機(jī)器學(xué)習(xí)和數(shù)據(jù)驅(qū)動(dòng)算法在智慧發(fā)電系統(tǒng)中的應(yīng)用
——一種不確定性處理的視角

孫立, Fengqi You *

a Key Laboratory of Energy Thermal Conversion and Control of Ministry of Education, S chool of Energy and the Environment, S outheast University, Nanjing 210096, China b Robert Frederick S mith S chool of Chemical and Biomolecular Engineering, Cornell University, Ithaca, NY 14853, US A

1.引言

幾十年來，火力發(fā)電是造成環(huán)境污染和碳排放的主要因素之一[1]。據(jù)報(bào)道，2018 年發(fā)電行業(yè)的碳排放占碳排放增長的近三分之二，其中燃煤發(fā)電所占比重最大（約占總排放量的30%）[2]?？紤]到日益嚴(yán)重的氣候變化問題，世界主要國家被迫確定“將全球平均氣溫的上升幅度控制在工業(yè)化前水平以上低于2 ℃之內(nèi)”[3]的目標(biāo)。為了實(shí)現(xiàn)這一目標(biāo)，需要對(duì)發(fā)電行業(yè)進(jìn)行改革，具體包括優(yōu)化目前流行的火力發(fā)電的效率，擴(kuò)大可持續(xù)能源（包括水電、太陽能和風(fēng)能）的比例。

控制和優(yōu)化發(fā)電系統(tǒng)對(duì)于其高效和安全運(yùn)行至關(guān)重要[4]。由于發(fā)電系統(tǒng)中各部分存在多時(shí)間尺度的特征，發(fā)電系統(tǒng)通常采用分層控制框架[5-6]，以完成各層的主要任務(wù)，如圖1所示。在最低的測(cè)量過程層，必須保證重要變量測(cè)量和監(jiān)控的可見性。根據(jù)這些變量，將調(diào)節(jié)控制器放置在現(xiàn)場(chǎng)，以使每個(gè)單回路（如溫度、壓力和水位）控制在上級(jí)監(jiān)控層指定的工作點(diǎn)上。基于此，本文將調(diào)節(jié)控制水平的性能稱為“機(jī)動(dòng)性”，它描述了目標(biāo)回路在需要時(shí)如何快速和穩(wěn)定地行動(dòng)。監(jiān)控層采用先進(jìn)的控制算法，在滿足操作約束的同時(shí)，通過考慮多變量耦合，最大限度地提高許多交互回路的靈活性[8]。在最高級(jí)別的經(jīng)濟(jì)規(guī)劃中，制定和優(yōu)化總體效率或利潤指標(biāo)，為較低層次的動(dòng)態(tài)控制提供穩(wěn)態(tài)工作點(diǎn)[9]。除了自下而上的控制水平外，故障檢測(cè)和診斷（FDD）對(duì)于安全運(yùn)行和維持更長的發(fā)電廠壽命至關(guān)重要[10]。圖1 中的層次結(jié)構(gòu)可用于管理完整的發(fā)電系統(tǒng)（如燃料電池單元）或子系統(tǒng)（如燃煤發(fā)電廠的鍋爐燃燒爐）。

一般圖1中的每個(gè)層級(jí)都有一個(gè)精確的模型，這對(duì)于實(shí)現(xiàn)多個(gè)目標(biāo)至關(guān)重要。監(jiān)控層的內(nèi)部變量通常由狀態(tài)觀測(cè)器或基于狀態(tài)空間（SS）模型的卡爾曼濾波器實(shí)現(xiàn)，如電池芯溫度估計(jì)[11]。用于調(diào)節(jié)層的則是廣泛使用的比例-積分-微分（PID）控制器——通常需要一個(gè)參數(shù)整定的過程模型[12]。就靈活性層級(jí)而言，模型預(yù)測(cè)控制（MPC）占監(jiān)控算法的最大份額。MPC采用基于模型的輸出預(yù)測(cè)，將多變量約束優(yōu)化問題轉(zhuǎn)化為一個(gè)滾動(dòng)時(shí)域二次優(yōu)化框架。參考文獻(xiàn)[13]展示了在太陽能聯(lián)合循環(huán)電廠中的MPC 的典型應(yīng)用。對(duì)于經(jīng)濟(jì)規(guī)劃層，動(dòng)態(tài)規(guī)劃是一種非常流行的算法，用于調(diào)度不同電源之間的能量流需求，通常以每小時(shí)運(yùn)行成本來計(jì)算，如復(fù)雜第三代發(fā)電廠的能量成本優(yōu)化[14]或混合發(fā)電廠的運(yùn)行成本優(yōu)化[15]。故障檢測(cè)通常使用的是先驗(yàn)?zāi)Ｐ?，就像最近在燃料電池空氣供給系統(tǒng)中的應(yīng)用[16]一樣。近年來一個(gè)重要的發(fā)展趨勢(shì)是基于經(jīng)濟(jì)模型預(yù)測(cè)控制（EMPC）框架，將經(jīng)濟(jì)性規(guī)劃與監(jiān)控水平結(jié)合形成集成EMPC。該框架能夠根據(jù)系統(tǒng)模型和各種約束條件直接制定經(jīng)濟(jì)指標(biāo)，同時(shí)實(shí)現(xiàn)經(jīng)濟(jì)優(yōu)化和動(dòng)態(tài)運(yùn)行。已有研究[17-18]表明，可以利用EMPC 減少鍋爐-汽輪機(jī)機(jī)組的節(jié)流損失以及提高建筑物熱電聯(lián)產(chǎn)系統(tǒng)的舒適性。

