1. National Power Dispatching and Control Center, State Grid Corporation of China, Xicheng District, Beijing 100031, China2. Shandong Electric Power Dispatching and Control Center, Jinan 250001, Shandong Province, China
0引言
当前,人工智能正在引领新一轮科技革命和产业变革。2019年年初,国家电网有限公司以习近平新时代中国特色社会主义思想为指导,顺应能源转型发展趋势,做出“三型两网、世界一流”战略部署[1],为以人工智能为代表的现代信息技术在电网企业应用落地提供了宽广平台。电力系统发展进入新时期,技术特征和功能形态都在发生深刻变化,调控领域正面临前所未有的机遇与挑战[2]。质量变革、效率变革催生电网调控思维变革、技术创新和管理提升,运用人工智能技术,将调度数据、知识和经验进行有效管理和应用,推动现有技术体系智能化升级,提升电网运行水平,已成为必然趋势。
本文首先分析电网发展新特点、调度控制面临的挑战以及人工智能的应用基础,之后将人工智能技术与调控技术支撑体系深度融合,开展电网调控领域人工智能应用技术框架研究,提出总体思路、建设目标,设计了系统体系架构,最后对电网调控领域人工智能应用进行展望,分析了应用发展方向,以期为相关研究建设工作提供参考。
1 人工智能技术发展现状
人工智能概念诞生于1956年,在半个多世纪的发展历程中,人工智能技术和应用发展经历了三起两落。2006年以来,以深度学习为代表的机器学习算法在机器视觉和语音识别等领域取得了极大成功[3-4],使人工智能再次受到学术界和产业界的广泛关注。
近年来,随着计算能力提升,数据爆发增长、机器学习算法进步、投资力度加大,人工智能迎来新一轮发展浪潮。在人工智能战略和资本市场的推波助澜下,人工智能的企业、产品和服务层出不穷。
新一代人工智能技术的主要特征是大数据基础上的人工智能,呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等特点。新一代人工智能的技术体系包括：基础技术(机器学习)、通用技术(语音交互、计算机视觉、自然语言处理、知识图谱等)和应用技术(人脸闸机、自动驾驶等)。
目前,国内人工智能发展已具备一定的技术和产业基础,在芯片、数据、平台、应用等领域集聚了一批人工智能企业,在部分方向取得阶段性成果并向市场化发展。自动驾驶、工业机器人、智能医疗、无人机、智能家居助手等人工智能消费级产品孕育兴起。人工智能在金融、安防、客服等行业领域已实现应用,在特定任务中语义识别、语音识别、人脸识别、图像识别技术的精度和效率已远超人工。
实体经济数字化、网络化、智能化转型演进给人工智能带来巨大历史机遇,展现出极为广阔的发展前景。新技术、新模式、新业态、新产业正在构筑经济社会发展的新动能,在新一轮科技革命和产业变革的历史进程中,人工智能将扮演越来越重要的角色。
2 电网发展特点及调度控制面临的挑战
2.1 电网发展新特点
近些年,我国电力电量保持快速增长,发电装机和用电量均居世界首位,“清洁低碳、安全高效”的能源体系正在逐步构建。电源方面,新能源迅猛发展,占比持续提高。截至2019年底,国家电网调管范围内风电、太阳能装机分别达1.71亿kW、1.79亿kW,均居世界第一。国家电网经营区域内,21个省级电网的新能源成为第一、第二大电源。电网方面,基于我国能源资源与负荷逆向分布的禀赋特性,国网公司大力发展特高压技术,目前建成“八交十一直”特高压工程,构建了覆盖经营区范围的特高压互联大电网,形成三大受端电网和三大送端电网;特高压线路输电距离较500kV线路提高1.8倍以上,大电网资源优化配置作用显著,2019年度夏期间,国家电网经营区跨区输电通道合计最大输送电力7735万kW,跨省通道合计最大输送电力9337万kW,近1/4的用电负荷通过跨省区骨干网输送电力。负荷方面,随着交互式能源大量接入,网络由无源变有源,功率流动由单向变双向,负荷预测和潮流控制更为复杂,同时可控负荷的接入也为拓展控制资源提供了潜在空间。
