深度學習在電力系統(tǒng)中的應(yīng)用研究綜述

葉 琳， 楊 瀅， 洪道鑒， 陳新建

（1. 國網(wǎng)浙江省電力有限公司， 杭州 310007；2. 國網(wǎng)浙江省電力有限公司臺州供電公司， 浙江 臺州 318000）

0 引言

人工智能、 機器學習和深度學習是當今機器智能領(lǐng)域最流行的詞匯。 機器學習可以看作人工智能的一個分支， 而深度學習則是一種特殊的機器學習手段[1]。 下文將以深度學習為重點介紹幾種常見的機器學習方法的特點及其在電力系統(tǒng)運行領(lǐng)域中的應(yīng)用。

深度學習的興起源于計算機計算能力的增強和大數(shù)據(jù)技術(shù)的發(fā)展， 其核心思想是通過增加神經(jīng)網(wǎng)絡(luò)的層數(shù)來讓機器自動地從大規(guī)模數(shù)據(jù)中抽取特征。 深層神經(jīng)網(wǎng)絡(luò)技術(shù)能夠取得巨大進步和其在訓(xùn)練算法上所取得的重大進展是分不開的。傳統(tǒng)的反向傳播算法隨著傳遞層數(shù)的增加， 殘差會越來越小， 出現(xiàn)所謂的“梯度彌散”現(xiàn)象， 因而不適合深層網(wǎng)絡(luò)的訓(xùn)練[2]。 為了解決該問題，1997年Hochreiter 和Schmidhuber 提出了LSTM（長短時記憶網(wǎng)絡(luò)）。 LSTM 隱藏層的關(guān)鍵是信息流， 它負責將存儲器信息從序列的初始位置傳輸?shù)叫蛄械哪┪玻?并利用4 個相互交互的“門”單元， 來控制在每一時間步對記憶信息值的修改。 LSTM 模型不但解決了梯度消失問題， 還能長時間保持信息。 另一種方法是Soeer 等人于2011 年提出的時間遞歸神經(jīng)網(wǎng)絡(luò)， 該模型被廣泛應(yīng)用于句子組塊和語法處理。 與時間遞歸神經(jīng)網(wǎng)絡(luò)相對應(yīng)的是結(jié)構(gòu)遞歸神經(jīng)網(wǎng)絡(luò)， 該結(jié)構(gòu)將數(shù)據(jù)在空間維度上展開， 并以一種結(jié)構(gòu)樹的形式進行展示， 數(shù)據(jù)之間的聯(lián)系體現(xiàn)為整體與局部之間的空間組合關(guān)系。

當今使用較為廣泛的還有一種稱為CNN（卷積神經(jīng)網(wǎng)絡(luò)）的模型， 與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的全連接結(jié)構(gòu)不同， CNN 采用局部連接的結(jié)構(gòu)， 顯著削減了網(wǎng)絡(luò)中自由參數(shù)的數(shù)目， 從而使得使用反向傳播進行并行學習成為可能。 CNN 的結(jié)構(gòu)避免了對輸入數(shù)據(jù)復(fù)雜的預(yù)處理， 直接對輸入數(shù)據(jù)進行處理， 實現(xiàn)了端到端的學習過程。

綜上所述， 深入學習技術(shù)具有兩大明顯優(yōu)勢：在不依賴監(jiān)督信息的情況下從未標記的數(shù)據(jù)中進行學習的能力； 特征的自動提取能力[3]。

1 機器學習關(guān)鍵及前沿技術(shù)

綜合分析現(xiàn)有技術(shù)文獻發(fā)現(xiàn)， 當今機器學習關(guān)鍵及前沿技術(shù)主要有： 遷移學習、 強化學習、生成對抗神經(jīng)網(wǎng)絡(luò)、 膠囊網(wǎng)絡(luò)、 引導(dǎo)學習等。

遷移學習松弛了常規(guī)機器學習中訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)必須遵從獨立分布的約束， 使其能夠獲得兩個不同但又彼此聯(lián)系的數(shù)據(jù)集間的特征與信息， 從而實現(xiàn)先驗知識的遷移和重復(fù)使用。 有關(guān)此方法的文獻報道較多， 不再贅述。

