摘要:大语言模型（LLM）是一种利用大规模文本语料库进行预训练和微调的深度学习语言模型。目前，在通识问答、文本生成和科学推理等方面已展现出强大的能力。在此背景下，文中探索了基于LLM构建面向电力系统的通用人工智能技术，并展望其在电力系统中的潜在应用。首先，介绍了LLM的基本原理、神经网络架构以及训练方法，特别是与传统人工智能模型相比，LLM在逻辑推理、编程和代码理解以及数学推理方面的突破。然后,展望了LLM在电力系统负荷与新能源发电出力预测、电力系统规划、电力系统运行、电力系统故障诊断与系统恢复、电力市场等领域的潜在应用。最后，阐述了基于LLM构建电力系统通用人工智能技术所面临的挑战，包括电力系统数据的质量与可获取性、输出结果可解释性以及隐私保护问题。

摘要:可解释人工智能(XAI)作为新型人工智能(AI)技术，具有呈现AI过程逻辑、揭示AI黑箱知识、提高AI结果可信程度的能力。XAI与电力系统的深度耦合将加速AI技术在电力系统的落地应用，在人机交互的过程中为电力系统的安全、稳定提供助力。文中梳理了电力系统XAI的历史脉络、发展需求及热点技术，总结了XAI在源荷预测、运行控制、故障诊断、电力市场等方面的电力应用，并围绕解释含义、迭代框架、数模融合等方面展望了电力系统XAI的应用前景，可为推动电力系统智能化转型与人机交互迭代提供理论参考与实践思路。

摘要:数据与知识联合驱动的人工智能方法是利用数据驱动和知识驱动各自优势、取长补短形成的一种更优的联合方法。文中对联合驱动方法的特点和现状进行了分析，并对其电力调度重点应用场景进行了分类统计。总结了各类场景中联合方法的创新性、相较于单一方法的提升以及应用优势。归纳出了电力调度数据与知识联合驱动方法的3种联合建模方式：数据驱动优化知识驱动、知识驱动辅助数据驱动、数据驱动与知识驱动混合模式。最后，从准确性和高效性的平衡、有效性、可靠性等5个维度讨论了联合建模时存在的挑战性问题，对联合驱动方法在电力调度中的适用场景进行了总结及展望。

摘要:新型电力系统快速发展背景下，海量多源异构信息与多类型业务深度耦合，电力系统运行面临着强复杂性、随机性等挑战。同时，加快构建灵活智能的新型电力系统是能源发展的重要战略，亟须形成具备智慧性、自适应性、安全性的电力人工智能技术体系，推动新型电力系统智能化转型发展。文中对电力人工智能技术的演变过程与研究现状进行回顾总结；分析了以预训练多模态大模型为基础的新一代电力人工智能（AI EPS）的技术框架、原理与关键技术方法；提出了电力大模型技术在电力系统感知预测、调控决策与运行规划等场景的应用方案；阐述了基于电力大模型的电力人工智能面临的技术难点与应用瓶颈。最后，对电力通用人工智能技术应用进行了总结与展望。

摘要:配电系统窃电是造成电网非技术损失的主要原因，是供电企业运营管理中长期面对的痼疾。用电信息采集系统采集了海量用户数据，使得开展数据驱动的用电异常检测、准确识别窃电用户成为可能。受用户用电行为多样性影响，数据驱动的窃电检测方法的误报率在某些场景下尚难以满足实践需求，严重制约了该类方法的工程应用。文中首先介绍了窃电实现手法，然后梳理了在实践中得到工程应用的窃电检测方法以及数据驱动窃电检测方法的基本思路和局限性；在此基础上，结合工程应用对窃电检测评价指标的差异性需求，分析指出提取的可用信息不足、特征指标项灵敏性和可靠性不高是阻碍数据驱动窃电检测方法走向工程实用的主要原因。最后，从算法设计、状态空间细分以及特征指标项设计选择等不同层面对低误报率窃电检测进行了展望。