傳統(tǒng)的基于模型的方法雖然有效，但其終將無法處理規(guī)模不斷增長且具有各種不確定性的能源系統(tǒng)。本文總結(jié)了圖1中每個(gè)層級(jí)上通常遇到的幾種典型不確定性。這些不確定性將在下一節(jié)中逐一討論。21 世紀(jì)是機(jī)器學(xué)習(xí)（ML）和數(shù)據(jù)科學(xué)[19]蓬勃發(fā)展的時(shí)代；機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)的發(fā)展可能是解決可擴(kuò)展性和不確定性方面困難的關(guān)鍵。在這個(gè)大數(shù)據(jù)時(shí)代，許多學(xué)科，如粒子物理學(xué)[20]、材料學(xué)[21]和過程系統(tǒng)工程[22]，已經(jīng)逐漸產(chǎn)生了研究方法從基于模型的分析到機(jī)器學(xué)習(xí)和基于數(shù)據(jù)驅(qū)動(dòng)（DD）研究的巨大轉(zhuǎn)變。機(jī)器學(xué)習(xí)和基于數(shù)據(jù)驅(qū)動(dòng)的研究技術(shù)徹底改變了現(xiàn)代能源系統(tǒng)的監(jiān)測(cè)、控制和優(yōu)化的方法，包括傳統(tǒng)化石燃料發(fā)電廠和可再生能源系統(tǒng)。常見的機(jī)器學(xué)習(xí)算法包括無監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)（RL）[23]，每一種算法都被應(yīng)用于不同層次的能源系統(tǒng)，以解決不同的問題。數(shù)據(jù)驅(qū)動(dòng)技術(shù)通常使用實(shí)時(shí)或歷史數(shù)據(jù)直接控制過程，包括迭代反饋調(diào)節(jié)（IFT）[24]、迭代學(xué)習(xí)控制（ILC）和自抗擾控制（ADRC）[25-26]。數(shù)據(jù)驅(qū)動(dòng)方法通常比機(jī)器學(xué)習(xí)方法具有更大的適用范圍和更快的運(yùn)行速度，它能滿足監(jiān)管控制層級(jí)的高實(shí)時(shí)性要求，應(yīng)用廣泛。

本文并不試圖對(duì)所有能源系統(tǒng)應(yīng)用中的每種方法進(jìn)行全面的討論，相反，本文旨在展示如何適當(dāng)運(yùn)用機(jī)器學(xué)習(xí)和基于數(shù)據(jù)驅(qū)動(dòng)的方法，以提高發(fā)電系統(tǒng)的可見性、機(jī)動(dòng)性、靈活性、經(jīng)濟(jì)性和安全性（簡稱“五性”），來應(yīng)對(duì)各個(gè)層級(jí)所出現(xiàn)的不確定性挑戰(zhàn)。根據(jù)圖1，“五性”可定義如下：

?可見性——可測(cè)量變量的測(cè)量和傳輸以及內(nèi)部不可測(cè)量變量的估計(jì)。

?機(jī)動(dòng)性——底層調(diào)節(jié)控制響應(yīng)的快速性和準(zhǔn)確性，主要是在單回路過程中。

?靈活性——多變量協(xié)調(diào)在監(jiān)督控制水平上可以達(dá)到的程度。

?經(jīng)濟(jì)性——整個(gè)系統(tǒng)或重要子系統(tǒng)的經(jīng)濟(jì)成本或效益。

圖1.發(fā)電系統(tǒng)或子系統(tǒng)的分層結(jié)構(gòu)，用于監(jiān)測(cè)、控制、優(yōu)化和故障檢測(cè)。

?安全性——系統(tǒng)的FDD，防止對(duì)發(fā)電系統(tǒng)造成危險(xiǎn)。

在智慧發(fā)電中，可見性層級(jí)是其他層級(jí)的基礎(chǔ)，因?yàn)樗婕案兄糜诳刂?、?yōu)化和診斷的內(nèi)部參數(shù)。強(qiáng)大的機(jī)動(dòng)性級(jí)別是實(shí)現(xiàn)靈活性和經(jīng)濟(jì)性的有力保證，而安全級(jí)別是保護(hù)整個(gè)系統(tǒng)安全的基本保障。

本文全面回顧了機(jī)器學(xué)習(xí)和數(shù)據(jù)驅(qū)動(dòng)方法在電力行業(yè)的應(yīng)用：從傳統(tǒng)火力發(fā)電到新興的可再生能源領(lǐng)域；從確定性場(chǎng)景到不確定性場(chǎng)景；從整個(gè)運(yùn)行管理框架的底層到頂層。

本文選擇不確定性處理視角的原因如下：

?不確定性廣泛存在于發(fā)電系統(tǒng)的各個(gè)層面。正如Roger Brockett所說，“如果系統(tǒng)、控制或環(huán)境中沒有不確定性，那么反饋控制在很大程度上是不必要的?！盵27]

?不確定性的性質(zhì)在不同層級(jí)上有所不同，所以需要各個(gè)層級(jí)單獨(dú)考慮。例如，應(yīng)估計(jì)并抵消靈活性層級(jí)上的干擾不確定性，而經(jīng)濟(jì)性上的環(huán)境不確定性應(yīng)建模為隨機(jī)過程，然后將其考慮在內(nèi)在經(jīng)濟(jì)優(yōu)化過程中。

