人工智能在電力系統(tǒng)中的應(yīng)用研究與實(shí)踐綜述

朱永利，尹金良

（1．新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，河北省 保定市 071003；2．天津理工大學(xué)電氣電子工程學(xué)院，天津市 西青區(qū) 300384）

0 引言

人工智能是一門(mén)研究用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的新的技術(shù)科學(xué)，該領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專(zhuān)家系統(tǒng)等。2016年1月27日，期刊《自然》封面文章報(bào)道，谷歌開(kāi)發(fā)的名為“阿爾法圍棋”(Alpha Go)的人工智能機(jī)器人以5:0完勝歐洲圍棋冠軍樊麾。2016年3月，Alpha Go挑戰(zhàn)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(zhàn)勝曾獲多項(xiàng)國(guó)內(nèi)和國(guó)際圍棋大賽冠軍的中國(guó)圍棋當(dāng)今名將柯潔。AlphaGo用到了很多新技術(shù)，如深度神經(jīng)網(wǎng)絡(luò)和蒙特卡洛樹(shù)搜索法等，是人工智能理論和應(yīng)用研究發(fā)展到新階段的產(chǎn)物。AlphaGo的上乘表現(xiàn)使得人工智能引起了社會(huì)各界的極大關(guān)注。2016年10月，美國(guó)國(guó)家科學(xué)技術(shù)委員會(huì)發(fā)布了《國(guó)家人工智能研發(fā)戰(zhàn)略規(guī)劃》。2017年7月，我國(guó)國(guó)務(wù)院發(fā)布了《新一代人工智能發(fā)展規(guī)劃》。

人工智能在電力系統(tǒng)中的應(yīng)用在20世紀(jì)80年代至21世紀(jì)初備受關(guān)注。1988年，在瑞典的斯德哥爾摩召開(kāi)了第一屆專(zhuān)家系統(tǒng)在電力系統(tǒng)中的應(yīng)用的研討會(huì)之后，至今適逢30周年。這種研討會(huì)每一至兩年召開(kāi)一次，并且隨著人工神經(jīng)網(wǎng)絡(luò)研究的升溫，研討會(huì)的名字改為了“智能系統(tǒng)在電力系統(tǒng)中的應(yīng)用”。國(guó)際大電網(wǎng)會(huì)議(CIGRE)已多次有組織地對(duì)專(zhuān)家系統(tǒng)在電力系統(tǒng)中的應(yīng)用狀況進(jìn)行過(guò)調(diào)查，并在1992年會(huì)議上將其列為優(yōu)先討論課題。然而，開(kāi)發(fā)專(zhuān)家系統(tǒng)存在獲取專(zhuān)家知識(shí)困難和建造周期長(zhǎng)的問(wèn)題，神經(jīng)網(wǎng)絡(luò)又存在所需要的大量樣本難以獲取且學(xué)習(xí)過(guò)程的參數(shù)調(diào)優(yōu)缺乏依據(jù)和培訓(xùn)復(fù)雜等困難，智能系統(tǒng)的研發(fā)和應(yīng)用都遇到了巨大的挑戰(zhàn)。目前，隨著計(jì)算機(jī)計(jì)算能力的提高，大數(shù)據(jù)的不斷積累，國(guó)家政策的積極扶持，人工智能在電力系統(tǒng)中的應(yīng)用研究又面臨新機(jī)遇。

本文旨在總結(jié)人工智能在電力系統(tǒng)中的應(yīng)用研究和實(shí)踐工作，為新涉足這一研究領(lǐng)域的研究工作者提供參考。重點(diǎn)介紹21世紀(jì)初出現(xiàn)的基于有限樣本訓(xùn)練的相關(guān)向量機(jī)的特點(diǎn)、原理及其在電力系統(tǒng)中的應(yīng)用。

1 人工智能在電力系統(tǒng)中應(yīng)用的早期研究：專(zhuān)家系統(tǒng)

