文/贾晓强，陈洪银，李德智，王松岑

摘要

本文针对智慧用能技术在预测、规划、运行和评价等方面问题，介绍了人工智能技术在用能数据处理分析及综合能源、需求响应、电能替代、车桩互动等新兴用能业务领域中的应用现状，探讨了人工智能技术在用能领域的主要发展趋势。

关键字

综合能源；需求响应；电能替代；车桩互动

0 引言

随着分布式电源、电动汽车、分布式储能元件等具有能源生产、存储、消费等多重特性的新型能源终端大量接入电网，电力系统呈现出复杂非线性、强不确定性、强耦合性等特点，发、输、变、配、用各环节都衍生出大量新兴技术。用户侧作为电力系统的末端，综合能源、需求响应、电能替代和车桩互动等新兴用能技术不断涌现。通过人工智能技术实现多能综合高效利用和终端资源灵活互动，是未来新型电力系统负荷侧智慧化的核心特征。

人工智能始于20世纪50年代，发展至今一共经历了三个阶段。第一阶段是机器学习概念的提出；第二阶段是专家系统与多层感知器的出现；第三阶段则是大数据、计算机软硬件发展、计算能力提升，以及理论算法革新的技术融合。以深度学习和强化学习为典型代表的人工智能技术，吸引了各国各行各业的

本文首先介绍如何利用人工智能算法辅助用能数据识别和数据清洗；接着分析对于人工智能技术在综合能源、需求响应、电能替代和车桩互动等用户侧典型业务领域中的应用现状；最后展望了人工智能在用能领域的主要发展趋势。

1 智慧用能数据获取技术发展现状

1.1 用能数据识别

新型电力系统背景下用能系统数据呈现出多源异构的大数据特性——数据量大、复杂程度高，智能传感技术的发展提高了负荷数据采样频率，为深度学习在负荷数据采集处理领域的应用提供了契机，也提出了要求。天津大学早在2009年就开始了负荷识别的研究，并通过比较各种算法的计算速度与计算精度，设计了基于微分进化算法的非侵入式电力负荷分解；四川大学相继提出了以暂态功率、暂态波形、窄带信号识别设备投切情况为指标的非侵入式负荷识别技术；华北电力大学运用差异分析法、遗传算法、模拟退火算法、深度学习等方法对非侵入式负荷分解进行了深入研究。

1.2 用能数据清洗

用户侧负荷数据量大，干扰信息多，需要进行数据清洗处理才能开展进一步的科学分析。数据清洗的一般方法包括数据一致性检验，处理无效值和缺失值等。数据一致性主要包括数据冲突、数据超限和逻辑错误。人工数据清洗工作量大且效率低，深度学习算法可通过案例学习获得数据清洗的基础逻辑，进而智能判断数据的质量，对错误数据和无效数据进行处理，以及对缺失数据进行合理估算等。东北电力大学通过分析综合能源系统中的风速功率数据，优化数据处理规则与数据分析过程，提出最优组内方差清洗算法；国网上海电科院提出用函数型数据分析（Functional Data Analysis, FDA）对用户用电数据中错误和缺失数据进行修正与补全，其清洗流程图如图1所示。

图1 日用电数据清洗流程图

2 智慧用能技术研究现状

2.1 综合能源

综合能源系统是以电为核心，覆盖冷、热、天然气等多种能源的产销一体化系统，人工智能技术在综合能源领域的应用最为广泛，涉及综合能源系统全生命周期的各方面。

（1）负荷预测

对目标区域的电冷热负荷进行合理预测是规划建设综合能源站的第一步。利用人工智能技术在回归分析方面的优势，开展负荷预测研究，可更好地支撑综合能源系统的规划、运行和服务。能源负荷与价格、政策、天气等多种影响因素相关，已有研究人员对此进行了大量研究。部分学者考虑节假日因素和天气因素，采用最小二乘支持向量机 (Least Squares Support Vector Machine, LSSVM) 进行天然气日负荷预测；部分学者考虑室外温度影响，建立了一种基于极限学习机 (Extreme Learning Machine,ELM) 的地区供热系统的热负荷预测模型；还有学者考虑了含有灵活接入性的电动汽车等可变负荷的预测问题，建立支持向量机 (Support Vector Machine, SVM) 预测模型。但是使用人工智能算法的过程中需要注意通过数据集的多样性，消除单一负荷数据的不确定性。

