曹渝昆, 何健偉, 鮑自安

(1.上海電力學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 上海 200090;2.華能湖南清潔能源分公司 蘇寶頂風(fēng)電場, 湖南 洪江 418199)

深度學(xué)習(xí)在電力領(lǐng)域的研究現(xiàn)狀與展望

曹渝昆1, 何健偉1, 鮑自安2

(1.上海電力學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 上海 200090;2.華能湖南清潔能源分公司 蘇寶頂風(fēng)電場, 湖南 洪江 418199)

深度學(xué)習(xí)技術(shù),近年來已經(jīng)廣受學(xué)術(shù)界和工業(yè)界的關(guān)注,已在圖像處理及分類,自然語言處理和生物醫(yī)療領(lǐng)域中取得卓越成果.對于存在大量高維度數(shù)據(jù)的電力領(lǐng)域,引入深度學(xué)習(xí)的理論具有一定的意義.介紹了深度學(xué)習(xí)的幾個(gè)經(jīng)典模型結(jié)構(gòu)、工作原理,以及相關(guān)領(lǐng)域的部分研究成果,并圍繞深度學(xué)習(xí)在電力領(lǐng)域中的研究現(xiàn)狀展開了論述,指出了存在的不足和未來研究的方向.

深度學(xué)習(xí); 人工智能; 電力

神經(jīng)網(wǎng)絡(luò)從出現(xiàn)到現(xiàn)在,共出現(xiàn)過3次興起的浪潮.最近的一次就在2006年,以HINTON G等人[1]命名的一種深度信念網(wǎng)絡(luò)的深度神經(jīng)網(wǎng)絡(luò),可以使用逐層貪婪訓(xùn)練(Greedy Layer-wise Training)的策略去訓(xùn)練,解決了深度神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)的隨機(jī)初始化權(quán)值方法上出現(xiàn)的梯度彌散問題.

時(shí)隔10年,2016年谷歌的“AlphaGo”以3∶1戰(zhàn)勝人類圍棋高手李世石,其核心算法正是深度學(xué)習(xí).從此之后,“深度學(xué)習(xí)”這一計(jì)算機(jī)領(lǐng)域的專業(yè)名詞,已變得家喻戶曉.其實(shí)在此之前,深度學(xué)習(xí)就已經(jīng)廣受學(xué)術(shù)界和工業(yè)界的青睞,在許多傳統(tǒng)的識別任務(wù)上取得很高的正確率.

在圖像處理及分類方面,最為著名的是2012年KRIZHEVSKY A等人[2]利用GPU(圖形處理器)實(shí)現(xiàn)了一個(gè)深度神經(jīng)網(wǎng)絡(luò),在 ImageNet比賽中取得了創(chuàng)紀(jì)錄的結(jié)果,在大規(guī)模圖像分類任務(wù)上Top 5(一次同時(shí)預(yù)測5個(gè)結(jié)果,其中一個(gè)符合就算預(yù)測正確)分類精度達(dá)到了84.7%,比第二名使用的Fisher向量編碼算法要高大約10個(gè)百分點(diǎn).此外,深度學(xué)習(xí)也逐漸在醫(yī)學(xué)和生物認(rèn)知領(lǐng)域得到重視,并在醫(yī)學(xué)圖像的病變分類、分割、識別等方面取得了一定的研究成果.2015 年,新加坡GAO X等人[3]結(jié)合使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN),基于眼部檢查圖像對核性白內(nèi)障嚴(yán)重程度進(jìn)行分級,深度學(xué)習(xí)方法打破了該領(lǐng)域之前的記錄.在自然語言處理方面,第一個(gè)在自然語言處理(Natural Language Processing,NLP)任務(wù)中取得較好性能的是COLLOBERT R等人[4]開發(fā)的SENNA,其在POS Tagging(詞性標(biāo)注),Chunking(斷句),Named entity recognition(命名實(shí)體識別),Semantic role labeling(詞義角色標(biāo)注)等4個(gè)典型自然語言處理問題上取得的性能都與當(dāng)時(shí)最好的系統(tǒng)相當(dāng).

