艾芊教授上海交通大學上海文通大學上海文通大學負負荷與能源交易電力調(diào)控能源交易電力調(diào)控電力市場虛擬運營商能源運營商能源參與者儲能服務(wù)商信息流管能家居冷/熱負荷交互終端管能家居冷/熱負荷交互終端居民負荷商業(yè)負荷能源流居民負荷商業(yè)負荷能源轉(zhuǎn)換儲能能源轉(zhuǎn)換儲能綠色微能源核能核能邊界模糊消潔能源節(jié)能源荷互轉(zhuǎn)交直混聯(lián)界面復(fù)雜能源經(jīng)濟消潔能源節(jié)能源荷互轉(zhuǎn)交直混聯(lián)界面復(fù)雜能源經(jīng)濟信息①數(shù)據(jù)成本持續(xù)走低②模型愈加復(fù)雜上海交通大學上海交通大學方法形成的智能系統(tǒng)。三大技術(shù)為支撐的綜合性技術(shù)。算能力供了豐富的訓練樣本 AlphaGo,designedAlphaGo,designedwith2人工智能模型據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進行預(yù)測的算法。范疇：人工智能>機器學習>深度學習機器學習人工上海文通大學5EANGIALD4OTONC上海文通大學5EANGIALD4OTONC班9如9如上海貢通大學上海貢通大學監(jiān)督式學習，非監(jiān)督學習，半監(jiān)督學習輸入數(shù)據(jù)有標簽，則為監(jiān)督式學習輸入數(shù)據(jù)無標簽，則為非監(jiān)督學習輸入數(shù)據(jù)部分有標簽，部分無標簽，則為半監(jiān)督學習在大多數(shù)ML應(yīng)用場景中，無標簽數(shù)據(jù)就足夠了，但獲取標簽是一個漫長且費力的過程。因此可以采用主動學習、遷移學習主動學習是半監(jiān)督學習的一種形式，其中學習算法可以主動向用戶/教師(通對于標記樣本不足的問題，遷移學習(TL)旨在使用從另一個相關(guān)問題中學到的知識來訓練新任務(wù)的模型。根據(jù)傳輸?shù)膬?nèi)容大致可以分為基于實例的方法、基于特征的方法、基于關(guān)系的方法和基于模型的方法四個類別。上海交通大學深度學習上海交通大學深度學習(DL)是機器學習的一類，旨在直接處理高維輸入數(shù)據(jù)并為任務(wù)構(gòu)建端到端模型。與傳統(tǒng)的淺層MLANN相比，深層神經(jīng)網(wǎng)絡(luò)(DNN)具有更多的隱藏層，這使DL具有更強大的表示復(fù)雜關(guān)系的能力。然而，如果沒有適當?shù)某跏紮?quán)重，使用反向傳播算法訓練DNN是不可行的。直的貪婪分層預(yù)訓到2006年Hinton等人。提出了一種使用深度信念網(wǎng)絡(luò)(DBN)的貪婪分層預(yù)訓卷積神經(jīng)網(wǎng)絡(luò)(CNN)通過多對卷積層和池化層作為過濾器的過程，可以提取輸入圖像中不同分辨率的結(jié)構(gòu)特征進行圖像識別。RandomNoiseGeneratorComvolutionalNeuralNetwork循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)常用于自然語言處理，其中長短期記憶(LSTM)是一種常用的RNNGenerativeAdersarialNetwork記憶單元試圖從數(shù)據(jù)中提取遠程關(guān)聯(lián)，使得LSTM在處理長時間序列時表現(xiàn)優(yōu)于普通RNNGenerativeAdersarialNetwork上海交通大學深度學習上海交通大學RandomNeiseGenerator3RandomNeiseGenerator