摘要：谷歌人工智能AlphaGo与国内外围棋顶尖高手的“人机大战”引爆了新一轮人工智能的热潮，各种关于人工智能的报道、评论及展望见诸报端和网络，标志着人工智能，特别是机器学习技术正在走向主流，备受各行业关注。机器学习的快速发展也引发了电力系统科研单位和运行机构对大数据、人工智能等新技术的思考，如何借助新技术的发展，结合电力系统调度运行和分析决策的需求，开展电力大数据分析决策技术的研究，从而提升电网运行的安全性、经济性，提升分析决策的全局性、快捷性，成为当前电力系统领域的研究热点。
关键词：人工智能；电力系统；机器学习；神经网络；深度学习；大数据；数据挖掘
1、引言
对于电网调度运行管理而言，随着特高压交直流电网的建设，特高压直流输电覆盖了公司六个区域电网，相应电网格局和运行特性发生显著变化，电网安全管控面临巨大挑战；风电和光伏等新能源并网容量持续增长，截至2017年底公司经营区风电装机突破1.3亿千瓦，光伏装机突破七千万千瓦，新能源总装机超过2亿千瓦，新能源快速发展带来电源侧的重构，系统运行的不确定性显著增强，电网调节能力严重下降。电网运行的新特点以及面临的新问题，也迫切要求在电力系统领域，利用“互联网+”理念和云计算、大数据及人工智能等新技术，为电力系统分析决策提供了新的解决方法。
2、机器学习研究现状
AlphaGo击败围棋高手、无人驾驶汽车上路、医疗机器人Watson 诊断出世界稀有病例，标志着人工智能，特别是机器学习技术正在走向主流，备受各行业关注。目前对于深度学习的研究主要集中在应用方面，如在图像识别领域，2012年，由人工智能和机器学习顶级学者Andrew Ng和分布式系统顶级专家Jeff Dean领衔的梦幻阵容，开始打造Google Brain项目，采用无监督的方式训练深度神经网络，识别猫脸.2015年微软何凯明团队利用152层网络在ImageNet比赛上将错误率降低到3.57%，Google在2015年的I/O大会上推出的Google photos，可以将相册中的同一个人整合在一起。
3.机器学习在电力系统方面的应用
机器学习在其他领域发展的同时，电力系统承载着越来越多的可再生新能源和电动汽车等主动式负荷，正在发展为信息与物理系统高度融合的能源互联网，不断产生维度高、类型广、体量大的数据资源。传统地单纯依靠物理建模分析的理念方法，已无法充分适应智能电网高维、时变、非线性、受内外部多物理参量（环境、气候、工况等）影响所带来的综合挑战。如何在电力系统管控各环节，全面有效利用机器学习技术，让计算机从电源出力数据、电网潮流数据、用电负荷数据等诸多实际场景中发现问题、挖掘规律、辅助决策，以支持电力系统规划、调度、检修、营销各生产实践环节，是当前备受电力领域关注的热点难点。特别是近几年，电力系统数据呈现爆炸式增长，数据具有来源广、体量大、类型多等特点，如在发、输、变、配、用电以及调度等各个环节，可产生达PB级别的数据体量。数据类型涵盖了结构化、半结构化和非结构化数据，包括实时/历史数据，文本/多媒体数据、时间序列数据等，为机器学习研究提供了数据基础。机器学习在电力系统专家系统领域、电网分析计算、信息预测、大数据存储等领域发展迅速。
3.1 大数据存储领域
钟世冠等在《基于海量电力数据的用电管控平台》中，针对电力企业自动化、信息化高速发展产生的海量电力数据，建立了基于Hadoop的数据存储管理与挖掘平台，结合My SQL数据库，Spark技术，满足了离线、实时储存和处理海量用电数据的要求，在此基础上，结合GIS技术，将分析结果动态展示在GIS地图上，以可视化的方式展示电网各项指标及电力供需情况。
