摘要：傳統(tǒng)電網(wǎng)調(diào)控難以適應在新形勢下大電網(wǎng)安全穩(wěn)定運行面

2060年，我國預計全社會用電量約為15萬[24傳統(tǒng)的以人工經(jīng)驗認知和自動化系統(tǒng)為基礎(chǔ)的電升電網(wǎng)安全穩(wěn)定分析與運行調(diào)控能力的重要技術(shù)手段之一[56。通用人工智能技術(shù)在電力系統(tǒng)中的應用范式方面具有明顯優(yōu)勢。AI系統(tǒng)主要遵循了“以技術(shù)為等應用隱患，也引發(fā)了AI系統(tǒng)開發(fā)應當“以技術(shù)AI模型的自動化執(zhí)行流程，難L1

AIL2-L3級別的發(fā)展階段，即部分AI模型分別負人在回路的混合增強智能方法為實現(xiàn)上述階AI系統(tǒng)緊密結(jié)合。在該系統(tǒng)中，AI模型作為性、安全性與魯棒性[10-12]AI模型自主-AI大學在2019年成立了“以人為中心AI”(human-centeredAI，HCAI)研究中心，致力于開發(fā)AI系統(tǒng)[12-13]；加州大學圣研究[16-17]。美國國防高級研究計劃局(defenseadvancedresearchprojectsagency，DARPA)啟動的AI模型與人人類-機器混合系統(tǒng)中AI模型對于人類的影響以及算法決策的安全性、公平性等問題[8]。百度發(fā)布《2019AIAI信任成本等方面已經(jīng)取得了進展。應該說人?AIAI系統(tǒng)的研發(fā)策略。本文從混合增強智能的基礎(chǔ)理論與關(guān)鍵技術(shù)仿真計算支撐。電網(wǎng)仿真系統(tǒng)是實際電網(wǎng)變化，則會演變?yōu)椤皩\生系統(tǒng)”[4]。人在回路的混混合電網(wǎng)調(diào)控的典型工作場景，及時反饋電網(wǎng)響應，并為算法訓練提供所需樣本。對于電網(wǎng)調(diào)控，I錯誤可I能力的“進化”。裝置、自動電壓控制(automaticvoltagecontrol，

系統(tǒng)安全責任重大。電網(wǎng)的安全運行關(guān)乎數(shù)學手段求得滿足各種條件的、精確的安全運行關(guān)人機混合增強智能研究所必須考慮的。I理智能調(diào)控系統(tǒng)的構(gòu)建不應改變現(xiàn)有調(diào)控系統(tǒng)的成I1好效果。已有電力系統(tǒng)是一個復雜的自動控制系只有確定人工智能干預比自動調(diào)控系統(tǒng)效果更好的情況下才需要考慮接受人工智能給出的結(jié)論。AI共同合作得出，同等條件或權(quán)AI的進步和人23、4決策與先驗知識、規(guī)程或人類決策的融合決策關(guān)5前的持續(xù)趨優(yōu)關(guān)系?；谌嗽诨芈坊旌显鰪娭悄苷{(diào)控系統(tǒng)構(gòu)建主

2以及AGC、AVC等自動控制手段屬于自動化程度與主導，機器AI基于數(shù)據(jù)挖掘分析提供輔助決策1(a)1(b)中的人機混合(機組、容抗器等(機組、容抗器等實時監(jiān) 調(diào)度計 安全校 調(diào)度管保護/安全自動裝置自動發(fā)電控制(AGC)自動電壓控制(機組、容抗器等(機組、容抗器等保護/安全自動裝 自動發(fā)電控制 自動電壓控制實時監(jiān) 調(diào)度計安全校 調(diào)度管實時 研究 規(guī)劃培訓 測試 多態(tài)模AI數(shù)據(jù)(樣本數(shù)據(jù)預處 模型和算 模型訓練和評模型數(shù)據(jù)運行數(shù)據(jù)1Fig.1Comparisonofhybrid-augmentedintelligenceapplicationandcurrentgeneralAIforpowersystem電網(wǎng)數(shù)字孿生系統(tǒng)、AI智能系統(tǒng)以及調(diào)控人員人機混合增強智能環(huán)節(jié)主要集中在以調(diào)控人對于圖1(b)中的電網(wǎng)調(diào)控人機協(xié)作的具體模224類主體，即電網(wǎng)實際系統(tǒng)、數(shù)字孿生系統(tǒng)、AI系統(tǒng)與人。其

