摘要:

摘要:推进能源生产和消费革命，构建清洁低碳安全高效的能源体系，需要发展更加智能的新一代电力系统及综合能源系统。人工智能(AI)是当前最具颠覆性的科学技术之一，在计算智能、感知智能和认知智能方面具有强处理能力。人工智能技术在电力系统和综合能源系统中的应用，将改变能源传统利用模式，促进系统进一步智能化。文中主要从人工智能概述、电力系统及综合能源系统对人工智能的需求，以及人工智能在能源领域中的应用几个层面进行综述和分析，最后对人工智能在电力系统及综合能源系统中应用所面临的挑战进行了分析和展望。

摘要:近年来，随着国民经济的转型，中国的经济结构发生了较大的变化，仅仅依靠电力负荷历史数据进行负荷电量预测会造成较大的误差。为解决传统负荷预测方法对于经济、气象等因素考虑不足的问题，提出了一种可以计及经济与气象等因素影响的中期负荷电量预测方法。首先利用季节分解将历史月度用电量分解为长期趋势及循环分量、季节分量以及不规则分量；并以计量经济学中的协整检验以及格兰杰因果检验分析经济因素与用电量长期趋势及循环分量的关系，确定影响该部分电量预测的关键性指标；基于电量、气象以及经济数据，对各个分量利用支持向量机分别进行预测并综合得到月度电量总量预测值；最后通过算例分析了方法的有效性与可行性。

摘要:提出了一种基于Hilbert边际谱和稀疏自编码器(SAE)—深度神经网络(DNN)的局部放电(PD)信号的模式识别方法。首先，以变分模态分解(VMD)对PD信号进行分解，对所得各分量进行Hilbert变换构建相应的Hilbert边际谱。其次，以PD信号的Hilbert边际谱为输入数据，利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数。再次，利用SAE的训练结果初始化DNN，再以大量训练样本进行分类器的训练。同时，为了加快SAE和DNN学习过程的收敛速度，以自适应步长的学习速率对网络进行调优，更新权值参数。最后，用训练好的DNN完成测试样本的PD类型的识别。此外，以基于BP神经网络和支持向量机的识别结果与文中结果进行比较。实验结果证明，所采用的识别方法具有更高的正确识别率。

摘要:随着可再生能源的大规模并网、需求响应的逐步实现，电网运行方式的复杂性和波动性不断攀升，电力系统的安全运行正面临新的需求与挑战。因此，基于人工智能技术，在广东电网建立了“模型—数据混合驱动的电网安全特征选择和知识发现平台”，保证电网安全、稳定、经济运行。文中首先定义了电网安全特征和知识，阐述了模型—数据混合驱动的思想与具体实现方法，并分析了降低误差的手段；其次阐释了平台的并行计算技术；接着设计了平台的软硬件架构；最后，展示了平台在广东电网的实际应用效果，结果表明:(1)从运行规则制定层面，将运行专家离线制定粗放运行规则的模式，变革为人工智能在线发现精细运行规则的模式；(2)从运行规则应用层面，将调度员人工判定运行规则的模式，变革为人工智能实时判定运行规则的模式。

摘要:为进一步提升信息化电网性能，提出一种基于长短期记忆网络(LSTM)与压缩感知(CS)实现电物理量轻型化方法。将时间序列变化的电物理量采样数据作为LSTM模型的输入量，稳定结果作为输出量，通过时间反向传播(BPTT)算法训练LSTM模型参数，训练后的模型能充分利用循环架构的特征进行模式识别，并根据LSTM模式识别结果，将信号选择原子库进行CS，来确定测量采样频率。实例结果表明，LSTM+CS方法比常用传统方法采样频率低，传输参数少，可大幅节省存储容量和减轻网络流量。

摘要:已有窃电检测模型的准确率尚无法满足应用需求，是因其均将建模重点放在了分类算法的选择或改进上，而相对地忽视了特征提取过程。因此，提出一种基于深度学习的特征提取方法，即堆叠去相关自编码器。得益于深层结构和高度非线性，其能够从用户用电数据中提取到高度抽象和简明的特征。随后支持向量机将这些特征映射到指示是否窃电的标签。基于真实数据的算例测试，验证了所提窃电检测模型具有较高的检出率和较低的虚警率，同时也验证了堆叠去相关自编码器能够提取到有效的特征。

摘要:负荷监测是智能用电的一个重要环节，为了实现非侵入式负荷监测，提出了一种基于深度神经网络的非侵入式负荷分解方法。首先提出了改进的电器状态聚类算法，通过改进终止条件和增加消除冗余类判据使得聚类结果更符合电器实际运行情况。针对目前研究常用的隐马尔可夫模型的弱时间特性问题，提出了电器时间特性模型，综合考虑了电器运行特性和用户使用习惯，从时间角度对电器进行建模。构建了深度神经网络进行负荷分解，网络的输入综合考虑了电器状态及时间、功率信息，采用历史运行数据及时间特性模型生成数据训练网络参数。最后，在测试数据集上验证了方法的有效性和准确性。