2.2 电网调度控制面临的挑战
长期以来,我国电网调度控制技术体系和管理
机制日益完善,有效保障了大电网安全和清洁能源消纳,促进了我国经济社会的快速发展。但是,随着新能源快速发展、特高压工程不断投产和电力市场化改革纵深推进,电网调度控制面临新的挑战。
一是大电网安全管控难度加大。国家电网已发展成为以跨区直流大规模送电为典型特征的交直流混联电网。跨区大规模送电成为影响电力平衡的重要因素,电力平衡协调难度增加。系统故障形态复杂,大功率直流冲击下导致的新能源大规模脱网、大范围潮流转移、同送同受多回直流同时换相失败等连锁反应成为新特征,影响范围扩大,事故处置与恢复难度加大。交直流故障引发大范围连锁反应、密集输电通道遭受严重灾害、安控装置拒/误动等事件均可诱发大面积停电事故,安全风险管控难度增大。
二是清洁能源消纳压力增大。新能源装机占比已达20%,新能源发电波动性显著,目前仅国家电网经营区新能源出力最大波动已超过1.3亿kW,相当于西北电网和东北电网的最大负荷之和。按国家规划,2020年底我国新能源装机将达4.5亿kW,装机占比达23%,新能源波动效应将更加显著,且要求水风光利用率均达95%,清洁能源并网运行和电量消纳面临更加严峻的挑战。
三是电力市场化改革任务重。市场化改革需要妥善处理市场电与计划电衔接、中长期与现货市场衔接、省间与省内市场协调、市场化生产组织与一体化安全管控相协调的难题,需要优化重构年度、月度、日前、日内调度业务流程以及国分省地四级调度纵向协同流程,需要全面提升调度计划和现货市场业务支撑能力。
3 电网调控领域人工智能应用基础
3.1 电网调度技术体系
电网调度运行是一项极为复杂的系统性工程。多年来,国家电网调度系统构建了“系统认知、运行控制和故障防御”三大体系,有力地保障了调度控制各项工作顺利运转。
系统认知体系方面,建成了世界上仿真规模最大、计算能力最强、模拟精度最高的新一代大电网仿真平台,形成了科学、高效的大电网认知体系,为掌握电网运行机理和客观规律提供了保障。在数模仿真系统建设上,采用“物理+数字”模型,将部分关键设备与数字仿真系统相连,解决了仿真精度问题。在数字仿真系统方面,基于超算技术,理论峰值计算能力达到918.7万亿次/s,解决了仿真速度问题。
运行控制体系方面,调度自动化、生产组织、新能源消纳等技术在电网调控领域成熟、广泛应用。调度自动化技术方面,近30年来调度自动化系统历经引进消化、自主研发、全面国产化3个阶段,2008年国调中心组织研制智能电网调度控制系统,实现了调度业务应用“横向集成、纵向贯通”;在各级调控机构部署主站系统1785套,接入8000个厂站约百万个实时监控数据,实现35kV以上厂站实时监控;接入广域相量测量装置近4000套,实现500kV主网及220kV枢纽变电站故障动态感知。2016年起国调中心组织研发的调控云[5],基于调度通用数据对象结构化建模,汇集国网公司范围内35kV及以上电网、10kV及以上电源的模型、运行、实时数据资源,构建了信息共享和业务应用平台。生产组织及市场化技术方面,传统计划模式下,中长期机组组合、日前/实时经济调度、日前实时安全校核等关键技术从国分省多层级、中长期/日前/实时多时间尺度为调度生产组织提供技术支撑。针对市场模式下的新需求,已初步研发并试点应用电力现货市场技术支持系统。新能源预测和消纳能力测算分析技术取得实质性突破。电力行业规模最大、计算能力最强的数值天气预报运行中心建成投运,新能源功率预测系统在各分中心、省调和新能源场站部署。开发了电力系统时序生产模拟系统,实现了新能源消纳能力测算分析,为新能源建设规模、时序、布局提出了量化依据。