3GenerativeAdversarialNehworkGenerativeAdversarialNehworkAutoencodersEncoderLatentSpace對VAE的約束，以確保潛在空間的規(guī)律性，從而使VAE上海交通大學5MAJNGJAIL40TONC上海交通大學5MAJNGJAIL40TONCUIVE?STY與需要標記訓練樣本的監(jiān)督學習不同，強化學習(RL)可以根據(jù)貝爾曼最優(yōu)原則，通過智能體與環(huán)境之間的信息交互來訓練智能體。RL問題通常使用馬爾可夫決策過程(MDP)建模，其中元素包括狀態(tài)，行動，策略，及獎勵。EnvironmentEnvironmentAgentMiodel-FreeRLTrainingaRs,無模型的RL兩類區(qū)別在于代理是否需要知道或?qū)W習環(huán)境模型AgentBasedRLg無模型強化學習算法分為兩類：策略優(yōu)化和價值優(yōu)化?！袒诓呗詢?yōu)化的RL優(yōu)化參數(shù)化的策略函數(shù)具有良好的穩(wěn)定性和可信度，其中典型的算法包括A2C/A3C、PPO、TRPO等。aRS黃ModelaREnvironmentp(S+1la,s)Application基于模型的RL典型的基于模型的強化學習算法包括上海交通大學聯(lián)邦學習上海交通大學■■聯(lián)邦學習是一種分布式機器學習框架，在保證數(shù)據(jù)隱私安全及合法合規(guī)基礎(chǔ)上，實現(xiàn)多主體共同建模?！龈鶕?jù)各參與方數(shù)據(jù)特征及樣本空間的不同，聯(lián)邦學習分為橫向聯(lián)邦學習、縱向聯(lián)邦學習、聯(lián)邦遷移學習。模星訓練MED基于傳統(tǒng)方法的模型訓陳傳上本地數(shù)據(jù)采集D傳發(fā)更新參數(shù)下本地數(shù)據(jù)H年H年三11酉指DatatromBL是橫向聯(lián)邦學習特征空間相同，樣本不同縱向聯(lián)邦學習特征空間不同，樣本重疊Xi≠xj,yi≠yj,I=I,VD,特征空間不同，樣本不同xi≠x;,yi≠yj,Ii≠I,,V[1]QYang,YLiu,TChen,etal,"FederatedMachineLearning:ConceptandApplications,"inACMTransactionsonIntelligentSystemsand②SecureDatabaseB?DatabaseB,Step2:服務(wù)器聚合模型參數(shù)(梯度);ModelAUpsatingmodekbConferenceonArtificialIntelligenceandStatistics(聯(lián)邦學習典型應(yīng)用場景縱向聯(lián)邦學習推動保險用戶市場健康有序發(fā)展縱向聯(lián)邦學習支撐消費金融行業(yè)價值創(chuàng)造特點三種數(shù)據(jù)分散于不同部門或企業(yè)縱向聯(lián)邦學習降低企業(yè)損耗求為導向的智能化運營體系息孤島現(xiàn)象嚴重橫向聯(lián)邦學習模型準確性高于單獨模型約障社區(qū)平安感性橫向聯(lián)邦學習提高疾病檢測準確率，顯著節(jié)約醫(yī)療成本以極低成本促進優(yōu)質(zhì)醫(yī)療資源下沉，提升地區(qū)醫(yī)療服務(wù)能力涉及多方數(shù)據(jù)源聯(lián)邦遷移學習篩選高價值用戶，提升反作弊轉(zhuǎn)化效果單一車輛的傳感器信息具有局限性橫向聯(lián)邦學習提升車輛避障、道路規(guī)劃等項目性能提高無人駕駛技術(shù)安全性縱向聯(lián