大数据和先进AI方法及电力系统应用

大数据和先进人工智能方法及电力大数据和先进人工智能方法及电力系统应用彭小圣华中科技大学电气与电子工程学院2022年3月彭小圣个人简介●英国工学博士，副教授，博士生导师，国际电工委员会IEC工作组专家，中国电工技术学会人工智能与电气应用●2006和2009分别获华中科技大学本科、硕士学位；2009-2012在英国EPSRC全额奖学金资助下攻读博士学位；2012-2013在EDFEnergy资助下开展博士后研究；●在英国期间主研了EPSRC、BritishEnergy、EDFEnergy等高水平科研项目5项；●入职华中科技大学以来，主持了国家自然科学基金(3项)、Rolls-Royce国际合作项目1项、国家重点研发计划子课题1项、50代表性成果1提出了基于时空资源动态自适应选择的多时空尺度新能源功率预测方法标准及专著●●作为主要完成人编写了IEC在可再生能源功率预测领域的首个国际标准系统的研究了新能源短期、超短期功率预测技术wdsdssety-et,omesot)BwaCvittes*3eDoanwtsIEC63043TR标准制定新能源发电功率预测技术专看国家重点研发计划项目2019年年中会议促进可再生能源消纳的凤电/光伙发电功率预测技术及应用国家重点研发计划1.3代表性成果2研制了高压电力设备局部放电智能检测与智能识别系统项目的成果精华，通过自适应第二代小波去噪、决策树信号分类、基于聚类分析的自动相位图谱识别、局放传播边际效应、基于先进人工智能方法的模式识别等先进一、大数据及人工智能背景介绍基于数据挖掘与深度学习的新能源功率预测三、基于先进人工智能方法的电力设备状态监测技术学会新媒体平台发布技术学会新媒体平台发布S大数据及人工智能背景介绍>人工智能简介Al的“两落三起”2000s-至今人工智能四个阶段11ll人工智能五大技术●语音识别机器学习四个方法深度学习典型模型S大数据及人工智能背景介绍>人工智能典型案例深蓝是美国IBM公司生产的一台超级国以被称为超级计算机。根据IBM公布的性能数据，它每秒可进行约113亿次算能力相当于可以预估落子后的12步棋。案例2—”WATSON"到来”,是认知计算系统的杰出代表，也是一个技术平台。认知计算代表一种全新的计算模式，它包含信息分析，自然语言处理和机器学习领域的大量技术创新，能够助力决策者从大量非结构化案例3—“AlphaGo”案例4—“FaceNet”LFW数据库容纳了网上搜集的一万三干张人脸照片的庞大数据库时，这个系统的准确率也超过86%。Facenet在LFW基准上达到了高达97.35%的精准度，并55大数据及人工智能背景介绍这些人工智能的案例能够给我们什么样的启示呢?如何将大数据人工智能与电力系统相结合呢?“人工智能是新一代的电力”——吴恩达博士，谷歌大脑创始人，计算机科学家5大数据及人工智能背景介绍预期效果面临的挑战预期效果面临的挑战先进人工智能算法结合工业应用结合工业应用—EEES基于数据挖掘与深度学习的新能源功率预测96.9%,同比提升0.4个百分点。以新能源为主体的新型电力系统：基于数据挖掘与深度学习的新能源功率预测2015年2016年2017年预测2018年2018年学会专著(副主编)术2019年研究2021年Dr.XiaoshengPeSEEE@HUST想世2以电机工程学会专题技术报告时间时间特点应用苑围中国电力科学研究院有限公司吉林、江苏江等全国23个省区行独立分析患换北京国能日新系统性制技术有限公司山西、广西、风电场可根据当地实际情况选择一神效果好的算法模型务中心湖北九宫山菜统果用SVM、ANN、自适应最小二乘法等中国气歌局公共限务中心北京、南京S基于数据挖掘与深度学习的新能源功率预测功率预测的现状我国新能源场站日前功率预测的RMSE大部分在1电场的误差低3-5%。20%,整个德国风电场集群的日前功率预测RMSE可以降低至5-6.5%。丹麦对全国所有新能源的日前功率预测的RMSE在3~4%左右。时间特点应用范图采用高分辨率有限区域换型。