本文側(cè)重于發(fā)電方面，將不討論電網(wǎng)方面的文獻(xiàn)。本文的其余部分組織如下：第2節(jié)討論了底層可見性和機(jī)動(dòng)性，其中數(shù)據(jù)驅(qū)動(dòng)和機(jī)器學(xué)習(xí)算法必須快速響應(yīng)監(jiān)管要求；第3節(jié)回顧了基于數(shù)據(jù)驅(qū)動(dòng)模型的預(yù)測(cè)控制、在能源系統(tǒng)規(guī)劃層面的監(jiān)管靈活性以及各種無監(jiān)管和RL 方法，計(jì)算時(shí)間從數(shù)分鐘到數(shù)小時(shí)不等；第4節(jié)對(duì)發(fā)電系統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)的FDD 方法進(jìn)行了回顧，并與基于模型的方法進(jìn)行了比較；第5節(jié)總結(jié)了調(diào)查結(jié)果，并闡述了智慧發(fā)電的未來研究方向。

2.可見性和機(jī)動(dòng)性

可見性要求涉及變量測(cè)量、定量過程表征和隱藏變量軟測(cè)量。測(cè)量信號(hào)中不可避免的隨機(jī)噪聲是在這一層級(jí)上的主要的不確定性。機(jī)動(dòng)性是基于過程識(shí)別和可見性層級(jí)的測(cè)量或估計(jì)信號(hào)實(shí)現(xiàn)的，主要目標(biāo)是抑制不確定性干擾。

2.1.動(dòng)態(tài)特性

系統(tǒng)辨識(shí)是一種用于動(dòng)態(tài)系統(tǒng)的經(jīng)典數(shù)據(jù)驅(qū)動(dòng)的方法。由于物理建模的困難，它通常被視為一個(gè)黑箱。自20 世紀(jì)60 年代以來，該學(xué)科受到了廣泛關(guān)注并取得了巨大成功，甚至早于機(jī)器學(xué)習(xí)的興盛[28]。通過將某些激勵(lì)作為控制輸入，用于辨識(shí)發(fā)電過程輸入/輸出數(shù)據(jù)背后的基本結(jié)構(gòu)和參數(shù)?；诮?jīng)典階躍響應(yīng)的傳遞函數(shù)識(shí)別是發(fā)電廠中最常用的方法。階躍響應(yīng)識(shí)別在能源系統(tǒng)中的應(yīng)用包括再熱器中的水位控制[29]、燃料電池的溫度控制[30]和多變量流化床燃燒室控制[31]。已有研究表明，經(jīng)典的階躍響應(yīng)方法無法辨識(shí)存在測(cè)量噪聲的高階過程[32]。為了緩解這一問題，參考文獻(xiàn)[33]針對(duì)換熱器（能源系統(tǒng)中常見的高階設(shè)備）開發(fā)了一種混合時(shí)域和頻域的辨識(shí)方法。

傳感器噪聲是現(xiàn)代系統(tǒng)辨識(shí)方法需要解決的核心問題。加性高斯白噪聲（AWGN）主要來源于熱噪聲，是發(fā)電系統(tǒng)中最常見的傳感器噪聲。目前已經(jīng)開發(fā)出多種成熟的數(shù)據(jù)驅(qū)動(dòng)的方法來解決能源系統(tǒng)中的AWGN，最常用的方法是使用最小標(biāo)準(zhǔn)，如平方誤差[34]。對(duì)于單輸入單輸出系統(tǒng)（SISO），參考文獻(xiàn)[35]給出了一個(gè)示例，其中使用自適應(yīng)遞歸最小二乘法（ARL）實(shí)時(shí)識(shí)別燃料電池混合系統(tǒng)模型的回歸參數(shù)，即具有AWGN 的線性差分方程或具有額外輸入的自回歸（ARX）模型。該ARX 模型基于遞歸最小二乘法（RLS）識(shí)別方法，是幾乎所有發(fā)電行業(yè)最常用的抵消AWGN 的方法之一，包括風(fēng)力發(fā)電行業(yè)[36]、太陽能發(fā)電行業(yè)[37-38]、火力發(fā)電行業(yè)[39]和儲(chǔ)能系統(tǒng)行業(yè)[40-41]。而對(duì)于非高斯有色噪聲，參考文獻(xiàn)[42]中的電池參數(shù)識(shí)別研究引入了一種輔助變量方法，該方法改進(jìn)了最小二乘識(shí)別方法，優(yōu)于傳統(tǒng)RLS。

當(dāng)涉及SS 模型描述的多狀態(tài)系統(tǒng)時(shí)，噪聲問題變得更加棘手。對(duì)于具有未知參數(shù)（即灰盒）的SS物理模型，Cramer-Rao 界分析用于電池[43]和混合儲(chǔ)能系統(tǒng)[44]的參數(shù)識(shí)別，以處理電池電壓測(cè)量中的AWGN。為了避免理論解中的分析困難，啟發(fā)式優(yōu)化方法被廣泛用于識(shí)別能源系統(tǒng)，如燃料電池[45]、太陽能電池[46]和水輪機(jī)[47]的SS模型參數(shù)。對(duì)于沒有任何物理機(jī)制和SS模型的黑箱系統(tǒng)，通常采用子空間識(shí)別（SID）。此類系統(tǒng)的示例包括燃料電池[48]、電廠再熱器[49]和流化床燃燒器[50]。

