摘要：人工智能于20世纪被提出，其概念非常宽泛。从工程科学中常用的各种智能计算方法，到专家系统，再到目前热门的深度学习，都属于人工智能的范畴。人工智能的关键含义在于“智能”两字，“智能”有强弱之分，目前人工智能算法还停留在弱“人工智能”的阶段，还远远未达到人们期望的自主认知、主动学习、逻辑推理、综合决策的阶段。构建如人脑一般具有广泛适用性与通用性的智能体难度很大，但是现阶段随着深度学习的发展，人们在构建解决某些特定问题的智能体上已经取得了突破性的进展。本文对人工智能方法在配用电领域的应用进行探讨。
关键词：人工智能；深度学习；故障检测
一、配网故障
对于电力系统，配网线路故障是影响供电可靠性和用户停复电时间的重要因素。现在的配网故障排查主要依赖专家经验，工作复杂且特别耗时。特别是中压线路查障时间过长，复电时间过长造成的影响较大。这很大程度是因为基层人员对故障判断不准确，排查方法不科学，导致故障排查与处理时间过长。配网故障原因可以分为外在因素和内在因素两大类。
外在因素包括：导线是否存在被风刮起的抛挂物；线路附近是否存在触及导线的树木、建筑物和其他临时的障碍物；杆塔下有无烧伤的鸟兽；台架设备是否有小动物存在；避雷器是否雷击导致破损现象，及其引线是否碰触到横担等；内在因素包括导线是否有断股或闪络烧伤的痕迹；各相导线弧垂是否过低，易触碰到另一相导线；对引线及引下线与电杆、拉线、横担是否有碰触现象；各部件的连接点是否牢固，接头是否过热发黑，烧焦现象；绝缘子是否有脏污、裂纹及破损现象，绑线是否松脱；杆上金具是否有松动、倾斜及螺丝脱落，拉线绝缘子是否损坏；开关是否存在套管破损、裂纹、严重脏污和闪络放电痕迹；引线接点和接地是否良好；变压器有无漏油、异味；声音是否正常；套管是否裂纹、严重脏污和闪络；接头接点有无过热、烧伤、锈蚀。
二、配电系统运行优化
在配电网系统运行优化方面，强化学习方法已得到了应用，其基本模型如图1所示。现阶段，将深度学习与强化学习结合为深度强化学习，通过深度学习（如卷积神经网络）提取输入特征，强化学习用于训练决策，有效提高了输出控制策略的有效性。例如，在雅达利2600游戏中，仅将游戏图形作为输入，深度Q强化学习算法实现了超越人类的优秀表现。
图1强化学习基本模型
随着新能源渗透率的提高，电网的稳定控制面临挑战。通过物理建模的手段很难全面考虑电网中的复杂组分。提出了依据深度强化学习的电网紧急控制方法，利用卷积神经网络实现输入数据的特征选择，并通过强化Q学习制定最优决策，实现了紧急情况下电网机组切除控制。除此之外，自动发电控制、电压稳定性控制及微电网控制都是强化学习应用的重要领域。在自动发电控制方面，控制性能标准（controlperformancestandard,CPS)下互联电网自动发电控制（automaticgenerationcontrol,AGC)能有效提高系统运行的经济性，提出了基于强化Q学习的CPS控制策略，提高了控制的鲁棒性。面向区域电网的强化学习方法难以实现区域控制器的协调，将影响系统的频率稳定，提出了多智能体相关均衡Q学习算法，实现了复杂互联电网中的AGC协调控制，具有更优的适用性。CPS指令分配的过程中面临维数灾难问题，提出了一种基于分层相关均衡强化学习的CPS指令优化分配算法，考虑了功率偏差、水电裕度及调节成本等多种因素，提高了复杂扰动环境下指令的合格率。电压稳定是电能质量的重要内容，在无功及电压控制方面，通过方程解析求解获得控制策略的方法对量测数据精度要求较高，实际应用中鲁棒性不强。提出了基于渐进式Q强化学习的电压控制策略，通过全局信息值函数实现了多变电站的实时协调控制。除区域电网外，广域电网的稳定性问题也是一个重要的研究方面。特别是近年来广域量测系统的突破使得设计全系统级别的稳定控制器成为了可能。提出了一种基于分布式多代理系统的强化学习控制算法，实现了严重扰动下系统的快速稳定，减少了振荡过程，同时提高了系统的稳定边界。
