摘要：人工智能（ＡＩ）是当前最具颠覆性的科学技术之一，在计算智能、感知智能和认知智能方面具有强处理能力。人工智能技术在电力系统和综合能源系统中的应用，将改变能源传统利用模式，促进系统进一步智能化。文中主要从人工智能概述、电力系统及综合能源系统对人工智能的需求，以及人工智能在能源领域中的应用几个层面进行综述和分析，最后对人工智能在电力系统及综合能源系统中应用所面临的挑战进行了分析和展望。
关键词：人工智能；电力系统；综合能源系统
1人工智能的概念及其优点
1.1人工智能的概念
人工智能的英文缩写为AI，最初提出“人工智能”这一理念是在1956年Dartmouth学会上，之后研究者们开始对人工智能的理论与原理进行深入研究，使得人工智能的概念逐渐扩展。人工智能作为一门新的技术科学，其主要指针对人的智能的模拟、延伸与扩展的理论、方法、技术及应用系统而进行研究与开发。人工智能作为计算机科学的一个分支，其试图对智能有更加深入的了解，并生产一种智能机器，即一种类似于人类智能做出反映的系统。机器人、语言识别、图像识别、自然语言处理与专家系统等是该领域的主要研究对象，人工智能日渐成熟的理论与技术，使其应用领域逐渐扩大，未来人工智能的科技产品将对促进人类生产生活发挥重要作用。
1.2人工智能的优点
人工智能也可以理解为通过模拟人的意识、思维的信息过程，人工智能能够像人一样思考，也可以超过人的智能。人工智能是一门综合的学科，其涉及的内容较广，包括计算机科学、心理学、哲学等；自然科学和社会科学的所有学科都涵括于人工智能当中，思维科学更加注重理论，而人工智能则更加注重实践；思维科学技术的表达需依靠人工智能，人工智能技术的发展与思维科学的发展有着密切联系，两者之间相互依靠、相互促进。根据国务院制定的《“互联网+”行动指导意见》相关内容可知，需进一步加大智能制造投入力度。为了促进智能制造良好发展，可通过智能工厂建设的方式，或者智能制造试点的设置，发挥其示范与引导的作用。在不久的将来，人工智能在人们的生活、工作与教育中将占据重要地位，其将给人们的生产生活带来更大的便捷，人工智能技术的未来发展十分可观。
2人工智能在电力系统及综合能源系统中的应用
2.1人工智能在能源预测中的应用
2.1.1间歇性可再生能源发电功率预测
随着间歇性可再生能源的渗透率提升，发电间歇性和波动性对电网造成的影响愈加明显，准确的可再生能源长短周期发电功率预测对系统稳定以及经济运行都尤为重要。提高间歇性可再生能源发电功率预测精度的关键是构建具有强大数据处理能力和特征提取能力的预测模型，并具有很好的自学习修正能力。传统的预测方法一般为浅层模型，在处理非线性和非平稳特性的风能或光照数据时预测性能较差。为此，部分学者引入深度学习的回归能力改进预测模型。
2.1.2能源负荷预测
能源负荷与价格、政策、天气等多种影响因素相关，难以建立精确的数学模型，阻碍了传统的负荷预测方法获得令人满意的结果。人工智能方法在分析过程中无须建立对象的精确模型，能较好地拟合负荷与其影响因素之间的非线性关系，因此被用于能源负荷预测。尽管采用人工智能进行负荷预测得到了较好的性能，但直接使用深度学习等方法时也存在一些新问题：可用于训练的负荷数据量通常会远小于模型中的参数量，容易出现过拟合[1]。为解决这些问题，需要从时间维度和空间维度扩展负荷数据集，通过数据集的多样性消除单一负荷数据的不确定性，提高预测精度。此外，由于人工智能方法在预测过程中并未建立明确的系统模型，黑盒形式存在计算莫名失败的风险。
期刊文章分类查询,尽在期刊图书馆
2.2人工智能在电力系统及综合能源系统规划中的应用
