人工智能技术在电力行业的应用现状和发展趋势初探

李越茂，姚 枫，宋佩珂

(中国电力工程顾问集团西南电力设计院有限公司，四川 成都 610021)

0 引言

人工智能(Artificial Intelligence)是研究人的智能活动规律，并模拟和实现人类智能行为的一门科学。人工智能是一门综合性和交叉性的学科，与经济学、政治学、心理学、哲学、社会学等密切相关。现阶段，人工智能技术主要应用在专家系统、计算机视觉、自然语言处理、智能机器人，以及人工神经网络等领域。

人工智能技术诞生于上世纪40年代，从最初的神经网络、模糊逻辑，到近期的深度学习、图像识别，经历了从爆发、低谷，到重新突破，直到2010年后进入发展高峰，得到各国政府和民间组织的广泛重视，如图1所示。

图1 人工智能的发展历程

本文全面分析机器学习、人工神经网络、遗传算法、专家系统、计算机视觉，以及智能机器人等先进的人工智能技术在电力工程的规划、设计、建设和运维等全生命周期各阶段中的应用现状，分析了该技术在应用中存在的问题和不足，并展望了其发展趋势。

1 电力行业应用现状

人工智能技术从诞生开始，就受到电力行业的高度关注。专家系统、人工神经网络、模糊集理论以及启发式搜索等传统人工智能方法在电力系统中得到了广泛应用[1]。

1.1 电力系统规划

系统规划专业技术人员使用智能化的规划软件开展电力系统规划。基于电力系统现状、负荷预测结果和电源建设规划，利用积累的电力系统大数据，参考类似规划案例开展自我学习，完成系统规划任务。在规划过程中，利用人工智能算法完成电力系统多维变量、多约束条件和非线性多目标优化等问题的求解，获取最优方案。

1.2 电力市场

1)负荷预测

随着电力市场向需求和供给纵深发展，特别是电动汽车、新能源的大面积接入，电力市场负荷预测的难度日益困难。利用深度学习技术的特征抽象算法，可以精确地捕捉各类复杂的环境、系统因素对负荷的影响，大幅提高计算模型的泛化能力和负荷预测的精度。

采用深度信念网络(deep belief network，DBN)和多任务回归算法，利用深度结构多任务学习方法，开展综合能源需求预测，很好地解决了电、热、气等负荷的联合预测。

2)需求响应

针对传统计算方法难以建立供需互动模型的不足，采用深度迁移强化学习技术，基础存储的历史任务有效信息，利用高精度的非线性迁移学习算法，快速获得需求响应的最理想的解。

3)电价预测

电价因受到各种因素的影响持续波动，当前阶段业内普遍采用的基于时序的线性预测模型很难满足精确的电价预测的需要。随着人工智能技术的发展，综合考虑能源供需关系、历史电价水平、社会经济发展水平等因素，利用高级机器学习技术开展样本学习，采用随机邻居嵌入技术和降噪堆叠自编码器(stacked autoencoderm，SAE)，预测电价短期和长期的发展。

4)智慧充电

近年来，随着电动汽车大量投入使用，国内新建了很多充电设施，但是任然存在充电费用高企的情况。在实践中，利用高级机器学习理论，采用深度神经网络算法计算出最优化的充电控制策略，使电动汽车充电整体成本最低，并有效维持区域电力系统的持续稳定运行。

1.3 勘察设计

1)方案设计

将人工智能技术应用到电力工程的设计过程中，自动生成设计方案，完成对设计方案的自动检查。设计前期阶段的可行性研究工作，用户喜好分析报告等可以通过人工智能技术完成，利用强大的人工智能系统自动生成多种设计方案，并给出各方案的多指标量化比较结果，供设计人员选择。根据每个项目的不同建设规模、外部条件和业主需求，实时智能设计并排序推荐，利用机器计算枚举出海量可能的设计方案。人工智能技术替代设计人员的工作，将设计人员从简单重复性的劳动中解放出来，可以将更多的精力投入到设计方案的优化中，最大限度地提高设计方案的质量。

2)分析计算

在电力工程设计的传统计算中，引入人工智能相关算法，可以得到更加精确的计算结果，更好地服务工程设计工作。

基于遗传—模拟退火算法、遗传—改进BP(back propagation)神经网络，建立边坡工程稳定性分析评价系统,实现一定程度的边坡稳定性和变形的研究智能化。对圆弧滑动面的圆心、半径进行遗传进化计算,克服传统方法易陷入局部最优解的缺点,具有很好的重复性[2]。

3)设计校审

CAD图纸和数字化设计模型校审难度大、效率低，不能可靠地保证设计模型的质量，因此需要智能化计算机工具协助设计师完成设计校审等工作。人工智能检查工具能够全方面、高效率、客观地针对模型进行检查，如清华大学软件学院研发的BIMChecker工具。它主要用于对BIM模型的智能检查，能够精确评价模型的质量，找出其中存在的问题并做出反馈[1]。