專(zhuān)家系統(tǒng)是在一個(gè)狹窄的領(lǐng)域內(nèi)，利用專(zhuān)家經(jīng)驗(yàn)來(lái)解決復(fù)雜問(wèn)題的智能軟件。20世紀(jì)80年代和90年代上半期，專(zhuān)家系統(tǒng)在電力系統(tǒng)中的應(yīng)用研究如火如荼，涉及電力系統(tǒng)報(bào)警處理、故障診斷、運(yùn)行規(guī)劃、控制和系統(tǒng)分析等，采用的知識(shí)表示方法以產(chǎn)生式規(guī)則為主，也有一階謂詞邏輯、框架和語(yǔ)義網(wǎng)[1]等，后期的應(yīng)用研究大都采用Prolog或C++，故一階謂詞邏輯和面向?qū)ο笾R(shí)表示方法成為主流。由于Prolog擁有內(nèi)部自動(dòng)推理機(jī)制、內(nèi)嵌的數(shù)據(jù)庫(kù)管理和通用的一階謂詞知識(shí)表示方法，所以即使在現(xiàn)在也是實(shí)現(xiàn)演繹推理的一個(gè)良好語(yǔ)言和工具。

我國(guó)開(kāi)展專(zhuān)家系統(tǒng)在電力系統(tǒng)中的應(yīng)用研究在國(guó)際上不算晚。首例是華北電力學(xué)院楊以涵教授指導(dǎo)的研究生張志英在 1985年所研發(fā)的用于電力系統(tǒng)日調(diào)度計(jì)劃的專(zhuān)家系統(tǒng)[1-2]，目標(biāo)是運(yùn)用專(zhuān)家經(jīng)驗(yàn)確定機(jī)爐啟停計(jì)劃，當(dāng)時(shí)是在PDP機(jī)上用 LISP語(yǔ)言實(shí)現(xiàn)的，系統(tǒng)的編排結(jié)果基本上能得到調(diào)度員的認(rèn)可，但軟件的漢化問(wèn)題未解決，故研發(fā)的系統(tǒng)未得到實(shí)際應(yīng)用。

筆者在楊以涵教授的指導(dǎo)下，于1986年研發(fā)了用于變電站操作票編寫(xiě)的專(zhuān)家系統(tǒng)[3]，該系統(tǒng)屬于產(chǎn)生式系統(tǒng)，從操作任務(wù)和已知運(yùn)行方式為依據(jù)，利用專(zhuān)家經(jīng)驗(yàn)進(jìn)行擴(kuò)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(yùn)行，這是國(guó)內(nèi)電力系統(tǒng)中第一個(gè)實(shí)際投入運(yùn)行的專(zhuān)家系統(tǒng)。由于當(dāng)時(shí)智能語(yǔ)言Prolog和LISP的漢化問(wèn)題沒(méi)有解決，所以這一系統(tǒng)只好用BASIC編寫(xiě)，使得在程序的通用性受到了限制，但對(duì)研究工作起了很大的推動(dòng)作用。

楊以涵教授帶領(lǐng)課題組開(kāi)展了火電站的倒閘操作票和高壓開(kāi)關(guān)診斷專(zhuān)家系統(tǒng)。從1989年春，楊以涵教授為東北電網(wǎng)研發(fā)了電網(wǎng)操作票、故障分析和處理專(zhuān)家系統(tǒng)。由于使用Prolog表示電網(wǎng)拓?fù)浣Y(jié)構(gòu)和專(zhuān)家知識(shí)很便利，且能實(shí)現(xiàn)內(nèi)部自動(dòng)推理，故課題組決定采用Prolog進(jìn)行系統(tǒng)的研發(fā)。電網(wǎng)操作票的用量大，但種類(lèi)較少，特別適合用Prolog和專(zhuān)家系統(tǒng)來(lái)解決。筆者所在團(tuán)隊(duì)開(kāi)發(fā)的系統(tǒng)[4]在當(dāng)時(shí)東北電網(wǎng)總調(diào)度應(yīng)用3年以上，開(kāi)票使用率達(dá)97%左右，縮短了調(diào)度編寫(xiě)操作票的時(shí)間[5]。電網(wǎng)故障診斷和處理專(zhuān)家系統(tǒng)要復(fù)雜得多，當(dāng)時(shí) EMS的信息較少，直接可用的就是開(kāi)關(guān)的狀態(tài)和跳閘信息，最后我們提出了以開(kāi)關(guān)跳閘分布為主，保護(hù)動(dòng)作情況提問(wèn)為輔的診斷方法[6]，在VAX機(jī)上用GKD Prolog實(shí)現(xiàn)了該專(zhuān)家系統(tǒng)[7]，獲得了電力工業(yè)部科技理論成果二等獎(jiǎng)。由于受當(dāng)時(shí)計(jì)算機(jī)應(yīng)用水平的限制，系統(tǒng)界面比較粗燥，同 EMS的信息交換也不順暢，應(yīng)用效果大打折扣，但驗(yàn)證了理論上是可行的。