統(tǒng)的演變、數(shù)據(jù)的積累以及人-AI之間的不斷交互 初始2Fig.2Human-AIcollaborationpatternofhybrid-augmentedintelligenceinpowersystemAI模型數(shù)據(jù)與知識的來源為電網(wǎng)實際系統(tǒng)及AI算法進行特征提取與凝AI2個環(huán)節(jié)，AI2中

I系統(tǒng)執(zhí)行的任務是通過電網(wǎng)調(diào)控人機任務分配環(huán)節(jié)優(yōu)化得到I系統(tǒng)I模型的訓練和評估，并將訓練好的I系統(tǒng)可以采用模型智能評估和可解釋性交互方I系統(tǒng)的知識庫和模型庫，提高I模型的性能。在執(zhí)行人機協(xié)作的調(diào)控任務過程I系統(tǒng)之間可通過主動詢問或者11通用人工智能與混合增強智能的主要特征對比Table1Comparisonofmaincharacteristicsofgeneralartificialintelligenceandhybrid-augmented特 通用人工智 混合增強智

風險等級較高狀態(tài)下或人工智能系統(tǒng)置信度水平低時，允許人類在I系統(tǒng)高自主性和低自主性之I系統(tǒng)運行。AI系A(chǔ)I

AI

釋 可解釋性 進 訓練，進行模型更

AI模型改進提供依據(jù)任務合作模式更豐富。如“AIAI置信預警機制，AI執(zhí)行過程中具有主動風險

的任務分配，并作為動態(tài)任務分配算法研究的對2間的高效配合?？紤]到電網(wǎng)調(diào)控工程實現(xiàn)的復雜性，元任務不宜無限細化，應該以機器或II歸結(jié)為分類、回歸、聚類等單一性質(zhì)的任務。1中主要從人-AI的交互方式、可解釋性、AI

元任務元任務元任務數(shù) 數(shù)交 交元任務人的元任 機器的元任技術(shù)與混合智能趨優(yōu)進化技術(shù)，在下文分別進行論述。

3

人機任務分配是人在回路混合增強智能研究

Fig.3Basicarchitectureofmetatask實現(xiàn)人機合作與分工的另一項重要技術(shù)在于AIAI模型的評估置信度，提供有效的人機控制權(quán)轉(zhuǎn)移機制。在可解釋可解釋模型可信、魯棒性評估缺陷 置信 安挖 評 校 (x),

式中：(x)為決策函數(shù)；C為模型結(jié)果的置信度評FK(x)。AI系統(tǒng)或人工經(jīng)驗決策系統(tǒng)。人機合作過程的可解釋交互是保證電網(wǎng)調(diào)控人工智能模型安全可信應用的重要前提[21-24學習模型的可解釋方法即在模型的決策過程中提供結(jié)果依據(jù)與執(zhí)行邏輯[25-26I

4Fig.4Lifecycleofexplainablemachinelearning單、易于理解的模型(如線型模型或決策樹)模擬復雜模型(如神經(jīng)網(wǎng)絡(luò))在局部范圍內(nèi)的決策行為。如針對電力系統(tǒng)靜態(tài)/要元件。1種典型的方法為局部代理模型inerpreabeodel-anoscepantonLIME[27。LIME會產(chǎn)生一個新的數(shù)據(jù)集，在這個新的數(shù)據(jù)集在新數(shù)據(jù)集上的預測結(jié)果和復雜模型在該數(shù)據(jù)集上的預測結(jié)果是相似的，即有：機器學習在大電網(wǎng)調(diào)控應用的可解釋交互體

Aexplanation(x)argminL(f,g,x)(g)g

2AI模型的構(gòu)建/訓練過程與人機協(xié)同決策過程，2個環(huán)節(jié)采用的可解釋方法基本類4所示。AI模型經(jīng)AI模型不斷迭代進化的生命周期。目前，關(guān)于電網(wǎng)2個方面開展研AI模型。

基于知識圖譜的電網(wǎng)輔助決策系統(tǒng)等[20學習模型而言，則需要從已知的電力系統(tǒng)知識出發(fā)，構(gòu)建數(shù)據(jù)-知識融合決策模型，嘗試根據(jù)已知AII輸入和輸出間的推理機制。需要說明的是，并非所有AI模型的應用都需AI模型“未見過”、“不熟AI數(shù)學理論發(fā)展不完善的情況下，通AI決策的安全性。提示人進行介入的手段。AI提供其決策邏AI模型的應用和不人機可解釋交互方法體現(xiàn)和支撐了“人機合電力系統(tǒng)中的機器學習方法一般采用“訓練–測試–I算法擁有不同程”為基本設(shè)計目標，I模型監(jiān)控與指導，形成[28]與模仿學習方法等。

