Retrospect and Prospect of Artificial Intelligence for Electric Power System —From Domain Intelligence to General Intelligence

LI Peng; YU Tao; LI Licheng; ZHANG Xiaoshun; PAN Zhenning; HUANG Wenqi; HUANG Zhanhong

doi:10.7500/AEPS20231226004

您当前的位置：

首页 >

文章列表页 >

Retrospect and Prospect of Artificial Intelligence for Electric Power System —From Domain Intelligence to General Intelligence

Review·Perspective | 更新时间：2025-06-16

- Retrospect and Prospect of Artificial Intelligence for Electric Power System —From Domain Intelligence to General Intelligence
- Automation of Electric Power Systems Vol. 48, Issue 16, Pages: 1-17(2024)
- 作者机构：
  
  1. 南方电网新型电力系统（北京）研究院有限公司，北京市 102209
  2. 华南理工大学电力学院，广东省广州市 510640
  3. 中国南方电网有限责任公司，广东省广州市 510623
  4. 东北大学佛山研究生创新学院，广东省佛山市 528311
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(52207105)
- DOI：10.7500/AEPS20231226004
  CLC：
- Received：26 December 2023，
  
  Revised：2024-05-27，
  
  Published Online：08 July 2024，
  
  Published：25 August 2024
- 稿件说明：
移动端阅览
李鹏,余涛,李立浧等.电力人工智能的演变与展望——从专业智能走向通用智能[J].电力系统自动化,2024,48(16):1-17.

LI Peng,YU Tao,LI Licheng,et al.Retrospect and Prospect of Artificial Intelligence for Electric Power System —From Domain Intelligence to General Intelligence[J].Automation of Electric Power Systems,2024,48(16):1-17.
李鹏,余涛,李立浧等.电力人工智能的演变与展望——从专业智能走向通用智能[J].电力系统自动化,2024,48(16):1-17. DOI： 10.7500/AEPS20231226004.

LI Peng,YU Tao,LI Licheng,et al.Retrospect and Prospect of Artificial Intelligence for Electric Power System —From Domain Intelligence to General Intelligence[J].Automation of Electric Power Systems,2024,48(16):1-17. DOI： 10.7500/AEPS20231226004.

摘要

新型电力系统快速发展背景下，海量多源异构信息与多类型业务深度耦合，电力系统运行面临着强复杂性、随机性等挑战。同时，加快构建灵活智能的新型电力系统是能源发展的重要战略，亟须形成具备智慧性、自适应性、安全性的电力人工智能技术体系，推动新型电力系统智能化转型发展。文中对电力人工智能技术的演变过程与研究现状进行回顾总结；分析了以预训练多模态大模型为基础的新一代电力人工智能（AI EPS）的技术框架、原理与关键技术方法；提出了电力大模型技术在电力系统感知预测、调控决策与运行规划等场景的应用方案；阐述了基于电力大模型的电力人工智能面临的技术难点与应用瓶颈。最后，对电力通用人工智能技术应用进行了总结与展望。

Abstract

In the background of rapid development of new power systems

the deep coupling between massive multi-source heterogeneous information and diverse business brings significant challenges such as strong complexity and randomness in the power system operation. Concurrently

accelerating the construction of a flexible and intelligent new power system is a crucial strategy for energy development. There is an urgent need to establish a technology system of artificial intelligence for electric power system (AI EPS) that is intelligent

self-adaptive

and secure

in order to promote the intelligent transformation and development of the new power system. This paper reviews and summarizes the evolution and current research status of AI EPS technologies. It analyzes the technical framework

principles

and key technical methods for the new generation of AI EPS

which is based on pre-trained multimodal large models. The application schemes for power large model technology in the scenarios such as perception prediction

dispatching and control decision-making

and operation planning are proposed. The technical challenges and application bottlenecks faced by electric artificial intelligence based on power large models are discussed. Finally

the application of electric artificial general intelligence technology is summarized and prospected.

关键词

Keywords

references

李立浧 . 透明电网赋能新型电力系统建设［J］. 中国电力企业管理， 2022 （ 1 ）： 14 - 17 .