在電力行業(yè),關(guān)于深度學(xué)習(xí)的研究與應(yīng)用已經(jīng)初現(xiàn)端倪.本文在概述深度學(xué)習(xí)的主要思想方法和經(jīng)典模型的基礎(chǔ)上,介紹深度學(xué)習(xí)在電力行業(yè)的一些研究現(xiàn)狀以及應(yīng)用例子,并綜合以上的內(nèi)容提出深度學(xué)習(xí)在電力行業(yè)中的一些研究展望.

1 深度學(xué)習(xí)的主要思想及網(wǎng)絡(luò)模型

深度學(xué)習(xí)本質(zhì)上就是具有多層隱藏層的神經(jīng)網(wǎng)絡(luò),是一種特定類型的機(jī)器學(xué)習(xí),通過將世界表示為由較簡單概念定義復(fù)雜概念,從一般抽象到高級抽象的嵌套概念體系以獲得極大的能力和靈活性,優(yōu)點(diǎn)就是免除了人工選取特征的繁瑣過程以及高維數(shù)據(jù)所具有的“維度災(zāi)難”.深度神經(jīng)網(wǎng)絡(luò)一般分為3類,如圖1所示.

圖1 深度學(xué)習(xí)的一般分類

下面將逐一簡單介紹幾個(gè)比較經(jīng)典的深度學(xué)習(xí)網(wǎng)絡(luò)模型.

1.1 深度信念網(wǎng)絡(luò)

常見的深度信念網(wǎng)絡(luò)(Deep Belief Networks,DBN),是由多個(gè)受限玻爾茲曼機(jī)(Restricted Boltzmann Machines,RBM)堆疊而成的.與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)不同,DBN的訓(xùn)練主要分為預(yù)訓(xùn)練和全局微調(diào)兩部分.預(yù)訓(xùn)練階段,通過以最小化RBM網(wǎng)絡(luò)能量為目標(biāo)去預(yù)訓(xùn)練網(wǎng)絡(luò),且只使用了輸入數(shù)據(jù),并沒有使用數(shù)據(jù)對應(yīng)的標(biāo)簽,屬于無監(jiān)督學(xué)習(xí);而全局微調(diào)階段,結(jié)合帶標(biāo)簽數(shù)據(jù),利用反向傳播(Back Propagation,BP)算法對網(wǎng)絡(luò)進(jìn)行全局微調(diào).無監(jiān)督的預(yù)訓(xùn)練會使得網(wǎng)絡(luò)得到比隨機(jī)初始化更好的結(jié)果[5].DBN常用于數(shù)據(jù)分類任務(wù).

1.2 堆棧自動(dòng)編碼器

堆棧自動(dòng)編碼器(Stack Auto-Encoder,SAE),與DBN結(jié)構(gòu)相仿,不同的是組成的子單元是多個(gè)自動(dòng)編碼器.自動(dòng)編碼器的結(jié)構(gòu)如圖2所示.

圖2 單層自動(dòng)編碼器模型

自編碼器的結(jié)構(gòu)可視為3層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),即輸入層、隱藏層、輸出層,其中輸入層和輸出層的神經(jīng)元的個(gè)數(shù)相同.通常會在自動(dòng)編碼器的基礎(chǔ)上加上一些約束,比如,隱層神經(jīng)元數(shù)量應(yīng)小于輸入層的神經(jīng)元數(shù)量;或者在隱層神經(jīng)元數(shù)量大于輸入層神經(jīng)元數(shù)量的時(shí)候加入稀疏性限制,保證隱層神經(jīng)元在大多數(shù)情況下處于被抑制的狀態(tài).

1.3 卷積神經(jīng)網(wǎng)絡(luò)

作為深度學(xué)習(xí)中最常用的網(wǎng)絡(luò)模型,CNN被廣泛用于圖像處理以及分類識別方面的各大國際比賽中,這歸功于其特殊的網(wǎng)絡(luò)設(shè)計(jì).CNN由卷積層和次采樣層交叉堆疊而成.前向計(jì)算時(shí),利用多個(gè)卷積核對輸入的數(shù)據(jù)進(jìn)行卷積運(yùn)算,生成多個(gè)特征圖,特征圖的維度對比輸入維度已有所下降,再通過次采樣層進(jìn)一步降維.經(jīng)過多次的卷積和次采樣層后,再經(jīng)過全連接層到達(dá)網(wǎng)絡(luò)輸出.

