人工智能在電力系統中的應用研究與實踐綜述

朱永利，尹金良

（1．新能源電力系統國家重點實驗室(華北電力大學)，河北省 保定市 071003；2．天津理工大學電氣電子工程學院，天津市 西青區 300384）

0 引言

人工智能是一門研究用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的新的技術科學，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。2016年1月27日，期刊《自然》封面文章報道，谷歌開發的名為“阿爾法圍棋”(Alpha Go)的人工智能機器人以5:0完勝歐洲圍棋冠軍樊麾。2016年3月，Alpha Go挑戰世界圍棋冠軍李世石，最終以4比1的總比分取得了勝利。2017年5月，它以3比0戰勝曾獲多項國內和國際圍棋大賽冠軍的中國圍棋當今名將柯潔。AlphaGo用到了很多新技術，如深度神經網絡和蒙特卡洛樹搜索法等，是人工智能理論和應用研究發展到新階段的產物。AlphaGo的上乘表現使得人工智能引起了社會各界的極大關注。2016年10月，美國國家科學技術委員會發布了《國家人工智能研發戰略規劃》。2017年7月，我國國務院發布了《新一代人工智能發展規劃》。

人工智能在電力系統中的應用在20世紀80年代至21世紀初備受關注。1988年，在瑞典的斯德哥爾摩召開了第一屆專家系統在電力系統中的應用的研討會之后，至今適逢30周年。這種研討會每一至兩年召開一次，并且隨著人工神經網絡研究的升溫，研討會的名字改為了“智能系統在電力系統中的應用”。國際大電網會議(CIGRE)已多次有組織地對專家系統在電力系統中的應用狀況進行過調查，并在1992年會議上將其列為優先討論課題。然而，開發專家系統存在獲取專家知識困難和建造周期長的問題，神經網絡又存在所需要的大量樣本難以獲取且學習過程的參數調優缺乏依據和培訓復雜等困難，智能系統的研發和應用都遇到了巨大的挑戰。目前，隨著計算機計算能力的提高，大數據的不斷積累，國家政策的積極扶持，人工智能在電力系統中的應用研究又面臨新機遇。

本文旨在總結人工智能在電力系統中的應用研究和實踐工作，為新涉足這一研究領域的研究工作者提供參考。重點介紹21世紀初出現的基于有限樣本訓練的相關向量機的特點、原理及其在電力系統中的應用。

1 人工智能在電力系統中應用的早期研究：專家系統

專家系統是在一個狹窄的領域內，利用專家經驗來解決復雜問題的智能軟件。20世紀80年代和90年代上半期，專家系統在電力系統中的應用研究如火如荼，涉及電力系統報警處理、故障診斷、運行規劃、控制和系統分析等，采用的知識表示方法以產生式規則為主，也有一階謂詞邏輯、框架和語義網[1]等，后期的應用研究大都采用Prolog或C++，故一階謂詞邏輯和面向對象知識表示方法成為主流。由于Prolog擁有內部自動推理機制、內嵌的數據庫管理和通用的一階謂詞知識表示方法，所以即使在現在也是實現演繹推理的一個良好語言和工具。

我國開展專家系統在電力系統中的應用研究在國際上不算晚。首例是華北電力學院楊以涵教授指導的研究生張志英在 1985年所研發的用于電力系統日調度計劃的專家系統[1-2]，目標是運用專家經驗確定機爐啟停計劃，當時是在PDP機上用 LISP語言實現的，系統的編排結果基本上能得到調度員的認可，但軟件的漢化問題未解決，故研發的系統未得到實際應用。

筆者在楊以涵教授的指導下，于1986年研發了用于變電站操作票編寫的專家系統[3]，該系統屬于產生式系統，從操作任務和已知運行方式為依據，利用專家經驗進行擴展推理。這一課題的研究始于1985年底，并于1986年底在鐵嶺一次變電所投人運行，這是國內電力系統中第一個實際投入運行的專家系統。由于當時智能語言Prolog和LISP的漢化問題沒有解決，所以這一系統只好用BASIC編寫，使得在程序的通用性受到了限制，但對研究工作起了很大的推動作用。

