如何分辨一幅画作是人类还是人工智能（AI）绘制的？近期，人工智能绘画工具引发关注。只需要简单输入自己的想法，描绘一个场景或事件，AI便会生成画作。画作的色彩和意境都令人惊艳，但仔细观察一些可以被量化的细节，AI作画的缺陷便一目了然。例如，在Dall-E2模型所绘制的画中，由于AI并不能精确地掌握人物的手指、眼睛、人物所处背景中栏杆的间隔等细节元素，“四指或六指狂魔”的情况频现。这也显示了机器学习的局限：缺少对于物理模型与逻辑推导的理解，算力和代表性数据尚不充足，只是通过简单的数据训练，本质上是对所收集数据进行重组整合。

1956年，在达特茅斯会议上诞生了“人工智能”这一概念，其后六十多年，以深度学习为主要标志的人工智能在美国迅速崛起。斯坦福大学、哈佛大学计算机科学实验室、普林斯顿大学人工智能实验室等人工智能研究机构陆续出现，谷歌、微软、脸书、亚马逊等科技公司也将其作为重要的发展战略。2021年，美国人工智能国家安全委员会（NSCAI）向总统和国会递交最终版本的报告，“推进人工智能、机器学习和相关技术的发展以全面解决美国国家安全和国防需求”。

近年来，美国电力行业借助人工智能开展了一系列研究与实践，但尚处于起步阶段，在人工智能技术应用范围和模型选择方面均有发展空间。

(资料图)

应用虽多，但尚处起步阶段

目前，人工智能技术在美国电力系统的主流应用有六个方面：状态估计、潮流计算、电压与频率控制、故障识别、系统预测和市场分析。

使用人工智能采集数据并对数据进行状态估计是早期数据分析在电力领域的运用。调度人员若想掌握调度管辖范围内系统的运行情况，需要先采集实时量测信息等数据，再将相关数据传输到调度中心进行分析，通过人工智能对大量的实时数据进行预处理、筛选，再利用数学方法进行推算，反映电力系统的运行状况。

过去十年，美国电力行业对最优潮流计算展开了一系列研究，如通过模型计算交流输电系统如何获得最优电压、角度和电流等，但大多属于探索，缺乏真正的落地应用。原因在于，虽然用人工智能做预加速、提前筛选约束，可以加快计算的速度，但同时，需要牺牲预测的准确性。也就是说，人工智能可以提高计算速度，但其结果也许不如通过纯物理模型计算的结果那么精准。

传统电力系统依靠发电机的惯性来保障电力系统稳定运行，但当系统接入更多的风能、太阳能等新能源发电装置时，为了保持电网频率的稳定，就必须要对电力电子设备接入电网进行调节，人工智能可以在电压和频率控制方面发挥更大的作用。在这一领域，美国在强化学习与决策策略方面做了较多研究。

人工智能参与系统预测的应用在美国较为广泛，包括对风力发电的预测、太阳能发电的预测和对负荷进行预测。在负荷预测中，一种较为广泛的应用是利用高频率的特征值识别家用电器的用电量，这种负荷预测的模型和金融预测的模型是共通的。

除了以上四点，人工智能还可以根据采集的信号数据，通过小样本技术进行分析，对系统故障进行定性定位。

此外，美国电力市场还利用人工智能开展价格预测研究，通过强化学习模拟市场博弈活动，对市场平衡进行分析，并对新型市场设计进行评估，但这方面研究尚处于起步阶段。

电网侧要储能，更要AI辅助

在美国，储能对电网的重要性也越来越突出。

根据美国能源信息管理署（EIA）日前发布的一份调查报告，2022年美国部署的电池储能系统装机容量约为8.8吉瓦，预计到2023年美国将部署9.4吉瓦储能系统。美国大约41%的新增太阳能发电设施将部署在加利福尼亚州和得克萨斯州，大约71%新增电池储能系统也将部署在这两个州。

以加利福尼亚州为例，目前其拥有近5吉瓦储能装机，容量接近加州电力系统总容量的六分之一。电网储能必须依靠人工智能的辅助，才能更有效地参与电力系统运行与电力市场交易。

加州的储能系统已经开始使用机器学习等人工智能技术来设定市场参与策略。具体来看，就是对价格进行预测时，通过人工智能对价格进行预测生成市场竞价单，明确“什么价钱想卖，什么价钱想买”。这和买卖股票很类似，只是在运用到储能领域时需考虑电池使用时间或容量限制，这些约束也极大的增加了预测难度。

对于能源公司而言，必须要运用人工智能对储能市场化策略进行优化。原因在于，虽然美国电力系统是在电力调度基础上叠加了市场模型，但仍然是以传统电力系统为基础进行调度布局。这种基于火电的调度系统，难以很好地发挥储能的作用。当前，储能装机容量在整体装机容量中的比重越来越大，业界期待其能发挥更大的作用。只有借助人工智能增强实时预测能力，才能让储能在调度系统里更好地实现“削峰填谷”。

除了在电网侧储能方面发挥作用，人工智能在储能领域的另一项应用就是电池管理，即对电池的电量，阻抗，与温度状态进行诊断，对电池老化情况进行预测，这将有助于提升储能系统的安全性和经济性。

与垂直领域融合，

向混合物理模型进发

电力系统对人工智能的可靠性要求高，但因神经网络的结构复杂，有价值、有代表性的训练数据较少，加上数据重复性较高，系统很难进行准确预测。此外，电源管理单元可以生成大量数据，但数据内嵌在物理构造里，这导致很多数据都是重复性的，难以像生成文本或者绘画创作那样，通过大量数据进行倒逼性训练。同时，电力系统运行的节点不同，每个发电机组也不同，加上季节、负载等因素，系统数据的差异性较大，很难开展重复性训练。这就造成一个结果：基于单一的物理模型的人工智能缺乏逻辑。

随着人工智能与更多垂直领域融合，其模型创新升级的步伐会不断加快，混合物理模型的人工智能将出现在电力系统中，通过以下三方面应用发挥作用：

一是利用物理模型进行数据预处理，降低机器学习对数据的要求或者对准确性的要求，以便后续工作的对接。比如在潮流计算中，利用拉格朗日松弛来用神经网络直接预测电网潮流约束的对偶值，从而倒推最优潮流。

二是在训练目标函数里内嵌应用目标。这是人工智能参与电力系统运行更关键的一步。在训练人工智能做负荷预测时，不应仅强调保证负荷的准确度，还要强调计算负荷误差对系统调度的影响。

三是在神经网络中内嵌物理模型函数。如此一来，只需要掌握部分现象的大致物理模型，就可以将其内嵌到神经网络里，作为神经网络中的一层，利用人工智能让神经网络学习计算出其参数。除了电力系统，这个方向的应用成果还可以在其他领域发挥作用，比如气候建模或者物理建模等领域。

（作者系美国哥伦比亚大学地球与环境工程系和电子工程系助理教授）

标签：