深度學(xué)習(xí)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(guó)網(wǎng)浙江省電力有限公司， 杭州 310007；2. 國(guó)網(wǎng)浙江省電力有限公司臺(tái)州供電公司， 浙江 臺(tái)州 318000）

0 引言

人工智能、 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是當(dāng)今機(jī)器智能領(lǐng)域最流行的詞匯。 機(jī)器學(xué)習(xí)可以看作人工智能的一個(gè)分支， 而深度學(xué)習(xí)則是一種特殊的機(jī)器學(xué)習(xí)手段[1]。 下文將以深度學(xué)習(xí)為重點(diǎn)介紹幾種常見的機(jī)器學(xué)習(xí)方法的特點(diǎn)及其在電力系統(tǒng)運(yùn)行領(lǐng)域中的應(yīng)用。

深度學(xué)習(xí)的興起源于計(jì)算機(jī)計(jì)算能力的增強(qiáng)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(jī)器自動(dòng)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(jìn)步和其在訓(xùn)練算法上所取得的重大進(jìn)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(huì)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(zhǎng)短時(shí)記憶網(wǎng)絡(luò)）。 LSTM 隱藏層的關(guān)鍵是信息流， 它負(fù)責(zé)將存儲(chǔ)器信息從序列的初始位置傳輸?shù)叫蛄械哪┪玻?并利用4 個(gè)相互交互的“門”單元， 來控制在每一時(shí)間步對(duì)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(zhǎng)時(shí)間保持信息。 另一種方法是Soeer 等人于2011 年提出的時(shí)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(shí)間遞歸神經(jīng)網(wǎng)絡(luò)相對(duì)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(jìn)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(dāng)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(jìn)行并行學(xué)習(xí)成為可能。 CNN 的結(jié)構(gòu)避免了對(duì)輸入數(shù)據(jù)復(fù)雜的預(yù)處理， 直接對(duì)輸入數(shù)據(jù)進(jìn)行處理， 實(shí)現(xiàn)了端到端的學(xué)習(xí)過程。

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

1 機(jī)器學(xué)習(xí)關(guān)鍵及前沿技術(shù)

綜合分析現(xiàn)有技術(shù)文獻(xiàn)發(fā)現(xiàn)， 當(dāng)今機(jī)器學(xué)習(xí)關(guān)鍵及前沿技術(shù)主要有： 遷移學(xué)習(xí)、 強(qiáng)化學(xué)習(xí)、生成對(duì)抗神經(jīng)網(wǎng)絡(luò)、 膠囊網(wǎng)絡(luò)、 引導(dǎo)學(xué)習(xí)等。

遷移學(xué)習(xí)松弛了常規(guī)機(jī)器學(xué)習(xí)中訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)必須遵從獨(dú)立分布的約束， 使其能夠獲得兩個(gè)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(shí)現(xiàn)先驗(yàn)知識(shí)的遷移和重復(fù)使用。 有關(guān)此方法的文獻(xiàn)報(bào)道較多， 不再贅述。

強(qiáng)化學(xué)習(xí)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(dòng)才能使收益最大。有關(guān)此方法的文獻(xiàn)報(bào)道較多， 不再贅述。

生成對(duì)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(xué)習(xí)輸入數(shù)據(jù)的特征， 還可以學(xué)習(xí)特征的變形（例如圖像的旋轉(zhuǎn)、 移動(dòng)等），降低了網(wǎng)絡(luò)的復(fù)雜度。

引導(dǎo)學(xué)習(xí)將知識(shí)分析與數(shù)據(jù)分析挖掘相融合，實(shí)現(xiàn)結(jié)合人類積累經(jīng)驗(yàn)與機(jī)器智能共同解決問題，達(dá)到在經(jīng)驗(yàn)指導(dǎo)下的機(jī)器學(xué)習(xí)。

1.1 強(qiáng)化學(xué)習(xí)

人工智能的三大驅(qū)動(dòng)力是大數(shù)據(jù)、 機(jī)器學(xué)習(xí)和GPU（圖形處理單元）。 其中機(jī)器學(xué)習(xí)可以分為3 種類型： 監(jiān)督學(xué)習(xí)、 無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)[4]。

