中國儲能網(wǎng)訊：能源系統(tǒng)的感知、認知、決策與推理為實現(xiàn)系統(tǒng)智能化至關(guān)重要。人工智能算法如深度學習、強化學習和大語言模型能優(yōu)化能源預測和電網(wǎng)運行，但面臨效率、遷移性和魯棒性等挑戰(zhàn)。未來研究可關(guān)注小樣本模型、機理結(jié)合、合作式GPT代理以及多種基礎(chǔ)大模型構(gòu)建等方向。
01
智慧能源系統(tǒng)的發(fā)展與關(guān)鍵需求
A
能源行業(yè)的發(fā)展
能源行業(yè)正朝著更高智能化和復雜化方向轉(zhuǎn)型。這一轉(zhuǎn)型通過先進技術(shù)的整合，提高了系統(tǒng)運行效率并增強了對多樣化能源資源的管理能力。隨著能源系統(tǒng)的日益復雜化，系統(tǒng)對感知、認知、決策和推理能力的需求大幅增加，以便能主動管理能量流動，應對市場需求變化并整合可再生能源。
B
智慧能源系統(tǒng)中的感知與認知
感知和認知在現(xiàn)代能源系統(tǒng)的監(jiān)控和管理中至關(guān)重要。感知體現(xiàn)在識別故障特征和系統(tǒng)特性上，從而提升態(tài)勢感知能力。例如，2003年的大規(guī)模停電事件就反映了感知不足導致連鎖故障。此后，行業(yè)從傳統(tǒng)的仿真評估轉(zhuǎn)向先進的數(shù)據(jù)挖掘技術(shù)，以更好地預測和管理故障。認知則體現(xiàn)在故障診斷、系統(tǒng)安全評估及可再生能源和負荷預測中，依賴于先進的分析和機器學習技術(shù)，提升了預測準確性與決策效率。
C
智慧能源系統(tǒng)中的決策與推理
決策和推理對于能源系統(tǒng)的運行韌性與效率至關(guān)重要。決策主要體現(xiàn)在電力調(diào)度等領(lǐng)域，需要精確協(xié)調(diào)以滿足動態(tài)供需要求。穩(wěn)定性控制則保證了電網(wǎng)的持續(xù)可靠性與安全。此外，儲能系統(tǒng)在市場交易中的自動競標體現(xiàn)了決策的復雜性，能夠利用實時市場數(shù)據(jù)和預測分析自動執(zhí)行交易。推理方面，開發(fā)具有可擴展性和可遷移性的模型是關(guān)鍵，可擴展性使模型能夠高效應對負荷增長和系統(tǒng)復雜性變化，而可遷移性確保模型可以在不同地理和環(huán)境條件下無縫應用，確保其一致的性能和策略性部署。
02
人工智能技術(shù)的持續(xù)發(fā)展
人工智能技術(shù)快速發(fā)展，幾項關(guān)鍵技術(shù)引領(lǐng)了這一變革。
A
深度學習
通過多層神經(jīng)網(wǎng)絡(luò)分析大量數(shù)據(jù)，深度學習能夠預測設(shè)備故障和未來能源需求，顯著提升預測性維護和需求管理的準確性，從而優(yōu)化能源生產(chǎn)和分配。
B
強化學習
強化學習通過嘗試不同策略，并從環(huán)境反饋中學習，以優(yōu)化電網(wǎng)運行和能源交易，幫助構(gòu)建自主決策系統(tǒng)，實現(xiàn)能源分配的實時響應，減少資源浪費。
C
計算機視覺與自然語言處理
計算機視覺可用于無人機檢測電力線路、風力渦輪機等設(shè)備，通過熱成像檢測設(shè)備過熱；自然語言處理用于文檔自動化、客戶支持和故障診斷。
D
大語言模型
基于GPT的大語言模型可用于能源系統(tǒng)的感知、認知、決策與推理各個方面，整合并分析生產(chǎn)、分配和消費數(shù)據(jù)，優(yōu)化能源系統(tǒng)運行，提升可再生能源輸出波動的預測準確性，平衡能源的供給和需求。
03
智慧能源系統(tǒng)的感知、認知、決策與推理中人工智能應用的挑戰(zhàn)
人工智能算法在非線性擬合與在線交互等方面展現(xiàn)出顯著優(yōu)勢，克服了傳統(tǒng)算法的諸多局限。在智能電網(wǎng)中的應用已取得良好效果并具有明顯的性能優(yōu)勢。然而，這些算法在應用中仍面臨效率、可解釋性、可遷移性、穩(wěn)定性、經(jīng)濟性與魯棒性等挑戰(zhàn)。本文將從這些挑戰(zhàn)的產(chǎn)生原因、對人工智能性能的影響及當前研究方向進行了討論。
A
效率
深度神經(jīng)網(wǎng)絡(luò)的訓練需要大量數(shù)據(jù)，但數(shù)據(jù)的獲取尤其在配電網(wǎng)領(lǐng)域較為困難。此外，深度神經(jīng)網(wǎng)絡(luò)模型參數(shù)眾多，訓練時間較長，雖然硬件配置提升可改善訓練效率，但也增加了硬件成本。