故障防御体系方面,继电保护技术成熟应用,大电网安全综合防御体系日趋完善。继电保护技术实现了由中国制造到中国引领的巨大跨越。自20世纪80年代起,在引进、吸收的基础上,经过不断改进提高,我国继电保护技术已达到国际领先。目前,国家电网220kV及以上继电保护设备已达18.7万套,电网第一道防线较为完备;同时构建了“保护设备状态评价、智能整定与在线校核、在线监视与智能预警”三大支撑平台,实现了电网信息的自动采集和智能诊断,具备电网故障快速分析处置能力。国家电网主网部署安控装置3200余台,切机总量3.83亿kW、切负荷总量3766万kW,成为“强直弱交”过渡期电网的必备措施,近70%的跨区输送能力提升依赖安控系统。为适应大直流快速发展之后大电网安全的需要,研究构建了大电网安全综合防御体系,已在各区域电网进行部署,安控系统广域化特征愈发明显。
3.2 已开展的研究和应用
人工智能从发展之初就受到调控领域工程界和学术界的广泛关注。20世纪80年代至21世纪初,神经网络、专家系统等算法已开始在故障诊断、事故处理、在线监测等领域得到应用。受限于当时计算力和数据量制约,研发和应用效果不显著。随着物联网、云计算、大数据技术的发展,近些年,调控领域人工智能应用再次成为热点[6-8]。
现阶段人工智能应用主要方向为降低安全隐患、降低劳动成本、实现生产效率提升,并逐步向实现专业领域复杂问题的智能化分析、智能决策方向发展。
在故障诊断和辅助决策方面,学术界和工程界已开展了基于新一代人工智能技术的研究和应用尝试。当前D5000系统的综合智能告警基本上是采用专家规则库的方式,对信号完整性、时序正确性要求较高;文献[9]提出基于机器学习的综合智能告警,可在信号遗失及时序错乱的情况下,模拟人工运行经验,对故障进行较为准确判断,提高综合智能告警准确性。文献[10]提出基于自然语言处理的故障处置辅助决策,基于自然语言处理、知识图谱的人工智能技术对电网事故预案文本进行信息抽取与构建,并与实际系统关联,实现处置要点信息的整合监视与辅助控制,辅助电网故障处置。
在减轻工作强度、提高工作效率方面,文献[11]提出的调控操作智能助手实现调控知识库构建(学)、智能感知(听、看)、智能交互(说)、智能决策(思)、智能语音服务、执行代理(行)等。从在福建试点情况看,语音识别、知识库、多轮对话(意图识别)可靠性基本上能满足调控操作的要求。存在的问题一是语料不够充分,目前机器学习的算法,必须要有大量的有效语料支撑;二是语音识别和意图识别准确度需要提高。
在电网运行智能分析方面,学术界和工程界已经开展了基于深度学习的在线安全评估[12]、深度增强学习在电力系统分析中的应用[13]、基于引导学习的配电网健康指数[14]、基于深度学习的负荷预测[15]等研究和初步实践。
总体来说,人工智能技术在电网调控领域应用已有初步成果,但应用还较零散,深度和广度都不足,对调控业务支撑的范围、程度还不够,亟需结合业务需求、技术成熟度,开展系统性研究和应用。
3.3 应用挑战
调控机构利用人工智能技术模拟人类思维,通过学习海量电网运行数据和运行经验,发现规律、形成知识并指导电网运行,是推动调度控制技术升级的有效途径。但在工程实践上,应用人工智能技术面临诸多困难和挑战。
长期以来,电力系统在理论分析、数学建模、仿真计算的基础上,辅以自动化监控和安全自动控制技术,形成了当前完整的特性认知、运行控制和故障防御体系。这套体系基于模型驱动,严格遵循电力系统物理规律进行建模,优点是：1）物理概念清晰;2）在模型准确、数据准确的情况下,可保证分析结果准确、可靠。不足之处为：1）由于存在一定的假设和简化,不可避免地易受模型误差影响引起的偏差;2）难以有效应对不确定性和随机性问题;3）不具备“记忆”功能,每次遇到问题时,基于机理模型的方法都需要进行一次完整的迭代推导才能得出结果。面临海量计算规模时(如暂态稳定分析),计算速度尚不满足要求。
不同于传统的模型驱动方法,人工智能通过海量数据输入和深度学习形成隐性知识,在大数据(包含噪声、杂乱数据)基础上通过训练和拟合形成自动化的决策模型,当新的情况发生、新数据输入的时候,系统可以利用前面建立的模型直接进行决策,优点为：1）基于数据驱动,通过发现数据间的联系得到结论,分析结果不受制于设备和系统无法准确建模的影响。2）在有效训练后,会将过去的经验以权重的方式存储在神经网络中,不断“进化”;针对新的输入,可瞬间快速提供决策结果。3）可更好处理不确定性和随机性问题,精度和算法鲁棒性较高。实际使用中的困难包括：1）需要大量样本,有些样本实际中无法对应,需要通过仿真等其他途径提供。2）模型训练时间较长。3）可解释性较差,内在逻辑和物理概念不够清晰,不易满足运行控制“万无一失”的高可靠性要求。