強(qiáng)化學(xué)習(xí)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(jí)——AlphaGo Zero。 相比AlphaGo， AlphaGo Zero 放棄了先驗(yàn)知識(shí)， 不必人為設(shè)計(jì)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(jī)器模型中， 機(jī)器采用強(qiáng)化學(xué)習(xí)進(jìn)行自我博弈， 不斷提升自身水平最終出色完成整個(gè)比賽。 AlphaGo Zero的成功證實(shí)了即使沒有人類的經(jīng)驗(yàn)和指導(dǎo)， 通過深度強(qiáng)化學(xué)習(xí)仍然可以出色完成指定任務(wù)。

1.2 遷移學(xué)習(xí)

目前， 大部分機(jī)器學(xué)習(xí)具有良好應(yīng)用效果的前提是： 訓(xùn)練數(shù)據(jù)和測(cè)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(jī)器學(xué)習(xí)算法需要耗費(fèi)較長(zhǎng)時(shí)間來獲得新的訓(xùn)練數(shù)據(jù)， 同時(shí)也要重新訓(xùn)練模型[8-12]。 因此， 對(duì)于每個(gè)執(zhí)行任務(wù)來說，傳統(tǒng)機(jī)器學(xué)習(xí)都要通過訓(xùn)練隨機(jī)獲取的數(shù)據(jù)來進(jìn)行學(xué)習(xí)。 人類可以靈活應(yīng)用自己的知識(shí)來快速求解新問題或找到更好策略， 比如一個(gè)人在學(xué)會(huì)蛙泳之后， 再學(xué)自由泳就可以很快掌握。 由此學(xué)者們受到啟發(fā)， 開始研究遷移學(xué)習(xí)[12-16]。 與傳統(tǒng)機(jī)器學(xué)習(xí)不同的是， 遷移學(xué)習(xí)旨在將一個(gè)領(lǐng)域（源領(lǐng)域）中已經(jīng)學(xué)習(xí)的知識(shí)和數(shù)據(jù)應(yīng)用到其他相近領(lǐng)域（目標(biāo)領(lǐng)域）， 用于解決目標(biāo)領(lǐng)域數(shù)據(jù)缺乏問題，使得目標(biāo)領(lǐng)域能夠取得更好的學(xué)習(xí)效果[17-19]。

1.3 生成對(duì)抗神經(jīng)網(wǎng)絡(luò)技術(shù)

強(qiáng)化學(xué)習(xí)算法成功促進(jìn)了深度學(xué)習(xí)的進(jìn)步，但這種算法是經(jīng)過平均最大化的最終獎(jiǎng)勵(lì)來實(shí)現(xiàn)訓(xùn)練目的， 其結(jié)果也由“獎(jiǎng)勵(lì)函數(shù)”給出。 然而，很難給出獎(jiǎng)勵(lì)函數(shù)來精確地評(píng)估來自周圍環(huán)境的反饋， 故強(qiáng)化學(xué)習(xí)算法在實(shí)際運(yùn)用上存在很大局限性。 2014 年Ian J. Goodfellow 在文獻(xiàn)[20]中首次定義了對(duì)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(duì)抗神經(jīng)網(wǎng)絡(luò)通過生成模型來學(xué)習(xí)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(jìn)行學(xué)習(xí)，然后生成新的照片[21]。 此外對(duì)抗網(wǎng)絡(luò)模型具有強(qiáng)大的表達(dá)能力， 可以在向量空間內(nèi)執(zhí)行算術(shù)運(yùn)算，并能夠?qū)⑵滢D(zhuǎn)化為特征空間內(nèi)的運(yùn)算。

1.4 膠囊網(wǎng)絡(luò)技術(shù)

深度CNN 對(duì)某類別的數(shù)據(jù)集進(jìn)行適當(dāng)訓(xùn)練后， 可以對(duì)屬于此類別的數(shù)據(jù)進(jìn)行較好的預(yù)測(cè)。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(huì)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(qiáng)的學(xué)習(xí)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(gè)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(biāo)量擴(kuò)展為向量。

CNN 雖然代表著圖像識(shí)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(duì)圖1（a）的綿羊圖像進(jìn)行了一定的平移和旋轉(zhuǎn)， CNN若要得出它們是同一種動(dòng)物的結(jié)論需要使用復(fù)雜的算法。

圖1 綿羊圖像識(shí)別

由于膠囊網(wǎng)絡(luò)不但可以學(xué)習(xí)輸入數(shù)據(jù)的特征， 還可以學(xué)習(xí)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(cè)能力后， 采用同一組膠囊單元便能夠?qū)崿F(xiàn)對(duì)不同特征的變體（例如旋轉(zhuǎn)、 移動(dòng)及其組合）的檢測(cè)。

1.5 引導(dǎo)學(xué)習(xí)

