中國(guó)儲(chǔ)能網(wǎng)訊：如何分辨一幅畫作是人類還是人工智能（AI）繪制的？近期，人工智能繪畫工具引發(fā)關(guān)注。只需要簡(jiǎn)單輸入自己的想法，描繪一個(gè)場(chǎng)景或事件，AI便會(huì)生成畫作。畫作的色彩和意境都令人驚艷，但仔細(xì)觀察一些可以被量化的細(xì)節(jié)，AI作畫的缺陷便一目了然。例如，在Dall-E2模型所繪制的畫中，由于AI并不能精確地掌握人物的手指、眼睛、人物所處背景中欄桿的間隔等細(xì)節(jié)元素，“四指或六指狂魔”的情況頻現(xiàn)。這也顯示了機(jī)器學(xué)習(xí)的局限：缺少對(duì)于物理模型與邏輯推導(dǎo)的理解，算力和代表性數(shù)據(jù)尚不充足，只是通過(guò)簡(jiǎn)單的數(shù)據(jù)訓(xùn)練，本質(zhì)上是對(duì)所收集數(shù)據(jù)進(jìn)行重組整合。
1956年，在達(dá)特茅斯會(huì)議上誕生了“人工智能”這一概念，其后六十多年，以深度學(xué)習(xí)為主要標(biāo)志的人工智能在美國(guó)迅速崛起。斯坦福大學(xué)、哈佛大學(xué)計(jì)算機(jī)科學(xué)實(shí)驗(yàn)室、普林斯頓大學(xué)人工智能實(shí)驗(yàn)室等人工智能研究機(jī)構(gòu)陸續(xù)出現(xiàn)，谷歌、微軟、臉書、亞馬遜等科技公司也將其作為重要的發(fā)展戰(zhàn)略。2021年，美國(guó)人工智能國(guó)家安全委員會(huì)（NSCAI）向總統(tǒng)和國(guó)會(huì)遞交最終版本的報(bào)告，“推進(jìn)人工智能、機(jī)器學(xué)習(xí)和相關(guān)技術(shù)的發(fā)展以全面解決美國(guó)國(guó)家安全和國(guó)防需求”。
近年來(lái)，美國(guó)電力行業(yè)借助人工智能開(kāi)展了一系列研究與實(shí)踐，但尚處于起步階段，在人工智能技術(shù)應(yīng)用范圍和模型選擇方面均有發(fā)展空間。
應(yīng)用雖多，但尚處起步階段
目前，人工智能技術(shù)在美國(guó)電力系統(tǒng)的主流應(yīng)用有六個(gè)方面：狀態(tài)估計(jì)、潮流計(jì)算、電壓與頻率控制、故障識(shí)別、系統(tǒng)預(yù)測(cè)和市場(chǎng)分析。
使用人工智能采集數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行狀態(tài)估計(jì)是早期數(shù)據(jù)分析在電力領(lǐng)域的運(yùn)用。調(diào)度人員若想掌握調(diào)度管轄范圍內(nèi)系統(tǒng)的運(yùn)行情況，需要先采集實(shí)時(shí)量測(cè)信息等數(shù)據(jù)，再將相關(guān)數(shù)據(jù)傳輸?shù)秸{(diào)度中心進(jìn)行分析，通過(guò)人工智能對(duì)大量的實(shí)時(shí)數(shù)據(jù)進(jìn)行預(yù)處理、篩選，再利用數(shù)學(xué)方法進(jìn)行推算，反映電力系統(tǒng)的運(yùn)行狀況。
過(guò)去十年，美國(guó)電力行業(yè)對(duì)最優(yōu)潮流計(jì)算展開(kāi)了一系列研究，如通過(guò)模型計(jì)算交流輸電系統(tǒng)如何獲得最優(yōu)電壓、角度和電流等，但大多屬于探索，缺乏真正的落地應(yīng)用。原因在于，雖然用人工智能做預(yù)加速、提前篩選約束，可以加快計(jì)算的速度，但同時(shí)，需要犧牲預(yù)測(cè)的準(zhǔn)確性。也就是說(shuō)，人工智能可以提高計(jì)算速度，但其結(jié)果也許不如通過(guò)純物理模型計(jì)算的結(jié)果那么精準(zhǔn)。
