李亦言，胡榮興，宋立冬，賈乾罡，陸 寧

（1.北卡羅來納州立大學(xué)電子與計(jì)算機(jī)工程系，羅利市 27695，美國；2.上海交通大學(xué)電子信息與電氣工程學(xué)院，上海市 200240）

0 引言

能源轉(zhuǎn)型是解決環(huán)境問題、實(shí)現(xiàn)經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展的必由之路。美國政府宣布將在2050年之前實(shí)現(xiàn)100%的清潔能源供應(yīng)與零排放［1-2］。中國提出了在2030年前實(shí)現(xiàn)“碳達(dá)峰”、2060年前實(shí)現(xiàn)“碳中和”的雙碳戰(zhàn)略目標(biāo)。擺脫對(duì)傳統(tǒng)化石燃料的依賴，以風(fēng)能、太陽能等可再生能源為主導(dǎo)，實(shí)現(xiàn)清潔、可持續(xù)的能源供用模式已經(jīng)成為各國的共識(shí)。

在能源轉(zhuǎn)型背景下，電力系統(tǒng)作為整個(gè)能源鏈中的樞紐以及能源變革的核心環(huán)節(jié)，其面臨的挑戰(zhàn)日趨嚴(yán)峻。一方面，風(fēng)電、光伏等新能源占比快速提升。根據(jù)預(yù)測(cè)，到2060年中國風(fēng)電、光伏裝機(jī)容量在電源結(jié)構(gòu)中的比重將達(dá)到60%，系統(tǒng)的弱慣量、強(qiáng)隨機(jī)性、電力電子化特征愈發(fā)顯著。另一方面，電動(dòng)汽車、可控負(fù)荷、儲(chǔ)能等分布式發(fā)電資源也將廣泛接入電網(wǎng)，系統(tǒng)的運(yùn)行方式更加靈活，控制的復(fù)雜度也隨之大幅提升。

機(jī)器學(xué)習(xí)技術(shù)是應(yīng)對(duì)以上挑戰(zhàn)的強(qiáng)大工具。機(jī)器學(xué)習(xí)是計(jì)算科學(xué)的一個(gè)分支，旨在讓計(jì)算機(jī)通過對(duì)已有經(jīng)驗(yàn)的學(xué)習(xí)不斷地自我提升，并最終實(shí)現(xiàn)對(duì)人類智慧的模擬［3-4］。機(jī)器學(xué)習(xí)技術(shù)的研究興起于20世紀(jì)50年代，貝葉斯分類器、邏輯回歸、感知器模型等經(jīng)典的機(jī)器學(xué)習(xí)模型被首次提出，解釋大腦神經(jīng)元工作原理的赫布理論（Hebbian theory）則對(duì)后續(xù)神經(jīng)網(wǎng)絡(luò)模型的發(fā)展起到了啟蒙作用。此后，機(jī)器學(xué)習(xí)技術(shù)依次經(jīng)歷了70年代的寒冬、80年代的再次興起，并在90年代以支持向量機(jī)為代表走向成熟和應(yīng)用［5］。2012年，Hinton等人采用深度卷積神經(jīng)網(wǎng)絡(luò)在圖像分類問題上取得了巨大成功［6］，標(biāo)志著機(jī)器學(xué)習(xí)技術(shù)開始進(jìn)入深度學(xué)習(xí)時(shí)代，生成對(duì)抗網(wǎng)絡(luò)［7］、強(qiáng)化學(xué)習(xí)（RL）［8］、長短期記憶網(wǎng)絡(luò)［9］等模型在數(shù)據(jù)生成、自然語言處理（natural language processing）、實(shí)時(shí)決策等多個(gè)領(lǐng)域取得了顯著的成就。按照學(xué)習(xí)方式的不同，機(jī)器學(xué)習(xí)技術(shù)可分為無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)以及強(qiáng)化學(xué)習(xí)四大類，其在電力系統(tǒng)中的應(yīng)用已經(jīng)得到廣泛的關(guān)注。應(yīng)用場(chǎng)景可分為態(tài)勢(shì)感知、決策支持兩大類，包括但不限于電源與負(fù)荷預(yù)測(cè)、系統(tǒng)建模、狀態(tài)監(jiān)測(cè)、故障檢修、系統(tǒng)優(yōu)化運(yùn)行等多個(gè)方面［10-11］。雖然已經(jīng)有大量的研究論文發(fā)表，但機(jī)器學(xué)習(xí)技術(shù)在電力系統(tǒng)中的實(shí)踐項(xiàng)目仍舊較為有限，工程實(shí)踐與理論研究之間存在一定的脫節(jié)。這主要是因?yàn)闄C(jī)器學(xué)習(xí)技術(shù)的“黑箱”特點(diǎn)，使得其在可解釋性、魯棒性等方面弱于傳統(tǒng)物理建模的方式，與電力系統(tǒng)運(yùn)行中極高的可靠性要求存在一定矛盾。

本文以工程應(yīng)用為切入點(diǎn)，從源、網(wǎng)、荷3個(gè)方面梳理了北美地區(qū)機(jī)器學(xué)習(xí)技術(shù)在智能配用電領(lǐng)域的典型工程實(shí)踐，旨在介紹機(jī)器學(xué)習(xí)技術(shù)在配用電領(lǐng)域的實(shí)際應(yīng)用情況，思考機(jī)器學(xué)習(xí)技術(shù)的適用性，并為下一階段的研究提供借鑒。

1 電源側(cè)

在電源側(cè)，當(dāng)前工程實(shí)踐的關(guān)注重點(diǎn)在于利用機(jī)器學(xué)習(xí)技術(shù)提升對(duì)于風(fēng)電、光伏、儲(chǔ)能等分布式電源的態(tài)勢(shì)感知能力，包括狀態(tài)監(jiān)測(cè)、預(yù)測(cè)等，降低間歇性電源出力的不確定性。所采用的機(jī)器學(xué)習(xí)算法以分類、回歸等監(jiān)督學(xué)習(xí)算法為主。

1.1 Watt-Sun光伏預(yù)測(cè)

2014年，美國IBM公司得到美國能源部的資助，開展名為Watt-Sun的光伏預(yù)測(cè)項(xiàng)目，旨在大幅提升光伏預(yù)測(cè)的準(zhǔn)確率［12］。

1）Watt-Sun預(yù)測(cè)方法

相比于傳統(tǒng)預(yù)測(cè)方法，該項(xiàng)目在預(yù)測(cè)方法上具有以下2個(gè)亮點(diǎn)：一是多種數(shù)據(jù)來源的綜合利用與挖掘，包含歷史出力數(shù)據(jù)、歷史天氣數(shù)據(jù)、實(shí)時(shí)量測(cè)天氣數(shù)據(jù)、各類光伏電站傳感器數(shù)據(jù)，以及衛(wèi)星云圖、全天空成像儀等圖像數(shù)據(jù)，通過機(jī)器學(xué)習(xí)技術(shù)，構(gòu)建了多源異構(gòu)數(shù)據(jù)與光伏出力之間的復(fù)雜映射關(guān)系，提升了數(shù)據(jù)的利用效率與預(yù)測(cè)精度；二是項(xiàng)目涵蓋了多種已有的光伏預(yù)測(cè)模型，并建立了基于深度學(xué)習(xí)技術(shù)的模型選擇系統(tǒng)，以決定在何種情況下應(yīng)更加信賴哪個(gè)預(yù)測(cè)模型?；谠撃Ｐ瓦x擇系統(tǒng)，不同的預(yù)測(cè)場(chǎng)景可以得到更加適配的預(yù)測(cè)模型，有助于提升整體的預(yù)測(cè)精度。

2）Watt-Sun應(yīng)用效果

該項(xiàng)目成果在加州電力系統(tǒng)運(yùn)營商（CAISO）以及佛蒙特州、加利福尼亞州、亞利桑那州等多個(gè)公用事業(yè)公司共計(jì)數(shù)十個(gè)裝設(shè)有全天空成像儀的光伏電站得到應(yīng)用。經(jīng)過一年的試運(yùn)行，該系統(tǒng)在未來24 h時(shí)間尺度的短期光伏預(yù)測(cè)方面相較于原有預(yù)測(cè)模型實(shí)現(xiàn)了35%的精度提升。

3）光伏預(yù)測(cè)技術(shù)分析評(píng)價(jià)

光伏出力直接受到云層的影響，而云層復(fù)雜的生消、運(yùn)動(dòng)規(guī)律，是導(dǎo)致光伏短期出力波動(dòng)與預(yù)測(cè)困難的主要原因。該項(xiàng)目引入衛(wèi)星云圖、全天空成像儀等圖像數(shù)據(jù)以及各類傳感器的實(shí)時(shí)量測(cè)數(shù)據(jù)，采用機(jī)器學(xué)習(xí)技術(shù)從中提取有效信息，提升了對(duì)云層運(yùn)行狀態(tài)的感知能力，從而提升了短期光伏出力的預(yù)測(cè)精度。對(duì)這類多源異構(gòu)數(shù)據(jù)的挖掘也是當(dāng)前光伏預(yù)測(cè)領(lǐng)域的研究熱點(diǎn)之一［13］。因?yàn)椴淮嬖谝粋€(gè)通用的預(yù)測(cè)模型能夠解決所有光伏預(yù)測(cè)問題，項(xiàng)目?jī)?chǔ)備了多個(gè)備選預(yù)測(cè)模型，并通過深度學(xué)習(xí)技術(shù)為不同預(yù)測(cè)場(chǎng)景匹配最優(yōu)的預(yù)測(cè)模型。相比于傳統(tǒng)的專家系統(tǒng)，基于機(jī)器學(xué)習(xí)的模型選擇系統(tǒng)具有更強(qiáng)的適應(yīng)性、可擴(kuò)展性。這種根據(jù)問題的不同定制化地選擇解決方案的機(jī)器學(xué)習(xí)技術(shù)隸屬于“元學(xué)習(xí)（meta learning）［14］”或“自動(dòng)化機(jī)器學(xué)習(xí)（AutoML）［15］”，在配用電領(lǐng)域具有廣泛的應(yīng)用前景。

1.2 風(fēng)電機(jī)組實(shí)時(shí)狀態(tài)監(jiān)測(cè)