強化學習主要用于解決決策優(yōu)化的問題， 即在特定狀態(tài)下， 采取什么行動才能使收益最大。有關(guān)此方法的文獻報道較多， 不再贅述。

生成對抗神經(jīng)網(wǎng)絡(luò)利用已有數(shù)據(jù)生成充分接近源數(shù)據(jù)的生成數(shù)據(jù)， 一定程度上解決數(shù)據(jù)量不足的問題[20]。

膠囊網(wǎng)絡(luò)不僅可以學習輸入數(shù)據(jù)的特征， 還可以學習特征的變形（例如圖像的旋轉(zhuǎn)、 移動等），降低了網(wǎng)絡(luò)的復(fù)雜度。

引導(dǎo)學習將知識分析與數(shù)據(jù)分析挖掘相融合，實現(xiàn)結(jié)合人類積累經(jīng)驗與機器智能共同解決問題，達到在經(jīng)驗指導(dǎo)下的機器學習。

1.1 強化學習

人工智能的三大驅(qū)動力是大數(shù)據(jù)、 機器學習和GPU（圖形處理單元）。 其中機器學習可以分為3 種類型： 監(jiān)督學習、 無監(jiān)督學習和強化學習[4]。

強化學習嘗試解決決策優(yōu)化的問題[5-7]， 其最流行的應(yīng)用之一是谷歌AlffaGo 的升級——AlphaGo Zero。 相比AlphaGo， AlphaGo Zero 放棄了先驗知識， 不必人為設(shè)計特征， 直接將棋盤上黑白棋子的擺放情景作為原始數(shù)據(jù)輸入到機器模型中， 機器采用強化學習進行自我博弈， 不斷提升自身水平最終出色完成整個比賽。 AlphaGo Zero的成功證實了即使沒有人類的經(jīng)驗和指導(dǎo)， 通過深度強化學習仍然可以出色完成指定任務(wù)。

1.2 遷移學習

目前， 大部分機器學習具有良好應(yīng)用效果的前提是： 訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的特征和分布情況一致。 如果2 組數(shù)據(jù)差異較大， 機器學習算法需要耗費較長時間來獲得新的訓(xùn)練數(shù)據(jù)， 同時也要重新訓(xùn)練模型[8-12]。 因此， 對于每個執(zhí)行任務(wù)來說，傳統(tǒng)機器學習都要通過訓(xùn)練隨機獲取的數(shù)據(jù)來進行學習。 人類可以靈活應(yīng)用自己的知識來快速求解新問題或找到更好策略， 比如一個人在學會蛙泳之后， 再學自由泳就可以很快掌握。 由此學者們受到啟發(fā)， 開始研究遷移學習[12-16]。 與傳統(tǒng)機器學習不同的是， 遷移學習旨在將一個領(lǐng)域（源領(lǐng)域）中已經(jīng)學習的知識和數(shù)據(jù)應(yīng)用到其他相近領(lǐng)域（目標領(lǐng)域）， 用于解決目標領(lǐng)域數(shù)據(jù)缺乏問題，使得目標領(lǐng)域能夠取得更好的學習效果[17-19]。

1.3 生成對抗神經(jīng)網(wǎng)絡(luò)技術(shù)

強化學習算法成功促進了深度學習的進步，但這種算法是經(jīng)過平均最大化的最終獎勵來實現(xiàn)訓(xùn)練目的， 其結(jié)果也由“獎勵函數(shù)”給出。 然而，很難給出獎勵函數(shù)來精確地評估來自周圍環(huán)境的反饋， 故強化學習算法在實際運用上存在很大局限性。 2014 年Ian J. Goodfellow 在文獻[20]中首次定義了對抗網(wǎng)絡(luò)模型， 其思想源于博弈論中的二人零和博弈。

