试论人工智能在智能电网中的应用及未来方向研究

庄莉，高伟，郭丽华，王燕淑，宫江伟

（福建亿榕信息技术有限公司，福建福州，350000)

1 人工智能与智能电网

人工智能包含多个方面，是众多学科在不断碰撞下，逐渐交融发展而来的综合学科，其中包括搜索、知识表示、规划推理等板块。人工智能是科学领域的重要代表，其目的是创造出能够帮助人们，作为具有智能水平的智能机器，对于人类发展来说有着重要的进步。浅层机器学习模型，为人工智能的第一批研究模型，由于样本和计算单元有限，使得当时的机器学习无法计算复杂函数，令其泛化能力受到制约[1]。

随着目前科学技术的发展，人工智能也开展了更多的研究，现在的人工智能主要存在四种特点：第一种是具备多隐层网络结构；第二种是可以针对隐层网络，采用无监督、半监督学习算法，进行逐层预训练；第三种是海量学习样本；第四种是从低层特征出发，令智能机器可以自动学习高级特征。在此基础上，从环境到行为映射，智能机器可以进行再励学习，依靠自身的经历和周围的环境，改进行动方案并进行自我学习，进而形成人工智能领域新的研究热点[2]。

2 智慧电网输电装置及应用环节

现如今，国内外尤其是欧美发达国家已经根据自身的电网结构、技术特点等内容对智能电网进行了深入研究与探索。因为各国电网应用状况存在差异，所以针对智能电网提出的定义和理解也有所不同。但从实践角度来看，智能电网主要是指运用信息化技术，让电力生产、输送、变化、分配等模块可以在统一管理中得到合理运用，以此在广泛传递电网信息的同时，保障城市供电的精确性和有效性。

结合如下图1所示的智能电网应用结构图分析可知，我国建设发展提出的“坚强智能电网体系”包含智能电表、智能电网设计、智能发电系统等多项内容，在实践发展中，不仅要满足用户需求和电网安全保障，还要将坚强看作智能电网发展的根基，而智能属于实践技术探讨的核心，只有两者全面融合才能满足现代化智能电网建设发展需求。

而智能电表作为智能电网运行的终端，不仅具备传统电能表所包含的计量功能，为了满足智能电网建设和新能源应用需求，科研学者还利用先进技术理念提出了多种数据传输模式、用户端控制功能、多项多种费率计量功能等[3]。从实践角度来看，智能电表会利用电流互感器或分流器将电流信号，转变成可以利用的小信号，并根据分压电阻或电压互感器将电压信号转变成可测量的小信号，而后结合专用芯片将模拟信号转变成数字信号，并对其实施数字积分运算，由此输出频率和电能是正比例关系的脉冲信号，相应的脉冲信号被传递到微计算机，在经过处理后会呈现在液晶屏幕上[4]。由此可知，基于人工智能设计的智能电表主要包含以下部分：第一，电源模块，主要用来为电能表提供所需的电源；第二，计量模块，会在收集电压电流样本的基础上，利用计量芯片转变成实际电能的数字数据；第三，显示模块，主要用来呈现电量等有关数据信息；第四，通信模块，主要用来与主机传递信息，属于数据传输的主要通道；第五，安全模块，主要用来保障数据传输的安全性能；第六，时钟模块，主要为系统运行提供实时的时钟信息，可以作为电量冻结和切换费率的有效依据；第七，储存模块，主要用来存储与电能表有关的各项参数、电压电流，数量、历史数据等[5]；第八，通断电模块，主要用来合理管控用户的停送电。

图1 智慧电网应用环节

3 当前智能电网中人工智能的使用情况

3.1 智能电网中电力系统故障诊断

作为智能电网自愈过程的主要环节，对于智能电网的构建来说，有着重要作用。电力系统故障诊断可以分为三个级别，分别为系统级、器件级，以及设备级，根据电网的受损情况，合理选择故障诊断方法。在传统方法的使用中，通常会根据电网的时频特性，以物理手段获取故障特征，虽然在电力工业中发挥了较大作用，但是在复杂故障的处理中，无法对故障进行深入诊断，且其适用范围有限。为此，可以基于人工智能技术，并将该技术应用于故障诊断。

3.2 智能电网电力负荷预测

当智能电网中出现电力负荷的情况时，会为整个电网的建设带来负面影响，负荷预测是电网运行的基础，在传统方法的使用下，存在难以获取数据、模型结构复杂等问题，针对这些问题，目前的负荷预测方法可分为：前馈神经网络、回归树SVM等方法，这些方法主要采用变分模态分解原理，结合经粒子群算法，将历史负荷序列逐步分解，并优化电荷重组后的DBN模型，进而提高模型预测精度。

针对智能电网负荷调度问题分析可知，本文研究提出的算法主要用来管理不同能量消耗级别的大量可控制电器。虽然现如今科研学者提出了多种应用算法处理相关问题，但因为实践应用过于复杂，最常见的依旧属于遗传算法。遗传算法不仅为给定问题提供了近似最优解，还具备解决复杂能力的独特优势。结合下图2所示的G-DSM算法流程图分析可知，其主要用来解决成本优化问题。

图2 G-DSM算法流程图

针对正与算法应用进行实验分析发现，按照如下表1所示的可控设备进行调度管理分析发现，可以得到如下图3、图4、图5所示的对比结果。

表1 可控设备的介绍

图3 基于算法规划前后的电力消耗对比图

图4 基于算法规划前后的电力费用对比图

图5 基于算法规划前后的电力能耗对比图

根据上图3分析可知，本文研究提出的G-DSM可以有效管控所在区域内部的大量可控负载。这类算法可以在调整负载的基础上获取最小化成本和最低的峰均比，用电用户可以在价格较低的情况下安排最大荷载。根据上图3分析可知、用户的峰值负荷从没有规划的98.8kWh下降到了91kWh，整体下降了7.96%；而上图4中用户在适当调整复合的基础上，每日电费消耗从1367元下降到每天1269元，所在区域的用户每天消耗电费下降了7.13%。通常来讲，所处区域内部存在非常多的可控电器，结合上图5分析可知，运用G-DSM算法处理整栋小区的电力调度结果，并和应用算法之前的电力消耗情况进行对比分析可知，规划之后的一天用电消耗差有了明显下降，由此可知针对实时定价信号，区域用电负荷得到了科学管控。

4 结束语

在社会的不断进步中，人们对生活质量的需求愈加迫切，在这种变化下，电力已经成为人们生活中不可或缺的资源，而人工智能的出现，又为智能电网的构建指明了新的方向。为了更好的促进电力系统信息化与自动化，基于物联网技术，使电力系统的各个元素有效连接，人工智能是科技行业的创新，通过这种创新模式，不仅会提高智能电网中电流的运行效率，还推动了电力系统的整体发展，使其朝着可调可控、可观可测的方向不断进步。对预测精度来说，人工智能可以收集该项目优质的训练数据集[6]，通过对比实验，针对不同的预测场景，预测电压的稳定数据，对于智能电网的实现是值得尝试的一个方向。