人工智能技術(shù)在電力行業(yè)的應(yīng)用現(xiàn)狀和發(fā)展趨勢(shì)初探

李越茂，姚 楓，宋佩珂

(中國電力工程顧問集團(tuán)西南電力設(shè)計(jì)院有限公司，四川 成都 610021)

0 引言

人工智能(Artificial Intelligence)是研究人的智能活動(dòng)規(guī)律，并模擬和實(shí)現(xiàn)人類智能行為的一門科學(xué)。人工智能是一門綜合性和交叉性的學(xué)科，與經(jīng)濟(jì)學(xué)、政治學(xué)、心理學(xué)、哲學(xué)、社會(huì)學(xué)等密切相關(guān)?，F(xiàn)階段，人工智能技術(shù)主要應(yīng)用在專家系統(tǒng)、計(jì)算機(jī)視覺、自然語言處理、智能機(jī)器人，以及人工神經(jīng)網(wǎng)絡(luò)等領(lǐng)域。

人工智能技術(shù)誕生于上世紀(jì)40年代，從最初的神經(jīng)網(wǎng)絡(luò)、模糊邏輯，到近期的深度學(xué)習(xí)、圖像識(shí)別，經(jīng)歷了從爆發(fā)、低谷，到重新突破，直到2010年后進(jìn)入發(fā)展高峰，得到各國政府和民間組織的廣泛重視，如圖1所示。

圖1 人工智能的發(fā)展歷程

本文全面分析機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、專家系統(tǒng)、計(jì)算機(jī)視覺，以及智能機(jī)器人等先進(jìn)的人工智能技術(shù)在電力工程的規(guī)劃、設(shè)計(jì)、建設(shè)和運(yùn)維等全生命周期各階段中的應(yīng)用現(xiàn)狀，分析了該技術(shù)在應(yīng)用中存在的問題和不足，并展望了其發(fā)展趨勢(shì)。

1 電力行業(yè)應(yīng)用現(xiàn)狀

人工智能技術(shù)從誕生開始，就受到電力行業(yè)的高度關(guān)注。專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊集理論以及啟發(fā)式搜索等傳統(tǒng)人工智能方法在電力系統(tǒng)中得到了廣泛應(yīng)用[1]。

1.1 電力系統(tǒng)規(guī)劃

系統(tǒng)規(guī)劃專業(yè)技術(shù)人員使用智能化的規(guī)劃軟件開展電力系統(tǒng)規(guī)劃?；陔娏ο到y(tǒng)現(xiàn)狀、負(fù)荷預(yù)測(cè)結(jié)果和電源建設(shè)規(guī)劃，利用積累的電力系統(tǒng)大數(shù)據(jù)，參考類似規(guī)劃案例開展自我學(xué)習(xí)，完成系統(tǒng)規(guī)劃任務(wù)。在規(guī)劃過程中，利用人工智能算法完成電力系統(tǒng)多維變量、多約束條件和非線性多目標(biāo)優(yōu)化等問題的求解，獲取最優(yōu)方案。

1.2 電力市場(chǎng)

1)負(fù)荷預(yù)測(cè)

隨著電力市場(chǎng)向需求和供給縱深發(fā)展，特別是電動(dòng)汽車、新能源的大面積接入，電力市場(chǎng)負(fù)荷預(yù)測(cè)的難度日益困難。利用深度學(xué)習(xí)技術(shù)的特征抽象算法，可以精確地捕捉各類復(fù)雜的環(huán)境、系統(tǒng)因素對(duì)負(fù)荷的影響，大幅提高計(jì)算模型的泛化能力和負(fù)荷預(yù)測(cè)的精度。

采用深度信念網(wǎng)絡(luò)(deep belief network，DBN)和多任務(wù)回歸算法，利用深度結(jié)構(gòu)多任務(wù)學(xué)習(xí)方法，開展綜合能源需求預(yù)測(cè)，很好地解決了電、熱、氣等負(fù)荷的聯(lián)合預(yù)測(cè)。

2)需求響應(yīng)

針對(duì)傳統(tǒng)計(jì)算方法難以建立供需互動(dòng)模型的不足，采用深度遷移強(qiáng)化學(xué)習(xí)技術(shù)，基礎(chǔ)存儲(chǔ)的歷史任務(wù)有效信息，利用高精度的非線性遷移學(xué)習(xí)算法，快速獲得需求響應(yīng)的最理想的解。

