基于人工智能的电力电子变换器开路故障诊断研究综述

电力电子变换器已被广泛应用于航空航天系统、直流输电、分布式能源和智能电网等领域,其可靠性问题成为学术界和工业界的研究热点。开展对电力电子变换器开路故障监测与智能诊断方法研究,对避免二次故障、降低运维时间与成本和提高电力电子系统可靠性具有重要意义。文章首先对电力电子变换器故障特征进行分析与总结,然后对特定基于人工智能(artificial intelligence,AI)技术的电力电子变换器开路故障诊断方法及应用实例综述,随后提出一种基于随机森林与瞬时故障特征相结合的故障诊断方法用于三相电力电子变换器故障诊断,最后提出基于AI的电力电子变换器开路故障诊断方法面临的挑战,并展望该领域未来的研究方向。     

人工智能在电力系统中的技术研究与应用

<正>人工智能(artificial intelligence,AI)是指利用计算机来模拟人类的某些思维过程和智能行为,如学习、推理、思考、规划等,实现计算机的高层次应用。近年来,电网中出现的各种新情况,包括互联电网规模的日益增大、高比例新能源接入、电力负荷的多样化等,对电力系统的规划、调控、运行、分析提出了新的挑战。同时,各类人工智能技术,如数据挖掘、机器学习、智能算法、专家系统等在数据解析度、学习力和计算力方面有很大突破,为解决电力系统面临的新问题提供了新的手段,得到了广泛的研究与应用。     

电力人工智能技术理论基础与发展展望(一)：假设分析与应用范式

人工智能(artificial intelligence,AI)正在成为构建“双碳”目标下新型电力系统的重要支撑技术。当前,人工智能在电力行业不同场景应用过程中表现出了不同的适用性与性能水平,这既源于人工智能算法本身的基础假设与固有局限,也源于电力系统不同应用场景的需求。针对以上问题,总结提出4种电力人工智能应用范式,即深度连接、符号知识、行为强化与集成智能,分析其核心算法的基础假设及因假设所带来的局限,匹配适用的电力应用场景特征与需求,并梳理目前性能表现较好的具体算法及相应技术指标。进一步,指出当前电力人工智能发展存在的共性技术瓶颈,即可信伦理、数据分布与进化迁移等。针对以上技术瓶颈,提出数据知识融合驱动机制、平行互动机制以及模型进化机制等3种解决机制。在后续文章中将详细剖析这3种机制,提出更加系统化的电力人工智能技术发展模式,以有效提升电力人工智能的自组织、自协同、自学习与自进化能力。     

“智能电网+”研究综述

智能电网SG(Smart Grid)是电力系统发展的必然趋势,其核心要义便是"智能",但目前智能水平还很低。而人工智能AI(Artificial Intelligence)技术取得了突破性进展,为SG的发展提供了重大机遇和强大支撑。为此,提出"智能电网+(Smart Grid Plus,SG+)"的概念,涵义是借助AI技术实现SG的升级版,使电网具有更高级、更深层的人工智能,从而进一步提升电网运行的安全性、经济性、可持续性。首先综述AI的研究进展,指出AI并非万能、也非无能;然后综述SG的研究进展,指出SG发展中"三高"(高比例新能源并网、高比例电力电子装置、高比例新负荷接入)和"三多"(多种能源相结合、多种网络相结合、多种主体相结合)的趋势。在回顾AI在电力行业应用的基础上,结合以深度学习为代表的第三代AI技术的发展,对深度学习等AI技术在SG适用的相关领域进行分析和展望。     

考虑新能源发电与储能装置接入的智能电网转供能力分析

可再生能源发电和新型储能系统接入电网后使得N 1重构路径的选择更为复杂,为解决此背景下智能电网转供能力的计算问题,在对二者时变运行特性分析的基础上,提出基于智能电网转供能力指标体系的N 1恢复模型,通过对转供能力指标计算公式线性化处理,并结合基于拓扑模型简化的人工智能(artificial intelligence,AI)优化算法,利用优化调整电网、可再生能源发电、新型储能系统的运行方式,实现电网N 1后转供能力最大。最后,以某实际典型电网为例,分析可再生能源发电和新型储能系统接入电网对提升系统应对N 1故障能力和实现负荷有效转移的作用,验证了转供能力指标对于定量描述智能电网自愈特性的有效性。     

