择要
本文针对聪慧用能技能在预测、方案、运行和评价等方面问题,先容了人工智能技能在用能数据处理剖析及综合能源、需求相应、电能替代、车桩互动等新兴用能业务领域中的运用现状,磋商了人工智能技能在用能领域的紧张发展趋势。
关键字
综合能源;需求相应;电能替代;车桩互动
0 弁言
随着分布式电源、电动汽车、分布式储能元件等具有能源生产、存储、消费等多重特性的新型能源终端大量接入电网,电力系统呈现出繁芜非线性、强不愿定性、强耦合性等特点,发、输、变、配、用各环节都衍生出大量新兴技能。用户侧作为电力系统的末端,综合能源、需求相应、电能替代和车桩互动等新兴用能技能不断呈现。通过人工智能技能实现多能综合高效利用和终端资源灵巧互动,是未来新型电力系统负荷侧聪慧化的核心特色。
人工智能始于20世纪50年代,发展至今一共经历了三个阶段。第一阶段是机器学习观点的提出;第二阶段是专家系统与多层感知器的涌现;第三阶段则是大数据、打算机软硬件发展、打算能力提升,以及理论算法改造的技能领悟。以深度学习和强化学习为范例代表的人工智能技能,吸引了各国各行各业的关注。人工智能根本包括知识表示、推理、搜索、方案,是浩瀚学科相互交融进而发展的一门综合学科,是聪慧用能技能的核心支撑技能,具有应对高维、时变、非线性问题的强优化处理能力和强大的学习能力,可有效办理能源系统面临的各种寻衅。
本文首先先容如何利用人工智能算法赞助用能数据识别和数据洗濯;接着剖析对付人工智能技能在综合能源、需求相应、电能替代和车桩互动等用户侧范例业务领域中的运用现状;末了展望了人工智能在用能领域的紧张发展趋势。
1 聪慧用能数据获取技能发展现状
1.1 用能数据识别
新型电力系统背景下用能系统数据呈现出多源异构的大数据特性——数据量大、繁芜程度高,智能传感技能的发展提高了负荷数据采样频率,为深度学习在负荷数据采集处理领域的运用供应了契机,也提出了哀求。天津大学早在2009年就开始了负荷识别的研究,并通过比较各种算法的打算速率与打算精度,设计了基于微分进化算法的非侵入式电力负荷分解;四川大学相继提出了以暂态功率、暂态波形、窄带旗子暗记识别设备投切情形为指标的非侵入式负荷识别技能;华北电力大学利用差异剖析法、遗传算法、仿照退火算法、深度学习等方法对非侵入式负荷分解进行了深入研究。
1.2 用能数据洗濯
用户侧负荷数据量大,滋扰信息多,须要进行数据洗濯处理才能开展进一步的科学剖析。数据洗濯的一样平常方法包括数据同等性考验,处理无效值和缺失落值等。数据同等性紧张包括数据冲突、数据超限和逻辑缺点。人工数据洗濯事情量大且效率低,深度学习算法可通过案例学习得到数据洗濯的根本逻辑,进而智能判断数据的质量,对缺点数据和无效数据进行处理,以及对缺失落数据进行合理估算等。东北电力大学通过剖析综合能源系统中的风速功率数据,优化数据处理规则与数据剖析过程,提出最优组内方差洗濯算法;国网上海电科院提出用函数型数据剖析(Functional Data Analysis, FDA)对用户用电数据中缺点和缺失落数据进行改动与补全,其洗濯流程图如图1所示。
图1 日用电数据洗濯流程图
2 聪慧用能技能研究现状
2.1 综合能源
综合能源系统因此电为核心,覆盖冷、热、天然气等多种能源的产销一体化系统,人工智能技能在综合能源领域的运用最为广泛,涉及综合能源系统全生命周期的各方面。
(1)负荷预测
