人工智能技術(shù)在電力行業(yè)中的應(yīng)用

陳岳 何雙伯 楊春 張浥東

摘要：從機器感知、機器思維、機器行為3個方面介紹了人工智能技術(shù)研究體系，總結(jié)了當前比較成熟的人工智能應(yīng)用領(lǐng)域，歸納了人工智能技術(shù)發(fā)展存在的問題。針對電力行業(yè)，闡述了人工智能在故障診斷、負荷預(yù)測、設(shè)備巡檢、智能客服等業(yè)務(wù)領(lǐng)域的研究現(xiàn)狀和取得的成果，指出電力行業(yè)后續(xù)需進一步結(jié)合行業(yè)基礎(chǔ)，挖掘應(yīng)用場景，尋找突破點，利用新技術(shù)改造傳統(tǒng)電網(wǎng)，推動產(chǎn)業(yè)智能化升級。

關(guān)鍵詞：人工智能；電力；故障診斷；負荷預(yù)測；設(shè)備巡檢

中圖分類號：TP18；F407.61文獻標識碼：A文章編號：1003-5168（2021）35-0012-05

Application of Artificial Intelligence Techniques in Electric Power Industry

CHEN YueHE ShuangbaiYANG ChunZHANG Yidong（Energy Development Research Institute， China Southern Power Grid， Guangzhou Guangdong 510663）

Abstract： This paper introduces the artificial intelligence techniques （AI） from tree aspects： machine perception， ma？ chine cognition and machine behavior， and summarizes the current mature applications and the problems in AI devel？ opment. In view of the electric power industry， this paper expounds AI researches and achievements in application areas such as fault diagnosis， load forecasting， equipment inspection， intelligent customer service and so on. It further points out that the power industry should combine with its technology basis to exploit the application scenarios of AI， search for breakthrough points， transform traditional grid by the new information technologies， and promote industrial upgrading.

Keywords： artificial intelligence；electric power industry；fault diagnosis；load forecasting；equipment inspection

人工智能（Artificial Intelligence，AI）也稱機器智能，斯坦福大學(xué)Nilsson教授將其定義為[1]：“人工智能是關(guān)于知識的學(xué)科，即怎樣表示知識以及怎樣獲得知識并使用知識的科學(xué)?！倍槭±砉W(xué)院的Winston教授則認為[2]：“人工智能就是研究如何使計算機去做過去只有人才能做的智能工作?！彪m然人工智能的定義尚未統(tǒng)一，但普遍認為人工智能是計算機科學(xué)中涉及研究、設(shè)計和應(yīng)用智能機器的一個分支[3-5]，是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)[5-6]。

人工智能誕生于1956年的達特茅斯會議[5-7]，經(jīng)歷了兩次繁榮與兩次寒冬的跌宕式發(fā)展。2016年人工智能程序Alpha Go戰(zhàn)勝圍棋世界冠軍李世石[8-10]，使人們受到了人工智能技術(shù)的沖擊，也使人們意識到人工智能是引領(lǐng)未來的戰(zhàn)略性技術(shù)。美國在2016年10月發(fā)布《國家人工智能研究與發(fā)展策略規(guī)劃》[11]，制定了國家人工智能發(fā)展路線和策略。我國于2016—2017年先后印發(fā)了《“互聯(lián)網(wǎng)+”人工智能三年行動實施方案》[12]、《新一代人工智能發(fā)展規(guī)劃》[13]、《促進新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃（2018—2020年）》[14]等文件，積極謀劃人工智能產(chǎn)業(yè)發(fā)展布局，構(gòu)筑我國人工智能發(fā)展的先發(fā)優(yōu)勢。

傳統(tǒng)電力行業(yè)正搶抓人工智能發(fā)展機遇，積極探索人工智能應(yīng)用，推進產(chǎn)業(yè)智能化升級。例如，國家電網(wǎng)和南方電網(wǎng)公司分別進行了許多有效嘗試[15-16]，并與互聯(lián)網(wǎng)企業(yè)合作[17]，深化人工智能應(yīng)用創(chuàng)新。

