()2019,431·人工智能在电力系统及综合能源系统中的应用·
优化任务的学习,极大提高了算法的收敛性,并可有效解决传统R维数灾”问题。因此,L面临的“TRL所示。
]53
在电力系统应用越趋成熟,其算法体系[如图1
5 PL原理及应用
5.1 PL原理
中科院自动化研究所王飞跃教授2017年1月,
D/RL0\*??24????TLRL????1??????KME4??????D/????K????3\??????3??D/6????????????????L3??D/????6??????????33??AGC??#????-@????Fig.1 Algori图th1ma r电力系统chitectureToRfTL算法体系
RLforpowersy
stems在[5-87]
负荷预测SG领域,[88化[90、短期风速预测TL已在无功优化8
][89
]、短期电力]]、碳能复合流分散优率控制、经济[91]
等方面得到了初步应用风险调度[62
、孤岛微电。网此外源—,荷文献协同[频将域无功电压控制TL与PSO算法结合用于集群风电场并网的92区]
;文献[学习算法等9结3]合则将形成T一L与一致性算法、
致性迁移习算法用于虚拟发电部落L中的Q-Q-学“分散自治、A集中协调GC的分散功率动态指令分配,达到了”的效果。在法、RL算法结合形成更高级的EI领域,相关学者已将TTLL与启发式算法用于多能源SI算
系统的联合优化调度
[94
]度[53,56
]、电力系统分散、电力系统供需互动实时调
化[51-53,90
]、含风—光—车的式AG最C优功碳率能指复令合动流态优分配[53]、经济风险调度[62]等方面,取得了不错的
效果。
近年来,有关学者还尝试将来训练深度策略网络。例如,DRL与TL结合用
(在深度D。QN总的来说)中引入,T以提高学习性Q-学习网络对于L来加快收敛速度,能凸或E非E含多凸PS领域中不连续可微、极值、多约束的的NLP问题,引入TL能
够将历史优化任务的有效信息转化到值函数中,从而实现快速的在线优化。而将算法结合,则可构成更高级的级联式算法TL与其他,M对求解问L和SI题具有很好的适应性,具有优化效果好、收敛速度快等优势。当然,中出现的小数据和个性化问题值得关注TL也并非万能,其在知识迁移过程。此外,当目标任务和源任务的动作空间不相等时导致迁移方式不易实现。在进行工程问题研究时,其收敛性证明比较困难,且迁移过程中出现的不稳定性将无法有效保障算法的迁移能力。
20
等[14-15]
提出了一个新型的习(统理论PL)
,,学习(StaP可实现虚实互动的平行智能ML理论框架g
L大致可分为数据处理(eⅡ)两个互相耦合关联St的a。,即平行学
ge基于平行系阶段Ⅰ,)和行动A图A5所示。PL是一个把“
小数据”炒成如“大附数录据”,再把“大数据”提炼成解决具体问题的精准知识
的“小智能”的过程[14
]据、小定律”的过程(即从牛顿定律到默顿定律的升
,即“小数据、大定律”到“大数
华[14]
),使得ML从已知训练样本集(有限小数据)走向了自我探索获取海量假想训练样本这也是(无限大数
据)的时代[95
],AI超越人类智力的分水岭。
近期,王飞跃等将上述PL与机结合,提出了一种新颖的平行强化学习RL的决策能力进行有
(论框架[96]
参见本文附录。关于A第PL及A8节PR。
L原理的具体细PR节L描)
理述
5.2 PL在EEPS领域中的应用
王飞跃等[7]
指出未来将进入“工业业与人类社会将充分融合,形成更为复5.0
杂”的时代信息,工—
物理—社会融合系统(即[95
]于“互联网出可充分将+“”工业进一步提出了CPS“S能源)5。.王”[7飞]
跃等借助能源行业,形成“平5.行0”[7]
的平行理论和技术应用于0的概念,提能源[97]
飞跃等[14-15,96]
提出的一系列新型”。在上述背景下,王更好地解决数据取舍、行动选择等传统ML理论框架可以题[前,PL已在虚拟场景生成如、
