文/韩笑，赵日晓，闫冬，张东霞，赵琦
摘要
面对电力人工智能当前应用场景繁多，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典型应用范式，并结合电力应用场景需求阐述了这些范式在当前电力行业工业界的广泛应用或具有的良好前景，为未来电力人工智能算法应用提供了进一步的指导。
关键字
人工智能算法；电力系统；应用范式
0 引言
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应用已得到部署落地，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、语音识别和文字识别等技术在设备外观类缺陷识别、电话客户服务、施工现场安监等场景中已达到甚至超越人类水平，但存在可理解性差、鲁棒性差、稳定性差等问题；基于自然语言处理、知识图谱、认知推理等技术在标准规范管理、故障处理措施推荐、调度指令自动生成等场景中部分常规简单任务上达到了人类水平；基于混合增强智能、群体智能、博弈优化、生成对抗等技术的决策智能，目前在多能源协调优化、系统紧急控制、电力交易决策等场景有了一定的前沿研究与应用曙光，但是还无法达到大规模部署应用。
不同的人工智能算法具有不同的诞生背景，以及所解决的关键问题与引领算法发展的核心思想，面对电力行业特殊的安全稳定运行、实时能量平衡等需求，也在各领域场景应用过程中出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应用不仅包括其核心算法，往往在数据输入与模型结果输出之间存在多个环节，根据人工智能技术在处理复杂问题的不同环节，将其分为需求分析、构建数据集、模型构建及模型应用4个环节。需求分析环节主要是对待求业务问题的深入理解和信息的获取过程，体现为明确待求解问题在人工智能技术中的分类，包括回归、决策、分类等。构建数据集环节主要是根据获得的历史信息数据，对数据进行预处理，以及对输入训练集与测试集的划分，体现为数据清洗、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、依据训练集优化模型参数、算例仿真验证模型有效性的过程。模型应用主要实现合适模型集成实施架构的选择，并研发相应的可视化界面与反馈模块的过程。以此为基础衍生出人工智能技术在电力系统应用领域的典型应用范式。
1 电力系统分类算法典型应用范式
人工智能中分类技术在电力系统具有广泛的应用，其应用场景包括电力系统用户画像、趋势分析、推荐系统、图像分类和文本分类等。分类型范式数据集构建主要根据场景分析确定的结果，分类型应用范式包括场景分析、数据标签及输出构建、网络结构选择和测试评估性能四个环节。
1.1 场景分析
场景分析环节是针对不同业务场景进行分析、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、趋势分析、推荐系统、图像分类和文本分类等。确定后期使用的算法类型和技术路线等。
1.2 数据标签及输出构建
与回归模型的数据样本不同，通常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说明，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)。而对于网络的输出则是对应的不同类别数。
1.3 网络结构的选择
（1）针对人工神经网络、深度学习等人工智能方法，需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训练信息处理能力有所提高，但同时也使网络变得繁琐复杂，对网络性能上，以及训练速度都有一定影响。
② 隐含层节点数的确定
隐含层节点数的选取一般都是进行试凑，通过在网络训练中选取不同的节点数分析比较最后得出的预测结果误差，然后确定选取最优的节点数。一般情况下，隐含层的数量不宜过多，为了进一步提高网络训练的精度，可以增加隐含层节点数，但同时网络复杂程度将提升。
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，在满足了误差要求的情况下，要尽量较少的数；试凑时，隐层节点数的选取并不是无限取下去，而是尽量小于n-1( 其中 n为训练样本数 )。
③ 网络参数初始化
初始权值和阈值选取也是一个需要考虑的问题，选取不恰当会影响最后结果。常用的激励函数包括Sigmoid函数、Tanh函数、ReLU函数等，如果初值取得太大，可能会导数激励函数输入过大，进而达到饱和。
④ 学习速率的选取
对于学习速率的选择问题，由于权值和阈值的修正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，又会影响训练的速度。
（2）针对支持向量机等方法，需要选取核函数及核函数参数。
① 映射函数的确定
寻找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，并在特征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方式对参数进行优化更新，确定线性回归函数的最优参数。
③ 选取合适的核函数
选择不同形式的核函数就可以生成不同的支持向量机，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
通过训练集的训练，构建具有良好分类准确度的分类模型。在此基础上，采用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。
分类型应用范式可广泛应用在电力系统中发、输、变、配、用电等领域，以及在新能源领域有一定的应用。
发电领域，火力发电厂实施设备状态检修面临的问题，如何在现有的监测技术基础上，充分利用数据库和数据挖掘等信息技术，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，为设备的状态检修提供辅助决策信息，是当前火力发电厂实施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分析后，可利用数据挖掘中的决策树分类算法，对反映设备状态的各类指标数据进行分析，挖掘设备状态的分类规则。
