论文部分内容阅读
摘要：当前针对电网开展智能电网预测分析是为了确保其能够安全的运行，通过利用人工智能的技术和电网大数据为基础，并在此基础上实现具备人工智能的智能电网预测对于电力行业来讲具有非常重要的作用和意义，针对于此本文提出“人工智能+”预测，首先对人工智能和智能电网进行介绍，再依据实际应用的不同重点而开展相关的研究综述，并对预测中使用的相关技术加以总结和展望。
关键词：“人工智能+”预测;数据;智能电网;预测分析;特征提取
一、人工智能和智能电网分析
（1）人工智能简介
人工智能的基础主要包含知识表示、推理、规划等，其由多个不同的学科融合发展来的综合性较强的学科，其目标是以理解自然智能为根本，并在些基础上创造拥有智能水平的机器，而对人工智能可以分成三个学派，即符号、连接、行为的主义，符号主义比较重视对知识的表达、逻辑的推理开展研究;连接主义主要是运用数学的模型对神经元进行模拟;行为主义主要是将控制论融合进机器学习，其最有名的研究成果是RL人工智能和机器学习的关系。当前人们对于人工智能的研究，大部分集中分析DL和RL。
（2） 智能电网预测
其主要有电力生产者和消费者的预测，不宜产消合一者对电压稳定的影响预测，对于智能电网的需求侧来讲，其由消费者、零售商、聚合商，以及配电系统调度机构（DSO）和数据服务提供商构建。伴随智能电网中不断的接入同步相量测量装置和高级量测体系等新技术，并且环境传感器也得到不断的完善和更新，对于大量的多源异构数据采集变得更加容易，而开展对智能电网的预测则必须需要大量的数据为基础才能实现，利用人工智能达到对智能电网的预测不仅需要预测模型，还需要数据不足的情况下，其数据样本的产生、不平衡样本的解决、特征提取等。
二、人工智能+预测模型
目前已经有大量的浅层模型运用在新能源和负荷的预测中，浅层的模型无法适用在复杂的问题中，由其是在特征提取时，只能提取一些浅层，而新能源的接入存在不确定性和时空性等，此十分不利于预测，进而限制了浅层模型的应用。而在人工智能中，拥有自动深度的特征提取模型DL和RIL技术为预测研究提供新方向，而运用人工智能+预测的DL模型具有以下特点。下文对新能源发电、负荷、稳态电压稳定的预测进行了叙述分析。
（1）新能源发电预测
针对新能源发电所进行的预测多以光伏和风电的功率预测为主，另外还需要对其相应的辐照度和风速进行预测，但受制于两者间歇性强和波动大的原因，对其进行预测时需要非常高质量的非线性时序特性。但是当前的许多预测模型对其的浅层特征提取存在一定的不确定性，并且其扩展性低下，所以需要开展深度学习模型的研究。针对光伏功率和辐照度进行预测多以DL为主，主要有三种，一是运用可以对时间序列数据进行处理的RNN及LSTM。二是运用其他监督学习算法的CNN。三是运用非监督学习的AE、DBF，再利用监督学习算法，如DL中的监督学习来完成预测。
（2）负荷预测
负荷预测是电网是调度系统中非常重要的部分，其为系统的运行规划和零售定价发挥重要的作用。对系统级的负荷进行预测主要运用DL和集成模型。和系统级的负荷对比来讲，家庭级的负荷有易变性和不确定性，因此拥有学习时序关联的LSTM非常适合用于对其的预测。
（3）稳态电压稳定预测
对稳态电压稳定预测所开展的研究多以电压稳定裕度（VSM）在线预测为主，电压稳定裕度大多是运用连续潮流进行计算而得出。电压稳定裕度在线预测主要运用实时采集的PMU、或AMI数据融入至预测的模型，由此得出预测的电压稳定裕度。当下使用的电压稳定裕度在线预测为ANN、极限学习机、决策树、白回归模型、多元线性回归模型等。但上述的模型存在一定的缺陷。
三、研究展望
本文所分析“人工智能+”预测技术，由于在不同的类型数据和算法，以及不同的系统网络下，均存在不确定性，所以对其的研究还需要进一步的深入研究。