人工智能技术在新能源功率预测的应用及展望EI北大核心CSCD

构建新型电力系统是实现我国“双碳”战略目标的主要举措之一,风力发电和光伏发电作为两种最具代表性的新能源,其波动性和随机性给电网安全和新能源消纳带来了重大挑战,新能源功率预测是降低其随机性影响的核心关键技术。近年来,随着大数据技术和以深度学习、强化学习为代表的新一代人工智能(artificial intelligence,AI)技术在诸多领域的成功应用,其在新能源功率预测方面的应用仍有方兴未艾之势。首先该文论述AI技术在新能源功率预测应用的理论基础,并对AI技术在风电和光伏功率预测方面的应用进行系统总结,包括数据增强和特征构建等多种数据处理技术的应用,传统机器学习算法、深度学习算法以及组合算法在模型构建方面的应用,以及进化算法、群智能优化算法、强化学习等多种智能优化算法在模型训练和超参数优化方面的应用。然后,对当前相关文献进行统计分析,并基于新能源预测大赛结果和实际预测系统调研情况,对当前学术界研究热点和趋势、产业界模型应用情况进行对比和分析。最后,对当前新能源功率预测在场景自适应、小样本学习、数值天气预报系统(numerical weather prediction,NWP)数据时空分辨率、分布式新能源预测等方面存在的一些问题进行剖析,并对采用强化学习、元学习、图神经网络(graph neural network,GNN)等多种AI技术解决相关问题的前景进行展望。     

基于 AI 的无人机电网智能巡检方案研析

实现电力巡线的规范化、智能化和自动化是电力巡线业务发展的终极目标。简述了电力巡线的发展历程,同时分析了人工智能赋能电力巡线行业的可行性,提出了"无人机巡检+AI智能分析"处理方案,并对人工智能与电网深度融合进行了展望。     

基于人工智能技术电力调度智能代理操作方法研究

针对基于人工智能技术的电力调度智能代理操作方法进行了研究.首先分析了人工智能技术在电力系统中的应用和发展趋势,给出了人工智能技术在电力系统中的应用场景.然后对智能代理技术进行了分析,提出了电力调度智能代理结构,并针对基于人工智能技术的电力调度代理方案提出了应用技术.最后针对电力调度智能代理操作流程,提出了以负荷偏差、潮流转移和电压偏移为操作对象的操作方法.     

基于AI技术的电网关键稳定特征智能选择方法

随着全国联网规模的扩大,电网时空特性日趋复杂,全面把握电网运行特性显得至关重要,仅靠人工经验手动筛选特征难以做到快速和准确。因此依托人工智能(artificial intelligence,AI)技术快速高效地找到能够反映电网安全信息的关键特征,对于实际电网的实时监控和安全运行具有重要意义。针对上述要求,该文提出一种电网关键稳定特征智能选择方法。该方法借助信息论和数据挖掘技术,采用分段方式集成改进(mutual information feature selection,MIFS)方法和封装方法进行电网关键稳定特征的智能选择。第一阶段利用改进MIFS方法进行特征初筛;第二阶段采用封装方法和后向搜索策略进一步选择关键特征。该分段智能选择方法针对电力系统安全稳定评估应用场景实现多种方法的集成应用,一方面可以有效地减小特征维度,实现特征的智能筛选,而且将运行经验纳入考虑范围,符合调度人员的先验认知,便于调度运行人员实时监控;另一方面减小了所选特征集合的冗余度,同时实现了特征分区筛选,提高了计算效率,有利于实时动态安全评估的开展。在IEEE-39节点系统上的仿真算例验证所提方法的有效性。     