在20世紀(jì)80年代末和90年代初，多家單位都開(kāi)展了專(zhuān)家系統(tǒng)應(yīng)用的研究[1]，如：上海交大的配電網(wǎng)操作票系統(tǒng)及無(wú)功控制系統(tǒng)，浙江大學(xué)的緊急控制、華中理工大學(xué)的無(wú)功控制、福州大學(xué)的配電網(wǎng)經(jīng)濟(jì)運(yùn)行系統(tǒng)。出自企業(yè)的有江西中調(diào)所的負(fù)荷預(yù)測(cè)和黑龍江省調(diào)的無(wú)功優(yōu)化系統(tǒng)；出自科研單位的有原南京自動(dòng)化所的動(dòng)態(tài)安全運(yùn)行規(guī)劃決策支持系統(tǒng)和警報(bào)壓縮處理系統(tǒng)。此外，中國(guó)電力科學(xué)研究院、西安交通大學(xué)及東南大學(xué)等單位也在開(kāi)展這方面的工作。

2 人工智能在電力系統(tǒng)中應(yīng)用的中期研究：神經(jīng)網(wǎng)絡(luò)和進(jìn)化計(jì)算

神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用主要是 BP神經(jīng)網(wǎng)絡(luò)的出現(xiàn)之后。BP神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)任意復(fù)雜的非線(xiàn)性關(guān)系映射，對(duì)大量的訓(xùn)練樣本進(jìn)行擬合，而任何具體的判別函數(shù)都做不到這一點(diǎn)，因而B(niǎo)P模型的分類(lèi)和預(yù)測(cè)結(jié)果要比常規(guī)的模式識(shí)別法都要好。它特別適合有大量結(jié)論性(標(biāo)簽)樣本而又缺乏顯式專(zhuān)家規(guī)則的場(chǎng)合，如圖像和聲音識(shí)別，且具有對(duì)于錯(cuò)誤樣本的容錯(cuò)能力，因而對(duì)于很多模式識(shí)別問(wèn)題的應(yīng)用都取得了成功。在電力系統(tǒng)中的應(yīng)用研究主要涉及負(fù)荷預(yù)測(cè)、電力系統(tǒng)的動(dòng)態(tài)安全估計(jì)、電力設(shè)備和輸電線(xiàn)路的故障診斷。但是由于神經(jīng)網(wǎng)絡(luò)需要大量的培訓(xùn)樣本，輸入輸出的變化越多，需要的培訓(xùn)樣本數(shù)量越大，在解決很多故障診斷問(wèn)題方面會(huì)遇到取得大量訓(xùn)練樣本難的問(wèn)題，因而 BP神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的成功應(yīng)用并不很多。

