吳世席，夏選莉，李根健，劉明祥，沈鋒

（1.云南電網(wǎng)有限責(zé)任公司德宏供電局，云南 德宏 678400；2.哈爾濱工業(yè)大學(xué)，黑龍江 哈爾濱 150000）

0 前言

近年來(lái)，云計(jì)算、大數(shù)據(jù)、物聯(lián)網(wǎng)、移動(dòng)互聯(lián)、人工智能等數(shù)字化技術(shù)快速發(fā)展，為電力設(shè)備運(yùn)行維護(hù)的數(shù)字化、智能化轉(zhuǎn)型提供了新的手段和關(guān)鍵技術(shù)支撐。黨的二十大報(bào)告中也明確指出，要構(gòu)建新一代信息技術(shù)、人工智能、生物技術(shù)、新能源、新材料、高端裝備、綠色環(huán)保等一批新的增長(zhǎng)引擎。人工智能作為新一輪產(chǎn)業(yè)變革的核心驅(qū)動(dòng)力，將進(jìn)一步釋放歷次科技革命和產(chǎn)業(yè)變革積蓄的巨大能量，正成為國(guó)際競(jìng)爭(zhēng)的新焦點(diǎn)和經(jīng)濟(jì)發(fā)展的核心動(dòng)能。

隨著超高壓、特高壓電網(wǎng)建設(shè)的大規(guī)模開(kāi)展，電網(wǎng)基礎(chǔ)建設(shè)朝著智能化、大容量、大跨度輸送電力方向發(fā)展。隨之而來(lái)的是高壓輸配電線路的運(yùn)行維護(hù)任務(wù)強(qiáng)度也逐漸加大。由于客觀原因，大量的高壓輸配電線路都分布在戶外，并且覆蓋面積廣，極易受到惡劣自然環(huán)境和人為因素影響，進(jìn)而產(chǎn)生重大的安全隱患。目前，在輸配電線路巡檢方面，大量機(jī)載平臺(tái)已順利完成部署，海量的巡檢數(shù)據(jù)為電力人工智能的實(shí)施提供了數(shù)據(jù)準(zhǔn)備。近年來(lái)，各類人工智能算法在電力領(lǐng)域的應(yīng)用不斷涌現(xiàn)，本文首先對(duì)人工智能用于輸配電線路缺陷檢測(cè)的基本原理進(jìn)行闡述；然后重點(diǎn)介紹了深度學(xué)習(xí)在輸配電線路缺陷檢測(cè)中的研究進(jìn)展；最后對(duì)深度學(xué)習(xí)在電力設(shè)備缺陷檢測(cè)方面的應(yīng)用進(jìn)行了展望。

1 深度學(xué)習(xí)用于輸配線電路缺陷檢測(cè)的基本原理

作為機(jī)器學(xué)習(xí)學(xué)科的一大分支，深度學(xué)習(xí)借鑒了人腦神經(jīng)系統(tǒng)，提取深層次特征，將其與低維度特征組合，得到更高維度特征，進(jìn)而完成數(shù)據(jù)解釋以及特征表示。作為深度學(xué)習(xí)的基礎(chǔ)，神經(jīng)網(wǎng)絡(luò)模型則是利用生物的神經(jīng)系統(tǒng)對(duì)外界信息輸入實(shí)現(xiàn)交互反應(yīng)，其結(jié)構(gòu)如圖1所示。自1943年被沃倫·麥卡洛克提出以來(lái)，之后經(jīng)過(guò)不斷的迭代以及優(yōu)化，才有了如今的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 神經(jīng)元模型

其中，x=(x1(k-1),x2(k-1),…,xn(k-1))T為神經(jīng)元接受到的多個(gè)輸入；w1(k),w2(k),…,wn(k)為輸入信號(hào)的比重；b(k)表示神經(jīng)元整體的偏移；f(·) 為激活函數(shù)；v(k)為輸入信號(hào)的加權(quán)結(jié)果；x(k)為激活函數(shù)處理后的神經(jīng)元輸出。則獨(dú)立存在的神經(jīng)元輸出能夠描述為：

對(duì)式(1) 進(jìn)行分析，單個(gè)神經(jīng)元模型的作用可以等效為線性分類器，能夠?qū)€性關(guān)系進(jìn)行擬合，并依照設(shè)置的激活函數(shù)添加非線性成分，因此該模型通常也會(huì)被稱為感知器（perceptron）。