3)電價(jià)預(yù)測(cè)

電價(jià)因受到各種因素的影響持續(xù)波動(dòng)，當(dāng)前階段業(yè)內(nèi)普遍采用的基于時(shí)序的線性預(yù)測(cè)模型很難滿足精確的電價(jià)預(yù)測(cè)的需要。隨著人工智能技術(shù)的發(fā)展，綜合考慮能源供需關(guān)系、歷史電價(jià)水平、社會(huì)經(jīng)濟(jì)發(fā)展水平等因素，利用高級(jí)機(jī)器學(xué)習(xí)技術(shù)開展樣本學(xué)習(xí)，采用隨機(jī)鄰居嵌入技術(shù)和降噪堆疊自編碼器(stacked autoencoderm，SAE)，預(yù)測(cè)電價(jià)短期和長(zhǎng)期的發(fā)展。

4)智慧充電

近年來，隨著電動(dòng)汽車大量投入使用，國內(nèi)新建了很多充電設(shè)施，但是任然存在充電費(fèi)用高企的情況。在實(shí)踐中，利用高級(jí)機(jī)器學(xué)習(xí)理論，采用深度神經(jīng)網(wǎng)絡(luò)算法計(jì)算出最優(yōu)化的充電控制策略，使電動(dòng)汽車充電整體成本最低，并有效維持區(qū)域電力系統(tǒng)的持續(xù)穩(wěn)定運(yùn)行。

1.3 勘察設(shè)計(jì)

1)方案設(shè)計(jì)

將人工智能技術(shù)應(yīng)用到電力工程的設(shè)計(jì)過程中，自動(dòng)生成設(shè)計(jì)方案，完成對(duì)設(shè)計(jì)方案的自動(dòng)檢查。設(shè)計(jì)前期階段的可行性研究工作，用戶喜好分析報(bào)告等可以通過人工智能技術(shù)完成，利用強(qiáng)大的人工智能系統(tǒng)自動(dòng)生成多種設(shè)計(jì)方案，并給出各方案的多指標(biāo)量化比較結(jié)果，供設(shè)計(jì)人員選擇。根據(jù)每個(gè)項(xiàng)目的不同建設(shè)規(guī)模、外部條件和業(yè)主需求，實(shí)時(shí)智能設(shè)計(jì)并排序推薦，利用機(jī)器計(jì)算枚舉出海量可能的設(shè)計(jì)方案。人工智能技術(shù)替代設(shè)計(jì)人員的工作，將設(shè)計(jì)人員從簡(jiǎn)單重復(fù)性的勞動(dòng)中解放出來，可以將更多的精力投入到設(shè)計(jì)方案的優(yōu)化中，最大限度地提高設(shè)計(jì)方案的質(zhì)量。

2)分析計(jì)算

在電力工程設(shè)計(jì)的傳統(tǒng)計(jì)算中，引入人工智能相關(guān)算法，可以得到更加精確的計(jì)算結(jié)果，更好地服務(wù)工程設(shè)計(jì)工作。

基于遺傳—模擬退火算法、遺傳—改進(jìn)BP(back propagation)神經(jīng)網(wǎng)絡(luò)，建立邊坡工程穩(wěn)定性分析評(píng)價(jià)系統(tǒng),實(shí)現(xiàn)一定程度的邊坡穩(wěn)定性和變形的研究智能化。對(duì)圓弧滑動(dòng)面的圓心、半徑進(jìn)行遺傳進(jìn)化計(jì)算,克服傳統(tǒng)方法易陷入局部最優(yōu)解的缺點(diǎn),具有很好的重復(fù)性[2]。

3)設(shè)計(jì)校審

CAD圖紙和數(shù)字化設(shè)計(jì)模型校審難度大、效率低，不能可靠地保證設(shè)計(jì)模型的質(zhì)量，因此需要智能化計(jì)算機(jī)工具協(xié)助設(shè)計(jì)師完成設(shè)計(jì)校審等工作。人工智能檢查工具能夠全方面、高效率、客觀地針對(duì)模型進(jìn)行檢查，如清華大學(xué)軟件學(xué)院研發(fā)的BIMChecker工具。它主要用于對(duì)BIM模型的智能檢查，能夠精確評(píng)價(jià)模型的質(zhì)量，找出其中存在的問題并做出反饋[1]。