進(jìn)化計(jì)算的方法較多，如遺傳算法、粒子群優(yōu)化算法、蟻群算法和進(jìn)化規(guī)化等，但本質(zhì)上都是優(yōu)勝劣汰，迭代求優(yōu)，適合于非線(xiàn)性?xún)?yōu)化問(wèn)題的求解。電力系統(tǒng)的優(yōu)化問(wèn)題主要有：電網(wǎng)結(jié)構(gòu)規(guī)劃(包括線(xiàn)路增設(shè))、電網(wǎng)調(diào)度中的機(jī)組起停優(yōu)化、機(jī)組檢修計(jì)劃優(yōu)化、電網(wǎng)運(yùn)行無(wú)功優(yōu)化(包括電容器投切和變壓器分接頭的調(diào)節(jié))等，大多屬于大規(guī)模的非線(xiàn)性或動(dòng)態(tài)規(guī)劃問(wèn)題，適合用進(jìn)化計(jì)算方法來(lái)解決，而用傳統(tǒng)的非線(xiàn)性?xún)?yōu)化和動(dòng)態(tài)規(guī)劃法是無(wú)法解決的，如傳統(tǒng)的動(dòng)態(tài)規(guī)劃法對(duì)于大規(guī)模的動(dòng)態(tài)規(guī)劃問(wèn)題會(huì)出現(xiàn)組合爆炸問(wèn)題。進(jìn)化計(jì)算在電力系統(tǒng)中的應(yīng)用相對(duì)要成功一些。

3 人工智能在電力系統(tǒng)中應(yīng)用的后期研究：相關(guān)向量機(jī)

由于人工神經(jīng)元網(wǎng)絡(luò)需要的樣本多，培訓(xùn)時(shí)間長(zhǎng)等問(wèn)題，故自21世紀(jì)初，人工智能在電力系統(tǒng)中的應(yīng)用研究又轉(zhuǎn)向支持有限樣本學(xué)習(xí)的支持向量機(jī)和相關(guān)向量機(jī)。

3.1 相關(guān)向量機(jī)的特點(diǎn)

相關(guān)向量機(jī)(relevance vector machine，RVM)是Micnacl E. Tipping于2001年在稀疏貝葉斯學(xué)習(xí)理論基礎(chǔ)上提出的一種監(jiān)督學(xué)習(xí)算法，該方法結(jié)合了貝葉斯理論、馬爾科夫性質(zhì)、最大似然估計(jì)以及自動(dòng)相關(guān)決定(automatic relevance determination，ARD)等理論[8-10]。RVM的函數(shù)形式與支持向量機(jī)(support vector machine，SVM)類(lèi)似，同樣是基于核函數(shù)映射將低維空間非線(xiàn)性問(wèn)題轉(zhuǎn)化為高維空間的線(xiàn)性問(wèn)題，都可有效地解決小樣本、高維、非線(xiàn)性分類(lèi)問(wèn)題。但 RVM還具有以下優(yōu)勢(shì)[8-10]：1）RVM 核函數(shù)不受 Mercer

條件的限制，核函數(shù)的選取范圍更廣；2）無(wú)規(guī)則化系數(shù)，不需要通過(guò)交叉驗(yàn)證等方法獲取該參數(shù)；3）泛化能力更好；4）基函數(shù)權(quán)值只有少數(shù)非零，相關(guān)向量數(shù)量少，模型更稀疏；5）測(cè)試時(shí)間(診斷速度)更快，更適合在線(xiàn)診斷；6）可以給出概率輸出，便于分析問(wèn)題的不確定性。相關(guān)向量機(jī)主要是用于解決二分類(lèi)問(wèn)題[8-10]，對(duì)于多分類(lèi)問(wèn)題通常需要采用“一對(duì)多”、或“二叉樹(shù)”等方法，將其轉(zhuǎn)化為多個(gè)二分類(lèi)問(wèn)題，但這些方法存在分類(lèi)重疊和不可分類(lèi)、需要構(gòu)建較多分類(lèi)器等問(wèn)題。然而實(shí)際中存在許多分類(lèi)問(wèn)題，針對(duì)此Damoulasy等人對(duì)二分類(lèi)相關(guān)向量機(jī)進(jìn)行了擴(kuò)展，提出了多分類(lèi)相關(guān)向量機(jī)(milticlass relevance vector machine，M-RVM)以及組合核相關(guān)向量機(jī)(multi-kernel learning relevance vector machine，MKL-RVM)，二者通過(guò)引入多項(xiàng)概率似然函數(shù)，采用分層貝葉斯模型結(jié)構(gòu)，直接實(shí)現(xiàn)多分類(lèi)。同時(shí)MKL-RVM通過(guò)組合核的形式，實(shí)現(xiàn)了非同構(gòu)的多信息數(shù)據(jù)的信息融合[11-14]。RVM已廣泛應(yīng)用于分類(lèi)、預(yù)測(cè)等領(lǐng)域，并在電力系統(tǒng)的分類(lèi)、預(yù)測(cè)等領(lǐng)域取得了很好的應(yīng)用效果[15-22]。