但是對(duì)于復(fù)雜問(wèn)題，無(wú)法通過(guò)單個(gè)神經(jīng)元模型對(duì)其進(jìn)行線性劃分，因此，構(gòu)建一種模仿大腦神經(jīng)突觸連接關(guān)系，包含了輸入層、隱藏層以及輸出層的多神經(jīng)元分層排布方式，即多層感知機(jī)（Multilayer Perceptions，MLP）。其模型結(jié)構(gòu)如圖2所示。其中每個(gè)圓形圖案表示為和圖神經(jīng)元模型，層內(nèi)的神經(jīng)元互相不進(jìn)行連接，而上一層的神經(jīng)元連接著下一層的全部神經(jīng)元，多層感知機(jī)同樣可以稱作全連接神經(jīng)網(wǎng)絡(luò)（Full-connection Neural Network）。該結(jié)構(gòu)在某種程度上模擬了生物神經(jīng)系統(tǒng)的運(yùn)作方式，利用誤差反向傳播算法（Backpropagation，BP）更新網(wǎng)絡(luò)中權(quán)值的方法完成訓(xùn)練，具備了初步的自學(xué)習(xí)能力。

圖2 多層感知機(jī)模型

如果條件允許，MLP 能夠擬合任意函數(shù)，并且能夠解決所有分類相關(guān)問(wèn)題。然而為了提升擬合精度往往會(huì)增加隱藏層的層數(shù)，使得該網(wǎng)絡(luò)訓(xùn)練參數(shù)最多，計(jì)算量最大；同時(shí)也會(huì)存在導(dǎo)致梯度擴(kuò)散，陷入局部最優(yōu)的情況，導(dǎo)致訓(xùn)練失敗。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）是對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)一步改進(jìn)，使得神經(jīng)網(wǎng)路的層數(shù)加深，是實(shí)現(xiàn)深度學(xué)習(xí)的基礎(chǔ)。CNN 在原有的MLP 的基礎(chǔ)上加入卷積層，能夠利用卷積核實(shí)現(xiàn)特征提取，再移送至全連接網(wǎng)絡(luò)中進(jìn)行識(shí)別。相對(duì)于傳統(tǒng)的圖像識(shí)別方法，網(wǎng)絡(luò)減少了復(fù)雜預(yù)處理步驟，目前已經(jīng)大規(guī)模應(yīng)用于電力圖像識(shí)別分類領(lǐng)域。

CNN 通常包含了卷積、批標(biāo)準(zhǔn)化、激活、池化、丟棄以及全連接6 類通用模組。以輸配電線路缺陷檢測(cè)任務(wù)為例，輸入層接受為圖像數(shù)據(jù)，即預(yù)處理后的無(wú)人機(jī)巡檢圖像。如圖3所示為CNN 基本結(jié)構(gòu)。

圖3 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

當(dāng)數(shù)據(jù)被傳遞進(jìn)入網(wǎng)絡(luò)時(shí)，首先經(jīng)歷了卷積操作，卷積操作能夠等效為一種濾波器，通過(guò)行列對(duì)稱翻轉(zhuǎn)后，對(duì)輸入圖像與濾波器變換結(jié)果對(duì)應(yīng)進(jìn)行相乘相加，實(shí)現(xiàn)卷積運(yùn)算。以圖4為例，一個(gè)尺寸為3 的卷積核與圖片對(duì)應(yīng)的位置進(jìn)行運(yùn)算，進(jìn)而求解輸出提取特征點(diǎn)5。如果推廣到尺寸為k 的卷積核，其模型結(jié)果能夠?qū)懗扇缦滦问剑?/p>

圖4 卷積操作

式中，wi,j為權(quán)重；b為偏置。

而后卷積核會(huì)向右步進(jìn)，其步進(jìn)長(zhǎng)度能夠根據(jù)實(shí)際情況設(shè)定。而為了保證卷積操作前后結(jié)果尺寸一致，可以對(duì)輸入數(shù)據(jù)的周圍填充數(shù)值，通常采用全零填充的方式對(duì)數(shù)據(jù)周圍進(jìn)行補(bǔ)零操作。在實(shí)際的網(wǎng)絡(luò)訓(xùn)練時(shí)，可以挑選合適的卷積核帶下、步進(jìn)長(zhǎng)度以及填充方式來(lái)達(dá)到需求的模型訓(xùn)練效果。