楊以涵教授帶領課題組開展了火電站的倒閘操作票和高壓開關診斷專家系統。從1989年春，楊以涵教授為東北電網研發了電網操作票、故障分析和處理專家系統。由于使用Prolog表示電網拓撲結構和專家知識很便利，且能實現內部自動推理，故課題組決定采用Prolog進行系統的研發。電網操作票的用量大，但種類較少，特別適合用Prolog和專家系統來解決。筆者所在團隊開發的系統[4]在當時東北電網總調度應用3年以上，開票使用率達97%左右，縮短了調度編寫操作票的時間[5]。電網故障診斷和處理專家系統要復雜得多，當時 EMS的信息較少，直接可用的就是開關的狀態和跳閘信息，最后我們提出了以開關跳閘分布為主，保護動作情況提問為輔的診斷方法[6]，在VAX機上用GKD Prolog實現了該專家系統[7]，獲得了電力工業部科技理論成果二等獎。由于受當時計算機應用水平的限制，系統界面比較粗燥，同 EMS的信息交換也不順暢，應用效果大打折扣，但驗證了理論上是可行的。

在20世紀80年代末和90年代初，多家單位都開展了專家系統應用的研究[1]，如：上海交大的配電網操作票系統及無功控制系統，浙江大學的緊急控制、華中理工大學的無功控制、福州大學的配電網經濟運行系統。出自企業的有江西中調所的負荷預測和黑龍江省調的無功優化系統；出自科研單位的有原南京自動化所的動態安全運行規劃決策支持系統和警報壓縮處理系統。此外，中國電力科學研究院、西安交通大學及東南大學等單位也在開展這方面的工作。

2 人工智能在電力系統中應用的中期研究：神經網絡和進化計算

神經網絡在電力系統中的應用主要是 BP神經網絡的出現之后。BP神經網絡可實現任意復雜的非線性關系映射，對大量的訓練樣本進行擬合，而任何具體的判別函數都做不到這一點，因而BP模型的分類和預測結果要比常規的模式識別法都要好。它特別適合有大量結論性(標簽)樣本而又缺乏顯式專家規則的場合，如圖像和聲音識別，且具有對于錯誤樣本的容錯能力，因而對于很多模式識別問題的應用都取得了成功。在電力系統中的應用研究主要涉及負荷預測、電力系統的動態安全估計、電力設備和輸電線路的故障診斷。但是由于神經網絡需要大量的培訓樣本，輸入輸出的變化越多，需要的培訓樣本數量越大，在解決很多故障診斷問題方面會遇到取得大量訓練樣本難的問題，因而 BP神經網絡在電力系統中的成功應用并不很多。

進化計算的方法較多，如遺傳算法、粒子群優化算法、蟻群算法和進化規化等，但本質上都是優勝劣汰，迭代求優，適合于非線性優化問題的求解。電力系統的優化問題主要有：電網結構規劃(包括線路增設)、電網調度中的機組起停優化、機組檢修計劃優化、電網運行無功優化(包括電容器投切和變壓器分接頭的調節)等，大多屬于大規模的非線性或動態規劃問題，適合用進化計算方法來解決，而用傳統的非線性優化和動態規劃法是無法解決的，如傳統的動態規劃法對于大規模的動態規劃問題會出現組合爆炸問題。進化計算在電力系統中的應用相對要成功一些。

3 人工智能在電力系統中應用的后期研究：相關向量機

由于人工神經元網絡需要的樣本多，培訓時間長等問題，故自21世紀初，人工智能在電力系統中的應用研究又轉向支持有限樣本學習的支持向量機和相關向量機。

3.1 相關向量機的特點

相關向量機(relevance vector machine，RVM)是Micnacl E. Tipping于2001年在稀疏貝葉斯學習理論基礎上提出的一種監督學習算法，該方法結合了貝葉斯理論、馬爾科夫性質、最大似然估計以及自動相關決定(automatic relevance determination，ARD)等理論[8-10]。RVM的函數形式與支持向量機(support vector machine，SVM)類似，同樣是基于核函數映射將低維空間非線性問題轉化為高維空間的線性問題，都可有效地解決小樣本、高維、非線性分類問題。但 RVM還具有以下優勢[8-10]：1）RVM 核函數不受 Mercer