3.2 二分類(lèi)相關(guān)向量機(jī)及其在電力系統(tǒng)中的應(yīng)用

二分類(lèi) RVM基于核函數(shù)映射將低維空間非線(xiàn)性問(wèn)題轉(zhuǎn)化為高維空間的線(xiàn)性問(wèn)題，有效解決小樣本、高維、非線(xiàn)性分類(lèi)問(wèn)題。不同于 SVM基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則構(gòu)建學(xué)習(xí)機(jī)，RVM是基于貝葉斯框架構(gòu)建學(xué)習(xí)機(jī)，因此 RVM不僅獲得二值輸出，而且獲得概率輸出。對(duì)于給定的訓(xùn)練樣本集，RVM 的學(xué)習(xí)模型為 y ( x;w)=K (x;xi)+ω0，其中 w =[w0, w1, w2,… ,wN]T為權(quán)重向量，ωi為權(quán)重，K(x;xi)為核函數(shù)。為避免采用最大似然估計(jì)(maximum likelihood)方法求解存在的過(guò)擬合問(wèn)題，RVM對(duì)權(quán)重向賦予零均值Gaussian先驗(yàn)分布，把對(duì)權(quán)重的求解轉(zhuǎn)化為對(duì)超參數(shù)的求解，求解的過(guò)程中大部分超參數(shù)接近無(wú)限大，其對(duì)應(yīng)的權(quán)重為 0，從而確保模型的稀疏性。而其它的超參數(shù)則會(huì)穩(wěn)定于有限值，與之對(duì)應(yīng)的 xi就稱(chēng)之為相關(guān)向量，同時(shí)在超參數(shù)估計(jì)的過(guò)程中自動(dòng)調(diào)節(jié)規(guī)則化系數(shù)，從而不需要對(duì)規(guī)則化系數(shù)進(jìn)行驗(yàn)證。

圖1(a)和圖1(b)分別給出了SVM和RVM方法對(duì)Ripley給出的典型分類(lèi)數(shù)據(jù)集synthetic的分類(lèi)輸出，可以看出相關(guān)向量的數(shù)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(lèi)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(guān)向量機(jī)用于變壓器故障診斷[15]，采用二叉樹(shù)分類(lèi)方法，將多分類(lèi)問(wèn)題轉(zhuǎn)化為多個(gè)二分類(lèi)問(wèn)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(lèi)器的輸入，用4個(gè)RVM分類(lèi)器來(lái)辨識(shí)變壓器正常、低能放電、高能放電、中低溫過(guò)熱、高溫過(guò)熱5種狀態(tài)。實(shí)例分析表明該方法可以取得與 SVM 相當(dāng)甚至是更優(yōu)診斷正確率，故障診斷速度更快。

文獻(xiàn)[16]提出了基于振動(dòng)信號(hào)樣本熵和相關(guān)向量機(jī)的萬(wàn)能式斷路器分合閘故障診斷方法，該方法以分合閘動(dòng)作過(guò)程中各頻帶樣本熵特征向量作為 RVM的輸入，以萬(wàn)能式斷路器正常、虛假合閘、分閘不徹底或某相不同期的機(jī)械狀態(tài)為RVM的輸出。所提方法可利用相對(duì)較少的故障數(shù)據(jù)樣本實(shí)現(xiàn)對(duì)萬(wàn)能式斷路器故障類(lèi)型的識(shí)別并具有較高的識(shí)別率。