摘要:准确辨识空调负荷模型的参数是挖掘其节能及需求响应潜力的重要基础,当前研究大多采用精度较差的离线辨识方法。为此，基于数据驱动思想，提出一种变频空调模型参数在线辨识方法。首先，建立了数据驱动的空调负荷模型参数在线辨识架构。然后，基于空调负荷模型提出数据驱动的在线辨识机制和方法。其中，数据驱动的在线辨识机制设计为基于参数显著变化事件驱动的参数更新判别机制和基于历史参数波动范围的参数动态阈值设定机制，在该机制下通过粒子群优化算法建立了快速在线辨识方法。最后，通过实测环境，验证了所提在线辨识方法的有效性，与离线辨识方法相比，所提方法极大地提高了计算速度及准确度，可满足在线应用需要。

摘要:系统自然激励下的随机响应数据中蕴含丰富的机电行为特征信息，准确地从随机响应数据中辨识小干扰稳定特征参数对于指导电力系统安全稳定运行具有重要现实意义。文中提出了随机数据驱动下基于子空间最优模式分解的小干扰稳定特征参数在线辨识算法。该算法通过对输入数据进行基于正交投影的矩阵线性变换得到其奇异子阵，并利用共轭梯度算法迭代求解最佳低维正交空间，以实现奇异子阵之间高维映射矩阵的最优低维近似，根据最优低维映射矩阵的特征值分解结果可以准确获得系统小干扰稳定特征参数，即振荡频率、阻尼比、模态。基于正交投影的矩阵线性变换以及共轭梯度法的引入使得动态模式分解法能较好地适应随机响应数据。IEEE 16机68节点系统和实际系统量测数据的计算和分析验证了所提算法的有效性和准确性。

摘要:电动汽车（EV）充电需求估计是研究电动汽车与电网互动（V2G）的重要前提。为此，提出一种行驶轨迹数据驱动的EV充电需求预测模型，并进一步考虑用户多维效益，构建用户选择参与V2G响应的用户决策模型，分析区域V2G响应能力的调控潜力。首先，对行车轨迹大数据集进行清洗与挖掘，基于动态能耗理论构建了EV充电需求时空分布预估模型。其次，基于社会行为学理论并综合考虑用电需求效用、经济效用、环保效用以及社会效用，构建了EV用户选择参与V2G响应的概率选择模型。该模型不仅考虑了EV用户的异质性，而且体现了用户决策的交互影响。最后，建立V2G可响应容量调度模型，分析V2G响应资源对区域负荷的调节效果。结果表明，所提模型不仅能有效估计某城市区域的EV充电需求时空分布特性，而且能挖掘该区域选择参与V2G响应的EV潜在用户数量，为研究V2G响应资源对区域负荷的调控潜力提供了支撑。

摘要:在考虑不确定性的N-1安全校核、可靠性计算等需大规模重复潮流计算的场景中，基于深度神经网络（DNN）的数据驱动方法存在部分潮流变量误差异常的问题，影响潮流越限判别的准确率。对此，首先通过理论推导，分析DNN参数更新过程及数据标准化原理，发现该问题的重要成因之一为：DNN仅根据标准化误差迭代训练模型，未计及潮流变量的真实学习误差及工程实际的精度要求，无法及时针对误差异常的潮流变量调整DNN参数。然后，面向潮流计算提出基于动态学习权重的DNN自适应训练方法。该方法通过每轮迭代中验证集的真实学习误差、越限误判率及误差统计指标，确定各潮流变量的学习权重，有效降低数据驱动潮流计算的异常误差。最后，在IEEE标准算例和Polish 2383节点系统上仿真验证了所提方法的有效性。