电网调控领域人工智能应用需要将人工智能技术与现有技术体系优势互补,探寻合适的应用场景和处理方法。当前,调控机构抓住泛在电力物联网建设的重要机遇,积极思考并开展许多有益尝试,将人工智能技术优势与电网调控业务需求深度融合,形成了调控领域人工智能应用方向的初步共识。
4 电网调控领域人工智能应用技术框架
4.1 总体思路
遵循“需求驱动、问题导向”原则,以服务“清洁低碳、安全高效”能源体系为目标,深入分析电网调控业务需求与人工智能技术的结合点,有效借鉴前期探索和实践经验,充分发挥调控数据资源优势,引入先进、适用的人工智能技术,引领调控领域智能化发展,支撑全社会清洁经济用能和大电网安全高效运行。
一是依托现有技术体系开展人工智能研究与应用。依托现有技术体系中仿真计算平台、调度自动化系统、调控云等技术装备的数据、算力和业务场景资源,夯实人工智能应用基础,探寻明确人工智能应用领域,运用人工智能的创新驱动力,推动现有技术体系升级。
二是充分吸收借鉴已有研究和实践成果。巩固调度运行智能助手、监控信号智能分析、人机智能交互等前期探索成果,以点带面、触类旁通,带动调控领域人工智能技术应用的深化与拓展。
三是利用人工智能技术助力调度自动化系统升级换代。抓住新一代调度自动化系统研发的历史机遇,运用调控云带来的大数据优势,紧扣负荷调度控制、新能源消纳、气象环境影响分析等新应用的研发需求,服务于在线精准分析、运行智能安排、市场自动出清等技术难题的攻关,大胆研发应用人工智能新技术,实现技术跨代创新。
4.2 建设目标
针对新形势下电网调控核心业务需求与挑战,把握人工智能技术应用发展机遇,以“人工智能引领调控领域技术发展”为目标,按照“近期结合现有系统资源重点布局优先发展项目、中远期全面打造深度融合人工智能技术的新一代调度自动化系统”两个阶段,实现“智能感知、智能分析、智能控制”3个特征,在“调度控制、计划交易、运行管理、特性认知、基础支撑”5个方面取得标志性成果,全面提升电网调控智能化水平。
智能感知：对外界输入产生的文字、语音、表情、动作等能够自主感应、有效理解,人与机器间可以产生交互与互动,机器设备越来越理解调度运行人员,实现与人的共同协作、优势互补。
智能分析：实现对人类经验的有效模拟,辅助调控专业人员开展各类分析决策工作,进行复杂多维度问题的全面分析、快速处理。
智能控制：实现对电网运行态势的全景感知、准确预测、超前预判、风险评估和协同控制,大幅提升电网调控运行效率和驾驭能力,全面实现大电网智慧型调度控制系统。
4.3 体系架构
4.3.1 总体架构
调控领域人工智能应用总体架构包括感知层、平台层、应用层3层结构,如图1。
感知层,借助泛在电力物联网建设成果,通过各类终端数据统一标准化接入,实现对电源(含储能)、电网、负荷、外部环境等各类信息的全景、广域采集和感知,并通过低时延、高可靠的信息通信网络,汇聚形成调控大数据。平台层,基础自动化提供平台和业务支撑,调控云提供模型数据支撑,在此基础上构建人工智能AI引擎,通过丰富的机器学习算法和模型库,支持从数据集选择、开发、训练到服务的全流程一站式管理。应用层,人工智能技术和传统技术优势互补,共同支撑电网调控各类运行、管理应用,提升电网运行控制、分析决策和调度管理水平,引领调控领域智能化发展。
基于三层的总体架构,依托泛在电力物联网奠定的信息全面感知的有利条件,利用调控云提供的数据资源优势,深度融合人工智能技术,发挥人工智能在数据驱动、人机融合、智能推理等方面的优势,可实现电网运行海量数据快速处理,提升对复杂大电网特性和规律的认知能力,提高电网运行控制的智能化水平,支撑新一代电力系统的调度控制。
图1 调控领域人工智能应用总体架构 Fig. 1 Overall architecture of
artificial intelligence applications in the field of power grid dispatching and control
