[

2 8] 、 行为检测[

2 9] 等方面均有所应用. 为深入学习需求侧负荷态势的时序规律及关联 特性, 本文提出一种基于 A I代理( A g e n t ) 的负荷态 势估计方法, 通过时序特征拓展改进 R F算法, 实现 对于用户负荷行为的精准预测分析, 进而指导其在 具体技术应用中的调控实现.

1 智能用电下的 A I技术体系 文献[

3 0 ] 对广义的 A I技术体系进行了较为详 细地阐述, 并归结为计算视觉、 认知推理、 语言通信、 博弈伦理、 机器人学、 机器学习6个子学科.就本文 应用场景而言, 而由于需求侧的任务需求相对社会 化AI要简单许多, 场景目标性也较强, 因而在具体 的应用中, 强相关的支撑技术体现为以下4个方面. 计算视觉: 通过对于用户负荷相关数据( 曲线) 的学习, 能够识别提取其中的特征量, 并与先验学习 的知识建立联系, 典型应用如非侵入式监测、 负荷模 型动态识别、 行为特征提取等. 认知推理: 在单一的认知学习基础上实现对于 负荷状态关联等方面的 暗 知识学习, 即通过推理 获悉直接对象之外的潜在知识, 如负荷间存在的关 联性, 或电价/温度等其他外界条件变化可能导致的 负荷行为变化等. 博弈伦理: 当出现可交互和可协同的事件时, 负 荷之间的协作及用户之间( A g e n t之间) 的博弈原则, 如何实现经济性及其他多方面的博弈均衡, 典型 如协作式需求响应等. 机器学习: 基于高效智能的算法或学习模式, 实 现对于负荷行为分析、 策略优化、 潜在信息挖掘等目 标问题的不断优化和解答, 寻求更加符合预期目标 或收益原则, 即最低化损失的目标解, 根据具体环节 中问题的差异, 其概念可涵盖深度学习、 增强学习、 因果学习、 感知学习等.由于其强大的方法论适用 性, 因而该方向的应用研究也最为广泛.