Knowledge Evolution Technology Based on Hybrid-augmented Intelligence for Improving Practicability of Artificial Intelligence in Power Grid Dispatch

YAO Jianguo; YU Tao; YANG Shengchun; PAN Zhenning; LI Yaping; ZHANG Xiaoshun

doi:10.7500/AEPS20220110004

您当前的位置：

首页 >

文章列表页 >

Knowledge Evolution Technology Based on Hybrid-augmented Intelligence for Improving Practicability of Artificial Intelligence in Power Grid Dispatch

Views | 更新时间：2025-06-16

- Knowledge Evolution Technology Based on Hybrid-augmented Intelligence for Improving Practicability of Artificial Intelligence in Power Grid Dispatch
- Automation of Electric Power Systems Vol. 46, Issue 20, Pages: 1-12(2022)
- 作者机构：
  
  1.中国电力科学研究院有限公司(南京),江苏省南京市 210003
  2.华南理工大学电力学院,广东省广州市 510640
  3.东北大学佛山研究生院,广东省佛山市 528311
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(U2066212)
- DOI：10.7500/AEPS20220110004
  CLC：
- Received：10 January 2022，
  
  Revised：2022-06-30，
  
  Published Online：17 August 2022，
  
  Published：25 October 2022
- 稿件说明：
移动端阅览
姚建国,余涛,杨胜春等.提升电网调度中人工智能可用性的混合增强智能知识演化技术[J].电力系统自动化,2022,46(20):1-12.

YAO Jianguo,YU Tao,YANG Shengchun,et al.Knowledge Evolution Technology Based on Hybrid-augmented Intelligence for Improving Practicability of Artificial Intelligence in Power Grid Dispatch[J].Automation of Electric Power Systems,2022,46(20):1-12.
姚建国,余涛,杨胜春等.提升电网调度中人工智能可用性的混合增强智能知识演化技术[J].电力系统自动化,2022,46(20):1-12. DOI： 10.7500/AEPS20220110004.

YAO Jianguo,YU Tao,YANG Shengchun,et al.Knowledge Evolution Technology Based on Hybrid-augmented Intelligence for Improving Practicability of Artificial Intelligence in Power Grid Dispatch[J].Automation of Electric Power Systems,2022,46(20):1-12. DOI： 10.7500/AEPS20220110004.

摘要

在电网调度决策领域应用人工智能(AI)技术已成为研究热潮

但目前AI技术在泛化性、安全性、可解释性等方面的缺陷成为阻碍其实际应用的瓶颈。作为新一代人工智能五大技术方向之一，混合增强智能将人的认知引入人工智能系统中，与机器智能共同形成的混合智能形态，有望成为突破当前AI应用瓶颈的重要方法体系。文中重点研究混合增强智能调度的基础框架——人机协同知识演化机理和方法，为将当前“机器辅助调度”模式提升到“混合增强智能调度”模式奠定理论基础。首先，分析了当前AI技术在电网调度决策中的应用现状；其次，阐述了知识演化的内涵，并提炼科学问题；再则，探讨了知识演化的实现思路，并归纳为“一个架构、二个通道、一个推理机制”；最后，分别从知识架构、知识获取、知识解释和知识推理对支撑知识演化的4项关键技术进行了研究，提出了研究参考思路和实现方法。

Abstract

There has been a research upsurge of applying artificial intelligence (AI) to the decision-making of power systems dispatch. However

the defects of existing AI technologies in generalization

safety and interpretability have become the bottleneck that hinders its practical application. As one of five technological directions of the new generation AI

the hybrid-augmented intelligence introduces human cognition to AI systems

which forms a hybrid intelligence pattern together with machine intelligence. It is expected to offer an important methodology to break through the application bottleneck of current AI. This paper establishes a theoretical basis for promoting the current machine-aided dispatch mode to hybrid-augmented intelligent dispatch

and investigates the fundamental framework of hybrid-augmented intelligent dispatch which is further described as a mechanism and a method of human-machine collaborative knowledge evolution. Firstly

the existing research on applying AI to the power system dispatch is analyzed. Secondly

the connotation of collaborative knowledge evolution is clarified and its scientific problems are proposed. Thirdly

the realization idea of collaborative knowledge evolution is discussed and is further summarized as “one framework

two passageways

and one reasoning mechanism”. Finally

this paper investigates the four key technologies of collaborative knowledge evolution

including knowledge framework

knowledge acquisition

knowledge explanation

and knowledge reasoning. The research reference ideas and realization solutions for the four technologies are also provided.