B
可解釋性
當今人工智能算法以深度神經(jīng)網(wǎng)絡(luò)為主，雖然其辨別能力較強，但由于其黑箱性質(zhì)，參數(shù)不具備能源系統(tǒng)中的領(lǐng)域知識，控制原理難以明確解釋。
C
可遷移性
現(xiàn)有研究大多針對特定能源系統(tǒng)的數(shù)據(jù)進行訓練，然而當電網(wǎng)結(jié)構(gòu)發(fā)生變化時，原有模型的有效性下降，往往需要重新訓練。此外，現(xiàn)有遷移學習的有效性、遷移能力還有待商榷和探索。
D
穩(wěn)定性
可再生能源的不確定性增加了系統(tǒng)運行的復雜程度，人工智能算法的穩(wěn)定性依賴于訓練環(huán)境，實際部署條件與訓練階段存在顯著差異時，模型穩(wěn)定性受到影響。
E
經(jīng)濟性
人工智能算法處理大規(guī)模數(shù)據(jù)需要高性能硬件，尤其在大系統(tǒng)中，單一CPU/GPU往往不足，需多個CPU/GPU集成的服務(wù)器，增加了經(jīng)濟負擔。
F
魯棒性
通信質(zhì)量對學習與控制過程影響顯著，通信中的噪聲、數(shù)據(jù)丟失與延遲可能導致控制系統(tǒng)失敗。此外，網(wǎng)絡(luò)攻擊可能通過數(shù)據(jù)篡改影響模型訓練，威脅系統(tǒng)的魯棒性。
圖1 人工智能應用于能源系統(tǒng)中感知、認知、決策與推理的挑戰(zhàn)和未來方向
04
未來研究方向
為應對上述挑戰(zhàn)，本文提出以下具有潛在研究價值的方向，包括合理樣本生成、小樣本模型、增強遷移能力、結(jié)合物理模型、合作式GPT代理、多種基礎(chǔ)大模型及提升系統(tǒng)魯棒性(如圖1所示)。
A
合理樣本生成
生成樣本時需保證其合理性，首先，生成的樣本應可控，滿足預定的目標約束，且參數(shù)波動應保持在指定范圍內(nèi)；其次，樣本集的分布特性應合理，確保在各參數(shù)區(qū)間內(nèi)樣本分布均勻，從而提高模型的穩(wěn)健性。當前，能源系統(tǒng)中的人工智能應用缺乏標準數(shù)據(jù)集，開發(fā)典型的開源數(shù)據(jù)集用于基準測試將具有極大的價值。
B
小樣本模型
在能源系統(tǒng)中，大規(guī)模數(shù)據(jù)并不總是可得，需開發(fā)高效的人工智能方法以應對小數(shù)據(jù)集。小樣本學習為一種具有潛力的方法，可通過有限數(shù)據(jù)進行模型訓練，適用于預測電網(wǎng)中設(shè)備故障等稀有事件。
C
增強遷移能力
通過聯(lián)邦學習整合多個模型以增強模型遷移能力，每個模型利用本地數(shù)據(jù)訓練后將加密梯度傳回中央服務(wù)器，生成整合模型。若遷移效果不佳，可應用實例、特征或參數(shù)遷移學習，進一步提升模型的遷移能力。開發(fā)能源系統(tǒng)統(tǒng)一的模型遷移能力提升方案也是一個極具潛力的方向。
D
結(jié)合物理模型
物理模型在能源系統(tǒng)中廣泛應用，結(jié)合人工智能算法與物理模型有助于提高學習效率，通過領(lǐng)域知識約束人工智能算法的搜索空間，彌補現(xiàn)有人工智能算法的不足。
E
合作式GPT代理
未來研究可開發(fā)多智能體系統(tǒng)，集成合作式GPT代理以優(yōu)化能源分配并協(xié)調(diào)不同利益相關(guān)者目標，并利用區(qū)塊鏈技術(shù)確保透明度，構(gòu)建協(xié)作與高效的能源管理系統(tǒng)。
F
多種基礎(chǔ)大模型
通過開發(fā)和部署適用于能源系統(tǒng)的多種基礎(chǔ)大模型，預訓練模型可用于可再生能源預測、負荷預測和穩(wěn)定性評估等領(lǐng)域，借助大數(shù)據(jù)提升預測精度和運行效率。
G
提升系統(tǒng)魯棒性
為應對通信質(zhì)量問題，采用算法提高數(shù)據(jù)特征魯棒性，如主成分分析和卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)。同時，利用邊緣計算減少對中央通信系統(tǒng)的依賴，增強系統(tǒng)的通信抗性。針對網(wǎng)絡(luò)威脅，應首先檢測偽造數(shù)據(jù)，結(jié)合高維特征表征，降低敏感數(shù)據(jù)暴露風險。
