人工智能在电网运行中的应用

刘云帆，袁梓浩，刘广发，程若楠，周含方

（山东科技大学，山东 济南 250031）

1 人工智能

电网运行时，人工智能和大数据的接入如图1所示。

人工智能是使计算机来模仿人的某些思维过程和智能行为，如学习、推理、思考及规划等，可分为计算智能、感知智能及认知智能三种模式。计算智能是通过对大数据的处理分析模仿出人类对数据处理的能力，并快速计算出相应结果；感知智能是通过类似于人类感知器官的器官，去辨别和学习周围的事物，如对视觉的图像处理；认知智能是让计算机拥有和人类一样的思考能力，能通过大数据的整理计算，做出相关正确决定。这三种模式相互配合共同推动了人工智能技术的进步，让计算机具有人类思维，并能代替人类工作[1]。由于现有的算法更替，目前在人工智能中多应用模糊逻辑和机器学习。

图1 电网运行时人工智能和大数据的接入

1.1 模糊逻辑

计算机能完成对简单逻辑的判断，并能做出正确和错误的判断，是一种最简单的逻辑判读。根据相关模糊逻辑块的堆叠，达到对简单过渡性问题的判断和解读，并进行实时推理和计算。这种逻辑思维更符合人类的思维，其中包含多个模糊变量的判断和比对。

1.2 机器学习

机器学习是最简单的模仿人类的行为算法，机器学习是通过对大量数据的筛选和处理，得到下一步相应的预测，即通过大量的数据检测，获取相应的经验预测。机器学习分为传统的机器学习、深度学习及强化学习。

2 人工智能在电网中的应用

2.1 对可再生能源管理预测

间歇性可再生能源在现代社会日益普及，发电时产生的间歇和波动对电网造成的影响越来越大，确定一个精准的可再生能源周期对预测发电时功率、保障系统的运行稳定性和促进经济的发展都很重要。

建立一个处理数据能力和特征提取能力极强的预测模型是加强间歇性可再生能源发电功率预测精度的关键。此外，还需具备优秀的修正功能和自我学习功能。浅层模型通常作为传统预测方法，它的缺点在于处理非平稳特性、非线性风能和光照数据时性能相对薄弱。因此，相关研究者需开发出具有深度学习能力和回归能力的预测模型[2]。

政策、价格及天气等因素影响着能源负荷，因此构建精准的模型相对困难。采用深度学习的方法，以快速地提高预测能力。

2.2 电网的稳定性评估

电网的稳定性体现在当电网受到大小干扰后能快速恢复到原有的运行状态，并在受到扰动时做出相关应对决策。当各种优化因素加入到电网的稳定控制时，增大了电网稳定的控制难度。

列解传统的电网稳定模型十分笨重，建模需考虑各种各样的拓扑结构、运行方式和故障类型等。因此，这种模型的建立方式比较古板单一，不能灵活地应对现在新能源和新型电力设备的接入，限制了现有智能电网的发展。当现有的模型流控制转化为数据流控制时，可通过数据挖掘和人工智能学习的方式对数据进行处理，直接进行有效地预测控制。当数据信息量较小时，可采用深度学习的方式进行信息的提取、捕获及预测，得到充分有效的信息后采用强化学习的方式进行数据提取，大大提高了决策的精确度和有效控制率[3]。

2.3 在配用电行为中的应用

人工智能具有良好的学习能力。通过机器学习中的聚类能力、分类能力及辨识能力可在配用电行为中进行数据和负荷的检测，通过有效的数据检测能高效地解决接入系统问题。促进和改善综合能源系统，以提供更高效的操作方式，更好地支撑相关数据流。用户端的配电行为中，以电表采集的功率、电压及电流等作为数据流的基础，加入人工智能的思维，对客户进行分类供配电行为，达到高效配电的目的。

3 结 论

近年来，人工智能技术日益普及，已渗透到工业生产的各个方面。电网建设中，人工智能的应用大大减少了控制过程，保障了电网的高效配电。