Turbit公司基于機(jī)器學(xué)習(xí)技術(shù)，在2020年開發(fā)了風(fēng)電機(jī)組的實(shí)時(shí)監(jiān)測(cè)與控制系統(tǒng)，實(shí)現(xiàn)精準(zhǔn)的故障診斷與發(fā)電效率的提升［16］。

1）風(fēng)機(jī)狀態(tài)監(jiān)測(cè)方法

項(xiàng)目采用監(jiān)督式學(xué)習(xí)技術(shù)，輸入為數(shù)據(jù)采集與監(jiān)控（SCADA）系統(tǒng)量測(cè)數(shù)據(jù)以及溫度、風(fēng)速、湍流強(qiáng)度等天氣數(shù)據(jù)，輸出為經(jīng)過標(biāo)記的故障信息。訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)模型可根據(jù)實(shí)時(shí)的量測(cè)信息有效辨識(shí)出微小的故障，并推薦相應(yīng)的檢修措施。此外，項(xiàng)目構(gòu)建了機(jī)器學(xué)習(xí)與風(fēng)電機(jī)組控制算法之間的閉環(huán)，將機(jī)器學(xué)習(xí)算法的分析/預(yù)測(cè)結(jié)果作為控制算法的輸入，以提升控制效果。例如當(dāng)風(fēng)電場(chǎng)的一側(cè)檢測(cè)到陣風(fēng)時(shí)，可根據(jù)風(fēng)向、風(fēng)速信息快速調(diào)節(jié)受影響區(qū)域的風(fēng)電機(jī)組姿態(tài)，以最大化利用風(fēng)能。

2）風(fēng)機(jī)狀態(tài)監(jiān)測(cè)應(yīng)用效果

該技術(shù)成功應(yīng)用于科羅拉多州的Cedar Creek風(fēng)電場(chǎng)，發(fā)電效率相比應(yīng)用前提升了5%。

3）項(xiàng)目難點(diǎn)分析

該項(xiàng)目的挑戰(zhàn)之一是大規(guī)模量測(cè)數(shù)據(jù)的實(shí)時(shí)分析與處理。對(duì)于每個(gè)風(fēng)電機(jī)組而言，SCADA將產(chǎn)生輸出功率、葉片角度、齒輪組加速度等500余個(gè)量測(cè)值。對(duì)于這些量測(cè)結(jié)果，傳統(tǒng)行業(yè)慣例是每10 min進(jìn)行數(shù)據(jù)上傳。然而為實(shí)現(xiàn)實(shí)時(shí)的監(jiān)測(cè)與控制，需要將數(shù)據(jù)上傳頻率提升至秒級(jí)，并要求機(jī)器學(xué)習(xí)算法在幾秒內(nèi)完成分析與計(jì)算，這將大幅提升數(shù)據(jù)處理的難度。Turbit公司采用開源的數(shù)據(jù)庫系統(tǒng)postgreSQL進(jìn)行數(shù)據(jù)管理，并配合Swarm64 DA數(shù)據(jù)加速器實(shí)現(xiàn)數(shù)據(jù)的壓縮、并行處理、接口縮減等，實(shí)現(xiàn)秒級(jí)以內(nèi)的處理速度。這種高效的數(shù)據(jù)管理架構(gòu)可為同類型項(xiàng)目提供借鑒。

1.3 電池儲(chǔ)能管理系統(tǒng)Autobidder

特斯拉公司融合機(jī)器學(xué)習(xí)、優(yōu)化算法等技術(shù)在2020年開發(fā)了電池儲(chǔ)能管理軟件平臺(tái)Autobidder［17］，可 在 市 場(chǎng) 環(huán) 境 下 根 據(jù) 不 同 用 戶 的 需求以及風(fēng)險(xiǎn)偏好優(yōu)化電池組運(yùn)行，以最大化用戶利益。

1）Autobidder技術(shù)特點(diǎn)

在Autobidder中，機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用場(chǎng)景主要包括市場(chǎng)價(jià)格、負(fù)荷、發(fā)電能力等關(guān)鍵信息的預(yù)測(cè)，為電池組的優(yōu)化調(diào)度與智能投標(biāo)提供支撐。此外，該平臺(tái)對(duì)于不同的用戶偏好和應(yīng)用環(huán)境（例如不同的市場(chǎng)環(huán)境）具有自適應(yīng)性，并且可以不斷根據(jù)新的運(yùn)行數(shù)據(jù)對(duì)算法進(jìn)行持續(xù)優(yōu)化。為保證算法執(zhí)行的時(shí)效性與可靠性，平臺(tái)架設(shè)在特斯拉公司的云服務(wù)器上，并通過各類應(yīng)用程序與市場(chǎng)運(yùn)行人員、系統(tǒng)維護(hù)人員以及用戶進(jìn)行交互。

2）Autobidder應(yīng)用效果

該系統(tǒng)目前在全球范圍內(nèi)超過1.2 GW的電池組上成功運(yùn)行，其中最大的單體項(xiàng)目為南澳大利亞的Hornsdale儲(chǔ)能項(xiàng)目，規(guī)模達(dá)到150 MW。該項(xiàng)目在投運(yùn)不到2年的時(shí)間內(nèi)，通過提供應(yīng)急調(diào)頻等服務(wù)創(chuàng)造了約5 000萬美元的收益，同時(shí)提升了電網(wǎng)的運(yùn)行穩(wěn)定性。

3）Autobidder優(yōu)勢(shì)分析

分布式儲(chǔ)能資源是重要的系統(tǒng)調(diào)節(jié)資源，在其開發(fā)利用過程中應(yīng)尊重用戶的個(gè)性化用能需求，保證用戶的利益。Autobidder項(xiàng)目的一大亮點(diǎn)在于可以適應(yīng)不同類型用戶的用能偏好，并在此基礎(chǔ)上自動(dòng)化地為用戶選擇最優(yōu)的電池組盈利方案，綜合考慮能量市場(chǎng)、輔助服務(wù)市場(chǎng)、系統(tǒng)調(diào)節(jié)服務(wù)、雙邊合同、針對(duì)可再生能源的調(diào)節(jié)服務(wù)等多種盈利場(chǎng)景。特斯拉公司的云計(jì)算架構(gòu)為Autobidder的實(shí)現(xiàn)提供了硬件支撐。

1.4 電池壽命快速預(yù)測(cè)

電池的壽命（即有效的充放電循環(huán)次數(shù)）是電池的核心指標(biāo)之一。標(biāo)準(zhǔn)的電池壽命測(cè)試方法是對(duì)電池進(jìn)行持續(xù)的充放電，直至電池衰竭。該過程往往會(huì)持續(xù)幾個(gè)月甚至一年時(shí)間，導(dǎo)致很高的時(shí)間成本。針對(duì)該問題，美國麻省理工學(xué)院、斯坦福大學(xué)以及豐田研究中心在2019年聯(lián)合開展了基于機(jī)器學(xué)習(xí)的電池壽命快速預(yù)測(cè)項(xiàng)目，旨在通過學(xué)習(xí)電池早期的充放電特征，實(shí)現(xiàn)對(duì)電池壽命的準(zhǔn)確分類與預(yù)測(cè)［18］。

1）電池壽命快速預(yù)測(cè)方法

項(xiàng)目研究人員建立了124個(gè)商業(yè)電池組的充放電測(cè)試數(shù)據(jù)庫。由于產(chǎn)品質(zhì)量、充放電策略的差異，這些電池的壽命在150至2 300次循環(huán)之間不等（壽命定義為電池容量損耗達(dá)到20%所需要的充放電循環(huán)次數(shù)）。針對(duì)以上原始數(shù)據(jù)，研究人員建立了描述充放電過程的特征集，并采用基于彈性網(wǎng)絡(luò)的線性模型開展預(yù)測(cè)工作。

2）電池壽命預(yù)測(cè)精度

研究人員將124個(gè)電池組數(shù)據(jù)劃分為訓(xùn)練集（41個(gè)）、驗(yàn)證集（43個(gè)）、測(cè)試集（40個(gè)）3個(gè)部分。測(cè)試集上的結(jié)果表明，僅基于電池前5次充放電數(shù)據(jù)，模型即可實(shí)現(xiàn)對(duì)電池壽命長/短的有效分類，分類精度達(dá)到95.1%；基于前100次充放電數(shù)據(jù)，可實(shí)現(xiàn)對(duì)電池壽命的預(yù)測(cè)，平均預(yù)測(cè)誤差9.1%，大幅減少了電池壽命的測(cè)試時(shí)間。

3）經(jīng)典預(yù)測(cè)模型價(jià)值分析

該項(xiàng)目中所采用的預(yù)測(cè)模型為簡(jiǎn)單的線性模型，其主要原因有2個(gè)：一是電池早期充放電數(shù)據(jù)較為有限，建立預(yù)測(cè)模型本質(zhì)上屬于小樣本機(jī)器學(xué)習(xí)問題，采用過于復(fù)雜的預(yù)測(cè)模型容易導(dǎo)致過擬合；更重要的是，線性模型具有較好的可解釋性，可根據(jù)擬合結(jié)果反推影響電池壽命的關(guān)鍵因素，從而有助于理解電池的充放電機(jī)理。例如在該項(xiàng)目中，研究人員基于擬合結(jié)果發(fā)現(xiàn)最優(yōu)的電池壽命預(yù)測(cè)特征是第10次放電循環(huán)和第100次放電循環(huán)之間的電壓差。僅基于該單一特征即可實(shí)現(xiàn)85%以上的預(yù)測(cè)精度，且該特征與電池壽命末期的容量快速衰減特性高度相關(guān)。在配用電領(lǐng)域的工程實(shí)踐中，與物理機(jī)理的分析相結(jié)合，這類簡(jiǎn)單、經(jīng)典的機(jī)器學(xué)習(xí)模型仍然具有較高實(shí)用價(jià)值。

1.5 光伏電站無人機(jī)自動(dòng)巡檢

無人機(jī)巡檢技術(shù)已在光伏電站廣泛應(yīng)用。對(duì)于無人機(jī)采集到的圖像信息，目前仍主要由人工進(jìn)行分析和處理。光伏電站的無人機(jī)自動(dòng)巡檢技術(shù)［19］在自動(dòng)巡航收集光伏板圖像信息的基礎(chǔ)上實(shí)現(xiàn)對(duì)故障的自動(dòng)識(shí)別，進(jìn)一步降低了人工成本。