條件的限制，核函數的選取范圍更廣；2）無規則化系數，不需要通過交叉驗證等方法獲取該參數；3）泛化能力更好；4）基函數權值只有少數非零，相關向量數量少，模型更稀疏；5）測試時間(診斷速度)更快，更適合在線診斷；6）可以給出概率輸出，便于分析問題的不確定性。相關向量機主要是用于解決二分類問題[8-10]，對于多分類問題通常需要采用“一對多”、或“二叉樹”等方法，將其轉化為多個二分類問題，但這些方法存在分類重疊和不可分類、需要構建較多分類器等問題。然而實際中存在許多分類問題，針對此Damoulasy等人對二分類相關向量機進行了擴展，提出了多分類相關向量機(milticlass relevance vector machine，M-RVM)以及組合核相關向量機(multi-kernel learning relevance vector machine，MKL-RVM)，二者通過引入多項概率似然函數，采用分層貝葉斯模型結構，直接實現多分類。同時MKL-RVM通過組合核的形式，實現了非同構的多信息數據的信息融合[11-14]。RVM已廣泛應用于分類、預測等領域，并在電力系統的分類、預測等領域取得了很好的應用效果[15-22]。

3.2 二分類相關向量機及其在電力系統中的應用

二分類 RVM基于核函數映射將低維空間非線性問題轉化為高維空間的線性問題，有效解決小樣本、高維、非線性分類問題。不同于 SVM基于結構風險最小化原則構建學習機，RVM是基于貝葉斯框架構建學習機，因此 RVM不僅獲得二值輸出，而且獲得概率輸出。對于給定的訓練樣本集，RVM 的學習模型為 y ( x;w)=K (x;xi)+ω0，其中 w =[w0, w1, w2,… ,wN]T為權重向量，ωi為權重，K(x;xi)為核函數。為避免采用最大似然估計(maximum likelihood)方法求解存在的過擬合問題，RVM對權重向賦予零均值Gaussian先驗分布，把對權重的求解轉化為對超參數的求解，求解的過程中大部分超參數接近無限大，其對應的權重為 0，從而確保模型的稀疏性。而其它的超參數則會穩定于有限值，與之對應的 xi就稱之為相關向量，同時在超參數估計的過程中自動調節規則化系數，從而不需要對規則化系數進行驗證。

圖1(a)和圖1(b)分別給出了SVM和RVM方法對Ripley給出的典型分類數據集synthetic的分類輸出，可以看出相關向量的數量明顯少于支持向量，并且RVM可以輸出概率分布情況。

圖1 SVM和RVM用于synthetic分類Fig. 1 SVM and RVM classification of synthetic data

圖2 分層貝葉斯模型Fig. 2 Hierarchical bayesian model

將相關向量機用于變壓器故障診斷[15]，采用二叉樹分類方法，將多分類問題轉化為多個二分類問題。采用歸一化的H2、CH4、C2H6、C2H4、C2H2五種特征氣體含量作為 RVM 分類器的輸入，用4個RVM分類器來辨識變壓器正常、低能放電、高能放電、中低溫過熱、高溫過熱5種狀態。實例分析表明該方法可以取得與 SVM 相當甚至是更優診斷正確率，故障診斷速度更快。

文獻[16]提出了基于振動信號樣本熵和相關向量機的萬能式斷路器分合閘故障診斷方法，該方法以分合閘動作過程中各頻帶樣本熵特征向量作為 RVM的輸入，以萬能式斷路器正常、虛假合閘、分閘不徹底或某相不同期的機械狀態為RVM的輸出。所提方法可利用相對較少的故障數據樣本實現對萬能式斷路器故障類型的識別并具有較高的識別率。

文獻[17]提出了電力系統靜態安全狀態實時感知的相關向量機法，該方法首先根據日前市場的運行與調度規則，產生運行條件，構造安全評估特征集及事故安全分類；然后將Relief算法用于發電機出力、節點負荷、支路潮流等故障前穩態特征值的特征排序，篩選出與分類緊密相關的特征子集，作為RVM的輸入。

RVM貝葉斯框架下的ARD先驗分布設置確保了 RVM模型的稀疏性，僅極少數相關向量參與在線安全決策，有效克服了過度擬合問題，分類準確度高；同時少量核函數運算使決策時間縮短。RVM 模型的概率輸出不僅能夠提供分類信息，還可用于系統的風險管理，為系統風險評估、風險決策提供支持。

