机器学习在能源与电力系统领域的应用和展望

被引：124

作者：

程乐峰 ^{[1
,2
]}

余涛 ^{[1
,2
]}

张孝顺 ^{[3
]}

殷林飞 ^{[4
]}

机构：

[1] 华南理工大学电力学院

[2] 广东省绿色能源技术重点实验室

[3] 汕头大学工学院

[4] 广西大学电气工程学院

来源：

电力系统自动化 | 2019年 / 43卷 / 01期

关键词：

人工智能; 机器学习; 能源与电力系统; 智能电网; 能源互联网;

D O I：

暂无

中图分类号：

TM73 [电力系统的调度、管理、通信]; TP181 [自动推理、机器学习];

学科分类号：

080802 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

新一代人工智能(AI)近年来成为国内外研究的热点,其中的典型代表机器学习(ML)作为一个算法范畴,通过分析和学习大量已有或生成数据形成预测和判断以做出最佳决策。中国的新一代AI正处于快速发展的关键期,目前已在能源与电力系统中得到初步应用。基于此,文中以新一代AI中的ML为代表,重点综述了强化学习、深度学习、迁移学习、平行学习、混合学习、对抗学习和集成学习等7种代表性ML在能源与电力系统调度优化和控制决策等方面的应用。最后,对未来ML的发展进行了思考与展望。

引用

页码：15 / 31

页数：17

共 93 条

[1] 基于具有动作自寻优能力的深度强化学习的智能发电控制 [J].

席磊 ;

陈建峰 ;

黄悦华 ;

薛田良 ;

张涛 ;

张赟宁 .

中国科学:信息科学, 2018, 48 (10) :1430-1449

[2] Parallel Reinforcement Learning:A Framework and Case Study [J].

Teng Liu ;

Bin Tian ;

Yunfeng Ai ;

Li Li ;

Dongpu Cao ;

FeiYue Wang .

IEEE/CAA Journal of Automatica Sinica, 2018, 5 (04) :827-835

[3] 基于集成学习的孤岛微电网源—荷协同频率控制 [J].

王德志 ;

张孝顺 ;

刘前进 ;

余涛 ;

潘振宁 .

电力系统自动化, 2018, 42 (10) :46-52

[4] 大数据与大数据机器学习 [J].

张素芳 ;

翟俊海 ;

王聪 ;

沈矗 ;

赵春玲 .

河北大学学报(自然科学版), 2018, 38 (03) :299-308+336

[5] 核能5.0:智能时代的核电工业新形态与体系架构 [J].

王飞跃 ;

孙奇 ;

江国进 ;

谭珂 ;

张俊 ;

侯家琛 ;

熊刚 ;

朱凤华 ;

韩双双 ;

董西松 ;

王嫘 .

自动化学报, 2018, 44 (05) :922-934

[6] 人工智能研究的新前线:生成式对抗网络 [J].

林懿伦 ;

戴星原 ;

李力 ;

王晓 ;

王飞跃 .

自动化学报, 2018, 44 (05) :775-792

[7] 电力脑初探:一种多模态自适应学习系统 [J].

尚宇炜 ;

郭剑波 ;

吴文传 ;

马钊 ;

赵丽娟 ;

赵东方 ;

韩路波 .

中国电机工程学报, 2018, 38 (11) :3133-3143

[8] 基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测 [J].

王继东 ;

冉冉 ;

宋智林 .

电力自动化设备, 2018, 38 (05) :43-49

[9] “智能电网+”研究综述 [J].

鞠平 ;

周孝信 ;

陈维江 ;

余一平 ;

秦川 ;

李若梅 ;

王成山 ;

董旭柱 ;

刘健 ;

文劲宇 ;

刘玉田 ;

李扬 ;

陈庆 ;

陆晓 ;

孙大雁 ;

徐春雷 ;

陈星莺 ;

吴峰 ;

马宏忠 .

电力自动化设备, 2018, 38 (05) :2-11

[10] 基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法 [J].

王德文 ;

雷倩 .

电力自动化设备, 2018, 38 (05) :129-135

← 1 2 3 4 5 6 7 8 9 10 →