1）無人機(jī)自動(dòng)巡檢核心算法

該項(xiàng)技術(shù)的核心算法為基于快速區(qū)域卷積神經(jīng)網(wǎng) 絡(luò)（fast region-based convolutional network，F(xiàn)ast R-CNN）的目標(biāo)檢測(cè)算法。采集了300個(gè)標(biāo)記了缺陷信息的光伏板圖像，通過圖像旋轉(zhuǎn)實(shí)現(xiàn)樣本的擴(kuò)充并在Xeon處理器上對(duì)模型進(jìn)行訓(xùn)練，訓(xùn)練過程耗時(shí)約6 h。

2）無人機(jī)自動(dòng)巡檢應(yīng)用效果

訓(xùn)練完成后，每秒鐘可辨識(shí)188張圖片，辨識(shí)光伏板是否存在缺陷的成功率達(dá)到96.3%，效果如圖1所示［19］?；谠摲椒ǎ蓪闻_(tái)無人機(jī)的最大巡檢能力由每周1次提升至每周3次。

圖1 光伏板缺陷辨識(shí)結(jié)果Fig.1 Defect identification results for photovoltaic panel

3）無人機(jī)自動(dòng)巡檢技術(shù)分析評(píng)價(jià)

該項(xiàng)目是圖像識(shí)別技術(shù)在電力領(lǐng)域的早期成功實(shí)踐。由于不涉及電力系統(tǒng)的具體模型，其算法的跨領(lǐng)域通用性較強(qiáng)，可直接移植計(jì)算機(jī)視覺領(lǐng)域的最新算法。最終效果主要取決于算法的有效性以及硬件平臺(tái)的計(jì)算能力。此外，由于故障辨識(shí)本質(zhì)上是監(jiān)督學(xué)習(xí)，而故障樣本往往數(shù)量有限，且故障數(shù)據(jù)集的標(biāo)記將耗費(fèi)較高人力成本。因此，可考慮采用數(shù)據(jù)增強(qiáng)（data augmentation）方法實(shí)現(xiàn)訓(xùn)練樣本的擴(kuò)充。

1.6 Deep-solar光伏數(shù)據(jù)庫

斯坦福大學(xué)在2018年開展了Deep-solar光伏數(shù)據(jù)庫項(xiàng)目，通過對(duì)衛(wèi)星地圖的圖像識(shí)別，辨識(shí)出其中的光伏區(qū)域，從而以極低的成本實(shí)現(xiàn)對(duì)大范圍光伏安裝情況的快速統(tǒng)計(jì)［20］。

1）Deep-solar核心算法

項(xiàng)目的技術(shù)核心為谷歌深度卷積網(wǎng)絡(luò)Inception V3［21-22］，主 要 分 為 圖 像 識(shí) 別 和 圖 像 分割2個(gè)部分：先辨識(shí)出目標(biāo)圖像中是否包含光伏系統(tǒng)，一旦判定為真，則繼續(xù)進(jìn)行圖像的分割，從中提取出光伏區(qū)域，從而實(shí)現(xiàn)對(duì)其面積（可折算為容量）的統(tǒng)計(jì)。

2）Deep-solar應(yīng)用效果

項(xiàng)目示例效果詳見附錄A圖A1［20］，其對(duì)于光伏系統(tǒng)的辨識(shí)準(zhǔn)確率可達(dá)到90%?；谠摂?shù)據(jù)庫，研究人員可結(jié)合經(jīng)濟(jì)社會(huì)信息得到更多結(jié)論。例如研究人員發(fā)現(xiàn)日均輻照度大于4.5（kW·h）/m2是觸發(fā)光伏安裝的“閾值”；此外，在人口密度為1 000人/平方英里（1平方英里約等于2.59 km2），家庭年均收入約15萬美元的地區(qū)光伏安裝密度達(dá)到峰值。

3）基于衛(wèi)星地圖的智能配用電研究

分布式光伏近年來增長迅速，但由于其單個(gè)體量小、數(shù)量龐大、布局分散，對(duì)其裝機(jī)容量、安裝位置等靜態(tài)信息的統(tǒng)計(jì)工作難度較大。而基于Deepsolar所得到的光伏數(shù)據(jù)庫具有很強(qiáng)的實(shí)時(shí)性，其更新頻率可與衛(wèi)星地圖的更新頻率一致，對(duì)于分析光伏的分布情況、裝機(jī)密度等信息具有直接幫助，同時(shí)也可為電力系統(tǒng)的規(guī)劃運(yùn)行提供參考。此外，衛(wèi)星地圖由于包含了豐富的靜態(tài)信息，受到了電力系統(tǒng)研究人員的更多關(guān)注?；谛l(wèi)星地圖與機(jī)器學(xué)習(xí)結(jié)合的配電網(wǎng)規(guī)劃、模型辨識(shí)已有相應(yīng)的研究成果［23］。

1.7 美國能源部資助的AI+光伏研究項(xiàng)目

美國能源部下屬的太陽能技術(shù)辦公室（solar energy technology office，SETO）發(fā)布了2020年獲得資助的研究項(xiàng)目，其中包含10個(gè)人工智能技術(shù)在太陽能領(lǐng)域的應(yīng)用，資助總額為730萬美元，代表了該方向上美國最新的研究趨勢(shì)［24］，具體如表1所示。其中采用的核心技術(shù)方法均為人工智能與機(jī)器學(xué)習(xí)技術(shù)。

表1 2020年人工智能在太陽能領(lǐng)域資助項(xiàng)目Table 1 Funded projects of artificial intelligence in the field of solar energy,2020

通過以上獲得資助的項(xiàng)目?jī)?nèi)容可以看出，當(dāng)前人工智能在光伏領(lǐng)域的應(yīng)用關(guān)注的核心在于解決光伏出力強(qiáng)波動(dòng)性與弱量測(cè)之間的矛盾及其帶來的含光伏系統(tǒng)運(yùn)行困難問題。為解決該問題，一方面項(xiàng)目充分利用已有的多源異質(zhì)數(shù)據(jù)，包括但不限于天氣數(shù)據(jù)、出力數(shù)據(jù)、傳感器量測(cè)數(shù)據(jù)、圖像數(shù)據(jù)等；另一方面，項(xiàng)目積極運(yùn)用前沿的人工智能技術(shù)，例如圖神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)、變分遞歸網(wǎng)絡(luò)等，對(duì)這些數(shù)據(jù)進(jìn)行深入挖掘，并最終提升對(duì)含光伏系統(tǒng)的實(shí)時(shí)感知與預(yù)測(cè)能力。此外還可以看到，表后光伏及其帶來的凈負(fù)荷分析預(yù)測(cè)問題成為研究的重點(diǎn)，光熱電站的相關(guān)運(yùn)行問題也逐漸受到關(guān)注。

2 系統(tǒng)側(cè)

目前配電網(wǎng)的運(yùn)行方式日趨靈活，運(yùn)行狀態(tài)可能在短時(shí)間內(nèi)發(fā)生顯著變化，需要更加精準(zhǔn)、快速的態(tài)勢(shì)感知以及決策支持技術(shù)以保障其運(yùn)行的安全性與經(jīng)濟(jì)性。機(jī)器學(xué)習(xí)技術(shù)一方面可助力解決配電網(wǎng)的弱量測(cè)問題，提升對(duì)系統(tǒng)運(yùn)行的狀態(tài)感知、故障診斷能力；另一方面基于強(qiáng)化學(xué)習(xí)可實(shí)現(xiàn)更加快速、自適應(yīng)的運(yùn)行決策。

2.1 故障風(fēng)險(xiǎn)評(píng)估與預(yù)防性維護(hù)

提前預(yù)知配電系統(tǒng)中可能發(fā)生故障的設(shè)備并對(duì)其進(jìn)行維護(hù)或更換，可有效減少故障所帶來的損失。美國紐約地區(qū)的地下供電系統(tǒng)是世界上最大、最古老的地下供電系統(tǒng)之一，對(duì)其進(jìn)行檢修與維護(hù)難度較大。2005年起，當(dāng)?shù)毓檬聵I(yè)公司Con Edison與哥倫比亞大學(xué)開展合作，嘗試?yán)脵C(jī)器學(xué)習(xí)技術(shù)對(duì)系統(tǒng)運(yùn)行數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，按照故障風(fēng)險(xiǎn)的大小對(duì)配電設(shè)施進(jìn)行排序，并對(duì)高故障風(fēng)險(xiǎn)的設(shè)備進(jìn)行重點(diǎn)檢修［25-28］。

1）設(shè)備故障風(fēng)險(xiǎn)排序算法

項(xiàng)目主要包含2個(gè)部分：饋線故障排序和電纜井故障排序。饋線故障排序所使用的數(shù)據(jù)源包括靜態(tài)數(shù)據(jù)（如饋線的年齡、拓?fù)浣Y(jié)構(gòu)等）和動(dòng)態(tài)數(shù)據(jù)（如負(fù)荷序列等）共計(jì)150余個(gè)屬性，并將歷史故障數(shù)據(jù)作為標(biāo)簽。項(xiàng)目采用的機(jī)器學(xué)習(xí)算法為馬丁格爾增強(qiáng)（Martingale boosting，MB）算法［29］，可不斷迭代篩選出對(duì)故障率影響最為顯著的屬性，具有較好的可解釋性。電纜井故障排序所使用的原始數(shù)據(jù)為自1970年起的電纜井故障記錄票（trouble ticket）。由于歷史時(shí)間長，故障記錄票的質(zhì)量參差不齊，長度從幾行到幾百行不等，且包含大量的非常規(guī)縮寫、單詞拼寫錯(cuò)誤、格式變化等，成為該項(xiàng)目的難點(diǎn)之一。為此，研究人員首先通過數(shù)據(jù)清洗與關(guān)鍵詞檢索，提取出嚴(yán)重的故障事件（爆炸、起火等）及其對(duì)應(yīng)的特征信息。此后，采用延伸知識(shí)發(fā)現(xiàn)（extended knowledge discovery，EKD）算法進(jìn)行監(jiān)督學(xué)習(xí)，實(shí)現(xiàn)對(duì)每個(gè)電纜井的風(fēng)險(xiǎn)打分，并按照打分結(jié)果排序。