3.3 多分類相關向量機及其在電力系統中的應用

多分類相關向量機(multiclass relevance vector machine，M-RVM)是 Damoulasy等人于2008在二分類核函數學習、高斯過程組合協方差函數方法以及高斯先驗處理多項概率似然函數方法的基礎上，提出的一種基于貝葉斯框架的統計學習算法[11]。

M-RVM采用分層貝葉斯模型結構，通過引入多項概率似然函數(multinomial probit likelihood)，實現了多分類和輸出類別成員概率。設訓練集X={ xi, ti，x∈RD，ti∈ { 1,… ,C }為類別標簽，引入輔助回歸目標 Y∈RC×N和權重參數 W∈RN×C，先驗參數αnc組成的矩陣記為A∈RN×C，αnc服從超參數為a，b的Gamma分布。M-RVM的分層貝葉斯模型結構示意圖如圖2所示。

鑒于變壓器故障診斷本質為多分類問題，提出了基于 M-RVM 的變壓器故障診斷方法[18]，實現了變壓器正常、低能放電、高能放電、中低溫過熱、高溫過熱、局部放電六種狀態的直接分類，而無需將多分類轉換為多個二分類的問題。M-RVM診斷輸出是變壓器處于上述 6種狀態的概率，可以為變壓器的檢修提供更多的可用信息。

文獻[19]將M-RVM應用于GIS局部放電模式識別中，作者通過試驗建立了相應的超高頻信號圖譜數據庫，然后根據信號特點提取了26個原始特征量；采用主成分分析法對特征空間進行降維處理，最終得到10個新的特征量，將原始特征量和降維后的特征量分別輸入到多分類相關向量機(M-RVM)中進行分析，結果表明，以降維后的特征量作為輸入量，其識別率要高于降維前的；并且同 BN和SVM分類器相比，無論是采用原始特征參量還是降維后的參量作為輸入量，M-RVM 方法的識別率都是最高，其中降維后的識別率大于85%。

文獻[20]將 M-RVM 應用于有軌電車用燃料電池系統故障診斷中，實現了氫氣泄漏、去離子水加濕泵低壓、空氣壓力過低和正常共4種狀態的快速識別，準確率可達96.67%。

3.4 組合核相關向量機及其在電力系統中的應用

組合核相關向量機(multi-kernel learning relevance vector machine，MKL-RVM)同樣采用分層貝葉斯模型結構，通過引入多項概率似然函數(multinomial probit likelihood)，采用組合核的形式實現了非同構的多信息數據或多特征信息的有機融合以及多分類問題。MKL-RVM原理示意圖如圖3所示，圖中S為信息數據的種類，β1，β2， …，βS為組合核參數。

MKL-RVM雖然不存在規則化系數確定困難的問題，核組合參數也可在模型學習的過程自動優化，但核函數參數沒有采用自動相關學習算法，需要事先人為設定。MKL-RVM既可以實現單個檢/監手段的檢/監測數據提取的多組特征信息的融合，還可以實現由多種檢/監手段的檢/監測數據源提取的非同構特征信息的融合[12-14]。

文獻[21]提出了基于MKL-RVM的電力變壓器故障診斷方法。可有效利用蘊含變壓器運行狀態的多種特征信息；可直接輸出變壓器為各種狀態的概率，為變壓器的檢修提供更多的可用信息。

文獻[22]提出了基于MKL-RVM的變壓器局部放電模式識別方法，提出的局部放電特征向量作為MKL-RVM輸入，懸浮放電、針板放電、沿面放電和氣隙放電四種類型作為輸出，建立變壓器局部放電模式識別模型。實驗結果表明MKL-RVM分類器識別精度較高。

圖3 MKL-RVM原理示意圖Fig. 3 MKL-RVM schematic diagram

4 結束語

專家系統存在獲取專家知識困難和建造周期長的問題，在電力系統中的應用研究主要涉及電力系統報警處理、故障診斷、運行規劃、控制和系統分析等。神經網絡適用于有大量培訓樣本而又缺乏顯式專家規則的場合，存在參數調優缺乏依據和培訓復雜等問題；在電力系統中的應用研究主要涉及負荷預測、電力系統的動態安全估計、電力設備和輸電線路的故障診斷。進化計算適用于非線性或動態規劃問題，可解決傳統動態規劃法的組合爆炸問題；在電力系統中的應用研究主要涉及電網結構規劃、電網調度中的機組起停優化、機組檢修計劃優化、電網運行無功優。相關向量機具有需要培訓樣本數量少，可以輸出類別成員概率的優點，適合于樣本數據獲取困難的預測和分類問題；在電力系統中的應用研究主要涉及負荷預測和電力設備故障診斷。