4)设计管理

将深度学习理论融入到电力工程的设计管理工作中，让计算机模拟项目管理人员来处理项目设计管理环节的相关事宜，自动触发事件处理机制，可以有效增强设计管理效能，创新管理机制，进一步提高电力工程设计的合理性、科学性，确保项目的顺利推进。

5)工程造价

在电力工程造价编制中，尝试采用粒子群优化的人工神经网络、案例推理等智能方法，通过粒子数目、进化代数和惯性权重的设置，持续优化神经网络的结果参数，获得科学合理的神经网络参数值，建立项目智能估价计算模型，精准预测工程造价。

6)专家系统

专家系统是基于某一特定领域大量的专业知识和经验开发的智能化程序。专家系统模拟人的思维过程，自动完成推理和判断。专家系统一般由知识库和推理机两部分组成。专家系统将前期专家经验与计算机技术的结合，可广泛地应用在工程设计成果的智能校审和评审，大幅提高电力工程校审、评审的自动化和规范化程度。

1.4 施工管理

电力工程施工阶段是资源投入量最大的阶段，现场影响因素复杂多变，将人工智能技术应用到施工领域中，建设智慧工地管理系统，实现对现场工人的全面安全管理，实现项目的规范化、科学化管理。

1)质量管理

电力工程施工中由于其资源投入量大、工序繁多且复杂、管理手段不够成熟，要很好地保证施工质量，需要项目参与方付出非常大的努力。借助人工智能技术，对原材料、施工过程、施工产品进行质量监测，全面排除质量问题，使质量管理更加精细化。

2)安全管理

工人的管理是现场安全管理的重要对象，施工现场由于环境复杂、危险因素多，部分工人对危险源认识模糊，容易发生安全事故。人工智能技术可以协助管理人员了解现场安全情况，监测工人工作状态，促进现场管理规范化，实现对工程建设过程的高效化管理。

1.5 能源供应

随机性和波动性很强的光伏和风电的大量接入，是当前电力系统的主要特征。现阶段应用较多的浅层预测模型对于具有非线性、非平稳特征的光伏和风电数据的预测性能不强，下阶段，需要更好地应用人工智能技术，深度辨识并高效处理海量、高维和多元数据，全面感知和预测多时间尺度问题。

1.6 电力系统安全与控制

1)电力系统稳定评估

近年来，电力系统规模大幅增加，网架结构大幅增强，其动态特性变得越来越复杂，安全性与鲁棒性之间的矛盾也越来越显著，对电力系统安全稳定评估的要求越来越高。利用深度学习算法，构建具备强大自我学习能力的SAE，DBN和卷积神经网络(convolutional neural networks，CNN)深层模型，自动提取电力系统的数据特征，对数据进行分类和评估，提高稳定评估的准确率。

2)电力系统控制与优化

针对复杂电网，其输入输出数据的关联性强、维数多，难以获得较完善的控制和优化策略。利用深度学习、强化学习和迁移学习的理论，制定电网切机控制策略，大幅提升算法对系统的认知能力，实现电力系统中多智能体的互博弈水平，优化控制策略。

3)入侵检测

电力系统的信息化智能化在有效改善智能电网的监测与控制效果的同时，也增加了被恶意攻击的可能性[1]。目前，有学者研究，利用深度学习算法引入虚假数据，将该数据注入攻击实时检测，并采用Gaussian-Bernoulli受限玻尔兹曼机，利用数据的实时测量来分析攻击行为，并通过捕获的特征检测攻击行为。

4)电力系统调度与能源调度

电力系统调度需要统筹协调发电、输电、变电和配电各环节的行为，解决多时序、多参数相互协调优化的问题。对于此类复杂计算，需要人工智能技术的深度介入，特别是迁移学习的算法。针对大规模复杂电网普遍存在的风险调度问题，可以采用强化学习和细菌觅食算法相结合的方法，结合知识迁移技术，大幅提高学习速度，解决电力系统调度与能源调度算法优化的问题。

1.7 运维与故障诊断

1)在线监测

因变电站、换流站中的电力设备普遍都具备的明显特征，包括颜色、材质和纹理等。利用计算机视觉技术的图像处理和识别能力，对采集到的设备图像进行二值化变换后，经过差分盒累计图像处理，从而判断该设备是否发生故障或不正常。

2)无人巡检

在变电站中，使用搭载红外传感器、电磁感应传感器和高清摄像头的智能巡检机器人，对电气设备进行多维度、近距离的观察和监测。采用无人机搭载高清摄像仪和红外传感器，具备高精度定位和自动检测识别功能，利用图像识别和红外传感技术，完成对铁塔、导地线和绝缘子串的运行状态监测和安全评估。