例如对新能源负荷预测：①针对不确定性，需要将DL结合新能源领域的知识来进行设计，发掘随机因素，不能单纯使用某个DL方法;②在对新能源进行预测时可融入因果关系进行研究，进一步达到自适应的预测。
针对负荷预测方面，开展概率负荷和点负荷预测的研究少，并且，DL和RL的应用也少，因此可从提高概率负荷预测进行深入分析：①针对存在影响的相关因素进行随机的场景生成，例如温度因素、降雨因素、湿度因素等等，然后再开展对概率负荷的预测分析;②深入分析组合式的概率预测，以及集成式的模型概率预测。
针对在线电压的稳定预测应当以下进行深入的研究：①当前现有的预测模型中，其输入的数据多是以电压相角和有功及无功为主，因此可运用DL算法提取在PMU、AMI数据的电压依赖相关的参数，然后再使用此参数当作预测模型的输入对电压的稳定进行在线的预测;②当前的预测模型不能进行电压自适应的预测，所以可以选择DL和RL进一步的融合，利用DRL的模式探索对电压稳定进行自适应预测的研究;③VSM在计算过程中未考虑输配网耦合的情况，而相关的研究則使用了输配网耦合下的VSM模型，因此可以此为研究点，进一步的深入分析考虑输配网耦合下进行在线VSM预测的模型研究。
四、结语
伴随之人工智能的技术和理论以及算法不断的深入研究，为各个研究领域指引了新的方向，利用该技术进而高效的解决相关的问题。对于国内建设智能电网的目标来讲，运用人工智能技术是非常重要的研究，有效的利用可以解决电网安全运行存在的问题。因此针对“人工智能+”预测的研究应当更加的深入，进而有利于电网的建设。
参考文献
[1]袁烨，张永，丁汉.工业人工智能的关键技术及其在预测性维护中的应用现状[J].自动化学报，2020，46（10）：2013-2030.
[2]王琼，魏军，闫润珍，等.知识图谱在智能电网的应用[J].电子元器件与信息技术，2020，4（01）：135-137+147.
[3]吴漾，王鹏宇.基于人工智能的智能电网储能技术应用——评《智能电网储能：可再生能源的规划与运行》[J].电池，2020，50（06）：614-615.
关键词：“人工智能+”预测;数据;智能电网;预测分析;特征提取
一、人工智能和智能电网分析
（1）人工智能简介
人工智能的基础主要包含知识表示、推理、规划等，其由多个不同的学科融合发展来的综合性较强的学科，其目标是以理解自然智能为根本，并在些基础上创造拥有智能水平的机器，而对人工智能可以分成三个学派，即符号、连接、行为的主义，符号主义比较重视对知识的表达、逻辑的推理开展研究;连接主义主要是运用数学的模型对神经元进行模拟;行为主义主要是将控制论融合进机器学习，其最有名的研究成果是RL人工智能和机器学习的关系。当前人们对于人工智能的研究，大部分集中分析DL和RL。
（2） 智能电网预测
其主要有电力生产者和消费者的预测，不宜产消合一者对电压稳定的影响预测，对于智能电网的需求侧来讲，其由消费者、零售商、聚合商，以及配电系统调度机构（DSO）和数据服务提供商构建。伴随智能电网中不断的接入同步相量测量装置和高级量测体系等新技术，并且环境传感器也得到不断的完善和更新，对于大量的多源异构数据采集变得更加容易，而开展对智能电网的预测则必须需要大量的数据为基础才能实现，利用人工智能达到对智能电网的预测不仅需要预测模型，还需要数据不足的情况下，其数据样本的产生、不平衡样本的解决、特征提取等。
二、人工智能+预测模型
目前已经有大量的浅层模型运用在新能源和负荷的预测中，浅层的模型无法适用在复杂的问题中，由其是在特征提取时，只能提取一些浅层，而新能源的接入存在不确定性和时空性等，此十分不利于预测，进而限制了浅层模型的应用。而在人工智能中，拥有自动深度的特征提取模型DL和RIL技术为预测研究提供新方向，而运用人工智能+预测的DL模型具有以下特点。下文对新能源发电、负荷、稳态电压稳定的预测进行了叙述分析。