傳統(tǒng)電力系統(tǒng)依靠發(fā)電機(jī)的慣性來(lái)保障電力系統(tǒng)穩(wěn)定運(yùn)行，但當(dāng)系統(tǒng)接入更多的風(fēng)能、太陽(yáng)能等新能源發(fā)電裝置時(shí)，為了保持電網(wǎng)頻率的穩(wěn)定，就必須要對(duì)電力電子設(shè)備接入電網(wǎng)進(jìn)行調(diào)節(jié)，人工智能可以在電壓和頻率控制方面發(fā)揮更大的作用。在這一領(lǐng)域，美國(guó)在強(qiáng)化學(xué)習(xí)與決策策略方面做了較多研究。
人工智能參與系統(tǒng)預(yù)測(cè)的應(yīng)用在美國(guó)較為廣泛，包括對(duì)風(fēng)力發(fā)電的預(yù)測(cè)、太陽(yáng)能發(fā)電的預(yù)測(cè)和對(duì)負(fù)荷進(jìn)行預(yù)測(cè)。在負(fù)荷預(yù)測(cè)中，一種較為廣泛的應(yīng)用是利用高頻率的特征值識(shí)別家用電器的用電量，這種負(fù)荷預(yù)測(cè)的模型和金融預(yù)測(cè)的模型是共通的。
除了以上四點(diǎn)，人工智能還可以根據(jù)采集的信號(hào)數(shù)據(jù)，通過(guò)小樣本技術(shù)進(jìn)行分析，對(duì)系統(tǒng)故障進(jìn)行定性定位。
此外，美國(guó)電力市場(chǎng)還利用人工智能開(kāi)展價(jià)格預(yù)測(cè)研究，通過(guò)強(qiáng)化學(xué)習(xí)模擬市場(chǎng)博弈活動(dòng)，對(duì)市場(chǎng)平衡進(jìn)行分析，并對(duì)新型市場(chǎng)設(shè)計(jì)進(jìn)行評(píng)估，但這方面研究尚處于起步階段。
電網(wǎng)側(cè)要儲(chǔ)能，更要AI輔助
在美國(guó)，儲(chǔ)能對(duì)電網(wǎng)的重要性也越來(lái)越突出。
根據(jù)美國(guó)能源信息管理署（EIA）日前發(fā)布的一份調(diào)查報(bào)告，2022年美國(guó)部署的電池儲(chǔ)能系統(tǒng)裝機(jī)容量約為8.8吉瓦，預(yù)計(jì)到2023年美國(guó)將部署9.4吉瓦儲(chǔ)能系統(tǒng)。美國(guó)大約41%的新增太陽(yáng)能發(fā)電設(shè)施將部署在加利福尼亞州和得克薩斯州，大約71%新增電池儲(chǔ)能系統(tǒng)也將部署在這兩個(gè)州。
以加利福尼亞州為例，目前其擁有近5吉瓦儲(chǔ)能裝機(jī)，容量接近加州電力系統(tǒng)總?cè)萘康牧种?。電網(wǎng)儲(chǔ)能必須依靠人工智能的輔助，才能更有效地參與電力系統(tǒng)運(yùn)行與電力市場(chǎng)交易。
加州的儲(chǔ)能系統(tǒng)已經(jīng)開(kāi)始使用機(jī)器學(xué)習(xí)等人工智能技術(shù)來(lái)設(shè)定市場(chǎng)參與策略。具體來(lái)看，就是對(duì)價(jià)格進(jìn)行預(yù)測(cè)時(shí)，通過(guò)人工智能對(duì)價(jià)格進(jìn)行預(yù)測(cè)生成市場(chǎng)競(jìng)價(jià)單，明確“什么價(jià)錢想賣，什么價(jià)錢想買”。這和買賣股票很類似，只是在運(yùn)用到儲(chǔ)能領(lǐng)域時(shí)需考慮電池使用時(shí)間或容量限制，這些約束也極大的增加了預(yù)測(cè)難度。
對(duì)于能源公司而言，必須要運(yùn)用人工智能對(duì)儲(chǔ)能市場(chǎng)化策略進(jìn)行優(yōu)化。原因在于，雖然美國(guó)電力系統(tǒng)是在電力調(diào)度基礎(chǔ)上疊加了市場(chǎng)模型，但仍然是以傳統(tǒng)電力系統(tǒng)為基礎(chǔ)進(jìn)行調(diào)度布局。這種基于火電的調(diào)度系統(tǒng)，難以很好地發(fā)揮儲(chǔ)能的作用。當(dāng)前，儲(chǔ)能裝機(jī)容量在整體裝機(jī)容量中的比重越來(lái)越大，業(yè)界期待其能發(fā)揮更大的作用。只有借助人工智能增強(qiáng)實(shí)時(shí)預(yù)測(cè)能力，才能讓儲(chǔ)能在調(diào)度系統(tǒng)里更好地實(shí)現(xiàn)“削峰填谷”。