电力输电线路点多、线长、面广，特别是高压、特高压输电线路输送容量大、输电距离远，以及线路沿途通道状况、环境条件、天气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、大雾等恶劣天气，以及山火、施工碰线等外力破坏是导致线路故障跳闸的最主要因素，占全部故障跳闸总数的 80% 以上。按照分类型应用范式的流程，对场景进行分析，利用输电线路防外破、线路缺陷识别、飘浮物和覆冰检测等图像分析算法，解决传统人工线路巡视效率低、高空作业风险大的问题，提升了工作效率效益和线路本质安全，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，并进行智能分析检测。当检测到车辆、施工机械或树木等外物接近输电线路超过允许距离，以及输电线路本体缺陷、附着异物、舞动和覆冰等重大隐患时，会主动预警短信通知相关巡视人员，保障线路安全运行。
在用电领域，分类型应用范式可对国家电网客户用电异常行为分析。近年来，窃电方式也由野蛮窃电发展到设备智能化、手段专业化、行为隐蔽化、实施规模化的高科技窃电，给反窃电工作增加了很大难度。分类型应用范式可基于实时收集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，提高反窃电工作效率，降低窃电行为分析的时间及成本。利用公司关于用户用电量、电能表停走、电流失流、计量们打开灯计量异常情况、窃电行为等相关数据，构建经过现场电工人员现场确认的窃电用户清单，利用大数据分析算法与技术，发现窃电用户的行为特征，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，降低窃电损失。
2 电力系统回归算法典型应用范式
理解业务问题并收集获取可靠历史信息，确定待求解问题在人工智能技术中属于回归问题；进行数据预处理，包括数据清洗、数据转换、数据降维等，并进行训练集与测试集的划分；根据不同的电网业务需求，选择合适的人工智能算法，搭建网络框架，并通过训练集调整模型参数，以构建最优模型，最后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，选择合适的模型集成实施架构，并根据业务人员需求，研发相应的可视化界面与反馈模块。回归型应用范式流程，如图1所示。
图1 回归型应用范式流程图
2.1 输入及输出的确定
输入和输出需要根据具体选取的样本情况而定。这里以配电网负荷数据为例进行说明。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征相关因素，包括当天的温度（最高温度、最低温度和平均温度）、天气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。最后将样本数据划分为训练集和测试集。
2.2 网络结构的选择
（1）针对人工神经网络、深度学习等人工智能方法，需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训练的信息处理能力有所提高，但同时也使网络变得繁琐复杂，对网络的性能和训练速度都有一定影响。
② 隐含层节点数的确定
隐含层节点数的选取一般都是进行试凑，通过在网络训练中选取不同节点数分析、比较，最后得出预测结果误差，然后确定选取最优的节点数。一般情况下，隐含层的数量不宜过多，为了进一步提高网络训练精度，可以增加隐含层节点数，但同时提升了网络复杂程度。
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，在满足误差要求的情况下，尽量取较少的数；试凑时，隐层节点数的并不是无限制选取，而是尽量小于n-1( 其中n为训练样本数 )。
③ 网络参数初始化
初始权值和阈值的选取也是一个需要考虑的问题，选取不恰当会影响最后结果。常用的激励函数包括 Sigmoid函数、Tanh函数、ReLU函数等，如果初值取得太大，可能会导数激励函数输入过大，进而达到饱和。
④ 学习速率的选取
对于学习速率的选择问题，由于权值和阈值的修正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，又会影响训练的速度。
（2）针对支持向量机等方法，需要选取核函数及核函数参数。
① 映射函数的确定
寻找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，并在特征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方式对参数进行优化更新来确定线性回归函数
的最优参数。
③ 选取合适的核函数
选择不同形式的核函数就可以生成不同的支持向量机，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
构建训练好的回归模型，采用测试集对模型进行测试，输出结果值，并对结果进行分析和评价。
（1）以负荷预测为例进行回归问题技术特征分析负荷预测和配电台区重过载预测是基于人工智能技术的一个回归预测。
负荷预测以历史负荷数据为基础，并考虑影响负荷变化的因素，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分析，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，可有效解决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应用和发展。
深度学习的概念基于人工神经网络，是一种以机器学习为基础的含多隐藏层的多层感知器，它可以通过组合低层特征抽象出更加深入的数据特征，具有更好的学习性能。该方法是以深度学习模型为手段，以提取深层特征为目的学习方法。目前，将深度学习的方法应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术特征分析
风电、光伏预测，可再生能源日前场景生成属于机器学习中的回归问题。依据预测结果的物理类型，光伏出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，包括时间序列回归、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长时间尺度优化，但无法给出预测结果的概率与波动区间。概率性预测适应在复杂天气条件下，光伏出力短时波动较大的情况。