“无人驾驶车辆智能测试维数灾”问题ML理论不能很好解决的问14],[95-98]
。目、社会计算等多个领域得到了较好的应用效果[
99
]王飞跃教授团队自。念[100],2015年提出“工业20出“
40.4”年提出与“能源“
平行智能”概到I2015—2017年提平行0能源”、“社5.0会”
能构想[7]
源”和,(oM等理念[6,101-102
]个单位合作paralleldisp,a将tcPhL)”,和上述概念框架再到[10230],1其间相继与国8年提出“
平行、
构想与框架应用到内调外度多E[-7]行能源的调度优化EPS领域多个场景中来6,102-104
、运行控制与智慧管理系统,搭建了SG和平
。其
中,与中国华电集团合作开展了如下研究:并采用“能源目[7]
5.0”理念,建设了分布式“能源利用5.PL项,决方案,形成了分布式能源系统运行优化的智能化解
0”
;利用度较好的火力发电厂进行了智能监控和平行管理规
PL和火电发电5.0框架,
对某信息程划[7],能很好地引导实际系统按优化方式运行。此
R程乐峰,等 机器学习在能源与电力系统领域的应用和展望
外,基于P还可对智能家居的能L搭建的平行系统,
7]
。进一步,源系统进行设计和运行管理[基于生活
]101-102
,)”源”的概念[认为可从社会中“挖掘(mining
习惯的大数据分析,可提供能效分析和建议、个性化电价、节能方案等。
104]
近年来,基于人工电力系统的建模理念[和
能源,并进一步将PL引入大规模复杂电力系统的
103]
,调度中,提出了“平行调度”的概念和框架[为电
力系统的调度提供了一个新范式,如图2所示。此
6
———P并用于制定混合动力车ML理论框架9RL,
辆的自适应能量管理策略,其计算速度和控制效果
[]
运行于区块链上的“智能分布式电力能源系统”理
][0]1056
,(、念[王飞跃等从A即人工系统(计CP法1A)
外,王飞跃等将P提出了一种全新的L与RL结合,都远优于传统的RL方法。
,算实验(和平行执行(其核心技术之一为PC)P)L)核心思想出发,相继提出了“平行能源”和“社会能
??7,??24??;??24+??=????????A????+@????????,??@??????A????+????
????p(a1/st)????????p(aN/st)st????p(an/st)??????D??U????a??4??'??s??+??(p(a1/st)????44????D??vt*4??????t+@????vt??,??24st+1??????9??044????????24????441??????44m??????44Mvt+1,1??p(a1/st)????@0??O+*4??,24??????????p(aN/st)vt+1,MM??????44*??????????+;??24图2 电力系统调度的PL框架
Fi.2 PLframeworkforpowersstemdisatchgyp
可见,PL已在EEPS的应用中初见端倪。未
来,在“工业4.和“能源5.背景下,平0”0”PL结合“
[]95]
、系统I调度机器人”开发[oM建设6、EEPS“
[0]3104]
、、人工电力系统搭建[基EEPS平行调度研究1
行系统来产生海量的训练样本供机器进行学习,这对于研究人员来说是个不小的挑战。
、“行智能”平行能源和社会能源”等理念在综合能源
6 HL原理及应用
6.1 HL原理
HL表示将至少两种优势互补的ML方法集成或综合为一种性能更强的ML。HL的典型代表是
于区块链技术的智能分布式电力能源系统建
]105107]、模[基于“核能5.的平行核电系统仿真[等0”方面将具有很大应用潜力,期待取得突破性进展。
指示学习的PL可以很好地解决传统ML理论不能有效解决的一些问题,比如数据取舍、行动选择
