机器学习

他表示配电物联网基于云端机器学习和边缘推理，将来可实现配电自动化从人工值守到主动预测的转变，配电物联网的边缘智能，将来可实现全网自主进化智能分析与协作能力。

数据可靠互联对虚拟电厂中各类能源生产、传输以及调度等环节的安全稳定运行至关重要。然而人为失误、采集设备故障、网络恶意攻击等因素导致虚拟电厂各环节业务系统中异常稀疏数据频繁产生。现有基于统计学或机器学习的集中式异常数据检测方法存在依赖数据分布和先验知识、计算复杂度较高、效率低下等缺陷。为了解决上述问题，文章提出一种虚拟电厂下基于基因表达式编程的云边协同分布式异常检测算法。首先，基于云边协同机制，构建虚拟电厂云边协同分布式异常检测体系架构；其次，从算法原理、基于最小二乘的全局异常检测模型生成等方面设计基于基因表达式编程的分布式异常检测算法。基于3个真实数据集和3个开源数据集的仿真实验结果表明，与现有模型相比，提出的算法在异常数据检测的准确率、漏检率、误检率、平均耗时以及加速比方面均具有明显的优势。

电网在运行过程中会产生大量的设备缺陷文本记录,针对变电设备缺陷文本的特点,文章提出了基于注意力机制的混合神经网络(hybrid neural network based on attention mechanism,HNNA)电力设备缺陷文本挖掘方法。首先在总结电力设备缺陷文本特点的基础上,参考中文文本分类的一般流程,结合自主编写的词典和停用词表对缺陷文本进行预处理;利用Word2vec模型将词语映射到高维空间;使用卷积神经网络(convolution neural network,CNN)和双向长短期记忆网络(bidirectional long short term memory,BiLSTM)提取文本局部特征和上下文特征;将提取的特征进行融合,最后采用Attention实现特征权重的分配,增强关键特征对分类效果的影响,并从多个评价维度与传统机器学习模型、深度学习模型对比。算例结果表明,提出的模型具有更好的分类效果,可以实现电力设备缺陷等级的高效准确划分。

相比传统光传输网络提供的网管系统，可编程多域控制器可以快速响应请求、高效利用资源、灵活提供服务，实现电力光传输网络业务处理可编程、控管策略可编程和传输器件可编程，在江苏公司和重庆公司进行了应用，效果显著。 本成果的创新点在于：1）提出可编程控制的光网络软件定义模块，通过将软件编程控制理论与传统光网络研究方法结合，利用控制功能的模块化，实现业务可编程处理，解决传统光网络通道刚性，资源调度不灵活的问题；2）提出面向多域异构网络资源优化的多目标均衡算法，利用机器学习方法优化光网络物理层特性，从根本上解决光网络异构资源难以统一优化的问题；3）提出跨域端到端QoS保障方法，通过控制器与支撑系统之间的交互来获取统一业务在全网范围内的QoS映射，解决电力时延敏感业务在多域交互环境下的高可靠业务传输；4）提出基于光学器件可编程调谐的物理损伤补偿机制，通过对端到端光路中的光学器件参数进行动态调谐，实现对光路传输性能的动态补偿，解决现有电力光网络中，光层物理损伤无法感知，导致端到端光路传输性能下降的问题。