上述系統(tǒng)識(shí)別方法通常需要特定類型的輸入激勵(lì)信號(hào)，并且主要作用于線性系統(tǒng)。隨著機(jī)器學(xué)習(xí)方法的發(fā)展，這一慣例發(fā)生了變化，機(jī)器學(xué)習(xí)方法能夠識(shí)別基于大量數(shù)據(jù)記錄的復(fù)雜非線性系統(tǒng)。淺層神經(jīng)網(wǎng)絡(luò)（NN）是能源系統(tǒng)中最常用的方法之一，如燃料電池的動(dòng)態(tài)建模[51-52]、鍋爐-渦輪機(jī)組[53-54]和太陽能發(fā)電[55]。為了降低結(jié)構(gòu)風(fēng)險(xiǎn)，支持向量機(jī)（SVM）也廣泛用于能源系統(tǒng)識(shí)別[56,58]。在過去10 年中，隨著深度學(xué)習(xí)的重新興起，長短期記憶網(wǎng)絡(luò)（LSTM）變得越來越普遍，因?yàn)樗芨玫靥幚戆l(fā)電系統(tǒng)的時(shí)間序列數(shù)據(jù)[59]。

2.2.軟測(cè)量

由于能源系統(tǒng)中的一些關(guān)鍵變量可能無法直接測(cè)量，軟測(cè)量技術(shù)，包括基于模型的狀態(tài)估計(jì)[60]和數(shù)據(jù)驅(qū)動(dòng)的相關(guān)[61]算法，可以有效地觀測(cè)系統(tǒng)內(nèi)部的情況，并為控制層提供反饋信號(hào)?；谀Ｐ偷臓顟B(tài)估計(jì)通常存在隨機(jī)噪聲的不確定性和傳感器的不精確性等問題。一些數(shù)據(jù)驅(qū)動(dòng)的方法已被用來彌補(bǔ)這一不足，如基于狀態(tài)增強(qiáng)和反饋校正的電池芯溫度估計(jì)[11]。

基于數(shù)據(jù)驅(qū)動(dòng)代數(shù)相關(guān)的軟測(cè)量方法旨在通過測(cè)量次要變量來估計(jì)不可測(cè)量變量（也稱為主要變量）[62]。雖然在系統(tǒng)運(yùn)行時(shí)無法直接測(cè)量，但主要變量可以脫機(jī)測(cè)量和（或）間歇性訪問，每個(gè)樣本的成本很高。所以，軟測(cè)量的基本任務(wù)是根據(jù)有限的觀測(cè)數(shù)據(jù)，確定主要變量和次要變量之間的關(guān)系。為此，可以使用回歸或曲線擬合。例如，學(xué)習(xí)證據(jù)回歸模型，將其作為軟傳感器來監(jiān)測(cè)磨煤機(jī)中的粉末濃度[63]；訓(xùn)練偏最小二乘（PLS）回歸來預(yù)測(cè)1000 MW級(jí)發(fā)電廠中NOx的排放[64]。

2.3.監(jiān)管控制

為了實(shí)現(xiàn)強(qiáng)大的靈活性，許多反饋控制器被部署在調(diào)節(jié)控制層級(jí)。該層級(jí)接收來自可見性層級(jí)的信號(hào)和來自上層的參考命令。其主要目標(biāo)是減輕不可測(cè)量和不確定性干擾的影響[65]。對(duì)每個(gè)回路進(jìn)行建模和設(shè)計(jì)單獨(dú)的反饋控制器既十分耗時(shí)又很昂貴。因此，數(shù)據(jù)驅(qū)動(dòng)的控制方法在工業(yè)調(diào)節(jié)控制中起著核心作用[26]。本文回顧了PID 控制、自抗擾控制和ILC在一些典型擾動(dòng)中的應(yīng)用。

PID控制仍然是發(fā)電系統(tǒng)中的主要控制器，因?yàn)樗子谑褂?，在要求快速反?yīng)的環(huán)境中，計(jì)算時(shí)間可以忽略不計(jì)[12]。PID 控制使用比例、積分和實(shí)時(shí)誤差數(shù)據(jù)推導(dǎo)的組合，而不是物理模型，來調(diào)整執(zhí)行器并在最佳條件下保持設(shè)備運(yùn)行。困難通常在于調(diào)整控制器參數(shù)。工程師有時(shí)采用機(jī)器學(xué)習(xí)技術(shù)來提高性能，如神經(jīng)網(wǎng)絡(luò)增強(qiáng)PID控制在火力發(fā)電廠[66]、燃料電池[67]、太陽能發(fā)電廠[68]和風(fēng)力渦輪機(jī)[69]中的應(yīng)用。此外，模糊邏輯在風(fēng)力渦輪機(jī)[70]、燃料電池[71]、太陽能發(fā)電[72]和聯(lián)合循環(huán)發(fā)電廠[73]中非常流行，用于在線調(diào)整PID參數(shù)。為了能充分利用歷史數(shù)據(jù)的潛力，還對(duì)IFT 進(jìn)行了研究，以調(diào)整鍋爐-汽輪機(jī)機(jī)組的PID 參數(shù)[74]。IFT 是一種有趣的方法，通過學(xué)習(xí)以前任務(wù)的性能來迭代地提高控制性能。

由于PID控制在處理非線性和模型不確定性方面的局限性，自抗擾控制正在成為一種突破性的數(shù)據(jù)驅(qū)動(dòng)控制技術(shù)。與PID控制相同，自抗擾控制器的設(shè)計(jì)不需要物理模型[75]。與PID控制相比，自抗擾控制的主要優(yōu)點(diǎn)在于它具有兩個(gè)自由度，在設(shè)定點(diǎn)跟蹤和干擾抑制方面都能產(chǎn)生令人滿意的性能。自抗擾控制的數(shù)據(jù)驅(qū)動(dòng)補(bǔ)償機(jī)制如圖2所示。首先設(shè)計(jì)一個(gè)擴(kuò)展?fàn)顟B(tài)觀測(cè)器來估計(jì)未知?jiǎng)討B(tài)和外部干擾，然后通過分析輸入和輸出數(shù)據(jù)直接補(bǔ)償控制輸入中的未知?jiǎng)討B(tài)和外部干擾。增強(qiáng)型設(shè)備，即圖2中的灰色塊，可以作為串級(jí)積分器過程進(jìn)行近似補(bǔ)償，從而可以容易地設(shè)計(jì)外環(huán)控制器。參考文獻(xiàn)[29]表明，自抗擾控制器具有抗積分飽和能力，適用于1000 MW 級(jí)發(fā)電廠的再熱器。通過鍋爐爐膛控制中的實(shí)驗(yàn)應(yīng)用，討論了自抗擾控制器的整定[76]。通過引入串級(jí)自抗擾控制結(jié)構(gòu)，電廠過熱溫度的波動(dòng)顯著降低[77]。最近，自抗擾控制器還被引入風(fēng)力渦輪機(jī)[78]、光伏發(fā)電[79]和燃料電池[80-81]的監(jiān)管控制中。