1人工智能技術(shù)研究體系

人工智能技術(shù)的基本出發(fā)點是模擬人的智能。人的智能包括感知能力、思維能力和行為能力，智能表現(xiàn)為知識獲取能力、知識處理能力和知識運用能力。因此，人工智能研究主要分為3個方面[18]。

1.1機器感知

機器感知方面主要研究機器如何直接或間接獲取知識、使機器具有感知能力，即將輸入的文字、語音、圖像、視頻等自然信息轉(zhuǎn)化為機器語言。具體技術(shù)包括語音識別、圖像識別等識別技術(shù)。

1.1.1語音識別。語音識別讓機器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本，包括學(xué)習(xí)訓(xùn)練和識別兩個階段[19-20]（如圖1所示），涉及特征參數(shù)提取、模型訓(xùn)練、模式匹配等方面的技術(shù)。

語音識別的學(xué)習(xí)訓(xùn)練和識別兩個階段均包括預(yù)處理和特征提取兩個過程。預(yù)處理是對原始語音信息進行去噪、端點檢測、分幀加窗、預(yù)加重等處理；特征提取是計算語音的聲學(xué)參數(shù)，提取反映語音特征的關(guān)鍵參數(shù)信息，如基于時域的幅度、過零率、能量、基于頻域的線性預(yù)測倒譜系數(shù)（Linearity Predicts Cepstrum Coefficients，LPCC）、線譜對（Line Spectrum Pair，LSP）參數(shù)等。

聲學(xué)模型表示一種語言的發(fā)音，反映聲學(xué)、語音學(xué)、環(huán)境的變量、說話人性別差異、口音差異等，體現(xiàn)語音的聲學(xué)特征到音素或字詞的映射關(guān)系。聲學(xué)模型通過對語音語料提取特征參數(shù)后訓(xùn)練而得到，隱馬爾可夫模型（Hidden Markov Model，HMM）是聲學(xué)模型構(gòu)建的主要方法。而語言模型表示一種語言的規(guī)則或語法結(jié)構(gòu)，體現(xiàn)字詞到句子的映射關(guān)系，需使用文本語料訓(xùn)練得到。常用的語言模型為N-gram統(tǒng)計語言模型，該模型主要是根據(jù)已知前（N-1）個詞，預(yù)測第N個詞的發(fā)生概率。

學(xué)習(xí)訓(xùn)練階段的目的是構(gòu)建聲學(xué)模型和語言模型，識別階段則是通過搜索算法和匹配策略，將語音信號的特征參數(shù)與聲學(xué)模型庫、語言模型庫匹配，并輸出相似度最高的結(jié)果。語音識別方法包括模板匹配法、隨機模型法、人工神經(jīng)網(wǎng)絡(luò)法等，其中隱馬爾可夫模型（HMM）是目前最主流、效果最好的語音識別算法[21-22]。

HMM是一種用參數(shù)來描述隨機過程統(tǒng)計特征的概率模型，可看作是一種雙重隨機過程，模型結(jié)構(gòu)如圖2所示。一個是基本的Markov鏈隨機過程，描述狀態(tài)的轉(zhuǎn)移；另一個是描述語音信號統(tǒng)計特性變化的隱含隨機過程。

1.1.2圖像識別。圖像識別是對輸入圖像進行處理、分析和理解的過程，用于識別各種不同模式的目標和對象，如人臉識別、指紋識別、靜脈識別、虹膜識別、文字識別、人體動作識別、步態(tài)識別等。類似于語音識別，圖像識別也分為學(xué)習(xí)訓(xùn)練和識別兩個階段，如圖3所示[23]。