文獻(xiàn)[24]和[25]提出了基于“知識(shí)功能單元”的機(jī)器學(xué)習(xí)方法。 該方法模擬學(xué)校學(xué)生的學(xué)習(xí)情境，教授將所具備的知識(shí)、 技能傳授給學(xué)生， 學(xué)生將所學(xué)到的知識(shí)應(yīng)用到實(shí)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(xué)習(xí)假設(shè)學(xué)習(xí)器在分析數(shù)據(jù)前已經(jīng)掌握了最基礎(chǔ)的知識(shí)， 從而達(dá)到更高級(jí)的學(xué)習(xí)水平， 解決更復(fù)雜的問題。

引導(dǎo)學(xué)習(xí)的關(guān)鍵是將先驗(yàn)知識(shí)進(jìn)行數(shù)學(xué)處理、 模型化處理， 然后輸入到“知識(shí)”函數(shù)單元中，當(dāng)學(xué)習(xí)器對(duì)樣本空間進(jìn)行學(xué)習(xí)迭代時(shí)， 指導(dǎo)學(xué)習(xí)器對(duì)參數(shù)集進(jìn)行優(yōu)化。 引導(dǎo)學(xué)習(xí)模型由基準(zhǔn)知識(shí)單元K、 樣本單元S、 知識(shí)函數(shù)單元F、 參數(shù)優(yōu)化單元O、 學(xué)習(xí)模型單元M 共5 個(gè)模塊組成[24]。

引導(dǎo)學(xué)習(xí)將知識(shí)分析與數(shù)據(jù)挖掘相結(jié)合， 充分利用了確定性知識(shí)泛化能力的魯棒性。

2 電力系統(tǒng)運(yùn)行領(lǐng)域中的機(jī)器學(xué)習(xí)應(yīng)用場(chǎng)景

上述文獻(xiàn)分析表明， 單純依靠一種機(jī)器學(xué)習(xí)理論效果有限， 通常需要綜合運(yùn)用多種技術(shù)才能解決電力系統(tǒng)運(yùn)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(shí)踐

穩(wěn)定分析是電力系統(tǒng)安全運(yùn)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(duì)用于處理低頻振蕩問題的機(jī)器學(xué)習(xí)方法進(jìn)行分析。

目前進(jìn)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(yùn)行參數(shù)的模型分析方法和基于仿真或?qū)崪y(cè)信號(hào)的分析方法。 傳統(tǒng)的信號(hào)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(jì)則需要以實(shí)際經(jīng)驗(yàn)和專業(yè)知識(shí)為基礎(chǔ)， 并要耗費(fèi)大量的時(shí)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(xiàn)[28]使用GSO（群搜索優(yōu)化）算法進(jìn)行低頻振蕩的模態(tài)辨識(shí)， 該方法在特征提取方面實(shí)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(xué)習(xí)則具有自動(dòng)提取信號(hào)特征的優(yōu)勢(shì)， 文獻(xiàn)[29]利用DBN（深度置信網(wǎng)絡(luò)）來識(shí)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(xiàn)[30]利用DNN（深度神經(jīng)網(wǎng)絡(luò)）來對(duì)網(wǎng)側(cè)變流器輸出變量的穩(wěn)定性進(jìn)行判斷，測(cè)試結(jié)果表明預(yù)測(cè)的正確性可達(dá)到99%。 文獻(xiàn)[31]為了對(duì)配電網(wǎng)頻率信號(hào)進(jìn)行檢測(cè)， 利用強(qiáng)化學(xué)習(xí)方法來分析頻率信號(hào)， 并使用動(dòng)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(hào)前后時(shí)刻的時(shí)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(jìn)行分析。 在振蕩頻率信號(hào)中可能會(huì)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(shí)現(xiàn)對(duì)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(duì)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(shí)踐

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

針對(duì)電力系統(tǒng)運(yùn)行過程中負(fù)荷及故障的不確定性， 文獻(xiàn)[33]在經(jīng)濟(jì)調(diào)度中建立了風(fēng)險(xiǎn)調(diào)度模型。 由于風(fēng)險(xiǎn)調(diào)度是一個(gè)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(xué)模型等缺點(diǎn)。而智能求解算法具有對(duì)特定數(shù)學(xué)模型依賴性低、應(yīng)用簡(jiǎn)單等優(yōu)勢(shì)， 但是對(duì)相似任務(wù)的優(yōu)化是孤立進(jìn)行的， 不能有效保留以往任務(wù)的經(jīng)驗(yàn)和知識(shí)，很難進(jìn)行大規(guī)模復(fù)雜風(fēng)險(xiǎn)調(diào)度的快速優(yōu)化。 針對(duì)上述問題， 該文獻(xiàn)采用了遷移學(xué)習(xí)算法將在源領(lǐng)域中所學(xué)習(xí)到的知識(shí)或策略應(yīng)用到相似但不相同的目標(biāo)領(lǐng)域， 復(fù)用已有經(jīng)驗(yàn)以加速新任務(wù)的學(xué)習(xí)速度。