ILC 專門用于解決周期性干擾[82]，盡管在發(fā)電系統(tǒng)中的應(yīng)用相對(duì)有限，但仍然得到了控制界的廣泛關(guān)注。通過學(xué)習(xí)前面序列中相應(yīng)的時(shí)間步，ILC在每個(gè)時(shí)間步逐步修改控制動(dòng)作。發(fā)電系統(tǒng)中典型的周期性擾動(dòng)和探索性ILC 應(yīng)用包括燃料電池陽極凈化過程[83]和風(fēng)力渦輪機(jī)峰值負(fù)荷[84]。

3.靈活性和經(jīng)濟(jì)性

靈活性是指監(jiān)控級(jí)別協(xié)調(diào)多個(gè)回路之間操作的能力，構(gòu)成了盈利能力的基礎(chǔ)。為了尋求最大利潤和最小成本，盈利水平計(jì)算中間層過程變量的最佳條件。因此，更大的靈活性使高度互動(dòng)的能源系統(tǒng)能更容易、更安全地在選定的幾個(gè)操作條件下得到維護(hù)，并具有最大的經(jīng)濟(jì)效益。

圖2.自抗擾控制器數(shù)據(jù)驅(qū)動(dòng)干擾補(bǔ)償結(jié)構(gòu)。kp：比例增益；e：反饋誤差；b0：過程增益；ESO：擴(kuò)展?fàn)顟B(tài)觀測(cè)器。

3.1.靈活性

系統(tǒng)靈活性的監(jiān)控層級(jí)主要負(fù)責(zé)兩個(gè)基本監(jiān)管回路的協(xié)調(diào)。更靈活的多變量控制器設(shè)計(jì)策略使系統(tǒng)在任何干擾后能快速地轉(zhuǎn)換回經(jīng)濟(jì)性最優(yōu)的狀態(tài)。

多變量模型仍然很重要，目前在監(jiān)控應(yīng)用（包括發(fā)電應(yīng)用）中發(fā)揮著基本作用。由于發(fā)電過程中嚴(yán)格的安全要求，純數(shù)據(jù)驅(qū)動(dòng)控制的研究和應(yīng)用受到一定限制。沒有模型，通常很難保證多變量控制系統(tǒng)的穩(wěn)定性。然而，基于模型的控制的主要挑戰(zhàn)是在條件轉(zhuǎn)換、設(shè)備老化和環(huán)境變化期間的模型不確定性。為此，機(jī)器學(xué)習(xí)和數(shù)據(jù)驅(qū)動(dòng)技術(shù)可以提高系統(tǒng)對(duì)模型不確定性的魯棒性。

對(duì)于計(jì)算資源有限的傳統(tǒng)監(jiān)控應(yīng)用，通常使用模糊邏輯調(diào)整參數(shù)以提高性能。通過識(shí)別電廠主蒸汽壓力的一組線性模型，使用模糊邏輯在線調(diào)整解耦PID 控制器的參數(shù)，以適應(yīng)磨煤機(jī)的不確定條件[85]。同樣，為光伏/燃料電池發(fā)電廠開發(fā)了基于平滑度的智能模糊邏輯控制器，以實(shí)現(xiàn)對(duì)電力系統(tǒng)的快速穩(wěn)定響應(yīng)[86]。開發(fā)了一種混合經(jīng)典和模糊控制方法，用于控制電廠鍋爐的蒸汽溫度和水位[87]。模型信息可用于增強(qiáng)多變量自抗擾控制器的數(shù)據(jù)驅(qū)動(dòng)控制性能，如水箱中的多變量控制應(yīng)用[88]和火力發(fā)電廠的直接能量平衡控制[89]。

鑒于工業(yè)計(jì)算能力的快速發(fā)展，上述監(jiān)控方法有些過時(shí)，這使得先進(jìn)的、算力需求較大的控制算法（如MPC）得以應(yīng)用。當(dāng)缺少物理模型時(shí)，通常使用SID 方法為MPC開發(fā)數(shù)據(jù)驅(qū)動(dòng)模型。參考文獻(xiàn)[90]中提出了模糊聚類與SID組合的方法，以便在MPC框架下制定和處理鍋爐-汽輪機(jī)機(jī)組的多變量耦合和運(yùn)行約束。對(duì)于沒有完全在線測(cè)量所有輸出變量的燃料電池系統(tǒng)，SID 方法直接嵌入MPC，以實(shí)現(xiàn)完全數(shù)據(jù)驅(qū)動(dòng)控制[91]。最近，數(shù)據(jù)驅(qū)動(dòng)增強(qiáng)型MPC被用于燃煤發(fā)電廠的污染控制[92]和碳捕獲控制[93]。除了數(shù)據(jù)驅(qū)動(dòng)方法外，機(jī)器學(xué)習(xí)方法還與MPC相結(jié)合。神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練MPC 模型，并在動(dòng)態(tài)能量管理系統(tǒng)中取得了成功[94]。此外，最小二乘支持向量機(jī)（LSSVM）和偏最小二乘支持向量機(jī)分別用于識(shí)別燃料電池系統(tǒng)，在此基礎(chǔ)上部署MPC，以實(shí)現(xiàn)對(duì)工作溫度有約束的快速功率跟蹤[95]。參考文獻(xiàn)[96]中針對(duì)核電廠過熱蒸汽供應(yīng)系統(tǒng)提出了一種基于多層感知的MPC?；跈C(jī)器學(xué)習(xí)的MPC的主要缺點(diǎn)是通常無法保證閉環(huán)穩(wěn)定性。