學(xué)習(xí)訓(xùn)練階段對訓(xùn)練樣本進行預(yù)處理、特征提取，形成樣本圖像特征庫；圖像識別階段對輸入的待識別圖像進行預(yù)處理、特征提取后，與樣本圖像特征庫進行特征匹配，獲得識別結(jié)果。圖像預(yù)處理過程去除圖像噪聲、干擾信息等，將原始圖像處理為適合特征提取的形式，包括圖像采樣、圖像增強、圖像恢復(fù)、圖像編碼壓縮、圖像分割、圖像分析描述等[24-25]。圖像特征提取是為了提取到唯一標識圖像特性的特征，包括顏色、紋理、邊緣、區(qū)域形狀、輪廓、空間關(guān)系、像素統(tǒng)計、代數(shù)特征、動態(tài)特征等[26-29]。

圖像識別和特征匹配是利用模式識別方法對提取的圖像特征與圖像特征庫進行相關(guān)處理，判斷是否匹配的過程。常用的方法包括基于決策理論的判別法、結(jié)構(gòu)分解法、漢明距離匹配法、歐氏距離匹配法、基于統(tǒng)計模型的方法等。

1.2機器思維

機器思維方面主要研究機器如何表示、存儲、組織與管理知識，并進行知識推理和問題求解，包括知識工程、專家系統(tǒng)、機器學(xué)習(xí)等方向。

專家系統(tǒng)模擬人類專家求解問題的思維過程求解領(lǐng)域內(nèi)的各種問題，可分為集中式專家系統(tǒng)、分布式專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)、符號系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合的專家系統(tǒng)，是人工智能研究中成效最多的領(lǐng)域，廣泛應(yīng)用于醫(yī)療診斷、文化教育等方面。

機器學(xué)習(xí)主要是研究人類學(xué)習(xí)的機理、人腦思維的過程，利用算法去分析數(shù)據(jù)、學(xué)習(xí)數(shù)據(jù)，隨后對現(xiàn)實世界情況進行判斷和預(yù)測。機器學(xué)習(xí)可分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，具體算法包括特征選擇、回歸算法、決策樹、隨機森林和提升算法、支持向量機（Support Vector Machine，SVM）、聚類算法、最大期望（Expectation Maximization，EM）算法、貝葉斯算法、隱馬爾科夫模型、LDA（Latent Dirichlet Allocation）主題模型等。

深度學(xué)習(xí)是實現(xiàn)機器學(xué)習(xí)的技術(shù)，深度學(xué)習(xí)所得到的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包含大量的神經(jīng)元，如圖4所示。每個神經(jīng)元與大量其他神經(jīng)元相連接，神經(jīng)元間的連接權(quán)重在學(xué)習(xí)過程中進行調(diào)整，如圖5所示。

深度神經(jīng)網(wǎng)絡(luò)分為3類：①前饋深度網(wǎng)絡(luò)，只包含編碼器部分，由多個編碼器層疊加而成，如感知器神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）等；②反饋深度網(wǎng)絡(luò)，只包含解碼器部分，由多個解碼器層疊加而成，如層次稀疏編碼網(wǎng)絡(luò)、反卷積神經(jīng)網(wǎng)絡(luò)等；③雙向深度網(wǎng)絡(luò)，同時包含編碼器和解碼器，通過疊加多個編碼器層和解碼器層構(gòu)成，如深度玻爾茲曼機、深度信念網(wǎng)絡(luò)等。

深度學(xué)習(xí)方法的應(yīng)用使語音識別、圖像識別的準確度提高了10%左右，模式識別能力達到新的高度。Google公司DeepMind團隊采用深度學(xué)習(xí)方法，利用收集到的專業(yè)棋手3 000萬次棋步對Alpha Go系統(tǒng)進行訓(xùn)練，取得了重大成果。