（2）场景建模

综合能源系统和设备的建模是综合能源业务发展的基础。目前，主流的建模方法主要包括机理驱动建模、数据驱动建模和数据 - 机理融合驱动建模，由于实际工程中面临可用数据不足、设备用能机理复杂和系统耦合程度高等问题，而人工智能算法对具体数学模型依赖程度低，并善于从数据中自学习和对源域的迁移学习，因此，基于深度学习算法的数据 - 机理融合驱动模型可以克服数据量少和用能机理复杂的问题，得到高精度的综合能源设备和系统模型。融合建模的基本架构主要有如图2所示的并联型和串联型两种，并联型一般适用于机理模型已知而结果不够准确的对象；串联型一般适用于有大量数据集进行训练、某些过程或机理未知的对象。部分学者采用基于马尔科夫决策理论的强化学习方法，描述综合能源系统中风、光等可再生能源的不确定性；上海交通大学提出了机理模型和基于神经网络的数据驱动模型相结合的燃机混合模型结构，提高了模型的精度。

图2 数据 - 机理融合建模的基本架构

（3）规划运行

规划和运行是综合能源系统最重要的两个环节，人工智能算法可实现规划运行过程的多目标优化。规划方面，部分学者设计了含热电联供的智能能源管理系统，建立了以最小化运行成本和最小化碳排放为目标的优化模型，并采用强化学习方法进行求解；运行方面，研究了基于层次深度强化学习的综合能源系统分布自治控制方法，其以综合能源系统可控制设备策略为动作策略空间，根据系统局部优化目标设计分层奖励措施，构建层次深度强化学习开展训练学习，建立综合能源系统分布自治控制模型。还有采用基于演化博弈的思想分析系统协同优化方法，研究了综合能源系统多主体行为模式，探索非理性合作下多主体博弈机制及演化规律，根据分区特性并综合考虑成本、能效等优化目标开展集群协同优化，实现综合能源系统的多能互补与能效提升。

2.2 需求响应

需求响应通过价格补贴引导用户侧可调节负荷参与交易，实现削峰填谷。人工智能技术在需求响应领域也有大量应用，主要包括可调节负荷辨识、可调节潜力预测和虚拟电厂建模与评价等。

（1）可调节负荷辨识

需求响应通过调动用户侧可调节负荷参与电网平衡调节，人工智能中机器学习良好的聚类 / 分类和辨识能力可以进行用能行为分析，识别可调节负荷，从而更好地支撑用户侧参与电网互动。从数据挖掘的角度，目前用户用电行为分析主要通过直接聚类或间接聚类实现。直接聚类技术如K-means、层次聚类，以及具有噪声的基于密度的空间聚类 (Density-Based Spatial Clustering Of Applications With Noise, DBSCAN) 及自组织映射(Self-Organizing Map, SOM) 等已被尝试用于可调节负荷辨识；间接聚类方法首先对用电数据进行特征提取，然后再进行聚类，以提升聚类效果，主要研究工作集中在特征提取方法的选取、特征优选、降维及聚类策略选择等方面。

（2）可调节潜力分析

纺织、炼钢等不同行业都存在丰富的可调节负荷资源，为评估不同行业负荷的可调节潜力，可引入强化学习等算法，在对不同负荷曲线进行聚类的基础上，准确识别并计算负荷的可调节潜力。部分学者为实现考虑用户用电行为多维影响因素作用下的精准聚类，设计了一种融合K-means 和SOM进行二次聚类，以及BP神经网络进行反向调整修正的综合聚类方法，提高了聚类的精确度。