关键词

Keywords

references

卓振宇，张宁，谢小荣，等 . 高比例可再生能源电力系统关键技术及发展挑战［J］. 电力系统自动化， 2021 ， 45 （ 9 ）： 171 - 191 .

ZHUO Zhenyu ， ZHANG Ning ， XIE Xiaorong ， et al . Key technologies and developing challenges of power system with high proportion of renewable energy ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 9 ）： 171 - 191 .

王彩霞，时智勇，梁志峰，等 . 新能源为主体电力系统的需求侧资源利用关键技术及展望［J］. 电力系统自动化， 2021 ， 45 （ 16 ）： 37 - 48 .

WANG Caixia ， SHI Zhiyong ， LIANG Zhifeng ， et al . Key technologies and prospects of demand-side resource utilization for power systems dominated by renewable energy ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 16 ）： 37 - 48 .

程乐峰，余涛，张孝顺，等 . 信息-物理-社会融合的智慧能源调度机器人及其知识自动化：框架、技术与挑战［J］. 中国电机工程学报， 2018 ， 38 （ 1 ）： 25 - 40 .

CHENG Lefeng ， YU Tao ， ZHANG Xiaoshun ， et al . Cyber-physical-social systems based smart energy robotic dispatcher and its knowledge automation： framework， techniques and challenges ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 1 ）： 25 - 40 .

余涛，程乐峰，张孝顺 . 基于信息-物理-社会系统融合和群体机器学习的弱中心化微元网：理论研究与关键科学问题分析［J］. 中国科学：技术科学， 2019 ， 49 （ 12 ）： 1541 - 1569 .

YU Tao ， CHENG Lefeng ， ZHANG Xiaoshun . The weakly-centralized Web-of-cells based on cyber-physical-social systems integration and group machine learning： theoretical investigations and key scientific issues analysis ［J］. Scientia Sinica （Technologica）， 2019 ， 49 （ 12 ）： 1541 - 1569 .

孙宏斌，郭庆来，潘昭光 . 能源互联网：理念、架构与前沿展望［J］. 电力系统自动化， 2015 ， 39 （ 19 ）： 1 - 8 .

SUN Hongbin ， GUO Qinglai ， PAN Zhaoguang . Energy Internet： concept， architecture and frontier outlook ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 19 ）： 1 - 8 .

姚建国，杨胜春，王珂，等 . 智能电网“源-网-荷”互动运行控制概念及研究框架［J］. 电力系统自动化， 2012 ， 36 （ 21 ）： 1 - 6 .

YAO Jianguo ， YANG Shengchun ， WANG Ke ， et al . Concept and research framework of smart grid “source-grid-load” interactive operation and control ［J］. Automation of Electric Power Systems ， 2012 ， 36 （ 21 ）： 1 - 6 .

孙宏斌，张伯明，吴文传，等 . 自律协同的智能电网能量管理系统家族：概念、体系架构和示例［J］. 电力系统自动化， 2014 ， 38 （ 9 ）： 1 - 5 .

SUN Hongbin ， ZHANG Boming ， WU Wenchuan ， et al . Autonomous-synergetic energy management system family for smart grids： concept， architecture and cases ［J］. Automation of Electric Power Systems ， 2014 ， 38 （ 9 ）： 1 - 5 .

柳文轩，赵俊华，黄杰，等 . 面向能源领域信息物理社会系统的行为仿真建模分析——以现货电力市场为例［J］. 电力系统自动化， 2020 ， 44 （ 4 ）： 8 - 15 .

LIU Wenxuan ， ZHAO Junhua ， HUANG Jie ， et al . Simulation and modelling analysis on behavior of cyber physical social system in energy： a case in electricity spot market ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 4 ）： 8 - 15 .

