第1章 人工智能在电气工程中的应用现状
1.1 人工智能的定义与发展史
人工智能（artificial intelligence，AI）是计算机科学中的一个分支，旨在开发能够模拟和实现人类智能的技术和算法[1]。人工智能技术早期的发展主要集中在专家系统和机器学习领域，但随着大数据和云计算技术的发展、深度学习和自然语言处理等技术的快速崛起，人工智能正逐步向更广泛的领域渗透。本节将从人工智能的发展历史、基本概念、应用领域和发展趋势等方面进行介绍。
在早期，人工智能被定义为一种可以模拟人类智力的技术，旨在实现像人类一样思考、学习和决策的机器。然而，随着技术的发展，人工智能的定义逐渐扩大，不仅包括了计算机程序的智能化，也包括了智能机器人和自动驾驶汽车等各种应用。
人工智能的发展史可以追溯到1956年，当时，达特茅斯会议（Dartmouth Conference）在美国达特茅斯学院举行，标志着人工智能作为一个学科的起点。在20世纪60年代，专家系统（expert system）开始成为人工智能领域的主流技术，该技术使用基于规则和知识的系统来模拟人类专家的思维过程。20世纪70年代，机器学习（machine learning）开始成为人工智能的重要研究领域，其中*有代表性的是神经网络（neural network）。
20世纪80～90年代，人工智能领域经历了一段低谷期，主要是由于计算机处理速度和存储容量的限制，以及缺乏大规模数据集和算法的限制。然而，2000年以后，随着互联网的普及、移动设备的广泛应用和云计算的发展，大数据技术和深度学习技术逐渐崛起。这些新技术使得人工智能技术在图像识别、语音识别、自然语言处理、机器翻译等方面取得了重大进展。
当人工智能技术开始蓬勃发展时，机器学习被认为是实现人工智能的关键。随着深度学习和强化学习的出现和发展，人工智能的表现水平得到了前所未有的提高，图1-1展示了人工智能、机器学习和强化学习以及深度学习的关系。作为推动电力系统智能化的技术手段，人工智能方法可以有效地建立电力信息到任务信息的映射关系。大量的人工智能方法从不同角度提取数据的信息特征。依据学习过程的差异，用于电力系统的人工智能方法可主要分为深度学习方法与强化学习方法。
深度学习[2]和强化学习[3]是众多人工智能算法中较为**的代表。深度学习通过组合数据的低层特征形成更加抽象的高层表示，以发现数据的分布式特征，由于深度学习强大的特征提取能力，机器能够自动学习和理解数据的特征，从而实现高效的分类、预测和识别等任务。深度学习已经在图像识别、语音识别、自然语言处理和机器翻译等领域取得了显著的成果，近年来也被广泛应用于电力系统感知研究中，如负荷及新能源发电的预测、电力系统稳定性评估、电力系统及电力设备故障诊断等场景。
图1-1 人工智能与机器学习等的关系
强化学习是一种泛在的人工智能方法，已经在游戏、机器人控制和自动驾驶等领域得到广泛应用，其通过和环境的不断交换学习控制策略以*大化特定目标，适合于解决优化决策问题，可被应用于电力系统稳定控制、电压控制以及电力市场优化中。虽然已经有大量人工智能技术在电力系统应用的研究发表，然而，由于人工智能算法的“黑箱”特点及其存在的可解释性差、对数据要求高等特点，以及电力系统对安全性又有着极高的要求，导致当前的工作主要停留在实验室理论研究层面，缺乏真正实际应用于电力系统的相关研究成果。
新能源发电、柔性负荷、电力电子设备的大量接入以及低碳技术的广泛应用推动电力系统朝着智能化方向发展。相比于传统电力系统，智能化电力系统具有更加开放和复杂的特性，且时刻都在产生体量大、结构复杂的数据，传统的物理模型驱动的方法无法完全满足其分析和控制需求。AI技术是当前*具有颠覆性的技术之一，其强大的感知和决策能力可以推动电气工程领域向着智能化的方向发展，有效应对由智能化发展和能源革命所带来的各种挑战[4-8]。