摘要:在电网调度决策领域应用人工智能(AI)技术已成为研究热潮,但目前AI技术在泛化性、安全性、可解释性等方面的缺陷成为阻碍其实际应用的瓶颈。作为新一代人工智能五大技术方向之一，混合增强智能将人的认知引入人工智能系统中，与机器智能共同形成的混合智能形态，有望成为突破当前AI应用瓶颈的重要方法体系。文中重点研究混合增强智能调度的基础框架——人机协同知识演化机理和方法，为将当前“机器辅助调度”模式提升到“混合增强智能调度”模式奠定理论基础。首先，分析了当前AI技术在电网调度决策中的应用现状；其次，阐述了知识演化的内涵，并提炼科学问题；再则，探讨了知识演化的实现思路，并归纳为“一个架构、二个通道、一个推理机制”；最后，分别从知识架构、知识获取、知识解释和知识推理对支撑知识演化的4项关键技术进行了研究，提出了研究参考思路和实现方法。

摘要:随着居民分布式资源的普及，如何考虑用户多类型设备的运行特性，满足实时自治能量管理需求以达到用户侧经济性最优成为亟待解决的课题。传统基于模型的最优化方法在模型精准构建和应对多重不确定性等方面存在局限性，为此提出一种无模型的基于深度强化学习的实时自治能量管理优化方法。首先，对用户设备进行分类，采用统一的三元组描述其运行特性，并确定相应的能量管理动作；接着，采用长短期记忆神经网络提取环境状态中多源时序数据的未来走势；进而，基于近端策略优化算法，赋能在多维连续-离散混合的动作空间中高效学习最优能量管理策略，在最小化用电成本的同时提升策略对不确定性的适应性；最后，通过实际情境对比现有方法的优化决策效果，验证所提方法的有效性。

摘要:针对区域交直流混合配电网中实时量测覆盖率低、量测误差分布具有不确定性的问题，提出了基于深度神经网络（DNN）伪量测建模的交直流配电网区间状态估计方法。该方法首先对DNN进行离线训练，然后将实时量测数据和电压源换流器控制的变量值作为DNN的输入特征，建立伪量测模型；接着，在实时量测更新时，利用已训练好的DNN快速生成伪量测；最后，对伪量测和实时量测的不确定性采用区间形式建模并进行区间状态估计，进而准确监测交直流系统状态。算例仿真结果表明，所提方法能够避免对量测误差的概率分布进行假设，并且能够在低冗余量测配置或量测缺失时，准确获得交直流配电网状态变量的上下界信息。

摘要:对拓扑结构进行优化可提高电力系统运行灵活性，然而线路开断与变电站母线分裂等系统级的离散决策变量维度极高。该拓扑结构优化问题难以由传统混合整数优化方法求解。针对该问题，提出了一种结合异步优势Actor-Critic（A3C）深度强化学习与电力系统领域知识的运行优化方法，将在线优化的计算负担转移至离线智能体训练阶段。该方法通过同时考虑拓扑结构与发电出力调整的动作空间设计系统运行控制智能体，以最小化约束越限为训练奖励，通过强制约束校验缩减搜索空间并提高强化学习效率，从而实现电力系统运行拓扑结构优化的快速计算，提高电力系统运行的安全性。仿真测试验证了所提方法的有效性。

摘要:随着信息化程度的不断深入，传统电力系统逐渐发展成为典型的信息物理系统(CPS)。开放的信息系统环境使得电力系统的安全运行面临着各种潜在网络攻击的威胁。近年来，机器学习方法迅猛发展，并已广泛应用于电力CPS网络安全领域。一方面，电力CPS中数据的爆炸式增长以及硬件运算能力的提升为机器学习的应用创造了良好条件；另一方面，相比于传统的基于机理的建模分析方法，基于数据的机器学习方法具有模型构建以及实时性需求2个方面的优势。文中从攻防2个角度对机器学习在电力CPS网络安全领域的应用进行了归纳总结。其中，攻击者角度主要包括拓扑信息推断、攻击资源优化以及攻击构建3个方面；防守者角度主要包括安全保护、攻击检测以及攻击缓解3个方面。最后，分析展望了电力CPS网络安全领域存在的挑战以及未来的研究方向。