文獻(xiàn)[34]針對(duì)電力系統(tǒng)能源優(yōu)化問題， 改變了傳統(tǒng)的線性動(dòng)態(tài)優(yōu)化算法， 采用深度強(qiáng)化學(xué)習(xí)算法（結(jié)合深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)的優(yōu)勢(shì)）進(jìn)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(fù)載的動(dòng)態(tài)變化更加平衡。

2.3 電力系統(tǒng)負(fù)荷和發(fā)電預(yù)測(cè)領(lǐng)域中的應(yīng)用實(shí)踐

依據(jù)預(yù)測(cè)周期和目的的不同， 負(fù)荷預(yù)測(cè)大致分為長(zhǎng)期負(fù)荷預(yù)測(cè)、 中期負(fù)荷預(yù)測(cè)、 短期負(fù)荷預(yù)測(cè)以及超短期負(fù)荷預(yù)測(cè)。 短期負(fù)荷預(yù)測(cè)通常用于預(yù)測(cè)從第二天到下一周的電力負(fù)荷大小， 預(yù)測(cè)目標(biāo)通常是某個(gè)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(fù)荷預(yù)測(cè)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(jī)。 但在負(fù)荷數(shù)據(jù)分析中發(fā)現(xiàn)， 由于人們活動(dòng)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(shí)例用來訓(xùn)練模型， 不同類別的實(shí)例就會(huì)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(xiàn)[35]充分利用遷移學(xué)習(xí)在處理“兩個(gè)不同但又彼此聯(lián)系”類型數(shù)據(jù)上的優(yōu)勢(shì)， 將7 周數(shù)據(jù)中的1 周數(shù)據(jù)作為目標(biāo)任務(wù)， 其余6 周數(shù)據(jù)作為源任務(wù)進(jìn)行遷移學(xué)習(xí)。

另外， 考慮到負(fù)荷的變化曲線受自身歷史運(yùn)行狀態(tài)、 氣象因素、 電力用戶特征等多重因素的影響， 文獻(xiàn)[36]使用MaXNet 深度學(xué)習(xí)框架來綜合分析各因素對(duì)電力負(fù)荷的影響。 為了處理負(fù)荷數(shù)據(jù)的時(shí)間序列問題， 文獻(xiàn)[37]采用基于LSTM模型并進(jìn)行了基于時(shí)間序列的交叉驗(yàn)證。 文獻(xiàn)[38]對(duì)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(cè)結(jié)果進(jìn)行了對(duì)比， 結(jié)果表明帶嵌入層和卷積層的LSTM 預(yù)測(cè)效果最佳。

可見，現(xiàn)代教育技術(shù)課程與教學(xué)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(xué)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(cè)新教材的發(fā)展趨勢(shì)，并對(duì)未來新教材的建設(shè)提出幾點(diǎn)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(yùn)行帶來了一定的挑戰(zhàn)。 文獻(xiàn)[39-41]利用機(jī)器學(xué)習(xí)策略進(jìn)行發(fā)電功率預(yù)測(cè)。 文獻(xiàn)[39]使用SDAE（堆疊式降噪自動(dòng)編碼器）來分析風(fēng)力資源在時(shí)序上的非線性、 動(dòng)態(tài)性問題， 對(duì)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(jī)策略， SDAE 的風(fēng)電功率預(yù)測(cè)誤差（以誤差均值表示）分別降低了3.49%和1.59%。 文獻(xiàn)[40]使用RNN 結(jié)構(gòu)中LSTM 模型來對(duì)氣象預(yù)報(bào)數(shù)據(jù)進(jìn)行分析， 為了降低LSTM 模型輸入變量的維數(shù)，文獻(xiàn)采用了主成分分析法。 為了提取風(fēng)電數(shù)據(jù)中的特征， 文獻(xiàn)[41]使用DBN 對(duì)歷史數(shù)據(jù)進(jìn)行分析，測(cè)試結(jié)果表明，DBN 可以有效降低預(yù)測(cè)數(shù)據(jù)誤差。