文獻(xiàn)[17]提出了電力系統(tǒng)靜態(tài)安全狀態(tài)實(shí)時(shí)感知的相關(guān)向量機(jī)法，該方法首先根據(jù)日前市場(chǎng)的運(yùn)行與調(diào)度規(guī)則，產(chǎn)生運(yùn)行條件，構(gòu)造安全評(píng)估特征集及事故安全分類(lèi)；然后將Relief算法用于發(fā)電機(jī)出力、節(jié)點(diǎn)負(fù)荷、支路潮流等故障前穩(wěn)態(tài)特征值的特征排序，篩選出與分類(lèi)緊密相關(guān)的特征子集，作為RVM的輸入。

RVM貝葉斯框架下的ARD先驗(yàn)分布設(shè)置確保了 RVM模型的稀疏性，僅極少數(shù)相關(guān)向量參與在線(xiàn)安全決策，有效克服了過(guò)度擬合問(wèn)題，分類(lèi)準(zhǔn)確度高；同時(shí)少量核函數(shù)運(yùn)算使決策時(shí)間縮短。RVM 模型的概率輸出不僅能夠提供分類(lèi)信息，還可用于系統(tǒng)的風(fēng)險(xiǎn)管理，為系統(tǒng)風(fēng)險(xiǎn)評(píng)估、風(fēng)險(xiǎn)決策提供支持。

3.3 多分類(lèi)相關(guān)向量機(jī)及其在電力系統(tǒng)中的應(yīng)用

多分類(lèi)相關(guān)向量機(jī)(multiclass relevance vector machine，M-RVM)是 Damoulasy等人于2008在二分類(lèi)核函數(shù)學(xué)習(xí)、高斯過(guò)程組合協(xié)方差函數(shù)方法以及高斯先驗(yàn)處理多項(xiàng)概率似然函數(shù)方法的基礎(chǔ)上，提出的一種基于貝葉斯框架的統(tǒng)計(jì)學(xué)習(xí)算法[11]。

M-RVM采用分層貝葉斯模型結(jié)構(gòu)，通過(guò)引入多項(xiàng)概率似然函數(shù)(multinomial probit likelihood)，實(shí)現(xiàn)了多分類(lèi)和輸出類(lèi)別成員概率。設(shè)訓(xùn)練集X={ xi, ti，x∈RD，ti∈ { 1,… ,C }為類(lèi)別標(biāo)簽，引入輔助回歸目標(biāo) Y∈RC×N和權(quán)重參數(shù) W∈RN×C，先驗(yàn)參數(shù)αnc組成的矩陣記為A∈RN×C，αnc服從超參數(shù)為a，b的Gamma分布。M-RVM的分層貝葉斯模型結(jié)構(gòu)示意圖如圖2所示。

鑒于變壓器故障診斷本質(zhì)為多分類(lèi)問(wèn)題，提出了基于 M-RVM 的變壓器故障診斷方法[18]，實(shí)現(xiàn)了變壓器正常、低能放電、高能放電、中低溫過(guò)熱、高溫過(guò)熱、局部放電六種狀態(tài)的直接分類(lèi)，而無(wú)需將多分類(lèi)轉(zhuǎn)換為多個(gè)二分類(lèi)的問(wèn)題。M-RVM診斷輸出是變壓器處于上述 6種狀態(tài)的概率，可以為變壓器的檢修提供更多的可用信息。