摘要:随着电动汽车的快速普及，交通网与电网的耦合进一步加深，交通网出行模式将对电动汽车充电负荷产生显著影响。传统的充电负荷模拟方法依赖于对交通路网和电动汽车个体建模并有较强的假设。文中提出了一种基于数据驱动的卷积自编码器和条件对抗生成网络的电动汽车充电负荷场景生成方法。该方法首先采用基于无监督学习的卷积自编码器对交通网出行预测数据降维并自适应地抽取出特征信息。其次，设计了一种适用于日前交通网充电负荷场景生成的条件生成对抗网络，并利用卷积自编码器抽取出的特征信息，隐式地学习得到不同交通网出行模式对应的电动汽车充电负荷条件概率分布，从而实现日前的电动汽车充电负荷场景生成，为电网运行与充电站运营提供了支撑。最后，以实际城市路网为例验证了所提出充电负荷场景生成方法的有效性。

摘要:针对大规模充换电站的聚合优化调度问题，提出一种基于SAC深度强化学习的充换电负荷实时优化调度策略。该策略充分考虑了负荷调控过程中的用户因素、系统因素和市场因素，能够实现大规模电动汽车与各类电力系统主体的友好互动。首先，考虑充换电站的发展规模和调度性能建立联合运行框架；其次，提出考虑多重用户特征的可调性识别模型对电动汽车的实际可调性进行判断；进而，考虑充换电站优化调度的多重时空特征，构建不同场景下可调充换电负荷的优化调度模型；然后，基于SAC算法求解并网充换电负荷的实时调度方案；最后，以电动汽车聚合优化虚拟电厂负荷为例，验证了SAC算法应用于大规模电动汽车充换电负荷实时优化调度的经济性和高效性。

摘要:极端事件下，合理利用微网盈余电力供应配电系统中的关键负荷，可有效提升电网弹性。基于深度强化学习(DRL)技术，提出一种考虑微网参与的配电系统动态关键负荷恢复（DCLR）方法，支持以无模型的方式求解复杂问题，以提升在线计算效率。首先，分析含微网的配电系统DCLR问题，并在此基础上构建其马尔可夫决策过程，其中考虑了配电系统运行、微网运行和用户满意度等约束条件。其次，基于OpenDSS构建DCLR模拟环境，形成DRL应用所需的智能体-环境交互接口，进一步采用深度Q网络算法搜寻关键负荷恢复的最优控制策略，并定义收敛性、决策能力指标分别用于评价智能体的训练和应用表现。最后，基于改进的IEEE测试系统验证了所提方法的有效性。

摘要:限流策略、源源交互、故障及负荷水平多变等因素使得快速准确评估多虚拟同步机（VSG）微电网的暂态稳定性十分困难。针对现有难题，提出了基于深度学习的多VSG微电网在线暂态稳定评估方法。首先，通过分析VSG控制特性、电流限幅器、故障程度、负荷水平对系统稳定性的影响，以系统动态参数为主、稳态参数为辅，构建了一组具有强表征能力、可避免维数灾难的原始特征集。基于此，应用深度前馈神经网络及Levenberg-Marquardt算法，提出了多VSG微电网暂态稳定非线性评估模型。在多VSG微电网中的验证结果表明，相比现有方法，所提方法极大地提高了在线暂态稳定评估的准确率，可快速实现多VSG微电网在复杂工况下的稳定性准确判别，具有良好的评估性能。

摘要:在区域型综合能源系统（IES）内各负荷间耦合程度逐渐增强和对更准确、可靠的用能预测需求日益提高的背景下，提出一种基于耦合特征构造及多任务学习的IES冷热电负荷短期预测方法。首先，从特征工程的角度利用耦合特征挖掘算法构造IES冷热电负荷耦合特征变量，提取不同能源负荷需求间的耦合特征，进而将负荷历史数据、耦合特征变量及气温等外生变量作为模型输入，利用多任务学习的共享机制建立IES的负荷预测模型，使得各能源预测子任务间的高维特征及模型参数能够通过基于长短期记忆神经网络搭建的共享学习层相互借鉴，以实现对负荷间耦合特征的充分挖掘和利用。以美国亚利桑那州立大学坦佩校区IES为例，通过预测结果精度对比和深度学习模型可解释性研究，证明所提出的预测方法可以有效提高区域型IES冷热电短期负荷预测的精度。