2）故障預(yù)測(cè)效果

饋線故障預(yù)測(cè)方面，Con Edison公司利用項(xiàng)目算法對(duì)轄區(qū)內(nèi)941個(gè)饋線進(jìn)行了排序。以2005年7月為例，該月共計(jì)發(fā)生184起饋線故障，算法的排序成功指數(shù)達(dá)到0.8（1表示完全成功），且排名后500的饋線無一發(fā)生故障，表明了該方法的有效性。電纜井故障預(yù)測(cè)方面，2007年Con Edison公司共計(jì)擁有超過5萬個(gè)電纜井，全年共計(jì)發(fā)生44起嚴(yán)重事故。該算法風(fēng)險(xiǎn)評(píng)分最高的2%的電纜井發(fā)生故障的數(shù)量占總故障的11%，表明其具備一定的預(yù)測(cè)能力。此外，通過特征分析發(fā)現(xiàn)，電纜井中電纜的數(shù)量和故障記錄票中提及的電纜井次數(shù)這2個(gè)特征對(duì)故障的發(fā)生具有最強(qiáng)的預(yù)測(cè)能力。

3）故障排序技術(shù)分析評(píng)價(jià)

該項(xiàng)目開展時(shí)間較早，所采用的機(jī)器學(xué)習(xí)算法為經(jīng)典的排序算法，具有一定的預(yù)知能力，且結(jié)果具有一定的可解釋性，是早期的成功實(shí)踐之一。對(duì)于故障記錄票的處理，現(xiàn)階段可考慮采用自然語言處理技術(shù)進(jìn)行自動(dòng)化的關(guān)鍵詞提取與故障分類。

2.2 系統(tǒng)模型辨識(shí)

許多公用事業(yè)公司具有悠久的歷史，網(wǎng)架結(jié)構(gòu)龐大，在系統(tǒng)建設(shè)初期還沒有地理信息系統(tǒng)（GIS）、計(jì)算機(jī)輔助設(shè)計(jì)（CAD）等軟件，甚至還沒有計(jì)算機(jī)。這就導(dǎo)致系統(tǒng)的網(wǎng)架數(shù)據(jù)源自許多不同的歷史層次，包括初級(jí)的手繪紙質(zhì)材料、文件掃描件、以及現(xiàn)代的系統(tǒng)建模工具。在這些異質(zhì)網(wǎng)架數(shù)據(jù)融合的過程中，很容易出現(xiàn)各種錯(cuò)誤，例如量測(cè)不準(zhǔn)確、網(wǎng)架結(jié)構(gòu)重疊、數(shù)據(jù)缺失、設(shè)備更新等。若通過現(xiàn)場(chǎng)調(diào)研的方式修正網(wǎng)架數(shù)據(jù)將帶來很高的成本。為此，2017年美國通用電氣公司開展Mix Core Platform項(xiàng)目的研究，旨在通過機(jī)器學(xué)習(xí)技術(shù)恢復(fù)準(zhǔn)確的中低壓配電網(wǎng)結(jié)構(gòu)［30］。

1）系統(tǒng)拓?fù)浔孀R(shí)方法

項(xiàng)目通過機(jī)器學(xué)習(xí)技術(shù)，從GIS、SCADA、數(shù)據(jù)庫管理系統(tǒng)（DMS）、停電管理系統(tǒng)（OMS）、智能庫房管理系統(tǒng)（WMS）等多種不同的數(shù)據(jù)源中進(jìn)行特征提取與關(guān)系型建模，建立了配電網(wǎng)設(shè)備的語義數(shù)據(jù)模型（semantic data model）。在此基礎(chǔ)上，采用迭代遍歷算法推斷出設(shè)備之間的拓?fù)溥B接關(guān)系，并最終輸出配電網(wǎng)拓?fù)淠Ｐ腿鐖D2所示［30］。其中，不同顏色曲線代表不同相的網(wǎng)絡(luò)拓?fù)洹?duì)于每一個(gè)連接關(guān)系的推斷，系統(tǒng)可同時(shí)給出推斷的置信度水平。

圖2 Mix Core Platform示意圖Fig.2 Schematic diagram of Mix Core Platform

2）系統(tǒng)拓?fù)浔孀R(shí)效果

該項(xiàng)目成果已經(jīng)在歐洲、北美等多個(gè)地區(qū)得到應(yīng)用。其中代表性的應(yīng)用案例是將1 149個(gè)智能表計(jì)成功匹配到32個(gè)饋線上，匹配成功率超過90%。這32個(gè)饋線也成功與其所屬的變電站匹配，匹配成功率為100%，且推斷的置信度均在90%以上。在這個(gè)過程中，系統(tǒng)識(shí)別出了原始數(shù)據(jù)中未標(biāo)注的地下電纜與節(jié)點(diǎn)，修正了部分智能表計(jì)與變壓器之間的連接關(guān)系。

3）拓?fù)浔孀R(shí)技術(shù)特點(diǎn)分析

系統(tǒng)拓?fù)淠Ｐ捅孀R(shí)是典型的“數(shù)據(jù)驅(qū)動(dòng)-物理模型”相結(jié)合的應(yīng)用場(chǎng)景，要求機(jī)器學(xué)習(xí)的推斷結(jié)果可解釋、可驗(yàn)證。在這個(gè)過程中，語義模型是一種值得關(guān)注的數(shù)據(jù)管理與建模工具，用于描述復(fù)雜系統(tǒng)中各個(gè)組件的屬性及其相互之間的連接關(guān)系。

2.3 微電網(wǎng)優(yōu)化運(yùn)行

2.3 .1 BluWave-AI& Sustainable Power Systems

BluWave-AI是致力于采用人工智能技術(shù)解決清潔能源問題的公司，在2018年與Sustainable Power Systems聯(lián)合研制了高比例清潔能源接入下的微電網(wǎng)運(yùn)行控制模塊［31］。該模塊采用人工智能技術(shù)實(shí)現(xiàn)系統(tǒng)運(yùn)行狀態(tài)的實(shí)時(shí)分析以及負(fù)荷、新能源的預(yù)測(cè)，從而支撐微電網(wǎng)的自主運(yùn)行（類似于電動(dòng)汽車的自動(dòng)駕駛）。該項(xiàng)目的亮點(diǎn)之一是采用“云-邊”的系統(tǒng)架構(gòu)，機(jī)器學(xué)習(xí)算法集中在云平臺(tái)上運(yùn)行，而智能表計(jì)、恒溫控制器、各類物聯(lián)網(wǎng)傳感器可進(jìn)行數(shù)據(jù)的采集、上傳以及實(shí)現(xiàn)部分本地計(jì)算功能。

2.3 .2 Emera & Sandia

Emera公司與Sandia國家實(shí)驗(yàn)室于2020年聯(lián)合發(fā)布了微電網(wǎng)智能控制系統(tǒng)BlockEnergy［32］，整個(gè)系統(tǒng)的部署架構(gòu)如圖3所示。

圖3 BlockEnergy系統(tǒng)部署架構(gòu)Fig.3 Deployment architecture of BlockEnergy system

1）BlockEnergy技術(shù)特點(diǎn)

系統(tǒng)除了包含傳統(tǒng)的微電網(wǎng)運(yùn)行控制功能之外，還可實(shí)現(xiàn)區(qū)域內(nèi)各個(gè)用戶之間的能源拍賣交易，并可與電力公司完美對(duì)接。而且當(dāng)中央控制單元發(fā)生故障后，其控制功能可以自動(dòng)轉(zhuǎn)移至區(qū)內(nèi)用戶的控制子模塊上，使得系統(tǒng)具有更強(qiáng)的韌性。在該系統(tǒng)中，機(jī)器學(xué)習(xí)技術(shù)主要用于提供用戶側(cè)負(fù)荷、分布式光伏等數(shù)據(jù)的預(yù)測(cè)，從而為求解優(yōu)化問題提供支撐。

2）BlockEnergy應(yīng)用效果

該產(chǎn)品在美國最大的空軍基地之一Kirtland開展了測(cè)試，測(cè)試系統(tǒng)包含250 kW的負(fù)荷、100 kW的屋頂光伏與220 kW·h的儲(chǔ)能。測(cè)試結(jié)果表明，系統(tǒng)在發(fā)生故障、突然失去電網(wǎng)供電、所有用戶同時(shí)開啟大功率電器的情境下，仍然能夠保持平穩(wěn)運(yùn)行。

2.3 .3 Holy Cross Energy & NREL

2020年，科羅拉多公用事業(yè)公司Holy Cross Energy與NREL合作，開展自治微電網(wǎng)項(xiàng)目的研究［33］。

1）自治微電網(wǎng)核心算法

在該項(xiàng)目中，為了應(yīng)對(duì)優(yōu)化問題規(guī)模增長導(dǎo)致的求解時(shí)間過長的問題，研究人員設(shè)計(jì)了交替方向乘子法（ADMM）與強(qiáng)化學(xué)習(xí)相結(jié)合的分布式優(yōu)化問題求解架構(gòu)ADMM-RL，其亮點(diǎn)在于對(duì)每個(gè)子優(yōu)化問題采用強(qiáng)化學(xué)習(xí)進(jìn)行決策。由于訓(xùn)練完成的強(qiáng)化學(xué)習(xí)智能體（agent）可以實(shí)現(xiàn)快速的決策，大幅減少了優(yōu)化問題的整體求解時(shí)間，可實(shí)現(xiàn)秒級(jí)以內(nèi)的實(shí)時(shí)優(yōu)化控制。

2）自治微電網(wǎng)應(yīng)用效果

項(xiàng)目成果應(yīng)用于科羅拉多州附近一個(gè)包含27個(gè)家庭的微電網(wǎng)，每戶家庭安裝了8 kW的屋頂光伏以及磷酸鐵鋰電池儲(chǔ)能系統(tǒng)。結(jié)果表明系統(tǒng)可保持長期穩(wěn)定運(yùn)行，且在冬季主網(wǎng)斷電、光伏板覆雪的極端情形下仍可維持供電約2 h。此外，微電網(wǎng)內(nèi)用戶的電費(fèi)相較于本州普通居民降低了85%。