該模型由判別模型和生成模型組成。 對抗神經(jīng)網(wǎng)絡(luò)通過生成模型來學習數(shù)據(jù)分布情況， 然后生成新的數(shù)據(jù)。 例如， 從大量圖片中進行學習，然后生成新的照片[21]。 此外對抗網(wǎng)絡(luò)模型具有強大的表達能力， 可以在向量空間內(nèi)執(zhí)行算術(shù)運算，并能夠?qū)⑵滢D(zhuǎn)化為特征空間內(nèi)的運算。

1.4 膠囊網(wǎng)絡(luò)技術(shù)

深度CNN 對某類別的數(shù)據(jù)集進行適當訓(xùn)練后， 可以對屬于此類別的數(shù)據(jù)進行較好的預(yù)測。但是如果更改了輸入數(shù)據(jù)的一部分（例如一些圖像像素）， 訓(xùn)練好的網(wǎng)絡(luò)分類效果就會變差。 為此Hinton 等人提出了膠囊網(wǎng)絡(luò)的概念[22-23]。 在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中， 如果需要具有更強的學習能力， 通常做法是增加網(wǎng)絡(luò)的層數(shù)； 而膠囊網(wǎng)絡(luò)則是通過在該層的里面嵌套新的層， 這樣便形成一個內(nèi)部嵌套層， 稱為膠囊。 因此膠囊網(wǎng)絡(luò)可近似看作將傳統(tǒng)網(wǎng)絡(luò)中的輸入層、 中間層及輸出層的標量擴展為向量。

CNN 雖然代表著圖像識別領(lǐng)域內(nèi)的較高技術(shù)， 但還是存在著一些問題。 例如圖1（b）對圖1（a）的綿羊圖像進行了一定的平移和旋轉(zhuǎn)， CNN若要得出它們是同一種動物的結(jié)論需要使用復(fù)雜的算法。

圖1 綿羊圖像識別

由于膠囊網(wǎng)絡(luò)不但可以學習輸入數(shù)據(jù)的特征， 還可以學習特征的變形。 這樣利用膠囊網(wǎng)絡(luò)便可容易得出圖1（a）與圖1（b）為同一只綿羊的結(jié)論[4]。 有了這種檢測能力后， 采用同一組膠囊單元便能夠?qū)崿F(xiàn)對不同特征的變體（例如旋轉(zhuǎn)、 移動及其組合）的檢測。

1.5 引導(dǎo)學習

文獻[24]和[25]提出了基于“知識功能單元”的機器學習方法。 該方法模擬學校學生的學習情境，教授將所具備的知識、 技能傳授給學生， 學生將所學到的知識應(yīng)用到實際問題中來提高自己的技能。 基于類似的思路和方法， 引導(dǎo)學習假設(shè)學習器在分析數(shù)據(jù)前已經(jīng)掌握了最基礎(chǔ)的知識， 從而達到更高級的學習水平， 解決更復(fù)雜的問題。

引導(dǎo)學習的關(guān)鍵是將先驗知識進行數(shù)學處理、 模型化處理， 然后輸入到“知識”函數(shù)單元中，當學習器對樣本空間進行學習迭代時， 指導(dǎo)學習器對參數(shù)集進行優(yōu)化。 引導(dǎo)學習模型由基準知識單元K、 樣本單元S、 知識函數(shù)單元F、 參數(shù)優(yōu)化單元O、 學習模型單元M 共5 個模塊組成[24]。

引導(dǎo)學習將知識分析與數(shù)據(jù)挖掘相結(jié)合， 充分利用了確定性知識泛化能力的魯棒性。

2 電力系統(tǒng)運行領(lǐng)域中的機器學習應(yīng)用場景

上述文獻分析表明， 單純依靠一種機器學習理論效果有限， 通常需要綜合運用多種技術(shù)才能解決電力系統(tǒng)運行中的相關(guān)問題。

2.1 電力系統(tǒng)穩(wěn)定分析領(lǐng)域中的應(yīng)用實踐

穩(wěn)定分析是電力系統(tǒng)安全運行的重要內(nèi)容，其中低頻振蕩和次同步振蕩又是電力系統(tǒng)穩(wěn)定分析中的典型問題。 下文將對用于處理低頻振蕩問題的機器學習方法進行分析。

