人工智能技術在電力行業的應用現狀和發展趨勢初探

李越茂，姚 楓，宋佩珂

(中國電力工程顧問集團西南電力設計院有限公司，四川 成都 610021)

0 引言

人工智能(Artificial Intelligence)是研究人的智能活動規律，并模擬和實現人類智能行為的一門科學。人工智能是一門綜合性和交叉性的學科，與經濟學、政治學、心理學、哲學、社會學等密切相關?，F階段，人工智能技術主要應用在專家系統、計算機視覺、自然語言處理、智能機器人，以及人工神經網絡等領域。

人工智能技術誕生于上世紀40年代，從最初的神經網絡、模糊邏輯，到近期的深度學習、圖像識別，經歷了從爆發、低谷，到重新突破，直到2010年后進入發展高峰，得到各國政府和民間組織的廣泛重視，如圖1所示。

圖1 人工智能的發展歷程

本文全面分析機器學習、人工神經網絡、遺傳算法、專家系統、計算機視覺，以及智能機器人等先進的人工智能技術在電力工程的規劃、設計、建設和運維等全生命周期各階段中的應用現狀，分析了該技術在應用中存在的問題和不足，并展望了其發展趨勢。

1 電力行業應用現狀

人工智能技術從誕生開始，就受到電力行業的高度關注。專家系統、人工神經網絡、模糊集理論以及啟發式搜索等傳統人工智能方法在電力系統中得到了廣泛應用[1]。

1.1 電力系統規劃

系統規劃專業技術人員使用智能化的規劃軟件開展電力系統規劃?；陔娏ο到y現狀、負荷預測結果和電源建設規劃，利用積累的電力系統大數據，參考類似規劃案例開展自我學習，完成系統規劃任務。在規劃過程中，利用人工智能算法完成電力系統多維變量、多約束條件和非線性多目標優化等問題的求解，獲取最優方案。

1.2 電力市場

1)負荷預測

隨著電力市場向需求和供給縱深發展，特別是電動汽車、新能源的大面積接入，電力市場負荷預測的難度日益困難。利用深度學習技術的特征抽象算法，可以精確地捕捉各類復雜的環境、系統因素對負荷的影響，大幅提高計算模型的泛化能力和負荷預測的精度。

采用深度信念網絡(deep belief network，DBN)和多任務回歸算法，利用深度結構多任務學習方法，開展綜合能源需求預測，很好地解決了電、熱、氣等負荷的聯合預測。

2)需求響應

針對傳統計算方法難以建立供需互動模型的不足，采用深度遷移強化學習技術，基礎存儲的歷史任務有效信息，利用高精度的非線性遷移學習算法，快速獲得需求響應的最理想的解。

3)電價預測

電價因受到各種因素的影響持續波動，當前階段業內普遍采用的基于時序的線性預測模型很難滿足精確的電價預測的需要。隨著人工智能技術的發展，綜合考慮能源供需關系、歷史電價水平、社會經濟發展水平等因素，利用高級機器學習技術開展樣本學習，采用隨機鄰居嵌入技術和降噪堆疊自編碼器(stacked autoencoderm，SAE)，預測電價短期和長期的發展。

4)智慧充電

近年來，隨著電動汽車大量投入使用，國內新建了很多充電設施，但是任然存在充電費用高企的情況。在實踐中，利用高級機器學習理論，采用深度神經網絡算法計算出最優化的充電控制策略，使電動汽車充電整體成本最低，并有效維持區域電力系統的持續穩定運行。

1.3 勘察設計

1)方案設計

將人工智能技術應用到電力工程的設計過程中，自動生成設計方案，完成對設計方案的自動檢查。設計前期階段的可行性研究工作，用戶喜好分析報告等可以通過人工智能技術完成，利用強大的人工智能系統自動生成多種設計方案，并給出各方案的多指標量化比較結果，供設計人員選擇。根據每個項目的不同建設規模、外部條件和業主需求，實時智能設計并排序推薦，利用機器計算枚舉出海量可能的設計方案。人工智能技術替代設計人員的工作，將設計人員從簡單重復性的勞動中解放出來，可以將更多的精力投入到設計方案的優化中，最大限度地提高設計方案的質量。