4)設(shè)計(jì)管理

將深度學(xué)習(xí)理論融入到電力工程的設(shè)計(jì)管理工作中，讓計(jì)算機(jī)模擬項(xiàng)目管理人員來處理項(xiàng)目設(shè)計(jì)管理環(huán)節(jié)的相關(guān)事宜，自動(dòng)觸發(fā)事件處理機(jī)制，可以有效增強(qiáng)設(shè)計(jì)管理效能，創(chuàng)新管理機(jī)制，進(jìn)一步提高電力工程設(shè)計(jì)的合理性、科學(xué)性，確保項(xiàng)目的順利推進(jìn)。

5)工程造價(jià)

在電力工程造價(jià)編制中，嘗試采用粒子群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)、案例推理等智能方法，通過粒子數(shù)目、進(jìn)化代數(shù)和慣性權(quán)重的設(shè)置，持續(xù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)果參數(shù)，獲得科學(xué)合理的神經(jīng)網(wǎng)絡(luò)參數(shù)值，建立項(xiàng)目智能估價(jià)計(jì)算模型，精準(zhǔn)預(yù)測(cè)工程造價(jià)。

6)專家系統(tǒng)

專家系統(tǒng)是基于某一特定領(lǐng)域大量的專業(yè)知識(shí)和經(jīng)驗(yàn)開發(fā)的智能化程序。專家系統(tǒng)模擬人的思維過程，自動(dòng)完成推理和判斷。專家系統(tǒng)一般由知識(shí)庫和推理機(jī)兩部分組成。專家系統(tǒng)將前期專家經(jīng)驗(yàn)與計(jì)算機(jī)技術(shù)的結(jié)合，可廣泛地應(yīng)用在工程設(shè)計(jì)成果的智能校審和評(píng)審，大幅提高電力工程校審、評(píng)審的自動(dòng)化和規(guī)范化程度。

1.4 施工管理

電力工程施工階段是資源投入量最大的階段，現(xiàn)場(chǎng)影響因素復(fù)雜多變，將人工智能技術(shù)應(yīng)用到施工領(lǐng)域中，建設(shè)智慧工地管理系統(tǒng)，實(shí)現(xiàn)對(duì)現(xiàn)場(chǎng)工人的全面安全管理，實(shí)現(xiàn)項(xiàng)目的規(guī)范化、科學(xué)化管理。

1)質(zhì)量管理

電力工程施工中由于其資源投入量大、工序繁多且復(fù)雜、管理手段不夠成熟，要很好地保證施工質(zhì)量，需要項(xiàng)目參與方付出非常大的努力。借助人工智能技術(shù)，對(duì)原材料、施工過程、施工產(chǎn)品進(jìn)行質(zhì)量監(jiān)測(cè)，全面排除質(zhì)量問題，使質(zhì)量管理更加精細(xì)化。

2)安全管理

工人的管理是現(xiàn)場(chǎng)安全管理的重要對(duì)象，施工現(xiàn)場(chǎng)由于環(huán)境復(fù)雜、危險(xiǎn)因素多，部分工人對(duì)危險(xiǎn)源認(rèn)識(shí)模糊，容易發(fā)生安全事故。人工智能技術(shù)可以協(xié)助管理人員了解現(xiàn)場(chǎng)安全情況，監(jiān)測(cè)工人工作狀態(tài)，促進(jìn)現(xiàn)場(chǎng)管理規(guī)范化，實(shí)現(xiàn)對(duì)工程建設(shè)過程的高效化管理。

1.5 能源供應(yīng)

隨機(jī)性和波動(dòng)性很強(qiáng)的光伏和風(fēng)電的大量接入，是當(dāng)前電力系統(tǒng)的主要特征?，F(xiàn)階段應(yīng)用較多的淺層預(yù)測(cè)模型對(duì)于具有非線性、非平穩(wěn)特征的光伏和風(fēng)電數(shù)據(jù)的預(yù)測(cè)性能不強(qiáng)，下階段，需要更好地應(yīng)用人工智能技術(shù)，深度辨識(shí)并高效處理海量、高維和多元數(shù)據(jù)，全面感知和預(yù)測(cè)多時(shí)間尺度問題。

