鞠 平，周孝信，陳維江，余一平，秦 川，李若梅，王成山， 董旭柱，劉 健，文勁宇，劉玉田，李 揚，陳 慶，陸 曉， 孫大雁1,，徐春雷，陳星鶯，吳 峰，馬宏忠

(1. 河海大學 能源與電氣學院，江蘇 南京 211100；2. 河海大學 可再生能源發(fā)電技術(shù)教育部工程研究中心，江蘇 南京 211100；3. 中國電力科學研究院，北京 100192；4. 國家電網(wǎng)公司，北京 100031；5. 中國電機工程學會，北京 100761；6. 天津大學 教育部智能電網(wǎng)重點實驗室，天津 300072；7. 南方電網(wǎng)科學研究院有限責任公司，廣東 廣州 510080；8. 陜西電力科學研究院，陜西 西安 710054；9. 華中科技大學 電氣與電子工程學院 強電磁工程與新技術(shù)國家重點實驗室，湖北 武漢 430074；10. 山東大學 電網(wǎng)智能化調(diào)度與控制教育部重點實驗室，山東 濟南 250061；11. 東南大學 電氣工程學院，江蘇 南京 210096；12. 國網(wǎng)江蘇省電力公司，江蘇 南京 210024)

0 引言

人工智能AI(Artificial Intelligence)在半個多世紀發(fā)展歷程中，幾經(jīng)起伏。近年來，隨著大數(shù)據(jù)時代的到來和計算機性能的飛躍，AI技術(shù)及應用有了質(zhì)的發(fā)展，以深度學習為代表的機器學習算法在圖像識別和語音識別等領(lǐng)域的應用取得了極大的成功，使AI受到學術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注。伴隨著AI技術(shù)發(fā)展的起伏，AI在電力行業(yè)的應用也經(jīng)歷了幾個階段。當前，以深度學習為代表的第三代AI技術(shù)在電力行業(yè)的應用才剛剛起步。

智能電網(wǎng)SG(Smart Grid)是能源與電力行業(yè)發(fā)展的必然趨勢，歐美及中國等許多國家均在積極推進SG技術(shù)的研究與應用。雖然發(fā)展路徑存在差異，但其核心要義都是“智能”。目前，SG的物理建設(shè)取得較大進展，但其智能水平卻非常有限。隨著SG逐步建設(shè)，為AI技術(shù)在SG的應用提供了條件。為此，借助AI來提升SG的智能水平，具有重要的研究意義。

本文首先回顧AI和SG的發(fā)展歷程和技術(shù)熱點，分析AI技術(shù)特別是第三代AI技術(shù)的特點和SG發(fā)展的需求，探尋兩者的結(jié)合點；其次介紹AI技術(shù)不同發(fā)展階段在電力行業(yè)不同領(lǐng)域的應用，從電力系統(tǒng)電源側(cè)、電網(wǎng)側(cè)和負荷側(cè)分析并展望以深度學習為代表的第三代AI技術(shù)在電力行業(yè)的應用前景。

1 AI研究綜述

1.1 AI的重要性

AI有多重要？有一句話概括得很到位：誰能引領(lǐng)AI，誰就掌握了人類的未來。目前，世界各國都開始重視AI的發(fā)展。2016 年5月，美國發(fā)布了《為人工智能的未來做好準備》的報告；2016年12月，英國發(fā)布了《人工智能：未來決策制定的機遇和影響》；2017 年 4 月，法國發(fā)布了《國家人工智能戰(zhàn)略》。

我國政府更是高度重視，在《新一代人工智能發(fā)展規(guī)劃》中明確指出：AI將成為國際競爭的新焦點，經(jīng)濟發(fā)展的新引擎，并帶來社會建設(shè)的新機遇。2017年6月，首屆世界智能大會在天津召開。中國工程院院士潘云鶴在大會主論壇作了題為“中國新一代人工智能”的主題演講，報告中概括了世界各國在AI研究方面的戰(zhàn)略，并提出AI正走向2.0時代[1]，而中國應當起到關(guān)鍵的促進作用。2017年11月，科技部召開“新一代人工智能發(fā)展規(guī)劃暨重大科技項目啟動會”，全面推進規(guī)劃和重大科技項目啟動實施，并公布了第一批國家AI開放創(chuàng)新平臺：依托百度公司建設(shè)自動駕駛國家新一代AI開放創(chuàng)新平臺；依托阿里云公司建設(shè)城市大腦國家新一代AI開放創(chuàng)新平臺；依托騰訊公司建設(shè)醫(yī)療影像國家新一代AI開放創(chuàng)新平臺；依托科大訊飛公司建設(shè)智能語音國家新一代AI開放創(chuàng)新平臺。2018年1月，我國召開了國家AI標準化總體組、專家咨詢組成立大會，并發(fā)布了《人工智能標準化白皮書》(2018版)[2]，對AI及其產(chǎn)業(yè)發(fā)展提供了有力支撐。

1.2 AI的概念

AI作為一門前沿交叉學科，其定義一直存有不同的觀點。從普通人認知的角度，AI定義分為4類：像人一樣思考的系統(tǒng)、像人一樣行動的系統(tǒng)、理性地思考的系統(tǒng)、理性地行動的系統(tǒng)[3]。從系統(tǒng)及應用角度，AI是利用數(shù)字計算機或者數(shù)字計算機控制的機器模擬、延伸和擴展人的智能，感知環(huán)境、獲取知識并使用知識獲得最佳結(jié)果的理論、方法、技術(shù)及應用系統(tǒng)[2]。從科學研究的角度，AI科學的主旨是研究和開發(fā)出智能實體，屬于工程學，是一門集數(shù)門學科精華的尖端綜合學科。

圖1 AI的結(jié)構(gòu)框架Fig.1 Framework of AI

根據(jù)AI是否能真正實現(xiàn)推理、思考和解決問題，又可以將AI分為弱人工智能、強人工智能和超人工智能 3個層次[4]。在AI 60多年的發(fā)展過程中，其基本思想大致可以分為4個流派：符號主義、連接主義、行為主義和統(tǒng)計主義[2,5]。這4個流派從不同側(cè)面抓住了智能的部分特征，并都取得了里程碑式的成就。然而，迄今為止，基于上述4個流派設(shè)計制造的AI系統(tǒng)都還是實現(xiàn)特定功能的專用智能，都還是弱人工智能。

AI的技術(shù)框架如圖1所示[6]，其從下往上依次為基礎(chǔ)設(shè)施層、算法層、技術(shù)層和應用層?；A(chǔ)設(shè)施層包括硬件/計算能力和大數(shù)據(jù)等；算法層包括各類機器學習算法、深度學習算法等；技術(shù)層包括計算機視覺、語音處理、規(guī)劃決策系統(tǒng)、大數(shù)據(jù)統(tǒng)計分析等；應用層則是行業(yè)解決方案，如金融、醫(yī)療、安防、SG等。

1.3 AI的發(fā)展

1.3.1 AI的歷程

AI始于20世紀50年代。60多年來，AI的發(fā)展經(jīng)歷了3個階段，其發(fā)展歷程如圖2所示。

圖2 AI發(fā)展歷程Fig.2 Development history of AI

第一階段是20 世紀 50 年代到80 年代。1956年，美國Dartmouth會議首次確立了AI的概念，標志著其作為一個研究領(lǐng)域的正式誕生。1959年，Arthur Samuel 提出了機器學習，推動AI進入了第一次繁榮期。第二階段是20世紀80年代到90年代末。專家系統(tǒng)和突破早期感知器局限的三層神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，帶來了AI的第二次繁榮期。然而，在這2個發(fā)展階段的后期，受限于理論算法以及計算能力的發(fā)展水平，AI的發(fā)展均遇到了瓶頸，并進入了蕭瑟期。第三階段是從21世紀初至今。隨著大數(shù)據(jù)的出現(xiàn)、計算能力的提升以及理論算法的革新，AI在多個應用領(lǐng)域取得了突破性的進展，迎來了第三次發(fā)展熱潮[3]。

1997年，IBM深藍(Deep Blue)戰(zhàn)勝國際象棋冠軍是AI具有里程碑意義的成功。2006 年，加拿大多倫多大學Geoffrey Hinton在Science雜志發(fā)表文章，開啟了深度學習[7-8]的浪潮。2016年，谷歌DeepMind 團隊開發(fā)的AlphaGo[9]圍棋機器人擊敗了世界冠軍李世石；2017年，DeepMind團隊在Nature雜志發(fā)表文章，報道了新一代的圍棋機器人AlphaGo Zero[10]，其無需人類經(jīng)驗，通過自我對弈進行深度強化學習，并以100∶0的成績戰(zhàn)勝了AlphaGo。此外，IBM 的Watson醫(yī)療機器人[11]、谷歌公司的谷歌大腦、微軟公司的實時口譯系統(tǒng)、蘋果公司及亞馬遜的智能助理均是AI第三次發(fā)展熱潮的杰出成果代表。