2)分析計算

在電力工程設計的傳統計算中，引入人工智能相關算法，可以得到更加精確的計算結果，更好地服務工程設計工作。

基于遺傳—模擬退火算法、遺傳—改進BP(back propagation)神經網絡，建立邊坡工程穩定性分析評價系統,實現一定程度的邊坡穩定性和變形的研究智能化。對圓弧滑動面的圓心、半徑進行遺傳進化計算,克服傳統方法易陷入局部最優解的缺點,具有很好的重復性[2]。

3)設計校審

CAD圖紙和數字化設計模型校審難度大、效率低，不能可靠地保證設計模型的質量，因此需要智能化計算機工具協助設計師完成設計校審等工作。人工智能檢查工具能夠全方面、高效率、客觀地針對模型進行檢查，如清華大學軟件學院研發的BIMChecker工具。它主要用于對BIM模型的智能檢查，能夠精確評價模型的質量，找出其中存在的問題并做出反饋[1]。

4)設計管理

將深度學習理論融入到電力工程的設計管理工作中，讓計算機模擬項目管理人員來處理項目設計管理環節的相關事宜，自動觸發事件處理機制，可以有效增強設計管理效能，創新管理機制，進一步提高電力工程設計的合理性、科學性，確保項目的順利推進。

5)工程造價

在電力工程造價編制中，嘗試采用粒子群優化的人工神經網絡、案例推理等智能方法，通過粒子數目、進化代數和慣性權重的設置，持續優化神經網絡的結果參數，獲得科學合理的神經網絡參數值，建立項目智能估價計算模型，精準預測工程造價。

6)專家系統

專家系統是基于某一特定領域大量的專業知識和經驗開發的智能化程序。專家系統模擬人的思維過程，自動完成推理和判斷。專家系統一般由知識庫和推理機兩部分組成。專家系統將前期專家經驗與計算機技術的結合，可廣泛地應用在工程設計成果的智能校審和評審，大幅提高電力工程校審、評審的自動化和規范化程度。

1.4 施工管理

電力工程施工階段是資源投入量最大的階段，現場影響因素復雜多變，將人工智能技術應用到施工領域中，建設智慧工地管理系統，實現對現場工人的全面安全管理，實現項目的規范化、科學化管理。

1)質量管理

電力工程施工中由于其資源投入量大、工序繁多且復雜、管理手段不夠成熟，要很好地保證施工質量，需要項目參與方付出非常大的努力。借助人工智能技術，對原材料、施工過程、施工產品進行質量監測，全面排除質量問題，使質量管理更加精細化。

2)安全管理

工人的管理是現場安全管理的重要對象，施工現場由于環境復雜、危險因素多，部分工人對危險源認識模糊，容易發生安全事故。人工智能技術可以協助管理人員了解現場安全情況，監測工人工作狀態，促進現場管理規范化，實現對工程建設過程的高效化管理。

1.5 能源供應

隨機性和波動性很強的光伏和風電的大量接入，是當前電力系統的主要特征。現階段應用較多的淺層預測模型對于具有非線性、非平穩特征的光伏和風電數據的預測性能不強，下階段，需要更好地應用人工智能技術，深度辨識并高效處理海量、高維和多元數據，全面感知和預測多時間尺度問題。

1.6 電力系統安全與控制

1)電力系統穩定評估

近年來，電力系統規模大幅增加，網架結構大幅增強，其動態特性變得越來越復雜，安全性與魯棒性之間的矛盾也越來越顯著，對電力系統安全穩定評估的要求越來越高。利用深度學習算法，構建具備強大自我學習能力的SAE，DBN和卷積神經網絡(convolutional neural networks，CNN)深層模型，自動提取電力系統的數據特征，對數據進行分類和評估，提高穩定評估的準確率。