]14
。但由于P等[其很多细节之处L近年来才提出,尚需完备的理论证明。此外,应用PL方法研究实际E往往需要通过构建复杂的平EPS工程问题时,
总之,基于莫顿定律,融合了预测学习、EL和
108-113]
其基本原理[和发展过程参见附录A第DRL,
利用每种算法自身优势,将TA9节。此外,L与RL
85]
、结合形成迁移蜂群优化(算法[将TTBO)L与
算法、将DDRL结合形成深度TRL(DTRL)L与Q-
结合形成T将T如蜂群优化算法)RL、L与SI算法(学习构成一种新型的D将D-QL算法、L与ADP构成一种新型的D将T-ADP算法、L与极限学习算法
://httwww.aes-info.compp
??p(an/st)vt+1,m??????0????a*??21
()2019,431·人工智能在电力系统及综合能源系统中的应用·
]14-15
。因此,提高学习的效率[AL又称作生成式对
形成极限迁移学习(算法等HL算法,在涵盖ETL)
SG和EI的EEPS领域中也都取得了不错的应用效12,45,62,83,85-86,90,93]
。其中,果[一种应用于EEPS的新
[3,]95
型D如附录A图-ADP混合算法的理论框架8A9所示。
。抗网络(enerativeadversarialnetwork,GAN)g
GAN是一个强大的基于博弈论的生成模型学习框
[7]
,架,由G其结合了生oodfellow于2014年提出1
6.2 HL在EEPS领域中的应用
在ML领域,DRL最近几年呈现飞速的发展态势,其基于数据驱动(的学习方法在提data-driven)
成模型和对抗学习思想,目前已成为AI学界最为
重要的研究热点之一。近年来,一些先进的GAN先后被提出,其突出的生成能力不仅可用于生成各类图像和自然语言数据,还启发和推动了各类半监升控制效果和精度方面都展现了巨大的潜能[
96]
近年,有关学者已将DL,RL,TL及启发式搜索。算法、策略式搜索智能算法等方法进行级联组合形SI
成多种高级,如文献[HL算法,用于S寻优能力的4D3R]L将用于求解新能源及分布式能源大DL与RLG和结合E形I的优化和控制中成具有动作自规模并网所带来的随机扰动问题,可有效提高电网的安全和经济运行;文献[均衡44]
将多目标优化策略与高级GCR问题L理论结合用于求解大规模互联电网的
;文献[45]将DL与Q-学习结合形成一种发电控制器的设计HL算法,即D;-文献QL算法,
用于对强鲁棒性智能[基础上,将其与T9学3]习在协同一致性算法的算法结合形成高级HL算法用于求解虚拟L和发Q-电部落的文献[AGC功率动态分配问题;法——细菌觅食6算2法]则(将经典的启发式搜索SI算
—结合形成一种全新的基于知识迁移的BFO)与TL和QH-学习算法L算法,用于求解在引入风险评估后的大规模电力系统经济调度问题;文献[种]进一步将附录A发电控制与优化D-ADP算法用于孤岛主动配电网的一体化智能83图A9所示的一,具有较强的鲁棒性。
在所有与RL作为“
H决L算法中,近年来,将策”结合形成DL作为“
感知”合”———。D例如RL,已被许多学者研究并应用到HL的一对“黄金组,文献[EEPS领域中来数据分析,将12]基于电网运行环境信息和。总D的RL用于制定紧急状态下的电网切机控制策略来说,其虽可充分发挥各H类L代表了一种混合增强智能,ML算法的优势,但也存在可解释性差(算法多为“黑箱模型”)、稳定性无法
有效保证、不能很好地应用到非算法)、收敛性无法提供严格理论证明等缺陷MDP问题(如,因此DRL
,未来HL在EEPS领域的研究需着重关注这些问题。
AL原理及应用
.1 AL原理
22
AL是通过构造相互竞争的生成器和判别器来督式学习和无监督学习任务的发展[
114-122]
AL的基本原理、模型描述和最新进展详见附。录关于第.2A 1A0节。
AL在EEPS领域中的应用