1.3機器行為

機器行為方面主要研究機器如何運用所獲取的知識，通過知識信息處理給出反應(yīng)并付諸行動，包括決策支持系統(tǒng)、機器人學(xué)等方向。

決策支持系統(tǒng)運用分析、決策模型進行輔助決策，綜合利用數(shù)據(jù)倉庫、聯(lián)機分析處理、數(shù)據(jù)挖掘、專家系統(tǒng)等技術(shù)，建立綜合集成型決策支持系統(tǒng)。機器人學(xué)涉及機器人控制、機械運動、機器人工程學(xué)等內(nèi)容，關(guān)注精準控制，即如何在既定時間內(nèi)完成計算并準確地完成相關(guān)動作。

2人工智能技術(shù)發(fā)展現(xiàn)狀

目前，國際上面向特定領(lǐng)域的人工智能取得了突破性進展，比較成熟的應(yīng)用主要集中在4個領(lǐng)域。

2.1機器人

人工智能機器人有聊天機器人、客服機器人等類型，日本的仿人機器人、美國的獵豹機器人、德國的工業(yè)機器人等，都能夠理解人的語言語義并進行對話，還能夠根據(jù)對周圍環(huán)境的感知調(diào)整自己的動作。

2.2語音識別

利用自然語言處理等技術(shù)將語音轉(zhuǎn)換成可處理的信息，作為計算機系統(tǒng)的輸入。目前國內(nèi)在該方面的研究處于國際領(lǐng)先水平，已出現(xiàn)語音開鎖、語音轉(zhuǎn)換、自動翻譯等應(yīng)用?？拼笥嶏w的語音識別技術(shù)已經(jīng)實現(xiàn)了語音實時轉(zhuǎn)換成文字、模仿真人合成發(fā)音、同聲傳譯等功能，未來的配音、速錄、翻譯領(lǐng)域?qū)⒚媾R極大的挑戰(zhàn)。

2.3圖像識別

利用計算機進行圖像處理、分析和理解，匹配不同模式的目標和對象。目前的成熟應(yīng)用有汽車牌照識別、人臉識別、指紋識別、虹膜識別、智能視頻分析等，其在安防、智慧交通等領(lǐng)域已成功應(yīng)用。例如，杭州推出以人工智能為核心的“城市大腦”，能夠自動調(diào)配公共資源，修正城市運營中出現(xiàn)的問題。

2.4專家系統(tǒng)

專家系統(tǒng)能應(yīng)用人類專家的豐富知識，解決人類專家難以解決的問題，而且能幫助人類專家發(fā)現(xiàn)推理過程中出現(xiàn)的差錯。在礦物勘測、化學(xué)分析、規(guī)劃和醫(yī)學(xué)診斷方面，專家系統(tǒng)幾乎已經(jīng)達到了人類專家的水平。

3存在的問題

盡管經(jīng)過60年的發(fā)展，人工智能在模式識別、知識工程、機器人等領(lǐng)域取得了巨大進步，但當前仍處于弱人工智能階段，即僅擅長單項能力的確定性（模擬人類的邏輯思維）人工智能，離真正的人類智能還相差甚遠。中科院院士譚鐵牛認為：“現(xiàn)有的人工智能系統(tǒng)，有智能沒智慧，有智商沒情商，會計算不會算計，有專能無全能?！?/p>

強人工智能（即比肩于人類腦力活動的人工智能）的研究處于停滯不前的狀態(tài)，模擬人類的不確定性智能（形象思維）方面始終沒有取得進展。

受限于圖靈機與馮·諾依曼體系結(jié)構(gòu)，目前的人工智能系統(tǒng)在感知、認知、行為等多方面都存在瓶頸，幾乎所有的人工智能系統(tǒng)都需要對求解的問題進行人工建模，轉(zhuǎn)化為一類特定的計算問題（如搜索、自動推理、機器學(xué)習(xí)等）后再進行處理，問題求解的自動建模還有待突破。