2)電力系統控制與優化

針對復雜電網，其輸入輸出數據的關聯性強、維數多，難以獲得較完善的控制和優化策略。利用深度學習、強化學習和遷移學習的理論，制定電網切機控制策略，大幅提升算法對系統的認知能力，實現電力系統中多智能體的互博弈水平，優化控制策略。

3)入侵檢測

電力系統的信息化智能化在有效改善智能電網的監測與控制效果的同時，也增加了被惡意攻擊的可能性[1]。目前，有學者研究，利用深度學習算法引入虛假數據，將該數據注入攻擊實時檢測，并采用Gaussian-Bernoulli受限玻爾茲曼機，利用數據的實時測量來分析攻擊行為，并通過捕獲的特征檢測攻擊行為。

4)電力系統調度與能源調度

電力系統調度需要統籌協調發電、輸電、變電和配電各環節的行為，解決多時序、多參數相互協調優化的問題。對于此類復雜計算，需要人工智能技術的深度介入，特別是遷移學習的算法。針對大規模復雜電網普遍存在的風險調度問題，可以采用強化學習和細菌覓食算法相結合的方法，結合知識遷移技術，大幅提高學習速度，解決電力系統調度與能源調度算法優化的問題。

1.7 運維與故障診斷

1)在線監測

因變電站、換流站中的電力設備普遍都具備的明顯特征，包括顏色、材質和紋理等。利用計算機視覺技術的圖像處理和識別能力，對采集到的設備圖像進行二值化變換后，經過差分盒累計圖像處理，從而判斷該設備是否發生故障或不正常。

2)無人巡檢

在變電站中，使用搭載紅外傳感器、電磁感應傳感器和高清攝像頭的智能巡檢機器人，對電氣設備進行多維度、近距離的觀察和監測。采用無人機搭載高清攝像儀和紅外傳感器，具備高精度定位和自動檢測識別功能，利用圖像識別和紅外傳感技術，完成對鐵塔、導地線和絕緣子串的運行狀態監測和安全評估。

3)圖像識別

應用圖像識別技術，實現對輸電線路的運行狀態和覆冰情況的實時監測，自動識別大型機械靠近作業、飄掛物、覆冰、大風產生的導線舞動以及在高負荷狀態時出現的弧垂增大等異常情況的發生，及早制定應急預案。對輸電線路覆冰圖像進行檢測和分析，實現絕緣子識別提取、絕緣子污穢、裂紋、覆冰檢測等方面[3]。

而變電站的圖像識別，主要通過安裝紅外與可見光攝像頭實現變電站遠程圖像、遠程監控、遙視與安全預警。

4)智能診斷

傳統的電力系統故障診斷利用經驗判斷和人工特征提取技術，適用范圍較小。采用深度學習方法，研究學習數據內在的結構特性，并把學習到的特征信息全面融合到建模過程，有效地避免傳統特征提取的復雜性和人為設計特征的不充分性。

2 存在的問題與不足

近年來，隨著電動汽車、分布式電源和儲能設施等多特性終端的大量接入，電力系統表現出復雜非線性、不確定性和時空差異等特性。傳統的人工智能技術在電力系統各環節的應用中，普遍呈現出基礎數據薄弱、數據質量不高、數據壁壘較多、算法適應性不強、算力不足、計算穩定性不足、識別技術不成熟等問題。

1)基礎數據薄弱

目前，各環節、各企業數據總體多，但是缺少針對單一應用場景數據量不足的問題普遍存在。造成人工智能技術的應用往往受限于圖像識別等通用應用場景，缺少專用的如ImageNet標準庫的專業應用基礎庫，數據的泛化能力較薄弱。

2)數據質量不高

數據質量是決定人工智能技術是否能成功應用的關鍵因素。然而，現階段，如設備調試結果、運行狀態等數據的存儲形式各異、質量參差不齊，經常發生數據缺失、重復和異常等問題，嚴重影響電力系統各環節計算執行效率和計算結果的準確性。