对真实电力系统进行建模往往需要大量的先验知识,因此建模的好坏将直接影响到生成式模型的性能。此外,真实电力系统的数据往往非常复杂,拟
合模型所需计算量往往非常庞大,甚至难以承受。
为此,平行系统[123]和GAN应运而生[17
]文提到的新型PL理论框架中[1
4-15]
。其中,工系统产生大量虚拟的,可用平行的前人生大量模型仿真数据n-,并使用随机梯度下降mMaxL样本。此外,也可利用
GAN来构造一个mi对抗博弈系统来自动产(实现优化,在很大程度上解决了真实环境样本小的SGD)
问题。
和应用鲜有GAN近年才被提出,目前在涉及。国外方面,EGB.SE.ZPhS领域的研究
ang等
[124]
将具有完全多样化行为特征的风能和光伏发电场景AN用于模型无关的可再生能源场景生成,
可产生,其中用于场景生成的所示。
GAN架构如附录A图A11国内方面,中国电力科学研究院有限公司和清华大学等单位研究了基于法及其在智能配用电中的G应A用N的异构数据集成方
[125
]统异构数据资源难以有效利用的问题,可。解此外决配,电东北
系
大学孙秋野教授等[126
]研究了基于—机理混合驱动方法用于对自能G源A(N技术的数
据Wwe-ene,下的E)
模型参数的辨识模型切换问题以,可解决及WEW中E在不同运行工况rgy输出序列离散的问题。
发挥着重要作用GAN作为A。I2正在构,配合巧妙的内部对抗机制G.0的代表技术,AN提供了一个极具柔性的架EEPS领域
,可显著提升模型设计
的自由度,并适应于概率密度不可计算的情
形[
114-116]
。GAN的最大优势在于无须对生成分布进行显式表达,可大大降低训练难度,并提高训练效率。当然,GAN也存在某些缺点,
最突出的就是训A777程乐峰,等 机器学习在能源与电力系统领域的应用和展望
练过程不稳定,对多样性不足和准确性不足的惩罚)”并不平衡,导致“模式坍塌(现象发modecollasep生。未来,模式坍塌”方面继续提GAN将在克服“
[27]
,和R尤其是与R并用L的GAN1L的深度融合,117]
升,并设法与其他模型融合,比如融合能量函数[
解决EEPS领域问题并提供有效方案具有重要意义。
9 大数据思维下的ML发展思考
笔者及所在团队过去十余年一直从事ML在
笔者发现ML在EEPS领域的研究。通过研究,
EEPS领域应用的成功与否与该领域内爆炸式增长的电力大数据密切相关(这些数据样本的质量参差不齐,但基于某一目的,均可供机器进行不同程度的于跨任务学习。这将有力推进AI2.0在EEPS领域中的应用发展。
8 EL原理及应用
.1 EELL原理
严格意义上说并不算一种ML算法,
而更像是一种优化手段或策略,其通常结合多个简单的弱ML算法有策略地生成一些基础模型,然后有策略地将它们集成模型组,去更可靠地完成学习任务
并做出最终决策[128]
统。关于EL的基本原理和模型架构详见附录。因此,EL又称为多分类器系
11节。
A第.2 EL在EEPS领域中的应用
EL适合于静态数据的集中分类等问题,而更为广义的制[129
]。基于此EL技,术可应用于动态系统的建模和控领域中的应用主E要L目前在涵盖偏向于电网S源G和—荷协EI的EEPS
系统安天气有关的配电系统断电事故预测同频率控
制[91]、[130
]全评估[131-133]、光伏输出功率短期预测、电力[
134]
短期电力负荷预测[
135
]、测[136-137]测[139
]等、。短可以看出期风电爬,制和电力系统安全及稳定性评估等EL坡、可1再38]
生在预S测[G中主要用于频率、太能阳源能消发耗电预预控
;而在要用于负荷预测、可再生能源消耗和发电量预测等EI中则主
。例如,文献[算法,用于孤岛微电网下分布式电源与负荷的协同91]中提出了一种基于集体智慧的EL频率控制。文献[电导致的配电系统停电中断的预估模型130]中利用EL搭建了由风和闪,该模型的
核心方法为一种基于+