1.6 電力系統(tǒng)安全與控制

1)電力系統(tǒng)穩(wěn)定評(píng)估

近年來，電力系統(tǒng)規(guī)模大幅增加，網(wǎng)架結(jié)構(gòu)大幅增強(qiáng)，其動(dòng)態(tài)特性變得越來越復(fù)雜，安全性與魯棒性之間的矛盾也越來越顯著，對(duì)電力系統(tǒng)安全穩(wěn)定評(píng)估的要求越來越高。利用深度學(xué)習(xí)算法，構(gòu)建具備強(qiáng)大自我學(xué)習(xí)能力的SAE，DBN和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)深層模型，自動(dòng)提取電力系統(tǒng)的數(shù)據(jù)特征，對(duì)數(shù)據(jù)進(jìn)行分類和評(píng)估，提高穩(wěn)定評(píng)估的準(zhǔn)確率。

2)電力系統(tǒng)控制與優(yōu)化

針對(duì)復(fù)雜電網(wǎng)，其輸入輸出數(shù)據(jù)的關(guān)聯(lián)性強(qiáng)、維數(shù)多，難以獲得較完善的控制和優(yōu)化策略。利用深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)的理論，制定電網(wǎng)切機(jī)控制策略，大幅提升算法對(duì)系統(tǒng)的認(rèn)知能力，實(shí)現(xiàn)電力系統(tǒng)中多智能體的互博弈水平，優(yōu)化控制策略。

3)入侵檢測(cè)

電力系統(tǒng)的信息化智能化在有效改善智能電網(wǎng)的監(jiān)測(cè)與控制效果的同時(shí)，也增加了被惡意攻擊的可能性[1]。目前，有學(xué)者研究，利用深度學(xué)習(xí)算法引入虛假數(shù)據(jù)，將該數(shù)據(jù)注入攻擊實(shí)時(shí)檢測(cè)，并采用Gaussian-Bernoulli受限玻爾茲曼機(jī)，利用數(shù)據(jù)的實(shí)時(shí)測(cè)量來分析攻擊行為，并通過捕獲的特征檢測(cè)攻擊行為。

4)電力系統(tǒng)調(diào)度與能源調(diào)度

電力系統(tǒng)調(diào)度需要統(tǒng)籌協(xié)調(diào)發(fā)電、輸電、變電和配電各環(huán)節(jié)的行為，解決多時(shí)序、多參數(shù)相互協(xié)調(diào)優(yōu)化的問題。對(duì)于此類復(fù)雜計(jì)算，需要人工智能技術(shù)的深度介入，特別是遷移學(xué)習(xí)的算法。針對(duì)大規(guī)模復(fù)雜電網(wǎng)普遍存在的風(fēng)險(xiǎn)調(diào)度問題，可以采用強(qiáng)化學(xué)習(xí)和細(xì)菌覓食算法相結(jié)合的方法，結(jié)合知識(shí)遷移技術(shù)，大幅提高學(xué)習(xí)速度，解決電力系統(tǒng)調(diào)度與能源調(diào)度算法優(yōu)化的問題。

1.7 運(yùn)維與故障診斷

1)在線監(jiān)測(cè)

因變電站、換流站中的電力設(shè)備普遍都具備的明顯特征，包括顏色、材質(zhì)和紋理等。利用計(jì)算機(jī)視覺技術(shù)的圖像處理和識(shí)別能力，對(duì)采集到的設(shè)備圖像進(jìn)行二值化變換后，經(jīng)過差分盒累計(jì)圖像處理，從而判斷該設(shè)備是否發(fā)生故障或不正常。

2)無人巡檢

在變電站中，使用搭載紅外傳感器、電磁感應(yīng)傳感器和高清攝像頭的智能巡檢機(jī)器人，對(duì)電氣設(shè)備進(jìn)行多維度、近距離的觀察和監(jiān)測(cè)。采用無人機(jī)搭載高清攝像儀和紅外傳感器，具備高精度定位和自動(dòng)檢測(cè)識(shí)別功能，利用圖像識(shí)別和紅外傳感技術(shù)，完成對(duì)鐵塔、導(dǎo)地線和絕緣子串的運(yùn)行狀態(tài)監(jiān)測(cè)和安全評(píng)估。