在我國，AI的發(fā)展已經(jīng)具備一定的技術(shù)和產(chǎn)業(yè)基礎(chǔ)，在數(shù)據(jù)、平臺、應用等領(lǐng)域聚集了一批AI企業(yè)，在部分方向取得了階段性成果并向市場化發(fā)展。例如，AI在金融、安防、客服等行業(yè)領(lǐng)域已經(jīng)實現(xiàn)應用[6,12]，語義識別、語音識別、人臉識別、圖像識別等AI技術(shù)的精度和效率已經(jīng)遠超人工[2]。

限于篇幅，下文著重對機器學習、深度學習等算法的研究進展進行綜述。

1.3.2 機器學習

機器學習研究計算機如何模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，是AI的核心。根據(jù)學習模式、學習方法的不同，機器學習存在不同的分類方法[2]。

根據(jù)學習模式，可以將機器學習分為有監(jiān)督學習、無監(jiān)督學習、半監(jiān)督(強化)學習。監(jiān)督學習是利用已標記的有限訓練數(shù)據(jù)集進行機器學習，其輸入輸出均已知，類似于教師教學。無監(jiān)督學習則是利用無標記的數(shù)據(jù)描述隱藏在未標記數(shù)據(jù)中的結(jié)構(gòu)/規(guī)律，也即輸入已知，輸出未知，類似于自學。半監(jiān)督(強化)學習是智能系統(tǒng)從環(huán)境到行為映射的學習，以使獎勵函數(shù)值最大。其輸入已知，輸出少量已知，類似于導學。

根據(jù)學習方法，又可以將機器學習分為傳統(tǒng)機器學習和深度學習等。

傳統(tǒng)機器學習是從一些觀測樣本出發(fā)，試圖發(fā)現(xiàn)規(guī)律(提取特征)，實現(xiàn)對未來數(shù)據(jù)行為或趨勢的預測。相關(guān)算法包括邏輯回歸、隱馬爾科夫方法、支持向量機方法、K近鄰方法、三層人工神經(jīng)網(wǎng)絡(luò)方法、Adaboost 算法、貝葉斯方法以及決策樹方法等[13-14]。傳統(tǒng)機器學習方法已經(jīng)在自然語言處理、語音識別、信息檢索等許多領(lǐng)域獲得了廣泛應用。然而，傳統(tǒng)機器學習方法具有一定的局限性：其性能受訓練樣本(如樣本的完備性和正交性)影響大；一般需要人工選取特征；一般采用監(jiān)督學習方法；屬于淺度學習，所得知識一般屬于淺度知識等。

深度學習由Hinton等人于2006年提出，其產(chǎn)生的背景有2個：一是新的測量、通信技術(shù)帶來的大數(shù)據(jù)積累，人工難以處理，難以從中發(fā)現(xiàn)特征；二是由于大規(guī)模計算集群、GPU(圖形處理器)等并行、異構(gòu)計算的興起帶來的運算力提升。深度學習的特點可以歸納為：(1)海量的學習樣本；(2)多隱層的網(wǎng)絡(luò)結(jié)構(gòu)(網(wǎng)絡(luò)結(jié)構(gòu)超過3層)；(3)利用無監(jiān)督或者半監(jiān)督的學習算法對隱層網(wǎng)絡(luò)進行貪心逐層預訓練；(4)從低層特征出發(fā)，自動學習、發(fā)現(xiàn)數(shù)據(jù)的高級(分布式)特征組合。

典型的深度學習算法包括深度置信網(wǎng)絡(luò)[8]、卷積神經(jīng)網(wǎng)絡(luò)[15-16]、受限玻爾茲曼機[17-18]和循環(huán)神經(jīng)網(wǎng)絡(luò)[19-20]等。其中，卷積神經(jīng)網(wǎng)絡(luò)常被應用于空間性分布數(shù)據(jù)；循環(huán)神經(jīng)網(wǎng)絡(luò)在神經(jīng)網(wǎng)絡(luò)中引入了記憶和反饋，常被應用于時間性分布數(shù)據(jù)。

深度學習的誕生開啟了AI的第三次發(fā)展浪潮，目前已有多個企業(yè)或科研機構(gòu)開發(fā)了相應的開源深度學習框架，如TensorFlow、Caffe/Caffe2、CNTK、Torch/PyTorch、MXNet等，為深度學習的研究和應用提供了強有力支撐。

1.3.3 AI的展望

以深度學習為代表的AI方法在多個應用領(lǐng)域，尤其是大規(guī)模數(shù)據(jù)集的應用取得了突破性的進展，但現(xiàn)階段學習“深度”仍然不夠，筆者認為還有以下問題值得進一步研究。

(1)在學習模式方面。目前，標記數(shù)據(jù)的特征學習(監(jiān)督學習)仍然占據(jù)主導地位。深度學習的貪心逐層預訓練方法只是利用無監(jiān)督學習對多個隱層進行預訓練，最終一般還是要采用監(jiān)督學習算法對整個網(wǎng)絡(luò)的權(quán)值進行全局修正。而真實世界存在的往往是海量的無標記數(shù)據(jù)，人工難以發(fā)現(xiàn)其中的特征，因此無標記數(shù)據(jù)的特征學習(無監(jiān)督學習)還需要進一步研究。

(2)在模型結(jié)構(gòu)方面。目前的網(wǎng)絡(luò)結(jié)構(gòu)還是平面網(wǎng)絡(luò)，而人類大腦不僅是平面分布成層，還有縱向排列。因此，為了實現(xiàn)更深層次的學習，還需要進一步研究相應的模型結(jié)構(gòu)。例如，目前Hinton正在搭建的“膠囊”人工神經(jīng)網(wǎng)絡(luò)[21]，其模仿人類大腦皮層中的微柱體，把關(guān)注同一個類別或者同一個屬性的神經(jīng)元打包集合成一個膠囊，并已經(jīng)解決了不同膠囊間連接權(quán)重(路由)的學習。

(3)在訓練速度及精度方面。深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復雜，模型規(guī)模龐大。在海量樣本數(shù)據(jù)集下，模型規(guī)模越大，訓練速度越慢。如何在保證一定訓練精度的前提下提高訓練速度，仍然需要進一步研究。為此，深度學習與其他智能方法的結(jié)合可能是一種思路。例如，南京大學周志華教授提出的深度森林學習[22]，其結(jié)合了深度學習的概念與決策樹方法，既可以適用于不同規(guī)模的樣本數(shù)據(jù)，而且在同等的訓練精度下，訓練更加快速。

1.4 關(guān)于AI的一些思考

相比傳統(tǒng)的淺層機器學習方法，以深度學習為代表的現(xiàn)代AI技術(shù)正變得更加智能，能夠?qū)W習到更深層的知識。然而，從科學研究以及實際應用的角度，則需要辯證地看待AI。

一方面，AI并非萬能，如丁肇中教授所言，其無法發(fā)現(xiàn)相對論、量子力學、暗物質(zhì)等，想象力、創(chuàng)造性還是人的優(yōu)勢。

另一方面，AI也非無能，它可以輔助人類減輕腦力和體力勞動，不應該一概排斥、拒絕。所以，關(guān)鍵是要找準“AI+”的結(jié)合點，即采用傳統(tǒng)方法、人工方法難以奏效，而借助AI卻很有效的領(lǐng)域。

2 SG研究綜述

2.1 SG的重要性

發(fā)展SG是國家的能源戰(zhàn)略需求。國家提出了“四個革命、一個合作”的新能源戰(zhàn)略，而SG是實施新能源戰(zhàn)略的重要平臺，對調(diào)整我國能源結(jié)構(gòu)、節(jié)能減排、應對氣候變化具有重大意義。為此，SG連續(xù)6年寫入我國政府工作報告，并連續(xù)入選國民經(jīng)濟和社會發(fā)展的“十二五”和“十三五”規(guī)劃綱要。在“十三五”規(guī)劃綱要中，明確指出：加強智能電網(wǎng)建設(shè)，提高電網(wǎng)與發(fā)電側(cè)、需求側(cè)交互響應能力。