程乐峰，余涛，张孝顺，等 . 机器学习在能源与电力系统领域的应用和展望［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 15 - 31 .

CHENG Lefeng ， YU Tao ， ZHANG Xiaoshun ， et al . Machine learning for energy and electric power systems： state of the art and prospects ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 15 - 31 .

SLIVER D ， HUANG A ， MADDISON C J ， et al . Mastering the game of Go with deep neural networks and tree search ［J］. Nature ， 2016 ， 529 （ 7587 ）： 484 - 489 .

ZHENG N ， LIU X ， REN P ， et al . Hybrid-augmented intelligence： collaboration and cognition ［J］. Frontiers of Information Technology & Electronic Engineering ， 2017 ， 18 （ 2 ）： 153 - 179 .

郑南宁 . 人工智能新时代［J］. 智能科学与技术学报， 2019 ， 1 （ 1 ）： 1 - 3 .

ZHENG Nanning . The new era of artificial intelligence ［J］. Chinese Journal of Intelligent Science and Technology ， 2019 ， 1 （ 1 ）： 1 - 3 .

付海军，陈世超，林懿伦，等 . 人在回路的混合增强智能在Sawyer的研究与验证［J］. 智能科学与技术学报， 2019 ， 1 （ 3 ）： 280 - 286 .

FU Haijun ， CHEN Shichao ， LIN Yilun ， et al . Research and validation of human-in-the-loop hybrid-augmented intelligence in Sawyer ［J］. Chinese Journal of Intelligent Science and Technology ， 2019 ， 1 （ 3 ）： 280 - 286 .

杨瑞达，林欣，杨燕，等 . 基于混合增强智能的知识图谱推理技术研究［J］. 计算机应用与软件， 2019 ， 36 （ 6 ）： 149 - 154 .

YANG Ruida ， LIN Xin ， YANG Yan ， et al . Knowledge graph reasoning based on hybrid-augmented intelligence ［J］. Computer Applications and Software ， 2019 ， 36 （ 6 ）： 149 - 154 .

黄捷，陈宇韬，郑松 . 面向集群自主系统的人机混合增强智能研究进展［J］. 福州大学学报（自然科学版）， 2021 ， 49 （ 5 ）： 666 - 680 .

HUANG Jie ， CHEN Yutao ， ZHENG Song . Review on human-machine hybrid intelligence for autonomous system swarms ［J］. Journal of Fuzhou University （Natural Science Edition）， 2021 ， 49 （ 5 ）： 666 - 680 .

LI F Y ， QIN J H ， ZHENG W . Distributed Q-learning-based online optimization algorithm for unit commitment and dispatch in smart grid ［J］. IEEE Transactions on Cybernetics ， 2020 ， 50 （ 9 ）： 4146 - 4156 .

PAN Z N ， YU T ， LI J ， et al . Multi-agent learning-based nearly non-iterative stochastic dynamic transactive energy control of networked microgrids ［J］. IEEE Transactions on Smart Grid ， 2022 ， 13 （ 1 ）： 688 - 701 .

PAN X ， ZHAO T Y ， CHEN M H ， et al . Deep OPF： a deep neural network approach for security-constrained DC optimal power flow ［J］. IEEE Transactions on Power Systems ， 2021 ， 36 （ 3 ）： 1725 - 1735 .

ZHANG X S ， YU T ， PAN Z ， et al . Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 4 ）： 4097 - 4110 .

严梓铭，徐岩 . 结合深度强化学习与领域知识的电力系统拓扑结构优化［J］. 电力系统自动化， 2022 ， 46 （ 1 ）： 60 - 68 .

YAN Ziming ， XU Yan . Topology optimization of power systems combining deep reinforcement learning and domain knowledge ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 1 ）： 60 - 68 .

尚宇炜，郭剑波，吴文传，等 . 电力脑初探：一种多模态自适应学习系统［J］. 中国电机工程学报， 2018 ， 38 （ 11 ）： 3133 - 3143 .

SHANG Yuwei ， GUO Jianbo ， WU Wenchuan ， et al . Preliminary study of electric power brain： a multimodal adaptive learning system ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 11 ）： 3133 - 3143 .