3)異常樣本匱乏

高性能機器學習模型對于訓練樣本的數量存在較高的要求。但是在實際工作中，由于輸變電工程運維管理狀況良好，電力設備故障多為小概率事件，加之相關案例報告記錄信息不全面，導致非正常狀態的設備樣本數量十分匱乏，并進一步造成非均衡數據集的出現，制約著機器學習模型的訓練效果[4]。

4)數據壁壘較多

電力設備狀態檢修所需的數據來源于不同的業務部門與信息平臺，難以實現跨平臺的數據交互與共享，呈現數據壁壘，大大增加了獲取完整數據樣本的難度，難以滿足評估環節大體量、多源化的數據需求。同時，數據的標注和理解還存在諸多問題。當前階段，很多能被人工智能技術應用的數據目前還需要經過人工標注，這就需要耗費大量的人力。

5)算法適應性不強

近年來，機器學習、深度學習，以及強化學習等算法在電力系統規劃和安全控制等方面獲得了應用。但是，對于如智能調度、電力交易和故障等具有較強行業特色和復雜場景的應用環節的計算模型還停留在簡單的幾類模型的疊加層面上，基于深度學習的算法適應性不強，建模和計算需要耗費大量時間和資源。

6)訓練方式不科學

當前在電力系統的各項應用中，深度學習模型大多基于無監督學習方式建立。在此方式下，先使用無監督學習開展預訓練，再采用有監督方式對模型進行微調，因為微調時涉及的參數較多，花費的時間也比較長。

7)算力不足

在電力系統規劃、負荷預測，以及故障診斷等應用中，需要大量高性能智能硬件計算能力的支撐。但是，現階段，缺少高質量、高計算能力的類人行為的智能處理芯片、硬件模塊和計算軟件，造成目前涉及人工智能的數據處理量大和計算響應慢等問題的普遍存在。

8)計算穩定性不足

電力系統的穩定關系國計民生，對計算結果可靠性的要求極高，但是現階段，機器學習、推理機和圖像識別等技術普遍存在穩定性不足的問題，容易發生辨識錯誤，給計算結果的準確性帶來較大的負面影響。

9)計算方法缺乏可解釋性

目前，為了更快地獲取計算結果，大部分基于人工智能的應用未建立詳細的系統模型，對計算過程的介入較淺，很少將計算模型和物理模型進行關聯分析，計算的過程和結果缺少交互性和可操作性，造成計算方法的可解性較低，非項目密切參與者很難了解計算過程。

10)小樣本數據學習技術亟需突破

現有人工智能技術的應用，多基于大數據分析開展。人工智能計算過程又被高維海量數據所困，不得不采用主成分分析法或拉普拉斯特征映射(LE)等方法進行降維和降噪。反觀能源應用場景，如故障診斷、異常用能行為檢測等，一段時間內可獲取數據仍屬于小樣本集，并不具備大數據條件[5]。

11)視覺場景識別不成熟

人工智能在計算機視覺領域的物體場景識別方面的應用還不夠成熟，存在一定的失誤率。圖像識別技術雖然標準數據的識別中表現得非常優異，但是在變電站和輸電線路等所處的自然環境下，因為拍攝角度、所處背景、自然光線等因素的綜合影響，圖像識別的結果存在較大的差異。

12)專家系統較薄弱

現階段，各行業專家系統都存在知識庫單薄，判斷條件和依據欠缺，規程規范約束條件量化程度較低，推理機算法不成熟等不足。在專家系統的應用過程中，普遍存在基礎數據多、獲取的知識少，經常表現出匹配沖突和組合爆炸等問題。使用單一的知識表示方法難以完整表現對象所處領域的知識結構。知識自動獲取功能不夠完善，知識的獲取能力較為低下。

3 發展趨勢

隨著大數據、物聯網、區塊鏈和邊緣計算等技術的深入發展，將大數據智能、類腦智能、量子智能、群體智能、跨媒體感知、自主協同控制等關鍵人工智能技術應用于電力工程的規劃、設計、制造、建設和運維的全生命周期，將是電力行業的研究重點。