BoostinL,称为电时间的潜力daBoost,具有降低,预估准确性明显高于其他模型电网运营成g本和的减E
少客户。停总的来说,要集中于控制EL目前在、评估和预测EEPS领域中应用较为广泛,主,尤其是对新能源消耗和新能源发电量的预测,可取得不错的效果。在EPS领域,EL应用的主要难点在于究竟集成哪些
独立的较弱的学习模型以及如何把学习结果整合起来。此外,EL对噪声较为敏感、有时陷入局部最优、出现过拟合和欠拟合现象等也值得关注。为此,文献[140de]e指pr出esiEdL可与uallearDniL完美结合构成深度残差学习(ng)等网络,这对于未来学习)。大数据具有海量(5个典型特征(简称5Vs
)[141]
:确(大数据往往存在多源多态vervaocliutyme)和)、价多样值((vvaarliueety、))异构。、时效在、E复杂E(vPeSloc领ity域),、不精电力、高维、分布、非确定性、指数级增长等特性,导致对这些流数据的
采集、存储、处理、知识挖掘和价值应用等变得异常
困难[142]
,这也给ML在该领域的应用带来巨大挑
战。这些挑战可以从大数据的分析,包括:海量性挑战、多样性挑战5Vs特征出发进行、时效性挑战、
不精确性挑战和价值性挑战[
141,143]
。心的大能源2016年,
薛禹胜院士等[142,144]
提出了以电为核体系。在该体系下,笔者认为可将中的一类监督学习(如统计机器学习[145]
TL等与大数据思维(
)融合形成新的)、DLM和
L
如大数据挖掘数据挖掘技术。这类技术突破了传统的关联关系描述,向着因果关系发展和推广,因而在具有广阔的应用前景。比如,第3节讨EE论PS领域中的DL融合了监督式与非监督学习,优点在于模型的表达能
力极强,能够处理具有高维稀疏特征的数据[143]
基于多层隐层的一定程度上从数据中自动提取和理解隐藏的较为抽
ANN结构(见附录A图A3
),可在,其
象的概念[146
]用[5,67-83]中得到了验证,其性能已在;而第EE突破了统计学习理论的基本假定4PS领域众多应
12,43,4节讨论的(即训练数据和未TL则
来数据必须服从相同的概率分布,否则其效果无法保证),不要求原始域和目标域的数据服从同样的概率分布,甚至可以位于不同的特征空间中,因此可以利用服从不同概率分布但相互关联的数据样本集来
提高学习的精度[146]
数据科学(datascienc。e)因此[146]
的发展和进步将极大地,对于EEPS领域而言,
驱动。AI未来2.0尤其是,MPL需M要L在该领域的快速发展和深层
应用与基于数学模型的研究相结合,方能在EES各个有关领域取得长足发展。这也可以看出,大数据思维下的数据挖掘方法与传统地通过不矛盾,M二者反而可以互为补充L建立人工模型进行推导的研究方法并。当然,大数据思维
http://www.aep
s-info.com23
8A8AE()2019,431·人工智能在电力系统及综合能源系统中的应用·
[7]
等结合,在E大有可GAN1EPS研究中前景广阔、
为,未来值得深入研究。
下的数据挖掘技术尚处于快速发展之中,与ML中
[3][][3][4-15]
、、、的研究热点,如DL6DRL9、TL5PL1
),其主要特点是结合了领域知识经验和learning
提供了一种知识分析与数据挖掘相融合的MLML,
范式,为“人类+机器”协同混合增强智能的实现机理和电力知识资产传承管理提供了一条可行的路线。
总之,尽管ML在当前的EEPS领域的应用还存在诸多瓶颈,但其潜力和价值是无穷的。在大能是有可能诞生的,它将是大数据挖掘技术ML算法”
142,144]
,源思维和大数据思维下[未来通用的“终极
10 未来展望
用”的技术拐点,但距离“很好用”还存在诸多瓶
]147-148
。例如,颈[以D其依赖于①数据瓶颈:L为例,
目前,不能用、不好用”到“可以AI2.0突破了“
大数据驱动发展,需要大量的数据训练样本集。②泛化瓶颈:现有AI方法在一些实际问题中仍无