批標(biāo)準(zhǔn)化是對(duì)卷積操作之后數(shù)據(jù)標(biāo)準(zhǔn)化操作的必要步驟，通常位于激活函數(shù)之前。利用均值以及優(yōu)化方差的方法，提升模型的收斂速度，同時(shí)避免梯度消失。在B={x1,x2,…,xm}個(gè)訓(xùn)練批次數(shù)據(jù)中，可以表示為，計(jì)算其均值以及方差，根據(jù)計(jì)算結(jié)果進(jìn)行尺度變換、歸一化處理以及偏移計(jì)算。其計(jì)算過(guò)程表示為：

式中，κ是為常數(shù)；μB為訓(xùn)練批次數(shù)據(jù)的均值；σ2為訓(xùn)練批次數(shù)據(jù)的方差；γ為尺度因子；β為平移因子；yi為批標(biāo)準(zhǔn)化的輸出。

考慮到輸入數(shù)據(jù)以及后續(xù)特征結(jié)果的數(shù)據(jù)量非常大，通常使用池化操作保留必要的信息并降低運(yùn)算量。在實(shí)際過(guò)程中，核心思路為獲取圖像中的有效特征信息，無(wú)需對(duì)整體進(jìn)行分析，因此基于圖像壓縮思想利用下采樣方法對(duì)數(shù)據(jù)大小進(jìn)行調(diào)整，使得后續(xù)的層能夠提取更多的特征，同時(shí)加快網(wǎng)絡(luò)的訓(xùn)練速度。目前經(jīng)常使用到的池化操作有：隨機(jī)池化、最大池化、平均池化以及全局平均池化。

盡管池化能夠在某些方面解決訓(xùn)練中模型的過(guò)擬合問(wèn)題，但網(wǎng)絡(luò)模型參量數(shù)量較多且訓(xùn)練集的樣本數(shù)較少時(shí)，仍然會(huì)出現(xiàn)過(guò)擬合現(xiàn)象。因此需要使用丟棄操作使某些神經(jīng)元停止工作，禁止參與模型中參數(shù)的更新，其過(guò)程如圖5所示，由此能夠有效解決過(guò)擬合的問(wèn)題，加快訓(xùn)練速度，并使得模型的魯棒性和泛化能力大幅度提升。

圖5 神經(jīng)元隨機(jī)丟棄操作示意圖

而在輸出層的之前的由多個(gè)全連接層共同組成了全連接部分，事實(shí)上能夠被認(rèn)為是卷積神經(jīng)網(wǎng)絡(luò)的隱藏層。

CNN 訓(xùn)練從整體上可以劃分成如下所處的2個(gè)進(jìn)程。

1）前向傳播階段，在此階段中與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中存在的由前至后傳輸模式相近，要把數(shù)據(jù)集內(nèi)的樣本信息傳遞至網(wǎng)絡(luò)內(nèi)，通過(guò)逐漸變換的操作獲取輸出結(jié)論，在網(wǎng)絡(luò)內(nèi)上層輸出參量成為本層的輸入?yún)⒘?，?dāng)前層對(duì)應(yīng)的輸入?yún)⒘康捷敵鰠⒘块g具備如下所述的函數(shù)表達(dá)式：

式中：l代表層數(shù)；W表示權(quán)值；b是一個(gè)偏置；f是一個(gè)激活函數(shù)。

2）反向傳播階段，任何一次前向傳播完成后均要確定相應(yīng)的誤差系數(shù)，以此解析通過(guò)本次傳播后網(wǎng)絡(luò)的運(yùn)行情況。反向傳播進(jìn)程是需要把誤差采用反向傳遞的模式逐層傳輸至前面的層次中，讓前面層內(nèi)神經(jīng)元參考誤差系數(shù)展開(kāi)自身權(quán)重系數(shù)的調(diào)整。通常情況下，CNN 網(wǎng)絡(luò)選擇反向傳播算法是采用梯度減少的模式，借助于核算網(wǎng)絡(luò)全局誤差的方式能夠讓網(wǎng)絡(luò)內(nèi)的單位權(quán)重系數(shù)能夠往誤差降低的方向展開(kāi)優(yōu)化處理。主要涵蓋2個(gè)迭代流程，首先計(jì)算樣本傳送至傳播階段過(guò)程中獲取的輸出參量與目標(biāo)輸出參量間存在的差值，然后將誤差展開(kāi)反向傳遞操作，由此能夠?qū)⒕W(wǎng)絡(luò)中權(quán)值系數(shù)進(jìn)行調(diào)整。