3.1 遷移學習的引入

作為一種高級機器學習方法，遷移學習的核心是將一個預訓練的模型重新用在另一項任務中。通過使用一個適用于不同場景，但是卻存在一定相關性的任務模型，并且以一種有利的方式縮小搜索范圍，可以較好地適用于具有大量訓練深度模型所需的資源和大量預訓練模型數據集的情況。目前，遷移學習在電力行業應用較少。如何借助遷移學習的優勢，更好地服務于電力系統各環節，有望得到深入研究。

3.2 類人行為機器人的研發和應用

目前，很多變電站均裝備電力機器人，主要應用于自動巡檢和設備帶電維護等方面，機器人按照預先設定好的程序和路徑完成巡檢作業，并不具備自主思考的智能行為能力。而人工智能的高級應用，是要將智能傳感、大數據分析、機器學習和自然語言處理等技術深度融合，開發具備自主思考能力和問題處理能力的類人行為機器人。因此突破自主學習、自主行為等關鍵技術，研發具有類人行為能力的智能機器人[5]，大面積替代運行檢修人員。

3.3 衍生式設計的應用

衍生設計是在需求量化的前提下，把有限的設計約束和標準利用發散式計算的方式處理，并產生大量成果的一種技術。衍生式設計將設計需求由歸納過程轉變為演繹過程，減少迭代次數和耗時，是數字化設計在智能化方向上的深層次應用。在用戶設計過程中，設計模型可以保留用戶的相關數據，從而來分析和追蹤用戶在整個人機交互設計流程中主管評估的演變過程。將衍生式設計應用于電力工程設計中，可以大幅提高設計效率，快速生成多個設計方案，并完成量化比選。

3.4 新型監測手段的研究與應用

在電力設備狀態檢修領域開展人工智能的應用技術研究，其本質是實現多源化狀態信息的綜合集成與利用。因此，通過研究分布式光纖傳感和電力設備內置機器人等新型的監測手段來完善更新電力設備狀態評估指標體系，實現全景化監測，對于直觀準確地掌握設備健康狀況以及進一步提升人工智能技術的應用效果具有十分重要的意義[4]。

3.5 分布協同式專家系統的開發

近年來,專家系統在應用時，其知識結構、學習方法的局限性等問題日漸突出，難以滿足越來越復雜的電力系統計算的需要，因此，開發分布協同式專家系統，被提上了議事日程。

分布式專家系統把一個專家系統的功能經分解后分布到多個處理器上并行工作,從而在整體上提高系統的處理效率。而協同式專家系統是能綜合若干相關領域多個方面的單一專家系統互相協作共同解決一個更廣領域問題的專家系統。將分布式專家系統與協同式專家系統相結合,提出了一種分布協同式專家系統，實現邏輯上或物理上分布在不同處理節點上的若干專家系統協同求解問題[6]。

4 結語

人工智能學科自從誕生之后，技術理論不斷發展，應用領域不斷延伸[7]。主要技術包括機器學習、專家系統、模糊邏輯、智能機器人、圖像處理、自然語言處理及語音識別等。

近年來，人工智能技術已被廣泛應用于電力行業的系統規劃、電力市場、勘察設計、施工管理、能源供應、電力系統安全與控制，以及運維與故障診斷等領域，支撐電力系統的穩定與發展。但是，人工智能技術在電力系統的應用中，還普遍存在基礎數據薄弱、數據質量不高、異常樣本匱乏、訓練方式不科學和算力不足等問題。

隨著以高級機器學習理論、大數據、邊緣計算等技術的深入發展和廣泛應用，有望在遷移學習、類人機器人的研發、衍生式設計、新型監測手段、分布協同式專家系統等方面取得突破進展，培養對高維度、多時變、非線性問題的強大學習和強優化處理能力，提高電力系統運行的安全性和經濟性。