發(fā)展SG是電力系統(tǒng)的行業(yè)需求[23]。隨著能源行業(yè)的變革以及新技術(shù)的涌現(xiàn)，SG發(fā)展具有如下趨勢：(1)“三高”，一是高比例新能源并網(wǎng)(包括風力發(fā)電、太陽能發(fā)電、海洋能發(fā)電等)，二是高比例電力電子裝置(包括源、網(wǎng)、荷等方面)，三是高比例新負荷接入(包括電動汽車、分布式發(fā)電、分布式儲能、變頻空調(diào)、LED照明等)；(2)“三多”，一是多種能源相結(jié)合(包括電、熱、氣等)，二是多種網(wǎng)絡(luò)相結(jié)合(包括電網(wǎng)、信息網(wǎng)、氣象網(wǎng)、交通網(wǎng)等)，三是多種主體相結(jié)合(包括供電多元、電力市場等)。

2.2 SG的概念

目前，由于各國自身國情以及發(fā)展SG的驅(qū)動力不盡相同，SG的定義尚未統(tǒng)一。美國能源部將SG描述為：利用數(shù)字化技術(shù)改進電力系統(tǒng)(涵蓋發(fā)電、輸配電網(wǎng)、用電，包括分布式發(fā)電和分布式儲能)的可靠性、安全性和運行效率[24]。歐盟對SG的描述是：可以智能化地集成所有接于其中的用戶(包括電力生產(chǎn)者、消費者和產(chǎn)消合一者)的行為和行動，保證電力供應的可持續(xù)性、經(jīng)濟性和安全性[24]。中國國家電網(wǎng)公司則提出堅強SG，即以特高壓電網(wǎng)為骨干網(wǎng)架、各級電網(wǎng)協(xié)調(diào)發(fā)展的堅強網(wǎng)架為基礎(chǔ)，以通信信息平臺為支撐，包含電力系統(tǒng)的發(fā)電、輸電、變電、配電、用電和調(diào)度6大環(huán)節(jié)，涵蓋所有電壓等級，實現(xiàn)“電力流、信息流、業(yè)務流”的高度一體化融合，具有堅強可靠、經(jīng)濟高效、清潔環(huán)保、透明開放和友好互動內(nèi)涵的現(xiàn)代電網(wǎng)[25-26]。概括而言，SG將融合和集成新的量測、通信、控制和決策技術(shù)，實現(xiàn)電力行業(yè)的技術(shù)變革，其核心要義是“智能”。

由于世界各國對SG發(fā)展的側(cè)重點不同，其對SG的特征描述也不相同。如美國將SG的特征描述為：自愈、安全、兼容、交互、協(xié)調(diào)、高效、優(yōu)質(zhì)、集成[24]。我國將SG的特征描述為：數(shù)字化、信息化、自動化、互動化[27]。綜合國內(nèi)外研究，本文引用文獻[28]的觀點進行介紹，將SG的主要特征歸結(jié)為靈活性、可觀測性和可控性、互操作性3個方面。

a. 靈活性。靈活性是指系統(tǒng)功率/負荷發(fā)生較快的變化，造成較大功率不平衡時，通過調(diào)整發(fā)電或負荷保持可靠供電的能力[24]。功率的不平衡可能由于負荷變化而引起，也可能由間歇式能源發(fā)電功率的變化而引起。SG中，間歇性可再生能源的大量接入，使得電源的不可控性增加，靈活性降低。而另一方面，電動汽車等主動負荷的接入，又使得需求側(cè)可控性增加，靈活性加大。

b. 可觀測性和可控性。SG連接著眾多的不可控源和靈活源，為保證電網(wǎng)的安全穩(wěn)定運行，需要進一步提高電網(wǎng)的可觀測性和可控性。如基于廣域測量系統(tǒng)(WAMS)對電網(wǎng)的運行狀態(tài)進行監(jiān)測，通過柔性交流輸電(FACTS)技術(shù)、高壓直流技術(shù)等，對輸電線路進行控制，都是以提高電網(wǎng)可觀測性和可控性為目的。

c. 互操作性?；ゲ僮餍允侵副ＷC多個網(wǎng)絡(luò)、系統(tǒng)、設(shè)備、應用或元件之間相互通信以及在不需要過多人工介入即可有效、安全、協(xié)調(diào)運行的能力[24]。提高SG的靈活性、可觀測性和可控性，離不開先進的傳感技術(shù)、網(wǎng)絡(luò)通信技術(shù)以及自動化技術(shù)。SG是現(xiàn)代量測、通信、控制和決策技術(shù)的結(jié)合體，需滿足互操作性。

2.3 SG的發(fā)展

2.3.1 SG的歷程

美國于2000年提出了Intelligent Grid的未來電網(wǎng)發(fā)展概念。2003 年，美國能源部發(fā)布了“Grid 2030” 計劃并開始啟動相應的研究工作[29]。歐盟于2005 年正式成立了“智能電網(wǎng)(Smart Grids)歐洲技術(shù)論壇”，并于 2006年制定了《歐洲未來電網(wǎng)的愿景和策略》等一系列文件，提出了建設(shè)SG的愿景和策略[30]。2008年美國能源部出版了一份報告[31]，也采用了“Smart Grid”這一術(shù)語，自此SG這個稱謂被全世界普遍采用。2009 年，隨著奧巴馬經(jīng)濟復興計劃的出臺，SG被提升為美國的國家戰(zhàn)略[32]。

在我國，國家電網(wǎng)公司于2005年通過“SG186” 工程提出了數(shù)字化電網(wǎng)的建設(shè)規(guī)劃[32]。2007 年，華北電網(wǎng)公司和華東電網(wǎng)公司分別對SG進行立項研究[33-34]。2008年，中美清潔能源合作組織會議和中美綠色能源論壇分別設(shè)立了“Smart Grid”special session，探討SG的發(fā)展思路。2009 年，國家電網(wǎng)公司正式公布了SG發(fā)展計劃，并提出了到2020年全面建成堅強SG的目標[27]。

SG發(fā)展過程中，美國關(guān)注電力網(wǎng)絡(luò)基礎(chǔ)架構(gòu)的升級更新，同時最大限度利用信息技術(shù)，實現(xiàn)機器智能對人工的替代，建設(shè)滿足智能控制、智能管理和智能分析為特征的靈活應變的SG。歐洲結(jié)合自身電網(wǎng)的發(fā)展背景，更關(guān)注可再生能源和分布式能源的發(fā)展，在電力需求趨于飽和后提高供電可靠性和電能質(zhì)量，帶動整個行業(yè)發(fā)展模式的轉(zhuǎn)變，滿足用戶可接入性、可靠性、經(jīng)濟性的多元化電力需求。我國則從自身特點出發(fā)，以特高壓電網(wǎng)為骨干網(wǎng)架、各電壓等級電網(wǎng)協(xié)調(diào)發(fā)展的堅強物理電網(wǎng)為基礎(chǔ)，建設(shè)現(xiàn)代先進傳感技術(shù)、通信技術(shù)、信息技術(shù)、計算機技術(shù)和控制技術(shù)與物理電網(wǎng)高度集成而形成的SG。

2.3.2 我國SG的發(fā)展

近年來，我國的SG建設(shè)取得了豐碩的成果[25-26]，開展了數(shù)百項SG試點項目建設(shè)，試點范圍涵蓋了發(fā)電、輸電、配電、用電、調(diào)度6大環(huán)節(jié)和通信信息平臺，并根據(jù)技術(shù)成熟度和應用情況，陸續(xù)選擇了SG調(diào)度系統(tǒng)、配電自動化、用電信息采集等14類項目進行推廣建設(shè)[28]。南方電網(wǎng)公司也建設(shè)了SG技術(shù)研究平臺，并開展了海南省級電網(wǎng)、廣州中新知識城智能配電網(wǎng)、珠海萬山島智能微電網(wǎng)等一批示范工程建設(shè)。歸納而言，我國在SG的建設(shè)方面，取得了如下一系列突出成果。

a. 一批智能輸配電技術(shù)得到應用，提升了電網(wǎng)的可控性和靈活性，從而提升了電網(wǎng)輸送能力和安全穩(wěn)定水平。2015年12月，我國首個統(tǒng)一潮流控制器(UPFC)工程 —— 南京220kV西環(huán)網(wǎng)UPFC工程正式投運[35-36]；2017年12月，蘇州南部電網(wǎng)500kV UPFC工程正式投運[37]。2016年6月，我國首套源網(wǎng)荷友好互動精準負荷控制系統(tǒng)在江蘇電網(wǎng)投入運行，可以提供3500MW秒級準實時控制和1000MW毫秒級緊急控制能力[38]。