4.3.2 技术架构
调控领域人工智能应用技术架构包括基础资源层、数据管理层、计算训练层、支撑服务层和应用场景层,如图2。
图2 调控领域人工智能应用技术架构 Fig. 2 Technology architecture of
artificial intelligence applications in the field of power grid dispatching and control
基础资源层为整个系统提供基础资源支撑,主要由硬件资源、资源管理、公共服务3部分组成。所有基础资源通过平台统一进行安全管理。数据管理层通过数据预处理、数据样本管理,为系统提供全面、准确、高效的数据及样本,支持的数据类型包括模型、数据、音频、图像、文本等格式类型。AI引擎的核心模块为计算训练层,其中计算框架集成主流通用的机器学习与深度学习框架,据此开展数理统计、机器学习、深度学习、文本挖掘等计算。进行算法库管理并支持引入外部主流算法包及模型,开展计算任务调度与管理,以支持不同的人工智能应用的快速调用。支撑服务层为各个应用场景调用人工智能计算结果提供接口、服务与管理。在上述四层支撑下,应用场景层实现调控领域各类人工智能应用落地。
5 电网调控领域人工智能应用展望
根据总体思路和建设目标,拟在如下5个方面率先开展电网调控领域人工智能技术研究和应用。
5.1 提高电网运行特性认知水平方面
1）大电网仿真样本管理与生成。
面向在线和离线数据,构建海量仿真样本的系统性存储和高效访问机制;利用人工智能方法,自动实现仿真样本补充和样本分布改造,提升仿真样本库的均衡性、多样性和合理性,为进一步挖掘电网稳定规律提供数据基础。
2）方式计算智能辅助工具箱。
针对仿真分析工作中潮流调整环节需反复试探的问题,实现高收敛性的交流潮流自动调整;提出影响输电断面极限传输容量的关键敏感因素搜索方法;针对目前大量暂态稳定仿真曲线严重依赖人工判稳分析的问题,实现仿真曲线的自动分析,识别各种失稳形态。
5.2 提高调度控制效率方面
1）基于泛在感知的电网监控事件化技术。
研究基于泛在感知的电网监控事件化技术,实现电网监控运行规律智能分析、基于人工智能的电网监控事件识别和智能作业,实现监控业务处理由传统单点信号监视向综合事件监视的转变。
2）基于大数据的设备状态趋势感知。
构建统一的监控设备模型,将多源数据关联融合,利用大数据分析技术实现设备状态趋势评估,辅助识别设备故障及缺陷等造成的电网风险隐患,提前进行风险预防。
3）调度机器人助手。
研究电网调控事务性工作智能执行技术,实现基于语音的电力信息查询、搜索、功能调用,实现可定制报表、自动构图、典型业务电话自动应答等功能;研究计划性倒闸操作智能执行技术,实现计划性倒闸的一键式操作和智能安全校核;提出电网复杂故障诊断与辅助处置方法,实现交直流混联大电网系统级复杂故障告警及原因诊断,以及设备故障后的电网快速自动恢复。
4）电网稳态自适应巡航。
研究面向调控运行知识库的运行规则电子化方法,实现基于知识图谱的运行规则知识抽取,将离散知识形成可以支撑实际应用场景的调控知识体系,支撑调控运行业务场景的自动处置。研究考虑外部环境、负荷预测、清洁能源消纳、电网安全约束等因素的发输电计划与电压控制策略滚动校核与调整技术,实现电网运行风险的实时评估与预测、调度计划和控制策略的滚动调整和自动下发。
5.3 提高计划交易自动化水平方面
1）停电计划智能编排与电力交易辅助决策。
挖掘停电检修与负荷平衡、新能源消纳、电力交易、网络限额等各类因素的关联关系,为主网发输变电设备确定最佳停电窗口期;实现停电窗口期智能生成及停电组合优化,促进停电计划编制由人工经验向智能化转变。
提出考虑电网安全、输电费用、网络损耗等各类因素的电力交易路径成本评估方法,构建跨省区交易路径智能寻优模型,确定最佳交易路径。
2）电力市场运行数据分析。
研究电力现货市场运营情况与电网运行、调度计划、清洁能源消纳、输电通道阻塞情况的多维关联关系,基于对电力现货市场历史数据的挖掘,研究市场主体的报价策略、交易行为对电力市场运行的影响。研究电力现货市场运营风险类型识别与预判告警技术,建立电力现货市场运行风险防范机制和应急预案。研究电力现货市场交易输电通道阻塞度分析评估技术,优化交易路径,减少通道阻塞