LI Licheng . Transparent power grid empowering new power system construction ［J］. China Power Enterprise Management ， 2022 （ 1 ）： 14 - 17 .

李鹏，刘念，胡秦然，等 . “新型电力系统数字化关键技术综述”专辑评述［J］. 电力系统自动化， 2024 ， 48 （ 6 ）： 1 - 12 .

LI Peng ， LIU Nian ， HU Qinran ， et al . Commentary on special issue of reviews on key technologies for digitalization of new power system ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 6 ）： 1 - 12 .

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 .

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 .

李立浧，蔡泽祥，唐文虎，等 . 透明电网理论框架与关键技术［J］. 中国工程科学， 2022 ， 24 （ 4 ）： 32 - 43 .

LI Licheng ， CAI Zexiang ， TANG Wenhu ， et al . Theoretical framework and key technologies of transparent power grid ［J］. Strategic Study of CAE ， 2022 ， 24 （ 4 ）： 32 - 43 .

LIU Y H ， HAN T L ， MA S Y ， et al . Summary of ChatGPT-related research and perspective towards the future of large language models ［J］. Meta-Radiology ， 2023 ， 1 （ 2 ）： 100017 .

VOSS P ， JOVANOVIC M . Why we don’t have AGI yet ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2308.03598 http://arxiv.org/abs/2308.03598 .

PETERS M A ， JACKSON L ， PAPASTEPHANOU M ， et al . AI and the future of humanity： ChatGPT-4， philosophy and education—critical responses ［J］. Educational Philosophy and Theory ， 2023 ， 55 ： 1 - 35 .

SHAO Z ， ZHAO R Y ， YUAN S ， et al . Tracing the evolution of AI in the past decade and forecasting the emerging trends ［J］. Expert Systems with Applications ， 2022 ， 209 ： 118221 .

杨挺，赵黎媛，王成山 . 人工智能在电力系统及综合能源系统中的应用综述［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 2 - 14 .

YANG Ting ， ZHAO Liyuan ， WANG Chengshan . Review on application of artificial intelligence in power system and integrated energy system ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 2 - 14 .

PANDIT M . Expert system—a review article ［J］. International Journal of Engineering Sciences & Research Technology ， 2013 ， 2 （ 6 ）： 1583 - 1585 .

肖飞，叶康，邓祥力，等 . 基于最优编码集及智能状态估计的电网故障诊断方法［J］. 电力系统保护与控制， 2021 ， 49 （ 2 ）： 89 - 97 .

XIAO Fei ， YE Kang ， DENG Xiangli ， et al . A fault diagnosis method of a power grid based on an optimal coding set and intelligent state estimation ［J］. Power System Protection and Control ， 2021 ， 49 （ 2 ）： 89 - 97 .

刘志超，陈宏钟，张伟，等 . 基于专家系统的变电站电压无功控制装置［J］. 电力系统自动化， 2003 ， 27 （ 2 ）： 74 - 77 .

LIU Zhichao ， CHEN Hongzhong ， ZHANG Wei ， et al . Substation voltage and reactive power control device based on expert system ［J］. Automation of Electric Power Systems ， 2003 ， 27 （ 2 ）： 74 - 77 .

ZHOU Q ， DAVIDSON J ， FOUAD A A . Application of artificial neural networks in power system security and vulnerability assessment ［J］. IEEE Transactions on Power Systems ， 1994 ， 9 （ 1 ）： 525 - 532 .

巩泉役，彭克，陈羽，等 . 基于电弧随机性和卷积网络的交流串联电弧故障识别方法［J］. 电力系统自动化， 2022 ， 46 （ 24 ）： 162 - 169 .

GONG Quanyi ， PENG Ke ， CHEN Yu ， et al . Identification method of AC series arc fault based on randomness of arc and convolutional network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 24 ）： 162 - 169 .

周思思，李勇，郭钇秀，等 . 考虑时序特征提取与双重注意力融合的TCN超短期负荷预测［J］. 电力系统自动化， 2023 ， 47 （ 18 ）： 193 - 205 .

ZHOU Sisi ， LI Yong ， GUO Yixiu ， et al . Ultra-short-term load forecasting based on temporal convolutional network considering temporal feature extraction and dual attention fusion ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 18 ）： 193 - 205 .