b. SG調(diào)度技術(shù)支持系統(tǒng)全面推廣應用，全面提升了大電網(wǎng)安全運行水平。研發(fā)了SG調(diào)度技術(shù)支持系統(tǒng)D5000，并在31個省級以上電網(wǎng)成功投運，大幅提高了大電網(wǎng)的可觀測性和可控性，多調(diào)度中心協(xié)同運行和在線安全預警能力、電網(wǎng)運行經(jīng)濟性和新能源消納能力以及電網(wǎng)調(diào)度抵御重大自然災害和集團式網(wǎng)絡(luò)攻擊能力顯著增強[39]。

c. 智能變電站和配電自動化加速推廣應用，顯著提升了電網(wǎng)的互操作性。新建并投運了大批量智能變電站，實現(xiàn)了全站信息數(shù)字化、通信平臺網(wǎng)絡(luò)化、信息共享標準化；在全國范圍內(nèi)多個城市核心區(qū)建設(shè)配電網(wǎng)自動化系統(tǒng)，提升了配電網(wǎng)的智能化運行水平[28]。

d. 開展了電網(wǎng)大數(shù)據(jù)平臺的建設(shè)及應用探索。在國家電網(wǎng)范圍內(nèi)，建設(shè)并推廣了調(diào)度系統(tǒng)D5000、WAMS、大規(guī)模的用電信息采集(AMI)系統(tǒng)等數(shù)據(jù)采集系統(tǒng)，積累了海量的電網(wǎng)大數(shù)據(jù)。在此基礎(chǔ)上，中國電力科學研究院等單位在技術(shù)領(lǐng)域開展了大數(shù)據(jù)平臺的建設(shè)探索，如基于SG統(tǒng)一數(shù)據(jù)模型開展了調(diào)控業(yè)務領(lǐng)域及配用電業(yè)務領(lǐng)域的數(shù)據(jù)融合等。在應用領(lǐng)域，啟動了大數(shù)據(jù)挖掘和分析的研究工作，如基于大數(shù)據(jù)的配變重過載預警研究及應用等[40]。

2.4 關(guān)于SG的一些思考

SG的核心要義是“智能”或者說“人工智能”。但到目前為止，電網(wǎng)的智能水平還處在淺層階段，遠遠不能夠滿足電網(wǎng)的需要。

縱觀我國SG的建設(shè)成果，現(xiàn)有的成果還主要集中在智能輸配電裝備、數(shù)據(jù)系統(tǒng)構(gòu)建等硬件層面，而大數(shù)據(jù)的挖掘分析應用等軟件層面的研究應用工作才剛剛起步。

AI技術(shù)的快速發(fā)展，為SG的發(fā)展提供了絕好的機遇，也提供了強大的手段。所以，SG的發(fā)展已經(jīng)到了升級階段，要走向更高層次的深度智能。為此，筆者提出了“智能電網(wǎng)+(Smart Grid Plus，SG+)”的概念，涵義是借助AI技術(shù)實現(xiàn)SG的升級版，使電網(wǎng)具有更高級、更深層的AI，從而進一步提升電網(wǎng)運行的安全性、經(jīng)濟性和可持續(xù)性。

3 “SG+”研究展望

3.1 AI在電力行業(yè)的應用

AI技術(shù)在電力行業(yè)的應用歷程隨著AI技術(shù)的發(fā)展階段不同可以分為2個階段：第一個階段對應于AI技術(shù)發(fā)展的第二階段，主要表現(xiàn)為專家系統(tǒng)和人工神經(jīng)元網(wǎng)絡(luò)(ANN)在電力系統(tǒng)各領(lǐng)域的應用；第二個階段對應于AI技術(shù)發(fā)展的第三階段，主要表現(xiàn)為以深度學習為代表的第三代AI技術(shù)在電力行業(yè)的應用。從20世紀80年代中期開始，專家系統(tǒng)和ANN方法在電力系統(tǒng)各領(lǐng)域應用的研究逐步展開并成為當時的熱點。文獻[41-42]介紹了當時專家系統(tǒng)在電力系統(tǒng)中研究及應用的基本情況，并很好地總結(jié)了電力專家系統(tǒng)的特點及其在相關(guān)研究和應用中得到的啟示及問題。文獻[43-45]總結(jié)了當時ANN方法的基本原理和特點，介紹了ANN在靜態(tài)和動態(tài)安全分析、警報處理與故障診斷、電力系統(tǒng)負荷預測、配電網(wǎng)線損計算、機組最優(yōu)組合、發(fā)電規(guī)劃及拓撲可觀性分析、經(jīng)濟運行、ANN的電路實現(xiàn)、電力系統(tǒng)的控制等領(lǐng)域的研究成果。經(jīng)歷AI技術(shù)在電力行業(yè)應用的第一階段，研究人員在學術(shù)上取得了很大的發(fā)展，發(fā)表了一些優(yōu)秀的論文，積累了很多經(jīng)驗，但是由于大數(shù)據(jù)基礎(chǔ)、算法技術(shù)和硬件計算性能等方面的限制，AI的應用并沒有取得突破性進展，在電力系統(tǒng)的應用也逐步冷卻，趨于平淡。

近年來隨著以深度學習為代表的第三代AI算法的快速發(fā)展和硬件計算性能的幾何增長，AI技術(shù)在電力行業(yè)的應用逐步進入第二個階段。而當前SG建設(shè)面臨高比例新能源、高比例新負荷和高比例電力電子等問題的嚴峻考驗，同時存在多能源融合、多網(wǎng)絡(luò)融合和多主體融合需求，為了保障電網(wǎng)更安全高效的運行，提高SG的智慧性、柔韌性，解決不確定性帶來的問題迫在眉睫。SG中采集的相量測量單元(PMU)和數(shù)據(jù)采集與監(jiān)視控制(SCADA)等海量動態(tài)和穩(wěn)態(tài)數(shù)據(jù)，以及用戶電量數(shù)據(jù)、故障錄波數(shù)據(jù)等其他數(shù)據(jù)，為AI和SG的結(jié)合提供了大數(shù)據(jù)基礎(chǔ)。同時現(xiàn)代計算機硬件技術(shù)的快速發(fā)展為AI在電力行業(yè)的應用提供了高性能的計算能力。“AI+電力”成為SG發(fā)展的必然趨勢，利用AI技術(shù)以及互聯(lián)網(wǎng)平臺，讓AI技術(shù)與電力行業(yè)進行深度融合，促進電力行業(yè)安全高效運行，創(chuàng)造新的發(fā)展。通過第三代AI技術(shù)實現(xiàn)SG的升級版，使電網(wǎng)具有更高級、更深層的AI，從而進一步提升電網(wǎng)運行的安全性、經(jīng)濟性和可持續(xù)性，實現(xiàn)“SG+”。

3.2 電力大數(shù)據(jù)研究展望

大數(shù)據(jù)是SG的必要條件，也是實現(xiàn)“AI+電力”的基礎(chǔ)，文獻[46]闡述了SG大數(shù)據(jù)的基本概念、國內(nèi)外SG大數(shù)據(jù)研究和工程應用現(xiàn)狀，總結(jié)了大數(shù)據(jù)的理論基礎(chǔ)和技術(shù)體系，提出了SG大數(shù)據(jù)研究框架和技術(shù)發(fā)展路線。文獻[47-48]在演繹大數(shù)據(jù)基本概念、結(jié)構(gòu)類型及本質(zhì)特征的基礎(chǔ)上，歸納了電力大數(shù)據(jù)的特點，探索了電力大數(shù)據(jù)的應用，認為大數(shù)據(jù)技術(shù)將成為提高電力流效率及防御大停電災難的基礎(chǔ)。文獻[49]在分析大數(shù)據(jù)、云計算、SG關(guān)系的基礎(chǔ)上，給出了具有通用性的電力大數(shù)據(jù)平臺總體架構(gòu)，并從電力大數(shù)據(jù)的集成管理技術(shù)、數(shù)據(jù)分析技術(shù)、數(shù)據(jù)處理技術(shù)、數(shù)據(jù)展現(xiàn)技術(shù)4個方面探討符合電力企業(yè)需求的大數(shù)據(jù)關(guān)鍵技術(shù)，并分析了電力大數(shù)據(jù)關(guān)鍵技術(shù)在新能源并網(wǎng)、風電機組安全評估、電網(wǎng)災難預警上的應用。在具體大數(shù)據(jù)挖掘方面，文獻[50]提出了一種基于大數(shù)據(jù)平臺的電網(wǎng)故障追蹤方法，將故障診斷數(shù)據(jù)源延展至變電站層面。文獻[51]將大數(shù)據(jù)挖掘方法應用場景擴展到深度融合“信息-物理-社會”的復雜系統(tǒng)，展望了深度學習、轉(zhuǎn)移學習、多源數(shù)據(jù)融合在能源系統(tǒng)中的廣闊應用前景。