)邦學習通環(huán)境目標業(yè)務(wù)加密對齊數(shù)據(jù)肆子公司1子公司2子公司n不可交換不可交換不可交換原始原始原始用戶數(shù)據(jù)用戶數(shù)據(jù)用戶數(shù)據(jù)本地數(shù)據(jù)a本電數(shù)據(jù)2本地統(tǒng)計數(shù)據(jù)數(shù)抵中心聯(lián)合模型r⑦①Publishfedeniedkamngtaiktot⑧DehvorbepuedglRepea26thensendalaedmodeltod+Mf世a-[5]Z.Su,YWang,H.TLuan,etal,"SecureandEfficientFederatedLearningforSmartGridwithEdge-CloudCollaboration"inIEEETransactionsonIndustrialinformaticsdor:70.7109/TI.2021.3095506.[6]J.Kang,Z.Xiong,D.Niyato,etal,"IncentiveMechanismforReliableFederatedLearning:AJointOptimizationApproachtoCombiningReputationandContractTheory,"inIEEEInternetofThingsJournal,vol.6,no.6,pp.10700-10714,Dec.2019,doi:10.1109/JOT.2019.2940820.上海文通大學SAJGIALILAOTONGUAEVYRSTY人工智能在電力系統(tǒng)中的應(yīng)用上海文通大學SAJGIALILAOTONGUAEVYRSTY22算法結(jié)構(gòu)模型結(jié)構(gòu)時間步長：日/月/年多時間尺度預(yù)測算法結(jié)構(gòu)輸入數(shù)拒隱含層輸入層隱含層輸入層隱含層隱含層輸出層輸出層預(yù)訓練與微調(diào)更新結(jié)合，動態(tài)調(diào)整訓練速度Y構(gòu)近進練樣本集標術(shù)化處理一一一一實只時間戳加載歷史模藍記憶信息：利于時序數(shù)據(jù)相關(guān)性學習；避時間戳加載歷史模藍記憶信息：利于時序數(shù)據(jù)相關(guān)性學習；避免RNNs存在的梯度消失問題hh00newcellcontentnewcellcontentNeuralNenorkNeuralNenork通過Adam優(yōu)化器修正雙里：l=k+1C網(wǎng)絡(luò)后輸上狀態(tài)計算訓練生驗證集誤莖重送差在允許范圍內(nèi)N↓YYN、小十消練樣二數(shù)保存模型多數(shù)結(jié)束人工智能在電力系統(tǒng)中的應(yīng)用基于多階段并行隱馬爾科夫模型的可再生能源出力預(yù)測基于多階段并行隱馬爾科夫模型的可再生能源出力預(yù)測基于多階段PHMM光伏出力預(yù)測流程原始光伏出力時間序列基于天氣類型的光伏出力時間序列光伏出力時間序列訓練天氣敏感區(qū)域天氣類型I天氣類型Ⅱ天氣類型ⅢHMM#1HMM#2上海交通大學天氣類型IV天氣非敏感區(qū)域●光伏出力時間序列訓練光伏出力時間序列訓練人工智能在電力系統(tǒng)中的應(yīng)用人工智能在電力系統(tǒng)中的應(yīng)用基于深度學習的故障診斷故障仿真潮流數(shù)據(jù)序網(wǎng)數(shù)據(jù)動態(tài)數(shù)據(jù)故障集基于深度學習的故障診斷故障仿真潮流數(shù)據(jù)序網(wǎng)數(shù)據(jù)動態(tài)數(shù)據(jù)故障集三相短路接地單相短路接地兩相相間短路兩相接地