3)圖像識(shí)別

應(yīng)用圖像識(shí)別技術(shù)，實(shí)現(xiàn)對(duì)輸電線路的運(yùn)行狀態(tài)和覆冰情況的實(shí)時(shí)監(jiān)測(cè)，自動(dòng)識(shí)別大型機(jī)械靠近作業(yè)、飄掛物、覆冰、大風(fēng)產(chǎn)生的導(dǎo)線舞動(dòng)以及在高負(fù)荷狀態(tài)時(shí)出現(xiàn)的弧垂增大等異常情況的發(fā)生，及早制定應(yīng)急預(yù)案。對(duì)輸電線路覆冰圖像進(jìn)行檢測(cè)和分析，實(shí)現(xiàn)絕緣子識(shí)別提取、絕緣子污穢、裂紋、覆冰檢測(cè)等方面[3]。

而變電站的圖像識(shí)別，主要通過安裝紅外與可見光攝像頭實(shí)現(xiàn)變電站遠(yuǎn)程圖像、遠(yuǎn)程監(jiān)控、遙視與安全預(yù)警。

4)智能診斷

傳統(tǒng)的電力系統(tǒng)故障診斷利用經(jīng)驗(yàn)判斷和人工特征提取技術(shù)，適用范圍較小。采用深度學(xué)習(xí)方法，研究學(xué)習(xí)數(shù)據(jù)內(nèi)在的結(jié)構(gòu)特性，并把學(xué)習(xí)到的特征信息全面融合到建模過程，有效地避免傳統(tǒng)特征提取的復(fù)雜性和人為設(shè)計(jì)特征的不充分性。

2 存在的問題與不足

近年來，隨著電動(dòng)汽車、分布式電源和儲(chǔ)能設(shè)施等多特性終端的大量接入，電力系統(tǒng)表現(xiàn)出復(fù)雜非線性、不確定性和時(shí)空差異等特性。傳統(tǒng)的人工智能技術(shù)在電力系統(tǒng)各環(huán)節(jié)的應(yīng)用中，普遍呈現(xiàn)出基礎(chǔ)數(shù)據(jù)薄弱、數(shù)據(jù)質(zhì)量不高、數(shù)據(jù)壁壘較多、算法適應(yīng)性不強(qiáng)、算力不足、計(jì)算穩(wěn)定性不足、識(shí)別技術(shù)不成熟等問題。

1)基礎(chǔ)數(shù)據(jù)薄弱

目前，各環(huán)節(jié)、各企業(yè)數(shù)據(jù)總體多，但是缺少針對(duì)單一應(yīng)用場(chǎng)景數(shù)據(jù)量不足的問題普遍存在。造成人工智能技術(shù)的應(yīng)用往往受限于圖像識(shí)別等通用應(yīng)用場(chǎng)景，缺少專用的如ImageNet標(biāo)準(zhǔn)庫的專業(yè)應(yīng)用基礎(chǔ)庫，數(shù)據(jù)的泛化能力較薄弱。

2)數(shù)據(jù)質(zhì)量不高

數(shù)據(jù)質(zhì)量是決定人工智能技術(shù)是否能成功應(yīng)用的關(guān)鍵因素。然而，現(xiàn)階段，如設(shè)備調(diào)試結(jié)果、運(yùn)行狀態(tài)等數(shù)據(jù)的存儲(chǔ)形式各異、質(zhì)量參差不齊，經(jīng)常發(fā)生數(shù)據(jù)缺失、重復(fù)和異常等問題，嚴(yán)重影響電力系統(tǒng)各環(huán)節(jié)計(jì)算執(zhí)行效率和計(jì)算結(jié)果的準(zhǔn)確性。

3)異常樣本匱乏

高性能機(jī)器學(xué)習(xí)模型對(duì)于訓(xùn)練樣本的數(shù)量存在較高的要求。但是在實(shí)際工作中，由于輸變電工程運(yùn)維管理狀況良好，電力設(shè)備故障多為小概率事件，加之相關(guān)案例報(bào)告記錄信息不全面，導(dǎo)致非正常狀態(tài)的設(shè)備樣本數(shù)量十分匱乏，并進(jìn)一步造成非均衡數(shù)據(jù)集的出現(xiàn)，制約著機(jī)器學(xué)習(xí)模型的訓(xùn)練效果[4]。