刘聪 . 基于深度学习的配电网负荷自动协调控制方法［J］. 自动化应用， 2023 ， 64 （ 23 ）： 194 - 196 .

LIU Cong . Automatic load coordination and control method of power distribution network based on deep learning ［J］. Automation Application ， 2023 ， 64 （ 23 ）： 194 - 196 .

韩传家，张孝顺，余涛，等 . 风险调度中引入知识迁移的细菌觅食强化学习优化算法［J］. 电力系统自动化， 2017 ， 41 （ 8 ）： 69 - 77 .

HAN Chuanjia ， ZHANG Xiaoshun ， YU Tao ， et al . Optimization algorithm of reinforcement learning based knowledge transfer bacteria foraging for risk dispatch ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 8 ）： 69 - 77 .

王晓园 . 深度学习下电力调度数据自动备份系统设计及优化调度策略［J］. 电气技术与经济， 2023 （ 7 ）： 50 - 52 .

WANG Xiaoyuan . Design of automatic backup system for power dispatching data under deep learning and optimal dispatching strategy ［J］. Electrical Equipment and Economy ， 2023 （ 7 ）： 50 - 52 .

GOODFELLOW I ， POUGET-ABADIE J ， MIRZA M ， et al . Generative adversarial nets ［C］// International Conference on Neural Information Processing Systems ， November 18-22 ， 2014 ， Montreal， Canada .

XU X ， CHEN X Y ， WANG J ， et al . Cooperative multi-agent deep reinforcement learning based decentralized framework for dynamic renewable hosting capacity assessment in distribution grids ［J］. Energy Reports ， 2023 ， 9 ： 441 - 448 .

刘科研，周方泽，周晖 . 基于时序信号图像编码和生成对抗网络的配电网台区数据恢复［J］. 电力系统保护与控制， 2022 ， 50 （ 24 ）： 129 - 136 .

LIU Keyan ， ZHOU Fangze ， ZHOU Hui . Missing data imputation in a transformer district based on time series imaging encoding and a generative adversarial network ［J］. Power System Protection and Control ， 2022 ， 50 （ 24 ）： 129 - 136 .

龚承霄，李岩松，刘君，等 . 基于深度学习的大电网断面功率快速自动调整方法［J］. 电力系统自动化， 2023 ， 47 （ 2 ）： 181 - 190 .

GONG Chengxiao ， LI Yansong ， LIU Jun ， et al . Deep learning based fast automatic adjustment method for cross-section power of bulk power grid ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 2 ）： 181 - 190 .

赵慧敏，帅智康，沈阳，等 . 基于深度学习的多虚拟同步机微电网在线暂态稳定评估方法［J］. 电力系统自动化， 2022 ， 46 （ 9 ）： 109 - 117 .

ZHAO Huimin ， SHUAI Zhikang ， SHEN Yang ， et al . Online transient stability assessment method for microgrid with multiple virtual synchronous generators based on deep learning ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 9 ）： 109 - 117 .

NAHUM-SHANI I ， QIAN M ， ALMIRALL D ， et al . Q-learning： a data analysis method for constructing adaptive interventions ［J］. Psychological Methods ， 2012 ， 17 （ 4 ）： 478 - 494 .

GRONDMAN I ， BUSONIU L ， LOPES G A D ， et al . A survey of actor-critic reinforcement learning： standard and natural policy gradients ［J］. IEEE Transactions on Systems， Man， and Cybernetics： Part C （Applications and Reviews）， 2012 ， 42 （ 6 ）： 1291 - 1307 .

VELUSAMY B ， ANOUNEIA S M ， ABRAHAM G . Reinforcement learning approach for adaptive E-learning systems using learning styles ［J］. Information Technology Journal ， 2013 ， 12 （ 12 ）： 2306 - 2314 .

蔺伟山，王小君，孙庆凯，等 . 不确定性环境下基于深度强化学习的综合能源系统综合调度［J］. 电力系统保护与控制， 2022 ， 50 （ 18 ）： 50 - 60 .