圖3是香港中文大學(xué)的SUN Y[6]開發(fā)的學(xué)習(xí)人臉特征的CNN圖,該CNN的網(wǎng)絡(luò)名為DeepID,用于圖像分類.由圖3可以看到,在全連接層的后面緊接多元分類層,在人臉驗(yàn)證試驗(yàn)中該方法的正確率為97.45%,原作者進(jìn)一步改進(jìn)了CNN,最終得到了99.15%的正確率.

圖3 DeepID網(wǎng)絡(luò)結(jié)構(gòu)

1.4 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)已經(jīng)在眾多NLP中取得了巨大成功并得到廣泛應(yīng)用.與SAE,DBN,CNN不同,RNN專門用于序列數(shù)據(jù),其結(jié)構(gòu)如圖4所示.與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型不同,RNN的每層隱藏層神經(jīng)元之間都存在連接關(guān)系.該結(jié)構(gòu)的具體作用表現(xiàn)為網(wǎng)絡(luò)會對前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前的輸出,因此特別適合于序列類型數(shù)據(jù).此外,RNN和CNN結(jié)合使用,可以處理樣本之間的相關(guān)性問題.

圖4 RNN網(wǎng)絡(luò)結(jié)構(gòu)

2 深度學(xué)習(xí)在電力行業(yè)的研究現(xiàn)狀

雖然深度學(xué)習(xí)已經(jīng)在圖像識別以及自然語言處理等方面取得重大突破,但其在電力行業(yè)的研究與應(yīng)用還處于萌芽階段.近年來,相關(guān)的研究雖然不多,但也存在一些成功的例子.研究的重點(diǎn)主要在電力設(shè)備的故障診斷、新能源發(fā)電機(jī)的出力預(yù)測與缺陷檢測、電網(wǎng)的維修以及改造領(lǐng)域.

2.1 電力設(shè)備的故障診斷

電力設(shè)備種類繁瑣,其中不乏一些結(jié)構(gòu)復(fù)雜且至關(guān)重要的設(shè)備,如發(fā)電機(jī)、變壓器等.一般的電力設(shè)備故障診斷手段采用合適的智能算法,通過采集設(shè)備的相關(guān)特征量作為訓(xùn)練集合,然后輸入到合適的算法模型中,經(jīng)過訓(xùn)練后,得出最終的判斷模型,用于檢測.智能算法包括支持向量機(jī)、BP神經(jīng)網(wǎng)路、決策樹以及一些經(jīng)過輔助算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)算法.而深度學(xué)習(xí)可以利用電力工業(yè)中大量無標(biāo)簽的數(shù)據(jù),對深度神經(jīng)網(wǎng)絡(luò)進(jìn)行更好的權(quán)值初始化.

石鑫等人[7]結(jié)合電力變壓器在線監(jiān)測油中溶解氣體分析數(shù)據(jù),提出了基于分類深度自編碼網(wǎng)絡(luò)的變壓器故障診斷方法,實(shí)驗(yàn)表明,該方法與基于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(Support Vector Machine,SVM)的故障診斷方法相比,正確率更高;石鑫等人[8]基于DBN構(gòu)建了深度信念網(wǎng)絡(luò)的分類模型,并利用Iris(鳶尾花卉數(shù)據(jù)集)等經(jīng)典數(shù)據(jù)集對分類性能進(jìn)行測試,以此為基礎(chǔ),結(jié)合變壓器的溶解氣體分析(Pissolved Gas Analysis,DGA)數(shù)據(jù),提出了基于DBN的變壓器故障分類新方法.測試結(jié)果顯示,該方法適用于變壓故障分類,具有較強(qiáng)的從樣本中提取特征的能力和容錯(cuò)特性,且性能優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī).

TAMILSELVAN P等人[9]基于DBN建立了一個(gè)設(shè)備健康狀態(tài)估計(jì)的模型,并通過飛機(jī)發(fā)動(dòng)機(jī)和電力變壓器的故障診斷兩個(gè)工程實(shí)例,對比支持向量機(jī)、二值神經(jīng)網(wǎng)絡(luò)、自組織映射網(wǎng)絡(luò)等算法,DBN的分類正確率最高.林錦波[10]結(jié)合聚類融合和深度學(xué)習(xí)算法的稀疏自編碼器對6 500家工業(yè)用戶用電負(fù)荷進(jìn)行電負(fù)荷的模式識別,對比BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林算法和支持向量機(jī),該方法的測試集準(zhǔn)確率和預(yù)測集準(zhǔn)確率均為最高.