（3）虚拟电厂建模与评价

为解决大量分布式电源接入带来的系统波动性问题，引入了虚拟电厂（Virtual Power Plant, VPP）的概念。虚拟电厂指将分布可控负荷（Dispatchable Load，DL）、 分 布 式 发 电 机 组（Dispatchable Generation，DG）和分布式的储能设施（Dispatchable Energy Storage，DES），通过应用一些配套的调控技术和通信技术等整合成一个系统，从而实现整合控制不同分布式能源资源的载体。在电力市场中，虚拟电厂将与传统电厂一样，对市场信号进行响应，参与市场竞争。部分学者给出了虚拟电厂中风电、光伏等设备的出力预测模型；同时，基于人工神经网络建立了分布式能源系统的经济调控模型，对虚拟电厂参与电力市场的经济运行模式进行了研究。

2.3 电能替代

电能替代战略可以在终端能源消费环节实现电能替代散烧煤、直燃油，最终实现能源发展方式的根本转变。人工智能技术在电能替代领域的应用，主要包括替代潜力评估和电力负荷增加值预测等。

（1）电能替代潜力评估

用能系统的电能占比和电能替代潜力受技术水平和系统结构等因素的影响，合理评估系统的电能替代潜力才能更好地推进电能替代的发展。为提供面向电源、电网、产能规划的理论指导，一些文献提出了基于粒子群优化支持向量机的电能替代潜力分析方法。基于多维度数据定义电能替代发展的主要影响因素，通过支持向量机实现影响因素与累计电能替代量的拟合分析，并对于支持向量机参数选择进行粒子群优化，实现了对累计电能替代量的有效预测。

（2）电能替代对负荷影响预测

随着全社会电能占比的提高，电力负荷也随之不断增加，合理预测电能替代带来的电力负荷变化，对于提高电网稳定性有重要意义。一些文献分析了影响饱和电力负荷水平的因素，并根据分析提取出10 个能够量化计算的关键因素，采用相关系数法、灰色关联度和K-L（Kullback-Leibler）信息量三种分析方法，量化计算这些因素对饱和电力需求的关联度，建立了考虑电能替代因素的支持向量机模型。

2.4 车桩互动

随着电动汽车与充电桩的快速普及，车桩之间的互动问题亟需解决。在车桩互动领域，人工智能技术可实现充电桩选址规划、充电时段与充电功率优化、充电桩运行状态监测等功能。

（1）充电桩选址规划

充电桩的选址与布局受需求分布、交通条件等多方面因素的影响。目前，智能优化算法和深度学习算法大量用于求解充电桩的选址定容问题，如遗传算法、粒子群算法、蚁群算法和深度学习算法、强化学习算法等。一些文献以充电时间和功率分布为优化目标，基于深度学习算法对充电桩的选址定容问题进行了优化求解。

（2）充电时段与充电功率优化

利用太阳能或风能作为充电能源，可有效实现新能源消纳和碳减排。庞大的电动汽车数量使调度优化变量具有高维特性，并且可再生能源发电和用户需求的不确定性使得模型难以建立。针对优化变量的高维特性，一些文献从模型上通过定义电动汽车聚合器、事件和子状态将具有高维变量的电动汽车充放电管理问题进行分层优化，以降低每层的变量维数，同时能一定程度上保护下层用户的隐私信息，适用于有隐私保护需求的高维系统优化问题。针对不确定性问题，有学者设计了基于参数自适应差分进化的多目标优化算法，在计算风电功率概率的基础上建立电动汽车-风能集成电力系统协调调度模型。