人工智能在电力系统暂态问题中的应用综述

现代智能电网出现了电力电子化、信息物理融合和大电网复杂互联等新特征,从而对电力系统暂态问题的分析与控制方法产生了极大影响。人工智能(artificialintelligence,AI)在解决数据问题中的优势与暂态问题特点匹配程度高。该文从信息、机理、仿真、分析和控制等角度分析了电力系统暂态问题出现的新特点,归纳总结了现有将AI用于分析电力系统暂态问题时的研究成果,指出了研究中仍需解决的问题,探讨了在数据获取、特征提取和算法应用等方面的若干改进思路,并对AI应用于暂态稳定问题的研究现状进行总结。     

北斗卫星导航系统（BDS）在智能电网的应用与展望

北斗卫星导航系统（Beidou navigation satellite system,BDS）对于智能电网的发展具有重要的推动作用。从BDS的发展现状和趋势分析出发,结合智能电网的需求,对BDS在智能电网中的应用开展研究。构建基于BDS的统一时空信息支撑框架,从授时、定位导航和短报文通信等方面分析BDS在智能电网的相关典型应用,结果表明：BDS是未来智能电网发展的基础支撑组件,大数据、云计算、物联网、移动互联网、人工智能等技术综合应用会对BDS起到融合增强效果,而BDS在智能电网的深化应用还面临成本、应用场景拓展、标准体系建设等挑战。     

人工智能技术在电能质量分析中的应用

电能质量和人工智能技术都是目前国际电工领域研究的热点 ,如何将人工智能技术应用于电能质量问题的分析和诊断更是电能质量研究中的重点问题。本文初步介绍了人工智能的主要分支 :专家系统、神经网络、模糊逻辑和遗传算法的基本概念及其在电能质量中的独特应用 ,并对未来的发展趋势做出了展望。     

Stability Control of Smart Power Grids with Artificial Intelligence and Wide-area Synchrophasor Measurements

Abstract—Environmental concerns due to emissions from nuclear and fossil fuel based power plants have triggered widespread utilization of renewable energy-based small- and large-scale distributed generation technologies. These technologies have been transforming the energy market towards a deregulated and dispersed entity. To cope with these transformations, and ensure appropriate grid monitoring and control, the conventional power grids across the globe have been enduring a paradigm shift towards a smart grid that is empowered with cutting edge technologies. The operational stability of these emerging smart power grids necessitates sophisticated real-time monitoring and control technologies. This article analyzes various stability concerns in smart power grids pertaining to distributed generations and proposes novel methodologies for ensuring operational stability. The proposed methodologies entail real-time stability monitoring and stability control with the use of wide-area synchrophasor measurements and artificial intelligence methods. The efficacy of the proposed methodologies has been verified through simulation studies conducted on an IEEE 14-bus system. Results of this research validate the necessity of coordinated control for maintaining stability of smart grids incorporating distributed generation technologies.     

Artificial intelligence for operation and control: The case of microgrids

Research on artificial intelligence (AI) has advanced significantly in recent years. A variety of AI algorithms have shown great promise in a large number of applications for power system operation and control. This article examines the potential of applying AI in microgrids (MGs). Specifically, as MGs commonly employ onsite generation including an increasing penetration of non-dispatchable distributed energy resources (DERs) and require seamless transition between operation modes (e.g., grid-connected and island) for different operation scenarios, the energy management within an MG is particularly complicated. Many factors including lack of inertia needed for system stability, generation uncertainty from DERs, and complex MG network topology composition (e.g., AC, DC, and hybrid AC/DC MGs) contribute to the difficulty of microgrid energy management. AI techniques such as deep learning (DL) and deep reinforcement learning (DRL) have recently demonstrated their excellence in tackling problems pertinent to decision making, providing a possible solution to overcome the above-mentioned challenges. This article discusses the applications of AI to MG operation and control, with an emphasis on DL and DRL. We survey the available DL and DRL technologies and their applications to power grids. We also investigate the unique issues associated with MGs including their layered control architecture, single vs. networked structure, and topology optimization. Perspectives on the ongoing challenges and viable AI solutions to MG operation and control are presented.     