2 基于深度學(xué)習(xí)的輸配電線路缺陷檢測(cè)研究現(xiàn)狀

在2018年6月召開(kāi)的人工智能學(xué)術(shù)研討會(huì)上，中國(guó)電科院副院長(zhǎng)王繼業(yè)指出：面向智能電網(wǎng)和能源互聯(lián)網(wǎng)的發(fā)展需求，以輸配電設(shè)備的空中飛行平臺(tái)巡線等產(chǎn)生的海量圖像大數(shù)據(jù)為數(shù)據(jù)源，結(jié)合邏輯和先驗(yàn)知識(shí)，并利用人工智能技術(shù)研究巡檢圖像的處理、分析、和理解方法，是實(shí)現(xiàn)輸配電線路缺陷檢測(cè)的重要手段和保障電網(wǎng)安全運(yùn)行、促進(jìn)學(xué)科發(fā)展和產(chǎn)學(xué)研轉(zhuǎn)化的重要方向。

基于深度學(xué)習(xí)的輸配電線路缺陷檢測(cè)方法，其原理是先通過(guò)深度網(wǎng)絡(luò)從數(shù)據(jù)集提取目標(biāo)對(duì)象的特征信息，然后利用提取到的特征對(duì)分類網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練以獲得具有一定檢測(cè)精度的檢測(cè)模型，最后調(diào)用訓(xùn)練好的模型直接從圖像中檢測(cè)出目標(biāo)對(duì)象。深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，將構(gòu)建圖像特征提取算法和缺陷判別算法的工作都轉(zhuǎn)交網(wǎng)絡(luò)自行學(xué)習(xí)，人們只需要完成簡(jiǎn)單的數(shù)據(jù)標(biāo)注工作，之后便能通過(guò)不斷的迭代訓(xùn)練便能獲得足夠精度的能夠?qū)崿F(xiàn)多目標(biāo)檢測(cè)的識(shí)別模型。

苗向鵬[1]對(duì)比了傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法在絕緣子識(shí)別問(wèn)題上的效果，實(shí)驗(yàn)證明深度學(xué)習(xí)方法具有更高的識(shí)別準(zhǔn)確率。王森[2]指出基于隨機(jī)Hough 變換和模板匹配的方法只適合于特定場(chǎng)景、特定角度下的檢測(cè)，基于深度學(xué)習(xí)模型SSD 的檢測(cè)方法則達(dá)到了較高的準(zhǔn)確率。王萬(wàn)國(guó)等[3]人利用深度學(xué)習(xí)目標(biāo)檢測(cè)方法進(jìn)行電力部件識(shí)別，分別對(duì)DPM、SPPnet 和Faster R-CNN 識(shí)別方法進(jìn)行了測(cè)試分析，驗(yàn)證了基于目標(biāo)檢測(cè)的識(shí)別方法實(shí)現(xiàn)對(duì)電力小部件的識(shí)別是可行的。

因此，越來(lái)越多的學(xué)者們將基于深度學(xué)習(xí)的檢測(cè)方法應(yīng)用到輸配電線路缺陷檢測(cè)的研究中去。李輝等[4]人提出了一種HSI 顏色特征與Faster R-CNN 相結(jié)合的金具銹蝕檢測(cè)方法，并通過(guò)實(shí)驗(yàn)證實(shí)了其具有更高的檢測(cè)精度。Zhao等[5]人采用二進(jìn)制特征池的特征生成方法來(lái)實(shí)現(xiàn)絕緣子串檢測(cè)，該方法根據(jù)提取的圖像特征信息構(gòu)造一個(gè)分類器并加以訓(xùn)練，然后將其嵌入到多尺度滑動(dòng)檢測(cè)框架中，從而實(shí)現(xiàn)了圖像中絕緣子的定位。其準(zhǔn)確率達(dá)89.1%。湯踴等[6]人研究了多種不同骨干網(wǎng)絡(luò)的Faster R-CNN網(wǎng)絡(luò)模型對(duì)不同電力部件的檢測(cè)效果，Wu 等[7]人為了排除背景環(huán)境的干擾，利用主動(dòng)輪廓算法對(duì)具有不均勻紋理特征的絕緣子圖像進(jìn)行了分割。

Ling 等[8]人先采用Faster R-CNN 檢測(cè)算法實(shí)現(xiàn)對(duì)絕緣子進(jìn)行檢測(cè)，然后再將絕緣子區(qū)域切割出來(lái)以提高信噪比，接著使用U-net 網(wǎng)絡(luò)的像素級(jí)別分類優(yōu)勢(shì)實(shí)現(xiàn)了絕緣子自爆缺陷的檢測(cè)。