预测时间范围为3-36小时西班牙、丹麦、发展适用内陆和海上的风能预报系统.英国、丹变、对气数部门提供的NWP结果进行空间德国预测菜统包括两个主要换型：每5小时运行一次的天气预报素统和使用在线及历史SCADA测量数据的功牵预测菜统爱尔兰、德国、爱尔兰、英国、功率预测的难点基于数据挖掘与深度学习的新能源功率预测数据层——基于数据挖掘的训练样本自适应选择数据范围：2014.01.01-12.31历史数据：前240天的数据；验证数据：后120天的数据；的样本训练预测模型?输入数据：风速、风向、历史功率输出数据：集群出力识电识电0创新方法NwL0创新方法NwL后半段后半段β为0时，预则精度最度最低w功率调节系数βw功率调节系数β33价,价,个历-反映历史测量功率在匹配距离和个历-该方法发表在IEEETransactionsonIndustry问旦页如何从海量的特征中选取与新能源功√新能源场群整体的统计特征√问旦页如何从海量的特征中选取与新能源功√新能源场群整体的统计特征√频域分解特征中的低频特征创新方法√预测时间尺度不同时，最优特S基于数据挖掘与深度学习的新能源功率预测特征层——风电集群短期功率预测特征构建与寻优—基于浮动搜索法的特征自适应选择特以下特征可以提升预测精度：率高度相关的特征?以下特征可以提升预测精度：√风力机轮毂高度风速analysisofselectedso-Stp4:Featurevilslity,verifrationf采用SFFS采用SFFS进行特征选择，效果在总体上好于现有GA、mRMR算法。BLSTM模型的预测效果在总体上优于LSTM构建了适用于不同天气过程的深度学习模型自适应选择框架，为每个待预测日构建了适用于不同天气过程的深度学习模型自适应选择框架，为每个待预测日自动选基于数据挖掘与深度学习的新能源功率预测问问题创新方法创新方法如何选择适用于不同天气过程的深度学习预测模型?风读2程区配3模型适用性评怙1构造眉和倦眉和倦CNN平]卷全性撑层池化常规集成模型多重集成方法第五次集成的最低，达到了常规集成模型多重集成方法第五次集成的最低，达到了0.2148,相比单次集成下降了0.0095,下降4.23%S基于数据挖掘与深度学习的新能源功率预测>方法层——基于多重集成深度学习的风电集群短期功率预测问题问题模型互补?p*onup*onu创新方法j'ans训练集→18,480测试集→7728训练集→18,480测试集→7728能有效提升预测精度，5重集成提解测步累3:夏送性查医电燃本步蜀4:解测步累3:夏送性查医电燃本步蜀4:步骤5:S基于数据挖掘与深度学习的新能源功率预测创新效果方法层——基于迁移学习的新建风电场短期功率预测创新效果所提方法的预测功率更接近实际值；8/24/96小时六层迁移的RMSE下降和5.57%;本本步紧1:对照组2:数据充分的情况创新方法创新方法所提数据迁移、模型迁移的迁移学习方法，能实现有效功所提数据迁移、模型迁移的迁移学习方法，能实现有效功3.将各组相似水平样本训练的网络权值逐层迁移。率预测，预测精度与数据充足新能源场站处于同一水平。解题思路解题思路基于数据挖掘与深度学习的新能源功率预测面向极端天气的新能源功率预测方法问题问题工技术学会新媒体平台发布基于数据挖抵的极端天气过程辨识与提取菇基于GAN、迁移学习的极喘天气事件样本扩充基于高维特征提取的极端天气演化规律分析1律1可精准感知事态的新能源功率预测人工智能黑箱准预测数据 极绪天气稀少本化特征又气数笔影响映射史象历与集特征尺帮求S基于数据挖掘与深度学习的新能源功率预测核心方法总结后续工作展望S基于数据挖掘与深度学习的新能源功率预测高精度的预测即为人工智能，第二层感知智能——展望2060年的新能源功率预测系统当前每天能预测2次；2060年能否每小时预测2次?年能否每小时预测2次?达到100米*100米级?当前场站日前精度85%;2060年能否到95%?2060年能否到95%?