Fuzzy logic and neural networks in power electronics and drives

Artificial intelligence (AI) techniques are finding increased applications in science and engineering. The application of AI techniques to household appliances, power systems, industrial and transport systems, medical equipment, etc., is increasing daily. AI techniques have made inroads to power electronics and drives to give more user-friendly, efficient, and improved dynamic performance, and robust and intelligent products. AI is basically embedding human intelligence into a machine so that it can think like a human being. AI is superior to human intelligence in some aspects. The computer with embedded AI techniques can process problems extremely fast compared to human beings; it can work continuously without tiring, and its problem-solving capability is not-affected by emotions and other human shortcomings. Advanced control based on artificial intelligence techniques is called intelligent control. Unlike classical control, intelligent control strategy may not need the mathematical model of the plant. Intelligent control can be visualized as a type of adaptive control. In this article, the application of fuzzy logic and neural network techniques to power electronics and electrical drives has been briefly described     

Artificial intelligence in electric power systems: a survey of theJapanese industry

The author studied the Japanese involvement in the field of artificial intelligence (AI) and visited eight Japanese R&D laboratories, where he discussed the AI and expert system related activities in the power industry. A comprehensive look at the combined Japanese effort is provided. The current topics of interest are: AI and its application in power engineering; problems in AI applications development and their solutions; practical system examples; and AI applications to power systems of the future. Out of the 97 papers cited, ten were produced by electric utilities, ten by manufacturers, 17 by universities, and 60 were joint efforts. This shows the level and importance of joint collaborative research among the Japanese researchers. Even though they are working on many theoretical aspects of the AI technology, including automated knowledge acquisition and verification, they still use a significant amount of theoretical work done in the US for successful prototyping of AI based tools. The use of AI tools in the Japanese electric power industry is far more widespread than what is seen in the US or in Europe     

采用柯布–道格拉斯生产函数的智能技术评价方法

为了反映智能电网中智能技术的发展水平,衡量电网智能化带来的经济效益,提出一种评价电网智能化发展程度的智能技术测度方法。分析智能技术在智能电网中的投入与产出关系,建立对应的柯布–道格拉斯(Cobb-Douglas,C-D)生产函数测度模型,并采用数据包络法(data envelopment analysis,DEA)对生产函数模型进行适用性检验。采用C-D生产函数测算智能技术对经济收益的贡献度,以表征智能技术对智能电网建设的影响。相关算例验证了测度评价方法的有效性、可行性。     

神经网络智能算法在发电机主绝缘状态评估领域的应用

随着人工智能技术的不断发展,传统的电力装备制造业迎来了巨大的再升级空间。电力装备的智能制造、智能检测及智能控制等方面已经成为我国工业革新向多维度拓展的关键环节。同时智能电网的快速发展也为电力设备智能化提供了新的机遇。本文介绍了神经网络作为人工智能技术的核心算法在电力装备领域的应用及其在国内外现状和前景,并给出了神经网络的基本学习算法和拓扑结构,着重分析了不同类型神经网络的数学模型和特点。最后通过介绍径向基神经网络,给出了该算法在发电机主绝缘检测、诊断及大时间尺度下在神经网络寿命评估中的应用。     

电网调度员培训智能仿真系统的研究探讨

分析了已有的电力系统仿真存在的问题，将系统仿真的新技术之一——人工智能技术，引入电网调度员培训仿真系统(DTS)，给出了智能DTS的体系结构，并研究了智能教员控制子系统的实现技术和方法，最后探讨了专家系统、人工神经网络、模糊集理论和数据挖掘等人工智能技术在DTS中的应用点和智能DTS下一步的研究目标。     

人工智能技术在智能电网中的应用分析和展望

人工智能技术的进步和突破,对于电网智能化程度的提高具有重要意义。从智能电网内涵出发,梳理电网发展的智能化需求,结合各类人工智能技术的特征和适用性,设计了具体的应用场景,开展了关键技术应用的SWOT分析,并对可能的困难进行估计。指出：许多人工智能技术在智能电网各环节的规划、预测、辅助决策、智能控制、视频监控、巡检、故障诊断等应用场景普遍具有重要参考价值,神经网络、专家系统、数据挖掘等技术各有其优劣和适用范围,应用中需要重视各类技术的科学选择,并对可靠性、可解释性、数据样本积累、基础设施准备、知识库的修正维护、机密性等可能的挑战有所准备。