3.2.經(jīng)濟(jì)性

經(jīng)濟(jì)性規(guī)劃是發(fā)電系統(tǒng)規(guī)劃的最高水平。它的時(shí)間步長通常為小時(shí)或天，因此有足夠的時(shí)間計(jì)算較低級(jí)別的經(jīng)濟(jì)參考。傳統(tǒng)上，數(shù)據(jù)挖掘的方法用于根據(jù)歷史數(shù)據(jù)計(jì)算最經(jīng)濟(jì)的操作。例如，在最近的無監(jiān)督學(xué)習(xí)應(yīng)用中，首先通過主成分分析（PCA）減小電廠脫硫系統(tǒng)的歷史數(shù)據(jù)的量，然后使用模糊C-均值聚類方法得出具有相似操作條件的多個(gè)組。因此，運(yùn)行系統(tǒng)的經(jīng)濟(jì)參考可確定為類似組的最低脫硫成本點(diǎn)[97]。換言之，主成分分析和聚類相結(jié)合的方法旨在通過將當(dāng)前工況與其所屬組中類似的運(yùn)行工況進(jìn)行比較來尋找最佳點(diǎn)。然而，這種方法只能搜索數(shù)據(jù)庫的現(xiàn)有條件，不能保證最優(yōu)性。這是一種不同于鍋爐燃燒優(yōu)化的方法[98]?；谧钚《酥С窒蛄繖C(jī)，對(duì)鍋爐燃燒效率和污染物排放量進(jìn)行了大量的回歸分析。然后采用遺傳算法優(yōu)化條件設(shè)置，平衡燃燒效率和污染排放。

當(dāng)涉及可再生能源發(fā)電系統(tǒng)時(shí)，由于不確定環(huán)境變量的存在，如風(fēng)和陽光的周期，以及各種負(fù)荷的波動(dòng)，使得經(jīng)濟(jì)規(guī)劃更加困難。為此，對(duì)每個(gè)不確定變量的合理預(yù)測(cè)對(duì)于下一步的盈利能力決策至關(guān)重要。這可能是發(fā)電領(lǐng)域最活躍的研究領(lǐng)域，有大量文獻(xiàn)研究了各種機(jī)器學(xué)習(xí)算法。以風(fēng)電預(yù)測(cè)為例，各種人工神經(jīng)網(wǎng)絡(luò)（ANN）結(jié)構(gòu)，包括前饋、時(shí)間序列、遞歸和深度神經(jīng)網(wǎng)絡(luò)，已被用于將不同的天氣變量映射到一系列不同時(shí)間尺度（如每日、每周和每月）的確定性風(fēng)電預(yù)測(cè)值[99-100]。風(fēng)力發(fā)電的統(tǒng)計(jì)特性通過貝葉斯方法進(jìn)行評(píng)估，如稀疏貝葉斯學(xué)習(xí)[101]、貝葉斯非參數(shù)方法[102]和馬爾可夫鏈蒙特卡羅（MCMC）方法[103]，以得出一定范圍內(nèi)的概率分布。最近，開發(fā)了一個(gè)兩層式機(jī)器學(xué)習(xí)模型，以產(chǎn)生確定性和概率性的風(fēng)電預(yù)測(cè)，其中天氣變量（溫度、濕度、壓力和風(fēng)向）通過深度特征選擇塊進(jìn)行預(yù)處理[104]。如文獻(xiàn)[105-106]所述，最先進(jìn)的太陽能和負(fù)荷預(yù)測(cè)方法與風(fēng)能的預(yù)測(cè)方法相似。

