PDF《人工智能在电力系统及综合能源系统中的应用综述》

2 2] 自组织映射神经网络 K o h o n e n [

2 3] 1. 3.

2 深度学习 深度学习的概念源于对人工神经网络的研究拓 展.含多隐层的多层感知器就是一种典型深度学习 结构.其中, 前面若干个隐层可采用无监督方式自 动从数据中构造出新的特征, 进而逐层提取出更加 抽象的高层类别属性, 发现数据的深层特征表示. 同传统机器学习方法类似, 深度学习也可分为 有监督学习和无监督学习[

2 4 ] . 卷积神经网络(convolutionaln e u r a ln e t w o r k, C NN) 是一种深度监督学习 下的机器学习模型[

2 5] , 而深度置信网络(deepb e l i e fn e t , D B N) [

2 6 ] 、 堆叠自编码器( s t a c k e d a u t o - e n c o d e r , S A E) [

2 7 ] 及受限玻尔兹曼机[

2 8 ] 等则是 无监督学习下的机器学习模型.图2给出了一个典 型的深度学习回归预测模型. 图2 深度学习回归预测模型 F i g .

2 F o r e c a s t i n gr e g r e s s i o nm o d e l o fd e e p l e a r n i n g 1. 3.

3 强化学习 强化学习[

2 9] 的核心是学习系统与环境的反复 交互作用, 如果智能体的某个行为导致环境给予积 极的奖赏, 则智能体后续产生这个行为策略的趋势 便会得到加强.这种智能体与环境的交互过程可由

3 杨挺, 等 人工智能在电力系统及综合能源系统中的应用综述 图3闭环表示.强化学习的目标是在每个离散状态 发现最优策略以使期望的环境反馈奖赏和最大.因此, 强化学习可以仅从所在环境中, 通过判断自身经 历所产生的反馈信息来学会自我改进, 具有比其他 机器学习方法更强大的在线自学习能力, 且对研究 对象的物理模型不敏感.典型的强化学习方法包括 Q 学习[

3 0] 、 深度 Q 网络、 S a r s a方法[

3 1 ] 等. 图3 强化学习智能体与环境的交互过程 F i g .

3 I n t e r a c t i o nb e t w e e nr e i n f o r c e m e n t l e a r n i n ga g e n t a n de n v i r o n m e n t 1. 3.

4 迁移学习 运用已掌握的学习知识来解决另一个新环境中 的问题是人类高级智能的重要表现之一.这也是人 工智能中迁移学习所追求的能力, 即迁移学习可将 在一个场景中学习到的知识迁移到另一个场景中应 用, 使模型和学习方法具有更强的泛化能力.根据 迁移项的不同可分为样本迁移、 特征迁移、 参数模型 迁移和关系迁移, 如图4所示.典型的迁移学习方 法包括TrAdaBoost[32] ,自我学习(self-taughtlearning)[33]等. 图4 迁移学习基本逻辑 F i g .

4 B a s i c l o g i co f t r a n s f e r l e a r n i n g

2 能源领域对人工智能的需求 人工智能是智慧能源的核心支撑技术, 具有应 对高维、 时变、 非线性问题的强优化处理能力和强大 的学习能力, 可有效解决能源系统面临的各种挑战. 首先, 电力系统向智能电网以及综合能源系统 演进的过程中, 已成为结构复杂、 设备繁多、 技术庞 杂的巨维系统.传统单纯依靠物理建模分析的方法 已经难以应对多物理场耦合系统的运行分析要求. 人工智能对具体数学模型依赖程度低, 并善于从数 据中自学习和对源域的迁移学习, 为突破上述技术 瓶颈提供了有效解决途径. 其次, 为保障系统运行稳定、 经济可靠和最优化 管理,越来越多的智能电子设备(intelligentelectronicd e v i c e , I E D) 接入能源系统[

3 4] , 形成了类 型广、 体量大、 维度高的大数据资源.分析处理海量 数据, 并挖掘出隐藏在大数据背后的巨大价值, 需要 人工智能技术运用和实现. 因此, 人工智能技术是电网发展的必然选择, 也 是综合能源转型发展的重要战略支撑.在电网向能 源互联网演进和向高电压大电网广域互联发展的格 局下, 人工智能与电力系统与综合能源系统的深度 融合, 将逐步实现智能传感与物理状态相结合、 数据 驱动与仿真模型相结合、 辅助决策与运行控制相结 合, 从而有效提升驾驭复杂系统的能力, 提高能源系 统运营的安全性和经济性.图5给出了电力系统及 综合能源系统与大数据、 人工智能的关系和系统应 用需求.