2.4 電力系統(tǒng)運(yùn)行監(jiān)控中的應(yīng)用實(shí)踐

機(jī)器學(xué)習(xí)在電力系統(tǒng)運(yùn)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(gè)方面。

深度學(xué)習(xí)在主站監(jiān)控領(lǐng)域研究較少， 只有零星利用傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行主站告警信息處理的報(bào)道。 文獻(xiàn)[42]基于模型驅(qū)動(dòng)的思想， 設(shè)計(jì)了具有智能推理功能的變電站告警系統(tǒng)。 文獻(xiàn)[43]在對(duì)電力調(diào)度系統(tǒng)的告警信號(hào)文本信息進(jìn)行處理時(shí)，采用隱馬爾科夫模型中的Viterbi 算法進(jìn)行分詞。

在變電站監(jiān)控方面， 文獻(xiàn)[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(jī)器學(xué)習(xí)算法和視覺跟蹤技術(shù)相結(jié)合來跟蹤和識(shí)別變電站內(nèi)的移動(dòng)物體（如人員）。 對(duì)于變電站中人行為的監(jiān)控，文獻(xiàn)[45]建立了工作人員闖入、 誤入限制區(qū)域甚至危險(xiǎn)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(shí)采用了基于矩陣2-范數(shù)的池化方法， 同時(shí)利用一種非線性修正函數(shù)作為神經(jīng)元激勵(lì)函數(shù)， 相比于傳統(tǒng)激勵(lì)函數(shù)提高了識(shí)別的準(zhǔn)確率。 針對(duì)變電站工作人員訓(xùn)練數(shù)據(jù)缺乏問題， 文獻(xiàn)[46]采用遷移學(xué)習(xí)技術(shù)進(jìn)行處理， 由于人員相對(duì)于整個(gè)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(cè)技術(shù)檢測(cè)人的行為， 而對(duì)周圍的多種設(shè)備進(jìn)行忽略。 相反， 文獻(xiàn)[47]和文獻(xiàn)[48]對(duì)變電站中的設(shè)備進(jìn)行監(jiān)控， 文獻(xiàn)[47]針對(duì)變電站的紅外及可見光圖像提出配準(zhǔn)方法， 使用CNN 解決了其灰度差異較大的問題。 同時(shí)， 針對(duì)VGG16 模型對(duì)于紅外和可見光相似度不能很好學(xué)習(xí)的問題， 采用Triplet loss訓(xùn)練方法進(jìn)行處理。 文獻(xiàn)[48]則將深度學(xué)習(xí)算法與設(shè)備視頻圖像技術(shù)相結(jié)合， 對(duì)變電站中的指針儀表設(shè)備圖像進(jìn)行研究， 構(gòu)建了基于深度CNN的實(shí)時(shí)儀表指針識(shí)別系統(tǒng)。

在輸電系統(tǒng)監(jiān)控領(lǐng)域， 文獻(xiàn)[49]設(shè)計(jì)了基于深度學(xué)習(xí)的目標(biāo)檢測(cè)系統(tǒng)， 通過對(duì)Faster R-CNN模型進(jìn)行改進(jìn)， 增加了目標(biāo)分類網(wǎng)絡(luò)的層數(shù)， 提高了對(duì)目標(biāo)的識(shí)別能力； 同時(shí)， 基于遷移學(xué)習(xí)的思想， 利用模型微調(diào)法對(duì)檢測(cè)模型進(jìn)行訓(xùn)練。 對(duì)于輸電線路附近的危險(xiǎn)源， 文獻(xiàn)[50]采用稀疏自編碼從圖像和視頻信號(hào)中進(jìn)行特征學(xué)習(xí)， 利用softmax 進(jìn)行危險(xiǎn)源的分類。 而針對(duì)輸變電設(shè)備故障的診斷， 文獻(xiàn)[51]將改進(jìn)RNN 與LSTM 模型相結(jié)合來對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練， 從而對(duì)面向文本的非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行處理。

3 應(yīng)用前景

隨著機(jī)器學(xué)習(xí)在電力系統(tǒng)運(yùn)行領(lǐng)域中的廣泛應(yīng)用， 電力系統(tǒng)運(yùn)行性能將在眾多領(lǐng)域發(fā)生更新， 本文從以下幾個(gè)方面重點(diǎn)闡述機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用前景。

