【《人工智能在电力行业中的应用分析的国内外文献综述》2700字】

人工智能在电力行业中的应用研究的国内外文献综述1.1人工智能发展历史及现状人工智能（ArtificialIntelligence）从二十世纪五十年代初至今已经历过三个时期。二十世纪五十年代初至七十年代为人工智能的推理期，这一阶段人们运用基于符号知识表示的演绎推理技术；二十世纪七十年代中期到八十年代称为知识期，该阶段人们基于符号知识，通过获取和利用领域知识来建立专家系统；八十年代后统称为学习期，这一阶段主流技术分为两大类，分别是符号主义学习和基于神经网络的连接主义学习。整体发展如表1-1所示：表1-1人工智能发展阶段发展阶段时间时期特点代表事件第一阶段1956-1980推理期，符号计算第一台传感器机器人第二阶段1980-1990知识期，建立诊断系统BP神经网络第三阶段1990-至今深度学习AlphaGo夺得冠军20世纪50年代末，在MP模型和Hebb学习规则的研究基础上，美国科学家罗森布拉特发现了一种类似于人类学习过程的学习算法——感知机学习。并于1958年，正式提出了由两层神经元组成的神经网络，称为“感知器”。感知器本质上是一种线性模型，可以对输入的训练集数据进行二分类，且能够在训练集中自动更新权值。感知器的提出吸引了大量科学家对人工神经网络研究的兴趣，对神经网络的发展具有里程碑式的意义。2006年，杰弗里·辛顿以及他的学生鲁斯兰·萨拉赫丁诺夫正式提出了深度学习的概念。他们在世界顶级学术期刊《科学》发表的一篇文章中详细的给出了“梯度消失”问题的解决方案：通过无监督的学习方法逐层训练算法，再使用有监督的反向传播算法进行调优。该深度学习方法的提出，立即在学术圈引起了巨大的反响，以斯坦福大学、多伦多大学为代表的众多世界知名高校纷纷投入巨大的人力、财力进行深度学习领域的相关研究，而后又在迅速蔓延到工业界中。2012年，在著名的ImageNet图像识别大赛中，杰弗里·辛顿领导的小组采用深度学习模型Alex-Net一举夺冠。Alex-Net采用了Relu激活函数，该激活函数从根本上解决了梯度消失问题，并通过GPU极大的提高了模型的运算速度。同年，由斯坦福大学著名的吴恩达教授和世界顶尖计算机专家JeffDean共同主导的深度神经网络—DNN技术在图像识别领域取得了惊人的成绩，在ImageNet评测中成功的把错误率从26％降低到了15％。深度学习算法在世界大赛的脱颖而出，也再一次吸引了学术界和工业界对于深度学习领域的关注。随着深度学习技术的不断进步以及数据处理能力的不断提升，2014年，Facebook基于深度学习技术的Deep-Face项目，在人脸识别方面的准确率已经能达到97%以上，跟人类识别的准确率几乎没有差别。这样的结果也再一次证明了深度学习算法在问题识别方面的明显优势。1.2人工智能在电力行业中的应用目前，人工智能正在与电力行业的各种领域逐步融合，根据当前电网的运行特色和不足之处。通过机器学习，计算机视觉，智能化传感器、无人机和专业机器人等通用的人工智能技术。从电力系统稳定运行，未来电力负荷预测调度，新能源并网，电网的设备资产管理等多方面提出针对性解决方案。（1）人工智能在电力系统稳定运行的应用在维护电力系统稳定运行方面，学者提出了一种利用深度学习对电网急切进行控制的算法，该模型基于卷积网络和深度学习，提高模型的特征提取能力和策略能力提升切机时决策的可执行度。该算法的优势在于可以根据现场运行的环境信息来实行控制决策。文献[2]构建了一种基于随机森林的电力系统稳定评估方案，一通过故障的切除时刻系统中物理量作为输入量，生成的模型相交于传统神经网络训练速度更快，参数更简单，具有更好的泛化能力。（2）人工智能在电力负荷预测方面的应用在电力负荷预测方面，很多学者提出了基于支持向量机的模型负荷预测的模型[23]。文献[24]提出了一种基于LSTM网络的模型预测结构，可以在参考电力设备损耗数据的情况下完成电力负荷预测。文献[]将CNN网络与长短周期网络相结合，通过卷积层提取负荷数据的局部特征，结合长短周期网络的时序特征。