試論人工智能在智能電網中的應用及未來方向研究

莊莉，高偉，郭麗華，王燕淑，宮江偉

（福建億榕信息技術有限公司，福建福州，350000)

1 人工智能與智能電網

人工智能包含多個方面，是眾多學科在不斷碰撞下，逐漸交融發展而來的綜合學科，其中包括搜索、知識表示、規劃推理等板塊。人工智能是科學領域的重要代表，其目的是創造出能夠幫助人們，作為具有智能水平的智能機器，對于人類發展來說有著重要的進步。淺層機器學習模型，為人工智能的第一批研究模型，由于樣本和計算單元有限，使得當時的機器學習無法計算復雜函數，令其泛化能力受到制約[1]。

隨著目前科學技術的發展，人工智能也開展了更多的研究，現在的人工智能主要存在四種特點：第一種是具備多隱層網絡結構；第二種是可以針對隱層網絡，采用無監督、半監督學習算法，進行逐層預訓練；第三種是海量學習樣本；第四種是從低層特征出發，令智能機器可以自動學習高級特征。在此基礎上，從環境到行為映射，智能機器可以進行再勵學習，依靠自身的經歷和周圍的環境，改進行動方案并進行自我學習，進而形成人工智能領域新的研究熱點[2]。

2 智慧電網輸電裝置及應用環節

現如今，國內外尤其是歐美發達國家已經根據自身的電網結構、技術特點等內容對智能電網進行了深入研究與探索。因為各國電網應用狀況存在差異，所以針對智能電網提出的定義和理解也有所不同。但從實踐角度來看，智能電網主要是指運用信息化技術，讓電力生產、輸送、變化、分配等模塊可以在統一管理中得到合理運用，以此在廣泛傳遞電網信息的同時，保障城市供電的精確性和有效性。

結合如下圖1所示的智能電網應用結構圖分析可知，我國建設發展提出的“堅強智能電網體系”包含智能電表、智能電網設計、智能發電系統等多項內容，在實踐發展中，不僅要滿足用戶需求和電網安全保障，還要將堅強看作智能電網發展的根基，而智能屬于實踐技術探討的核心，只有兩者全面融合才能滿足現代化智能電網建設發展需求。

而智能電表作為智能電網運行的終端，不僅具備傳統電能表所包含的計量功能，為了滿足智能電網建設和新能源應用需求，科研學者還利用先進技術理念提出了多種數據傳輸模式、用戶端控制功能、多項多種費率計量功能等[3]。從實踐角度來看，智能電表會利用電流互感器或分流器將電流信號，轉變成可以利用的小信號，并根據分壓電阻或電壓互感器將電壓信號轉變成可測量的小信號，而后結合專用芯片將模擬信號轉變成數字信號，并對其實施數字積分運算，由此輸出頻率和電能是正比例關系的脈沖信號，相應的脈沖信號被傳遞到微計算機，在經過處理后會呈現在液晶屏幕上[4]。由此可知，基于人工智能設計的智能電表主要包含以下部分：第一，電源模塊，主要用來為電能表提供所需的電源；第二，計量模塊，會在收集電壓電流樣本的基礎上，利用計量芯片轉變成實際電能的數字數據；第三，顯示模塊，主要用來呈現電量等有關數據信息；第四，通信模塊，主要用來與主機傳遞信息，屬于數據傳輸的主要通道；第五，安全模塊，主要用來保障數據傳輸的安全性能；第六，時鐘模塊，主要為系統運行提供實時的時鐘信息，可以作為電量凍結和切換費率的有效依據；第七，儲存模塊，主要用來存儲與電能表有關的各項參數、電壓電流，數量、歷史數據等[5]；第八，通斷電模塊，主要用來合理管控用戶的停送電。

圖1 智慧電網應用環節

3 當前智能電網中人工智能的使用情況

3.1 智能電網中電力系統故障診斷

作為智能電網自愈過程的主要環節，對于智能電網的構建來說，有著重要作用。電力系統故障診斷可以分為三個級別，分別為系統級、器件級，以及設備級，根據電網的受損情況，合理選擇故障診斷方法。在傳統方法的使用中，通常會根據電網的時頻特性，以物理手段獲取故障特征，雖然在電力工業中發揮了較大作用，但是在復雜故障的處理中，無法對故障進行深入診斷，且其適用范圍有限。為此，可以基于人工智能技術，并將該技術應用于故障診斷。

3.2 智能電網電力負荷預測

當智能電網中出現電力負荷的情況時，會為整個電網的建設帶來負面影響，負荷預測是電網運行的基礎，在傳統方法的使用下，存在難以獲取數據、模型結構復雜等問題，針對這些問題，目前的負荷預測方法可分為：前饋神經網絡、回歸樹SVM等方法，這些方法主要采用變分模態分解原理，結合經粒子群算法，將歷史負荷序列逐步分解，并優化電荷重組后的DBN模型，進而提高模型預測精度。

針對智能電網負荷調度問題分析可知，本文研究提出的算法主要用來管理不同能量消耗級別的大量可控制電器。雖然現如今科研學者提出了多種應用算法處理相關問題，但因為實踐應用過于復雜，最常見的依舊屬于遺傳算法。遺傳算法不僅為給定問題提供了近似最優解，還具備解決復雜能力的獨特優勢。結合下圖2所示的G-DSM算法流程圖分析可知，其主要用來解決成本優化問題。

圖2 G-DSM算法流程圖

針對正與算法應用進行實驗分析發現，按照如下表1所示的可控設備進行調度管理分析發現，可以得到如下圖3、圖4、圖5所示的對比結果。

表1 可控設備的介紹

圖3 基于算法規劃前后的電力消耗對比圖

圖4 基于算法規劃前后的電力費用對比圖

圖5 基于算法規劃前后的電力能耗對比圖

根據上圖3分析可知，本文研究提出的G-DSM可以有效管控所在區域內部的大量可控負載。這類算法可以在調整負載的基礎上獲取最小化成本和最低的峰均比，用電用戶可以在價格較低的情況下安排最大荷載。根據上圖3分析可知、用戶的峰值負荷從沒有規劃的98.8kWh下降到了91kWh，整體下降了7.96%；而上圖4中用戶在適當調整復合的基礎上，每日電費消耗從1367元下降到每天1269元，所在區域的用戶每天消耗電費下降了7.13%。通常來講，所處區域內部存在非常多的可控電器，結合上圖5分析可知，運用G-DSM算法處理整棟小區的電力調度結果，并和應用算法之前的電力消耗情況進行對比分析可知，規劃之后的一天用電消耗差有了明顯下降，由此可知針對實時定價信號，區域用電負荷得到了科學管控。

4 結束語

在社會的不斷進步中，人們對生活質量的需求愈加迫切，在這種變化下，電力已經成為人們生活中不可或缺的資源，而人工智能的出現，又為智能電網的構建指明了新的方向。為了更好的促進電力系統信息化與自動化，基于物聯網技術，使電力系統的各個元素有效連接，人工智能是科技行業的創新，通過這種創新模式，不僅會提高智能電網中電流的運行效率，還推動了電力系統的整體發展，使其朝著可調可控、可觀可測的方向不斷進步。對預測精度來說，人工智能可以收集該項目優質的訓練數據集[6]，通過對比實驗，針對不同的預測場景，預測電壓的穩定數據，對于智能電網的實現是值得嘗試的一個方向。