大數(shù)據(jù)分析推動了特定領(lǐng)域人工智能的快速發(fā)展，但大量的數(shù)據(jù)是“生數(shù)據(jù)”，摻雜了很多噪聲、虛假信息、垃圾信息等。機器學(xué)習(xí)方法對于生數(shù)據(jù)處理的魯棒性差于預(yù)處理后的數(shù)據(jù)處理。深度學(xué)習(xí)算法的實現(xiàn)依賴于特定領(lǐng)域大量人工標記的樣本或較多的人工干預(yù)，系統(tǒng)對新環(huán)境與新問題需要建立不同的算法，難以推廣到不同領(lǐng)域，難以自適應(yīng)和自動遷移。

模式識別與語言理解對圖像、視頻、語音、自然語言等非結(jié)構(gòu)化數(shù)據(jù)的分析還存在處理機制、效率等方面的不足。現(xiàn)有視覺識別只能理解簡單的場景，識別準確度的提高需要增加深度學(xué)習(xí)的網(wǎng)絡(luò)層數(shù)，也就需要更多的訓(xùn)練時間和訓(xùn)練樣本。語音識別對環(huán)境依賴性過強，即在某種環(huán)境下采集的語音訓(xùn)練系統(tǒng)只能在該種環(huán)境下應(yīng)用。

4人工智能在電力行業(yè)的應(yīng)用

電力行業(yè)比較注重系統(tǒng)的安全、穩(wěn)定、可靠和及時響應(yīng)，當前人工智能在電力行業(yè)的應(yīng)用主要集中于傳統(tǒng)工作方式和技術(shù)的智能化改進、電力系統(tǒng)關(guān)鍵技術(shù)的拓展、多元因素的智能化融合等方面。典型的人工智能應(yīng)用如下。

4.1故障診斷

利用專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)診斷輸電網(wǎng)絡(luò)故障是典型的初期人工智能應(yīng)用，利用保護斷路器的動作邏輯以及運行人員的診斷經(jīng)驗，形成故障診斷專家系統(tǒng)的知識庫，根據(jù)報警信息推理獲得故障診斷的結(jié)論。人工神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于輸電網(wǎng)絡(luò)故障定位和故障類型識別，如基于三層前饋神經(jīng)網(wǎng)絡(luò)、時空神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障定位，基于多層前饋神經(jīng)網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)實現(xiàn)故障類型識別。日本在20世紀90年代開始將人工智能技術(shù)應(yīng)用于電力部門。日本東北電力公司于1987年設(shè)立了人工智能研究所，開展了專家系統(tǒng)研究，開發(fā)了AI技術(shù)應(yīng)用裝置，如水力發(fā)電廠引水壓力鋼管健全度診斷和大修工程選定系統(tǒng)配電設(shè)備恢復(fù)支撐系統(tǒng)等。

近年來的研究熱點在于深度學(xué)習(xí)等人工智能新技術(shù)應(yīng)用方面，如利用深度強化學(xué)習(xí)、對抗學(xué)習(xí)等技術(shù)，對海量配電設(shè)備與計量裝置的健康狀況等進行全方位、多視角在線監(jiān)測、評價與風(fēng)險預(yù)警，實現(xiàn)配用電設(shè)備監(jiān)控狀態(tài)智能檢測與管理。

4.2負荷預(yù)測

Google公司在2016年用機器學(xué)習(xí)算法使其數(shù)據(jù)中心的用電量減少了15%，利用智能算法預(yù)測數(shù)據(jù)中心的冷卻系統(tǒng)并控制設(shè)備的負載，從而使用于冷卻的電量減少了40%。英國國家電網(wǎng)公司為解決電力供應(yīng)平衡問題，與Google公司DeepMind實驗室合作，通過機器學(xué)習(xí)技術(shù)來預(yù)測電力需求和供應(yīng)的高峰，以提高可再生能源利用率。