情况。
5.4 提高运行管理智能化方面
1）新能源资源分析及预测。
基于海量资源数据和运行数据,研究数据清洗及挖掘技术,实现新能源资源和运行数据的有效利用;基于大数据挖掘结果,建立资源及出力特性分析模型,提取影响新能源资源及出力波动的关键特征。通过深度学习等智能算法,不断优化集中式新能源功率预测模型,提高功率预测精度,扩展预测期;通过人工智能聚类分析技术,实现分布式电源出力的精准估计和预测。
2）电力二次系统一体化运行智能管控。
研究二次系统统一建模技术,实现海量二次数据汇集处理;研究二次设备运行数据异常变化特征量,研究装置运行状态变化趋势预测,实现二次设备运行状态的准确评价及风险预警,提高二次系统整体运行管控水平。
3）通信调度的智能监视与运维。
基于提炼的通信监视和运维规则,通过对海量样本训练和语音互动,实现通信缺陷自动判断、缺陷自动派单和重要通道迂回路由自动优选,提升通信运维工作效率和专业管理水平。
5.5 提高人工智能应用基础支撑能力方面
1）基于泛在感知的电网运行数据预测、挖掘与分析关键技术研究。
依托调控云平台,构建标签化的电网调控大数据管理体系,通过分析天气、季节、节假日等数据对负荷预测、新能源功率预测的影响,提高预测精度,为电力电量平衡、电网稳定运行提供支撑,支撑发电侧(风电、光伏、火电、水电、煤炭、天然气)、输变电侧和负荷侧(天气、季节、节假日)各类数据融合与统一管理。
2）新一代调度自动化系统人工智能支撑技术。
开展面向调控领域的人工智能平台架构及其数据处理、通用算法框架和基础应用技术研究,构建以调控大数据为基础的标签化数据体系,提供符合电网调控业务需求的机器学习模型搭建与训练平台,研究语音、计算机视觉、自然语言处理等基础应用技术,实现数据统一、算力统筹、智能共享、安全可控的分布式AI生态环境,促进人工智能在电网调控领域应用。
6 结语
人工智能是电网调控技术进步的方向,将传统模型驱动的调控技术升级为模型和数据混合驱动,可极大提升调控技术支撑的效率和质量,更好地满足新形势下运行和管理需求,引领电网调控领域的智能化发展。本文分析了电网调度控制现状及面临的挑战、电网调控领域人工智能应用基础,将人工智能技术与调控技术支撑体系深度融合,开展电网调控领域人工智能应用技术框架研究,提出总体思路、建设目标,设计了系统体系架构,对电网调控领域人工智能应用进行展望,分析了应用发展方向,为后续相关研究、建设工作提供参考。
调控领域人工智能应用坚持需求驱动、目标导向、实用实效,将先进、适用的人工智能技术与业务迫切需求紧密结合。方向上从解放人力、提高效率开始,逐步开展辅助分析、智能决策,最终到全面应用于电网调控运行与管理。布局上通过试点先行、逐步推广,有序、稳健推进电网调控领域人工智能研发和应用。
参考文献
[1] 寇伟. “三型两网”知识读本[M].北京:中国电力出版社,2019.
[2] 李明节. 大规模特高压交直流混联电网特性分析与运行控制[J].电网技术,2016,40(4):985-991. Li Mingjie.Characteristic analysis and operational control of large-scale hybrid UHV AC/DC power
grids[J].Power System Technology,2016,40(4):985-991(in Chinese).
[3] 郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用,2019,55(12):20-36. Zheng Yuanpan,Li Guangyang,Li Ye.Survey of application of deep learning in image
recognition[J].Computer Engineering and Applications,2019,55(12):20-36(in Chinese).
