近年来人工智能技术取得重大突破，生成式大模型的诞生标志着AI技术进入新阶段，同时也给传统行业新一轮发展带来契机。
当前，电力系统建设目标是全面建成新型电力系统，面临着高比例新能源、大量新型多元负荷类型以及海量电力电子装备接入的挑战。新型电力系统将面临系统规模指数级增大、海量数据待采集分析，新能源新负荷高随机波动，系统安全机理愈加复杂，发输配用电各环节主体深度协作、高时效性优化决策困难巨大等诸多问题，人工智能技术的突破提供了新的解题思路。
基于知识—数据融合驱动和生成式大模型的电力人工智能技术，通过整合海量数据和电力行业专业知识，利用大模型技术的自主学习能力，为电力系统的科研、制造、建设、生产、运营及管理的全产业链提供智能化工具，为实现新型电力系统建设提供了有力支撑。
人工智能技术应用于电力系统面临的挑战
人工智能技术正处于高速发展的阶段，在数据方面，数据质量和样本缺失严重影响人工智能模型的泛化能力；在保障数据隐私前提下有效共享利用数据也是发展面临的重要问题。在算力方面，复杂模型训练和推理过程对算力需求巨大；随着模型规模和复杂性增加，高效分配和利用算力资源成为迫切需要解决的问题；高性能算力芯片国产化需要提升。在算法方面，深度学习算法可解释性不足，不利于模型决策过程的理解；人工智能模型受限于训练数据，模型泛化能力弱，导致模型决策出现偏见和不平衡性，难以保障决策的安全性。
受限于人工智能技术现阶段水平，以及新型电力系统建设进程，在电力人工智能技术中，电力系统数据样本的采集辨识面临以下问题：一是电力系统模型理论研究有待深入，相关数据样本与模型关联作用机理不清晰；二是故障状态等稀缺样本难以获取，导致模型在特殊专业场景的应用受限；三是海量设备多类型数据难以有效对齐各模态数据特征，构建多模态样本集困难，限制了模型效果的进一步提升；四是智能传感器、物联网、区块链等技术还需深度融合，构建电力信息物理融合系统，提升电力系统不同场景下的迁移泛化能力。
电力算力应用基础目前面临以下挑战：一是电力终端部署大模型的算力需求高于目前芯片算力水平；二是高算力芯片多为商业芯片，难以满足电力边缘部署等工业应用场景，可靠性不足；三是高算力芯片主要依赖英伟达等国外进口产品，国产化程度不足。
人工智能算法在电力分析决策领域的应用需要面对双高特性新型电力系统分析涉及的大量高维矩阵、代数微分方程组，以及非凸优化求解等。第三代人工智能的知识—数据驱动算法，虽然依托数据驱动算法解决了大规模计算的问题，但是算法效果依赖于样本数量和质量，同时对算力要求高，面临落地应用的技术瓶颈；算法模型融合了电力知识与经验，在一定程度上增强了模型可解释性，但面对高可靠性要求场景，尚不能确保决策安全。
人工智能技术应用于电力系统的突破方向
针对目前数据有限性和模型可解释性带来的问题，可以通过人工智能算法理论层面和电力人工智能工程解决方案两种路线解决。
人工智能算法理论突破可以从两方面开展：一是改善深度连接类“黑箱模型”的可解释性，包含三种方法，分别是输入特征可解释性增强、特征指标相关性与重要性分析和神经网络中可解释性符号规则抽取；二是通过引入数据、模型和参数这三类先验知识来解决小样本学习问题，其中引入数据方法已有应用尝试，引入模型或参数的方法探索成果较少。
电力人工智能工程解决方案有三种机制：一是研究数据与知识融合驱动机制，在模型的构建、训练或决策过程中，加入电力系统先验知识，在科学理论和专家经验的指导下平衡模型的解释性与精确度，并通过数据驱动提升知识模型的不确定性建模与参数修正能力。该机制已在系统稳定评估、健康指数评估、优化调度等领域开展了初步探索。二是研究电力系统的数字孪生平行互动机制，形成多时间尺度、多层级、动态更新的准实时映射电力系统。通过大量模拟、试验、计算及趋势预测，为电力人工智能模型提供了海量数据生成与评估环境；并通过孪生系统汇总电力人工智能模型的分析与决策结果，对物理系统进行反馈控制与趋优引导。三是研究模型进化趋优机制，借鉴脑机融合智能等技术构建电力人工智能算法自主学习架构，依托电力数字孪生系统，持续更新电力人工智能模型并逐步积累经验知识，实现模型的在线更新与终身学习。
（作者：卢婷 韩一杰，单位：国家能源集团技术经济研究院）
上一篇：无