文獻(xiàn)[19]將M-RVM應(yīng)用于GIS局部放電模式識(shí)別中，作者通過(guò)試驗(yàn)建立了相應(yīng)的超高頻信號(hào)圖譜數(shù)據(jù)庫(kù)，然后根據(jù)信號(hào)特點(diǎn)提取了26個(gè)原始特征量；采用主成分分析法對(duì)特征空間進(jìn)行降維處理，最終得到10個(gè)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(lèi)相關(guān)向量機(jī)(M-RVM)中進(jìn)行分析，結(jié)果表明，以降維后的特征量作為輸入量，其識(shí)別率要高于降維前的；并且同 BN和SVM分類(lèi)器相比，無(wú)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(shí)別率都是最高，其中降維后的識(shí)別率大于85%。

文獻(xiàn)[20]將 M-RVM 應(yīng)用于有軌電車(chē)用燃料電池系統(tǒng)故障診斷中，實(shí)現(xiàn)了氫氣泄漏、去離子水加濕泵低壓、空氣壓力過(guò)低和正常共4種狀態(tài)的快速識(shí)別，準(zhǔn)確率可達(dá)96.67%。

3.4 組合核相關(guān)向量機(jī)及其在電力系統(tǒng)中的應(yīng)用

組合核相關(guān)向量機(jī)(multi-kernel learning relevance vector machine，MKL-RVM)同樣采用分層貝葉斯模型結(jié)構(gòu)，通過(guò)引入多項(xiàng)概率似然函數(shù)(multinomial probit likelihood)，采用組合核的形式實(shí)現(xiàn)了非同構(gòu)的多信息數(shù)據(jù)或多特征信息的有機(jī)融合以及多分類(lèi)問(wèn)題。MKL-RVM原理示意圖如圖3所示，圖中S為信息數(shù)據(jù)的種類(lèi)，β1，β2， …，βS為組合核參數(shù)。

MKL-RVM雖然不存在規(guī)則化系數(shù)確定困難的問(wèn)題，核組合參數(shù)也可在模型學(xué)習(xí)的過(guò)程自動(dòng)優(yōu)化，但核函數(shù)參數(shù)沒(méi)有采用自動(dòng)相關(guān)學(xué)習(xí)算法，需要事先人為設(shè)定。MKL-RVM既可以實(shí)現(xiàn)單個(gè)檢/監(jiān)手段的檢/監(jiān)測(cè)數(shù)據(jù)提取的多組特征信息的融合，還可以實(shí)現(xiàn)由多種檢/監(jiān)手段的檢/監(jiān)測(cè)數(shù)據(jù)源提取的非同構(gòu)特征信息的融合[12-14]。

文獻(xiàn)[21]提出了基于MKL-RVM的電力變壓器故障診斷方法?？捎行Ю锰N(yùn)含變壓器運(yùn)行狀態(tài)的多種特征信息；可直接輸出變壓器為各種狀態(tài)的概率，為變壓器的檢修提供更多的可用信息。

文獻(xiàn)[22]提出了基于MKL-RVM的變壓器局部放電模式識(shí)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(lèi)型作為輸出，建立變壓器局部放電模式識(shí)別模型。實(shí)驗(yàn)結(jié)果表明MKL-RVM分類(lèi)器識(shí)別精度較高。

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

4 結(jié)束語(yǔ)

