Faii Note

type

status

date

slug

summary

Abstract

智能电网通过集成先进的计量基础设施、控制技术和通信技术，能够收集有关电网运行的大量高维和多类型数据。然而，传统的建模、优化和控制技术在处理数据方面存在许多局限性；因此，人工智能技术在智能电网中的应用越来越明显。

本调查对智能电网和电力系统中用于负荷预测、电网稳定性评估、故障检测和安全问题的一些常见人工智能技术的现有研究进行了结构化回顾。这也为应用人工智能技术实现真正的智能电网系统提供了进一步的研究挑战。最后，这项调查提供了将人工智能应用于智能电网问题的机会。本文认为，人工智能技术的应用可以增强和提高可靠性

Introduction

智能电网技术

这些智能电网技术至少在三个主要领域改变了传统的电网规划和运营问题，主要是在以下能力方面：

（1）监控或测量过程，将数据传回运营中心，并经常自动响应以调整过程；

（2）在设备和系统之间共享数据；

（3）处理、分析并帮助运营商访问和应用来自整个电网的数字技术的数据。

AI in grid

智能电网中有两种类型的人工智能系统：虚拟人工智能和物理人工智能。

虚拟人工智能系统包括可以帮助电网运营商完成工作的信息学。

物理人工智能系统包括自我感知的人工智能系统，可以在有或没有人工干预的情况下优化和控制特定的电网操作。

*物理AI与物理世界直接互动，考虑到信息的多样性，可能涉及到强化学习的内容

智能电网中的人工智能系统可以进一步分为两类：人工狭义智能（ANI）和人工通用智能（AGI）。

ANI是指为具有适用要求和约束的特定任务开发的人工智能系统，例如通过不同数据集执行负荷预测的人工智能。

AGI指的是像人类一样，为自主学习和进化而开发的人工智能系统。（持保留态度w）

监督学习

1.0:

ANN 解决图像处理和模式识别问题

使用一个隐层前馈神经网络的极限学习机（ELM）是一种ANN算法，进行电力系统稳定性评估与故障检测

BPNN反向传播神经网络

2.0:

DL(deep belief network/CNN/RNN/GAN/auto encoder)

智能电网预测，故障检测，需求响应

无监督学习

受限玻尔兹曼机、AE和VAE 应用于异常检测、稳定性评估、负荷预测等。

聚类是将总体或数据点分组到一组中的无监督任务，其中同一组中数据彼此相似。K-means、模糊c-均值、层次聚类和DB-SCAN（带噪声应用的基于密度的空间聚类）通常用于故障检测和负荷预测。

在处理智能电网数据以减少冗余特征时，通常需要将数据从高维空间转换为低维空间的降维（DR）技术。智能电网中常用的一些DR方法包括主成分分析（PCA）、线性判别分析、广义判别分析和非负矩阵分解

强化学习

RL由代理、环境、奖励和行动组成。RL的目标是通过对每一个动作进行奖励和惩罚的连续过程来最大限度地提高累积。

Q学习和SARSA（状态-行动-奖励-状态-行动）用于攻击检测和能量管理。

深度强化学习（DRL）是一种将DL感知与RL决策相结合的算法。

集合方法

集成方法将来自多个学习算法或差分数据的结果相结合

随机森林将随机决策与高分类算法相结合，用于负荷预测、异常检测和稳定性评估

以及Boosting, Stacking

Techniques

人工智能技术在

（1）负荷预测中的应用，负荷预测又分为短期负荷预测、中期负荷预测和长期负荷预测；

（2）电网稳定性评估，包括暂态稳定性评估、频率稳定性评估、小信号稳定性评估和电压稳定性评估；

（3）故障检测；

（4）智能电网安全

负荷预测

随着太阳能、风能和潮汐能等可再生能源的高度集成，智能电网调度和运行的不确定性越来越大。LF作为保持电力系统稳定和智能的关键部件之一，对现代电力系统的规划和运行至关重要。如果负荷是非平稳的，准确的预测有利于降低生产成本和节省电力，这是非常具有挑战性的。

根据必须预测的时间，LF可分为三个级别：

（1）短期LF（STLF），预测从分钟到小时的负荷；

（2）中期LF（MTLF），预测从小时到周的负荷；

（3）预测多年负荷的长期LF（LTLF）。

STLF

混合增量学习方法，该方法包括离散小波变换、经验模式分解和随机向量函数连接网络。使用集成方法可以提高STLF的效率和精度。李等人[76]提出了一个集成了STLF的三种基本方法的集成方法模型，其中实验表明了该模型对STLF的有效性。然而，集成方法中基本方法的选择需要进一步验证。（随机向量函数连接网络RVFL相比于BP网络更加冷门，也更加依靠概率）

ANN方法经常陷入局部极小值[77]和过拟合问题。Shi等人[78]为STLF提出了基于池的深度RNN，以通过增加数据多样性和数量来解决过度拟合问题。

为了解决构建最优DNN的耗时过程（该过程决定了DNN模型中隐藏层的数量），Moon等人[67]使用了一种集成方法，该方法将多个DNN模型与不同数量的隐藏层相结合，通过消除性能较差的模型来实现整体更好的性能。