测；2060年能否对极端事基于数据挖掘与深度学习的新能源功率预测三、基于先进人工智能方法的电力设备状态监测技术学会新媒体平台发布S基于先进人工智能方法的电力设备状态监测单一电力设备故障，可能诱发连锁故障，威胁电网安全，而电力设备状态监测是有效应对措施之一。电力设备状态监测的重要性电力设备状态监测的重要性状态监测的目的在于及时发现设备的各种劣化过程的发展，以求在可能出现故障或性能下降到影响正常工作之前，及时维修、更换，避免发生危及安全的事故。建设了67根电缆、130多个传感器监测系统，发现数据庞大。挑战1:挑战1:如何处理状态监测每天产生的高达10000G的大数据?需要一个智能化的算法，自动处理这些监测大数据。不间断的状态监测会产生大量的原始监测数据，是一种大数据。67根电缆监测：三峡机组，单机容量70万干瓦一台机组，并列，带负荷，点亮一座城!挑战2:挑战2:如何实现状态监测中100%识别精度?状态监测系统通过对信号分析、识别，对电力设备进行状态评估假设已达到99%识别精度，67根电缆每误报警的次数：6*24*67*1%=96次/天报2|P录S基于先进人工智能方法的电力设备状态监测状态监测难度最大、技术门槛最高的监测参数一局部放电，是反映绝缘状态最敏感的特征量之一，是电力设备状态监测的重要参数。局部放电(PartialDischarge):局放监测的难点与挑战，需要100%的识别精度!√PD信号是指因局部绝缘劣化导致的正负电荷中和产生的小火花√广泛存在于变压器，发电机，电缆，断路器等电力设备中√是反映绝缘状态最敏感的特征量之一√既是绝缘劣化的原因√又是绝缘劣化的重要表现形式因此在电力设备的监测中得到了广泛的应用难点1:局放和干扰的识别。从强噪音环境中提取微弱信号是高压电缆局放监测最大的难点，也是制约其大范围应用的最重要因素。难点2:不同类型局部放电的高精度识别是高压电缆局部放电在线监测亟需突破的关键问题之一。2015年2017年2017年2015年2017年2017年2021年项目:lectrir1300万项目509万项目团队在英国和中国20多个项目的支持下针对局放监测问题开展了十余年的研究。2011年2013年2015年2017年2019年2021年2010年2012年2014年2016年2020年2010年TomessNuclearPower2014年目大数据在电力金2021年电在线保量能技术中心500万创新方法S基于先进人工智能方法的电力设备状态监测创新方法数据层——海量局放样本的获取问题问题获取有效局放样本?he?dnor心见：作月世免32(’(’电缆绝缘诊断的判据之一：局放脉冲幅创新方法创新方法2…7寻优后的特征能够很好地刻画干扰信号的特征，组别编号越高，特征重要性越高分泪情号分泪情号等效叶间长度特征层——局放特征构建与优选通过构建局放多维特征，共得到1235个特征参数，其中一维特征有34个，二维特征有119个，三维特征有1082个。局放和干扰的有效特征?谦原1碧谦原1碧创新方法维度1类型1类型2类型3类型5F混杂的不同类型的局放信号给局放的混杂的不同类型的局放信号给局放的触发触发数居不同激活函网络寻优大型发电机局放监测，如何对高相似局放类型进行模式识别?管联风平卷序大型发电机局放监测，如何对高相似局放类型进行模式识别?管联风平卷序测试教杂月数为确鼻伏象前园不商发的面数底深到出深应全城失_a被化形OceeLaN换器到出不同常的通电以剂M厚本到出优化画马快领型训热地肉集数到出南集梁陷构建了新的特征参数，并采用了GoogLeNet深度学习模式识别方法，总体识别精度高达99.47%。000020000010等0023(a)精家电60二塔大里115F创新方法创新方法000000基于GoogLeNet的模式识别方法软件系统软件系统S基于先进人工智能方法的电力设备状态监测应用层——局部放电的工业应用开发了局放监测的软件和硬件系统。该局放检测系统能检测高压电力设备潜在故障、提升供电可靠性，确保供电安全，适用于发电东方电机等发电厂和电力公司得到广泛的应用，具有广阔的应用推广价值。高压电缆局部放电监测系统软件主界面高压电缆局部放电监测系统软件主界面硬件系统硬件系统HUST-PDExper