摘要：人工智能是一门研究用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的新的技术科学，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。本文旨在总结人工智能在电力系统中的应用研究和实践工作，为新涉足这一研究领域的研究工作者提供参考。重点介绍21世纪初出现的基于有限样本训练的相关向量机的特点、原理及其在电力系统中的应用。
关键词：人工智能；电力系统；应用研究；实践综述
1人工智能技术概述
人工智能技术基础包括知识表示、推理、搜索、规划，其是由计算机科学、控制论、信息论、神经生理学、心理学和语言学等多学科相互交叉融合进而发展起来的一门综合性前沿学科。各类学科背景的学者从不同的出发点、方法学以及不同的应用领域出发，进行了大量的研究。在长期的研究过程中，由于人们对智能本质的不同理解，针对人工智能技术可划分出多种不同的研究途径和学派，主要包括符号主义、联结主义和行为主义。
2人工智能技术在电力系统领域的运用
2017年3月，人工智能先驱者Google公司推出的AlphaGo在中国乌镇举办的围棋比赛中以三连胜的佳绩大败了世界冠军柯洁，其麾下由200多名相关领域专家组成的DeepMind团队一战成名。随后，Google开始向工业控制和能源领域进发。DeepMind团队与英国国家电网公司合作，探讨人工智能助力电力系统供需平衡技术，对电力系统内部的需求进行智能预测，根据供需的波峰与波谷智能控制风光储的接入量，最大程度实现风、光、储等新能源接入后电网内部的占比平衡，以降低新能源的弃风率和弃光率。目前，DeepMind团队研发的人工智能相关技术应用于Google数据中心，已经同比节省了16%的电量。人工智能技术通过机器智能算法，能够学习和预测Google数据中心的制冷系统用电量，从而实现制冷系统的智能控制。根据统计，2017年全年Google公司的总用电量达到48亿度。这些用电量主要用于全球的移动信息服务、网页服务器支撑、研发技术试验、空调和照明等。借助人工智能技术实现的电量节省，预计在未来几年内将为Google节支1.3亿美元。此外，包括通用电气、美国独立电力公司AES等能源巨头在内的企业，也在积极探索人工智能技术在电力系统内部的应用。其中，通用电气公司的研究重点在于借助人工智能技术进行电网运行优化，对电能流动、消费模式进行智能控制；而AES公司的探索侧重于人工智能在电网减损、设备智能运行、负荷预测等方面的运用，以用于提高电网的运行效率。
3人工智能在电力系统中的实践综述
3.1人工智能在电力系统中应用的早期研究：专家系统
对专家系统的工作模式展开分析，是针对性的以故障诊断为内容的专家系统的知识库形成，再根据所接收到的报警信息，对知识库内容进行更深一步的推理，以获得对故障进行正确诊断的结果，便形成了发现问题-诊断问题-解决问题一套较为完整的方法。故障诊断和产生式规则在实际运行时，均属专家系统所特有的应用的原则，对在产生式规则特性下的故障诊断专家系统得以广泛应用起到了有力的推动作用。
期刊文章分类查询,尽在期刊图书馆电力网络中保护通常是运用的惯用动作的逻辑为直观的、模块化的规则，一级保护与断路器之间的关系易就容易首先被表述；以产生式规则为操作背景的专家系统有允许增加、允许删除或予以有效修改多项运行规则存在，对诊断系统工作开展的实效性有明显的促进作用；可为诸多不确定性问题的解决提供了有力参考依据；可对与人类语言习惯符合的结论总结出，并可辅带完成一些解释工作。另外，事物之间的相关性通过采取分类结构方面的知识可较清晰且有效的表达，进而对继承性知识的有效表述提供了有力支持，并方便进一步完善存储工作，在对所接受到的输电网络报警信息进行处理时，为相关故障的诊断提供了参考依据，这是框架法专家系统所具有的最典型的特征。
3.2人工智能在电力系统中应用的中期研究：神经网络
BP神经网络是一种按误差逆向传播算法训练的多层前馈网络，能学习和存贮大量的输入输出模式映射关系。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值，使神经网络的误差函数最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层，其中隐含层可一层，也可多层．输入层与外部激励打交道，由各输入层神经元传递给与之相连的隐含层神经元;隐含层是网络内部处理单元的工作区域，中间层处理方式不同会影响模型的处理功能;输出层将网络结果输出，与外部设备联系．各神经元与下一层所有神经元连接，同层神经元之间无连接。
3.3人工智能在电力系统中应用的后期研究：相关向量机
多分类相关向量机(M-RVM)是Damoulasy等人于2008在二分类核函数学习、高斯过程组合协方差函数方法以及高斯先验处理多项概率似然函数方法的基础上，提出的一种基于贝叶斯框架的统计学习算法。M-RVM采用分层贝叶斯模型结构，通过引入多项概率似然函数，实现了多分类和输出类别成员概率。鉴于变压器故障诊断本质为多分类问题，提出了基于M-RVM的变压器故障诊断方法。实现了变压器正常、低能放电、高能放电、中低温过热、高温过热、局部放电六种状态的直接分类，而无需将多分类转换为多个二分类的问题。M-RVM诊断输出是变压器处于上述6种状态的概率，可以为变压器的检修提供更多的可用信息。有研究将M-RVM应用于GIS局部放电模式识别中，作者通过试验建立了相应的超高频信号图谱数据库，然后根据信号特点提取了26个原始特征量；采用主成分分析法对特征空间进行降维处理，最终得到10个新的特征量，将原始特征量和降维后的特征量分别输入到多分类相关向量机(M-RVM)中进行分析，结果表明，以降维后的特征量作为输入量，其识别率要高于降维前的。研究人员将M-RVM应用于有轨电车用燃料电池系统故障诊断中，实现了氢气泄漏、去离子水加湿泵低压、空气压力过低和正常共4种状态的快速识别，准确率可达96.67%。
4结束语
专家系统存在获取专家知识困难和建造周期长的问题，在电力系统中的应用研究主要涉及电力系统报警处理、故障诊断、运行规划、控制和系统分析等。神经网络适用于有大量培训样本而又缺乏显式专家规则的场合，存在参数调优缺乏依据和培训复杂等问题；在电力系统中的应用研究主要涉及负荷预测、电力系统的动态安全估计、电力设备和输电线路的故障诊断。
参考文献
[1]常红艳.电力系统自动化中智能技术的应用[J].电子测试,2016,(18):123-124.
[2]孔晓利.基于人工智能算法改进极限学习机的电力负荷预测[D].天津理工大学,2016.
[3]赵启纯.人工智能技术在电力系统故障诊断中的运用分析[J].电脑知识与技术,2017,13(02):183-185.
论文作者:孟洁,战煦
论文发表刊物:《电力设备》2018年第22期
论文发表时间:2018/12/12
标签：人工智能论文; 电力系统论文; 专家系统论文; 技术论文; 故障诊断论文; 神经元论文; 电力论文; 《电力设备》2018年第22期论文;