2025年新型电力系统中人工智能应用与扩展报告

艾芊教授上海交通大学 人工智能简介 人工智能模型 人工智能在电力系统中的应用 人工智能延伸 现代电力系统发展态势 人工智能的概念及发展史 新一代人工智能是建立在大数据基础上，受脑科学启发的类脑智能机理综合起来的理论、技术方法形成的智能系统。与之前的人工智能相比新一代人工智能技术是以高性能计算、大数据以及机器学习、深度学习三大技术为支撑的综合性技术。 高性能计算 人工智能简介 人工智能模型 人工智能在电力系统中的应用 人工智能延伸 机器学习 机器学习（machinelearning，ML）是人工智能的一个重要分支，是从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。 迄今为止，已经提出了很多ML算法，其中一些算法得到了广泛的应用。 1990年代，Vapnik和Cortes提出了支持向量机（SVM）模型，SVM在找到称为决策边界的最优超平面，将输入数据点划分为不同的类别 决策树（DT）具有用于决策的树状结构。它基于一系列嵌套规则来进行预测。需要找出每个决策节点的最佳特征和值，便于实现DT训练。 机器学习 人工神经网络（ANN)受神经科学研究的启发，可以通过多层神经元来表示输入和输出之间的关系。并且非线性激活函数的引入使ANN能够拟合非线性关系。 为了加速ANN的训练，Guang-BinHuang在20O4年提出极限学习机（ELM）。ELM有个隐藏层，通过随机权重和偏差与输入层相连。无需送代即可计算连接隐藏层和输出层的最佳权重，相较于基于梯度的训练方法更有效 概率图模型（PGM）是一种基于图表示来表达变量之间关系的概率模型贝叶斯网络和隐马尔可关模型（HMM）分别是有向和无向PGM的典型例子，PGM将学习任务转化为计算图中节点表示的变量的概率分布 机器学习 在大多数ML应用场景中，无标签数据就足够了，但获取标签是一个漫长且费力的过程 监督式学习，非监督学习，半监警学习 输入数据有标签，则为监督式学习输入数据无标签，则为非监督学习输入数据部分有标签，部分无标签，则为半监警学习 因此可以采用主动学习、迁移学习 主动学习是半监督学习的一种形式其中学习算法可以主动向用户/教师（通常称为oracle）香询标签，旨在获得与使用完全监督数据集相似（或更高的性能选定的标记数据成员查追合成基于流的选择性采样和基干池的采样是主动学习的三种典型设置，其中基于池的采样最为常用 对于标记样本不足的问题迁移学习（TL）旨在使用从另一个相关问可题中学到的知识来训练新任务的模型根据传输的内容大致可以分为基于实例的方法、基于特征的方法、基于关系的方法和基于模型的方法四个类别 深度学习 深度学习（DLI是机器学习的一类旨在直接处理高维输入数据并为任务构建端到端模型与传统的浅层MLANN相比，深层神经网络（DNN）具有更多的隐藏层，这使DL具有更强大的表示复杂关系的能力 然而如果没有适当的初始权重，使用反向传播算法训练DNN是不可行的，真到2006年Hinton等人。提出了一种使用深度信念网络（DBN）的贪婪分层预训练方法解决了这个问题，这是DL发展的一个里程碑 卷积神经网络（CNN）通过多对卷积层和池化层作为过滤器的过程可以提取输入图像中不同分辨率的结构特征进行图像识别。 盾环神经网络（RNN）常用于自然语售处理：具中长短期记忆（LSTM）是种常用的RNN，具有用于存储根据门控机制更新的历史的记忆单元记忆单元试图从数据中提取远程关联，使得LSTM在处理长时间序列时表现优于普通RNN。 深度学习 与前述判别模型不同，生成模型用于通过学习现有样本来生成新样本。 生成对抗网络（GAN）由Goodfellow提出，由生成器和鉴别器组成，生成器试图从随机噪声中生成看起来像真实的假图像来欺骗鉴别器，而鉴别器试图区分由生成器生成的合成图像和从数据集中采样的真实图像，他们相互竞意争直到在训练期间达到纳什均衡 Autoencoder（AE）是一种无监督方法，由两个神经网络组成，分别作为编码器和解码器。