王子昊[9]結(jié)合絕緣子航拍圖像自然場(chǎng)景背景復(fù)雜的特點(diǎn)，提出了利用級(jí)聯(lián)式檢測(cè)結(jié)構(gòu)來(lái)處理絕緣子缺陷檢測(cè)問(wèn)題。李浩以不同形態(tài)的異常發(fā)熱區(qū)域作為檢測(cè)目標(biāo)，分別利用Faster R-CNN 和SDD 算法實(shí)現(xiàn)了電氣設(shè)備發(fā)熱缺陷的檢測(cè)。

王淼等[10]人分別采用線段檢測(cè)法和深度卷積神經(jīng)網(wǎng)絡(luò)提取紅外圖像中的導(dǎo)線區(qū)域和絕緣子區(qū)域，然后通過(guò)溫度和灰度分析提取導(dǎo)線和絕緣子區(qū)域內(nèi)的發(fā)熱點(diǎn)，最后利用漫水填充算法對(duì)過(guò)熱區(qū)域進(jìn)行分割，達(dá)到輸配電線路發(fā)熱缺陷檢測(cè)的目的。

陳景文[11]使用U-net 模型對(duì)圖像進(jìn)行絕緣子檢測(cè)，并使用瓶頸結(jié)構(gòu)融合淺層特征和高層特征，提高了絕緣子檢測(cè)的準(zhǔn)確率。Bin Yan[12]在絕緣子分割部分借助了深度學(xué)習(xí)的思想，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，F(xiàn)an P.[13]提出了一種三階段絕緣子缺陷檢測(cè)算法。任文文[14]對(duì)比了卷積神經(jīng)網(wǎng)絡(luò)特征提取算法、HOG 特征變換結(jié)合SVM 分類器算法、BP 全連接神經(jīng)網(wǎng)絡(luò)算法，最終發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)特征提取算法對(duì)復(fù)雜圖像下的光線、角度和背景具有良好的魯棒性。

目前來(lái)看，深度學(xué)習(xí)方法在電力目標(biāo)檢測(cè)方面的應(yīng)用方興未艾，但是對(duì)于航拍視角下的電力小目標(biāo)檢測(cè)性能仍有待提高。

3 深度學(xué)習(xí)在電力設(shè)備缺陷檢測(cè)方面的研究展望

3.1 高效高質(zhì)量的人工智能數(shù)據(jù)集構(gòu)建技術(shù)

人工智能的發(fā)展需要有大數(shù)據(jù)支撐來(lái)學(xué)習(xí)大量的知識(shí)和經(jīng)驗(yàn)，高效的構(gòu)建人工智能數(shù)據(jù)庫(kù)是保障人工智能算法的基礎(chǔ)保障。以輸配電線路無(wú)人機(jī)巡檢任務(wù)為例，無(wú)人機(jī)定檢巡檢的輸電線路圖片存在兩大特點(diǎn)。從整體上看，數(shù)據(jù)分布不均衡，面臨“長(zhǎng)尾效應(yīng)”，即缺陷樣本非常重要但是相比于正常樣本數(shù)量稀少；從個(gè)體上看，輸電線路故障在圖像中尺寸較小，難以發(fā)現(xiàn)、且受光照影響較大。如何結(jié)合輸電線路圖像增強(qiáng)、降噪技術(shù)，擴(kuò)充缺陷樣本數(shù)據(jù)，改善數(shù)據(jù)分布情況，減少干擾因素，提高檢測(cè)性能。針對(duì)全部人工手動(dòng)標(biāo)記費(fèi)時(shí)費(fèi)力、效率低下等問(wèn)題，如何在部分標(biāo)注各類樣本的基礎(chǔ)上，自動(dòng)標(biāo)注大規(guī)模未標(biāo)記數(shù)據(jù)是未來(lái)重要的發(fā)展方向。

3.2 高效魯棒的電力人工智能檢測(cè)模型

隨著深度學(xué)習(xí)技術(shù)的進(jìn)步，電力行業(yè)人工智能檢測(cè)模型的發(fā)展正迸發(fā)出前所未有的活力，但是當(dāng)前的模型仍存在以下三方面的問(wèn)題。