以上工程實(shí)踐表明，人工智能助力的微電網(wǎng)運(yùn)行控制技術(shù)已經(jīng)開始進(jìn)入商業(yè)化、產(chǎn)品化階段。由于微電網(wǎng)可脫網(wǎng)運(yùn)行，對(duì)于停電事故具有更強(qiáng)的韌性。在微電網(wǎng)的優(yōu)化運(yùn)行中，機(jī)器學(xué)習(xí)技術(shù)的作用主要體現(xiàn)在2個(gè)方面：①態(tài)勢(shì)感知，例如負(fù)荷、光伏等數(shù)據(jù)的分析與預(yù)測(cè)；②計(jì)算提速，當(dāng)微電網(wǎng)內(nèi)設(shè)備數(shù)量過多時(shí)，可采用強(qiáng)化學(xué)習(xí)等人工智能技術(shù)代替?zhèn)鹘y(tǒng)的優(yōu)化問題完成部分決策任務(wù)，從而避免維數(shù)災(zāi)，提升計(jì)算效率，滿足實(shí)時(shí)控制的時(shí)間要求。

2.4 系統(tǒng)無人機(jī)運(yùn)檢與山火預(yù)防

加州是山火高風(fēng)險(xiǎn)地區(qū)，而電力設(shè)備故障是導(dǎo)致山火發(fā)生的重要因素。2018年的加州大火即是由輸電線路設(shè)施老化所導(dǎo)致［34］。南加州電力公司下轄的區(qū)域內(nèi)有27%的區(qū)域是山火高風(fēng)險(xiǎn)地區(qū)。為避免山火帶來的損失，公司開展了無人機(jī)運(yùn)檢與山火預(yù)防項(xiàng)目［35］。

項(xiàng)目通過無人機(jī)巡線拍攝電力設(shè)備圖像，并利用計(jì)算機(jī)視覺技術(shù)自動(dòng)識(shí)別設(shè)施中的早期損壞特征與火災(zāi)風(fēng)險(xiǎn)，以便檢修人員及時(shí)維修與更換。進(jìn)一步地，公司基于所拍攝的線路周邊植被圖像，辨識(shí)出具有造成短路風(fēng)險(xiǎn)的植被信息并對(duì)其進(jìn)行及時(shí)處置，可有效降低相應(yīng)的短路風(fēng)險(xiǎn)與火災(zāi)風(fēng)險(xiǎn)。一旦發(fā)現(xiàn)起火點(diǎn)，公司將開展火勢(shì)傳播規(guī)律的仿真工作，以更好地遏制山火的蔓延。應(yīng)用結(jié)果表明，該技術(shù)可將單個(gè)設(shè)備的平均檢修時(shí)間由80 min減少至52 min。

2.5 系統(tǒng)故障快速修復(fù)

系統(tǒng)發(fā)生嚴(yán)重故障后的修復(fù)過程，關(guān)鍵在于合理地分配人力、物力等檢修資源。該項(xiàng)工作需要考慮諸多因素，例如修復(fù)時(shí)間要求、成本、設(shè)備損壞程度、可用檢修資源約束等。此外，隨著檢修過程的開展，這些因素也在發(fā)生動(dòng)態(tài)變化。目前的檢修決策仍然主要依靠專家對(duì)故障數(shù)據(jù)的實(shí)時(shí)分析，該過程往往要持續(xù)1 h以上。而當(dāng)同時(shí)發(fā)生多個(gè)故障時(shí)，問題的決策將更加復(fù)雜。為此，PG&E公司利用機(jī)器學(xué)習(xí)技術(shù)加速故障修復(fù)過程［36］。

1）故障快速恢復(fù)方法

項(xiàng)目分為預(yù)測(cè)、決策、呈現(xiàn)3個(gè)階段。在預(yù)測(cè)階段，機(jī)器學(xué)習(xí)引擎讀入颶風(fēng)等災(zāi)害預(yù)報(bào)數(shù)據(jù)、GIS數(shù)據(jù)、系統(tǒng)量測(cè)數(shù)據(jù)，預(yù)測(cè)其所造成的故障類型及所需要的檢修資源；決策階段，系統(tǒng)基于隨機(jī)優(yōu)化模型生成最優(yōu)恢復(fù)策略；呈現(xiàn)階段，系統(tǒng)提取故障狀態(tài)、可用檢修資源等關(guān)鍵信息集中呈獻(xiàn)給運(yùn)行人員。在該項(xiàng)目中，故障事件被建模為多元高斯分布，檢修資源的動(dòng)態(tài)變化則由馬爾可夫過程描述。機(jī)器學(xué)習(xí)技術(shù)主要用于基于歷史數(shù)據(jù)實(shí)現(xiàn)對(duì)高斯分布以及狀態(tài)轉(zhuǎn)移矩陣中參數(shù)的估計(jì)。

2）故障快速恢復(fù)測(cè)試效果

該系統(tǒng)在2014至2017年的歷史故障數(shù)據(jù)集上進(jìn)行了測(cè)試，將系統(tǒng)生成的檢修方案與實(shí)際執(zhí)行的檢修方案進(jìn)行對(duì)比，并由專家對(duì)方案進(jìn)行評(píng)估。結(jié)果表明系統(tǒng)可在5 min內(nèi)生成有效的檢修方案，相比于原來平均1 h的人工決策時(shí)間顯著提升了工作效率。

3）故障恢復(fù)與機(jī)器學(xué)習(xí)技術(shù)

不合理的檢修方案將導(dǎo)致故障持續(xù)時(shí)間的延長以及檢修資源的浪費(fèi)。因此，為避免高昂的試錯(cuò)成本，目前在故障恢復(fù)領(lǐng)域機(jī)器學(xué)習(xí)技術(shù)主要用于為運(yùn)行人員提供決策支持，而非替代運(yùn)行人員直接進(jìn)行決策。

3 用戶側(cè)

由于智能表計(jì)的普及，電力用戶側(cè)具有大數(shù)據(jù)的特征，為機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用提供了良好的環(huán)境［37］。機(jī)器學(xué)習(xí)技術(shù)主要用于負(fù)荷變化規(guī)律的分析與挖掘（建模、預(yù)測(cè)、模式識(shí)別等），為進(jìn)一步開展負(fù)荷管理提供支撐，最終實(shí)現(xiàn)用電能效與供電質(zhì)量的提升。

3.1 全系統(tǒng)負(fù)荷預(yù)測(cè)

為應(yīng)對(duì)多樣化的配電網(wǎng)運(yùn)行要求，PG&E公司在2018年開展了全系統(tǒng)負(fù)荷預(yù)測(cè)項(xiàng)目的研究［38］。

1）全系統(tǒng)負(fù)荷預(yù)測(cè)方法

項(xiàng)目的技術(shù)亮點(diǎn)主要包含2個(gè)方面。一是對(duì)于數(shù)據(jù)缺失區(qū)域的處理。相較于主網(wǎng)，配電網(wǎng)具有“弱量測(cè)”的特征。對(duì)于配電網(wǎng)中缺乏高級(jí)量測(cè)體系（AMI）、SCADA等量測(cè)數(shù)據(jù)的區(qū)域，項(xiàng)目基于遷移學(xué)習(xí)［39］的思想，在與數(shù)據(jù)缺失區(qū)域特征相似的量測(cè)區(qū)域內(nèi)完成模型的訓(xùn)練，并適當(dāng)調(diào)整后應(yīng)用于數(shù)據(jù)缺失區(qū)域的預(yù)測(cè)。二是預(yù)測(cè)模型的混合技術(shù)（blending）。項(xiàng)目采用自上而下和自下而上2種預(yù)測(cè)模型，并對(duì)二者結(jié)果進(jìn)行加權(quán)得到最終結(jié)果。其中的權(quán)重由決策樹模型確定，將綜合考慮數(shù)據(jù)的可用性等特征。此外，項(xiàng)目可以對(duì)預(yù)測(cè)結(jié)果給出置信度，對(duì)于可能出現(xiàn)的大預(yù)測(cè)誤差進(jìn)行預(yù)警。

2）全系統(tǒng)負(fù)荷預(yù)測(cè)效果

項(xiàng)目成果在其管轄范圍內(nèi)的317個(gè)節(jié)點(diǎn)（區(qū)域）進(jìn)行測(cè)試。結(jié)果表明該項(xiàng)目可實(shí)現(xiàn)配電網(wǎng)內(nèi)任何負(fù)荷聚合級(jí)別的預(yù)測(cè)，并具有85%的成功率標(biāo)識(shí)出誤差大于50%的極端情景。

3）復(fù)雜預(yù)測(cè)場(chǎng)景應(yīng)對(duì)方法分析

配電網(wǎng)日益靈活的運(yùn)行方式，要求適配同樣具有靈活性的負(fù)荷預(yù)測(cè)系統(tǒng)，以實(shí)現(xiàn)不同區(qū)域、負(fù)荷聚合水平、負(fù)荷類型、時(shí)間尺度的預(yù)測(cè)任務(wù)。在該過程中，遷移學(xué)習(xí)可有效解決部分預(yù)測(cè)任務(wù)數(shù)據(jù)缺失的問題，并提升模型的訓(xùn)練速度。此外，包含多種預(yù)測(cè)模型的集成學(xué)習(xí)（ensemble learning）可以綜合不同模型的優(yōu)點(diǎn)，提升預(yù)測(cè)系統(tǒng)對(duì)于不同任務(wù)的應(yīng)對(duì)能力。

3.2 數(shù)據(jù)中心能耗優(yōu)化

數(shù)據(jù)中心的冷卻將消耗大量的電能。2016年，Google公司DeepMind團(tuán)隊(duì)建立了基于深度學(xué)習(xí)的數(shù)據(jù)中心能耗優(yōu)化模型，以提升能源利用效率［40］。

1）數(shù)據(jù)中心建模方法

數(shù)據(jù)輸入包括現(xiàn)場(chǎng)上千個(gè)傳感器所收集到的溫度、功耗、空氣泵速率、空調(diào)系統(tǒng)溫度設(shè)定等數(shù)據(jù)。系統(tǒng)采用一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行運(yùn)行決策，以最小化數(shù)據(jù)中心能效系數(shù)（PUE）為目標(biāo)，PUE越接近1表明數(shù)據(jù)中心能效越高。另外，系統(tǒng)包含2個(gè)深度網(wǎng)絡(luò)，對(duì)未來1 h的溫度、壓力等指標(biāo)進(jìn)行預(yù)測(cè)，以保證決策滿足系統(tǒng)的運(yùn)行約束。