4.3設(shè)備巡檢

針對傳統(tǒng)人工巡檢方式存在的勞動強度大、工作效率低、安全風(fēng)險高、監(jiān)測質(zhì)量分散等問題，20世紀90年代日本科學(xué)家提出了“電力巡檢機器人”的構(gòu)想，日本東芝等公司和歐美科研院所也開展了相關(guān)研發(fā)工作。相比于國外，國內(nèi)在電力巡檢機器人方面的研發(fā)成果則更多，應(yīng)用也更加廣泛，如利用圖像識別、深度學(xué)習(xí)技術(shù)處理直升機、無人機、巡線巡檢機器人和遙感衛(wèi)星圖像及視頻數(shù)據(jù)，識別設(shè)備缺陷和輸電線路的潛在風(fēng)險。南方電網(wǎng)公司實現(xiàn)了輸電線路絕緣子破損、鳥巢等機巡圖像多類缺陷的自動識別；國家電網(wǎng)公司實現(xiàn)了復(fù)雜環(huán)境中多種電力監(jiān)控目標及其位移、狀態(tài)的識別，研制了電力人工智能硬件模塊FPGA，可集成到巡檢無人機、機器人及監(jiān)控攝像頭中。

利用深度學(xué)習(xí)技術(shù)對設(shè)備狀態(tài)數(shù)據(jù)進行學(xué)習(xí)訓(xùn)練，能夠?qū)崿F(xiàn)對輸變電設(shè)備故障的智能診斷和狀態(tài)評估。國家電網(wǎng)公司研發(fā)了GDJF-2006/2008數(shù)字式局部放電檢測系統(tǒng)，能夠識別包括自由金屬顆粒放電、懸浮電位體放電、絕緣件內(nèi)部氣隙放電等多種典型放電；2016年，江蘇電力公司將深度學(xué)習(xí)與大數(shù)據(jù)結(jié)合，研發(fā)了基于深度學(xué)習(xí)的局放缺陷診斷系統(tǒng)，在10萬余條樣本數(shù)量基礎(chǔ)上，構(gòu)建局放診斷深度神經(jīng)網(wǎng)絡(luò)，實現(xiàn)深度學(xué)習(xí)分析，診斷準確率可達到95%；天津電力公司通過研究基于深度卷積網(wǎng)絡(luò)的局放模型，創(chuàng)建了多維度設(shè)備狀態(tài)智能診斷決策平臺，實現(xiàn)在現(xiàn)有數(shù)據(jù)質(zhì)量下設(shè)備狀態(tài)的自動智能診斷與決策。

在變電站機器人應(yīng)用方面，2016年10月，國家電網(wǎng)泰州供電公司成功部署了基于機器人平臺的變電站安全監(jiān)控系統(tǒng)，通過基于深度學(xué)習(xí)的圖像識別方法對監(jiān)控對象進行智能識別，為巡檢部門提供技術(shù)和管理手段；南方電網(wǎng)中山供電局在2016年研發(fā)了“阿童木”變電站智能操作機器人，可以自動完成10 kV開關(guān)緊急分閘操作。

在電纜隧道無人巡檢方面，鄭州供電公司于2016年依托監(jiān)控大屏及VR可視化平臺、無人巡檢系統(tǒng)，實現(xiàn)了地下管線智能化、自動化、無人化巡檢。

4.4智能客服

電力行業(yè)服務(wù)民生，需要面向客戶提供優(yōu)質(zhì)服務(wù)。營業(yè)廳機器人、智能客服是人工智能在電力行業(yè)的典型應(yīng)用。利用語音識別、自然語音處理等技術(shù)，實現(xiàn)智能問答服務(wù)、語音服務(wù)、用戶精準化與差異化服務(wù)等，以此提升服務(wù)質(zhì)量。例如，國家電網(wǎng)公司智能客服機器人“電博士”，為客戶提供專業(yè)電力知識解答；南方電網(wǎng)公司推出營業(yè)廳機器人“小智”，幫助客戶辦理業(yè)務(wù)。