摘要:为提高基于数据驱动的暂态稳定评估模型对电网的自适应性，将深度迁移学习引入更新过程，提出一种基于两阶段迁移学习的暂态稳定评估框架。所提框架根据时间尺度分为2个阶段:在第1阶段，利用深度子领域自适应网络挖掘无标注数据信息，将模型的评估性能快速提升到相对可靠的水平,得到迁移模型，结合时域仿真法进行综合判稳，提高电网变化初期模型的可用性;在第2阶段，利用迁移模型筛选高价值样本集，并结合样本迁移和微调技术进行二次更新，使评估性能恢复到较高水平，降低更新时间成本。在IEEE 39节点系统和中国某省级电网模型上进行测试，结果表明所提框架具有完备性，可使模型快速响应电网的变化。

摘要:随着可再生能源发电渗透率的不断增大，配电系统的电压越限问题愈发频繁，亟需高效的电压管理策略以保证配电系统的安全经济运行。首先，文中建立了双时间尺度的配电系统电压管理模型，实现不同时间响应特性的调压设备协调控制。然后，将2个时间尺度的电压管理模型建模为马尔可夫决策过程，在有效考虑两者的时间耦合关系和可控设备物理特性的基础上，分别利用多智能体深度确定性策略梯度算法和双深度Q网络算法求解模型,实现了双时间尺度的实时电压管理。最后，基于IEEE 33节点配电系统进行算例分析，验证了所提模型和方法的有效性。

摘要:受互联网用户推荐技术的启发，基于调度系统中运行人员的历史操作记录，结合数据分析与机器学习算法提出了一种有效的调度操作行为模式挖掘与推荐技术。首先，所提技术采集记录调度员日常操作数据，并通过页面类型划分、会话识别、事务识别等过程实现数据预处理。然后，利用模式分析和聚类分析完成调度员行为模式挖掘，并结合关联规则将模式数据压缩至频繁模式树（FP-tree）。最后，利用基于模式树结构的实时推荐系统为调度员提供操作推荐服务。在实际调度系统上进行验证和应用，结果表明所提技术能有效识别出调度员的操作行为模式并为调度员提供较为精准的操作推荐，进而提高调度员与调度系统的交互效率，减少调度员的工作量。

摘要:Ceph系统被广泛应用于电力数据的存储，现有数据中心依赖人工经验对存储配置参数进行优化。但是，人工经验无法适应电网的动态变化，准确性低，无法满足激增的电网边缘快速存储与处理需求。针对以上问题，在电力数据存储系统中提出一种基于强化学习的数据负载感知自适应配置参数推荐方法。该方法基于强化学习的马尔可夫链蒙特卡洛采样算法配置参数样本集和相应的集群性能，使用分层建模方法构建性能预测模型，采用集群性能代价函数与负载相似度估算结合算法，提供负载的快速感知和配置参数的持续优化。实验结果表明，采样效率得到有效提升，预测精度优于现有预测模型，满足电力数据采集系统的运行要求，且寻优耗时也低于现有的黑盒参数调优方法。

摘要:矢量化的电网厂站接线图需要调度运维人员参考设计图纸进行人工绘制及导入，工作量巨大且极易出错。针对电网厂站接线图中图元、文字以及接线关系3个核心的识别问题，提出一套基于人工智能的完整电网厂站接线图识别方法，显著提升识别的效率和准确性。通过结合分级预处理的重叠滑窗机制与YOLOv4算法，解决电网厂站接线图的“大图像小图元检测”问题；通过迁移学习与卷积循环神经网络结合，提升包含中文电气文本的识别率；通过嵌入电气领域知识与规则，提升接线识别的准确率。最后，根据获取的电气元件信息、文本信息、连接线信息，完成其他下游任务。采用实际调度系统导出的电网接线图数据集，设计了图元、文字、接线识别三方面的对比实验，验证了所提方法的有效性。