[4] 侯一民,周慧琼,王政一.深度学习在语音识别中的研究进展综述[J].计算机应用研究,2017,34(8):2241-2246. Hou Yimin,Zhou Huiqiong,Wang Zhengyi.Overview of speech recognition based on deep
learning[J].Application Research of Computers,2017,34(8):2241-2246(in Chinese).
[5] 许洪强. 调控云架构及应用展望[J].电网技术,2017,41(10):3104-3111. Xu Hongqiang.Architecture of dispatching and control could and its application prospect[J].Power System
Technology,2017,41(10):3104-3111(in Chinese).
[6] 孔德钱,张新燕,童涛,等.基于差分进化算法与BP神经网络的变压器故障诊断[J].电测与仪表,2019:1-5. Kong Deqian,Zhang Xinyan,Tong Tao,et al.Transformer fault diagnosis based on differential evolution
algorithm and BP neural network[J].Electrical Measurement and Instrumentation,2019:1-5(in Chinese).
[7] 蔡富裕,郭文勇,赵闯,等.基于参数在线辨识的电流源型变流器状态监测及自适应控制[J].电力系统自动化,2019,43(18):67-74. Cai Fuyu,Guo Wenyong,Zhao Chuang,et al.State monitoring and adaptive control of current
source converter based on online identification of parameters[J].Automation of Electric Power Systems,2019,43(18):67-74(in Chinese).
[8] 杨胜春,汤必强,姚建国,等.基于态势感知的电网自动智能调度架构及关键技术[J].电网技术,2014,38(1):3635-3641. Yang Shengchun,Tang Biqiang,Yao Jianguo,et al.Architecture and key technologies for situational
awareness based automatic intelligent dispatching of power grid[J].Power System Technology,2014,38(1):3635-3641(in Chinese).
[9] 闪鑫,戴则梅,张哲,等.智能电网调度控制系统综合智能告警研究及应用[J].电力系统自动化,2015,39(1):65-72. Shan Xin,Dai Zemei,Zhang Zhe,et al.Research on and application of integrated smart alarm based on
smart grid dispatching and control systems[J].Automation of Electric Power Systems,2015,39(1):65-72(in Chinese).
[10] 闪鑫,陆晓,翟明玉,等.人工智能应用于电网调控的关键技术分析[J].电力系统自动化,2019,43(1):49-57. Shan Xin,Lu Xiao,Zhai Mingyu,et al.Analysis of key technologies for artificial intelligence applied to
power grid dispatch and control[J].Automation of Electric Power Systems,2019,43(1):49-57(in Chinese).
[11] 陈郑平,米为民,林静怀,等.电网调控操作智能助手方案探讨[J].电力系统自动化,2019,43(33):173-178. Chen Zhengping,Mi Weimin,Lin Jinghuai,et al.Discussion on intelligence assistant scheme of
dispatching and control operation in power grid[J].Automation of Electric Power Systems,2019,43(33):173-178(in Chinese).
[12] 汤奕,崔晗,李峰,等.人工智能在电力系统暂态问题中的应用综述[J].中国电机工程学报,2019,39(1):2-13. Tang Yi,Cui Han,Li Feng,et al.Review on artificial intelligence in power system transient stability
analysis[J].Proceedings of the CSEE,2019,39(1):2-13(in Chinese).
[13] 杜明秋,李妍,王标,等.电动汽车充电控制的深度增强学习优化方法[J].中国电机工程学报,2019,39(14):4042-4048. Du Mingqiu,Li Yan,Wang Biao,et al.Deep reinforcement learning optimization method for charging
control of electric vehicles[J].Proceedings of the CSEE,2019,39(14):4042-4048(in Chinese).
[14] 马钊,周莉梅,袁海文,等.现代配电网健康指数理论及其应用研究[J].中国电机工程学报,2019,39(1):130-140. Ma Zhao,Zhou Limei,Yuan Haiwen,et al.Health index methodology of modern distribution network and
its application[J].Proceedings of the CSEE,2019,39(1):130-140(in Chinese).
[15] 张宇帆,艾芊,林琳,等.基于深度长短时记忆网络的区域级超短期负荷预测方法[J].电网技术,2019,43(6):1884-1892. Zhang Yufan,Ai Qian,Lin Lin,et al.A very short-term load forecasting method based on deep LSTM
RNN at zone level[J].Power System Technology,2019,43(6):1884-1892(in Chinese).
}