大數(shù)據(jù)是AI技術(shù)應用的根本，大數(shù)據(jù)挖掘和分析也是AI技術(shù)的主要優(yōu)勢。當前電力系統(tǒng)已有EMS/DMS、WAMS、故障錄波、智能電表等大數(shù)據(jù)源，但還難以完全滿足AI技術(shù)的需求，根據(jù)具體應用需求還有必要接入其他信息數(shù)據(jù)，例如氣象信息、設(shè)備振動信息等。對各類設(shè)備，從輸電系統(tǒng)到配電系統(tǒng)有必要增加面向分析需求的傳感器，例如在220kV及以下電壓等級安裝PMU動態(tài)量測，在各發(fā)電機、變壓器等設(shè)備安裝故障診斷用量測傳感器。在此基礎(chǔ)上，根據(jù)不同應用及需求，實現(xiàn)多數(shù)據(jù)源的深度融合。另外，由于電力系統(tǒng)很多領(lǐng)域中可能沒有能夠滿足AI技術(shù)需要的足夠多的樣本數(shù)據(jù)，例如當前電網(wǎng)已沒有很多實測大擾動故障樣本，因此需要在AI算法方面實現(xiàn)突破，從算法上實現(xiàn)邏輯推理和深度學習的深度融合，借助小樣本學習獲得理想的學習結(jié)果。

3.3 電源側(cè)研究展望

目前AI技術(shù)在電源側(cè)的應用主要針對可再生能源接入后的功率波動不確定性，基于深度學習在預測方面的優(yōu)勢，開展基于氣象因素的風電、光伏等可再生能源發(fā)電功率預測研究。例如文獻[52]采用深度信念網(wǎng)絡(luò)DBN(Deep Belief Network)的深度學習方法進行光伏功率預測，分析了影響模型準確性的主要因素，發(fā)現(xiàn)其具有更好的預測準確性。文獻[53]借助深度學習在預測工作上的強大能力，綜合使用DBN、AutoEncoder和長短記憶遞歸神經(jīng)網(wǎng)絡(luò)(LSTM)等不同的深度學習和ANN算法進行光伏發(fā)電功率預測，取得較好的效果。文獻[54]針對可再生能源發(fā)電，采用堆疊自動編碼器(SAE)和堆棧降噪自編碼器(SDAE)神經(jīng)網(wǎng)絡(luò)進行超短期和短期風速預測，結(jié)果顯示深度神經(jīng)網(wǎng)絡(luò)模型在處理風速數(shù)據(jù)中的不確定性上要優(yōu)于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型，從而提高預測精度。文獻[55]介紹了巴西東北區(qū)域借助深度學習在分類和模式識別中的優(yōu)勢開展風速預測研究的情況。文獻[56]采用預測深度玻爾茲曼機PDBM(Predictive Deep Boltzmann Machine)和相應的學習算法進行短期和長期風速預測，PDBM隨機模型適用于捕捉風速的概率特性，在處理估計非線性和非平滑函數(shù)上具有很強的能力。文獻[57]綜合應用小波變換WT(Wavelet Transform)、DBN和分位數(shù)回歸方法QR(Quantile Regression)對中國和澳大利亞的實際風電場數(shù)據(jù)進行風速預測，在應對風速高階非線性和非平穩(wěn)特性上取得較好的效果。

在電源側(cè)，除可再生能源發(fā)電功率預測外，借助深度學習等AI方法在應對不確定性方面的優(yōu)勢，開展風電場、風電場群等可再生能源接入“即插即用”式建模，借助AI模式識別方面的優(yōu)勢，實現(xiàn)常規(guī)發(fā)電機組、風電機組等發(fā)電設(shè)備的故障診斷與預警都具有較大的應用前景。

3.4 電網(wǎng)側(cè)研究展望

電力系統(tǒng)暫態(tài)穩(wěn)定評估及控制往往先建立系統(tǒng)特征量與暫態(tài)穩(wěn)定性之間的映射關(guān)系，通過離線仿真獲得大量失穩(wěn)樣本，實際電網(wǎng)運行中遇到相應運行狀態(tài)時通過映射關(guān)系快速評估穩(wěn)定性及進行控制。針對這一特點，深度學習方法在映射關(guān)系的學習上具有明顯的優(yōu)勢，因此在電網(wǎng)側(cè)暫態(tài)穩(wěn)定評估與控制中取得的成果較為顯著。文獻[58]將深度學習方法應用于電力系統(tǒng)穩(wěn)定評估的研究中，基于穩(wěn)定域邊界的概念解釋了機器學習方法得到的暫態(tài)穩(wěn)定評估規(guī)則的物理意義，提出了穩(wěn)定評估方法與流程，最終實現(xiàn)基于大數(shù)據(jù)技術(shù)深度學習的暫態(tài)穩(wěn)定評估。文獻[59-60]亦將深度學習的思想和模型引入電力系統(tǒng)暫態(tài)穩(wěn)定評估中，分別提出了一種基于DBN和SAE的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法，具有較優(yōu)越的評估性能。文獻[61]根據(jù)單機能量函數(shù)理論，組合搜索得到一組嚴重受擾機組，將受擾嚴重機組的變量構(gòu)建成原始輸入特征，經(jīng)過特征選擇后，作為暫態(tài)穩(wěn)定評估模型的輸入，實現(xiàn)基于受擾嚴重機組特征及機器學習方法的電力系統(tǒng)暫態(tài)穩(wěn)定評估。文獻[62]對于電網(wǎng)控制策略這一復雜決策問題，將AI方法引入決策控制，提出了一種基于深度強化學習的電網(wǎng)切機控制策略，利用深度卷積網(wǎng)絡(luò)提取電網(wǎng)運行特征，構(gòu)建深度強化學習框架，給出切機控制決策。文獻[63]基于機器學習領(lǐng)域發(fā)展起來的改進約束譜聚類算法，進行電網(wǎng)主動解列斷面搜索，并提出了解列后孤島的優(yōu)化調(diào)整策略。

借助AI方法在優(yōu)化學習和模式識別上的優(yōu)勢，在電力系統(tǒng)運行優(yōu)化和電網(wǎng)狀態(tài)診斷等方面也開展了相關(guān)應用研究。文獻[64]針對傳統(tǒng)AI在隨機復雜環(huán)境的適應及交互能力較低的問題，提出了一種具有記憶自學能力的快速動態(tài)尋優(yōu)算法，應用于電力系統(tǒng)無功優(yōu)化求解，尋優(yōu)速度得到大幅提高。文獻[65-66]結(jié)合電力行業(yè)特征，提出了一種內(nèi)嵌專業(yè)知識和經(jīng)驗的機器學習方法，并將其應用于配電網(wǎng)健康指數(shù)診斷，可顯著提高安全性和魯棒性。

在電網(wǎng)側(cè)電力系統(tǒng)仿真分析領(lǐng)域，隨著特高壓交直流聯(lián)網(wǎng)，我國電網(wǎng)規(guī)模非常大，在仿真分析中遇到很多問題，例如潮流不收斂原因查找、不收斂時如何調(diào)整等，能否借助AI的方法加速潮流收斂過程值得研究。在穩(wěn)定計算領(lǐng)域，穩(wěn)定類型多樣，例如電壓穩(wěn)定、暫態(tài)穩(wěn)定、頻率穩(wěn)定、小干擾穩(wěn)定等，能否通過AI技術(shù)實現(xiàn)不同穩(wěn)定特征量識別、穩(wěn)定控制措施的自動推薦匹配。同時由于當前電力系統(tǒng)實際穩(wěn)定破壞事故樣本非常少，而在日常電網(wǎng)小擾動積累的樣本非常多，能否借助AI技術(shù)，一方面基于微小擾動下的電網(wǎng)響應實現(xiàn)動態(tài)特征提取、擾動源識別，實現(xiàn)電網(wǎng)動態(tài)安全的預警預控；另一方面通過實際電網(wǎng)微小擾動響應驗證仿真模型的準確性。在其他方面，例如電網(wǎng)全景化運行監(jiān)測、多層一體化精細無人調(diào)度、設(shè)備管理、設(shè)備健康程度診斷等也有廣闊的應用前景。

