鞠平，周孝信，陈维江，等：“智能电网+”研究综述

（以下为本文主干内容，原文详见《电力自动化设备》2018年第38卷第5期）

鞠 平^1，2，周孝信³，陈维江⁴，余一平^1，2，

秦 川^1，2，李若梅⁵，王成山⁶，董旭柱⁷，

刘 健⁸，文劲宇⁹，刘玉田¹⁰，李 扬¹¹，

陈 庆¹²，陆 晓¹²，孙大雁^1，12，

徐春雷¹²，陈星莺^1，2，

吴 峰^1，2，马宏忠^1，2

（1．河海大学 能源与电气学院；

2．河海大学 可再生能源发电技术教育部工程研究中心；

3．中国电力科学研究院；4．国家电网公司；

5．中国电机工程学会；

6．天津大学 教育部智能电网重点实验室；

7．南方电网科学研究院有限责任公司；

8．陕西电力科学研究院；

9．华中科技大学 电气与电子工程学院；

10．山东大学 电网智能化调度与控制教育部重点实验室；

11．东南大学 电气工程学院；12．国网江苏省电力公司）

人工智能（Artificial Intelligence, AI）是经济社会发展的大趋势和大需求，国内外相关学术研究与技术开发如火如荼、日新月异。智能电网（Smart Grid，SG）是电力系统发展的必然趋势，其核心要义便是“智能”，但目前智能水平还很低。而AI技术的快速发展，为智能电网的发展提供了重大的机遇，也提供了强大的动力。所以，智能电网的发展已经到了升级阶段——走向更高层次的深度智能。

本文提出“智能电网+”（Smart Grid Plus，SG+）的概念，涵义是借助人工智能技术实现智能电网的升级版，使电网具有更高级、更深层的智能。本文首先综述AI的研究进展，指出AI并非万能、也非无能；然后综述SG领域相关的研究进展，指出SG发展中 “三高”（高比例新能源并网、高比例电力电子装置、高比例新负荷接入）和“三多”（多种能源相结合、多种网络相结合、多种主体相结合）的趋势。在回顾AI在电力行业应用的基础上，结合以深度学习为代表的第三代人工智能技术的发展，对深度学习等人工智能技术在智能电网适用的相关领域进行分析和展望。

以深度学习为代表的AI方法在多个应用领域，尤其是大规模数据集的应用取得了突破性的进展，但现阶段学习“深度”仍然不够：

a. 在学习模式方面。目前，标记数据的特征学习（监督学习）仍然占据主导地位。而真实世界存在着的往往是海量的无标记数据，人工难以发现其中的特征，因此无标记数据的特征学习（无监督学习）还需要进一步研究。

b. 在模型结构方面。目前的网络结构还是平面网络，而人类大脑不仅是平面分布成层，还有纵向排列。因此，为了实现更深层次的学习，还需要进一步研究相应的模型结构。

c. 在训练速度及精度方面。深度神经网络结构复杂，模型规模庞大。在海量样本数据集下，模型规模越大，训练速度越慢。如何在保证一定训练精度的前提下提高训练速度仍然需要进一步研究。

此外，从科学研究以及实际应用的角度，需要辩证地看待AI。

一方面，AI并非万能，如丁肇中教授所言，其无法发现相对论、量子力学、暗物质等，想象力、创造性还是人的优势。

另一方面，AI也非无能，它可以辅助人类减轻脑力和体力劳动，不应该一概排斥、拒绝。所以，关键是要找准“AI+”的结合点，即采用传统方法、人工方法难以奏效，而借助AI却很有效的领域。

随着能源行业的变革以及新技术的涌现，SG发展具有如下趋势：

a. “三高”，一是高比例新能源并网，包括风力发电、太阳能发电、海洋能发电等；二是高比例电力电子装置，包括源、网、荷等方面；三是高比例新负荷接入，包括电动汽车、分布式发电、分布式储能、变频空调、LED照明等；

b. “三多”，一是多种能源相结合，包括电、热、气等；二是多种网络相结合，包括电网、信息网、气象网、交通网等；三是多种主体相结合，包括供电多元、电力市场等。

为了满足上述“三高”和“三多”的发展趋势，SG要走向更高层次的深度智能。但到目前为止，电网的智能水平还处在浅层阶段，远远不能够满足电网的需要。

AI技术的快速发展，为SG的发展提供了绝好的机遇，也提供了强大的手段。所以，SG的发展已经到了升级阶段。为此，笔者提出了“智能电网+”（Smart Grid Plus, SG+）的概念，使电网具有更高级、更深层的AI，从而进一步提升电网运行的安全性、经济性和可持续性。

a. 电力大数据。大数据是AI技术应用的根本，大数据挖掘和分析也是现有AI技术的主要优势。当前电力系统已有EMS/DMS、WAMS、故障录波、智能电表等大数据源，但还应根据具体应用需求接入其他信息数据。例如在220 kV及以下电压等级安装PMU动态量测，在各发电机、变压器等设备安装故障诊断用量测传感器。在此基础上，根据不同应用及需求，实现多数据源的深度融合。

b. 电源侧研究。除可再生能源发电功率预测外，借助深度学习等AI方法在应对不确定性方面的优势，开展风电场等可再生能源接入“即插即用”式建模，借助AI模式识别方面的优势，实现常规发电机组、风电机组等发电设备的故障诊断与预警等均具有较大的应用前景。

c. 电网侧研究。在电力系统仿真分析领域，随着特高压交直流联网，我国电网规模越来越庞大。仿真分析时，能否借助AI的方法加速潮流收敛值得研究。在稳定计算领域，能否通过AI技术实现不同稳定特征量识别、稳定控制措施的自动推荐匹配。能否借助AI技术，一方面基于实际电网常见的微小扰动实现动态特征提取、扰动源识别，实现电网动态安全的预警预控；另一方面利用微小扰动验证仿真模型的准确性。在其他方面，如电网全景化运行监测、多层一体化精细无人调度、设备管理、设备健康程度诊断等，AI技术也有广阔的应用前景。

d. 负荷侧研究。随着大量分布式电源接入带来的功率随机波动性，以及空调等温度敏感型负荷的增多，地区电网负荷预测的准确性已成为困扰电网运行调度的主要问题之一。基于负荷历史数据、气象数据等大数据的深度融合，借助AI技术在预测上的优势开展相关研究可提高负荷预测的准确性。此外，在负荷建模领域，基于用户侧营销系统与调度系统海量数据，借助深度学习技术在分类问题上的优势，从用户和变电站两个层面，非侵入式识别底层用户的负荷成分，评估柔性负荷比例，掌握负荷时变性规律，进而可能解决负荷建模中负荷时变性的难题。

本文提出了“智能电网+”的概念，并对AI技术在SG的适用领域进行分析和展望：

a. AI技术本身发展还没有完全成熟，尚未达到人类思维的程度。AI在SG哪些领域适用，能解决什么问题，还需要深入研究。

b. AI在电力行业的应用必须要面向实际需求。其重点应用领域应能充分发挥AI优势，如代替危险的工作，或者能极大提高效率，并兼顾电网安全性和经济性。

c. AI应用领域必须具备大数据基础，需要多种数据源的深度融合。

d. 借助AI在预测、分类、识别以及决策支持方面的优势，其在依赖于数据分析的领域，如电力系统设备管理、运行控制、灾害防御、电力市场交易等，存在广阔的应用前景。