电力人工智能课件人工智能技术在电网调控中的应用研究.pptx

1CO N T E N TS目录人工智能技术应用背景1AI在调度领域应用探索2总结及个人思考32电网调控AI技术应用背景国家政策方面，2017年7月，国务院印发了《新一代人工智能发展规划》，构筑人工智能发展的先发 优势，抢抓人工智能发展的重大战略机遇。业务需求方面，电网调控作为电力系统的“大脑”，电网调控需求与人工智能的这些特征具有较好的 匹配度。电网调控业务的分析、决策、执行主要依赖调控人员经验，调度智能化水平有待提升。技术发展方面，传统的基于机理分析方法与模型驱动的电网分析技术，在处理非线性、非连续性及 预测不确定性问题时，难以达到预期。基于数据驱动的人工智能技术在解决上述问题中具有一定的技 术优势。基于数据驱动的电网 调控业务智能化大数据技术人工智能技术电力系统分析控制技术智能化应用3人工智能技术适用范围图像识别、语音识别等成熟的人工智能技术可直接平移到电网调控系统中，用于解决电网调控业务 中与图像、人机交互相关的问题。具有明确规则的电网调控业务可以通过专家系统、知识图谱等技术解决。以数据驱动为特征的机器学习，擅长解决一些数据量大且模型复杂或没有准确模型的问题。针对 “电力系统特点”，人工智能可在目前基于模型机理分析并不能很好解决的调控任务发挥技术优势。传统电力系统分析 人工智能分析手段 ? 模型驱动数据驱动稳定、仿真数据较多故障、失稳数据较少数据量大数据多样性好数据特征可解释性不可解释性(相关性)具有可解释性（因果性）模型输出较快一定的时间4电网调控智能化需求调控数据来源于不同的系统，如能量管理系统、生产管理系统、地理信息系统等，系统中的海量数据包括 结构化、半结构化和非结构化数据，则为人工智能技术在电网调控中应用提供了数据驱动的基础。电网调控业务涉及监视、分析及决策等不同的典型业务场景，各业务场景有不同的功能特点，且拥有不同 数量等级的数据。一般而言，电网调控中预测类、诊断类、分析控制类相关业务具有应用人工智能技术的潜力。大预测类模型：无法获取准确模型数据：大量稳态数据预测类模型获取难度气象对线路影响电网调控 业务类型诊断类分析类模型：二次详细建模困难数据：小样本故障、异常数 据集诊断类经济调度模型：有复杂时序仿真模型， 但难以确立直接关联关系分析类潮流计算大数据：仿真提供大量数据数据量小5电网调控业务具有不同数据量，其模型获取的难度也不同。CO N T E N TS目录人工智能技术应用背景1AI在调度领域应用探索2总结及个人思考36场景1-负荷预测电力负荷变化受诸多内外部因素影响，导致其特性具有随机性和非线性等特点，难以采用准确统一的数学模型 来描述负荷与其影响其因素之间的关系模型，因此无法获得较好的负荷预测结果。母线负荷预测与系统负荷预测在基于数据驱动的预测方法方面是可以相互借鉴，其本质上都是通过学习历史的 负荷数据以及相关因素之间的规律，来拟合预测模型的参数，最终实现负荷变化趋势的预测。影响负荷预测因素较多，如环境特征、电网特征和社会特征等，各特征耦合紧密，难以做到准确预测。影响因素天气类型温度环境特征负荷 预测 影响 因素运行方式变化电网架构变化 电网特征工作日节假日社会特征需要进行多因素的特征提取提高预测精度7场景1-负荷预测负荷预测属于人工智能的回归问题，负荷预测模型是负荷预测的关键环节，其网 络结构设计优劣决定了负荷预测的精度。负荷预测模型网络结构设计需要充分考 虑模型输入的数据以及数据规模来选择合适的神经网络以及模型的深度。负荷预测流程主要涉及输入特征选择、数据预处理、神经网络结构设计以及模型 的评估关键环节。输入数据 模型训练和更新 预测和评估历史负荷数据天气日期…数据选择关键因素结果预测模型类型、选取数值、类别、图片…模型类型评估指标数据类型模型构建匹配模型融合、深度模型深度数据规模更新模型评估数据规模要与模型深度相互匹配：深度学习模型在训练数据较少情况下，容易出现过拟合并导致模型的泛化能力较弱。对于一定深度的网络，当训练数据较多时，容易出现欠拟合并影响预测模型的输出精度。8具体的预测流程场景1-负荷预测采用我国某地区220kV变电站高压侧的实际有功负荷数据集和该地区天气信息数据集进行实验。负荷数据集选 取了2019年1月1日-2019年12月31日一年的电力负荷数据，采样间隔为5分钟，每天产生288组数据。天气信息数据通过网络爬虫获取了该地区一年的历史天气信息，包括最高气温、最低气温、天气以及风向等。本文提出了一种基于多源数据和混合神经网络的超短期母线负荷预测模型。该方法充分利用与负荷相关的多种 类型的数据，包括数值、类别和图像数据。混合神经网络模型采用BP-ANN和CNN两种模型融合的方式。不同预测模型的结果比较由于混合神经网络BP-ANN&CNN充分考虑不同类型的影响母线 负荷预测的相关数