3.5 負荷側(cè)研究展望

在負荷側(cè)，深度學習的應用主要聚焦在負荷預測領(lǐng)域，特別是單個家庭用戶負荷隨機性、不確定性大帶來的預測難題。文獻[67]基于海量的智能電表電量數(shù)據(jù)采用時變C-vine 混合模型聚類(CVMM)算法進行用戶分類，為供應商需求側(cè)服務。文獻[68]基于LSTM深度學習方法進行短期智能電表級用戶負荷預測，結(jié)果顯示優(yōu)于傳統(tǒng)的時間序列和卡爾曼濾波負荷預測方法。文獻[69]針對傳統(tǒng)電網(wǎng)總負荷或變電站負荷預測方法不適用于單個家庭負荷預測的問題，基于LSTM和遞歸神經(jīng)網(wǎng)絡(luò)RNN(Recurrent Neural Network)深度學習方法進行單個家庭用戶的短期負荷預測，解決了負荷隨機波動和不確定性大的難題。文獻[70]將PDRNN(Pooling-based Deep Recurrent Neural Network)深度學習方法應用于家庭負荷預測，預測結(jié)果明顯優(yōu)于ARIMA、SVR和RNN等傳統(tǒng)方法。

當前隨著負荷側(cè)風電、光伏等大量分布式電源接入帶來的功率隨機波動性，以及空調(diào)等溫度敏感型負荷的增多，地區(qū)電網(wǎng)超短期和短期負荷預測不準確已成為困擾電網(wǎng)運行調(diào)度的主要問題之一?；谪摵蓺v史數(shù)據(jù)和氣象數(shù)據(jù)，借助深度學習等AI技術(shù)在預測上的優(yōu)勢開展相關(guān)研究可提高地區(qū)電網(wǎng)負荷預測的準確性。此外，在負荷建模領(lǐng)域，借助深度學習方法在分類上的優(yōu)勢，基于用戶側(cè)營銷系統(tǒng)與調(diào)度系統(tǒng)海量數(shù)據(jù)，借助深度學習技術(shù)，從用戶和變電站2個層面，實現(xiàn)非侵入式識別底層用戶的負荷成分，評估柔性負荷比例，掌握負荷時變性規(guī)律，進而可能解決負荷建模中負荷時變性的難題。

4 結(jié)語

隨著當前SG發(fā)展具備了超強計算性能和大數(shù)據(jù)條件，第三代AI技術(shù)的突破將為SG的發(fā)展帶來顛覆性的影響，通過“AI+電力”的發(fā)展，建設(shè)“SG+”，保障電網(wǎng)的安全高效運行，成為電力行業(yè)發(fā)展的必然趨勢。結(jié)合第三代AI技術(shù)的特點和SG建設(shè)面臨的需求和挑戰(zhàn)，在AI實際應用方面提出以下幾點建議和設(shè)想：

a. AI技術(shù)本身的發(fā)展還沒有完全成熟，尚未達到人類思維的程度，當前還是基于大數(shù)據(jù)、計算性能和算法優(yōu)勢比人類分析更快、量更大、效率更高，在電力系統(tǒng)哪些領(lǐng)域適用，能解決什么問題，還需要深入研究；

b. AI在電力行業(yè)的應用必須要面向需求，其重點應用領(lǐng)域可以發(fā)揮AI優(yōu)勢，代替危險的工作，實現(xiàn)靠現(xiàn)有技術(shù)難以完成的工作，或者可以極大提高效率，帶來很大效益，兼顧電網(wǎng)安全性和經(jīng)濟性，有助于實現(xiàn)SG安全、高效、清潔、低碳的目標；

c. AI應用領(lǐng)域必須具備大數(shù)據(jù)基礎(chǔ)，電力系統(tǒng)目前已有的EMS、WAMS、故障錄波、智能電表等數(shù)據(jù)雖然很大，但根據(jù)具體需求還有必要對各類設(shè)備，從輸電系統(tǒng)到配電系統(tǒng)增加配備傳感器，同時借助AI技術(shù)發(fā)展，突破邏輯推理和深度學習的深度融合，借助小樣本學習獲得好的學習結(jié)果；

d. 借助AI在預測、識別以及決策支持方面的優(yōu)勢，在依賴于數(shù)據(jù)分析、依賴于經(jīng)驗的領(lǐng)域，在電力系統(tǒng)的設(shè)備管理、電力系統(tǒng)運行控制、電力系統(tǒng)的災害防御、電力市場交易領(lǐng)域存在廣闊的應用前景。

參考文獻：

[1] PAN Yunhe. Heading toward Artificial Intelligence 2.0[J]. Engineering,2016,2(4):51-61.

[2] 中國電子技術(shù)標準化研究院. 人工智能標準化白皮書(2018版)[R]. 北京：中國電子技術(shù)標準化研究院，2018.

[3] RUSSELL S J,NORVIG P. Artificial intelligence:a modern approach[M]. 3rd ed. Upper Saddle River,USA:Pearson Education,Inc.,2005.

[4] MAKRIDAKIS S. The forthcoming Artificial Intelligence(AI) revolution:its impact on society and firms[J]. Futures,2017,90:46-60.

[5] 顧險峰. 人工智能的歷史回顧和發(fā)展現(xiàn)狀[J]. 自然雜志,2016,38(3):157-166.

GU Xianfeng. Historical review and current development of artificial intelligence[J]. Chinese Journal of Nature,2016,38(3):157-166.

[6] 騰訊研究院，中國信息通信研究院互聯(lián)網(wǎng)法律研究中心，騰訊AILAB，等. 人工智能[M]. 北京：中國人民大學出版社，2017.

[7] HINTON G E,SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science,2006,313(5786):504-507.

[8] HINTON G E,OSINDERO S,TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation,2006,18(7):1527-1554.

[9] SILVER D,HUANG A,MADDISON C J,et al. Mastering the game of go with deep neural networks and tree search[J]. Nature,2016,529(7587):484-489.

[10] SILVER D,SCHRITTWIESER J,SIMONYAN K,et al. Mastering the game of go without human knowledge[J]. Nature,2017,550(7676):354.

[11] FERRUCCI D,LEVAS A,BAGCHI S,et al. Watson:beyond jeo-pardy![J]. Artificial Intelligence,2013,199:93-105.

[12] China Business Intelligence. Global and China speech recognition industry report,2015-2020[R/OL]. (2016-04-01)[2018-02-02]. http:∥www.researchinchina.com/Htmls/Report/2016/10246.html.

[13] 周志華. 機器學習[M]. 北京：清華大學出版社，2016.

[14] 李航. 統(tǒng)計學習方法[M]. 北京：清華大學出版社，2012.

[15] LECUN Y,KAVUKCUOGLU K,FARABET C. Convolutional networks and applications in vision[C]∥Circuits and Systems(ISCAS),Proceedings of 2010 IEEE International Symposium on. Paris,France:IEEE,2010:253-256.

[16] KRIZHEVSKY A,SUTSKEVER I,HINTON G E. Imagenet classification with deep convolutional neural networks[C]∥Advances in Neural Information Processing Systems. Lake Tahoe,USA:Curran Associates Inc.,2012:1097-1105.

[17] HINTON G E. Training products of experts by minimizing contra-stive divergence[J]. Neural Computation,2002,14(8):1771-1800.

[18] SRIVASTAVA N,SALAKHUTDINOV R R. Multimodal learning with deep boltzmann machines[C]∥Advances in Neural Informa-tion Processing Systems. Lake Tahoe,USA:Curran Associates Inc.,2012:2222-2230.

[19] GRAVES A,MOHAMED A,HINTON G. Speech recognition with deep recurrent neural networks[C]∥2013 IEEE International Conference on Acoustics,Speech And Signal Processing(ICASSP). Vancouver,BC,Canada:IEEE,2013:6645-6649.

[20] PASCANU R,GULCEHRE C,CHO K,et al. How to construct deep recurrent neural networks[J/OL]. (2014-04-24)[2018-02-04]. https:∥arxiv.org/abs/1312.6026.

[21] SABOUR S,FROSST N,HINTON G E. Dynamic routing between capsules[C]∥Advances in Neural Information Processing Systems. Long Beach,CA,USA：Neural Information Processing Systems Fou-ndation,Inc.，2017:3859-3869.