（3）充电桩运行状态预警

长短时记忆神经网络 (Long Short-Term Memory，LSTM) 利用其特殊的网络结构，可以实现时间序列预测分析，即利用过去一段时间内某事件时间的特征预测未来一段时间内该事件的特征。图3所示为LSTM神经网络预警流程图。对于充电桩在运行过程中的安全性参数，智能预警系统可以实时监测其变化曲线，通过内置判断逻辑，识别预测充电桩所处状态，对充电桩和动力电池可能存在的温度越限等问题及时预警并作出应对措施，保障充电过程的安全性。

图3 LSTM神经网络预警流程图

3 未来发展趋势

未来智慧用能领域面临极为复杂的环境和挑战，人工智能技术将在用能数据安全防护、综合能源智慧运维、需求响应交易市场化、电能替代减排效果评估、车桩智能实时互动等各方面发挥巨大作用。

（1）用能数据安全防护

数据安全问题是社会发展必须考虑的问题，当前，对数据安全的防护手段，包括对称/非对称加密、同态加密、访问控制、安全审计和备份恢复等。用户的用能数据涉及用户隐私，因此，在分析用能数据前应通过必要手段对数据进行脱敏处理。数据脱敏是在保留数据原始特征的条件下，按需进行敏感信息内容的变换，从而降低这些重要数据在共享和移动时的风险。常见的数据脱敏方法，包括替换、无效化、置乱、均值化、反推断、偏移等。机器学习等算法可用于敏感数据识别、定级，以及敏感算法制定、脱敏任务配置的实现方式等方面的研究。

（2）综合能源智慧运维

随着综合能源站的规划和建设，其运维问题成为提高供能稳定性和经济性必须解决的问题之一。智能巡检机器人和智能故障诊断系统可为运维问题提供新的思路和解决方法。融合视觉感知和强化学习等技术的智能巡检机器人，可极大提高巡检的工作效率，在综合能源站的多种能源协同运行环境下，可实现故障的精准识别和智能判断。故障诊断的核心是发生故障时，及时判断故障原因并提供解决方案。智能故障诊断系统可通过专家系统方法或人工神经网络方法等提取典型案例中的特征参数，学习故障发生的内在逻辑，当发生异常数据报警时，智能判断故障类型，从专家库中及时匹配故障解决方案，为现场运维人员提供辅助决策，为综合能源站的智慧化运维提供有力保障。

（3）需求响应交易市场化

随着需求响应的大规模推广，补贴定价等问题亟待研究。由于价格是不断受到多种内因和外因的影响而波动的，因此简单的基于时间序列的线性预测模型无法适用。人工智能方法利用历史电价和社会经济因素等信息，直接通过样本学习来模拟补贴电价及其影响因素之间的关系，非线性拟合能力强，预测精度较高；同时，可以基于博弈相关理论，制订合理的补贴价格动态定价方法，提高需求响应交易的市场化水平。

（4）电能替代减排效果评估

电能替代技术是实现“双碳”目标的重要技术之一，用户侧电能替代存在种类繁多、技术更替快、碳排放与减排效果量化困难等问题，因此，可以基于典型行业用能系统的碳排放模型，综合考虑各类电能替代技术的成熟度，利用深度学习算法的学习预测能力进行合理推演，量化分析电能替代技术对于用能系统碳减排能力的影响，从而验证电能替代实施路径的有效性，为推动电能替代和提升城市电气化水平提供技术支持。

（5）车桩路网智能实时互动

作为一项新兴产业，与电动汽车配套的公共充电基础设施的建设和应用也处于井喷式发展阶段，但充电设备具有输出功率大、服务大众化、场景多元化和对象多样化特性，在长期无人值守的环境下，如发生特殊事件会导致无法正常充电，甚至引起火灾的后果。通过对比分析多种智能互动模式，可以探讨车、桩、路、网之间实时互动的可行性，从而进一步保障充电安全，提升客户充电体验。

（参考文献略）

选自《中国人工智能学会通讯》

2021年第11卷第11期

智慧能源专题