中國儲(chǔ)能網(wǎng)訊：近年來人工智能技術(shù)取得重大突破，生成式大模型的誕生標(biāo)志著AI技術(shù)進(jìn)入新階段，同時(shí)也給傳統(tǒng)行業(yè)新一輪發(fā)展帶來契機(jī)。
當(dāng)前，電力系統(tǒng)建設(shè)目標(biāo)是全面建成新型電力系統(tǒng)，面臨著高比例新能源、大量新型多元負(fù)荷類型以及海量電力電子裝備接入的挑戰(zhàn)。新型電力系統(tǒng)將面臨系統(tǒng)規(guī)模指數(shù)級(jí)增大、海量數(shù)據(jù)待采集分析，新能源新負(fù)荷高隨機(jī)波動(dòng)，系統(tǒng)安全機(jī)理愈加復(fù)雜，發(fā)輸配用電各環(huán)節(jié)主體深度協(xié)作、高時(shí)效性優(yōu)化決策困難巨大等諸多問題，人工智能技術(shù)的突破提供了新的解題思路。
基于知識(shí)—數(shù)據(jù)融合驅(qū)動(dòng)和生成式大模型的電力人工智能技術(shù)，通過整合海量數(shù)據(jù)和電力行業(yè)專業(yè)知識(shí)，利用大模型技術(shù)的自主學(xué)習(xí)能力，為電力系統(tǒng)的科研、制造、建設(shè)、生產(chǎn)、運(yùn)營及管理的全產(chǎn)業(yè)鏈提供智能化工具，為實(shí)現(xiàn)新型電力系統(tǒng)建設(shè)提供了有力支撐。
人工智能技術(shù)應(yīng)用于電力系統(tǒng)面臨的挑戰(zhàn)
人工智能技術(shù)正處于高速發(fā)展的階段，在數(shù)據(jù)方面，數(shù)據(jù)質(zhì)量和樣本缺失嚴(yán)重影響人工智能模型的泛化能力；在保障數(shù)據(jù)隱私前提下有效共享利用數(shù)據(jù)也是發(fā)展面臨的重要問題。在算力方面，復(fù)雜模型訓(xùn)練和推理過程對(duì)算力需求巨大；隨著模型規(guī)模和復(fù)雜性增加，高效分配和利用算力資源成為迫切需要解決的問題；高性能算力芯片國產(chǎn)化需要提升。在算法方面，深度學(xué)習(xí)算法可解釋性不足，不利于模型決策過程的理解；人工智能模型受限于訓(xùn)練數(shù)據(jù)，模型泛化能力弱，導(dǎo)致模型決策出現(xiàn)偏見和不平衡性，難以保障決策的安全性。
受限于人工智能技術(shù)現(xiàn)階段水平，以及新型電力系統(tǒng)建設(shè)進(jìn)程，在電力人工智能技術(shù)中，電力系統(tǒng)數(shù)據(jù)樣本的采集辨識(shí)面臨以下問題：一是電力系統(tǒng)模型理論研究有待深入，相關(guān)數(shù)據(jù)樣本與模型關(guān)聯(lián)作用機(jī)理不清晰；二是故障狀態(tài)等稀缺樣本難以獲取，導(dǎo)致模型在特殊專業(yè)場(chǎng)景的應(yīng)用受限；三是海量設(shè)備多類型數(shù)據(jù)難以有效對(duì)齊各模態(tài)數(shù)據(jù)特征，構(gòu)建多模態(tài)樣本集困難，限制了模型效果的進(jìn)一步提升；四是智能傳感器、物聯(lián)網(wǎng)、區(qū)塊鏈等技術(shù)還需深度融合，構(gòu)建電力信息物理融合系統(tǒng)，提升電力系統(tǒng)不同場(chǎng)景下的遷移泛化能力。