[22] ZHOU Z H,FENG J. Deep forest:towards an alternative to deep neural networks[J/OL]. (2017-05-31)[2018-02-04]. https:∥arxiv.org/abs/1702.08835.

[23] 鞠平,秦川,黃樺,等. 面向智能電網(wǎng)的建模研究展望[J]. 電力系統(tǒng)自動化,2012,36(11):1-6.

JU Ping,QIN Chuan,HUANG Hua,et al. Research trends of power system modeling geared to smart grid[J]. Automation of Electric Power Systems,2012,36(11):1-6.

[24] EC JRC,U.S DOE． Assessing smart grid benefits and impacts：EU and U.S initiatives[R/OL]．[2018-02-04]. http:∥ses.jrc.ec.europa.eu/assessing-smart-grid-benefits-and-impacts-eu-and-us-initiatives．

[25] IEA． Smart grid roadmap[R/OL]． [2018-02-04]. https:∥www.iea.org/publications/freepublications/publication/smartgrids_roadmap.pdf.

[26] 周孝信，魯宗相，劉應梅,等． 中國未來電網(wǎng)的發(fā)展模式和關(guān)鍵技術(shù)[J]． 中國電機工程學報，2014,34(29):4999-5008．

ZHOU Xiaoxin,LU Zongxiang,LIU Yingmei,et al. Development models and key technologies of future grid in China[J]. Procee-dings of the CSEE,2014,34(29):4999-5008．

[27] 劉振亞． 智能電網(wǎng)技術(shù)[M]． 北京：中國電力出版社，2010．

[28] 張東霞,姚良忠,馬文媛. 中外智能電網(wǎng)發(fā)展戰(zhàn)略[J]. 中國電機工程學報,2013,33(31):1-15.

ZHANG Dongxia,YAO Liangzhong,MA Wenyuan. Development strategies of smart grid in China and abroad[J]. Proceedings of the CSEE,2013,33(31):1-15.

[29] European Commission． European technology platform smart-grids：vision and strategy for Europe’s electricity networks of the future[EB/OL]． [2018-02-06]. http:∥ec.europa.eu/research/energy/pdf/smartgrids_en.pdf.

[30] United States Department of Energy Office of Electric Transmission and Distribution． Grid2030:a national vision for electricity’s second 100 years[EB/OL]．[2018-02-06]. http:∥www.oe.energy.gov/ DocumentsandMedia/Elec_Vision_2-9-4.pdf．

[31] United States Department of Energy Office of Electric Transmission and Distribution． The smart grid：an introduction[EB/OL]. [2018-02-06]. http:∥www.oe.energy.gov/DocumentsandMedia/DOE_SG_Book_Single_Pages(1).pdf．

[32] 梅生偉，朱建全. 智能電網(wǎng)中的若干數(shù)學與控制科學問題及其展望[J]. 自動化學報,2013,39(2):119-131.

MEI Shengwei,ZHU Jianquan. Mathematical and control scientific issues of smart grid and its prospects[J]. Acta Automatica Sinica,2013,39(2):119-131.

[33] 何光宇,孫英云,梅生偉,等. 多指標自趨優(yōu)的智能電網(wǎng)[J]. 電力系統(tǒng)自動化,2009,33(17):1-5.

HE Guangyu,SUN Yingyun,MEI Shengwei,et al. Multi-indices self-approximate-optimal smart grid[J]. Automation of Electric Power Systems,2009,33(17):1-5.

[34] 張文亮,劉壯志,王明俊,等. 智能電網(wǎng)的研究進展及發(fā)展趨勢[J]. 電網(wǎng)技術(shù),2009,33(13):1-11.

ZHANG Wenliang,LIU Zhuangzhi,WANG Mingjun,et al. Research status and development trend of smart grid[J]. Power System Technology,2009,33(13):1-11.

[35] 祁萬春,楊林,宋鵬程,等. 南京西環(huán)網(wǎng)UPFC示范工程系統(tǒng)級控制策略研究[J]. 電網(wǎng)技術(shù),2016,40(1):92-96.

QI Wanchun,YANG Lin,SONG Pengcheng,et al. UPFC system control strategy research in Nanjing Western Power Grid[J]. Power System Technology,2016,40(1):92-96.

[36] 陳剛,李鵬,袁宇波. MMC-UPFC在南京西環(huán)網(wǎng)的應用及其諧波特性分析[J]. 電力系統(tǒng)自動化,2016,40(7):121-127.

CHEN Gang,LI Peng,YUAN Yubo. Application of MMC-UPFC on Nanjing Western Grid and its harmonic analysis[J]. Automation of Electric Power Systems,2016,40(7):121-127.

[37] 劉綱,蔡暉,祁萬春,等. 500kV統(tǒng)一潮流控制器在蘇州南部電網(wǎng)的應用研究[J]. 電力電容器與無功補償,2017,38(6):119-124.

LIU Gang,CAI Hui,QI Wanchun,et al. Study on application of 500 kV unified power flow controller at southern power system of Suzhou[J]. Power Capacitor & Reactive Power Compensation,2017,38(6):119-124.

[38] 羅建裕,李海峰,江葉峰，等. 基于穩(wěn)控技術(shù)的源網(wǎng)荷友好互動精準負荷控制系統(tǒng)[J]. 電力工程技術(shù),2017,36(1):25-29.

LUO Jianyu,LI Haifeng,JIANG Yefeng,et al. Source network load friendly interactive and precise load control system based on stability control technology[J]. Electric Power Engineering Technology,2017,36(1):25-29.

[39] 辛耀中,石俊杰,周京陽,等. 智能電網(wǎng)調(diào)度控制系統(tǒng)現(xiàn)狀與技術(shù)展望[J]. 電力系統(tǒng)自動化,2015,39(1):2-8.

XIN Yaozhong,SHI Junjie,ZHOU Jingyang,et al. Technology development trends of smart grid dispatching and control systems[J]. Automation of Electric Power Systems,2015,39(1):2-8.

[40] 王繼業(yè). 智能電網(wǎng)大數(shù)據(jù)[M]. 北京：中國電力出版社，2017.

[41] 薛禹勝,劉覺,岑文輝. 專家系統(tǒng)在電力系統(tǒng)中的應用——特點,現(xiàn)狀和展望[J]. 電力系統(tǒng)自動化,1989,13(2):10-19.

XUE Yusheng,LIU Jue,CEN Wenhui. Expert systems in power systems-features,current status and prospects[J]. Automation of Electric Power Systems,1989,13(2):10-19.

[42] 韓禎祥,文褔拴. 電力系統(tǒng)中專家系統(tǒng)的應用綜述[J]. 電力系統(tǒng)自動化，1993,17(3):51-56.

HAN Zhenxiang,WEN Fushuan. A survey of the applications of expert systems to power systems[J]. Automation of Electric Power Systems,1993,17(3):51-56.

[43] 韓禎祥,文褔拴. 人工智能及其在電力系統(tǒng)中的應用——從專家系統(tǒng)到人工神經(jīng)元網(wǎng)絡(luò)[J]. 電力系統(tǒng)自動化，1991,15(3):5-15.

HAN Zhenxiang,WEN Fushuan. Artificial intelligence and its applications to power systems[J]. Automation of Electric Power Systems,1991,15(3):5-15.

[44] 韓禎祥,文褔拴. 人工神經(jīng)元網(wǎng)絡(luò)在電力系統(tǒng)中的應用新進展(一)[J]. 電力系統(tǒng)自動化,1993,17(1):53-59.

HAN Zhenxiang,WEN Fushuan. The new development of artificial neural networks application to power systems(I)[J]. Automation of Electric Power Systems,1993,17(1):53-59.

[45] 韓禎祥,文褔拴. 人工神經(jīng)元網(wǎng)絡(luò)在電力系統(tǒng)中的應用新進展(二)[J]. 電力系統(tǒng)自動化,1993,17(2):55-62.

HAN Zhenxiang,WEN Fushuan. The new development of artificial neural networks application to power systems(Ⅱ)[J]. Automation of Electric Power Systems,1993,17(2):55-62.

[46] 張東霞,苗新,劉麗平,等. 智能電網(wǎng)大數(shù)據(jù)技術(shù)發(fā)展研究[J]. 中國電機工程學報,2015,35(1):2-12.

ZHANG Dongxia,MIAO Xin,LIU Liping,et al. Research on deve-lopment strategy for smart grid big data[J]. Proceedings of the CSEE,2015,35(1):2-12.