圖5為一個(gè)電力變壓器的故障診斷系統(tǒng),利用無標(biāo)簽數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行逐層貪婪無監(jiān)督預(yù)訓(xùn)練,再利用少量的帶標(biāo)簽數(shù)據(jù),結(jié)合BP算法進(jìn)行網(wǎng)絡(luò)權(quán)值的微調(diào),最后輸入測試集以測試模型的精確率.SAE和DBN模型均可以進(jìn)行無監(jiān)督的預(yù)訓(xùn)練,而兩者進(jìn)行無監(jiān)督預(yù)訓(xùn)練的訓(xùn)練策略有所不同,DBN是以最小化RBM的網(wǎng)絡(luò)能量作為訓(xùn)練目標(biāo),而SAE則是以最小化重構(gòu)誤差為目標(biāo).

圖5 電力變壓器故障診斷系統(tǒng)

2.2 電力行業(yè)的圖像處理

深度學(xué)習(xí)最初廣泛應(yīng)用于圖像的識別處理以及分類,電力行業(yè)也有不少任務(wù)需要其強(qiáng)大的圖像處理的能力.

王憲保等人[11]提出一種基于深度學(xué)習(xí)的太陽能電池片表面缺陷檢測方法,該方法首先根據(jù)樣本特征建立DBN,并訓(xùn)練獲取網(wǎng)絡(luò)的初始權(quán)值;然后通過BP算法微調(diào)網(wǎng)絡(luò)參數(shù),取得訓(xùn)練樣本到無缺陷模板之間的映射關(guān)系;最后利用重構(gòu)圖像與缺陷圖像之間的對比關(guān)系,實(shí)現(xiàn)測試樣本的缺陷檢測.該文提出的方法及模型在較低像素級別的圖像處理下,平均每幅圖像的檢測時(shí)間為0.151 s,速度較快,但仍存在不足,該方法面對百萬像素級別圖片時(shí),對網(wǎng)絡(luò)的訓(xùn)練將造成挑戰(zhàn).

ZHAO Z等人[12]提出一個(gè)基于深度分類神經(jīng)網(wǎng)絡(luò)(Deep Classify Neural Network,DCNN)的絕緣子狀態(tài)判別方法,利用了文獻(xiàn)[13]中基于中層特征構(gòu)建紅外圖像中絕緣子定位的方法,并采用了AlexNet的模型.實(shí)驗(yàn)結(jié)果顯示,平均故障分類準(zhǔn)確率由91.83%提升至98.71%,測試結(jié)果遠(yuǎn)超BoF(Bag of Feature)等人工提取特征.

劉志浩等人[14]基于文獻(xiàn)[15]提出了一種基于回歸的深度學(xué)習(xí)目標(biāo)檢測算法,針對河南省10 kV的電力線路電線桿的圖像數(shù)據(jù)集進(jìn)行電線桿的定位以及分類,構(gòu)建對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并測試,最終獲得98.77%最高定位準(zhǔn)確率及59%的電線桿分類檢測準(zhǔn)確率.其分類檢測率雖不如定位準(zhǔn)確率高,但也基本能滿足電線桿勘察的實(shí)際需求,提高了農(nóng)網(wǎng)改造的工作效率.

2.3 風(fēng)電的負(fù)荷預(yù)測

風(fēng)電,作為國家大力扶持的新能源之一,其出力的不穩(wěn)定,一直給穩(wěn)定性要求極高的電網(wǎng)并網(wǎng)帶來一定的影響.我國對風(fēng)電功率的預(yù)測研究仍處于初步研究階段.國內(nèi)的研究對未來48 h的行風(fēng)速和功率預(yù)測的研究誤差為風(fēng)電場總裝機(jī)容量的18%～25%左右,可見風(fēng)電的短期功率預(yù)測在預(yù)測精度以及方法上還有提升的空間.