專(zhuān)家系統(tǒng)存在獲取專(zhuān)家知識(shí)困難和建造周期長(zhǎng)的問(wèn)題，在電力系統(tǒng)中的應(yīng)用研究主要涉及電力系統(tǒng)報(bào)警處理、故障診斷、運(yùn)行規(guī)劃、控制和系統(tǒng)分析等。神經(jīng)網(wǎng)絡(luò)適用于有大量培訓(xùn)樣本而又缺乏顯式專(zhuān)家規(guī)則的場(chǎng)合，存在參數(shù)調(diào)優(yōu)缺乏依據(jù)和培訓(xùn)復(fù)雜等問(wèn)題；在電力系統(tǒng)中的應(yīng)用研究主要涉及負(fù)荷預(yù)測(cè)、電力系統(tǒng)的動(dòng)態(tài)安全估計(jì)、電力設(shè)備和輸電線(xiàn)路的故障診斷。進(jìn)化計(jì)算適用于非線(xiàn)性或動(dòng)態(tài)規(guī)劃問(wèn)題，可解決傳統(tǒng)動(dòng)態(tài)規(guī)劃法的組合爆炸問(wèn)題；在電力系統(tǒng)中的應(yīng)用研究主要涉及電網(wǎng)結(jié)構(gòu)規(guī)劃、電網(wǎng)調(diào)度中的機(jī)組起停優(yōu)化、機(jī)組檢修計(jì)劃優(yōu)化、電網(wǎng)運(yùn)行無(wú)功優(yōu)。相關(guān)向量機(jī)具有需要培訓(xùn)樣本數(shù)量少，可以輸出類(lèi)別成員概率的優(yōu)點(diǎn)，適合于樣本數(shù)據(jù)獲取困難的預(yù)測(cè)和分類(lèi)問(wèn)題；在電力系統(tǒng)中的應(yīng)用研究主要涉及負(fù)荷預(yù)測(cè)和電力設(shè)備故障診斷。

[1] 薛禹勝，劉覺(jué)岑，文輝．專(zhuān)家系統(tǒng)在電力系統(tǒng)中的應(yīng)用—特點(diǎn)，現(xiàn)狀和展望[J]．電力系統(tǒng)自動(dòng)化，1989-03，13(2)：10-19．

[2] 張志英．人工智能在電網(wǎng)調(diào)度中的應(yīng)用—日調(diào)度計(jì)劃安排及操作命令票專(zhuān)家系統(tǒng)[D]．北京：華北電力學(xué)院碩士論文，1985．

[3] 朱永利，楊以涵，張文勤，等．專(zhuān)家系統(tǒng)在編寫(xiě)變電站倒閘操作票中的應(yīng)用[J]．中國(guó)電機(jī)工程學(xué)報(bào)，1988，8(6)：61-65．

[4] 朱永利，栗然，楊以涵，等．電網(wǎng)調(diào)度操作票專(zhuān)家系統(tǒng)[J]．電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，1991，3(1)：68-74．

[5] 王德生．專(zhuān)家系統(tǒng)在電網(wǎng)調(diào)度操作票中的應(yīng)用．東北電力技術(shù)，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(guó)勤．相關(guān)向量機(jī)及其在變壓器故障診斷中的應(yīng)用[J]．電力自動(dòng)化設(shè)備，2012，32(8)：130-134．

[16] 孫曙光，于晗，杜太行，等．基于振動(dòng)信號(hào)樣本熵和相關(guān)向量機(jī)的萬(wàn)能式斷路器分合閘故障診斷[J]．電工技術(shù)學(xué)報(bào)，2017，32(7)：20-30．

[17]李海英，劉中銀，宋建成．電力系統(tǒng)靜態(tài)安全狀態(tài)實(shí)時(shí)感知的相關(guān)向量機(jī)法[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2015，35(2)：294-301．

[18] 尹金良，朱永利，俞國(guó)勤．基于多分類(lèi)相關(guān)向量機(jī)的變壓器故障診斷新方法[J]．電力系統(tǒng)保護(hù)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(lèi)相關(guān)向量機(jī)的 GIS局部放電模式識(shí)別[J]．電工技術(shù)學(xué)報(bào)，2015，30(6)：225-231．

[20] 劉嘉蔚，李奇，陳維榮，等．基于多分類(lèi)相關(guān)向量機(jī)和模糊 C均值聚類(lèi)的有軌電車(chē)用燃料電池系統(tǒng)故障診斷方法[J/OL]．中國(guó)電機(jī)工程學(xué)報(bào)：[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(guān)向量機(jī)在電力變壓器故障診斷中的應(yīng)用研究[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(22)：68-74．

[22] 尚海昆，苑津莎，王瑜，等．多核多分類(lèi)相關(guān)向量機(jī)在變壓器局部放電模式識(shí)別中的應(yīng)用[J]．電工技術(shù)學(xué)報(bào)，2014，29(11)：221-228．

朱永利