中國儲能網(wǎng)訊：近年來人工智能技術取得重大突破，生成式大模型的誕生標志著AI技術進入新階段，同時也給傳統(tǒng)行業(yè)新一輪發(fā)展帶來契機。
當前，電力系統(tǒng)建設目標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)級增大、海量數(shù)據(jù)待采集分析，新能源新負荷高隨機波動，系統(tǒng)安全機理愈加復雜，發(fā)輸配用電各環(huán)節(jié)主體深度協(xié)作、高時效性優(yōu)化決策困難巨大等諸多問題，人工智能技術的突破提供了新的解題思路。
基于知識—數(shù)據(jù)融合驅動和生成式大模型的電力人工智能技術，通過整合海量數(shù)據(jù)和電力行業(yè)專業(yè)知識，利用大模型技術的自主學習能力，為電力系統(tǒng)的科研、制造、建設、生產(chǎn)、運營及管理的全產(chǎn)業(yè)鏈提供智能化工具，為實現(xiàn)新型電力系統(tǒng)建設提供了有力支撐。
人工智能技術應用于電力系統(tǒng)面臨的挑戰(zhàn)
人工智能技術正處于高速發(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，復雜模型訓練和推理過程對算力需求巨大；隨著模型規(guī)模和復雜性增加，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，深度學習算法可解釋性不足，不利于模型決策過程的理解；人工智能模型受限于訓練數(shù)據(jù)，模型泛化能力弱，導致模型決策出現(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現(xiàn)階段水平，以及新型電力系統(tǒng)建設進程，在電力人工智能技術中，電力系統(tǒng)數(shù)據(jù)樣本的采集辨識面臨以下問題：一是電力系統(tǒng)模型理論研究有待深入，相關數(shù)據(jù)樣本與模型關聯(lián)作用機理不清晰；二是故障狀態(tài)等稀缺樣本難以獲取，導致模型在特殊專業(yè)場景的應用受限；三是海量設備多類型數(shù)據(jù)難以有效對齊各模態(tài)數(shù)據(jù)特征，構建多模態(tài)樣本集困難，限制了模型效果的進一步提升；四是智能傳感器、物聯(lián)網(wǎng)、區(qū)塊鏈等技術還需深度融合，構建電力信息物理融合系統(tǒng)，提升電力系統(tǒng)不同場景下的遷移泛化能力。
電力算力應用基礎目前面臨以下挑戰(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)應用場景，可靠性不足；三是高算力芯片主要依賴英偉達等國外進口產(chǎn)品，國產(chǎn)化程度不足。
人工智能算法在電力分析決策領域的應用需要面對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—數(shù)據(jù)驅動算法，雖然依托數(shù)據(jù)驅動算法解決了大規(guī)模計算的問題，但是算法效果依賴于樣本數(shù)量和質(zhì)量，同時對算力要求高，面臨落地應用的技術瓶頸；算法模型融合了電力知識與經(jīng)驗，在一定程度上增強了模型可解釋性，但面對高可靠性要求場景，尚不能確保決策安全。
人工智能技術應用于電力系統(tǒng)的突破方向
針對目前數(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、特征指標相關性與重要性分析和神經(jīng)網(wǎng)絡中可解釋性符號規(guī)則抽取；二是通過引入數(shù)據(jù)、模型和參數(shù)這三類先驗知識來解決小樣本學習問題，其中引入數(shù)據(jù)方法已有應用嘗試，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制：一是研究數(shù)據(jù)與知識融合驅動機制，在模型的構建、訓練或決策過程中，加入電力系統(tǒng)先驗知識，在科學理論和專家經(jīng)驗的指導下平衡模型的解釋性與精確度，并通過數(shù)據(jù)驅動提升知識模型的不確定性建模與參數(shù)修正能力。該機制已在系統(tǒng)穩(wěn)定評估、健康指數(shù)評估、優(yōu)化調(diào)度等領域開展了初步探索。二是研究電力系統(tǒng)的數(shù)字孿生平行互動機制，形成多時間尺度、多層級、動態(tài)更新的準實時映射電力系統(tǒng)。通過大量模擬、試驗、計算及趨勢預測，為電力人工智能模型提供了海量數(shù)據(jù)生成與評估環(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果，對物理系統(tǒng)進行反饋控制與趨優(yōu)引導。三是研究模型進化趨優(yōu)機制，借鑒腦機融合智能等技術構建電力人工智能算法自主學習架構，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)驗知識，實現(xiàn)模型的在線更新與終身學習。