不仅解决了之前模型在输入特征受限下的低精度预测问题，也较大提高了模型预测精度和模型的训练速度。（3）人工智能在新能源方向的应用在新能源发电方面，机器学习正迅速成为风速和功率预测的常用技术。对于风力发电中无法准确预测风速的问题，文献[]提出了一种利用机器学习架构的解决方法。该模型通过自动编码风速数据实现了短期风速预测。为同时提取时域和频域的特征数据，文献[]通过将小波分解法、变分模态分解、长短记忆网络以及注意力机制多个模型结合，提出了一种多输入多输出的编码多步预测模型。文献[]针对数据集的特征输入处理错误导致预测误差的非线性方面，建立了一个复合型模型，模型通过使用自回复综合移动平均模型来进行风速的初始预测。相比于传统的神经网络或者循环网络，该模型预测误差降低了近5%。目前电网的整体数据平台已经建成，而基于人工智能和深度学习的模型框架也已经在电网现场的方方面面得到了实践应用并取得了显著的效果。随着电网结构的改变和国家新能源战略的提出，国家电网和南方电网公司为响应国家号召和自身改革需要，一同研究未来人工智能技术在电网中的应用前景和方向，而随着计算机行业的高速发展，未来人工智能将从更多角度影响传统电力行业，进行新一波的电力改革。参考文献孙建锋，葛睿，郑力，等.2010年国家电网安全运行情况分析[J].中国电力,2011,44(5):1-4.李睿，曹顺安，盛凯.基于BP神经网络的多参数关联变压器油击穿电压的预测研究[J].四川电力技术,2008,44(5):342-346.LiaoR,ZhengH,GrzybowskiS,etal.Particleswarmoptimization-leastsquaressupportvectorregressionbasedforecastingmodelondissolvedgasesinoil-filledpowertransformers[J].ElectricPowerSystemsResearch,2011,81(12):2074-2080.唐勇波，丰娟.KTA-SVM的变压器油中溶解气体浓度预测[J].控制工程,2017,24(11):2263-2267.唐勇波，桂卫华，彭涛，等.基于互信息变量选择的变压器油中溶解气体浓度预测[J].仪器仪表学报,2013,34(7):1492-1498.毛自娟.基于灰色马尔可夫模型的变压器油中溶解气体体积分数预测[J].高压电器,2012,48(9):47-49.GhunemRA,AssalehK,El-HagAH.Artificialneuralnetworkswithstepwiseregressionforpredictingtransformeroilfurancontent[J].IEEETransactionsonDielectricsandElectricalInsulation,2012,19(2).赵文清,朱永利,张小奇.基于改进型灰色理论的变压器油中溶解气体预测模型[J].电力自动化设备,2008,28(9):23-26.王有元,廖瑞金,孙才新,等.变压器油中溶解气体浓度灰色预测模型的改进[J].高电压技术,2003,29(4):24-26.肖燕彩.用改进的灰色多变量模型预测变压器油中溶解气体的浓度[J].电网技术,2006,30(10):86-89.肖燕彩，陈秀海.用灰色多变量模型预测变压器油中气体的方法[J].高电压技术,2007,33(8):98-101.肖怀硕，李清泉，施亚林，等.灰色理论-变分模态分解和NSGA-II优化的支持向量机在变压器油中气体预测中的应用[J].中国电机工程学报，2017,37(12):3643-3653.杨廷方，刘沛，李浙，等.应用新型多方法组合预测模型估计变压器油中溶解气体浓度[J].中国电机工程学报,2008,28(31):108-113.[刘航,王有元,梁玄鸿,etal.基于多因素的变压器油中溶解气体体积分数预测方法[J].高电压技术,2018,44(4):1114-1121.周湶，孙超，廖瑞金，等.基于云理论的变压器