摘要:可再生能源发电的随机性、间歇性和低惯性特征导致含可再生能源电力系统的频率安全问题凸显。利用时域仿真进行频率安全评估存在计算量大、耗时长等缺陷，难以满足多重复杂不确定因素“组合数爆炸”下的频率安全快速评估需求。为了实现频率安全的快速分析与预测，提出一种基于多层极限学习机(ML-ELM)的频率安全在线评估方法。该方法通过深层架构建立输入与输出之间的非线性映射关系，并在自下而上的逐层无监督训练过程中，引入自动编码器算法和正则化系数，逐层优化输入层与隐含层之间的权重矩阵，以使ML-ELM有效表征复杂函数、提高预测精度和泛化能力。在IEEE RTS-79系统上开展算例测试，将测试结果与时域仿真和浅层神经网络方法所得结果进行比较，验证了所提方法的准确性和泛化能力。

摘要:提出一种基于正则化投影孪生支持向量机的暂态稳定评估方法。将基于传统支持向量机进行暂态稳定评估的高维二项式优化问题转化为两个低维二项式优化问题，并在投影孪生支持向量机的目标函数中引入正则项来改善评估稳定性。首先，构建由系统特征和投影能量函数特征组成的初始样本集，通过特征选择对初始特征进行压缩，获取可有效表征暂态稳定性的最优特征集。然后，基于正则化投影孪生支持向量机的思想将暂态稳定状态分成稳定类与不稳定类，寻找各稳定状态的最佳投影坐标轴，使稳定类投影到稳定类投影超平面上后尽可能地聚成簇，而不稳定类投影到稳定类投影超平面上后尽可能远离稳定类聚成的簇，降低暂态稳定评估的计算时间，同时借助遗传算法进行参数选择以提高准确率。最后，通过IEEE-145和南方电网算例的仿真分析，验证了所提方法的有效性和准确性。

摘要:基于数据驱动的暂态稳定评估方法已成为电网安全领域研究的重点，由于实际电力系统中暂态失稳情况极少，给通过数据挖掘方法判断失稳情况带来了极大困难。针对这个问题，提出了一种用于暂态稳定评估中失稳样本合成的数据增强方法，对条件生成对抗神经网络(CGAN)训练方法的适应性进行改进以提高其学习稳定性，在离线训练时利用改进CGAN交替训练生成器和判别器，学习电力系统暂态数据的分布特性，然后采用极限学习机(ELM)分类器筛选出改进CGAN所生成的多组样本中G-mean值最高的生成样本，将其中失稳样本对原始失稳样本进行增强，最后用增强后的原始样本训练分类器，实现在线暂态稳定评估。仿真结果表明，所提出的样本数据增强方法通过改进CGAN实现对原始数据分布特征的有效学习，进而提升暂态稳定评估的正确率，具有抗噪声干扰性强、对高维数据鲁棒性好的优点，能够有效平衡电力系统失稳数据。

摘要:随着输变电设备自动化、变电站智能化建设的快速发展，电网信息安全隐患日益凸显。精确可靠的变电站通信网络流量模型建模和异常检测方法已成为预防网络安全问题和识别网络攻击的重要手段。文中在对变电站站控层网络流量行为特性进行分析的基础上，采用分形自回归积分滑动平均(FARIMA)模型对网络流量构建了阈值模型。针对变电站典型的网络攻击模式和流量异常特征，基于运行状态评估算法对某实际变电站站控层流量数据进行分析，并计算典型网络异常概率，从而实现了变电站在网络攻击情形下的安全态势评价。

摘要:针对风电机组现场故障样本难获取的问题，为实现风电机组发电机部件的故障诊断，通过分析风机监控与采集(SCADA)数据，设计了基于深度自编码(DAE)网络和XGBoost的故障诊断算法。该算法包含两部分:第一部分是DAE故障检测算法，通过DAE获取SCADA数据的重构值，分析重构误差的变化趋势与其超越阈值的情况以预测风机故障和提取故障样本；第二部分是XGBoost故障识别算法，用贝叶斯优化搜索XGBoost的最优超参数，建立XGBoost多分类故障识别模型。算例结果表明，DAE算法能够捕获风电机组发电机早期故障，XGBoost比其他算法更精确地识别不同故障类型。

摘要:随着智能电表的普及，以智能电表数据为基础，可按需求灵活划分不同规模的负荷聚合体并开展预测。由于负荷聚合体规模差异较大，并与用户负荷特性关系密切，传统预测方法不再适用。为此，提出了一种基于门控循环单元(GRU)网络与模型融合的负荷聚合体预测方法。首先，通过分布式谱聚类算法获得负荷特性相近的负荷群体，然后进行分组预测，采用GRU作为元模型，对时间序列进行动态建模，利用随机森林算法融合多个结构不同的GRU网络，实现对负荷群体的预测，最终将各群体预测值求和得到负荷聚合体预测值。算例表明，得益于分组预测、动态时间建模及模型融合技术，所述方法能充分利用不同模型的结构优势，发现时间序列动态规律，在不同时间尺度下预测精度更高，对不同规模的负荷聚合体适用性更强。