编码器将输入压缩成较低维度的代码，解码器需要使用代码恢复输入通过最小化输入和输出之间的差异来训练AE，以学习有效的压缩表示规则 作为AE的一种变体变分自编码器VAE）引入了正则化因此输入将被编码为大致服从潜在空间生的多光正态分布的分布这可以看作是对VAE的约束，以确保潜在空间的规律性，从而使VAE在生成过程中能够产生更合理、更有意义的输出 强化学习 与需要标记训练样本的监督学习不同强化学习（RL）可以根据贝尔曼最优原则，通过智能体与环境之间的信息交互来训练智能体 RL问题通常使用马尔可夫决策过程（MDP）建模，其中元素包括状态，行动策略，及奖励。 无模型的RL 无模型强化学习算法分为两类：策略优化和价值优化基干策略优化的RL优化参数化的策略函数具有良好的稳定性和可信度，其中典型的算法包括A2C/A3C、PPO、TRPO等而基于值优化的RL优化对应于状态动作对的值，典型的算法有QLearning、DQNC51等。 典型的基于模型的强化学习算法包括MBMFAlphaZero和WorldModels等 联邦学习 联邦学习是一种分布式机器学习框架，在保证数据隐私安全及合法合规基础上，实现多主体共同建模 根据各参与方数据特征及样本空间的不同，联邦学习分为横向联邦学习，纵向联邦学习联邦迁移学习 横向联邦学习 其中x为特征（feature）为标签（hahel）1为样本（ple）D为参与方：的数据 纵向联邦学习 联邦迁移学习 TrQangYLiuTChenetalFederaredMachineLeaning ConceptandAopicationsinACMTiansactions onintelligentSystemsandTedhnologyvot70o2.Anticle12Feb2079do10.1145/3296981 横向联邦学习过程 纵向联邦学习过程 Stepl参与方训练本地模型，梯度加密上传至服务器Step2服务器聚合模型参数（梯度）SC3服务器返回聚合结果给参与方slep4参与方更新本地模型 Sle加密实体对齐Step2:加密模型训练，AB通过协作者C实现参数的加率交换联邦迁移学习的过程与纵向联邦学习过程相似其中入，B通过安全交互过程的中间结巢共同学习一个模型 服务器聚合模型更新的常用算法为FedAVG即W-Ew，其中，为模型梯度 联邦学习过程中参数的传递使用同态加密、差分隐私保护等加密技术 联邦学习典型应用场景 联邦学习应用实践 电力系统内部用户数据体量魔大，存在数据孤岛现象与信息安全问题 联邦学习可用于解决数据隐私保护问题提供可扩展的分布式机器学习框架 TS ZSuYWang HTLikan efalSerureandEffidrentFSmarGhidwithEdge-CloudCollaborationinlEEFTransactionsonfndustnialTnforanaticsdo-107109/7L20213095506ofhKangaXitinaMyalelalhiefederatedLearogAJnntOptirizatonApproachto.ConlvrwngReputalionandConiract 人工智能简介 人工智能模型 人工智能在电力系统中的应用 人工智能延伸 人工智能在电力系统中的应用 预测效果 基于深度学习的负荷预测 人工智能在电力系统中的应用 基于多阶段并行隐马尔科夫模型的可再生能源出力领测 人工智能在电力系统中的应用 人工智能在电力系统中的应用 基于深度学习的故障诊断 配电网往往采用小电流接地系统，其故障电流并不明显，且配电网中元素及其行为日益复杂，这就给配电网故障特别是单相接地故障的诊断提出了挑战。故障判据不明显是诊断的核心难点。