对目标区域的电冷热负荷进行合理预测是方案培植综合能源站的第一步。利用人工智能技能在回归剖析方面的上风,开展负荷预测研究,可更好地支撑综合能源系统的方案、运行和做事。能源负荷与价格、政策、景象等多种影响成分干系,已有研究职员对此进行了大量研究。部分学者考虑节假日成分和蔼象成分,采取最小二乘支持向量机 (Least Squares Support Vector Machine, LSSVM) 进行天然气日负荷预测;部分学者考虑室外温度影响,建立了一种基于极限学习机 (Extreme Learning Machine,ELM) 的地区供热系统的热负荷预测模型;还有学者考虑了含有灵巧接入性的电动汽车等可变负荷的预测问题,建立支持向量机 (Support Vector Machine, SVM) 预测模型。但是利用人工智能算法的过程中须要把稳通过数据集的多样性,肃清单一负荷数据的不愿定性。
(2)场景建模
综合能源系统和设备的建模是综合能源业务发展的根本。目前,主流的建模方法紧张包括机理驱动建模、数据驱动建模和数据 - 机理领悟驱动建模,由于实际工程中面临可用数据不敷、设备用能机理繁芜和系统耦合程度高档问题,而人工智能算法对详细数学模型依赖程度低,并长于从数据中自学习和对源域的迁移学习,因此,基于深度学习算法的数据 - 机理领悟驱动模型可以战胜数据量少和用能机理繁芜的问题,得到高精度的综合能源设备和系统模型。领悟建模的基本架构紧张有如图2所示的并联型和串联型两种,并联型一样平常适用于机理模型已知而结果不足准确的工具;串联型一样平常适用于有大量数据集进行演习、某些过程或机理未知的工具。部分学者采取基于马尔科夫决策理论的强化学习方法,描述综合能源系统中风、光等可再生能源的不愿定性;上海交通大学提出了机理模型和基于神经网络的数据驱动模型相结合的燃机稠浊模型构造,提高了模型的精度。
图2 数据 - 机理领悟建模的基本架构
(3)方案运行
方案和运行是综合能源系统最主要的两个环节,人工智能算法可实现方案运行过程的多目标优化。方案方面,部分学者设计了含热电联供的智能能源管理系统,建立了以最小化运行本钱和最小化碳排放为目标的优化模型,并采取强化学习方法进行求解;运行方面,研究了基于层次深度强化学习的综合能源系统分布自治掌握方法,其以综合能源系统可掌握设备策略为动作策略空间,根据系统局部优化目标设计分层褒奖方法,构建层次深度强化学习开展演习学习,建立综合能源系统分布自治掌握模型。还有采取基于蜕变博弈的思想剖析系统协同优化方法,研究了综合能源系统多主体行为模式,探索非理性互助下多主体博弈机制及蜕变规律,根据分区特性并综合考虑本钱、能效等优化目标开展集群协同优化,实现综合能源系统的多能互补与能效提升。
2.2 需求相应
需求相应通过价格补贴勾引用户侧可调节负荷参与交易,实现削峰填谷。人工智能技能在需求相应领域也有大量运用,紧张包括可调节负荷辨识、可调节潜力预测和虚拟电厂建模与评价等。
(1)可调节负荷辨识
需求相应通过调动用户侧可调节负荷参与电网平衡调节,人工智能中机器学习良好的聚类 / 分类和辨识能力可以进行用能行为剖析,识别可调节负荷,从而更好地支撑用户侧参与电网互动。从数据挖掘的角度,目前用户用电行为剖析紧张通过直接聚类或间接聚类实现。直接聚类技能如K-means、层次聚类,以及具有噪声的基于密度的空间聚类 (Density-Based Spatial Clustering Of Applications With Noise, DBSCAN) 及自组织映射(Self-Organizing Map, SOM) 等已被考试测验用于可调节负荷辨识;间接聚类方法首先对用电数据进行特色提取,然后再进行聚类,以提升聚类效果,紧张研究事情集中在特色提取方法的选取、特色优选、降维及聚类策略选择等方面。
(2)可调节潜力剖析