目前進行電力系統(tǒng)低頻振蕩的分析方法主要有基于系統(tǒng)結(jié)構(gòu)和運行參數(shù)的模型分析方法和基于仿真或?qū)崪y信號的分析方法。 傳統(tǒng)的信號分析方法包括Prony 算法、 HHT 變換、 S 變換等[26-27]。這些方法均根據(jù)擬提取的特征來選擇相應(yīng)的特征， 而方法的設(shè)計則需要以實際經(jīng)驗和專業(yè)知識為基礎(chǔ)， 并要耗費大量的時間去調(diào)試， 工作效率低下。 隨著人工智能技術(shù)的發(fā)展， 許多智能技術(shù)可用于解決該問題， 文獻[28]使用GSO（群搜索優(yōu)化）算法進行低頻振蕩的模態(tài)辨識， 該方法在特征提取方面實現(xiàn)了部分智能化， 但仍無法完全解決特征的提取問題。 而深度學習則具有自動提取信號特征的優(yōu)勢， 文獻[29]利用DBN（深度置信網(wǎng)絡(luò)）來識別低頻振蕩的模態(tài)數(shù)， 然后利用Prony 算法分析模態(tài)信息。 文獻[30]利用DNN（深度神經(jīng)網(wǎng)絡(luò)）來對網(wǎng)側(cè)變流器輸出變量的穩(wěn)定性進行判斷，測試結(jié)果表明預(yù)測的正確性可達到99%。 文獻[31]為了對配電網(wǎng)頻率信號進行檢測， 利用強化學習方法來分析頻率信號， 并使用動態(tài)決策智能算法來設(shè)置告警閾值。

由于DBN 無法體現(xiàn)振蕩信號前后時刻的時序關(guān)聯(lián)， 建議使用RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）或具有記憶功能的LSTM 模型進行分析。 在振蕩頻率信號中可能會出現(xiàn)很多畸變， 可以使用膠囊神經(jīng)網(wǎng)絡(luò)技術(shù)來實現(xiàn)對變形特征的分析。 另外， 如果存在分析數(shù)據(jù)不足問題， 可以使用生成對抗神經(jīng)網(wǎng)絡(luò)技術(shù)來處理。

2.2 電力系統(tǒng)協(xié)調(diào)調(diào)度領(lǐng)域中的應(yīng)用實踐

在含有可再生能源的協(xié)調(diào)調(diào)度中， 為了對可再生能源的發(fā)電量進行預(yù)測， 需要考慮太陽輻照度和溫度等數(shù)據(jù)具有時間順序和離散特性。 文獻[32]基于相似時刻構(gòu)造輸入向量， 分別對各時刻的光伏出力進行預(yù)測； 使用了小波變換與DBN 相結(jié)合的方法， 小波變換用于信號的分解， DBN 將分解后的信號進行特征提取。

針對電力系統(tǒng)運行過程中負荷及故障的不確定性， 文獻[33]在經(jīng)濟調(diào)度中建立了風險調(diào)度模型。 由于風險調(diào)度是一個基于潮流的復(fù)雜非線性規(guī)劃問題， 求解非線性規(guī)劃問題的經(jīng)典優(yōu)化算法存在全局收斂性差、 要求精確數(shù)學模型等缺點。而智能求解算法具有對特定數(shù)學模型依賴性低、應(yīng)用簡單等優(yōu)勢， 但是對相似任務(wù)的優(yōu)化是孤立進行的， 不能有效保留以往任務(wù)的經(jīng)驗和知識，很難進行大規(guī)模復(fù)雜風險調(diào)度的快速優(yōu)化。 針對上述問題， 該文獻采用了遷移學習算法將在源領(lǐng)域中所學習到的知識或策略應(yīng)用到相似但不相同的目標領(lǐng)域， 復(fù)用已有經(jīng)驗以加速新任務(wù)的學習速度。