電力算力應(yīng)用基礎(chǔ)目前面臨以下挑戰(zhàn)：一是電力終端部署大模型的算力需求高于目前芯片算力水平；二是高算力芯片多為商業(yè)芯片，難以滿足電力邊緣部署等工業(yè)應(yīng)用場(chǎng)景，可靠性不足；三是高算力芯片主要依賴英偉達(dá)等國外進(jìn)口產(chǎn)品，國產(chǎn)化程度不足。
人工智能算法在電力分析決策領(lǐng)域的應(yīng)用需要面對(duì)雙高特性新型電力系統(tǒng)分析涉及的大量高維矩陣、代數(shù)微分方程組，以及非凸優(yōu)化求解等。第三代人工智能的知識(shí)—數(shù)據(jù)驅(qū)動(dòng)算法，雖然依托數(shù)據(jù)驅(qū)動(dòng)算法解決了大規(guī)模計(jì)算的問題，但是算法效果依賴于樣本數(shù)量和質(zhì)量，同時(shí)對(duì)算力要求高，面臨落地應(yīng)用的技術(shù)瓶頸；算法模型融合了電力知識(shí)與經(jīng)驗(yàn)，在一定程度上增強(qiáng)了模型可解釋性，但面對(duì)高可靠性要求場(chǎng)景，尚不能確保決策安全。
人工智能技術(shù)應(yīng)用于電力系統(tǒng)的突破方向
針對(duì)目前數(shù)據(jù)有限性和模型可解釋性帶來的問題，可以通過人工智能算法理論層面和電力人工智能工程解決方案兩種路線解決。
人工智能算法理論突破可以從兩方面開展：一是改善深度連接類“黑箱模型”的可解釋性，包含三種方法，分別是輸入特征可解釋性增強(qiáng)、特征指標(biāo)相關(guān)性與重要性分析和神經(jīng)網(wǎng)絡(luò)中可解釋性符號(hào)規(guī)則抽?。欢峭ㄟ^引入數(shù)據(jù)、模型和參數(shù)這三類先驗(yàn)知識(shí)來解決小樣本學(xué)習(xí)問題，其中引入數(shù)據(jù)方法已有應(yīng)用嘗試，引入模型或參數(shù)的方法探索成果較少。
電力人工智能工程解決方案有三種機(jī)制：一是研究數(shù)據(jù)與知識(shí)融合驅(qū)動(dòng)機(jī)制，在模型的構(gòu)建、訓(xùn)練或決策過程中，加入電力系統(tǒng)先驗(yàn)知識(shí)，在科學(xué)理論和專家經(jīng)驗(yàn)的指導(dǎo)下平衡模型的解釋性與精確度，并通過數(shù)據(jù)驅(qū)動(dòng)提升知識(shí)模型的不確定性建模與參數(shù)修正能力。該機(jī)制已在系統(tǒng)穩(wěn)定評(píng)估、健康指數(shù)評(píng)估、優(yōu)化調(diào)度等領(lǐng)域開展了初步探索。二是研究電力系統(tǒng)的數(shù)字孿生平行互動(dòng)機(jī)制，形成多時(shí)間尺度、多層級(jí)、動(dòng)態(tài)更新的準(zhǔn)實(shí)時(shí)映射電力系統(tǒng)。通過大量模擬、試驗(yàn)、計(jì)算及趨勢(shì)預(yù)測(cè)，為電力人工智能模型提供了海量數(shù)據(jù)生成與評(píng)估環(huán)境；并通過孿生系統(tǒng)匯總電力人工智能模型的分析與決策結(jié)果，對(duì)物理系統(tǒng)進(jìn)行反饋控制與趨優(yōu)引導(dǎo)。三是研究模型進(jìn)化趨優(yōu)機(jī)制，借鑒腦機(jī)融合智能等技術(shù)構(gòu)建電力人工智能算法自主學(xué)習(xí)架構(gòu)，依托電力數(shù)字孿生系統(tǒng)，持續(xù)更新電力人工智能模型并逐步積累經(jīng)驗(yàn)知識(shí)，實(shí)現(xiàn)模型的在線更新與終身學(xué)習(xí)。