短路數(shù)據(jù)歸一化數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理典型場景、臨界場景→結(jié)論數(shù)據(jù)分析與可視化數(shù)據(jù)分析與可視化深度學習配參分類器十卷積神經(jīng)網(wǎng)絡(luò)深度前饋網(wǎng)絡(luò)分類器十卷積神經(jīng)網(wǎng)絡(luò)深度前饋網(wǎng)絡(luò)可視化平臺多覆蓋、多場景→大數(shù)據(jù)分析可視化平臺上海文通大學上海文通大學配電網(wǎng)往往采用小電流接地系統(tǒng)，其故障電流并不明顯，且配電網(wǎng)中元素及其行為日益復(fù)雜，這就給配電網(wǎng)故障特別是單相接地故障的診斷提出了挑戰(zhàn)。故障判據(jù)不明顯是診斷的核心難點。通過深度學習，從運行數(shù)據(jù)中自適應(yīng)的提取診斷判據(jù)，實現(xiàn)故障檢測、辨識和mLBBBe基于深度自編碼器的降維散點圖故障檢測及辨識結(jié)果黃態(tài)清洗、預(yù)姓理帝參的標準你磁按庫(夠簽樣本大數(shù)據(jù)4差糾測試*置阿絡(luò)恐墾和初約柳職，定惚》枚測、辨詞，頭線。妝實體/數(shù)接不#型評估一以合交化(標簽)模草在裁保.上海文通大學SMAJNGHAID40上海文通大學SMAJNGHAID40TONGUNTVEDSTy仿真系統(tǒng)示意圖--效果對比圖4神經(jīng)元個數(shù)為2-10-10-10-1時間步長1,學習率0.002,dropout初始迭代次數(shù)100000次batch_size=1,優(yōu)化器為adam+率0d軸電壓d(t-11白06A相接地短路情景下A相接地短路情景下負荷側(cè)有功值孿生系統(tǒng)示意圖翰入層LSTM層1LSTM層2LSTM層n翰出層上海文通大學人工智能在電力系統(tǒng)中的應(yīng)用上海文通大學基于基于GAN的負荷隨機場景生成#"高斯噪聲11叛別器1叛別器n1奶npw合成數(shù)據(jù)真假判斷1真假判斷1頁上海交通大學SALANGJALD40TOCUSTVIBSTY人工智能在電力系統(tǒng)中的應(yīng)用上海交通大學SALANGJALD40TOCUSTVIBSTY主網(wǎng)側(cè)主網(wǎng)側(cè)能量路由器智能體能體0燃料電池智能體燃料電池智能體風機智能體光伏智能體光伏風機5EANGJHALI40TONCUEVID5EANGJHALI40TONCUEVID多智能體系統(tǒng)(multi-agentsystem,MAS),也稱為多代理系統(tǒng)，由具有自治控制和響應(yīng)調(diào)控指令能力的多個分布式可控單元構(gòu)成。交互、協(xié)調(diào)、達成一致的社會能力。通信系統(tǒng)日標場景1通信系統(tǒng)日標場景1決策11效應(yīng)器效應(yīng)器決策器決策器運行環(huán)境控制器+1控制器+1上海文通大學人工智能在電力系統(tǒng)中的應(yīng)用上海文通大學基于分布式人工智能的能量路由器能量轉(zhuǎn)換中心交換機交換機交換機交換機能源交換機交換機尋址模型識別數(shù)據(jù)傳輸遠程控制信息安全信息流壹壓器遍信網(wǎng)絡(luò)標準化通遍信網(wǎng)絡(luò)標準化通信接口標準化電氣接口標準化通信接口熱電聯(lián)供數(shù)據(jù)熱電聯(lián)供熱-冷轉(zhuǎn)換w電-熱/冷熱-冷轉(zhuǎn)換w電-熱/冷轉(zhuǎn)換信息安全信息流通信網(wǎng)絡(luò)通信網(wǎng)絡(luò)網(wǎng)絡(luò)分析決策能量用戶運營上海文通大學上海文通大學 -以充放電費用最小化為目標一并兼顧狀態(tài)轉(zhuǎn)換次數(shù)最小化一自主選擇充電計劃提交給本地運營商②本地運營商-以峰谷差最小化為目標-對EV提交的充電計劃進行審核-選取充電計劃并下達給EV智能體時刻一-以配網(wǎng)安全為約束-對本地運營商的購電計劃進行管控-若發(fā)現(xiàn)安全約束越限，則提高該時段電價，轉(zhuǎn)移充電負荷人工智能在電力系統(tǒng)中的應(yīng)用區(qū)域能源互聯(lián)網(wǎng)細胞-組織分層架構(gòu)現(xiàn)實環(huán)境并行學習一-一一虛擬環(huán)境50-5SCADA來情平臺實葉參上庫平臺①doeoNV:風機出力須測②偵訓練模型：開常負可歷史數(shù)據(jù)辨別電能質(zhì)顯檢測儀動態(tài)無功補供去消濾被本債數(shù)節(jié))layerk③隨機，矩陣負荷激增、網(wǎng)終運決策laysrgradient等深度強化學習的優(yōu)化決策方法善行方絕u職際資解#1經(jīng)2人工智能模型3人工智能在電力系統(tǒng)中的應(yīng)用4人工智能延伸上海貢通大學上海貢通大學虛擬電廠匯聚的各DER在保證并網(wǎng)穩(wěn)定性的前提下，在選擇和交易時應(yīng)滿足公開透明、公平可信、成本低廉的要求，這正是虛擬電廠發(fā)展所面臨的挑戰(zhàn)。而區(qū)塊鏈技術(shù)與虛擬電廠的融合，保證各DER獲得公平公開的信息，利益得到合理分配，激勵其降低成本、參與競爭，激發(fā)各單元參與調(diào)度的積極性，使其自愿參與系統(tǒng)的維護工作，同時促進各DER積極參與輔助服務(wù)市場。開放透明安全性上海交通大學上海交通大學指導指導支撐落地任務(wù)1分層互動型市場機制與可信交易架構(gòu)與人工智能交易技術(shù)市場層級+信用評價多代理+主側(cè)鏈任務(wù)3側(cè)鏈分布式資源層自適應(yīng)定價與智能合約化表征技術(shù)任務(wù)3側(cè)鏈分布式資源層自適應(yīng)定價與智能合約化表征技術(shù)數(shù)據(jù)聚合+合約配置利用率數(shù)據(jù)聚合+合約配置利用率基于區(qū)塊鏈的虛擬電廠交易系統(tǒng)聚合商2解鎖主鏈鎖定解鎖主鏈主側(cè)鏈交互聚合商2商業(yè)商業(yè)聚合商1側(cè)鏈聚合商1叫充電樁商業(yè)叫充電樁商業(yè)與住宅林風電動態(tài)調(diào)整診斷預(yù)測診斷預(yù)測自我學習指令數(shù)字孿生是綜合運用感知、計算、建模等信息技術(shù)，通過軟件定義，對物理空間進行描述、診斷、預(yù)測、決策，進而實現(xiàn)物理空間與賽博空間的交互映射。(引用)上海文通大學上海文通大學鏡像、感知實體系統(tǒng)?Q1-Q4主數(shù)據(jù)驅(qū)動范式與算法：大數(shù)據(jù)分析&人工智能Q1-Q4主數(shù)據(jù)驅(qū)動范式與算法：大數(shù)據(jù)分析&人工智能照進模型功能1基于預(yù)學習的系統(tǒng)數(shù)字模型功能JU.超實時測試(通過虛擬場景進行策略預(yù)演)框閉環(huán)反鏡可臨指令執(zhí)行器傳感器人工干預(yù)功能工具數(shù)據(jù)特性空間物理空間人工干預(yù)功能工具數(shù)據(jù)特性空間物理空間功能1功能Ⅱ功能1功能Ⅱ三大功能ii.實時交互DT框架的三大特性→C4.與虛擬場景交互的能力.新時代DT的四大特征載體：三大特點、載體：三大特點、兩大功能孿生系統(tǒng)態(tài)勢感知策略優(yōu)化真實策略實現(xiàn)括態(tài)勢感知(監(jiān)控發(fā)生了什么)與虛擬仿真(推演可能誘發(fā)賀興，艾芊，朱天怡，邱才明，張東霞.