当前位置:主页 > 科技论文 > AI论文 >

新一代人工智能在智能电网中的应用研究综述

发布时间:2021-12-21 22:58
  智能电网是人工智能(artificial intelligence,AI)的重要应用领域之一,以高级机器学习理论、大数据、云计算为主要代表的新一代人工智能(new generation artificial intelligence,NGAI)技术的进步和突破,将会促进智能电网的发展。首先概述AI的主要方法,并对NGAI的内涵、特点与技术体系进行论述。之后,对NGAI在能源供应、电力系统安全与控制、运维与故障诊断、电力需求和电力市场等领域中的最新应用研究情况进行比较系统的综述。最后,总结NGAI在智能电网中应用的关键问题,提出人工智能在智能电网中的应用可分为三阶段实施的建议。 

【文章来源】:电力建设. 2018,39(10)北大核心

【文章页数】:11 页

【部分图文】:

新一代人工智能在智能电网中的应用研究综述


机器学习的主要算法Fig.1Mainalgorithmsofmachinelearning1.1.1深度学习

序列,人工神经网络


第39卷第10期戴彦,等:新一代人工智能在智能电网中的应用研究综述电力系统中的应用现代人工智能在http://www.cepc.com.cn3且效果也不一定好。(2)深度反馈神经网络。对时间序列敏感的问题,通常采用循环神经网络(recurrentneuralnetwork,RNN)。LSTM是RNN模型的变种,继承了RNN的大部分特性,同时解决了梯度反传过程中由于逐步缩减而产生的梯度消失问题。LSTM非常适于处理与时间序列高度相关的问题,例如机器翻译、对话生成、编码\\解码等。图2人工神经网络与深度学习的联系Fig.2Therelationshipsbetweenartificialneuralnetworksanddeeplearning1.1.2强化学习强化学习又称再励学习、评价学习,是一种重要的机器学习方法,它的本质是解决决策上的问题,即学会自动进行决策。强化学习主要包含个体、环境状态、行动和奖励这4个元素,学习过程中,学习个体根据环境状态,搜索策略做出最优动作,继而引起状态改变,因而得到环境反馈的奖惩值;个体再根据奖惩值对当前策略做出调整并进入新一轮的学习训练,重复循环直到环境对学习个体在某种意义下的评价最佳。典型强化学习方法包括Q学习[13]、深度Q网络[14]、Sarsa方法[15]等。1.1.3迁移学习迁移学习的目的是利用学习目标和已有知识的相关性,将现有的知识运用到相关但不相同的领域中解决相应的问题。很多情况下,某些应用场景中仅有少量的标签样本甚至难以获取样本,无法支持可靠模型的构建,利用迁移学习能将相关场景中已存在的模型参数迁移到该场景中指导新模型的构建,从而提高新模型的泛化能力。典型的迁移学习算法

智能,智能技术,电网,体系


电力系统中的应用现代人工智能在电力建设2018年10月4http://www.cepc.com.cn系,通过汇总和梳理,本文从支撑学科技术、典型共性技术、基础应用技术以及典型行业应用4个层次描绘NGAI的技术体系,如图3所示。可以看出,NGAI的研究需要以数学等多学科为基础,以算法及理论为核心,以提升关键领域问题的解决能力为重点,以发展稳定成熟的典型行业应用为最终目的。图3新一代人工智能技术体系Fig.3Technicalsystemofnewgenerationartificialintelligence2新一代人工智能在智能电网中的重点应用领域人工智能技术从发展之初就一直受到电力领域学者的高度关注,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早已广泛应用。随着分布式电源、电动汽车、分布式储能元件等具有能源生产、存储、消费多种特性的新型能源终端高比例接入电网,现代电力系统呈现出复杂非线性、不确定性、时空差异性等特点,使传统人工智能方法在电力系统预测、调度、交易方式等方面面临诸多挑战。以高级机器学习理论、大数据、云计算为主要代表的NGAI技术,具有应对高维、时变、非线性问题的强优化处理能力和强大学习能力,将为突破上述技术瓶颈提供有效解决途径。NGAI与智能电网的深度融合,将逐步实现智能传感与物理状态相结合、数据驱动与仿真模型相结合、辅助决策与运行控制相结合,从而有效提升驾驭复杂系统的能力,提高电力系统运行的安全性和经济性。图4给出了NGAI在智能电网重点领域的应用框架。图4新一代人工智能在智能电网重点领域的应用框架Fig.4Theapp

【参考文献】:
期刊论文
[1]反映实时供需互动的Stackelberg博弈模型及其强化学习求解[J]. 包涛,张孝顺,余涛,刘希喆,王德志.  中国电机工程学报. 2018(10)
[2]“智能电网+”研究综述[J]. 鞠平,周孝信,陈维江,余一平,秦川,李若梅,王成山,董旭柱,刘健,文劲宇,刘玉田,李扬,陈庆,陆晓,孙大雁,徐春雷,陈星莺,吴峰,马宏忠.  电力自动化设备. 2018(05)
[3]基于深度Q学习的强鲁棒性智能发电控制器设计[J]. 殷林飞,余涛.  电力自动化设备. 2018(05)
[4]基于性能改善深度置信网络的风电机组主轴承状态分析[J]. 赵洪山,刘辉海.  电力自动化设备. 2018(02)
[5]基于深度结构多任务学习的园区型综合能源系统多元负荷预测[J]. 史佳琪,谭涛,郭经,刘阳,张建华.  电网技术. 2018(03)
[6]基于油中气体分析的变压器故障诊断ReLU-DBN方法[J]. 代杰杰,宋辉,杨祎,陈玉峰,盛戈皞,江秀臣.  电网技术. 2018(02)
[7]基于深度学习的电力系统暂态稳定评估方法[J]. 周悦,谭本东,李淼,杨旋,周强明,张振兴,谭敏,杨军.  电力建设. 2018(02)
[8]基于深度信念网络的短期负荷预测方法[J]. 孔祥玉,郑锋,鄂志君,曹旌,王鑫.  电力系统自动化. 2018(05)
[9]信息–物理–社会融合的智慧能源调度机器人及其知识自动化:框架、技术与挑战[J]. 程乐峰,余涛,张孝顺,殷林飞,瞿凯平.  中国电机工程学报. 2018(01)
[10]基于深度强化学习的电网紧急控制策略研究[J]. 刘威,张东霞,王新迎,侯金秀,刘丽平.  中国电机工程学报. 2018(01)

博士论文
[1]电力批发市场中基于强化学习的参与者行为特性研究[D]. BACH THANHQUY(白青贵).湖南大学 2013

硕士论文
[1]基于机器学习的智能电网实时电价研究[D]. 邓丽.沈阳理工大学 2016



本文编号:3545333

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/rengongzhinen/3545333.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户4dd9e***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com