潘志剛[16]通過DBN深度學(xué)習(xí)模型對數(shù)值天氣預(yù)測(Numerical Weather Prediction,NWP)數(shù)據(jù)進(jìn)行校正,把校正后的數(shù)據(jù)結(jié)合風(fēng)場記錄的歷史風(fēng)速風(fēng)向及出力數(shù)據(jù),建立基于DBN的風(fēng)力功率預(yù)測模型,圖6為該模型的預(yù)測流程.實(shí)驗(yàn)結(jié)果表明,單一模型下,DBN模型比SVM模型和自回歸移動(dòng)平均(Auto Regressive Integrated Moving Average,ARIMA)模型效果要好;而在混合模型中,DBN和ARIMA模型的預(yù)測模型效果最好.

SOGABE T[17]等人建立了一個(gè)基于深度學(xué)習(xí)的RNN-LSTM模型,通過對20萬條(每條記錄采集間隔5 min)一維的基于時(shí)間序列的單人家戶用電量的數(shù)據(jù)處理與訓(xùn)練,得到了較好的用電量預(yù)測結(jié)果.文獻(xiàn)[18]基于標(biāo)準(zhǔn)的LSTM(Long Short Term Memory)模型和LSTM-S2S模型進(jìn)行電力負(fù)荷預(yù)測;文獻(xiàn)[19]采用兩種不同的深度神經(jīng)網(wǎng)絡(luò),對需求側(cè)的短期負(fù)荷預(yù)測進(jìn)行建模,其中一種是包含RBM的預(yù)訓(xùn)練,另一種是以受限線性單元(Rectified Linear Unit,ReLU)函數(shù)為激活函數(shù)的不含預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò),并對比淺層神經(jīng)網(wǎng)絡(luò),ARIMA,雙季三次指數(shù)平滑法(Double Seasonal Holt-Winter,DSHW)等3種傳統(tǒng)的負(fù)荷預(yù)測方法,其中含無監(jiān)督預(yù)訓(xùn)練的DBN模型獲取到最好成績.文獻(xiàn)[20]通過結(jié)合啟發(fā)式的模糊算法和深度學(xué)習(xí)算法,利用GPU對大規(guī)模的時(shí)間序列預(yù)測進(jìn)行研究,并利用普通家庭用電量作為數(shù)據(jù)集對模型進(jìn)行訓(xùn)練并評估,取得較好的預(yù)測結(jié)果和更快的訓(xùn)練速度.

圖6 基于DBN的風(fēng)電功率預(yù)測流程

3 結(jié) 語

在我國大力發(fā)展新能源的背景下,深度學(xué)習(xí)可以結(jié)合自身特征提取以及模型擬合方面的優(yōu)勢,針對時(shí)下抑制新能源發(fā)展的問題,如風(fēng)力發(fā)電中棄風(fēng)率高、調(diào)峰能力不足、新能源汽車充電樁地點(diǎn)設(shè)置分布等問題,做出一個(gè)科學(xué)的決策方案.

另外,還可以利用深度學(xué)習(xí)在機(jī)器學(xué)習(xí)及人工智能方面的優(yōu)點(diǎn),結(jié)合電網(wǎng)中龐大的用戶數(shù)據(jù),分析用戶的用電行為,從而針對特殊用戶制定出對應(yīng)的用電鼓勵(lì)政策,提高電網(wǎng)的收益,減少調(diào)峰的壓力;通過分析用戶的數(shù)據(jù),鑒別出部分竊電的用戶并作出相應(yīng)處理,提高電網(wǎng)的收益.

[1] HINTON G,SALAKHUTDINOV R.Reducing the dimensionality of data with neural networks[J].Science,2006,313(7):504-507.

[2] KRIZHENVSKY A,SUTSKEVER I,HINTON G.ImageNet classification with deep convolutional neural networks[C]//Advances in neural information processing systems.2012:1 097-1 105.

[3] GAO X,LIN S,WONG T.Automatic feature learning to grade nuclear cataracts based on deep learning[J].IEEE Transactions on Biomedical Engineering,2015,62(11):2 693-2 701.

[4] COLLOBERT R,WESTON J,BOTTOU L,etal.Natural language processing (almost) from scratch[J].Journal of Machine Learning Research,2011,12(1):2 493-2 537.

[5] ERHAN D,BENGIO Y,COURVILLE A,etal.Why does unsupervised pre-training help deep learning?[J].Journal of Machine Learning Research,2010,11(3):625-660.