隨著間歇性可再生能源和不確定負(fù)荷的預(yù)測(cè)，優(yōu)化混合發(fā)電和儲(chǔ)能系統(tǒng)的經(jīng)濟(jì)規(guī)劃成為可能。RL 似乎是一個(gè)很有前途的數(shù)據(jù)驅(qū)動(dòng)解決方案，因?yàn)樗词箾]有模型也能處理具有不確定性的優(yōu)化問題。RL 繼承自馬爾可夫決策過程（MDP）框架，由環(huán)境中的一組代理狀態(tài)、每個(gè)代理的一組可能操作以及控制動(dòng)態(tài)轉(zhuǎn)換、偏好和觀察的規(guī)則來描述[107]。通過與宿主環(huán)境交互（即接收觀察和獎(jiǎng)勵(lì)），RL代理選擇適當(dāng)?shù)牟僮饕宰畲蠡?jiǎng)勵(lì)。為了克服傳統(tǒng)優(yōu)化方法的分析挑戰(zhàn)[108-109]，無論是否有物理/仿真模型[110]，RL將極端尋求或經(jīng)濟(jì)規(guī)劃轉(zhuǎn)化為發(fā)電系統(tǒng)的純數(shù)據(jù)學(xué)習(xí)問題。一個(gè)直觀的單代理Q-學(xué)習(xí)示例來自風(fēng)能轉(zhuǎn)換系統(tǒng)（WECS）的最大功率點(diǎn)跟蹤（MPPT）控制，其中RL代理是風(fēng)力渦輪機(jī)，過渡狀態(tài)是轉(zhuǎn)子速度和電功率輸出，動(dòng)作是速度調(diào)整命令，獎(jiǎng)勵(lì)定義為電功率輸出的增量[111]。針對(duì)多電源分布式發(fā)電，提出了一種以燃料電池、柴油發(fā)電機(jī)、電池、海水淡化裝置和電解槽等可調(diào)節(jié)裝置的累積期望折扣回饋?zhàn)畲?，來減少系統(tǒng)的油耗裝置為主體的多智能體模糊學(xué)習(xí)方法。通過這些可調(diào)元件之間的RL協(xié)調(diào)行動(dòng)，可最大化減少耗能，以確保系統(tǒng)可靠性并最大限度地減少化石燃料消耗[112]。深度強(qiáng)化學(xué)習(xí)（DRL）被引入[113]，利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的逼近能力來解決復(fù)雜的能源網(wǎng)絡(luò)問題。關(guān)于RL和DRL在發(fā)電系統(tǒng)中應(yīng)用的進(jìn)一步示例，可在最近的調(diào)查[114]中查閱。

4.安全性——故障檢測(cè)和診斷

通常，智慧發(fā)電中用于FDD 的方法分為兩類：基于模型的方法和基于實(shí)例的方法?；谀Ｐ偷姆椒▽で笤O(shè)備的輸入、狀態(tài)和輸出之間的定量關(guān)系，受潛在設(shè)備不確定性的影響。計(jì)算目標(biāo)輸出和模型預(yù)測(cè)之間的殘差，如果累計(jì)殘差大于規(guī)定閾值，則檢測(cè)并隔離故障。以某制粉系統(tǒng)為例，利用SS方程建立了基于觀測(cè)器的FDD模型，用于監(jiān)測(cè)漏煤、堵磨等故障。實(shí)驗(yàn)結(jié)果表明，基于觀測(cè)器的FDD 方法在標(biāo)稱情況下表現(xiàn)良好[115-116]。然而，未知干擾或不確定性可能導(dǎo)致基于觀測(cè)器的FDD 模型表現(xiàn)不夠好。為防止此類故障，一種數(shù)據(jù)驅(qū)動(dòng)FDD 方法被開發(fā)出來[117]。這種方法基于可測(cè)過程數(shù)據(jù)構(gòu)建魯棒的殘差生成器以檢測(cè)故障，如應(yīng)用在存在未知干擾和測(cè)量噪聲的情況下的風(fēng)機(jī)故障檢測(cè)與診斷中。此外，數(shù)據(jù)驅(qū)動(dòng)的FDD 方法可能不需要來自工廠的先驗(yàn)信息。在參考文獻(xiàn)[118]中可以找到風(fēng)力渦輪機(jī)故障檢測(cè)的應(yīng)用，其中比較了神經(jīng)網(wǎng)絡(luò)和其他回歸方法。

數(shù)據(jù)驅(qū)動(dòng)基于實(shí)例的方法還將具有不同故障類型的歷史樣本視為位于由輸入、輸出和（或）狀態(tài)組成的混合特征空間中的模式。然后將新的觀測(cè)結(jié)果與歷史模式進(jìn)行比較，以確定是否存在斷層；如果是，則檢測(cè)到的故障將被分配到已知的最相似的故障類型。數(shù)據(jù)驅(qū)動(dòng)的方法是基于案例的方法解決分類問題，而基于模型的方法是解決回歸問題。換句話說，任何分類算法都可以重新調(diào)整用途并部署為FDD 模型。類似地，燃料電池FDD 基于分類算法進(jìn)行[119]。參考文獻(xiàn)[120]對(duì)支持向量機(jī)和自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）分類器進(jìn)行了研究，以識(shí)別汽輪機(jī)機(jī)組的故障狀態(tài)。對(duì)于基于能源系統(tǒng)分類算法的其他FDD模型，感興趣的讀者可查閱參考文獻(xiàn)[121]及其中的文獻(xiàn)。

普遍存在的不確定性阻礙了FDD 在發(fā)電系統(tǒng)中的應(yīng)用。閾值通常由用戶確定。事實(shí)上，幾乎所有的FDD 模型都對(duì)用戶給定的閾值敏感：一個(gè)小的閾值會(huì)導(dǎo)致許多錯(cuò)誤警報(bào)。目前還沒有一種通用且被廣泛接受的方法用于處理不精確性和不確定性，或者在FDD 中預(yù)設(shè)用戶給定的閾值。除上述兩個(gè)問題外，發(fā)電廠的安全協(xié)議使得獲取故障樣本（即訓(xùn)練樣本）的成本過高。因此，必須根據(jù)正常操作數(shù)據(jù)執(zhí)行FDD。