1.2 深度学习和强化学习在电气工程中的应用
2019年3月19日，中央全面深化改革委员会第七次会议审议通过了《关于促进人工智能和实体经济深度融合的指导意见》，习近平总书记在会议讲话中也提出，要促进人工智能和实体经济深度融合，把握新一代人工智能发展的特点，坚持以市场需求为导向，以产业应用为目标，深化改革创新，优化制度环境，激发企业创新活力和内生动力，结合不同行业、不同区域特点，探索创新成果应用转化的路径和方法，构建数据驱动、人机协同、跨界融合、共创分享的智能经济形态。2020年4月，国家发展改革委明确了新基建的范围，指出要深度应用互联网、大数据、人工智能等技术，支撑传统基础设施转型升级。随着科学技术的不断发展和重大发展战略的深入推进，融合互联网、大数据的新一代人工智能技术作为一种先进的技术手段，可以为解决电气工程领域所面临的如设备故障率高、能源消耗过大、人工操作成本高等问题带来新的思路和方法，也是未来电气工程领域智能化研究和应用的重要发展方向。
深度学习和强化学习被众多学者广泛应用于电气工程领域的研究中并且在电气工程智能化发展中大放光彩，它们在推动电气工程智能化发展方面发挥了不可或缺的作用。通过基于人工智能方法的智能化监测、控制和优化技术，可以对电气工程涉及的各个领域实现高效管理，包括电力系统中能源的生产、储能、传输、配电、用电等环节[4]，从而提高电力系统的可靠性、安全性、经济性和环保性[5-8]，人工智能在电气工程智能化领域研究的发展趋势主要包括预测性维护、智能控制、综合能源系统管理、自动化检测、智能优化等方面[9-14]，下面将对基于深度学习和强化学习在电气工程中的应用现状进行详细介绍。
1.2.1 深度学习在电气工程中的应用现状
近年来，智能电表、先进传感装置在电力系统中的不断部署为感知系统状态提供了数据基础，而人工智能算法的不断进步和计算机算力的提升使得深度学习在电气工程相关领域中的应用成为可能。深度学习的概念起源于人工神经网络的研究，但早期的神经网络随着网络层数的增加，会导致目标函数陷入局部*优的情况，无法找到全局*优解[15]。2006年，Hiton[16]提出了一种基于深度置信网络的生成模型，通过逐层预训练初始化网络参数，然后由BP算法微调网络参数，以此解决了多层神经网络模型的参数优化难题，这开启了深度学习的发展序幕。近年来，随着计算机性能的提升，深度学习技术因其强大的特征表示能力在处理电力信息时受到学者的广泛关注。深度学习方法的分类如图1-2所示。该方法适用于较大的数据规模与较难建立映射关系的场景。由于参数的大量堆叠，该类方法不可避免地面临可解释性差、学习效率较低的问题。在普通神经网络的基础上，许多学者提出基于拓扑结构的神经网络[17]或者嵌入物理知识的参数更新方法[18]以提高模型的可解释性与学习效率。参数化的监督模型是电力信息分析的有效途径。
图1-2 深度学习方法的分类
深度学习的基本思想是通过构建多层神经网络，使机器具有自主学习、自适应和自我优化的能力。深度学习是人工智能的一个分支，通过对大数据的分析和学习，能够自动发现数据中的规律和特征，从而实现自动化的判断、决策和预测等功能。图1-3是深度学习的基本结构图，输入数据经过多层神经网络的映射逐层向上抽象学习特征，该过程无须人工参与，通过特定的数学表达，可将特征转化为有价值的信息，指导机器完成学习工作。
图1-3 深度学习基本结构图
在电气工程领域，深度学习主要应用于电力负荷预测、发电预测、电力系统稳定性评估分析、电力系统故障诊断等方面[19]。图1-4展示了深度学习的功能及其在电气工程领域中的应用情况。
图1-4 深度学习的功能及其在电气工程领域的应用
1.基于深度学习的电力负荷预测