3)图像识别

应用图像识别技术，实现对输电线路的运行状态和覆冰情况的实时监测，自动识别大型机械靠近作业、飘挂物、覆冰、大风产生的导线舞动以及在高负荷状态时出现的弧垂增大等异常情况的发生，及早制定应急预案。对输电线路覆冰图像进行检测和分析，实现绝缘子识别提取、绝缘子污秽、裂纹、覆冰检测等方面[3]。

而变电站的图像识别，主要通过安装红外与可见光摄像头实现变电站远程图像、远程监控、遥视与安全预警。

4)智能诊断

传统的电力系统故障诊断利用经验判断和人工特征提取技术，适用范围较小。采用深度学习方法，研究学习数据内在的结构特性，并把学习到的特征信息全面融合到建模过程，有效地避免传统特征提取的复杂性和人为设计特征的不充分性。

2 存在的问题与不足

近年来，随着电动汽车、分布式电源和储能设施等多特性终端的大量接入，电力系统表现出复杂非线性、不确定性和时空差异等特性。传统的人工智能技术在电力系统各环节的应用中，普遍呈现出基础数据薄弱、数据质量不高、数据壁垒较多、算法适应性不强、算力不足、计算稳定性不足、识别技术不成熟等问题。

1)基础数据薄弱

目前，各环节、各企业数据总体多，但是缺少针对单一应用场景数据量不足的问题普遍存在。造成人工智能技术的应用往往受限于图像识别等通用应用场景，缺少专用的如ImageNet标准库的专业应用基础库，数据的泛化能力较薄弱。

2)数据质量不高

数据质量是决定人工智能技术是否能成功应用的关键因素。然而，现阶段，如设备调试结果、运行状态等数据的存储形式各异、质量参差不齐，经常发生数据缺失、重复和异常等问题，严重影响电力系统各环节计算执行效率和计算结果的准确性。

3)异常样本匮乏

高性能机器学习模型对于训练样本的数量存在较高的要求。但是在实际工作中，由于输变电工程运维管理状况良好，电力设备故障多为小概率事件，加之相关案例报告记录信息不全面，导致非正常状态的设备样本数量十分匮乏，并进一步造成非均衡数据集的出现，制约着机器学习模型的训练效果[4]。

4)数据壁垒较多

电力设备状态检修所需的数据来源于不同的业务部门与信息平台，难以实现跨平台的数据交互与共享，呈现数据壁垒，大大增加了获取完整数据样本的难度，难以满足评估环节大体量、多源化的数据需求。同时，数据的标注和理解还存在诸多问题。当前阶段，很多能被人工智能技术应用的数据目前还需要经过人工标注，这就需要耗费大量的人力。

5)算法适应性不强

近年来，机器学习、深度学习，以及强化学习等算法在电力系统规划和安全控制等方面获得了应用。但是，对于如智能调度、电力交易和故障等具有较强行业特色和复杂场景的应用环节的计算模型还停留在简单的几类模型的叠加层面上，基于深度学习的算法适应性不强，建模和计算需要耗费大量时间和资源。

6)训练方式不科学

当前在电力系统的各项应用中，深度学习模型大多基于无监督学习方式建立。在此方式下，先使用无监督学习开展预训练，再采用有监督方式对模型进行微调，因为微调时涉及的参数较多，花费的时间也比较长。

7)算力不足

在电力系统规划、负荷预测，以及故障诊断等应用中，需要大量高性能智能硬件计算能力的支撑。但是，现阶段，缺少高质量、高计算能力的类人行为的智能处理芯片、硬件模块和计算软件，造成目前涉及人工智能的数据处理量大和计算响应慢等问题的普遍存在。

8)计算稳定性不足

电力系统的稳定关系国计民生，对计算结果可靠性的要求极高，但是现阶段，机器学习、推理机和图像识别等技术普遍存在稳定性不足的问题，容易发生辨识错误，给计算结果的准确性带来较大的负面影响。

9)计算方法缺乏可解释性

目前，为了更快地获取计算结果，大部分基于人工智能的应用未建立详细的系统模型，对计算过程的介入较浅，很少将计算模型和物理模型进行关联分析，计算的过程和结果缺少交互性和可操作性，造成计算方法的可解性较低，非项目密切参与者很难了解计算过程。

10)小样本数据学习技术亟需突破

现有人工智能技术的应用，多基于大数据分析开展。人工智能计算过程又被高维海量数据所困，不得不采用主成分分析法或拉普拉斯特征映射(LE)等方法进行降维和降噪。反观能源应用场景，如故障诊断、异常用能行为检测等，一段时间内可获取数据仍属于小样本集，并不具备大数据条件[5]。