期刊文章分类查询,尽在期刊图书馆李培军等在《电网业务中的海量数据存储技术》分析电网业务中数据类型与特性的基础上，综合考虑电网当前旧设备与通信网络结构的基础上，提出了一种适用于电网业务的分布式存储方案。刚俞等在《一种电力调度海量数据的存储方法》中，通过进一步细分海量数据，并采用合适的存储结构，提出了一种电力调度海量数据的存储方法，对于采样周期大于30分钟所采集的数据采用纵向存储的存储方式，对于采样周期小于等于30分钟所采集的数据采用横向存储的存储方式，使得数据库在存储较长时间的电力调度历史数据后，仍具有较好的数据存取性能。
3.2 专家系统领域
专家系统（ES）是人工智能领域的一个重要分支，它的原理是首先需要对专家在某一个学科领域内的知识和经验进行统计分析，然后采用计算机程序来模拟专家对相同问题的决策过程，最后提出解决问题的方法。例如故障专家系统，可以根据人工提供或现场检测采集到的数据来判断故障发生的具体原因，为排除故障提供参考。在电力系统实际运行时，为保证操作的安全准确性，采用了操作票制度。然而对于现场运行人员来说，编制操作票是一项复杂智能性的劳动，因此可将专家系统应用于编制操作票工作中，这样对于减轻人脑负担和提高准确性都有重要意义。在继电保护中也可采用专家系统，它是针对整个系统中不同保护工作原理，制定相应的鉴别规则、整定原则、核查规则、校正规则等，从而实现设备的智能调整与维护"。
3.3 电网稳定分析计算
随着电力系统规模的日益扩大，设备模型日趋复杂，仿真规模进一步扩大，基于数据模型类方法的在线安全稳定评估也存在计算量大，计算耗时较长（一般完成1轮在线扫描需要数分钟至十多分钟）、对电网模型准确性的要求高等问题，且在仿真分析算法无法取得突破性进展下，基于数据模型类方法在计算速度优化方面的空间有限。目前，国内有相关学者开展了基于人工智能方法的电网安全稳定评估的研究，采用人工神经网络、粗糙集理论、专家系统等技术，实现对安全稳定性的评估。在《基于复合神经网络的电力系统暂态稳定评估与裕度预测》中，提出了一种基于复合神经网络的暂态稳定评估与故障临界切除时间裕度预测的新方法。在《基于信息融合技术的电力系统暂态稳定评估》中，应用信息融合技术对电力系统暂态稳定进行评估，提出了一种基于“结合人工神经网络和D-S证据理论的信息融合模型”的电力系统暂态稳定评估方法。
3.4 信息预测
在信息预测领域，机器学习也发展迅速，特别是在风电预测、负荷预测等领域。有学者针对风电功率受自然环境变化影响，难以建立精确数学模型对其进行预测的问题，采用一种新型的可变模式分解技术，将原始风电功率序列分解为一系列有限带宽子模式以降低其不稳定性，根据子模式的样本熵分析其复杂度并重组得到子序列。仿真结果表明，基于VMD的组合模型较采用聚类经验模式分解时预测精度明显提高，且所提综合模型的预测精度较组合模型有了进一步的改善。
结语
本文主要讨论了机器学习技术在电力系统自动化中的应用，首先阐述了机器学习近年来发展情况，然后对机器学习在电力系统自动化中的应用进行了介绍，主要从大数据存储、专家系统、电网稳定分析领域、信息预测领域分别进行阐述，介绍了各个方向发展现状。机器学习在智能电网中的应用还有很多。未来智能电网将迎来大数据的时代，传统的人工分析方式将难以适应发展的要求，机器学习方法将迎来更广阔的施展空间。
参考文献：
[1]蒋维勇，孙宏斌，张伯明，等。电力系统精细规则的研究[J]。中国电机工程学报，2009，29（4）：1-7.
[2]李云。机器学习中若干特征选择算法研究[D]。上海交通大学，2007.
[3]叶圣永。基于机器学习的电力系统暂态稳定评估研究[D]。西南交通大学，2010。
论文作者:汲广军,杨君军
论文发表刊物:《电力设备》2018年第27期
论文发表时间:2019/3/12
标签：电网论文; 电力系统论文; 数据论文; 机器论文; 人工智能论文; 专家系统论文; 领域论文; 《电力设备》2018年第27期论文;