2）模型應(yīng)用效果

該模型在實(shí)際應(yīng)用后，可穩(wěn)定地實(shí)現(xiàn)40%左右的冷卻負(fù)荷減少以及15%左右的能效系數(shù)下降，如圖4所示［40］。

圖4 控制算法開啟前后PUE對(duì)比Fig.4 Comparison of power usage effectiveness before and after applying control algorithm

3）機(jī)器學(xué)習(xí)用于負(fù)荷建模的適用性分析

冷卻系統(tǒng)的運(yùn)行優(yōu)化難度較高，主要包括以下3個(gè)原因：①設(shè)備與環(huán)境之間的熱交換過程復(fù)雜、非線性，物理建模方法難以對(duì)其進(jìn)行完全描述；②系統(tǒng)具有較強(qiáng)的熱慣性，難以適應(yīng)快速的內(nèi)部、外部環(huán)境變化；③不同的數(shù)據(jù)中心具有不同的架構(gòu)和環(huán)境特點(diǎn)，導(dǎo)致針對(duì)每個(gè)數(shù)據(jù)中心需要進(jìn)行個(gè)性化的建模和維護(hù)，工作量較大。而這種復(fù)雜非線性、動(dòng)態(tài)、個(gè)性化的建模任務(wù)，正是機(jī)器學(xué)習(xí)技術(shù)的優(yōu)勢(shì)所在?？刹捎蒙窠?jīng)網(wǎng)絡(luò)模型替代物理模型，并不斷采用最新的量測(cè)結(jié)果對(duì)模型進(jìn)行動(dòng)態(tài)更新。

3.3 客戶反饋分析

用戶的反饋（如用戶的評(píng)論留言等）是提升公司服務(wù)和產(chǎn)品質(zhì)量的重要信息。這些反饋可能包含語音、文字評(píng)論等多種形式，并來自不同的語言，對(duì)其進(jìn)行翻譯、整理和理解將耗費(fèi)大量的人力資源。針對(duì) 該 問 題，ABB與IBM合 作，采 用IBM的Watson Discovery引擎對(duì)用戶反饋進(jìn)行自動(dòng)化整理和分析［41］。

1）客戶反饋信息處理方法

引擎首先采用自然語言處理將不同的語言評(píng)論統(tǒng)一翻譯成英文。然后，采用自然語言理解（natural language understanding）從中提取出關(guān)鍵詞、概念、實(shí)體對(duì)象、類別、關(guān)系等信息，判斷用戶的情緒和語氣，并構(gòu)建相應(yīng)的結(jié)構(gòu)化數(shù)據(jù)庫。最后，針對(duì)用戶的負(fù)面反饋，可通過該數(shù)據(jù)庫自動(dòng)查詢生產(chǎn)環(huán)節(jié)中可能導(dǎo)致問題的原因，并提供給工作人員進(jìn)行進(jìn)一步的分析和改進(jìn)。

2）項(xiàng)目應(yīng)用價(jià)值

相比于其他直接作用于電力生產(chǎn)環(huán)節(jié)的項(xiàng)目，該項(xiàng)目從用戶體驗(yàn)觸發(fā)，通過分析用戶的負(fù)面反饋反向查找生產(chǎn)環(huán)節(jié)中的不足，對(duì)于配電網(wǎng)運(yùn)行人員提升供電質(zhì)量與服務(wù)水平具有參考意義。

3.4 竊電監(jiān)測(cè)

竊電是發(fā)展中國家所普遍面臨的問題。以牙買加為例，2014年有27%的電能損耗是由于竊電等非技術(shù)原因所導(dǎo)致。這部分電能損失成本將部分由公用事業(yè)公司承擔(dān)，并最終分?jǐn)偟接脩羯砩稀榻鉀Q該問題，牙買加公用事業(yè)公司JPS每年花費(fèi)上千萬美元處理竊電問題，但始終無法徹底解決。這是因?yàn)槠錂z測(cè)方式主要依賴于人工分析，而竊電手段正變得越來越復(fù)雜并難以識(shí)別。

1）竊電監(jiān)測(cè)方法

JPS與世界銀行下屬的能源管理援助計(jì)劃（energy sector management assistance program，ESMAP）合作，采用機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)自動(dòng)竊電監(jiān)測(cè)［42］。項(xiàng)目基于用戶的歷史用電數(shù)據(jù)、竊電行為審查記錄以及所提取的判別特征，采用隨機(jī)森林模型為每個(gè)用戶賬戶進(jìn)行風(fēng)險(xiǎn)打分，并對(duì)高竊電風(fēng)險(xiǎn)用戶進(jìn)行重點(diǎn)檢查。

2）竊電監(jiān)測(cè)效果

該項(xiàng)目執(zhí)行的第1個(gè)月內(nèi)，檢測(cè)出竊電行為的成功率提升了一倍。項(xiàng)目代碼已在Github向社會(huì)公開［43］。

3.5 居民空調(diào)負(fù)荷需求響應(yīng)

在需求響應(yīng)期間能否實(shí)現(xiàn)穩(wěn)定的負(fù)荷削減是衡量需求響應(yīng)質(zhì)量的關(guān)鍵，也是需求響應(yīng)作為產(chǎn)品參與電力市場(chǎng)的前提。對(duì)于居民空調(diào)負(fù)荷而言，傳統(tǒng)的需求響應(yīng)控制方式包括2種。一種方式是周期性地開斷空調(diào)設(shè)備來實(shí)現(xiàn)負(fù)荷的削減。對(duì)于某些用戶而言，這種方式會(huì)明顯損害用戶的舒適度，這是因?yàn)椴煌脩舻姆课荽笮?、隔熱能力各不相同。同樣斷開0.5 h空調(diào)設(shè)備，對(duì)于部分房屋熱容小的用戶將導(dǎo)致其室內(nèi)溫度嚴(yán)重越限。另一種方式是直接調(diào)節(jié)用戶的空調(diào)溫度設(shè)定值，并使其保持在一定舒適范圍內(nèi)。該方法雖然可以保證用戶的舒適性，但卻無法保證負(fù)荷削減的穩(wěn)定性，往往在需求響應(yīng)初期能實(shí)現(xiàn)較好的負(fù)荷削減，而在后期由于室內(nèi)溫度越限，空調(diào)重新啟動(dòng)導(dǎo)致負(fù)荷反彈。

1）空調(diào)用戶個(gè)性化建模方法

為解決該問題，得州電力可靠性委員會(huì)（ERCOT）市場(chǎng)成員采用機(jī)器學(xué)習(xí)技術(shù)，通過每個(gè)用戶的空調(diào)使用數(shù)據(jù)，學(xué)習(xí)用戶的房屋熱力學(xué)模型以及用戶的用能偏好［44］。在此基礎(chǔ)上開展隨機(jī)優(yōu)化，以最小化負(fù)荷削減量波動(dòng)為目標(biāo)實(shí)現(xiàn)對(duì)空調(diào)負(fù)荷集群的優(yōu)化控制。

2）需求響應(yīng)執(zhí)行效果

基于300多個(gè)家庭的測(cè)試結(jié)果顯示，相比于傳統(tǒng)固定用戶空調(diào)溫度設(shè)定的需求響應(yīng)方式，該方法可降低20%的需求響應(yīng)控制時(shí)間以及25%的用戶需求響應(yīng)退出率。

3）用戶個(gè)性化建模價(jià)值分析

該項(xiàng)目中，機(jī)器學(xué)習(xí)技術(shù)的作用是實(shí)現(xiàn)對(duì)用戶用能偏好以及房屋熱力學(xué)模型的個(gè)性化估計(jì)，從而避免了傳統(tǒng)“一刀切”的控制方式，對(duì)每個(gè)用戶進(jìn)行個(gè)性化調(diào)節(jié)，最大程度發(fā)揮需求響應(yīng)潛力。例如對(duì)于部分房屋熱容較大、溫度不敏感的用戶，可適當(dāng)降低對(duì)其空調(diào)設(shè)備的控制時(shí)間，在不影響需求響應(yīng)效果的同時(shí)提升了用戶用能的自由度與舒適度。

4 北美工程實(shí)踐經(jīng)驗(yàn)總結(jié)

4.1 機(jī)器學(xué)習(xí)特性總結(jié)分析

機(jī)器學(xué)習(xí)是一門以計(jì)算機(jī)為載體、數(shù)據(jù)驅(qū)動(dòng)的學(xué)科，其學(xué)習(xí)過程本質(zhì)上是一個(gè)由果索因的過程，即從紛繁復(fù)雜的數(shù)據(jù)中提取一般性的規(guī)律，從而加深對(duì)研究對(duì)象的理解，并進(jìn)一步反作用于研究對(duì)象。在電力系統(tǒng)中，機(jī)器學(xué)習(xí)技術(shù)發(fā)揮作用的機(jī)理主要體現(xiàn)在以下2個(gè)方面。

1）描述復(fù)雜規(guī)律。電力系統(tǒng)是高度復(fù)雜、非線性的系統(tǒng)，其部分運(yùn)行機(jī)理至今尚未得到完全理解，更加難以建立完備的解析化模型進(jìn)行描述（如3.2節(jié)的數(shù)據(jù)中心建模）。此外，系統(tǒng)產(chǎn)生的海量量測(cè)數(shù)據(jù)也已經(jīng)超出人類的理解能力（如1.2節(jié)的風(fēng)電機(jī)組量測(cè)數(shù)據(jù)）。機(jī)器學(xué)習(xí)技術(shù)可以從數(shù)據(jù)中提取復(fù)雜的映射規(guī)律，從而幫助運(yùn)行人員掌握系統(tǒng)的運(yùn)行狀態(tài)，理解系統(tǒng)的運(yùn)行機(jī)理。