可再生能源发电单元、新型电力电子设备装置的接入、以电动汽车为代表的主动负荷的增多都给电力系统注入了更多的不确定性，使得规划问题更加复杂困难。1）由于各种新型设备装置的接入，智能配电系统的网络结构和各部分的运行方式灵活多变，使其规划设计与运行问题间形成了强耦合性[2]。2）需求侧与电网的互动使得系统不确定性显著增强，给空间负荷预测乃至整个规划设计带来了新的困难。3）除传统的安全性、可靠性和经济性目标外，智能配电系统还需同时考虑提升综合能源利用效率、最大化绿色能源利用、最小化环境污染影响、最大化社会效益等其他规划目标。
2.3人工智能在系统运行优化与稳定控制中的应用
2.3.1综合能源系统运行优化
综合能源系统并非多个独立供能系统的简单叠加，而是通过对多种供能单元的协同调控以及对供需双侧的协同优化，在满足系统能量需求的同时获得比各能量系统独立运行更高的效益。针对由蓄电池、蓄热槽、微型燃气轮机、余热锅炉以及热电负荷组成的热电联供系统的运行优化问题进行研究，建立了多目标机会模型。文献将能量枢纽优化设计问题分解为设备容量配置和系统运行能量分配问题，采用遗传算法和粒子群算法分别寻优[3]。但传统人工智能算法对大规模综合能源系统高维优化问题的求解速度普遍较慢。针对该问题，部分学者尝试通过对历史信息的迁移学习，提升算法收敛速度。
2.3.2电力系统稳定控制及评估
电力系统的稳定控制主要考虑系统在受到扰动后能否正常运行。输配电网的开发以及电力市场的参与程度提升都增加了电力系统稳定控制的不确定因素和难度。对于电网结构的变化和新型电力设备装置的适应性不强，难以满足电网发展需求。可以尝试采用数据驱动方法替换过程仿真，借助强化学习的自主决策能力，充分挖掘系统环境信息，直接得到稳定控制策略[4]。同时注意到强化学习在信息感知和获取方面的能力较弱，可在前期分析电网环境信息时，先借助深度学习在特征提取方面的优势，提取电网运行特征，进而提供高价值密度信息作为强化学习的输入数据，以提高决策的正确性和控制效率。
2.4人工智能在电力系统故障诊断中的应用
1）专家系统方法：将保护、断路器与设备的映射关系和专家经验知识相融合并规则表示，形成故障诊断专家知识库。当电网故障时，通过输入告警信息与知识库进行逻辑匹配来诊断出故障元件。此类方法具有较强的知识表现能力和较强的故障解释能力，但对不完整数据的容忍能力较差，自学习能力也较差，且系统的维护难度非常大。2）粗糙集方法：利用告警信息的冗余性对数据间的关系进行挖掘，从故障样本集中发现隐含知识，推导出相应的诊断规则。该方法可在告警信息不完备、不确定情况下进行诊断推理，具有较强的容错能力，但对于多重关键信息缺失、含错等不可观事件叠加情况，故障诊断效果不够理想。
结束语
随着人工智能上升到国家战略高度，人工智能和电力系统及综合能源系统的融合将愈加紧密。但纵观目前发表的研究成果还只是处于“可以用”的阶段，距离“很好用”还有较长的路要走。在本文结束部分梳理当前亟须深入研究的问题，为后续研究提供参考。
参考文献：
[1]加鹤萍，丁一，宋永华，胡怡霜，尚楠，刘月琴.信息物理深度融合背景下综合能源系统可靠性分析评述[J].电网技术，2019，43（01）：1-11.
[2]戴彦，王刘旺，李媛，颜拥，韩嘉佳，文福拴.新一代人工智能在智能电网中的应用研究综述[J].电力建设，2018，39（10）：1-11.
[3]孙秋野，杨凌霄，张化光.智慧能源—–人工智能技术在电力系统中的应用与展望[J].控制与决策，2018，33（05）：938-949.
[4]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:徐超
论文发表刊物:《电力设备》2019年第5期
论文发表时间:2019/7/8
标签：人工智能论文; 系统论文; 能源论文; 电力系统论文; 负荷论文; 智能论文; 电网论文; 《电力设备》2019年第5期论文;