數(shù)字李生在電力系統(tǒng)應(yīng)用中的機遇和挑戰(zhàn)[J/OL].電網(wǎng)技術(shù)，2020,44(6):2009-2019.能源互聯(lián)網(wǎng)數(shù)字孿生示意圖上海貢通大學能源互聯(lián)網(wǎng)數(shù)字孿生示意圖物理空間物理空間系統(tǒng)級(能源互聯(lián)網(wǎng)系統(tǒng))網(wǎng)數(shù)字空間交易信息環(huán)境變化O組織數(shù)據(jù)驅(qū)動的感知/推演(虛)→指令下達(虛數(shù)字空間交易信息環(huán)境變化O組織與規(guī)則與規(guī)則細胞2◎荷 細胞2◎荷 儲數(shù)字孿生組織數(shù)字孿生系統(tǒng)態(tài)勢感知態(tài)勢感知超實時虛擬推演產(chǎn)消者組織分析統(tǒng)籌細胞單元自治基于數(shù)字孿生技術(shù)的細胞-組織框架下電網(wǎng)組織分析統(tǒng)籌細胞單元自治基于數(shù)字孿生技術(shù)的細胞-組織框架下電網(wǎng)主體行為及策略研究大學綜合建模源、荷、儲互動優(yōu)化分配與分層優(yōu)化控制耦合設(shè)備建模多能互補多智能體協(xié)調(diào)調(diào)度指令執(zhí)行運行優(yōu)化市場交易異源大數(shù)據(jù)分析內(nèi)容④:行為策陷虛擬推內(nèi)容③:影響運行的關(guān)態(tài)勢感知態(tài)勢感知運行決策現(xiàn)實環(huán)競并行學習----→虛擬環(huán)境odeep-CNN;風機出力預(yù)測odeep-CNN;風機出力預(yù)測委預(yù)夜型異常負荷歷史數(shù)粥區(qū)斑控中心A①隨機垣陣負荷跛道、網(wǎng)紹啊)拓掃改空、竊電檢測度網(wǎng)絡(luò)；隨機矩陣理論等分析技術(shù)：異源高維數(shù)據(jù)自治區(qū)域的分析與處理技術(shù)；高維動態(tài)劃分判據(jù)的構(gòu)建及評估技術(shù)形1之112ufuf梁③基于高維相關(guān)性分折的素溯源SMANGJAAIt40SMANGJAAIt40TONCUS設(shè)備性能預(yù)警設(shè)備性能預(yù)警整體框架狀態(tài)監(jiān)測基礎(chǔ)特征參量44MwwS圖1基于微電網(wǎng)能源管理系統(tǒng)的數(shù)字孿生模型在MATLAB/Simulink中為可再生微電網(wǎng)能源管理系統(tǒng)建立的數(shù)字孿生模型，包含了柴油發(fā)電機作為基礎(chǔ)發(fā)電機組，光伏發(fā)電廠與風力發(fā)電場結(jié)合，生產(chǎn)可再生能源；V2G(VehicletoGrid)系統(tǒng)安裝在系統(tǒng)的最后一部分，作為電網(wǎng)的負載。該微電網(wǎng)的規(guī)模代表了一個社區(qū)近1000戶家庭在春季或秋季低消耗的一天，基礎(chǔ)模型中有100輛電動汽車，這意味著汽車和家庭之間的比例是1:10。在新風電場上線使用之前必須要預(yù)測發(fā)電量，并確保整個電力系統(tǒng)的安全、可靠運行。這就必須確定當新的風電場連接到電網(wǎng)時，需要多少設(shè)備，如靜態(tài)無功補償器(SVCs)等，同時對電機瞬態(tài)來確保電網(wǎng)和風電場之間動態(tài)相互作用的穩(wěn)定性。