中國儲能網訊：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)關注。只需要簡單輸入自己的想法，描繪一個場景或事件，AI便會生成畫作。畫作的色彩和意境都令人驚艷，但仔細觀察一些可以被量化的細節(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節(jié)元素，“四指或六指狂魔”的情況頻現(xiàn)。這也顯示了機器學習的局限：缺少對于物理模型與邏輯推導的理解，算力和代表性數據尚不充足，只是通過簡單的數據訓練，本質上是對所收集數據進行重組整合。
1956年，在達特茅斯會議上誕生了“人工智能”這一概念，其后六十多年，以深度學習為主要標志的人工智能在美國迅速崛起。斯坦福大學、哈佛大學計算機科學實驗室、普林斯頓大學人工智能實驗室等人工智能研究機構陸續(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，美國人工智能國家安全委員會（NSCAI）向總統(tǒng)和國會遞交最終版本的報告，“推進人工智能、機器學習和相關技術的發(fā)展以全面解決美國國家安全和國防需求”。
近年來，美國電力行業(yè)借助人工智能開展了一系列研究與實踐，但尚處于起步階段，在人工智能技術應用范圍和模型選擇方面均有發(fā)展空間。
應用雖多，但尚處起步階段
目前，人工智能技術在美國電力系統(tǒng)的主流應用有六個方面：狀態(tài)估計、潮流計算、電壓與頻率控制、故障識別、系統(tǒng)預測和市場分析。
使用人工智能采集數據并對數據進行狀態(tài)估計是早期數據分析在電力領域的運用。調度人員若想掌握調度管轄范圍內系統(tǒng)的運行情況，需要先采集實時量測信息等數據，再將相關數據傳輸到調度中心進行分析，通過人工智能對大量的實時數據進行預處理、篩選，再利用數學方法進行推算，反映電力系統(tǒng)的運行狀況。
過去十年，美國電力行業(yè)對最優(yōu)潮流計算展開了一系列研究，如通過模型計算交流輸電系統(tǒng)如何獲得最優(yōu)電壓、角度和電流等，但大多屬于探索，缺乏真正的落地應用。原因在于，雖然用人工智能做預加速、提前篩選約束，可以加快計算的速度，但同時，需要犧牲預測的準確性。也就是說，人工智能可以提高計算速度，但其結果也許不如通過純物理模型計算的結果那么精準。
傳統(tǒng)電力系統(tǒng)依靠發(fā)電機的慣性來保障電力系統(tǒng)穩(wěn)定運行，但當系統(tǒng)接入更多的風能、太陽能等新能源發(fā)電裝置時，為了保持電網頻率的穩(wěn)定，就必須要對電力電子設備接入電網進行調節(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。在這一領域，美國在強化學習與決策策略方面做了較多研究。
人工智能參與系統(tǒng)預測的應用在美國較為廣泛，包括對風力發(fā)電的預測、太陽能發(fā)電的預測和對負荷進行預測。在負荷預測中，一種較為廣泛的應用是利用高頻率的特征值識別家用電器的用電量，這種負荷預測的模型和金融預測的模型是共通的。
除了以上四點，人工智能還可以根據采集的信號數據，通過小樣本技術進行分析，對系統(tǒng)故障進行定性定位。
此外，美國電力市場還利用人工智能開展價格預測研究，通過強化學習模擬市場博弈活動，對市場平衡進行分析，并對新型市場設計進行評估，但這方面研究尚處于起步階段。
電網側要儲能，更要AI輔助
在美國，儲能對電網的重要性也越來越突出。
根據美國能源信息管理署（EIA）日前發(fā)布的一份調查報告，2022年美國部署的電池儲能系統(tǒng)裝機容量約為8.8吉瓦，預計到2023年美國將部署9.4吉瓦儲能系統(tǒng)。美國大約41%的新增太陽能發(fā)電設施將部署在加利福尼亞州和得克薩斯州，大約71%新增電池儲能系統(tǒng)也將部署在這兩個州。
以加利福尼亞州為例，目前其擁有近5吉瓦儲能裝機，容量接近加州電力系統(tǒng)總容量的六分之一。電網儲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)運行與電力市場交易。
加州的儲能系統(tǒng)已經開始使用機器學習等人工智能技術來設定市場參與策略。具體來看，就是對價格進行預測時，通過人工智能對價格進行預測生成市場競價單，明確“什么價錢想賣，什么價錢想買”。這和買賣股票很類似，只是在運用到儲能領域時需考慮電池使用時間或容量限制，這些約束也極大的增加了預測難度。
對于能源公司而言，必須要運用人工智能對儲能市場化策略進行優(yōu)化。原因在于，雖然美國電力系統(tǒng)是在電力調度基礎上疊加了市場模型，但仍然是以傳統(tǒng)電力系統(tǒng)為基礎進行調度布局。這種基于火電的調度系統(tǒng)，難以很好地發(fā)揮儲能的作用。當前，儲能裝機容量在整體裝機容量中的比重越來越大，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實時預測能力，才能讓儲能在調度系統(tǒng)里更好地實現(xiàn)“削峰填谷”。
除了在電網側儲能方面發(fā)揮作用，人工智能在儲能領域的另一項應用就是電池管理，即對電池的電量，阻抗，與溫度狀態(tài)進行診斷，對電池老化情況進行預測，這將有助于提升儲能系統(tǒng)的安全性和經濟性。
與垂直領域融合，
向混合物理模型進發(fā)
電力系統(tǒng)對人工智能的可靠性要求高，但因神經網絡的結構復雜，有價值、有代表性的訓練數據較少，加上數據重復性較高，系統(tǒng)很難進行準確預測。此外，電源管理單元可以生成大量數據，但數據內嵌在物理構造里，這導致很多數據都是重復性的，難以像生成文本或者繪畫創(chuàng)作那樣，通過大量數據進行倒逼性訓練。同時，電力系統(tǒng)運行的節(jié)點不同，每個發(fā)電機組也不同，加上季節(jié)、負載等因素，系統(tǒng)數據的差異性較大，很難開展重復性訓練。這就造成一個結果：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域融合，其模型創(chuàng)新升級的步伐會不斷加快，混合物理模型的人工智能將出現(xiàn)在電力系統(tǒng)中，通過以下三方面應用發(fā)揮作用：
一是利用物理模型進行數據預處理，降低機器學習對數據的要求或者對準確性的要求，以便后續(xù)工作的對接。比如在潮流計算中，利用拉格朗日松弛來用神經網絡直接預測電網潮流約束的對偶值，從而倒推最優(yōu)潮流。
二是在訓練目標函數里內嵌應用目標。這是人工智能參與電力系統(tǒng)運行更關鍵的一步。在訓練人工智能做負荷預測時，不應僅強調保證負荷的準確度，還要強調計算負荷誤差對系統(tǒng)調度的影響。
三是在神經網絡中內嵌物理模型函數。如此一來，只需要掌握部分現(xiàn)象的大致物理模型，就可以將其內嵌到神經網絡里，作為神經網絡中的一層，利用人工智能讓神經網絡學習計算出其參數。除了電力系統(tǒng)，這個方向的應用成果還可以在其他領域發(fā)揮作用，比如氣候建?；蛘呶锢斫５阮I域。
（作者系美國哥倫比亞大學地球與環(huán)境工程系和電子工程系助理教授）
