人工智能在電網運行中的應用

劉云帆，袁梓浩，劉廣發，程若楠，周含方

（山東科技大學，山東 濟南 250031）

1 人工智能

電網運行時，人工智能和大數據的接入如圖1所示。

人工智能是使計算機來模仿人的某些思維過程和智能行為，如學習、推理、思考及規劃等，可分為計算智能、感知智能及認知智能三種模式。計算智能是通過對大數據的處理分析模仿出人類對數據處理的能力，并快速計算出相應結果；感知智能是通過類似于人類感知器官的器官，去辨別和學習周圍的事物，如對視覺的圖像處理；認知智能是讓計算機擁有和人類一樣的思考能力，能通過大數據的整理計算，做出相關正確決定。這三種模式相互配合共同推動了人工智能技術的進步，讓計算機具有人類思維，并能代替人類工作[1]。由于現有的算法更替，目前在人工智能中多應用模糊邏輯和機器學習。

圖1 電網運行時人工智能和大數據的接入

1.1 模糊邏輯

計算機能完成對簡單邏輯的判斷，并能做出正確和錯誤的判斷，是一種最簡單的邏輯判讀。根據相關模糊邏輯塊的堆疊，達到對簡單過渡性問題的判斷和解讀，并進行實時推理和計算。這種邏輯思維更符合人類的思維，其中包含多個模糊變量的判斷和比對。

1.2 機器學習

機器學習是最簡單的模仿人類的行為算法，機器學習是通過對大量數據的篩選和處理，得到下一步相應的預測，即通過大量的數據檢測，獲取相應的經驗預測。機器學習分為傳統的機器學習、深度學習及強化學習。

2 人工智能在電網中的應用

2.1 對可再生能源管理預測

間歇性可再生能源在現代社會日益普及，發電時產生的間歇和波動對電網造成的影響越來越大，確定一個精準的可再生能源周期對預測發電時功率、保障系統的運行穩定性和促進經濟的發展都很重要。

建立一個處理數據能力和特征提取能力極強的預測模型是加強間歇性可再生能源發電功率預測精度的關鍵。此外，還需具備優秀的修正功能和自我學習功能。淺層模型通常作為傳統預測方法，它的缺點在于處理非平穩特性、非線性風能和光照數據時性能相對薄弱。因此，相關研究者需開發出具有深度學習能力和回歸能力的預測模型[2]。

政策、價格及天氣等因素影響著能源負荷，因此構建精準的模型相對困難。采用深度學習的方法，以快速地提高預測能力。

2.2 電網的穩定性評估

電網的穩定性體現在當電網受到大小干擾后能快速恢復到原有的運行狀態，并在受到擾動時做出相關應對決策。當各種優化因素加入到電網的穩定控制時，增大了電網穩定的控制難度。

列解傳統的電網穩定模型十分笨重，建模需考慮各種各樣的拓撲結構、運行方式和故障類型等。因此，這種模型的建立方式比較古板單一，不能靈活地應對現在新能源和新型電力設備的接入，限制了現有智能電網的發展。當現有的模型流控制轉化為數據流控制時，可通過數據挖掘和人工智能學習的方式對數據進行處理，直接進行有效地預測控制。當數據信息量較小時，可采用深度學習的方式進行信息的提取、捕獲及預測，得到充分有效的信息后采用強化學習的方式進行數據提取，大大提高了決策的精確度和有效控制率[3]。

2.3 在配用電行為中的應用

人工智能具有良好的學習能力。通過機器學習中的聚類能力、分類能力及辨識能力可在配用電行為中進行數據和負荷的檢測，通過有效的數據檢測能高效地解決接入系統問題。促進和改善綜合能源系統，以提供更高效的操作方式，更好地支撐相關數據流。用戶端的配電行為中，以電表采集的功率、電壓及電流等作為數據流的基礎，加入人工智能的思維，對客戶進行分類供配電行為，達到高效配電的目的。

3 結 論

近年來，人工智能技術日益普及，已滲透到工業生產的各個方面。電網建設中，人工智能的應用大大減少了控制過程，保障了電網的高效配電。