然而，计算开销是一个限制，因为包括了几个CNN。在He、Deng和Li[79]中，提出了一种嵌入参数Copula模型的DBN来预测德克萨斯州城市电网的小时负荷，并将其与神经网络、SVR和ELM进行了比较，结果反映了该方法的有效性。DBN是由RBM组成的，相对于BP的另一种神经网络

Hafeez等人[43]提出了一种混合算法，使用因子条件限制玻尔兹曼机（FCRBM）作为训练模块，使用遗传风力驱动（GWDO）作为优化算法。该模型通过优于art算法的状态进行了验证。Aly[80]建立了一种基于小波神经网络（WNN）和人工神经网络方案的混合聚类方法，与其他聚类方法相比，该模型具有更高的性能。

相对于熟悉的BP神经网络，这篇论文给出了更多其它类型的特殊神经网络（如无向图的DBN等），如果涉及到这些网络的攻击（其实连对BP的攻击都不是很清楚），还是有许多的工作要做。

MTLF

姜等人[85]提出了一种基于动态贝叶斯网络（DBN）的MTLF模型来预测下一年的峰值电力负荷。

在Askari和Keynia[86]中，作者部署了一个具有优化训练算法的DNN模型，该算法包括电力系统中MTLF的两种搜索算法，并展示了该模型的有效性。

刘等人[87]还提供了一个基于神经网络的粒子群优化（PSO）模型，并证明了该模型的可行性和有效性。Rai和De[88]改进了MTLF的支持向量回归模型，平均最小平均绝对百分比误差（MAPE）为3.60。

Gul等人[89]提供了一种基于CNN和LSTM方法的解决方案。（LSTM是一种循环神经网络）

Dudek等人[90]提出了一种MTLF的混合DL模型，该模型结合了指数平滑、高级LSTM和集成方法。这是一种竞争性的方法，也使用了集成方法。

LTLF

Nalcaci等人[37]表明，在预测负荷需求与几个环境变量之间的关系时，MARS方法比ANN和LR模型给出了更准确、更稳定的结果。Ali等人[91]将一种新的混合模糊神经模型应用于LTLF。LSTM在该领域也得到了很好的应用。2017年，Zheng等人[72]利用基于LSTM的RNN来长期依赖于LTLF的电力负荷时间序列，该方法在其中具有良好的性能。Agrawal等人[92]还通过使用高精度的LSTM网络，提出了一种具有每小时粒度的LTLF模型。

为了解决LSTM的消失和爆炸梯度问题，Dong等人[93]提出了一种基于LSTM和门控电流单元（GRU）的混合方法，该方法对LTLF具有良好的性能。在Kumar等人[94]中，ApacheSparks被用于部署一个混合模型，该模型包括LSTM和GRU，用于超参数调整目的。Bouktif等人[95]还提出了一种用于该任务的LSTM-RNN模型。Sangrody等人[96]比较了六种常用的ML技术：ANN、SVM、RNN、KNN、GPR和广义回归神经网络（GRNN）。人工神经网络在LTLF中表现出比其他五种方法更好的性能。表1总结了LF的AI技术。

电网稳定性评估

电力系统稳定性是指在扰动后保持平衡运行状态或快速达到新的平衡运行状态的能力。

PMU 相量测量单元（PMU是一种高精度、高频率采样的电力系统监测设备）

WAMS 广域测量系统

瞬态稳定性评估TSA

瞬态稳定性评估（TSA）是确定系统在巨大扰动后是否保持同步的能力

线TSA的三种ML算法——决策树、SVM和Ann——进行了比较。结果显示，这些方法的性能相似，并且性能随数据集质量的不同而变化。

频率稳定性评估FSA

电网频率稳定性评估（FSA）可以定义为系统在严重的系统扰动或扰动导致发电和负载之间的不平衡后保持稳定频率范围的能力

小信号稳定性评估OSA

小信号稳定性定义为系统在小扰动下保持同步的能力。（振荡稳定评估OSA）

电压稳定评估VSA

电压稳定性评估（VSA）模型可以及时评估系统的电压稳定性

故障检测FD

智能电网安全

智能电网网络攻击最有可能的结果是操作故障、同步丢失、电源中断、同步丢失和电源中断、高财务损失、社会福利损失、数据盗窃、级联故障和完全退出

通常使用的攻击包括虚假数据注入攻击（FDIA）和分布式拒绝服务。FDIA的目的是试图通过更改原始数据来误导系统运营商

防御措施

ANN-SVM的检测FDIA

跟踪去噪自动编码器（SDAE）神经网络模型

基于一个隐藏层的优化训练的神经网络算法

集成模糊聚类、博弈论和RL算法的感知机制

基于领域对抗性训练的半监督框架

Challenge in AI

可再生能源造成的干扰

保护数据安全和隐私：考虑到智能电网系统上大量不同设备的使用和双向通信，与传统电力系统相比，它更容易受到网络攻击，因为它直接暴露在恶意用户面前。

大数据快速存储和分析：另一个重大挑战是如何持续稳健地证明AI应用程序存储和检索大型智能电网数据的性能

人工智能算法的可解释性：通常，人工智能算法存在黑匣子问题，并且它们是不可解释或可解释的。这是人工智能算法的一个障碍

Future

智能电网的目标是实现一个完全自学习的系统，该系统具有响应性、自适应性、自修复性、完全自动化和成本效益

云计算+迁移学习+需求端