道过深度学习，从运行数据中自适应的提取诊新判据，实现故障检测、辨识和定位。 人工智能在电力系统中的应用 电力系统静态/暂态数字李生仿真 人工智能在电力系统中的应用 基于GAN的负荷随机场景生成 GAN由生成器以及判别端构成生成器旨在通过对网络参数的训练，学习到真实数据的概率分布，而判别器盲在辨别其翰入数据是来自真实数据还是来自生成器所合成的数据，经过交替训练，生成器以及判别器最终达到纳什均衡 在训练过程中，对生成器产生的图片进行随机采样 评价指标选择 多样性指标TSTR，用SVR在GAN合成数据的数据集进行训练在真实数据上进行测试 可靠性指标，RTS用SVR在真实的数据上进行训练，在GAN合成数据的数据集上进行测试。 人工智能在电力系统中的应用 分布式人工智能-多智能体系统的应用 多智能体系统（milti-agentsystem，MAS）也称为多代理系统，由具有自治控制和响应调控指令能力的多个分布式可控单元构成 分布式人工智能的一种应用其的每个智能体能够充分发挥自主性并具有与系统中其他智能体交互，协调达成一致的社会能力 工作流程 上层控制诚知器接收所在代理区域的状态信息 事件处理分发器数据的分类和预处理通信系统：各Aqent之间协商确立最优目标快策器选择适当的决策并制定响应计划效应器，作用于系统运行环境。 下层控制电压控制器频率控制器 人工智能在电力系统中的应用 基于分布式人工智能的能量路由器 设置在外部网络和主动配电网之间的公共连接处，具有能量优化管理、最优潮流控制、电力电子变压、信息聚合服务及风险评估预警等控制功能，是集中优化管理层的核心设备。在稳定运行时，可以根据主动配电网内负荷及各分布式设备的优先级，实现多能流的灵活调配，进行大数据分析和管理 人工智能在电力系统中的应用 基于分布式人工智能的EV优化调度u EV优化控制模型 EV个体 一以充放电费用最小化为目标u(u+l)minPaPAr+C2并兼顾状态转换次数最小化minN自主选择充电计划提交给本地运营商本地运营商 以峰谷差最小化为目标对EV提交的充电计划进行审核选取充电计划并下达给EV智能体配网控制中心 TY无配网调度的EV充电负荷以配网安全为约束无配网调度节点18电压对本地运营商的购电计划进行管控若发现安全约束越限，则提高该时段电价，转移充电负荷 人工智能在电力系统中的应用 人工智能简介 人工智能模型 人工智能在电力系统中的应用 人工智能延伸 人工智能延伸-区块链的应用 虚拟电厂与区块链（Blockchain） 虚拟电广汇聚的客DR在保证并网稳定性的前提下，在选择和交易时应满足公开透明、公平可信、成本低廉的要求这正是虚拟电发展所面临的挑战。而区块链技术与虚拟电的融合，保证各DER获得公平公开的信息，利益得到合理分配，激励其降低成本、参与竞争，激发各单元参与调度的积极性，使真自愿参与系统的维护工作，同时促进各DER积极参与辅助服务市场 区块链的应用 虚拟电厂分层互动型市场机制与区块链可信交易技术实现 人工智能延伸-数字李生 数字李生是综合运用感知、计算、建模等信息技术，通过软件定义，对物理空间进行描述、诊断、预测决策进而实现物理空间与赛博空间的交互映射，敏（引用） 数字李生顶层设计 PSDT旨在通过虚实交互激活电网/设备的多源数据特别是其时空大数据，通过数据挖掘提供高维、量化多层次的视角辅助运管调控相关决策。 科学问题：如何建立数字李生系统并使其 镜像、感知实体系统？ 其研究范畴涉及数据管理、数据建模，数据特征提取分析、数据可视化等多个环节的方案设计：其宏观功能囊括态势感知（监控发生了什么）与虚拟仿真（推演可能诱发什么两大功能：其应用领域覆盖实时监控、故障研判异常检测、优化运行、全生命周期管理等多项具体业务 贺兴，艾芋，天怡，印才明，张东，敏李生在电力系统应用中的机送遇和排战[J/0电网技术202044（6）：2009-2019 基于数字李生技术的细胞-组织框架下电网主体行为及策略研