法取得理想的泛化性能,训练好的模型用在变化的环境甚至出现泛化性能明显下降的现象。颈:现有计算机上实现的AI系统能耗很高③能耗瓶。目前⑤可解释性瓶颈:现有AI缺乏真正的语言理解能④语义鸿沟瓶颈:力。
AI过于依赖训练数据,缺乏深层次数据语义挖掘,导致可解释性差。⑥可靠性瓶颈:现有可能会带来致命后果AI系统可靠性较差,某些错误识别结果。中国科学院院士张钹教授在未来018年必须6月于深圳召开的走向具有理解力的CCF-G针对AI缺陷,张院士提出了AAII——A探—IR索即大会上提出
的真几正个的新AI方
。向:一是数据处理层面,语义向量空间或进一步拓宽入口(为机器建立常识库);二是在常识库的基础上,
将感性和知识的世界统一起来,这将为总的来说,诚如众多院士专家AI的发展带来一次质的飞跃。所言,来,弱AAII2、.0可解释性和可理解性已到瓶颈,其未来发展不容乐观。未。
AI、强AI等在理论研究方面仍将任重道远ML是为了解决知识获取的瓶颈问题而出现的,数据和模型对于ML而言同等重要。上述对的I2.0发展遇到的瓶颈也是。当前大多数ML系统都是ML未来发展所必须面
“黑箱”,导致即使
利用ML做出非常准确的预测,但很难解释为什么会做出这样的预测,这使得险应用场景。此外,数据隐私和所有权等问题也会ML很难用于一些高风阻止ML经验得到有效分享。如何有效利用的运行机理及其数据源,通过合适的EEPS理系统的各种复杂任务,以实现整个系统的安全ML技术来处、可靠、经济、环保运行,成为当前国内外的热点研究问题。为了充分挖掘需要在电力工程实践ML的能力,文献[、科研机制和生产管理需求方149]指出ML面适应电力系统的需求,在这个过程中,关键点之一就是将领域知识和专家经验整合到ML中,即开发嵌入专业知识的ML方法,称为引导学习(24
guiding和多源数据融合思想的充分利用、多种深度交叉融合、机器的情感和记忆推理等高级智能ML方式的。
例如,通过引入具有群体智慧的平行的平行人工理念[101-102]以及EEP“S平,
实行现调“度平”行的能构源想与M[103社L]
块链(energyb
lockchain)[105
]到智慧能。会,建立虚拟源从能能源(s源”的ma区ert能源互联网nergy
)[95]
,未来基基于平行系统理论p于新,在互联网ne一rgy代inA(tI技术建立的“平行(arallele数据信息互联erconnection))”、将是物联
网(感知控制互联)和实现知识智能互联EI
的(能源要素互联“能源智联)网的基础上(,I[6
]通过基于深度特征识别和加装存储记忆oM)”,即信息—物理—社会深度融合系统、推理模块。en因此ergy
,的RL,DL,TL,PL,HL,AL(GAN),EL等各种学
习方式的交叉融合,新一代数据驱动的智慧未来将有可能实现,最终将会走向“工业源5.0
”发展的新时代。5.0”E和E“P能S11 结语
新的智能全球化将要来临,未来打造EEPS的
A“A心驱动力Ilp
技术haG,
o其中的主要代表之一”是有可能的,其必将——运—用和创造力,将在EEPS中M更发L多方法具备核的新一代挥重要作用。
本文综述了现状。事实上7类典型,笔者目前在ML方法在EEP为完整的ML算法库,如附录EEAPS领域S领域的应用
已建立了较第A12节所示。本文抛砖引玉,旨在引起业内专家学者的兴趣,期待在理论、方法和技术研究及应用实践方面共同推进新一代发展!
AI中的ML技术在未来智慧EEPS中的蓬勃附录见本刊网络版(com/aes/ch/ind)。http://pex.as参p
xwww.aeps-info.考文献
[1]L刘振亚IUZh.全球能源互联网[enya.GlobalEnMer]g.北京:中国电力出版社,yInternet[M].Beiji2n0g
1:5.
China2A
机器学习在能源与电力系统领域的应用和展望