文獻[34]針對電力系統(tǒng)能源優(yōu)化問題， 改變了傳統(tǒng)的線性動態(tài)優(yōu)化算法， 采用深度強化學習算法（結(jié)合深度學習與強化學習的優(yōu)勢）進行優(yōu)化處理， 與傳統(tǒng)的啟發(fā)式策略相比， 該方法能夠使得發(fā)電量與負載的動態(tài)變化更加平衡。

2.3 電力系統(tǒng)負荷和發(fā)電預(yù)測領(lǐng)域中的應(yīng)用實踐

依據(jù)預(yù)測周期和目的的不同， 負荷預(yù)測大致分為長期負荷預(yù)測、 中期負荷預(yù)測、 短期負荷預(yù)測以及超短期負荷預(yù)測。 短期負荷預(yù)測通常用于預(yù)測從第二天到下一周的電力負荷大小， 預(yù)測目標通常是某個區(qū)域的承載能力或每日和每周的電力消耗數(shù)據(jù)。 短期負荷預(yù)測的方法眾多， 常用的智能算法有神經(jīng)網(wǎng)絡(luò)和支持向量機。 但在負荷數(shù)據(jù)分析中發(fā)現(xiàn)， 由于人們活動的周期性， 同一周的相應(yīng)情況往往相似， 不同周的相應(yīng)情況往往不同， 如果不加以區(qū)分地將全部的實例用來訓(xùn)練模型， 不同類別的實例就會因其差異性影響模型最終的訓(xùn)練效果。 為了解決該問題， 文獻[35]充分利用遷移學習在處理“兩個不同但又彼此聯(lián)系”類型數(shù)據(jù)上的優(yōu)勢， 將7 周數(shù)據(jù)中的1 周數(shù)據(jù)作為目標任務(wù)， 其余6 周數(shù)據(jù)作為源任務(wù)進行遷移學習。

另外， 考慮到負荷的變化曲線受自身歷史運行狀態(tài)、 氣象因素、 電力用戶特征等多重因素的影響， 文獻[36]使用MaXNet 深度學習框架來綜合分析各因素對電力負荷的影響。 為了處理負荷數(shù)據(jù)的時間序列問題， 文獻[37]采用基于LSTM模型并進行了基于時間序列的交叉驗證。 文獻[38]對IPSO（粒子群優(yōu)化算法）、 帶嵌入層的LSTM、 帶嵌入層和卷積層的LSTM 3 種不同方法的預(yù)測結(jié)果進行了對比， 結(jié)果表明帶嵌入層和卷積層的LSTM 預(yù)測效果最佳。

可見，現(xiàn)代教育技術(shù)課程與教學改革受到政策和教育技術(shù)發(fā)展的雙重影響。而現(xiàn)代教育技術(shù)課程與教學改革又需依賴現(xiàn)代教育技術(shù)教材，因此，本研究旨在分析現(xiàn)代教育技術(shù)教材建設(shè)現(xiàn)狀，預(yù)測新教材的發(fā)展趨勢，并對未來新教材的建設(shè)提出幾點建議。

新能源技術(shù)的大規(guī)模發(fā)展和發(fā)電資源的不確定性給電力系統(tǒng)運行帶來了一定的挑戰(zhàn)。 文獻[39-41]利用機器學習策略進行發(fā)電功率預(yù)測。 文獻[39]使用SDAE（堆疊式降噪自動編碼器）來分析風力資源在時序上的非線性、 動態(tài)性問題， 對比結(jié)果顯示， 相比于傳統(tǒng)反饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和支持向量機策略， SDAE 的風電功率預(yù)測誤差（以誤差均值表示）分別降低了3.49%和1.59%。 文獻[40]使用RNN 結(jié)構(gòu)中LSTM 模型來對氣象預(yù)報數(shù)據(jù)進行分析， 為了降低LSTM 模型輸入變量的維數(shù)，文獻采用了主成分分析法。 為了提取風電數(shù)據(jù)中的特征， 文獻[41]使用DBN 對歷史數(shù)據(jù)進行分析，測試結(jié)果表明，DBN 可以有效降低預(yù)測數(shù)據(jù)誤差。