纺织、炼钢平分歧行业都存在丰富的可调节负荷资源,为评估不同行业负荷的可调节潜力,可引入强化学习等算法,在对不同负荷曲线进行聚类的根本上,准确识别并打算负荷的可调节潜力。部分学者为实现考虑用户用电行为多维影响成分浸染下的精准聚类,设计了一种领悟K-means 和SOM进行二次聚类,以及BP神经网络进行反向调度改动的综合聚类方法,提高了聚类的精确度。
(3)虚拟电厂建模与评价
为办理大量分布式电源接入带来的系统颠簸性问题,引入了虚拟电厂(Virtual Power Plant, VPP)的观点。虚拟电厂指将分布可控负荷(Dispatchable Load,DL)、 分 布 式 发 电 机 组(Dispatchable Generation,DG)和分布式的储能举动步伐(Dispatchable Energy Storage,DES),通过运用一些配套的调控技能和通信技能等整合成一个别系,从而实现整合掌握不同分布式能源资源的载体。在电力市场中,虚拟电厂将与传统电厂一样,对市场旗子暗记进行相应,参与市场竞争。部分学者给出了虚拟电厂中风电、光伏等设备的着力预测模型;同时,基于人工神经网络建立了分布式能源系统的经济调控模型,对虚拟电厂参与电力市场的经济运行模式进行了研究。
2.3 电能替代
电能替代计策可以在终端能源消费环节实现电能替代散烧煤、直燃油,终极实现能源发展办法的根本转变。人工智能技能在电能替代领域的运用,紧张包括替代潜力评估和电力负荷增加值预测等。
(1)电能替代潜力评估
用能系统的电能占比和电能替代潜力受技能水平和系统构造等成分的影响,合理评估系统的电能替代潜力才能更好地推进电能替代的发展。为供应面向电源、电网、产能方案的理论辅导,一些文献提出了基于粒子群优化支持向量机的电能替代潜力剖析方法。基于多维度数据定义电能替代发展的紧张影响成分,通过支持向量机实现影响成分与累计电能替代量的拟合剖析,并对付支持向量机参数选择进行粒子群优化,实现了对累计电能替代量的有效预测。
(2)电能替代对负荷影响预测
随着全社会电能占比的提高,电力负荷也随之不断增加,合理预测电能替代带来的电力负荷变革,对付提高电网稳定性有主要意义。一些文献剖析了影响饱和电力负荷水平的成分,并根据剖析提取出10 个能够量化打算的关键成分,采取干系系数法、灰色关联度和K-L(Kullback-Leibler)信息量三种剖析方法,量化打算这些成分对饱和电力需求的关联度,建立了考虑电能替代成分的支持向量机模型。
2.4 车桩互动
随着电动汽车与充电桩的快速遍及,车桩之间的互动问题亟需办理。在车桩互动领域,人工智能技能可实现充电桩选址方案、充电时段与充电功率优化、充电桩运行状态监测等功能。
(1)充电桩选址方案
充电桩的选址与布局受需求分布、交通条件等多方面成分的影响。目前,智能优化算法和深度学习算法大量用于求解充电桩的选址定容问题,如遗传算法、粒子群算法、蚁群算法和深度学习算法、强化学习算法等。一些文献以充电韶光和功率分布为优化目标,基于深度学习算法对充电桩的选址定容问题进行了优化求解。
(2)充电时段与充电功率优化
利用太阳能或风能作为充电能源,可有效实现新能源消纳和碳减排。弘大的电动汽车数量使调度优化变量具有高维特性,并且可再生能源发电和用户需求的不愿定性使得模型难以建立。针对优化变量的高维特性,一些文献从模型上通过定义电动汽车聚合器、事宜和子状态将具有高维变量的电动汽车充放电管理问题进行分层优化,以降落每层的变量维数,同时能一定程度上保护下层用户的隐私信息,适用于有隐私保护需求的高维系统优化问题。针对不愿定性问题,有学者设计了基于参数自适应差分进化的多目标优化算法,在打算风电功率概率的根本上建立电动汽车-风能集成电力系统折衷调度模型。