執(zhí)行過程中主動尋求幫助或獲取人類確認的方法[29-30]5AI模x*的量化評估和選取，即 x*argmaxP(y|x)lnP( /習模型中。該類方法是一個迭代式的交互訓練過能或者不再提供標注數(shù)據(jù)為止。在每次迭代過程5Fig.5Activemachinelearning模仿學習方法是指人工智能模型從電網(wǎng)調(diào)度相匹配。例如，基于逆向強化學習(inverse

AI模型或系統(tǒng)之間的協(xié)同與合作，可執(zhí)行AI系統(tǒng)難以完成的復雜任務。另外，由于不 tR(s)|*] tR*(s)|

實現(xiàn)多人機協(xié)同的一類典型方式是引入人類迭代式設(shè)計和測評方法應用在電力系統(tǒng)調(diào)控模型I系統(tǒng)的“有意義的人類控制”。最小化介入次數(shù)及最大化干預效果中實現(xiàn)模型性能提升。

I突。一種人類指導性強化學習方法的實現(xiàn)框架如6計了適應人類指導的優(yōu)先經(jīng)驗重放機制[36]6中1~4表示數(shù)據(jù)的流向順序，該框架允許間歇性RL行為策略的大多數(shù)探索未來電力系統(tǒng)的控制方式維度隨著控制設(shè)備運行方式。因此，基于單人-機可解釋交互與可介個調(diào)度系統(tǒng)內(nèi)多類人工智能模型與使用人員的協(xié)

l(r) 6 (1,6 Fig.6Frameworkofreinforcementlearningmethodwithhumanguidance

式中：1、22條決策軌跡；為人類實際的決2為均勻分布；P為智能體估計的人類偏好概率，expr(s1,

和調(diào)控規(guī)則機理分析，對混合智能進行數(shù)字化映AI

expr(s1,a1)expr(s2

AI

實現(xiàn)混合智能趨優(yōu)進化的具體方法如圖7

AI優(yōu)化式(5)在知識與規(guī)則安全約束下的多人機交互與協(xié)作方案，多人機策略需通過孿生系統(tǒng)進行校驗，保證I路的多人機智能系統(tǒng)面臨的主要困難在于人與機器的異質(zhì)性問題，人的主觀意圖存在較強的模糊性

型性能的持續(xù)提升，形成人-I的交互與反饋引導I型的實現(xiàn)方式是自動機器學習技術(shù)(Auto-machineligo)[38電力系統(tǒng)調(diào)控的不同任務，自適應地進行數(shù)據(jù)處[391組學習算法D(i)D(i)，目標是尋找具有*參數(shù)配置的算法*，使得該 算法在k

A*argmin1

L(A(j),

,D(i)

(j

k

AA,

合智能的終身學習(Life-logLarnng主要指人工智能模型應對電網(wǎng)結(jié)構(gòu)或運行方式持識與模型更新。電網(wǎng)調(diào)控人在回路混合智能涉及多人多機的

L 樣 樣 策略7Fig.7Optimizationandevolutionapproachesofhybrid-augmentedintelligence在符合電力系統(tǒng)調(diào)控的相關(guān)知識或安全約束的同時，實現(xiàn)模型和知識的不斷更新。于目前的調(diào)度自動化系統(tǒng)以及已有的調(diào)度框架(如[3等強調(diào)人工智能模型與人在訓練和在線應用過程中的交互與協(xié)同。如圖8N1

AI模型元任務，整措施、關(guān)鍵輸電斷面動態(tài)增容、故障后緊急控預案。I與人的交互協(xié)同主要體現(xiàn)在以下幾個方面：1）I決策需給出穩(wěn)定評估和決策控制的相應依據(jù)，例如通過可解釋溯因方法[22](如并量化評估影響電網(wǎng)熱穩(wěn)定輸送能力的關(guān)鍵設(shè)備元件，或直接通過I知識提取方法時生成電網(wǎng)安全規(guī)則，以作為預防或緊急控制預案制定的依據(jù)。例如對于雙回輸電線路中某一回線路發(fā)生預想故障的情況，需控制另一回線路潮流不超熱穩(wěn)限值，通過可解釋方法快速尋找調(diào)節(jié)最為