人工智能在電網(wǎng)運(yùn)行中的應(yīng)用

劉云帆，袁梓浩，劉廣發(fā)，程若楠，周含方

（山東科技大學(xué)，山東 濟(jì)南 250031）

1 人工智能

電網(wǎng)運(yùn)行時，人工智能和大數(shù)據(jù)的接入如圖1所示。

人工智能是使計算機(jī)來模仿人的某些思維過程和智能行為，如學(xué)習(xí)、推理、思考及規(guī)劃等，可分為計算智能、感知智能及認(rèn)知智能三種模式。計算智能是通過對大數(shù)據(jù)的處理分析模仿出人類對數(shù)據(jù)處理的能力，并快速計算出相應(yīng)結(jié)果；感知智能是通過類似于人類感知器官的器官，去辨別和學(xué)習(xí)周圍的事物，如對視覺的圖像處理；認(rèn)知智能是讓計算機(jī)擁有和人類一樣的思考能力，能通過大數(shù)據(jù)的整理計算，做出相關(guān)正確決定。這三種模式相互配合共同推動了人工智能技術(shù)的進(jìn)步，讓計算機(jī)具有人類思維，并能代替人類工作[1]。由于現(xiàn)有的算法更替，目前在人工智能中多應(yīng)用模糊邏輯和機(jī)器學(xué)習(xí)。

圖1 電網(wǎng)運(yùn)行時人工智能和大數(shù)據(jù)的接入

1.1 模糊邏輯

計算機(jī)能完成對簡單邏輯的判斷，并能做出正確和錯誤的判斷，是一種最簡單的邏輯判讀。根據(jù)相關(guān)模糊邏輯塊的堆疊，達(dá)到對簡單過渡性問題的判斷和解讀，并進(jìn)行實(shí)時推理和計算。這種邏輯思維更符合人類的思維，其中包含多個模糊變量的判斷和比對。

1.2 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是最簡單的模仿人類的行為算法，機(jī)器學(xué)習(xí)是通過對大量數(shù)據(jù)的篩選和處理，得到下一步相應(yīng)的預(yù)測，即通過大量的數(shù)據(jù)檢測，獲取相應(yīng)的經(jīng)驗預(yù)測。機(jī)器學(xué)習(xí)分為傳統(tǒng)的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)及強(qiáng)化學(xué)習(xí)。

2 人工智能在電網(wǎng)中的應(yīng)用

2.1 對可再生能源管理預(yù)測

間歇性可再生能源在現(xiàn)代社會日益普及，發(fā)電時產(chǎn)生的間歇和波動對電網(wǎng)造成的影響越來越大，確定一個精準(zhǔn)的可再生能源周期對預(yù)測發(fā)電時功率、保障系統(tǒng)的運(yùn)行穩(wěn)定性和促進(jìn)經(jīng)濟(jì)的發(fā)展都很重要。

建立一個處理數(shù)據(jù)能力和特征提取能力極強(qiáng)的預(yù)測模型是加強(qiáng)間歇性可再生能源發(fā)電功率預(yù)測精度的關(guān)鍵。此外，還需具備優(yōu)秀的修正功能和自我學(xué)習(xí)功能。淺層模型通常作為傳統(tǒng)預(yù)測方法，它的缺點(diǎn)在于處理非平穩(wěn)特性、非線性風(fēng)能和光照數(shù)據(jù)時性能相對薄弱。因此，相關(guān)研究者需開發(fā)出具有深度學(xué)習(xí)能力和回歸能力的預(yù)測模型[2]。

政策、價格及天氣等因素影響著能源負(fù)荷，因此構(gòu)建精準(zhǔn)的模型相對困難。采用深度學(xué)習(xí)的方法，以快速地提高預(yù)測能力。

2.2 電網(wǎng)的穩(wěn)定性評估

電網(wǎng)的穩(wěn)定性體現(xiàn)在當(dāng)電網(wǎng)受到大小干擾后能快速恢復(fù)到原有的運(yùn)行狀態(tài)，并在受到擾動時做出相關(guān)應(yīng)對決策。當(dāng)各種優(yōu)化因素加入到電網(wǎng)的穩(wěn)定控制時，增大了電網(wǎng)穩(wěn)定的控制難度。

列解傳統(tǒng)的電網(wǎng)穩(wěn)定模型十分笨重，建模需考慮各種各樣的拓?fù)浣Y(jié)構(gòu)、運(yùn)行方式和故障類型等。因此，這種模型的建立方式比較古板單一，不能靈活地應(yīng)對現(xiàn)在新能源和新型電力設(shè)備的接入，限制了現(xiàn)有智能電網(wǎng)的發(fā)展。當(dāng)現(xiàn)有的模型流控制轉(zhuǎn)化為數(shù)據(jù)流控制時，可通過數(shù)據(jù)挖掘和人工智能學(xué)習(xí)的方式對數(shù)據(jù)進(jìn)行處理，直接進(jìn)行有效地預(yù)測控制。當(dāng)數(shù)據(jù)信息量較小時，可采用深度學(xué)習(xí)的方式進(jìn)行信息的提取、捕獲及預(yù)測，得到充分有效的信息后采用強(qiáng)化學(xué)習(xí)的方式進(jìn)行數(shù)據(jù)提取，大大提高了決策的精確度和有效控制率[3]。

2.3 在配用電行為中的應(yīng)用

人工智能具有良好的學(xué)習(xí)能力。通過機(jī)器學(xué)習(xí)中的聚類能力、分類能力及辨識能力可在配用電行為中進(jìn)行數(shù)據(jù)和負(fù)荷的檢測，通過有效的數(shù)據(jù)檢測能高效地解決接入系統(tǒng)問題。促進(jìn)和改善綜合能源系統(tǒng)，以提供更高效的操作方式，更好地支撐相關(guān)數(shù)據(jù)流。用戶端的配電行為中，以電表采集的功率、電壓及電流等作為數(shù)據(jù)流的基礎(chǔ)，加入人工智能的思維，對客戶進(jìn)行分類供配電行為，達(dá)到高效配電的目的。

3 結(jié) 論

近年來，人工智能技術(shù)日益普及，已滲透到工業(yè)生產(chǎn)的各個方面。電網(wǎng)建設(shè)中，人工智能的應(yīng)用大大減少了控制過程，保障了電網(wǎng)的高效配電。