2025-03-03-上海交通大学-新型电力系统中人工智能应用与扩展_53页_4mb

报告摘要

人工智能新一代技术基于高性能计算、大数据和机器学习、深度学习等技术，其目标是实现复杂关系的表示和处理。

机器学习基本概念：
- 监督学习： 输入数据带有标签，算法从中学习模式。
- 非监督学习： 处理无标签数据，寻找数据内在结构。
- 半监督学习： 结合监督和非监督特点，利用大量无标签数据来增强学习。
- 主动学习： 从数据集中选择“最有价值”的样本进行标注，减少标注成本。
- 迁移学习： 利用已有一个任务中学到的知识来加速或帮助另一个相关任务的学习。
深度学习：
- 使用深层神经网络（如卷积神经网络CNN，循环神经网络RNN，LSTM）对高维数据进行端到端学习。
- 具有更强大的复杂关系表示能力。
- 需要有效解决训练难题，如深度信念网络DBN或初始化技术。
其他重要人工智能技术：
- 生成对抗网络（GAN）: 由生成器和判别器组成，用于生成新样本。
- 自编码器（Autoencoder）: 用于无监督学习数据降维和特征提取（及其变种变分自编码器VAE）。
- 强化学习： 代理通过与环境交互、获得奖励或惩罚来学习最佳策略。

基于分布式机器学习框架，保障数据隐私安全和合法合规，支持多主体共同建模。应用于解决数据孤岛问题，例如金融、医疗、交通、电力等领域。

态势感知：
- 负荷预测： 利用深度学习方法预测不同时间尺度的负荷，考虑天气与日期类型因素。
- 可再生能源出力预测： 使用多阶段概率图模型（如隐马尔科夫模型HMM）按天气类型预测光伏出力。
- 电力系统静态/暂态仿真： 采用数字孪生技术进行仿真；使用LSTM进行暂态仿真。
故障诊断与预测：
- 故障诊断： 基于深度学习方法，特别是对分布于配电网中的设备进行单相接地故障定位，性能优于传统方法。
- 基于GAN的负荷随机场景生成： 为调度优化提供多样化的负荷数据支持。
智能决策与优化：
- 分布式人工智能（DA）： 在配电网（特别是主动配电网）构建多智能体（如光伏、风电、储能、电动汽车）系统，实现协调优化控制。
- 基于分布式人工智能的EV优化调度： 满足经济性、峰谷差最小化等需求。
- 基于强化学习的决策： 针对复杂环境（如细胞-组织架构、微电网、区域能量互联网）实现优化目标。

区块链：
- 与虚拟电厂（或能源路由器）结合，提高交易的信任度、公平性和透明度，实现去中心化能力建模与激励机制。
数字孪生：
- 综合运用感知、建模、计算等信息技术，对物理空间进行虚实交互映射，辅助决策与仿真。用于变电站运维、设备寿命预测、电网管理系统、风电场仿真等。
元宇宙：
- 是一个更为庞大的体系，需要数字孪生、5G、云计算、人工智能等技术支撑。数字孪生可被视为元宇宙构建蓝图的技术基础。