2.4 電力系統(tǒng)運行監(jiān)控中的應(yīng)用實踐

機器學習在電力系統(tǒng)運行監(jiān)控中的應(yīng)用大致分為主站監(jiān)控、 變電監(jiān)控和輸電監(jiān)控3 個方面。

深度學習在主站監(jiān)控領(lǐng)域研究較少， 只有零星利用傳統(tǒng)機器學習算法進行主站告警信息處理的報道。 文獻[42]基于模型驅(qū)動的思想， 設(shè)計了具有智能推理功能的變電站告警系統(tǒng)。 文獻[43]在對電力調(diào)度系統(tǒng)的告警信號文本信息進行處理時，采用隱馬爾科夫模型中的Viterbi 算法進行分詞。

在變電站監(jiān)控方面， 文獻[44]在智能變電站智能視覺系統(tǒng)的開發(fā)中， 將傳統(tǒng)的機器學習算法和視覺跟蹤技術(shù)相結(jié)合來跟蹤和識別變電站內(nèi)的移動物體（如人員）。 對于變電站中人行為的監(jiān)控，文獻[45]建立了工作人員闖入、 誤入限制區(qū)域甚至危險區(qū)域的變電站監(jiān)控圖像異常狀況模型， 該模型采用CNN 結(jié)構(gòu)； 在模型構(gòu)建時采用了基于矩陣2-范數(shù)的池化方法， 同時利用一種非線性修正函數(shù)作為神經(jīng)元激勵函數(shù)， 相比于傳統(tǒng)激勵函數(shù)提高了識別的準確率。 針對變電站工作人員訓(xùn)練數(shù)據(jù)缺乏問題， 文獻[46]采用遷移學習技術(shù)進行處理， 由于人員相對于整個變電站監(jiān)控畫面來說顯示較小， 采取了全卷積大尺度檢測技術(shù)檢測人的行為， 而對周圍的多種設(shè)備進行忽略。 相反， 文獻[47]和文獻[48]對變電站中的設(shè)備進行監(jiān)控， 文獻[47]針對變電站的紅外及可見光圖像提出配準方法， 使用CNN 解決了其灰度差異較大的問題。 同時， 針對VGG16 模型對于紅外和可見光相似度不能很好學習的問題， 采用Triplet loss訓(xùn)練方法進行處理。 文獻[48]則將深度學習算法與設(shè)備視頻圖像技術(shù)相結(jié)合， 對變電站中的指針儀表設(shè)備圖像進行研究， 構(gòu)建了基于深度CNN的實時儀表指針識別系統(tǒng)。

在輸電系統(tǒng)監(jiān)控領(lǐng)域， 文獻[49]設(shè)計了基于深度學習的目標檢測系統(tǒng)， 通過對Faster R-CNN模型進行改進， 增加了目標分類網(wǎng)絡(luò)的層數(shù)， 提高了對目標的識別能力； 同時， 基于遷移學習的思想， 利用模型微調(diào)法對檢測模型進行訓(xùn)練。 對于輸電線路附近的危險源， 文獻[50]采用稀疏自編碼從圖像和視頻信號中進行特征學習， 利用softmax 進行危險源的分類。 而針對輸變電設(shè)備故障的診斷， 文獻[51]將改進RNN 與LSTM 模型相結(jié)合來對網(wǎng)絡(luò)模型進行訓(xùn)練， 從而對面向文本的非結(jié)構(gòu)化數(shù)據(jù)進行處理。

3 應(yīng)用前景

隨著機器學習在電力系統(tǒng)運行領(lǐng)域中的廣泛應(yīng)用， 電力系統(tǒng)運行性能將在眾多領(lǐng)域發(fā)生更新， 本文從以下幾個方面重點闡述機器學習技術(shù)的應(yīng)用前景。