[1] 薛禹勝，劉覺岑，文輝．專家系統在電力系統中的應用—特點，現狀和展望[J]．電力系統自動化，1989-03，13(2)：10-19．

[2] 張志英．人工智能在電網調度中的應用—日調度計劃安排及操作命令票專家系統[D]．北京：華北電力學院碩士論文，1985．

[3] 朱永利，楊以涵，張文勤，等．專家系統在編寫變電站倒閘操作票中的應用[J]．中國電機工程學報，1988，8(6)：61-65．

[4] 朱永利，栗然，楊以涵，等．電網調度操作票專家系統[J]．電力系統及其自動化學報，1991，3(1)：68-74．

[5] 王德生．專家系統在電網調度操作票中的應用．東北電力技術，1996(10)：43-46．

[6] Y Zhu，YH Yang，et al．An expert system for power systems fault analysi[J]．IEEE Trans．On Power Systems，1994，9(1)：503-509．

[7] Zhu Yongli，Hogg B W，Zhang W Q，et al．Hybrid expert system for aiding dispatchers on bulk power systems restoration[J]．International Journal of Electrical Power & Energy Systems，1994，16(4)：259-268．

[8] Tipping，M E．The relevance vector machine[J]．Advances in Neural Information Processing Systems，2001(12)：652-658．

[9] Bishop C M，Tipping M E．Variational relevance vector machines[C]//Proceedings of the 16th Conference on Uncertainty in Artificial Intelligence，Morgan Kaufmann，2000：46-53．

[10] Tipping M E．Sparse Bayesian learning and the relevance vector machine[J]．Journal of Machine Learning Research，2001(1)：211-244．

[11] Psorakis I，Damoulas T，Girolami M A．Multiclass relevance vector machines：sparsity and accuracy[J]．IEEE Transactions on Neural Networks，2010，21(10)：1588-1598．

[12] Damoulas T，Ying Y，Girolami M A，et al．Inferring sparse kernel combinations and relevance vectors：an application to subcellular localization of proteins[C]//In Proceedings of the 7th International Conference on Machine Learning and Applications (ICMLA2008)，San Diego，USA，2008．

[13] Damoulas T，Girolami M A．Probabilistic multi-class multi-kernel learning：on protein fold recognition and remote homology detection[J]．Bioinformatics，2008，24(10)：1264-1270．

[14] Damoulas T，Girolami M A．Combining feature spaces for classification[J]．Pattern Recognition，2009，42(11)：2671-2683．

[15] 尹金良，朱永利，俞國勤．相關向量機及其在變壓器故障診斷中的應用[J]．電力自動化設備，2012，32(8)：130-134．

[16] 孫曙光，于晗，杜太行，等．基于振動信號樣本熵和相關向量機的萬能式斷路器分合閘故障診斷[J]．電工技術學報，2017，32(7)：20-30．

[17]李海英，劉中銀，宋建成．電力系統靜態安全狀態實時感知的相關向量機法[J]．中國電機工程學報，2015，35(2)：294-301．

[18] 尹金良，朱永利，俞國勤．基于多分類相關向量機的變壓器故障診斷新方法[J]．電力系統保護與控制，2013，41(5)：77-82．

[19] 律方成，金虎，王子建，等．基于主成分分析和多分類相關向量機的 GIS局部放電模式識別[J]．電工技術學報，2015，30(6)：225-231．

[20] 劉嘉蔚，李奇，陳維榮，等．基于多分類相關向量機和模糊 C均值聚類的有軌電車用燃料電池系統故障診斷方法[J/OL]．中國電機工程學報：[2018-03-24]．http://kns.cnki.net/KCMS/detail/11.210 7.TM.20170824.1554.003.html.

[21] 朱永利，尹金良．組合核相關向量機在電力變壓器故障診斷中的應用研究[J]．中國電機工程學報，2013，33(22)：68-74．

[22] 尚海昆，苑津莎，王瑜，等．多核多分類相關向量機在變壓器局部放電模式識別中的應用[J]．電工技術學報，2014，29(11)：221-228．

朱永利