在微电网控制方面，微电网可能含有多种微源且运行方式多样，特别是以风电、光伏为代表的分布式电源波动性显著，微电网的频率控制面临挑战。在多代理分层混合控制模型中添加了Q学习算法，在协调微电网运行经济性及环保性的同时，实现了微电网系统频率二次控制。微电网中储能装置的充放电策略对系统的安全、经济运行影响很大，提出了一种基于风电预测的两阶段强化学习方法，实现了不同气象环境下微电网的优化运行。针对并网运行条件下的微电网提出了一种改进的强化学习方法，实现了考虑电价因素的微电网动态、分层最优控制。这种方法解决了输入数据过多引发的维数灾难问题，能够适用于现实场景。提出了适用于含分布式光伏微电网的多代理分布式优化方法，在每个智能体上运行Q学习算法，从而实现环境因素的分布式感知，以及光伏出力和储能工作状态的分布式优化。
三、负荷特性分析
负荷特性分析是电力系统的重要组成部分，把握负荷特性变化的规律与发展趋势对电力系统的分析、设计与控制有着重要影响。在负荷特性分析方法方面，遗传算法、人工神经网络算法等人工智能方法得到了广泛应用。
负荷监测是智能电网建设的重要部分，但当前用户对家庭负荷掌握的信息相当匮乏。在传统非侵入负荷监测技术基础上利用遗传算法对多个负荷特征进行优化求解进而对各类电器进行精确识别与分解。提出了基于长短期记忆递归神经网络的能量分解模型，克服了能量解聚中存在的问题。通过测量整体性能证明了该模型效果优于以前传统模型。提出了一种基于神经网络的点对点用于能量分解的网络的学习方法。通过可视化学习到的特征图，证明了神经网络能从数据中学习到执行能量分解的关键特征。通过多种模型数据集的实验，证明了反向神经网络分类器在负荷识别的有效性和计算设备上优于学习量化分类器。基于非侵入性负载模型与时间序列修改相结合再利用神经网络训练可以识别当前工作的电器类型。利用神经网络结合遗传规划和开关暂态能量分析提出了一种智能家居非侵入式负荷监测系统实现电气设备负荷识别和建立智能家居非侵入式负荷监测系统的新方法，提高非侵入式负荷监测结果的识别精度与负荷识别的效率和计算时间。
在窃电识别方面，用户侧窃电行为造成的非技术性损失不仅对电网企业危害重大，而且对电能质量影响巨大。提出了一种利用多尺度密集连接卷积神经网络进行自动检测的新方法，以捕获序列数据中的长期和短期的周期特征，可以显著提高检测的精度。提出了一种基于广深卷积神经网络模型的新型窃电检测方法。解决了因无法捕捉到耗电量的周期性使得检测精度降低的问题。
结束语
从目前的研究趋势来看，如何应用人工智能方法辅助电力公司实现个性化、多样化的用电服务，无疑是未来研究的热点问题。例如依据人工智能算法在智能电表数据基础上实现非侵入式负荷分解，从而辅助电力公司开展用户需求响应。或者针对用户用电特性，定制个性化的用电用能方案，在帮助用户实现节能减排的同时辅助配电系统安全经济运行，实现用户、供电公司的互惠共赢。未来相关研究应把握人工智能方法的最突出优势，同时结合配用电系统的实际需求开展应用研究工作，必要时借鉴其他领域的应用成果进行有效的方法改进。
参考文献:
[1]陈国恩，李伟，张仲孝，电网故障诊断方法及其系统架构的研究[J].电气技术，2018，19（01）：64-67.
[2]王丰，一种输电线路弱故障识别方法[J]，电气技术，2018，19（06）：37-41.
论文作者:张良
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：电网论文; 提出了论文; 神经网络论文; 人工智能论文; 负荷论文; 算法论文; 方法论文; 《电力设备》2019年第5期论文;