除了在電網(wǎng)側(cè)儲(chǔ)能方面發(fā)揮作用，人工智能在儲(chǔ)能領(lǐng)域的另一項(xiàng)應(yīng)用就是電池管理，即對(duì)電池的電量，阻抗，與溫度狀態(tài)進(jìn)行診斷，對(duì)電池老化情況進(jìn)行預(yù)測(cè)，這將有助于提升儲(chǔ)能系統(tǒng)的安全性和經(jīng)濟(jì)性。
與垂直領(lǐng)域融合，
向混合物理模型進(jìn)發(fā)
電力系統(tǒng)對(duì)人工智能的可靠性要求高，但因神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜，有價(jià)值、有代表性的訓(xùn)練數(shù)據(jù)較少，加上數(shù)據(jù)重復(fù)性較高，系統(tǒng)很難進(jìn)行準(zhǔn)確預(yù)測(cè)。此外，電源管理單元可以生成大量數(shù)據(jù)，但數(shù)據(jù)內(nèi)嵌在物理構(gòu)造里，這導(dǎo)致很多數(shù)據(jù)都是重復(fù)性的，難以像生成文本或者繪畫創(chuàng)作那樣，通過(guò)大量數(shù)據(jù)進(jìn)行倒逼性訓(xùn)練。同時(shí)，電力系統(tǒng)運(yùn)行的節(jié)點(diǎn)不同，每個(gè)發(fā)電機(jī)組也不同，加上季節(jié)、負(fù)載等因素，系統(tǒng)數(shù)據(jù)的差異性較大，很難開(kāi)展重復(fù)性訓(xùn)練。這就造成一個(gè)結(jié)果：基于單一的物理模型的人工智能缺乏邏輯。
隨著人工智能與更多垂直領(lǐng)域融合，其模型創(chuàng)新升級(jí)的步伐會(huì)不斷加快，混合物理模型的人工智能將出現(xiàn)在電力系統(tǒng)中，通過(guò)以下三方面應(yīng)用發(fā)揮作用：
一是利用物理模型進(jìn)行數(shù)據(jù)預(yù)處理，降低機(jī)器學(xué)習(xí)對(duì)數(shù)據(jù)的要求或者對(duì)準(zhǔn)確性的要求，以便后續(xù)工作的對(duì)接。比如在潮流計(jì)算中，利用拉格朗日松弛來(lái)用神經(jīng)網(wǎng)絡(luò)直接預(yù)測(cè)電網(wǎng)潮流約束的對(duì)偶值，從而倒推最優(yōu)潮流。
二是在訓(xùn)練目標(biāo)函數(shù)里內(nèi)嵌應(yīng)用目標(biāo)。這是人工智能參與電力系統(tǒng)運(yùn)行更關(guān)鍵的一步。在訓(xùn)練人工智能做負(fù)荷預(yù)測(cè)時(shí)，不應(yīng)僅強(qiáng)調(diào)保證負(fù)荷的準(zhǔn)確度，還要強(qiáng)調(diào)計(jì)算負(fù)荷誤差對(duì)系統(tǒng)調(diào)度的影響。
三是在神經(jīng)網(wǎng)絡(luò)中內(nèi)嵌物理模型函數(shù)。如此一來(lái)，只需要掌握部分現(xiàn)象的大致物理模型，就可以將其內(nèi)嵌到神經(jīng)網(wǎng)絡(luò)里，作為神經(jīng)網(wǎng)絡(luò)中的一層，利用人工智能讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)計(jì)算出其參數(shù)。除了電力系統(tǒng)，這個(gè)方向的應(yīng)用成果還可以在其他領(lǐng)域發(fā)揮作用，比如氣候建?；蛘呶锢斫５阮I(lǐng)域。
（作者系美國(guó)哥倫比亞大學(xué)地球與環(huán)境工程系和電子工程系助理教授）