4)數(shù)據(jù)壁壘較多

電力設(shè)備狀態(tài)檢修所需的數(shù)據(jù)來源于不同的業(yè)務(wù)部門與信息平臺(tái)，難以實(shí)現(xiàn)跨平臺(tái)的數(shù)據(jù)交互與共享，呈現(xiàn)數(shù)據(jù)壁壘，大大增加了獲取完整數(shù)據(jù)樣本的難度，難以滿足評(píng)估環(huán)節(jié)大體量、多源化的數(shù)據(jù)需求。同時(shí)，數(shù)據(jù)的標(biāo)注和理解還存在諸多問題。當(dāng)前階段，很多能被人工智能技術(shù)應(yīng)用的數(shù)據(jù)目前還需要經(jīng)過人工標(biāo)注，這就需要耗費(fèi)大量的人力。

5)算法適應(yīng)性不強(qiáng)

近年來，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)，以及強(qiáng)化學(xué)習(xí)等算法在電力系統(tǒng)規(guī)劃和安全控制等方面獲得了應(yīng)用。但是，對(duì)于如智能調(diào)度、電力交易和故障等具有較強(qiáng)行業(yè)特色和復(fù)雜場(chǎng)景的應(yīng)用環(huán)節(jié)的計(jì)算模型還停留在簡(jiǎn)單的幾類模型的疊加層面上，基于深度學(xué)習(xí)的算法適應(yīng)性不強(qiáng)，建模和計(jì)算需要耗費(fèi)大量時(shí)間和資源。

6)訓(xùn)練方式不科學(xué)

當(dāng)前在電力系統(tǒng)的各項(xiàng)應(yīng)用中，深度學(xué)習(xí)模型大多基于無監(jiān)督學(xué)習(xí)方式建立。在此方式下，先使用無監(jiān)督學(xué)習(xí)開展預(yù)訓(xùn)練，再采用有監(jiān)督方式對(duì)模型進(jìn)行微調(diào)，因?yàn)槲⒄{(diào)時(shí)涉及的參數(shù)較多，花費(fèi)的時(shí)間也比較長(zhǎng)。

7)算力不足

在電力系統(tǒng)規(guī)劃、負(fù)荷預(yù)測(cè)，以及故障診斷等應(yīng)用中，需要大量高性能智能硬件計(jì)算能力的支撐。但是，現(xiàn)階段，缺少高質(zhì)量、高計(jì)算能力的類人行為的智能處理芯片、硬件模塊和計(jì)算軟件，造成目前涉及人工智能的數(shù)據(jù)處理量大和計(jì)算響應(yīng)慢等問題的普遍存在。

8)計(jì)算穩(wěn)定性不足

電力系統(tǒng)的穩(wěn)定關(guān)系國計(jì)民生，對(duì)計(jì)算結(jié)果可靠性的要求極高，但是現(xiàn)階段，機(jī)器學(xué)習(xí)、推理機(jī)和圖像識(shí)別等技術(shù)普遍存在穩(wěn)定性不足的問題，容易發(fā)生辨識(shí)錯(cuò)誤，給計(jì)算結(jié)果的準(zhǔn)確性帶來較大的負(fù)面影響。

9)計(jì)算方法缺乏可解釋性

目前，為了更快地獲取計(jì)算結(jié)果，大部分基于人工智能的應(yīng)用未建立詳細(xì)的系統(tǒng)模型，對(duì)計(jì)算過程的介入較淺，很少將計(jì)算模型和物理模型進(jìn)行關(guān)聯(lián)分析，計(jì)算的過程和結(jié)果缺少交互性和可操作性，造成計(jì)算方法的可解性較低，非項(xiàng)目密切參與者很難了解計(jì)算過程。

10)小樣本數(shù)據(jù)學(xué)習(xí)技術(shù)亟需突破

現(xiàn)有人工智能技術(shù)的應(yīng)用，多基于大數(shù)據(jù)分析開展。人工智能計(jì)算過程又被高維海量數(shù)據(jù)所困，不得不采用主成分分析法或拉普拉斯特征映射(LE)等方法進(jìn)行降維和降噪。反觀能源應(yīng)用場(chǎng)景，如故障診斷、異常用能行為檢測(cè)等，一段時(shí)間內(nèi)可獲取數(shù)據(jù)仍屬于小樣本集，并不具備大數(shù)據(jù)條件[5]。