2）提升工作效率。一是機(jī)器學(xué)習(xí)模型以計(jì)算機(jī)算力為支撐，自動(dòng)化程度高，可以進(jìn)行大規(guī)模部署以替代重復(fù)性的人力勞動(dòng)（如1.5節(jié)的光伏電站自動(dòng)巡檢）；二是適應(yīng)能力強(qiáng)，可利用最新的量測(cè)數(shù)據(jù)實(shí)現(xiàn)自我更新（如1.1節(jié)中光伏預(yù)測(cè)模型的迭代更新），相比于物理模型維護(hù)更加便捷；三是訓(xùn)練完成的機(jī)器學(xué)習(xí)模型在應(yīng)用過程中，只需簡(jiǎn)單的數(shù)值計(jì)算即可得到輸出結(jié)果，相比于優(yōu)化等模型具有更高的計(jì)算效率，更加適合實(shí)時(shí)在線應(yīng)用（如2.3節(jié)中基于強(qiáng)化學(xué)習(xí)的微電網(wǎng)運(yùn)行決策）。

對(duì)系統(tǒng)復(fù)雜規(guī)律的理解與描述屬于電力系統(tǒng)態(tài)勢(shì)感知的范疇；而在理解系統(tǒng)的基礎(chǔ)上進(jìn)一步實(shí)現(xiàn)系統(tǒng)的高效優(yōu)化控制，則屬于決策支持的范疇。為此，對(duì)第1至3章的工程實(shí)踐按照態(tài)勢(shì)感知、決策支持歸納為兩大類共計(jì)5個(gè)應(yīng)用場(chǎng)景，如表2所示。

表2 工程實(shí)踐案例匯總Table 2 Summary of engineering practice cases

4.2 態(tài)勢(shì)感知類

電力系統(tǒng)態(tài)勢(shì)感知即在特定的時(shí)間和空間下，對(duì)電力系統(tǒng)中各元素或?qū)ο蟮牟煊X、理解，以及對(duì)未來狀態(tài)的預(yù)測(cè)［45］?；跈C(jī)器學(xué)習(xí)的系統(tǒng)狀態(tài)監(jiān)測(cè)、預(yù)測(cè)均可以歸類于該范疇。在態(tài)勢(shì)感知方面，機(jī)器學(xué)習(xí)實(shí)踐經(jīng)驗(yàn)總結(jié)如下。

1）預(yù)測(cè)、監(jiān)測(cè)是典型的基于數(shù)據(jù)驅(qū)動(dòng)的應(yīng)用，其本質(zhì)是從大量量測(cè)數(shù)據(jù)中提取出一般性的規(guī)律，與電力系統(tǒng)物理模型結(jié)合程度較低。因此，其算法的跨領(lǐng)域通用性較強(qiáng)，可直接借鑒于信號(hào)處理、計(jì)算機(jī)視覺、時(shí)間序列分析、模式識(shí)別等領(lǐng)域的技術(shù)與算法，并較為容易地在工程中得到應(yīng)用。這也是該領(lǐng)域論文發(fā)表數(shù)量多、軟件迭代更新速度快的主要原因。

2）預(yù)測(cè)、監(jiān)測(cè)的數(shù)據(jù)驅(qū)動(dòng)特征使得其對(duì)系統(tǒng)量測(cè)數(shù)據(jù)的規(guī)模、質(zhì)量有著較高要求，而這與當(dāng)前配電網(wǎng)有限量測(cè)的狀態(tài)存在一定矛盾，單一數(shù)據(jù)源往往無法完全反映出系統(tǒng)的運(yùn)行狀態(tài)。因此，在工程應(yīng)用中應(yīng)充分挖掘多源異質(zhì)數(shù)據(jù)，從不同視角共同提升預(yù)測(cè)、監(jiān)測(cè)工作的精度。

3）提升數(shù)據(jù)管理與模型訓(xùn)練的效率是發(fā)揮機(jī)器學(xué)習(xí)優(yōu)勢(shì)的關(guān)鍵。為了滿足部分預(yù)測(cè)、監(jiān)測(cè)工作的實(shí)時(shí)性要求，在工程應(yīng)用中一方面應(yīng)注重提升海量量測(cè)數(shù)據(jù)的傳輸、處理效率，譬如可采用專業(yè)的數(shù)據(jù)庫軟件開展數(shù)據(jù)的壓縮、并行處理等工作；另一方面應(yīng)加速機(jī)器學(xué)習(xí)模型的訓(xùn)練過程，如開展遷移學(xué)習(xí)、元學(xué)習(xí)等技術(shù)以及云計(jì)算架構(gòu)的應(yīng)用，以提升模型的訓(xùn)練速度。

4）隨著量測(cè)網(wǎng)絡(luò)的逐步建立以及機(jī)器學(xué)習(xí)技術(shù)的普及，系統(tǒng)遭受網(wǎng)絡(luò)信息攻擊（cyber attack）的風(fēng)險(xiǎn)也隨之增大。一旦系統(tǒng)中被注入虛假、錯(cuò)誤數(shù)據(jù)，將造成機(jī)器學(xué)習(xí)感知結(jié)果的偏差，進(jìn)而帶來系統(tǒng)運(yùn)行的風(fēng)險(xiǎn)。因此，在工程實(shí)踐中應(yīng)注重信息安全問題，提升對(duì)于異常數(shù)據(jù)的甄別能力。

4.3 決策支持類

電力系統(tǒng)運(yùn)行的核心問題之一是優(yōu)化決策問題，系統(tǒng)的建模、控制、資產(chǎn)管理均隸屬于該范疇。根據(jù)機(jī)器學(xué)習(xí)技術(shù)與優(yōu)化問題的結(jié)合方式不同，可將其分為4類：邊界參數(shù)改進(jìn)、優(yōu)化參數(shù)選擇、混合模型、替代模型［46］。在該領(lǐng)域，機(jī)器學(xué)習(xí)實(shí)踐經(jīng)驗(yàn)總結(jié)如下。

1）在開展面向用戶的建模工作時(shí)，應(yīng)注重模型的個(gè)性化。這是因?yàn)椴煌挠脩艟哂胁煌呢?fù)荷構(gòu)成與用能偏好。傳統(tǒng)的需求響應(yīng)等負(fù)荷管理方式往往采用“一刀切”的辦法，例如對(duì)參與響應(yīng)的用戶統(tǒng)一開斷空調(diào)、熱水器等設(shè)備。這種方式簡(jiǎn)單有效，但勢(shì)必會(huì)影響用戶的用能體驗(yàn)，在越來越注重用戶體驗(yàn)的今天難以可持續(xù)發(fā)展。隨著量測(cè)數(shù)據(jù)與控制手段的不斷豐富，開展更加個(gè)性化、精細(xì)化的用戶用能管理成為可能，在考慮每位用戶自身偏好的前提下實(shí)現(xiàn)社會(huì)效益的最大化［47］。但同時(shí)應(yīng)注意到，模型精度與個(gè)性化程度的提升也增加了用戶隱私暴露的風(fēng)險(xiǎn)。如何在挖掘用戶數(shù)據(jù)的同時(shí)最大程度保護(hù)用戶隱私，實(shí)現(xiàn)二者之間的平衡，是該領(lǐng)域工程實(shí)踐中所要面對(duì)的問題。

2）在替代傳統(tǒng)物理模型時(shí)，機(jī)器學(xué)習(xí)模型需要進(jìn)行更多的實(shí)地測(cè)試以驗(yàn)證其魯棒性。這是因?yàn)闄C(jī)器學(xué)習(xí)建模對(duì)于數(shù)據(jù)具有高度依賴性。當(dāng)采集的訓(xùn)練樣本不均衡、不全面時(shí)，容易造成機(jī)器學(xué)習(xí)建模結(jié)果出現(xiàn)偏差，導(dǎo)致其在部分場(chǎng)景下失效。因此，對(duì)機(jī)器學(xué)習(xí)建模結(jié)果進(jìn)行多場(chǎng)景下的實(shí)地測(cè)試，明確模型的“有效邊界”，或根據(jù)應(yīng)用場(chǎng)景的不同適配不同的機(jī)器學(xué)習(xí)模型，將有助于提升機(jī)器學(xué)習(xí)建模的精度。

3）在系統(tǒng)運(yùn)行過程中，機(jī)器學(xué)習(xí)技術(shù)主要為運(yùn)行提供決策支撐（如2.1節(jié)中設(shè)備的故障預(yù)警、2.5節(jié)中提供故障恢復(fù)備選方案等），直接進(jìn)行決策的情形較少。這主要是因?yàn)闄C(jī)器學(xué)習(xí)技術(shù)的“黑箱”特征，使得其結(jié)果存在解釋困難而導(dǎo)致的“信任”問題，與電力系統(tǒng)高可靠性的運(yùn)行要求相矛盾。隨著目前神經(jīng)網(wǎng)絡(luò)架構(gòu)的復(fù)雜化，該問題愈發(fā)凸顯。也正是由于該原因，在近幾年的工程實(shí)踐中一些經(jīng)典的機(jī)器學(xué)習(xí)技術(shù)（例如決策樹、回歸分析等）仍舊應(yīng)用廣泛。這是因?yàn)檫@些技術(shù)的成熟度、穩(wěn)定性、可解釋性較高，相比于“黑箱”性質(zhì)顯著的深度網(wǎng)絡(luò)而言，對(duì)于運(yùn)行人員更加友好，而這也是工程實(shí)踐與理論研究的重要差異之一。因此，在工程實(shí)踐中不應(yīng)盲目追求模型的復(fù)雜化，應(yīng)綜合考慮實(shí)際問題的復(fù)雜度、數(shù)據(jù)的可用性等因素，合理地選擇機(jī)器學(xué)習(xí)模型。此外，研究可解釋的機(jī)器學(xué)習(xí)（interpretable machine learning）技術(shù)是工程應(yīng)用領(lǐng)域中的重要方向。

4）用于進(jìn)行實(shí)時(shí)決策的強(qiáng)化學(xué)習(xí)目前工程應(yīng)用案例較少。除了上述提到的可解釋性問題外，強(qiáng)化學(xué)習(xí)技術(shù)通過與環(huán)境不斷交互學(xué)習(xí)知識(shí)，在電力系統(tǒng)中可能帶來較大的試錯(cuò)成本。此外，強(qiáng)化學(xué)習(xí)的模型訓(xùn)練耗時(shí)長、調(diào)參難度大、模型的泛化能力較弱等問題，均一定程度上制約了其在電力系統(tǒng)中的工程應(yīng)用。現(xiàn)階段強(qiáng)化學(xué)習(xí)技術(shù)主要應(yīng)用于電網(wǎng)末端容錯(cuò)率較高的場(chǎng)景，如配電網(wǎng)電壓控制、2.3節(jié)中微電網(wǎng)的運(yùn)行決策等，即使出現(xiàn)錯(cuò)誤的決策也不會(huì)造成顯著的經(jīng)濟(jì)損失。但同時(shí)應(yīng)注意到，相較于傳統(tǒng)物理模型，強(qiáng)化學(xué)習(xí)模型對(duì)于環(huán)境變化的適應(yīng)能力更強(qiáng)，在配用電領(lǐng)域仍具有深入研究的價(jià)值。

