新型电力系统中人工智能应用与扩展

交通大新型电力系统中人工智能应用与扩展艾芊教授上海交通大学上海交通大学SHANGHAI HAOTONGLNEVERSHIY目录上海交通大学FAIOTONGUNTIRST人工智能简介人工智能模型人工智能在电力系统中的应用人工智能延伸现代电力系统发展态势上海夫通大学数字化一信息化一智能化兼容开放系统扁平多能源接入地位平等多利益主体中力市广泛参与多类型负荷控制均散边界模糊供需分散源荷互转分布式能源交直联分布式储能养面复杂需求健响应电力系统特性演变及相关思考[R]，郭剑波院士①数据成本持续走低②模型愈加复杂 数据驱动or数据流价值挖掘上海走通大学人工智能的概念及发展史新一代人工智能是建立在大数据基础上，受脑科学启发的类脑智能机理综合起来的理论、技术方法形成的智能系统。Bawqttestoith ConferencebyLLIZAWtMeCartFIEAC与之前的人工智能相比新一代人工智能技术是dalnetape以高性能计算、大数据以及机器学习、深度学习三大技术为支撑的综合性技术。高性能计算大数据技术为人工智能提供了强大的计为人工智能提ofcnetimteasg算能力供了丰富的训练样本机器学习技术为人工智能提供了更好的学习模型及算法piorersshAl:Toshe三者合力推动了人工智能技术的重大进步目录上海交通大学FAIOTNGUNIIRST人工智能简介人工智能模型人工智能在电力系统中的应用人工智能延伸机器学习上海文通大学机器学习（machinelearning，ML）是人工智能的一个重要分支，是从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。机器人工智能迄今为止，已经提出了很多ML算法，其中一些算法得到了广泛的应用。1990年代，Vapnik和Cortes提出了支持向量机（SVM）模型，SVM在找到称为决策边界的最优超平面，将输入数据点划分为不同的类别SVM决策树（DT）具有用于决策的树状结构。它基于一系列嵌套规则来进行预测。需要找出每个决策节点的最佳特征和值，便于实现DT训练。机器学习上浴交连大学人工神经网络（ANN)受神经科学研究的启发，可以通过多层神经元来表示输入和输出之间的关系。并且非线性激活函数的引入使ANN能够拟合非线性关系。为了加速ANN的训练，Guang-BinHuang在20O4年提出极限学习机（ELM）。ELM有个隐藏层，通过随机权重和偏差与输入层相连。无需送代即可计算连接隐藏层和输出层的最佳权重，相较于基于梯度的训练方法更有效ELM概率图模型（PGM）是一种基于图表示来表达变量之间关系的概率模型贝叶斯网络和隐马尔可关模型（HMM）分别是有向和无向PGM的典型例Naive BayesHMM子，PGM将学习任务转化为计算图中节点表示的变量的概率分布机器学习上洛交连大学监督式学习，非监督学习，半监警学习在大多数ML应用场景中，无标签数据就足够输入数据有标签，则为监督式学习了，但获取标签是一个漫长且费力的过程输入数据无标签，则为非监督学习输入数据部分有标签，部分无标签，则为半监警学习因此可以采用主动学习、迁移学习主动学习是半监督学习的一种形式其中学习算法可以主动向用户/教师（通常称为oracle）香询标签，旨在获得与使用完全监督数据集相似（或更高的性能选定的标记数据成员查追合成基于流的选择性采样和基干池的采AetiveLearning样是主动学习的三种典型设置，其中基于池的采样最为常用对于标记样本不足的问题迁移学习（TL）旨在使用从另一个相关问可题中学到的知识来训练新任务的模型根据传输的内容大致可以分为基于实例的方法、基于特征的方法、基于关系的方法和基于模型的方法四个类别TransferLearming深度学习上活天是大学深度学习（DLI是机器学习的一类旨在直接处理高维输入数据并为任务构建端到端模型与传统的浅层MLANN相比，深层神经网络（DNN）具有更多的隐藏层，这使DL具有更强大的表示复杂关系的能力然而如果没有适当的初始权重，使用反向传播算法训练DNN是不可行的，真到2006年Hinton等人。提出了一种使用深度信念网络（DBN）的贪婪分层预训练方法解决了这个问题，这是DL发展的一个里程碑卷积神经网络（CNN）通过多对卷积层和池化层作为过滤器的过程可以提取输入图像中不同分辨率的结构特征进行图像识别。CNNRan3盾环神经网络（RNN）常用于自然语售处理：具中长短期记忆（LSTM）是3种常用的RNN，具有用于存储根据门控机制更新的历史的记忆单元FakaGAN记忆单元试图从数据中提取远程关联，使得LSTM在处理长时间序列时表WGA现优于普通RNN。深度学习上海文通大学与前述判别模型不同， 生成模型用于通过学习现有样本来生成新样本。生成对抗网络（GAN）由Goodfellow提出，由生成器和鉴别器组成，生3成器试图从随机噪声中生成看起来像真实的假图像来欺骗鉴别器，而鉴别器试图区分由生成器生成的合成图像和从数据集中采样的真实图像，他们相互竞意争直到在训练期间达到纳什均衡GANAutoencoder（AE）是一种无监督方法，由两个神经网络组成，分别作为编码器和解码器。编码器将输入压缩成较低维度的代码，解码器需要使用代码恢复输入8通过最小化输入和输出之间的差异来训练AE，以学习有效的压缩表示规则作为AE的一种变体变分自编码器VAE）引入了正则化因此输入将a被编码为大致服从潜在空间生的多光正态分布的分布这可以看作是对VAE的约束，以确保潜在空间的规律性，从而使VAE在生成过程中VAE能够产生更合理、更有意义的输出强化学习上海老足大学与需要标记训练样本的监督学习不同强化学习（RL）可以根据贝尔曼最优原则，通过智能体与环境之间的信息交互来训练智能体RL问题通常使用马尔可夫决策过程（MDP）建模，其中元素包括状态，行动策略，及奖励。Emironment+ModelEnvironmentgemAgent两类ModelVodelFraeRitiesra Ri区别在于代理是pala.s)否需要知道或学p(saians)习环境模型TrainingR(a,s)RaS)RsTraininApplicationexperichce无模型的RL基于模型的RL无模型强化学习算法分为两类：策略优化和价值优化典型的基于模型的强化学习算法包括基干策略优化的RL优化参数化的策略函数具有良好的稳定性MBMFAlphaZero和WorldModels等和可信度，其中典型的算法包括A2C/A3C、PPO、TRPO等而基于值优化的RL优化对应于状态动作对的值，典型的算法有QLearning、DQNC51等。联邦学习上海文通大学联邦学习是一种分布式机器学习框架，在保证数据隐私安全及合法合规基础上，实现多主体共同建模根据各参与方数据特征及样本空间的不同，联邦学习分为横向联邦学习，纵向联邦学习联邦迁移学习蓝于联邦学孕的模型横向联邦学习特征空间相同，样本不同其中x为特征（feature）为标签（hahel）1为样本（ple）D为参与方：的数据纵向联邦学习orker!Warker特征空间不同，样本重费实于传依方法的模型调RERSSM联邦迁移学习特征空间不同，样本不同xyy手VD.WockerWorketiWorkerNTrQ