[6] SUN Y,WANG X,TANG X.Deep learning face representation from predicting 10,000 classes[C]//IEEE Conference on Computer Vision and Pattern Recognition.IEEE Computer Society,2014:1 891-1 898.

[7] 石鑫,朱永利,寧曉光,等.基于深度自編碼網(wǎng)絡(luò)的電力變壓器故障診斷[J].電力自動(dòng)化設(shè)備,2016,36(5):122-126.

[8] 石鑫,朱永利,王劉旺,等.基于深度信念網(wǎng)絡(luò)的電力變壓器故障分類建模[J].電力系統(tǒng)保護(hù)與控制,2016(1):71-76.

[9] TAMILSELVAN P,WANG P.Failure diagnosis using deep belief learning based health state classification[J].Reliability Engineering & System Safety,2013,115(7):124-135.

[10] 林錦波.聚類融合與深度學(xué)習(xí)在用電負(fù)荷模式識別的應(yīng)用研究[D].廣州:華南理工大學(xué),2014.

[11] 王憲保,李潔,姚明海,等.基于深度學(xué)習(xí)的太陽能電池片表面缺陷檢測方法[J].模式識別與人工智能,2014,27(6):517-523.

[12] ZHAO Z,XU G,QI Y,etal.Multi-patch deep features for power line insulator status classification from aerial images[C]//International Joint Conference on Neural Networks.IEEE,2016:3 187-3 194.

[13] ZHAO Z,LIU N,WANG L.Localization of multiple insulators by orientation angle detection and binary shape prior knowledge[J].IEEE Transactions on Dielectrics and Electrical Insulation,2015,22(6):3 421-3 428.

[14] 劉志浩,馮柳平,曹曉鶴.基于深度學(xué)習(xí)的電線桿檢測方法[J].北京印刷學(xué)院學(xué)報(bào),2016,(6):44-47.

[15] REDMON J,DIVVALA S,GIRSHICK R,etal.You only look once:unified,real-time object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.2016:779-788.

[16] 潘志剛.基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電場功率預(yù)測研究及應(yīng)用[D].上海:上海電機(jī)學(xué)院,2016.

[17] SOGABE T,ICHIKAWA H,SAKAMOTO K,etal.Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques[C]//Innovative Smart Grid Technologies-Asia (ISGT-Asia).IEEE,2016:1 014-1 018.

[18] MARINO D L,AMARASINGHE K,MANIC M.Building energy load forecasting using deep neural networks[C]//Industrial Electronics Society.IECON 2016-42nd Annual Conference of the IEEE.IEEE,2016:7 046-7 051.

[19] RYU S,NOH J,KIM H.Deep neural network based demand side short term load forecasting[J].Energies,2016,10(1):3.

[20] COELHO V N,COELHO I M,RIOS E,etal.A hybrid deep learning forecasting model using gpu disaggregated function evaluations applied for household electricity demand forecasting[J].Energy Procedia,2016,103:280-285.

(編輯 桂金星)

StatusQuoandProspectofDeepLearninginElectricPowerField

CAOYukun1,HEJianwei1,BAOZi’an2

(1.SchoolofComputerScienceandTechnology,ShanghaiUniversityofElectricPower,Shanghai200090,China;2.SubaodingWindFarm,HuaNengHunanClearEnergyCo.,Ltd.,Hongjiang418199,China)

Deep Learning has received considerable attention from academia and industry and has got great result in Imagine Processing,Natural Language Processing and Medical Biology.It is significant to use DL in electric power field,which involves high dimension data.The several typical models in DL are described and some background knowledge about DL is introduced.Also,the main research and application in electric field are summarized.Finally,the some existing problems of DL in electric power filed are expounded,and some prospects of future work are presented.

deep learning; artificial intelligence; electric power

10.3969/j.issn.1006-4729.2017.04.007

2017-03-09

何健偉(1992-),男,在讀碩士,廣東江門人.主要研究方向?yàn)闄C(jī)器學(xué)習(xí),智能算法,電網(wǎng)大數(shù)據(jù)處理技術(shù).E-mail:homaymay123@126.com.

TP273.22;TP18;TM711.2

A

1006-4729(2017)04-0341-05