5）電力系統(tǒng)多數(shù)情況下運(yùn)行在穩(wěn)定狀態(tài)，故障狀態(tài)較少，相應(yīng)的故障樣本數(shù)據(jù)也相對(duì)較少。而這些少數(shù)故障樣本往往更加具有研究?jī)r(jià)值。反觀機(jī)器學(xué)習(xí)技術(shù)，通常需要大量的樣本數(shù)據(jù)進(jìn)行訓(xùn)練以學(xué)習(xí)其中規(guī)律，導(dǎo)致其處理故障狀態(tài)這些少數(shù)“離群點(diǎn)”存在挑戰(zhàn)。因此，研究小樣本、不平衡樣本下的機(jī)器學(xué)習(xí)技術(shù)（例如few-shot learning［48］）、數(shù)據(jù)增強(qiáng)技術(shù)具有重要意義。

6）除了預(yù)測(cè)技術(shù)之外，機(jī)器學(xué)習(xí)技術(shù)在配用電規(guī)劃領(lǐng)域的理論研究和工程應(yīng)用均相對(duì)較少。其中部分原因是規(guī)劃問題的實(shí)時(shí)性要求較低，規(guī)劃人員具有充足的時(shí)間開展詳盡的仿真分析以及優(yōu)化模型的求解等工作，對(duì)機(jī)器學(xué)習(xí)技術(shù)依賴度較低。此外，規(guī)劃問題要求結(jié)果具有強(qiáng)可解釋性，這也與機(jī)器學(xué)習(xí)“黑箱”的特征存在一定沖突。但目前已有少量研究開始著眼于通過機(jī)器學(xué)習(xí)技術(shù)生成可行的饋線拓?fù)浣Y(jié)構(gòu)［49］，以提升規(guī)劃工作的效率。這為規(guī)劃領(lǐng)域的研究提供了新的思路。

4.4 北美工程實(shí)踐反思

如上文所述，在北美配用電領(lǐng)域機(jī)器學(xué)習(xí)技術(shù)已經(jīng)有諸多工程實(shí)踐項(xiàng)目，項(xiàng)目執(zhí)行主體涵蓋政府研究機(jī)構(gòu)、公用事業(yè)公司、高校、企業(yè)等。然而，現(xiàn)階段北美地區(qū)該領(lǐng)域的機(jī)器學(xué)習(xí)項(xiàng)目資源共享性較差，通過一個(gè)項(xiàng)目得到的模型、數(shù)據(jù)、經(jīng)驗(yàn)很難被其他項(xiàng)目有效利用［50］，這導(dǎo)致了如下問題。

1）缺乏指導(dǎo)：新項(xiàng)目開展時(shí)，難以充分整合利用領(lǐng)域內(nèi)已有的工程實(shí)踐經(jīng)驗(yàn)，在技術(shù)路線上容易走彎路。

2）重復(fù)勞動(dòng)：新項(xiàng)目開展時(shí)，往往需要從零開始進(jìn)行數(shù)據(jù)搜集、模型訓(xùn)練等工作，造成資源的浪費(fèi)。

3）橫向?qū)Ρ壤щy：每個(gè)實(shí)踐項(xiàng)目基于自己獨(dú)有的測(cè)試數(shù)據(jù)集與應(yīng)用場(chǎng)景進(jìn)行技術(shù)驗(yàn)證，難以橫向?qū)Ρ燃夹g(shù)的先進(jìn)性與有效性。

導(dǎo)致以上問題的本質(zhì)原因是機(jī)器學(xué)習(xí)技術(shù)自身“開源、共享”的特征與電力領(lǐng)域強(qiáng)調(diào)“保密、專用”之間的矛盾。為解決該問題，可考慮由權(quán)威政府機(jī)構(gòu)牽頭，聯(lián)合各類研究機(jī)構(gòu)以及相關(guān)電力企業(yè)組建機(jī)器學(xué)習(xí)的資源共享平臺(tái)。具體可包括如下方法。

1）數(shù)據(jù)資料集中管理：對(duì)成員單位的工程實(shí)踐項(xiàng)目進(jìn)行統(tǒng)一的跟蹤管理，整合項(xiàng)目的數(shù)據(jù)、模型、實(shí)踐經(jīng)驗(yàn)等各類成果。

2）數(shù)據(jù)資料分級(jí)共享：按照保密程度對(duì)數(shù)據(jù)、模型進(jìn)行安全分級(jí)，根據(jù)成員單位的權(quán)限分級(jí)共享。

3）數(shù)據(jù)匿名化：對(duì)真實(shí)數(shù)據(jù)進(jìn)行匿名化處理，增強(qiáng)數(shù)據(jù)的可共享性。

4）建立智囊團(tuán)：組建專家團(tuán)隊(duì)，對(duì)成員單位新開展的項(xiàng)目進(jìn)行技術(shù)路線指導(dǎo)。

合理的共享機(jī)制有助于提升資源優(yōu)化配置效率，促進(jìn)整個(gè)領(lǐng)域的快速發(fā)展。

4.5 對(duì)中國配電網(wǎng)工程實(shí)踐的啟示

供電能力、可靠性以及電能質(zhì)量是中國配電網(wǎng)工程實(shí)踐中所關(guān)注的核心問題［51］，其中部分問題可由機(jī)器學(xué)習(xí)技術(shù)助力解決，梳理如表3所示。

表3 中國配電網(wǎng)工程實(shí)踐問題及機(jī)器學(xué)習(xí)解決方案Table 3 Problems of distribution network engineering practice in China and machine learning solutions

綜上，機(jī)器學(xué)習(xí)技術(shù)作為一種強(qiáng)大的工具，在智能配用電領(lǐng)域有著廣闊的下沉空間。但同時(shí)應(yīng)注意到，目前的人工智能機(jī)器學(xué)習(xí)技術(shù)仍處于“弱人工智能”階段，具有諸多局限性。文獻(xiàn)［52］指出，現(xiàn)階段合適的應(yīng)用場(chǎng)景應(yīng)滿足5個(gè)條件：①真實(shí)樣本充足易獲取；②具備一定的容錯(cuò)性；③目標(biāo)任務(wù)單一；④邊界確定的封閉環(huán)境；⑤任務(wù)靜態(tài)，信息完備且確定。就配用電領(lǐng)域來看，許多應(yīng)用場(chǎng)景尚無法完全滿足以上條件，尤其是在容錯(cuò)性方面。

因此，為促進(jìn)中國機(jī)器學(xué)習(xí)技術(shù)在配用電領(lǐng)域的良性發(fā)展，避免一擁而上的過熱現(xiàn)象造成資源的浪費(fèi)，建議在工程實(shí)踐中關(guān)注以下幾個(gè)方面：一是從實(shí)際需求出發(fā)，將機(jī)器學(xué)習(xí)技術(shù)與配用電領(lǐng)域的物理模型、專家經(jīng)驗(yàn)深度融合，最終形成“物理＋數(shù)據(jù)”雙輪驅(qū)動(dòng)的良性發(fā)展局面，避免陷入一味追求機(jī)器學(xué)習(xí)算法先進(jìn)性的舍本逐末誤區(qū)；二是如4.4節(jié)中提到，由權(quán)威政府機(jī)構(gòu)牽頭，建立配用電領(lǐng)域機(jī)器學(xué)習(xí)數(shù)據(jù)、模型、實(shí)踐經(jīng)驗(yàn)的分級(jí)共享機(jī)制，打破數(shù)據(jù)壁壘，促進(jìn)整個(gè)行業(yè)的快速發(fā)展；三是因地制宜循序漸進(jìn)，對(duì)于農(nóng)村等偏遠(yuǎn)地區(qū)，仍舊以改造基礎(chǔ)設(shè)施提升供電質(zhì)量為核心任務(wù)，而對(duì)于量測(cè)體系發(fā)達(dá)、資源充足的中心城區(qū)，可率先開展機(jī)器學(xué)習(xí)技術(shù)試點(diǎn)，并從提高自動(dòng)化水平、態(tài)勢(shì)感知等較為基礎(chǔ)的應(yīng)用場(chǎng)景切入，逐步過渡到?jīng)Q策支持甚至直接參與決策的高級(jí)應(yīng)用場(chǎng)景；四是注重人才的培養(yǎng)與跨領(lǐng)域的交叉合作，確保能夠在掌握配用電領(lǐng)域痛點(diǎn)問題的同時(shí)，保持對(duì)機(jī)器學(xué)習(xí)領(lǐng)域最新進(jìn)展的動(dòng)態(tài)跟進(jìn)，實(shí)現(xiàn)“問題”與“方法”的最優(yōu)匹配。

5 結(jié)語

本文聚焦機(jī)器學(xué)習(xí)技術(shù)在智能配用電領(lǐng)域的應(yīng)用，從源、網(wǎng)、荷3個(gè)方面概述了北美地區(qū)的典型工程實(shí)踐項(xiàng)目，從應(yīng)用場(chǎng)景、技術(shù)路線等角度為國內(nèi)相關(guān)研究與實(shí)踐工作提供借鑒。在“雙碳”目標(biāo)的驅(qū)動(dòng)下，未來中國新能源發(fā)電比重將穩(wěn)步提升，儲(chǔ)能、電動(dòng)汽車、可控負(fù)荷等分布式電源也將廣泛參與配電網(wǎng)運(yùn)行。在這個(gè)過程中，配用電領(lǐng)域的大數(shù)據(jù)特征將愈發(fā)顯著，系統(tǒng)運(yùn)行的復(fù)雜性、控制的實(shí)時(shí)性、建模的精細(xì)化程度都將不斷提升，機(jī)器學(xué)習(xí)技術(shù)也將逐漸發(fā)揮更大的作用。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。