(3)充电桩运行状态预警
是非时影象神经网络 (Long Short-Term Memory,LSTM) 利用其分外的网络构造,可以实现韶光序列预测剖析,即利用过去一段韶光内某事宜韶光的特色预测未来一段韶光内该事宜的特色。图3所示为LSTM神经网络预警流程图。对付充电桩在运行过程中的安全性参数,智能预警系统可以实时监测其变革曲线,通过内置判断逻辑,识别预测充电桩所处状态,对充电桩和动力电池可能存在的温度越限等问题及时预警并作出应对方法,保障充电过程的安全性。
图3 LSTM神经网络预警流程图
3 未来发展趋势
未来聪慧用能领域面临极为繁芜的环境和寻衅,人工智能技能将在用能数据安全防护、综合能源聪慧运维、需求相应交易市场化、电能替代减排效果评估、车桩智能实时互动等各方面发挥巨大浸染。
(1)用能数据安全防护
数据安全问题是社会发展必须考虑的问题,当前,对数据安全的防护手段,包括对称/非对称加密、同态加密、访问掌握、安全审计和备份规复等。用户的用能数据涉及用户隐私,因此,在剖析用能数据前应通过必要手段对数据进行脱敏处理。数据脱敏是在保留数据原始特色的条件下,按需进行敏感信息内容的变换,从而降落这些主要数据在共享和移动时的风险。常见的数据脱敏方法,包括更换、无效化、置乱、均值化、反推断、偏移等。机器学习等算法可用于敏感数据识别、定级,以及敏感算法制订、脱敏任务配置的实现办法等方面的研究。
(2)综合能源聪慧运维
随着综合能源站的方案和培植,其运维问题成为提高供能稳定性和经济性必须办理的问题之一。智能巡检机器人和智能故障诊断系统可为运维问题供应新的思路和解决方法。领悟视觉感知和强化学习等技能的智能巡检机器人,可极大提高巡检的事情效率,在综合能源站的多种能源协同运行环境下,可实现故障的精准识别和智能判断。故障诊断的核心是发生故障时,及时判断故障缘故原由并供应办理方案。智能故障诊断系统可通过专家系统方法或人工神经网络方法等提取范例案例中的特色参数,学习故障发生的内在逻辑,当发生非常数据报警时,智能判断故障类型,从专家库中及时匹配故障办理方案,为现场运维职员供应赞助决策,为综合能源站的聪慧化运维供应有力保障。
(3)需求相应交易市场化
随着需求相应的大规模推广,补贴定价等问题亟待研究。由于价格是不断受到多种内因和外因的影响而颠簸的,因此大略的基于韶光序列的线性预测模型无法适用。人工智能方法利用历史电价和社会经济成分等信息,直接通过样本学习来仿照补贴电价及其影响成分之间的关系,非线性拟合能力强,预测精度较高;同时,可以基于博弈干系理论,订定合理的补贴价格动态定价方法,提高需求相应交易的市场化水平。
(4)电能替代减排效果评估
电能替代技能是实现“双碳”目标的主要技能之一,用户侧电能替代存在种类繁多、技能更替快、碳排放与减排效果量化困难等问题,因此,可以基于范例行业用能系统的碳排放模型,综合考虑各种电能替代技能的成熟度,利用深度学习算法的学习预测能力进行合理推演,量化剖析电能替代技能对付用能系统碳减排能力的影响,从而验证电能替代履行路径的有效性,为推动电能替代和提升城市电气化水平供应技能支持。
(5)车桩路网智能实时互动
作为一项新兴家当,与电动汽车配套的公共充电根本举动步伐的培植和运用也处于井喷式发展阶段,但充电设备具有输出功率大、做事大众化、场景多元化和工具多样化特性,在长期无人值守的环境下,如发生分外事宜会导致无法正常充电,乃至引动怒警的后果。通过比拟剖析多种智能互动模式,可以磋商车、桩、路、网之间实时互动的可行性,从而进一步保障充电安全,提升客户充电体验。
(参考文献略)
选自《中国人工智能学会通讯》
2021年第11卷第11期
聪慧能源专题