11)視覺場(chǎng)景識(shí)別不成熟

人工智能在計(jì)算機(jī)視覺領(lǐng)域的物體場(chǎng)景識(shí)別方面的應(yīng)用還不夠成熟，存在一定的失誤率。圖像識(shí)別技術(shù)雖然標(biāo)準(zhǔn)數(shù)據(jù)的識(shí)別中表現(xiàn)得非常優(yōu)異，但是在變電站和輸電線路等所處的自然環(huán)境下，因?yàn)榕臄z角度、所處背景、自然光線等因素的綜合影響，圖像識(shí)別的結(jié)果存在較大的差異。

12)專家系統(tǒng)較薄弱

現(xiàn)階段，各行業(yè)專家系統(tǒng)都存在知識(shí)庫單薄，判斷條件和依據(jù)欠缺，規(guī)程規(guī)范約束條件量化程度較低，推理機(jī)算法不成熟等不足。在專家系統(tǒng)的應(yīng)用過程中，普遍存在基礎(chǔ)數(shù)據(jù)多、獲取的知識(shí)少，經(jīng)常表現(xiàn)出匹配沖突和組合爆炸等問題。使用單一的知識(shí)表示方法難以完整表現(xiàn)對(duì)象所處領(lǐng)域的知識(shí)結(jié)構(gòu)。知識(shí)自動(dòng)獲取功能不夠完善，知識(shí)的獲取能力較為低下。

3 發(fā)展趨勢(shì)

隨著大數(shù)據(jù)、物聯(lián)網(wǎng)、區(qū)塊鏈和邊緣計(jì)算等技術(shù)的深入發(fā)展，將大數(shù)據(jù)智能、類腦智能、量子智能、群體智能、跨媒體感知、自主協(xié)同控制等關(guān)鍵人工智能技術(shù)應(yīng)用于電力工程的規(guī)劃、設(shè)計(jì)、制造、建設(shè)和運(yùn)維的全生命周期，將是電力行業(yè)的研究重點(diǎn)。

3.1 遷移學(xué)習(xí)的引入

作為一種高級(jí)機(jī)器學(xué)習(xí)方法，遷移學(xué)習(xí)的核心是將一個(gè)預(yù)訓(xùn)練的模型重新用在另一項(xiàng)任務(wù)中。通過使用一個(gè)適用于不同場(chǎng)景，但是卻存在一定相關(guān)性的任務(wù)模型，并且以一種有利的方式縮小搜索范圍，可以較好地適用于具有大量訓(xùn)練深度模型所需的資源和大量預(yù)訓(xùn)練模型數(shù)據(jù)集的情況。目前，遷移學(xué)習(xí)在電力行業(yè)應(yīng)用較少。如何借助遷移學(xué)習(xí)的優(yōu)勢(shì)，更好地服務(wù)于電力系統(tǒng)各環(huán)節(jié)，有望得到深入研究。

3.2 類人行為機(jī)器人的研發(fā)和應(yīng)用

目前，很多變電站均裝備電力機(jī)器人，主要應(yīng)用于自動(dòng)巡檢和設(shè)備帶電維護(hù)等方面，機(jī)器人按照預(yù)先設(shè)定好的程序和路徑完成巡檢作業(yè)，并不具備自主思考的智能行為能力。而人工智能的高級(jí)應(yīng)用，是要將智能傳感、大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)和自然語言處理等技術(shù)深度融合，開發(fā)具備自主思考能力和問題處理能力的類人行為機(jī)器人。因此突破自主學(xué)習(xí)、自主行為等關(guān)鍵技術(shù)，研發(fā)具有類人行為能力的智能機(jī)器人[5]，大面積替代運(yùn)行檢修人員。

3.3 衍生式設(shè)計(jì)的應(yīng)用

衍生設(shè)計(jì)是在需求量化的前提下，把有限的設(shè)計(jì)約束和標(biāo)準(zhǔn)利用發(fā)散式計(jì)算的方式處理，并產(chǎn)生大量成果的一種技術(shù)。衍生式設(shè)計(jì)將設(shè)計(jì)需求由歸納過程轉(zhuǎn)變?yōu)檠堇[過程，減少迭代次數(shù)和耗時(shí)，是數(shù)字化設(shè)計(jì)在智能化方向上的深層次應(yīng)用。在用戶設(shè)計(jì)過程中，設(shè)計(jì)模型可以保留用戶的相關(guān)數(shù)據(jù)，從而來分析和追蹤用戶在整個(gè)人機(jī)交互設(shè)計(jì)流程中主管評(píng)估的演變過程。將衍生式設(shè)計(jì)應(yīng)用于電力工程設(shè)計(jì)中，可以大幅提高設(shè)計(jì)效率，快速生成多個(gè)設(shè)計(jì)方案，并完成量化比選。