一方面，當(dāng)前的深度學(xué)習(xí)模型對(duì)航拍小目標(biāo)的檢測(cè)性能不足，現(xiàn)有的檢測(cè)模型一般基于標(biāo)準(zhǔn)數(shù)據(jù)集，被檢測(cè)目標(biāo)在圖片中占比很大，但是機(jī)巡電力設(shè)備缺陷圖像往往特征非常小，經(jīng)典方法難以實(shí)習(xí)機(jī)巡視角下電力小目標(biāo)的檢測(cè)；另一方面，目前電力系統(tǒng)采用的深度學(xué)習(xí)方法多基于單一數(shù)據(jù)源進(jìn)行分析和判斷，分析結(jié)果粗放和片面，難以及時(shí)發(fā)現(xiàn)潛伏新故障；最后，今天的電力人工智能基本上都是在封閉環(huán)境中取得的成功，測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的場(chǎng)景一致性是成功的基本假設(shè)，但是在面向?qū)嶋H應(yīng)用的過(guò)程中一切條件都會(huì)發(fā)生變化，實(shí)際的突發(fā)狀況遠(yuǎn)比實(shí)驗(yàn)室環(huán)境復(fù)雜得多，這就要求未來(lái)的人工智能必須具備環(huán)境自適應(yīng)能力。

綜上所述，如何結(jié)合小目標(biāo)檢測(cè)技術(shù)、跨模態(tài)融合技術(shù)和開(kāi)放環(huán)境自適應(yīng)技術(shù)，構(gòu)建高效魯棒的電力人工智能檢測(cè)模型是未來(lái)重要的發(fā)展趨勢(shì)。

3.3 可信可靠可解釋的電力人工智能模型

人工智能的發(fā)展歷程經(jīng)常被劃分為兩代，即知識(shí)驅(qū)動(dòng)的人工智能和數(shù)據(jù)驅(qū)動(dòng)的人工智能。第一代人工智能主要基于知識(shí)庫(kù)和推理機(jī)來(lái)模擬人類的推理和思考行為。其代表性成果是IBM 公司的Deep Blue 和DeeperBlue，于1997年5月打敗了當(dāng)時(shí)的國(guó)際象棋冠軍卡斯帕羅夫。知識(shí)驅(qū)動(dòng)的人工智能具有很好的可解釋性，而且知識(shí)作為一種數(shù)據(jù)和信息高度凝練的體現(xiàn),也往往意味著更高的算法執(zhí)行效率。但是，其缺點(diǎn)在于完全依賴專家知識(shí)。一方面，將知識(shí)變成機(jī)器可理解可執(zhí)行的算法十分費(fèi)時(shí)費(fèi)力；另一方面，大量的知識(shí)或經(jīng)驗(yàn)難以表達(dá)建模。因此，知識(shí)驅(qū)動(dòng)的人工智能的應(yīng)用范圍非常有限。

第二代人工智能則基于深度學(xué)習(xí)來(lái)模擬人類的感知，如視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)等。其代表性成果就是深度神經(jīng)網(wǎng)絡(luò)，通過(guò)收集大量的訓(xùn)練數(shù)據(jù)并進(jìn)行標(biāo)注，然后訓(xùn)練設(shè)計(jì)好的深度網(wǎng)絡(luò)。這類人工智能不需要領(lǐng)域知識(shí)，只需要通過(guò)大數(shù)據(jù)的訓(xùn)練就可以達(dá)到甚至超過(guò)人類的感知或識(shí)別水平。這類人工智能具有通用性強(qiáng)、端到端的“黑箱”性。但是，也正是由于其“黑箱”特性，才使得第二代人工智能算法非常脆弱，依賴高質(zhì)量、帶標(biāo)記的大數(shù)據(jù)和強(qiáng)大的算力。因此，具有魯棒性差、不可解釋，以及不太可靠等瓶頸問(wèn)題。

與此同時(shí)，電力領(lǐng)域大部分應(yīng)用對(duì)正確性和安全性要求極高，且本身具有必須遵循的復(fù)雜物理規(guī)律，尤其是在大電網(wǎng)調(diào)度控制、電力市場(chǎng)大宗交易與高端電力設(shè)備運(yùn)檢維修等方向。因此，建立知識(shí)數(shù)據(jù)雙驅(qū)動(dòng)的電力人工智能基礎(chǔ)理論，實(shí)現(xiàn)可信可靠可解釋的電力人工智能模型構(gòu)建，并具備開(kāi)放環(huán)境特別是突發(fā)情況下的系統(tǒng)穩(wěn)定性，是電網(wǎng)智能感知與人工智能基礎(chǔ)算法亟需突破的重要方向。