电力负荷预测对电网的安全稳定运行有很重要的意义。相较于传统的统计方法和机器学习算法，深度学习具有更强的非线性建模能力和更好的泛化能力，可以更准确地预测未来的电力负荷。深度学习在电力负荷预测中的优点包括：可以处理多维度的数据，如天气、假期等因素的影响；可以自适应地学习数据中的规律和特征，无须手动进行特征工程；具有较高的预测精度和较小的误差。
负荷预测模型的输入变量重点在于历史负荷值、时间标签和温度等特征，而输出可以分为确定值的形式和不确定值的形式。确定值的输出也称为点负荷预测，不确定值以预测区间或概率密度的方式给出未来负荷的不确定信息，也称为概率负荷预测。传统的负荷预测模型都可以进行点负荷预测，近年来由于电网波动性和不确定性的增加，提供可再生能源定量不确定性信息的概率预测有望帮助电能系统的规划、管理和运行，因此大量文献也开始针对概率负荷预测进行研究。确定性预测与概率预测如图1-5所示。
图1-5 确定性预测与概率预测（彩图扫二维码）
概率负荷预测模型可大致分为概率学模型和参数模型两种。概率学模型如贝叶斯模型，以及高斯过程[20]等，以严格的方式量化了预测的不确定性，可以提供丰富的不确定信息，但受限于模型本身的学习能力，预测精度较低。参数模型如神经网络，具有良好的学习能力，近年来基于神经网络的概率负荷预测受到了广泛关注，其主要包括分位数回归神经网络[21]、混合密度网络[22]、贝叶斯神经网络[23]等。
近年来应用于负荷预测领域效果较好的深度学习模型主要有：极限学习机（extreme learning machine，ELM）[24]、长短期记忆（long short-term memory，LSTM）网络[25]、残差网络（ResNet）[26]、深度置信网络（deep belief network，DBN）[27]等，然而单一的预测模型更关注预测的偏差，忽略了预测的稳定性。组合预测模型以及集成学习更关注预测的方差，因此组合预测模型也成为近年来的研究热点。组合模型一般的做法是训练一系列基于简单机器学习和深度学习的基学习器，然后利用一定的组合方法对基学习器进行组合，如基于线性回归的组合模型[28]、基于二次规划的组合预测模型[29]、基于强化学习的集成模型[30]等。另外，由于负荷预测任务中缺少训练样本的情景较为常见，因此小样本学习也成为负荷预测领域比较关注的点。已有学者进行了初步探索，如文献[31]提出的多元核迁移方法利用核函数的灵活性解决迁移过程中的异特征空间问题，文献[32]提出元学习方法解决用户层面的小样本学习问题，文献[33]使用贝叶斯加权概率平均法对迁移知识在有限训练样本下进行组合，有效地消除了负面迁移信息的影响。
2.基于深度学习的新能源发电的预测
不同于负荷预测，新能源预测模型的输入变量重点在于气象因素（如风速、太阳辐射等）、时间标签和历史出力等特征。按输出值的方式分类新能源预测也可分为点预测和概率预测两种，由于负荷预测和新能源概率预测模型较为类似，所以这里不再赘述。新能源预测（如风能预测、太阳能预测、地热能预测等）研究的关键点主要包括特征提取和建立预测模型这两个过程。
新能源发电装置的出力受到气候、自然环境、实时气象因素等多重影响，具有较强的随机性和波动性，因此特征提取对于新能源发电预测至关重要。深度学习模型由于其强大的非线性逼近能力，被广泛用于新能源预测的特征提取过程。特征提取方案如**特征提取法（如相位空间重建、自相关函数、主成分分析等）、深度自动编码器（deep auto-encoder，DAE）[34]、基于循环神经网络（recurrent neural network，RNN）、卷积神经网络（convolutional neural network，CNN）等深度学习法[35， 36]的特征提取已被广泛应用。但气象特征复杂多变，新能源出力受到多种因素影响，如何有效提取输入特征，并有足够的稳健性应对未知的样本值得深入探索。在特征提取的基础上，设计算法拟
展开