（1）新能源发电预测
针对新能源发电所进行的预测多以光伏和风电的功率预测为主，另外还需要对其相应的辐照度和风速进行预测，但受制于两者间歇性强和波动大的原因，对其进行预测时需要非常高质量的非线性时序特性。但是当前的许多预测模型对其的浅层特征提取存在一定的不确定性，并且其扩展性低下，所以需要开展深度学习模型的研究。针对光伏功率和辐照度进行预测多以DL为主，主要有三种，一是运用可以对时间序列数据进行处理的RNN及LSTM。二是运用其他监督学习算法的CNN。三是运用非监督学习的AE、DBF，再利用监督学习算法，如DL中的监督学习来完成预测。
（2）负荷预测
负荷预测是电网是调度系统中非常重要的部分，其为系统的运行规划和零售定价发挥重要的作用。对系统级的负荷进行预测主要运用DL和集成模型。和系统级的负荷对比来讲，家庭级的负荷有易变性和不确定性，因此拥有学习时序关联的LSTM非常适合用于对其的预测。
（3）稳态电压稳定预测
对稳态电压稳定预测所开展的研究多以电压稳定裕度（VSM）在线预测为主，电压稳定裕度大多是运用连续潮流进行计算而得出。电压稳定裕度在线预测主要运用实时采集的PMU、或AMI数据融入至预测的模型，由此得出预测的电压稳定裕度。当下使用的电压稳定裕度在线预测为ANN、极限学习机、决策树、白回归模型、多元线性回归模型等。但上述的模型存在一定的缺陷。
三、研究展望
本文所分析“人工智能+”预测技术，由于在不同的类型数据和算法，以及不同的系统网络下，均存在不确定性，所以对其的研究还需要进一步的深入研究。
例如对新能源负荷预测：①针对不确定性，需要将DL结合新能源领域的知识来进行设计，发掘随机因素，不能单纯使用某个DL方法;②在对新能源进行预测时可融入因果关系进行研究，进一步达到自适应的预测。
针对负荷预测方面，开展概率负荷和点负荷预测的研究少，并且，DL和RL的应用也少，因此可从提高概率负荷预测进行深入分析：①针对存在影响的相关因素进行随机的场景生成，例如温度因素、降雨因素、湿度因素等等，然后再开展对概率负荷的预测分析;②深入分析组合式的概率预测，以及集成式的模型概率预测。
针对在线电压的稳定预测应当以下进行深入的研究：①当前现有的预测模型中，其输入的数据多是以电压相角和有功及无功为主，因此可运用DL算法提取在PMU、AMI数据的电压依赖相关的参数，然后再使用此参数当作预测模型的输入对电压的稳定进行在线的预测;②当前的预测模型不能进行电压自适应的预测，所以可以选择DL和RL进一步的融合，利用DRL的模式探索对电压稳定进行自适应预测的研究;③VSM在计算过程中未考虑输配网耦合的情况，而相关的研究則使用了输配网耦合下的VSM模型，因此可以此为研究点，进一步的深入分析考虑输配网耦合下进行在线VSM预测的模型研究。
四、结语
伴随之人工智能的技术和理论以及算法不断的深入研究，为各个研究领域指引了新的方向，利用该技术进而高效的解决相关的问题。对于国内建设智能电网的目标来讲，运用人工智能技术是非常重要的研究，有效的利用可以解决电网安全运行存在的问题。因此针对“人工智能+”预测的研究应当更加的深入，进而有利于电网的建设。
参考文献
[1]袁烨，张永，丁汉.工业人工智能的关键技术及其在预测性维护中的应用现状[J].自动化学报，2020，46（10）：2013-2030.
[2]王琼，魏军，闫润珍，等.知识图谱在智能电网的应用[J].电子元器件与信息技术，2020，4（01）：135-137+147.
[3]吴漾，王鹏宇.基于人工智能的智能电网储能技术应用——评《智能电网储能：可再生能源的规划与运行》[J].电池，2020，50（06）：614-615.