光伏出力概率预测的结果给出预测时刻光伏设备所有可能的出力值及其概率，从而对预测点的不确定性进行描述。传统的概率预测方法通常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出力的分布情况与功率区间；然而在不同天气条件下，光伏出力的分布特性并不完全一致，采用单一分布函数无法准确描述光伏出力的随机特性。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；同时对输入特征进行构建，并采用适当的训练方法学习模型中的变量，从而准确表征输入特征与光伏出力间的关系。此外，极限学习机等方法也应用在光伏出力预测中。
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 电力系统决策算法典型应用范式
决策问题是指实际状态与期望状态之间存在的一种需要缩小或排除的差距。传统运行方式的多样性决定了实际运行工况难以与离线分析的方式完全匹配，同时调度员要在电网遭受大扰动后的很短时间内进行分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，电网的暂态稳定分析决策大多采用离线分析、人工决策的方式由调度员凭借自身经验来实现。然而，电力系统运行方式的多样性决定了实际运行工况难以与离线分析的方式完全匹配，同时调度员要在电网遭受大扰动后的很短时间内进行分析决策也是极其困难的。
强化学习是一种源自刺激和响应的机器学习方法，因其在解决连续决策问题上的成功而流行起来。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应用成果。基于深度强化学习的电力系统决策应用流程，如图2所示。
图2 基于深度强化学习的电力系统决策应用
3.1 理解业务问题并收集获取可靠历史信息
在应用人工智能技术之前，首先要理解业务目标，确保人工智能技术是合适的工具。一般情况下，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对正确使用人工智能技术至关重要。在收集获取历史信息时，需要明确哪些信息数据与待求目标之间存在内在联系。电网控制决策方面，需要提前获取包括发电机无功、发电机电磁功率、发电机机械功率、节点电压、发电机速度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
人工智能技术的应用依赖于数据的输入。数据是构造人工智能技术输入特征的基础，在人工智能领域中，数据和特征决定了学习能力的上限，数据对于模型有着直接影响。
然而，不论是采用经典奈奎斯特采样或是压缩感知的采样方式，时常会因为传感器、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干扰导致数据丢失的现象。由于电网数据采集的不可重复性，在冗余量不足的情况下，使用缺失数据进行分析，毋庸置疑得出的结论与正确的规律有较大偏差，因此需要对数据进行预处理，包括数据清洗、数据转换、数据降维等。在此基础上选取和构建的样本数据或特征变量能够合理地反映电网的运行状况，使通过人工智能技术建立和训练后的模型更具备科学性。最后，需要对样本数据按一定比例分为训练集和测试集。
3.3 确立合适的方法并建立模型
针对不同的电网业务需求问题，需要确立合适的方法。
（1）目标函数的确定
分析问题，建立相应的数学模型，并构建目标函数。例如，针对可再生能源出力不确定性对微电网经济性的影响，需要以微电网总发电成本最优为优化目标，构建目标函数。
（2）约束条件的确定
与数学模型相对应，对于待求解问题中，需要考虑应用场景的实际情况，因此就会存在一些强制性约束。例如，在电网优化调度中，首先需要满足电源功率平衡；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、蓄电池荷电状态的上下限值、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；同时还需要满足，调频电源的功率等约束条件。
（3）优化迭代更新
初始化参数并获得初始值，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，在满足约束条件的基础上，计算相应的目标函数，并与此前的最优值进行对比，直至满足收敛条件或达到最大迭代次数。最终获得待求解问题的全局最优值。
应用方面，暂态稳定紧急控制的目的是以最小的控制代价，保证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，应用领域不断扩大，基于人工智能技术的紧急控制研究已有进展。基于人工智能的紧急控制方法具有学习能力强、算法框架灵活、具备在线应用价值等优势。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，在线应用时输入电网实时信息，从而得到控制策略。
基于人工智能的暂态稳定分析、控制方法，通常需要从大量训练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。而离线样本的特征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简单，若系统实际运行状态超出样本涵盖的特征范围则可能无法做出正确判别。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为电力系统安全稳定辅助决策工具。
4 结束语
本文根据任务类别总结并阐述了三种主要电力人工智能应用范式和实际应用。未来，电力人工智能将进一步向强鲁棒人机协同混合增强、高泛化性迁移学习、可解释性知识与数据融合等方向发展，在基础支撑层面，突破群体智能、混合增强智能、跨媒体智能等人工智能前沿技术在电网智能调度辅助决策中的融合应用，解决电网优化控制与人机融合决策的难题；在业务能力层面，通过在技术与业务深度融合方面的长期攻关，复杂环境下电网知识的自主发现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融合决策的智慧能源系统发展期。
（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
智慧能源专题