上海文通大學上海文通大學多智能體協(xié)調(diào)控制系統(tǒng)樹萄派n-i稀疏通信網(wǎng)絡(luò)410接口三“源-荷-儲”物理實體智慧微電網(wǎng)本地數(shù)字一物理李生體網(wǎng)關(guān)ee圖3基于樹莓派的智慧微電網(wǎng)多智能體數(shù)字孿生模型調(diào)也狀香、象數(shù)圖機器學習相飯口的的測端度經(jīng)網(wǎng)絡(luò)溯游負荷預(yù)2時電價興伏出力預(yù)湘計算口標密數(shù)值對種樣Z中齊網(wǎng)較算略進行梓、刻叉、配,產(chǎn)生子代種面A/使短精筑策略，篩范出N個最調(diào)度解，12圖4基于數(shù)字孿生驅(qū)動的多目標優(yōu)化算法舌箱箱P部W234560口0年年6顯世h圖5組合功率預(yù)測及微電網(wǎng)優(yōu)化控制上海交通大學上海交通大學開關(guān)柜透視圖開關(guān)暢陶放表設(shè)備3D全景透視設(shè)備3D全景透視轄區(qū)轄區(qū)設(shè)備全局信息轄區(qū)變電站預(yù)警統(tǒng)計專家知識庫智能告警報告報表智能分析報告報表報告報表二次設(shè)備微機保護裝置一次設(shè)備變壓器手持終端無人機智能分析http://dianbo.w設(shè)備層設(shè)備層機器人視頻機器人分析案例1——開關(guān)柜局放診斷口數(shù)據(jù)化→信息化局部放電在線監(jiān)測不以測量型數(shù)據(jù)(數(shù)值)為主，而已診斷型數(shù)據(jù)(圖譜)為主。對于診斷型數(shù)據(jù)，需要借助大數(shù)據(jù)和人工智能技術(shù)，訓練自動化的故障預(yù)警專家系統(tǒng)。2E城熱局部放電在線監(jiān)測圖譜(例)上海文通大學上海文通大學1連證105015加zs2m地一陽7Q診5lz教上海文通大學SMEANGIAID40TONCUS上海文通大學SMEANGIAID40TONCUS尖端放電謝粒放電4實測新新929神經(jīng)網(wǎng)絡(luò)分類器N:標注監(jiān)測數(shù)據(jù)專家診斷算法N:標注專家系統(tǒng)的訓練尖端電暈數(shù)據(jù)展示預(yù)警顯示機器學習惡預(yù)處理預(yù)處理展示頁面大數(shù)據(jù)平臺N:新圖譜數(shù)字孿生系統(tǒng)新圖譜尖端電暈分析案例1——開關(guān)柜局放診斷特征特征5行5個特征各相位幅值四分位(25%)各相位幅值四分位(50%)各相位幅值四分位(75%)放電類型仿真數(shù)據(jù)樣本量共400個樣本，訓練集280,測試集120采用隨機森林算法分類算法上海文通大學分析案例2——變壓器油色譜診斷上海文通大學口實現(xiàn)狀態(tài)檢修是國網(wǎng)長期以來的訴求，不必要的檢修會浪費人力、財力，影響設(shè)備健康以及系統(tǒng)可靠性?？跔顟B(tài)評估工作已在國網(wǎng)推進數(shù)十年但成效并不顯著,其痛點在于難以找到有效的設(shè)備健康度評估指標。口該技術(shù)已應(yīng)用于主變壓器狀態(tài)檢修、配電網(wǎng)薄弱環(huán)節(jié)分析等項目并部署于實際系統(tǒng)中。口智能狀態(tài)評估一檢測(分類)、溯源—判據(jù)、指標體系—數(shù)據(jù)標準化、標簽化—仿真技術(shù)二外測溫DutaL離綏Corons二外測溫=油能試始=紗組溢度料料聲聲配電網(wǎng)薄弱環(huán)節(jié)分析團器經(jīng)典：各設(shè)備量測數(shù)據(jù)→不同指標數(shù)據(jù)驅(qū)動：各設(shè)備量測數(shù)據(jù)→高維指標→判斷數(shù)據(jù)需求：多類運行的電氣非電氣量(類型大于1