摘要:对海量负荷数据进行降维聚类处理是提取负荷关键信息，深度挖掘其内在规律的前提。根据负荷曲线的形态特征，文中提出了一种基于可变时间分辨率自适应分段聚合近似方法的曲线形态聚类算法。首先，根据负荷爬坡事件及基于斜率提取的边缘点来衡量负荷曲线的形态特征及其变化趋势，采用自适应分段聚合近似算法对用户日负荷数据集进行可变时间分辨率重构，进一步采用一种基于负荷曲线形态聚类的k-shape算法进行聚类处理，该聚类算法以一种基于曲线形态相似性的距离量度方式作为相似性判据，并依据斯坦纳树优化方法进行聚类中心计算。利用模拟数据、实测数据算例分析验证了所提算法在数据降维、负荷聚类中的实用性和有效性。

摘要:当前以深度学习为代表的新一代人工智能技术快速发展，作为引领新一轮科技革命和产业变革的战略性技术，已上升为国家战略，备受各行各业关注。电网调控运行作为电力系统运行的“决策大脑”，是集大量数据、机理分析、运行规程和专业经验相结合的综合性决策控制，与以数据驱动、知识引导为特征的新一代人工智能发展思路和演进方向十分相近。在分析新一代人工智能技术特点、电网调控运行业务场景及需求的基础上，提出了未来基于人工智能的调度控制系统设计思路、总体架构和主要功能，并从高性能计算、调控大数据、基于深度学习的电网预测及辨识、基于知识图谱的智能辅助决策以及基于语音交互的调度助手等方面，对其关键技术和潜在应用场景进行了分析。最后对未来人工智能在电网调控中的发展进行了小结和展望。

摘要:新一代人工智能(AI)近年来成为国内外研究的热点，其中的典型代表机器学习(ML)作为一个算法范畴，通过分析和学习大量已有或生成数据形成预测和判断以做出最佳决策。中国的新一代AI正处于快速发展的关键期，目前已在能源与电力系统中得到初步应用。基于此，文中以新一代AI中的ML为代表，重点综述了强化学习、深度学习、迁移学习、平行学习、混合学习、对抗学习和集成学习等7种代表性ML在能源与电力系统调度优化和控制决策等方面的应用。最后，对未来ML的发展进行了思考与展望。

摘要:分布式电源持续的规模化接入给微电网运行引入了显著的不确定性与噪声，增加了配电网监视的难度。而孤岛检测设备易受电网扰动干扰而误动作，导致分布式电源被切除运行，孤岛检测装置必须能够在噪声环境中准确区分判别扰动与孤岛情形。文中将基于多尺度高阶奇异谱熵的深度学习概念应用于孤岛检测问题，提出一种结合经验模态分解与高阶奇异谱熵的新型混合深度学习架构。作为经验模态分解后的信号处理方法，多尺度高阶奇异谱熵结合多分辨率高阶统计分析与谱分析并以熵值作为特征提取输出，进而通过深度学习架构对所提取的孤岛与扰动特征量进行训练及测试。仿真结果表明所提方法能够实现孤岛的准确检测，从而避免分布式电源退出运行。

摘要:针对传统集中式优化调度方法难以全面反映综合能源微网内不同智能体的利益诉求，以及人工智能技术在综合能源调度方面的应用亟待进一步挖掘等问题，提出了基于多主体博弈与强化学习的并网型综合能源微网协调调度模型和方法。首先，针对并网型综合能源微网中横向电气热冷各子系统及纵向源网荷储等各环节的不同投资与运营主体，开展了多智能体划分；其次，针对可再生能源服务商、微网系统能源服务商、电动汽车用户等智能体，分别构建了各自的决策模型，并建立了以多智能体间利益均衡为目标的联合博弈决策模型；再次，针对多主体博弈这一高维决策难题，引入人工智能求解方法，提出了基于Nash博弈和强化学习算法的综合能源微网协调调度方法；最后，通过实例验证了所提模型和方法的有效性与实用性。

摘要:风力发电的不确定性显著增加了电力系统可用输电能力(ATC)计算的难度。基于点估计的Gram-Charlier级数展开理论和深度学习技术，提出了一种计及越限概率要求的ATC快速计算方法，考虑的约束类型包括静态安全、静态电压稳定和暂态稳定约束。假定风电出力概率分布已知，结合两点估计法和Gram-Charlier级数展开，通过两个确定性场景的最大输电能力(TTC)计算结果逼近TTC的累积分布函数。为了快速、准确地获得确定性场景的TTC，利用堆叠降噪自动编码器(SDAE)建立了TTC计算的深度学习模型。获得TTC的累积分布函数后，将断面功率超过TTC的概率定义为越限概率，推导了给定越限概率要求下ATC计算的表达式。实际电网仿真结果表明，所提方法能够有效计及多类安全稳定约束，快速、准确计算不同越限概率要求下的ATC。