電力系統(tǒng)運行時， 常常需要各種人員的電話指令， 如果能利用深度學習在音頻/視頻等處理方面的優(yōu)勢將音頻信息解讀為機器能夠正確理解的語言， 便可以更好地實現(xiàn)電網(wǎng)運行監(jiān)控的無人值守。 此外， 在電站操作票中存在各種文本信息，可以利用深度學習的自然語言處理功能對操作票信息進行語義語法分析， 進而與SCD（變電站配置描述）文件信息進行搜索匹配， 實現(xiàn)操作命令的自動執(zhí)行。 同時利用深度學習技術(shù)可以有效處理監(jiān)控主站信息中的告警， 例如利用深度學習中的文本分類功能對紛繁的主站告警信息進行分類。

（2）機器學習技術(shù)將推動電力系統(tǒng)調(diào)度水平的顯著發(fā)展。

目前， 電力系統(tǒng)的潮流調(diào)節(jié)、 AVC（自動電壓控制）、 AGC（自動發(fā)電控制）更多依靠專家的個人經(jīng)驗， 假如能夠利用深度學習技術(shù)將專家的模糊調(diào)節(jié)經(jīng)驗轉(zhuǎn)化為機器語言清晰的調(diào)節(jié)規(guī)則， 將實現(xiàn)電力系統(tǒng)調(diào)度的自動智能調(diào)節(jié)， 大大提高工作效率。

（3）機器學習技術(shù)將能更好地處理電力系統(tǒng)運行中的隨機性和不確定性事件。

電力系統(tǒng)運行中存在著眾多不確定影響因素， 如負荷的隨機擾動和設(shè)備元器件的偶然故障等。 近年來， 隨著新能源并網(wǎng)發(fā)電的普及， 新能源的隨機性和間歇性進一步加劇了電力系統(tǒng)運行的不確定性。 電力系統(tǒng)運行中各類不確定問題的出現(xiàn)使得與運行相關(guān)的潮流計算、 調(diào)度、 規(guī)劃及輔助決策方法等需要逐步由確定性向不確定性轉(zhuǎn)變。 針對上述問題， 可以在機器學習中增加不確定因素的隨機變化， 比如在神經(jīng)元之間分配隨機過程傳遞函數(shù)， 或是給神經(jīng)元隨機權(quán)重。 當然，如何利用機器學習來實現(xiàn)這一想法需要考慮更多細節(jié)。

（4）機器學習技術(shù)將促進電力市場的進一步發(fā)展。

在電力市場中， 中長期合約電量與現(xiàn)貨市場的比例分配之間相互影響、 相互關(guān)聯(lián)。 在合約電量確定后， 如何通過現(xiàn)貨市場的調(diào)節(jié)作用來保障電網(wǎng)物理系統(tǒng)和電力市場系統(tǒng)的協(xié)調(diào)平穩(wěn)運行，需要利用深度學習技術(shù)來應(yīng)對外部環(huán)境的變化。

另外一個比較前沿的研究領(lǐng)域是將電力系統(tǒng)的運行與人腦運轉(zhuǎn)進行類比， 包括兩者的結(jié)構(gòu)、感知、 分析和自主決策等方面。 比如將電網(wǎng)中的輸電線路比作人腦中的神經(jīng)網(wǎng)絡(luò)， 電網(wǎng)中的量測設(shè)備與人體的感官進行類比等， 文獻[52]就對“電力腦”進行了相關(guān)描述。 總之， 隨著機器學習技術(shù)在電力系統(tǒng)運行領(lǐng)域的廣泛應(yīng)用， 將使得電力系統(tǒng)運行更加經(jīng)濟、 安全和可靠。

4 結(jié)語

與專家系統(tǒng)、 模糊控制等傳統(tǒng)人工智能不同， 機器學習算法的產(chǎn)生與發(fā)展側(cè)重于實際應(yīng)用效果， 這也導(dǎo)致了任何一種機器學習策略都不是放之四海而皆準的， 電力系統(tǒng)運行情況的復(fù)雜程度更凸顯了機器學習算法選擇的重要性。 因此在學習策略的選擇上， 首先要對所需解決問題的特點進行分析， 根據(jù)實際問題來進行選擇。 另外還需要強調(diào)的是， 每種方法都有其自身的優(yōu)點和不足， 可以將2 種或幾種方法進行有機結(jié)合， 將更有利于問題的解決。