3.4 新型監(jiān)測(cè)手段的研究與應(yīng)用

在電力設(shè)備狀態(tài)檢修領(lǐng)域開展人工智能的應(yīng)用技術(shù)研究，其本質(zhì)是實(shí)現(xiàn)多源化狀態(tài)信息的綜合集成與利用。因此，通過研究分布式光纖傳感和電力設(shè)備內(nèi)置機(jī)器人等新型的監(jiān)測(cè)手段來完善更新電力設(shè)備狀態(tài)評(píng)估指標(biāo)體系，實(shí)現(xiàn)全景化監(jiān)測(cè)，對(duì)于直觀準(zhǔn)確地掌握設(shè)備健康狀況以及進(jìn)一步提升人工智能技術(shù)的應(yīng)用效果具有十分重要的意義[4]。

3.5 分布協(xié)同式專家系統(tǒng)的開發(fā)

近年來,專家系統(tǒng)在應(yīng)用時(shí)，其知識(shí)結(jié)構(gòu)、學(xué)習(xí)方法的局限性等問題日漸突出，難以滿足越來越復(fù)雜的電力系統(tǒng)計(jì)算的需要，因此，開發(fā)分布協(xié)同式專家系統(tǒng)，被提上了議事日程。

分布式專家系統(tǒng)把一個(gè)專家系統(tǒng)的功能經(jīng)分解后分布到多個(gè)處理器上并行工作,從而在整體上提高系統(tǒng)的處理效率。而協(xié)同式專家系統(tǒng)是能綜合若干相關(guān)領(lǐng)域多個(gè)方面的單一專家系統(tǒng)互相協(xié)作共同解決一個(gè)更廣領(lǐng)域問題的專家系統(tǒng)。將分布式專家系統(tǒng)與協(xié)同式專家系統(tǒng)相結(jié)合,提出了一種分布協(xié)同式專家系統(tǒng)，實(shí)現(xiàn)邏輯上或物理上分布在不同處理節(jié)點(diǎn)上的若干專家系統(tǒng)協(xié)同求解問題[6]。

4 結(jié)語

人工智能學(xué)科自從誕生之后，技術(shù)理論不斷發(fā)展，應(yīng)用領(lǐng)域不斷延伸[7]。主要技術(shù)包括機(jī)器學(xué)習(xí)、專家系統(tǒng)、模糊邏輯、智能機(jī)器人、圖像處理、自然語言處理及語音識(shí)別等。

近年來，人工智能技術(shù)已被廣泛應(yīng)用于電力行業(yè)的系統(tǒng)規(guī)劃、電力市場(chǎng)、勘察設(shè)計(jì)、施工管理、能源供應(yīng)、電力系統(tǒng)安全與控制，以及運(yùn)維與故障診斷等領(lǐng)域，支撐電力系統(tǒng)的穩(wěn)定與發(fā)展。但是，人工智能技術(shù)在電力系統(tǒng)的應(yīng)用中，還普遍存在基礎(chǔ)數(shù)據(jù)薄弱、數(shù)據(jù)質(zhì)量不高、異常樣本匱乏、訓(xùn)練方式不科學(xué)和算力不足等問題。

隨著以高級(jí)機(jī)器學(xué)習(xí)理論、大數(shù)據(jù)、邊緣計(jì)算等技術(shù)的深入發(fā)展和廣泛應(yīng)用，有望在遷移學(xué)習(xí)、類人機(jī)器人的研發(fā)、衍生式設(shè)計(jì)、新型監(jiān)測(cè)手段、分布協(xié)同式專家系統(tǒng)等方面取得突破進(jìn)展，培養(yǎng)對(duì)高維度、多時(shí)變、非線性問題的強(qiáng)大學(xué)習(xí)和強(qiáng)優(yōu)化處理能力，提高電力系統(tǒng)運(yùn)行的安全性和經(jīng)濟(jì)性。