由于存在不確定性導(dǎo)致的困難，傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)基于實(shí)例的方法通常難以通過將新觀測(cè)值與歷史運(yùn)行數(shù)據(jù)進(jìn)行比較來識(shí)別潛在故障。為了緩解這一困難，證據(jù)的Demp‐ster-Shafer（DS）理論[122,125]擴(kuò)展了概率理論，并通過將所有故障類型/類別的功率集作為識(shí)別框架，提供了解釋不精確性和不確定性的一般框架。理論上，假設(shè)有一個(gè)包含c個(gè)正常態(tài)（或故障）的集合Ω={ω1,ω2,...,ω3}，概率論定義了概率分布p:Ω →[0,1]，DS重新定義這個(gè)分布為質(zhì)量函數(shù)m:2Ω→[0,1]。顯然質(zhì)量方程不僅可以描述概率或觀測(cè)值屬于某個(gè)正常情況({ωq})的可信度[定義為m({ωq})]，也可以描述屬于某一個(gè)瞬時(shí)態(tài)的可信度[定義為{ωq,ωq+1}]。特別地，如果一個(gè)觀測(cè)值具有較大的未知度m(Ω)，比如m(Ω)→1，則其將被視作一個(gè)新的正常情況（包括從現(xiàn)有正常情況惡化的新情況）或未知故障?？偟膩碚f，比起概率論或模糊集理論，DS為FDD提供了一個(gè)更強(qiáng)大的工具來處理數(shù)據(jù)中的不精確性和不確定性。因此，在DS 框架中實(shí)施基于數(shù)據(jù)驅(qū)動(dòng)案例的方法可以對(duì)FDD 作出更有意義的解釋，包括檢測(cè)正常態(tài)、瞬時(shí)態(tài)、新的正常態(tài)、惡化案例（來自正常案例）和未知故障案例，如圖3 所示。DS 理論在發(fā)電系統(tǒng)中發(fā)現(xiàn)了若干FDD應(yīng)用。例如，參考文獻(xiàn)[126]中提出了一種基于DS理論和分類回歸樹的多傳感器融合和決策方法，用于在緊急情況下對(duì)保護(hù)發(fā)電系統(tǒng)的高壓斷路器（HVCB）進(jìn)行診斷。通過借鑒參考文獻(xiàn)[127-128]的基本思想，基于證據(jù)k-最近鄰（EKNN）分類規(guī)則建立FDD模型，對(duì)火力發(fā)電廠的兩個(gè)實(shí)際設(shè)備單元進(jìn)行監(jiān)測(cè)和預(yù)警[129]。

5.總結(jié)

機(jī)器學(xué)習(xí)和數(shù)據(jù)驅(qū)動(dòng)控制方法已被證明是各級(jí)智慧發(fā)電系統(tǒng)運(yùn)行中基于傳統(tǒng)模型方法的比較有希望的替代方法，尤其是對(duì)于不確定性的情況。本文闡述了各層級(jí)的目標(biāo)和主要的不確定性，并回顧了機(jī)器學(xué)習(xí)和數(shù)據(jù)驅(qū)動(dòng)方法如何幫助提高可見性、機(jī)動(dòng)性、靈活性、經(jīng)濟(jì)性和安全性。對(duì)于受隨機(jī)噪聲不確定性影響的動(dòng)態(tài)建模，數(shù)據(jù)驅(qū)動(dòng)系統(tǒng)辨識(shí)方法在推導(dǎo)傳遞函數(shù)和SS 形式的代數(shù)模型方面起著重要作用。此外，當(dāng)大數(shù)據(jù)可用時(shí)，基于機(jī)器學(xué)習(xí)的回歸方法在描述非線性多變量能源系統(tǒng)方面更為有效。除了動(dòng)態(tài)表征外，數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量還可以顯著增強(qiáng)內(nèi)部能量系統(tǒng)的可見性?；诳梢姸刃畔?，調(diào)節(jié)控制水平可以通過對(duì)特定類型的不確定性干擾使用合適的數(shù)據(jù)驅(qū)動(dòng)控制方法來提高設(shè)備的機(jī)動(dòng)性?；谀Ｐ偷牡谝欢煞椒▽?duì)于監(jiān)控多變量控制水平仍然至關(guān)重要，但可以將數(shù)據(jù)驅(qū)動(dòng)方法嵌入MPC 框架中，以增強(qiáng)發(fā)電系統(tǒng)對(duì)模型不確定性的靈活性。經(jīng)濟(jì)性規(guī)劃嚴(yán)重依賴機(jī)器學(xué)習(xí)方法來適應(yīng)受各種不確定性影響的大規(guī)模能源系統(tǒng)優(yōu)化問題。為了在未知故障情況下提高系統(tǒng)安全性，數(shù)據(jù)驅(qū)動(dòng)的DS理論只有在正常運(yùn)行數(shù)據(jù)可用時(shí)，在發(fā)電系統(tǒng)故障診斷中顯示出巨大的潛力。目前，EMPC仍然嚴(yán)重依賴于過程模型，并且關(guān)于將機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)為監(jiān)督和規(guī)劃級(jí)別組合的研究很少。此外，與機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)的蓬勃發(fā)展相比，最新的機(jī)器學(xué)習(xí)算法（如深度學(xué)習(xí)）與當(dāng)前智慧發(fā)電系統(tǒng)中的應(yīng)用存在很大差距。阻礙EMPC進(jìn)一步應(yīng)用的主要困難是在線優(yōu)化所需的巨大計(jì)算時(shí)間。EMPC的高效計(jì)算是未來研究的一個(gè)重要課題。這個(gè)被低估但令人興奮的話題仍處于發(fā)展的初級(jí)階段。機(jī)器學(xué)習(xí)和數(shù)據(jù)驅(qū)動(dòng)方法在提高電力系統(tǒng)效率方面具有巨大潛力，是電力系統(tǒng)實(shí)現(xiàn)可持續(xù)發(fā)展的未來。

圖3.DS理論框架下的數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)和診斷。

致謝

感謝蘇志剛博士、Ralph Wang和Shreya Vaidyafor對(duì)本文的貢獻(xiàn)和反饋。

Compliance with ethics guidelines

Li Sun and Fengqi You declare that they have no con‐flict of interest or financial conflicts to disclose.