[47] 薛禹勝,賴業(yè)寧. 大能源思維與大數(shù)據(jù)思維的融合(一) 大數(shù)據(jù)與電力大數(shù)據(jù)[J]. 電力系統(tǒng)自動化，2016,40(1):1-8.

XUE Yusheng,LAI Yening. Integration of macro energy thinking and big data thinking part one big data and power big data[J]. Automation of Electric Power Systems,2016,40(1):1-8.

[48] 薛禹勝,賴業(yè)寧. 大能源思維與大數(shù)據(jù)思維的融合(二)應用及探索[J]. 電力系統(tǒng)自動化，2016,40(8):1-13.

XUE Yusheng,LAI Yening. Integration of macro energy thinking and big data thinking part two applications and explorations[J]. Automation of Electric Power Systems,2016,40(8):1-13.

[49] 彭小圣,鄧迪元,程時杰,等. 面向智能電網(wǎng)應用的電力大數(shù)據(jù)關(guān)鍵技術(shù)[J]. 中國電機工程學報,2015,35(3):503-511.

PENG Xiaosheng,DENG Diyuan,CHENG Shijie,et al. Key technologies of electric power big data and its application prospects in smart grid[J]. Proceedings of the CSEE,2015,35(3):503-511.

[50] 王磊,陳青,高洪雨,等. 基于大數(shù)據(jù)挖掘技術(shù)的智能變電站故障追蹤架構(gòu)[J]. 電力系統(tǒng)自動化,2018,42(1):1-8.

WANG Lei,CHEN Qing,GAO Hongyu,et al. Framework for smart substation fault trace based on big data mining[J]. Automation of Electric Power Systems,2018,42(1):1-8.

[51] 趙俊華,董朝陽,文福拴,等. 面向能源系統(tǒng)的數(shù)據(jù)科學:理論,技術(shù)與展望[J]. 電力系統(tǒng)自動化,2017,41(4):1-11.

ZHAO Junhua,DONG Zhaoyang,WEN Fushuan,et al. Data science for energy systems:theory,techniques and prospect[J]. Automation of Electric Power Systems,2017,41(4):1-11.

[52] NEO Y Q,TEO T T,WOO W L,et al. Forecasting of photovoltaic power using deep belief network[C]∥Proc of the 2017 IEEE Region 10 Conference(TENCON). Penang，Malaysia：IEEE,2017：1189-1194.

[53] ANDRE G,JANOSCH H,BERNHARD S. Deep learning for solar power forecasting-an approach using autoencoder and LSTM neural networks[C]∥2016 IEEE International Conference on Systems,Man,and Cybernetics(SMC2016). Budapest,Hungary:IEEE,2016：2858-2865.

[54] MAHDI K,OKYAY K,MOHAMMAD E K. Rough deep neural architecture for short-term wind speed forecasting[J]. IEEE Transactions on Industrial Informatics,2017,13(6):2770-2779.

[55] ANDERSON T S,TERESA B L. Deep learning for wind speed forecasting in northeastern region of Brazil[C]∥2015 Brazilian Confe-rence on Intelligent Systems. Natal,Brazil：IEEE,2015：322-327.

[56] ZHANG C Y,CHEN C P,GAN M,et al. Predictive deep boltzmann machine for multiperiod wind speed forecasting[J]. IEEE Transactions on Sustainable Energy,2015,6(4):1416-1425.

[57] WANG H Z,WANG G B,LI G Q,et al. Deep belief network based deterministic and probabilistic wind speed forecasting approach[J]. Applied Energy,2016,182:80-93.

[58] 胡偉,鄭樂,閔勇,等. 基于深度學習的電力系統(tǒng)故障后暫態(tài)穩(wěn)定評估研究[J]. 電網(wǎng)技術(shù),2017，41(10)：3140-3146.

HU Wei,ZHENG Le,MIN Yong,et al. Research on power system transient stability assessment based on deep learning of big data technique[J]. Power System Technology,2017,41(10):3140-3146.

[59] 朱喬木，黨杰，陳金富，等. 基于深度置信網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法[J]. 中國電機工程學報，2018,38(3):735-743.

ZHU Qiaomu,DANG Jie,CHEN Jinfu,et al. A method for power system transient stability assessment based on deep belief networks[J]. Proceedings of the CSEE,2018,38(3):735-743.

[60] 朱喬木，陳金富，李弘毅，等. 基于堆疊自動編碼器的電力系統(tǒng)暫態(tài)穩(wěn)定評估[EB/OL]. (2017-06-12)[2018-02-10]. http:∥kns.cnki.net/kcms/detail/11.2107.TM.20170612.1911.015.html.

ZHU Qiaomu,CHEN Jinfu,LI Hongyi,et al. Transient stability assessment based on stacked autoencoder[EB/OL]. (2017-06-12)[2018-02-10]. http:∥kns.cnki.net/kcms/detail/11.2107.TM.20170612.1911.015.html.

[61] 葉圣永,王曉茹,劉志剛,等. 基于受擾嚴重機組特征及機器學習方法的電力系統(tǒng)暫態(tài)穩(wěn)定評估[J]. 中國電機工程學報,2011,31(1):46-51.

YE Shengyong,WANG Xiaoru,LIU Zhigang,et al. Power system transient stability assessment based on severely disturbed generator attributes and machine learning method[J]. Proceedings of the CSEE,2011,31(1):46-51.

[62] 劉威,張東霞,王新迎,等. 基于深度強化學習的電網(wǎng)緊急控制策略研究[J]. 中國電機工程學報,2018,38(1):109-119.

LIU Wei,ZHANG Dongxia,WANG Xinying,et al. A decision making strategy for generating unit tripping under emergency circumstances based on deep reinforcement learning[J]. Proceedings of the CSEE,2018,38(1):109-119.

[63] 程敏,楊文濤,文福拴,等. 電力系統(tǒng)主動解列斷面搜索方法與孤島調(diào)整策略[J]. 電力系統(tǒng)自動化,2017,41(19):37-45.

CHENG Min,YANG Wentao,WEN Fushuan,et al. Controlled splitting sections searching method and islanding adjustment strategy for power system[J]. Automation of Electric Power Systems,2017,41(19):37-45.

[64] 余濤,張孝順. 一種具有記憶自學習能力的快速動態(tài)尋優(yōu)算法及其無功優(yōu)化求解[J]. 中國科學:技術(shù)科學,2016,46(3):256-267.

YU Tao,ZHANG Xiaoshun. A fast dynamic optimization algorithm with memory and self-learning and its application on reactive power optimization[J]. Scientia Sinica Technologica,2016,46(3):256-267.

[65] 尚宇煒,馬釗,彭晨陽,等. 內(nèi)嵌專業(yè)知識和經(jīng)驗的機器學習方法探索(一):引導學習的提出與理論基礎(chǔ)[J]. 中國電機工程學報,2017,37(19):5560-5572.

SHANG Yuwei,MA Zhao,PENG Chenyang,et al. Study of a novel machine learning method embedding expertise part I:proposals and fundamentals of guiding learning[J]. Proceedings of the CSEE,2017,37(19):5560-5572.

[66] 尚宇煒,馬釗,彭晨陽,等. 內(nèi)嵌專業(yè)知識和經(jīng)驗的機器學習方法探索(二):引導學習的應用與實踐[J]. 中國電機工程學報,2017,37(20):5852-5861.

SHANG Yuwei,MA Zhao,PENG Chenyang,et al. Study of a novel

machine learning method embedding expertise part Ⅱ:applications and practices of guiding learning[J]. Proceedings of the CSEE,2017,37(20):5852-5861.

[67] SUN M Y,KONSTANTELOS I,STRBAC G. C-vine copula mixture model for clustering of residential electrical load pattern data[J]. IEEE Transactions on Power Systems,2017,32(3):2382-2393.

[68] KONG W,DONG Z Y,HILL D J,et al. Short-term residential load forecasting based on resident behavior learning[J]. IEEE Transactions on Power Systems,2018,33(1):1087-1088.

[69] KONG W,DONG Z Y,JIA Y,et al. Short-term residential load forecasting based on LSTM recurrent neural network[EB/OL].(2017-03-27)[2018-02-12]. http:∥ieeexplore.ieee.org/document/ 7887751/.

[70] SHI H,XU M,LI R. Deep learning for household load forecasting-a novel pooling deep RNN[J/OL]. (2017-03-22)[2018-02-12]. http:∥ieeexplore.ieee.org/document/7885096/.