電力行業(yè)是一個涉及環(huán)節(jié)多、覆蓋范圍廣、不確定性因素強的龐大復(fù)雜系統(tǒng)。從發(fā)電、輸電、變電、配電再到終端的用電，均包含著典型動態(tài)的多維特性，導(dǎo)致電力行業(yè)控制、運行異常復(fù)雜，需要耗費大量的人力、物力、財力。目前我國已進入大電網(wǎng)、大電廠、大機組、高電壓輸電、高度自動控制的新時代，具備較好的自動化、信息化基礎(chǔ)，人工智能技術(shù)的應(yīng)用將推動整個電力行業(yè)的技術(shù)發(fā)展，提高電力系統(tǒng)運行效率，保障電力系統(tǒng)的安全與穩(wěn)定。

5結(jié)語

當前，人工智能進入高速發(fā)展期，部分專項人工智能已取得重大突破，并已成功應(yīng)用于人類生產(chǎn)生活中。隨著技術(shù)的不斷發(fā)展，專項人工智能的覆蓋面將越來越廣，能力將越來越強。

電力行業(yè)根據(jù)自身的特點和已具備的自動化、信息化基礎(chǔ)能力，結(jié)合傳統(tǒng)電力技術(shù)，在人工智能應(yīng)用方面開展了較多研究和探索，取得了較多有價值的研究成果。目前，電力行業(yè)在云計算、大數(shù)據(jù)等新技術(shù)發(fā)展方面形成了較好的積累，具備與人工智能技術(shù)同步發(fā)展的良好條件。電力行業(yè)未來的發(fā)展方向主要在于優(yōu)化和預(yù)測，而人工智能正好能夠針對資源配置、多源信息融合、能源互聯(lián)等方面提供獨特的解決方案。電力行業(yè)需緊跟人工智能技術(shù)的研究進展，結(jié)合行業(yè)基礎(chǔ)，挖掘應(yīng)用場景，利用人工智能技術(shù)改造升級傳統(tǒng)電網(wǎng)，促進生產(chǎn)方式轉(zhuǎn)變，推動產(chǎn)業(yè)結(jié)構(gòu)變革。

參考文獻：

[1]NILSSON N J.ArtificialIntelligence：ANew Synthesis[M]. SanFrancisco：MorganKaufmannPublishersInc，1998：453-492.

[2]DONNAR.Artificialintelligence： P.H. Winston， （AddisonWesley， Reading， MA， 2nd ed.， 1984）； 527 pages[J].Artificial Intelligence，1985（1）：127-128.

[3]HUTTER M.Universal Artificial Intelligence[J].Texts in Theoretical Computer Science An Eatcs，2003（2）：278.

[4]POOLE D L，MACKWORTH A K.Artificial Intelligence： Foundations of Computational Agents[M]. Cambridge：Cambridge University Press，2017：38-56.

[5]Wikipedia.Artificial intelligence[EB/OL].（2018-08-30）[2021-10-31].https：//en.wikipedia.org/wiki/Artificial_intelligence.

[6]百度百科.人工智能[EB/OL].（2021-09-30）[2021-10-31]. https：//baike. baidu. com/item/% E4%BA% BA% E5%B7%A 5%E6%99%BA%E8%83%BD/9180？fr=aladdin.

[7]NILSSON N J. The Quest for Artificial Intelligence： A History of Ideas and Achievements[M].Cambridge：Cambridge University Press，2009：79.

[8]DeepMind.Alpha Go-Google DeepMind.[EB/OL].（2021-09-30）[2021-10-31].https：//deepmind.com/research/alphago/.

[9]SILVER D，HUANG A，MADDISON C J，et al.Mastering the game of Go with deep neural networks and tree search[J]. Nature，2016（1）：484-489.

[10]SILVER D，SCHRITTWIESER J，SIMONYAN K，et al. Mastering the game of Go without Human Knowledge[J].Nature，2017（10）：354-359.

[11]National Science and Technology Council Networking and Information Technology Research and Development Subcom- mittee. the national artificial intelligence research and development strategic plan[EB/OL].（2016-10-30）[2021-10-31].https：// www.nitrd.gov/PUBS/national_ai_rd_str ategic_plan.pdf.