赵晋泉，夏雪，徐春雷，等 . 新一代人工智能技术在电力系统调度运行中的应用评述［J］. 电力系统自动化， 2020 ， 44 （ 24 ）： 1 - 10 .

ZHAO Jinquan ， XIA Xue ， XU Chunlei ， et al . Review on application of new generation artificial intelligence technology in power system dispatching and operation ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 24 ）： 1 - 10 .

许洪强，姚建国，南贵林，等 . 未来电网调度控制系统应用功能的新特征［J］. 电力系统自动化， 2018 ， 42 （ 1 ）： 1 - 7 .

XU Hongqiang ， YAO Jianguo ， NAN Guilin ， et al . New features of application function for future dispatching and control systems ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 1 ）： 1 - 7 .

余建明，王小海，张越，等 . 面向智能调控领域的知识图谱构建与应用［J］. 电力系统保护与控制， 2020 ， 48 （ 3 ）： 29 - 35 .

YU Jianming ， WANG Xiaohai ， ZHANG Yue ， et al . Construction and application of knowledge graph for intelligent dispatching and control ［J］. Power System Protection and Control ， 2020 ， 48 （ 3 ）： 29 - 35 .

毛文博，李峰，徐鹏，等 . 源网荷互动运行仿真平台的设计与研制［J］. 电力系统自动化， 2019 ， 43 （ 22 ）： 209 - 216 .

MAO Wenbo ， LI Feng ， XU Peng ， et al . Design and development of source-grid-load interactive operation simulation platform ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 22 ）： 209 - 216 .

蒋逸雯，李黎，李智威，等 . 基于深度语义学习的电力变压器运维文本信息挖掘方法［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4162 - 4172 .

JIANG Yiwen ， LI Li ， LI Zhiwei ， et al . An information mining method of power transformer operation and maintenance texts based on deep semantic learning ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4162 - 4172 .

SILVER D ， SCHRITTWIESER J ， SIMONYAN K ， et al . Mastering the game of Go without human knowledge ［J］. Nature ， 2017 ， 550 （ 7676 ）： 354 - 359 .

GOODFELLOW I ， POUGET-ABADIE J ， MIRZA M ， et al . Generative adversarial networks ［J］. Communications of the ACM ， 2020 ， 63 （ 11 ）： 139 - 144 .

M WU ， M HUGHES ， S PARBHOO ， et al . Beyond sparsity： tree regularization of deep models for interpretability ［C］// The 32th AAAI Conference on Artificial Intelligence ， February 7 ， 2018， New Orleans ， USA ： 1670 - 1678 .

LI H Y ， MUELLER K ， CHEN X . Beyond saliency： understanding convolutional neural networks from saliency prediction on layer-wise relevance propagation ［J］. Image and Vision Computing ， 2017 ， 83 ： 70 - 86 .

YANG S ， LU H ， KANG S ， et al . On the localness modeling for the self-attention based end-to-end speech synthesis ［J］. Neural Networks ， 2020 ， 125 ： 121 - 130 .

ZHANG X ， CHEN Y ， YU T ， et al . Equilibrium-inspired multiagent optimizer with extreme transfer learning for decentralized optimal carbon-energy combined-flow of large-scale power systems ［J］. Applied Energy ， 2017 ， 189 ： 157 - 176 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Fast Transfer Capability Assessment for HVDC Considering Switching Control Characteristics of Renewable Energy Generation

Machine Learning Based Energy Management and Operation Control for Active Distribution Networks

Related Author

Jianguo YAO

Tao YU

Shengchun YANG

Zhenning PAN

Yaping LI

Xiaoshun ZHANG

YAN Jiongcheng

LIU Tianhao

Related Institution

Key Laboratory of Power System Intelligent Dispatch and Control of Ministry of Education (Shandong University)

School of Electrical Engineering, Xi’an Jiaotong University

Department of Electrical Engineering, Tsinghua University

State Key Laboratory of Power System Operation and Control (Tsinghua University)

Electric Power Research Institute of State Grid Shandong Electric Power Company

⁰