11)视觉场景识别不成熟

人工智能在计算机视觉领域的物体场景识别方面的应用还不够成熟，存在一定的失误率。图像识别技术虽然标准数据的识别中表现得非常优异，但是在变电站和输电线路等所处的自然环境下，因为拍摄角度、所处背景、自然光线等因素的综合影响，图像识别的结果存在较大的差异。

12)专家系统较薄弱

现阶段，各行业专家系统都存在知识库单薄，判断条件和依据欠缺，规程规范约束条件量化程度较低，推理机算法不成熟等不足。在专家系统的应用过程中，普遍存在基础数据多、获取的知识少，经常表现出匹配冲突和组合爆炸等问题。使用单一的知识表示方法难以完整表现对象所处领域的知识结构。知识自动获取功能不够完善，知识的获取能力较为低下。

3 发展趋势

随着大数据、物联网、区块链和边缘计算等技术的深入发展，将大数据智能、类脑智能、量子智能、群体智能、跨媒体感知、自主协同控制等关键人工智能技术应用于电力工程的规划、设计、制造、建设和运维的全生命周期，将是电力行业的研究重点。

3.1 迁移学习的引入

作为一种高级机器学习方法，迁移学习的核心是将一个预训练的模型重新用在另一项任务中。通过使用一个适用于不同场景，但是却存在一定相关性的任务模型，并且以一种有利的方式缩小搜索范围，可以较好地适用于具有大量训练深度模型所需的资源和大量预训练模型数据集的情况。目前，迁移学习在电力行业应用较少。如何借助迁移学习的优势，更好地服务于电力系统各环节，有望得到深入研究。

3.2 类人行为机器人的研发和应用

目前，很多变电站均装备电力机器人，主要应用于自动巡检和设备带电维护等方面，机器人按照预先设定好的程序和路径完成巡检作业，并不具备自主思考的智能行为能力。而人工智能的高级应用，是要将智能传感、大数据分析、机器学习和自然语言处理等技术深度融合，开发具备自主思考能力和问题处理能力的类人行为机器人。因此突破自主学习、自主行为等关键技术，研发具有类人行为能力的智能机器人[5]，大面积替代运行检修人员。

3.3 衍生式设计的应用

衍生设计是在需求量化的前提下，把有限的设计约束和标准利用发散式计算的方式处理，并产生大量成果的一种技术。衍生式设计将设计需求由归纳过程转变为演绎过程，减少迭代次数和耗时，是数字化设计在智能化方向上的深层次应用。在用户设计过程中，设计模型可以保留用户的相关数据，从而来分析和追踪用户在整个人机交互设计流程中主管评估的演变过程。将衍生式设计应用于电力工程设计中，可以大幅提高设计效率，快速生成多个设计方案，并完成量化比选。

3.4 新型监测手段的研究与应用

在电力设备状态检修领域开展人工智能的应用技术研究，其本质是实现多源化状态信息的综合集成与利用。因此，通过研究分布式光纤传感和电力设备内置机器人等新型的监测手段来完善更新电力设备状态评估指标体系，实现全景化监测，对于直观准确地掌握设备健康状况以及进一步提升人工智能技术的应用效果具有十分重要的意义[4]。

3.5 分布协同式专家系统的开发

近年来,专家系统在应用时，其知识结构、学习方法的局限性等问题日渐突出，难以满足越来越复杂的电力系统计算的需要，因此，开发分布协同式专家系统，被提上了议事日程。

分布式专家系统把一个专家系统的功能经分解后分布到多个处理器上并行工作,从而在整体上提高系统的处理效率。而协同式专家系统是能综合若干相关领域多个方面的单一专家系统互相协作共同解决一个更广领域问题的专家系统。将分布式专家系统与协同式专家系统相结合,提出了一种分布协同式专家系统，实现逻辑上或物理上分布在不同处理节点上的若干专家系统协同求解问题[6]。

4 结语

人工智能学科自从诞生之后，技术理论不断发展，应用领域不断延伸[7]。主要技术包括机器学习、专家系统、模糊逻辑、智能机器人、图像处理、自然语言处理及语音识别等。

近年来，人工智能技术已被广泛应用于电力行业的系统规划、电力市场、勘察设计、施工管理、能源供应、电力系统安全与控制，以及运维与故障诊断等领域，支撑电力系统的稳定与发展。但是，人工智能技术在电力系统的应用中，还普遍存在基础数据薄弱、数据质量不高、异常样本匮乏、训练方式不科学和算力不足等问题。

随着以高级机器学习理论、大数据、边缘计算等技术的深入发展和广泛应用，有望在迁移学习、类人机器人的研发、衍生式设计、新型监测手段、分布协同式专家系统等方面取得突破进展，培养对高维度、多时变、非线性问题的强大学习和强优化处理能力，提高电力系统运行的安全性和经济性。