[12]國家發(fā)展改革委，科技部，工業(yè)和信息化部，等.國家發(fā)展改革委、科技部、工業(yè)和信息化部、中央網(wǎng)信辦關(guān)于印發(fā)《“互聯(lián)網(wǎng)+”人工智能三年行動實施方案》的通知[EB/OL].（2016-05-26）[2021-10-31].http：//www.chinacir.com.cn/2016_zcjd/527622.shtml.

[13]國務(wù)院.國務(wù)院關(guān)于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知[EB/OL].（2017-07-20）[2021-10-31]. http：//www. gov. cn/ zhengce/content/2017-07/20/content_5211996.htm.

[14]工業(yè)和信息化部.工業(yè)和信息化部關(guān)于印發(fā)《促進新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃（2018-2020年）》的通知[EB/OL].（2017-12-14）[2021-10-31]. https：//www. miit. gov. cn/ jgsj/kjs/wjfb/art/2020/art_08d153ee9e9d4676aa69d0aa12676ca1. html.

[15]周瑾，周璇，陳欣.江蘇電力公司智能客服機器人在微信平臺上線[EB/OL].（2017-07-04）[2021-10-31].http：//www. chinapower.com.cn/dwyxfw/20170704/83067.html.

[16]陳逸群，朱婷婷.深圳供電局機器人“小智”貼心服務(wù)再也不愁排隊辦業(yè)務(wù)[N/OL].（2017-09-14）[2021-10-31].http：//poll. myzaker.com/article_poll.php？_appid=iphone&pk=59b9e0801bc8 e0aa610000ae&poll_id=1271&target=web3.

[17]林潔，沈甸.南方電網(wǎng)廣東公司牽手百度啟動智慧能源行動計劃[N/OL].（2017-12-20）[2021-10-31].http：//news.cyol. com/yuanchuang/2017-12/20/content_16797430.htm.

[18]劉毅.人工智能的歷史與未來[J].科技管理研究，2004（6）：121-124.

[19]馬志欣，王宏，李鑫.語音識別技術(shù)綜述[J].昌吉學(xué)院學(xué)報，2006（3）：93-97.

[20]侯一民，周慧瓊，王政一.深度學(xué)習(xí)在語音識別中的研究進展綜述[J].計算機應(yīng)用研究，2017（8）：2241-2246.

[21]靳雙燕.基于隱馬爾可夫模型的語音識別技術(shù)研究[D].鄭州：鄭州大學(xué)，2013：1-68.

[22]陳曉霖.基于隱馬爾可夫模型的語音識別方法的研究[D].濟南：山東大學(xué)，2005：1-71.

[23]汪晨，張濤，林為民，等.圖像識別綜述及在電力信息安全中的應(yīng)用研究[J].計算機技術(shù)與發(fā)展，2012（4）：161-164.

[24]蔣樹強，閔巍慶，王樹徽.面向智能交互的圖像識別技術(shù)綜述與展望[J].計算機研究與發(fā)展，2016（1）：113-122.

[25]江貴平，秦文健，周壽軍，等.醫(yī)學(xué)圖像分割及其發(fā)展現(xiàn)狀[J].計算機學(xué)報，2015（6）：1222-1242.

[26]王志瑞，閆彩良.圖像特征提取方法的綜述[J].吉首大學(xué)學(xué)報（自然科學(xué)版），2011（5）：43-47.

[27]吳微，苑瑋琦.手掌靜脈圖像識別技術(shù)綜述[J].中國圖象圖形學(xué)報，2013（10）：1215-1224.

[28]梁路宏，艾海舟，徐光，等.人臉檢測研究綜述[J].計算機學(xué)報，2002（5）：449-458.

[29]胡瓊，秦磊，黃慶明.基于視覺的人體動作識別綜述[J].計算機學(xué)報，2013（12）：2512-2524.