人工智能(ArtificialIntelligence，AI)是一门研究如何使计算机能够模拟人类智能行为的科学和技术，目标在于开发能够感知、理解.学习、推理、决策和解决问题的智能机器。人工智能的概念主要包含以下几个方面:(1)人工智能的目标是模拟人类的智能行为。人工智能致力于使计算机能够像人类一样感知世界、理解信息、进行学习和决策，涵盖视觉、语音、自然语言处理、机器学习等领域的研究和应用。(2)人工智能的学习能力。人工智能强调计算机能够从数据中学习，并根据学习的结果不断优化自己的性能。机器学习是人工智能的重要分支，涉及到许多算法和模型，如监督学习、无监督学习、强化学习等。(3)人工智能可以解决问题。人工智能的一个主要目标是使计算机能够解决各种复杂问题，包括图像识别、语音识别、自然语言处理、自动驾驶、医疗诊断等。通过深度学习等技术，计算机可以从大量数据中提取有用的信息，从而实现更高效的问题解决方法。(4)人工智能的自主性与多样性。理想的人工智能系统应该能够独立地进行学习、决策和行动，而不需要持续的人类干预。人工智能涉及到多个子领域，包括机器学习、计算机视觉、自然语言处理专家系统、智能控制等。这些子领域有着不同的研究方法和技术，共同构成了人工智能的多样性。人工智能的发展不仅涉及到理论研究，还需要大量的实践和应用,随着计算能力和数据量的增加，人工智能在各个领域都有了显著的应用，包括自动驾驶、智能语音助手、推荐系统、医疗诊断、金融风控等。人工智能的发展将深刻地影响人类社会的方方面面，同时也带来了一系列的伦理和社会问题，需要人们共同思考和解决。

元学习，也称为“学习如何学习”，是一种机器学习方法，旨在通过学习多个任务的经验，提高在新任务上的学习效率。元学习的核心思想是从一组任务中提取通用的经验和知识，从而在遇到新任务时能够快速适应和学习。

随着锂离子电池在各类储能系统中的广泛应用,其健康管理及退化分析已成为储能电站运维、电动汽车安全监测、退役动力电池梯次利用等时下多个领域的热点问题。与此同时,大数据及机器学习技术的发展突破了复杂非线性系统难以建模的束缚,使得基于数据驱动的电池健康评估成为可能。详细综述了基于数据驱动的锂离子电池健康状态评估的研究现状,分析了电池退化的影响因素,归纳并比较了基于数据驱动的电池健康状态估计及剩余寿命预测建模方法,最后总结了该领域当前的挑战及未来的发展趋势。

应用神经网络对供电服务中的用户进行潜在风险分类是一种新颖的算法。相比于传统的评分法、比值法、统计法等方法，人工神经网络是对人脑或自然的神经网络若干基本特性的抽象和模拟,是一种非线性的动力学系统。它具有大规模的并行处理和分布式的信息存储能力、良好的自适应性、自组织性及很强的学习、联想、容错、抗干扰能力。本文综合采用了arima、k-means、logistic回归和bp神经网络模型，通过对电力大用户的基本信息、用电数据、业务轨迹、渠道记录等海量电力数据进行深度挖掘，从电量趋势预测、用户风险分类实现对用户潜在风险的有效评估。

首先研究了基于主成分分析的缺陷特征提取技术，概述了基于统计学习理论的支持向量机机器学习方法的基本思 想及实现分类的算法，在此基础上，提出了基于主成分特征提取支持向量机 XLPE电力电缆缺陷识别方法，研究了该方法在 XLPE 电力电缆缺陷识别中的应用。

国家电网公司提出建设具有中国特色国际领先的能源互联网企业，初步建成了“以客户为中心，资源统一配置、服务一口对外、业务全面管控”的供电服务指挥体系。但随着供电可靠性要求与客户服务质量压力日渐增大，抢修资源调配、服务质量监督、信息化孤岛等问题逐渐暴露。本项目通过智能语音、图像识别、大数据分析、机器学习等技术，以效率效益为目标，人工智能布局传统业务领域，建立新型的现代化供电服务指挥体系，解决错综复杂的业务数据结构与系统壁垒，应对与日俱增的业务规模和服务要求，在提升业务质效的同时，减轻传统人工业务执行压力，提升电网企业在配网侧核心竞争力。 本项目重点研究“业务场景的级联闭环与落地效果”、“海量数据的开放共享与价值创”、“多业务、多技术的融会贯通与集成创新”三个关键点，推动业务模式和支撑能力深度融合、有效匹配，更好地发挥供电服务指挥中心在“强前端”、“大后台”现代服务体系中的枢纽平台作用。