電力系統(tǒng)運(yùn)行時(shí)， 常常需要各種人員的電話指令， 如果能利用深度學(xué)習(xí)在音頻/視頻等處理方面的優(yōu)勢(shì)將音頻信息解讀為機(jī)器能夠正確理解的語言， 便可以更好地實(shí)現(xiàn)電網(wǎng)運(yùn)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(xué)習(xí)的自然語言處理功能對(duì)操作票信息進(jìn)行語義語法分析， 進(jìn)而與SCD（變電站配置描述）文件信息進(jìn)行搜索匹配， 實(shí)現(xiàn)操作命令的自動(dòng)執(zhí)行。 同時(shí)利用深度學(xué)習(xí)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(xué)習(xí)中的文本分類功能對(duì)紛繁的主站告警信息進(jìn)行分類。

（2）機(jī)器學(xué)習(xí)技術(shù)將推動(dòng)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(dòng)電壓控制）、 AGC（自動(dòng)發(fā)電控制）更多依靠專家的個(gè)人經(jīng)驗(yàn)， 假如能夠利用深度學(xué)習(xí)技術(shù)將專家的模糊調(diào)節(jié)經(jīng)驗(yàn)轉(zhuǎn)化為機(jī)器語言清晰的調(diào)節(jié)規(guī)則， 將實(shí)現(xiàn)電力系統(tǒng)調(diào)度的自動(dòng)智能調(diào)節(jié)， 大大提高工作效率。

（3）機(jī)器學(xué)習(xí)技術(shù)將能更好地處理電力系統(tǒng)運(yùn)行中的隨機(jī)性和不確定性事件。

電力系統(tǒng)運(yùn)行中存在著眾多不確定影響因素， 如負(fù)荷的隨機(jī)擾動(dòng)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(jī)性和間歇性進(jìn)一步加劇了電力系統(tǒng)運(yùn)行的不確定性。 電力系統(tǒng)運(yùn)行中各類不確定問題的出現(xiàn)使得與運(yùn)行相關(guān)的潮流計(jì)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(duì)上述問題， 可以在機(jī)器學(xué)習(xí)中增加不確定因素的隨機(jī)變化， 比如在神經(jīng)元之間分配隨機(jī)過程傳遞函數(shù)， 或是給神經(jīng)元隨機(jī)權(quán)重。 當(dāng)然，如何利用機(jī)器學(xué)習(xí)來實(shí)現(xiàn)這一想法需要考慮更多細(xì)節(jié)。

（4）機(jī)器學(xué)習(xí)技術(shù)將促進(jìn)電力市場(chǎng)的進(jìn)一步發(fā)展。

在電力市場(chǎng)中， 中長(zhǎng)期合約電量與現(xiàn)貨市場(chǎng)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(chǎng)的調(diào)節(jié)作用來保障電網(wǎng)物理系統(tǒng)和電力市場(chǎng)系統(tǒng)的協(xié)調(diào)平穩(wěn)運(yùn)行，需要利用深度學(xué)習(xí)技術(shù)來應(yīng)對(duì)外部環(huán)境的變化。

另外一個(gè)比較前沿的研究領(lǐng)域是將電力系統(tǒng)的運(yùn)行與人腦運(yùn)轉(zhuǎn)進(jìn)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(cè)設(shè)備與人體的感官進(jìn)行類比等， 文獻(xiàn)[52]就對(duì)“電力腦”進(jìn)行了相關(guān)描述。 總之， 隨著機(jī)器學(xué)習(xí)技術(shù)在電力系統(tǒng)運(yùn)行領(lǐng)域的廣泛應(yīng)用， 將使得電力系統(tǒng)運(yùn)行更加經(jīng)濟(jì)、 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(jī)器學(xué)習(xí)算法的產(chǎn)生與發(fā)展側(cè)重于實(shí)際應(yīng)用效果， 這也導(dǎo)致了任何一種機(jī)器學(xué)習(xí)策略都不是放之四海而皆準(zhǔn)的， 電力系統(tǒng)運(yùn)行情況的復(fù)雜程度更凸顯了機(jī)器學(xué)習(xí)算法選擇的重要性。 因此在學(xué)習(xí)策略的選擇上， 首先要對(duì)所需解決問題的特點(diǎn)進(jìn)行分析， 根據(jù)實(shí)際問題來進(jìn)行選擇。 另外還需要強(qiáng)調(diào)的是， 每種方法都有其自身的優(yōu)點(diǎn)和不足， 可以將2 種或幾種方法進(jìn)行有機(jī)結(jié)合， 將更有利于問題的解決。