LIN Weishang ， WANG Xiaojun ， SUN Qingkai ， et al . Dynamic dispatch of an integrated energy system based on reinforcement learning in an uncertain environment ［J］. Power System Protection and Control ， 2022 ， 50 （ 18 ）： 50 - 60 .

滕贤亮，高宗和，朱斌，等 . 智能电网调度控制系统AGC需求分析及关键技术［J］. 电力系统自动化， 2015 ， 39 （ 1 ）： 81 - 87 .

TENG Xianliang ， GAO Zonghe ， ZHU Bin ， et al . Requirements analysis and key technologies for automatic generation control for smart grid dispatching and control systems ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 1 ）： 81 - 87 .

冯斌，胡轶婕，黄刚，等 . 基于深度强化学习的新型电力系统调度优化方法综述［J］. 电力系统自动化， 2023 ， 47 （ 17 ）： 187 - 199 .

FENG Bin ， HU Yijie ， HUANG Gang ， et al . Review on optimization methods for new power system dispatch based on deep reinforcement learning ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 17 ）： 187 - 199 .

束嘉伟，杨挺，耿毅男，等 . 面向电力知识图谱构建的重叠实体关系联合抽取方法［J/OL］. 高电压技术： 1 - 11 ［ 2024-06-11 ］. https：//doi.org/10.13336/j.1003-6520.hve.20230772 https://doi.org/10.13336/j.1003-6520.hve.20230772 .

SHU Jiawei ， YANG Ting ， GENG Yinan ， et al . A joint extraction method for overlapping entity relationships in the construction of electric power knowledge graph ［J/OL］. High Voltage Engineering ： 1 - 11 ［ 2024-06-11 ］. https：//doi.org/10.13336/j.1003-6520.hve.20230772 https://doi.org/10.13336/j.1003-6520.hve.20230772 .

NICHOLSON D N ， GREENE C S . Constructing knowledge graphs and their biomedical applications ［J］. Computational and Structural Biotechnology Journal ， 2020 ， 18 ： 1414 - 1428 .

HOFFART J ， SUCHANEK F M ， BERBERICH K ， et al . YAGO2： a spatially and temporally enhanced knowledge base from Wikipedia ［J］. Artificial Intelligence ， 2013 ， 194 ： 28 - 61 .

蒲天骄，谈元鹏，彭国政，等 . 电力领域知识图谱的构建与应用［J］. 电网技术， 2021 ， 45 （ 6 ）： 2080 - 2091 .

PU Tianjiao ， TAN Yuanpeng ， PENG Guozheng ， et al . Construction and application of knowledge graph in the electric power field ［J］. Power System Technology ， 2021 ， 45 （ 6 ）： 2080 - 2091 .

李刚，李银强，王洪涛，等 . 电力设备健康管理知识图谱：基本概念、关键技术及研究进展［J］. 电力系统自动化， 2022 ， 46 （ 3 ）： 1 - 13 .

LI Gang ， LI Yinqiang ， WANG Hongtao ， et al . Knowledge graph of power equipment health management： basic concepts， key technologies and research progress ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 3 ）： 1 - 13 .

AL-MOSLMI T ， GALLOFRÉ OCAÑA M ， L OPDAHL A ， et al . Named entity extraction for knowledge graphs： a literature overview ［J］. IEEE Access ， 2020 ， 8 ： 32862 - 32881 .

陈宗源，余涛，丁茂生，等 . 基于时空卷积动态知识图谱的新能源消纳评估方法［J］. 电力系统自动化， 2023 ， 47 （ 15 ）： 46 - 54 .

CHEN Zongyuan ， YU Tao ， DING Maosheng ， et al . Renewable energy accommodation assessment method based on spatio-temporal convolution dynamic knowledge graph ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 15 ）： 46 - 54 .

刘梓权，王慧芳 . 基于知识图谱技术的电力设备缺陷记录检索方法［J］. 电力系统自动化， 2018 ， 42 （ 14 ）： 158 - 164 .

LIU Ziquan ， WANG Huifang . Retrieval method for defect records of power equipment based on knowledge graph technology ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 14 ）： 158 - 164 .

LIU P S ， TIAN B ， LIU X B ， et al . Construction of power fault knowledge graph based on deep learning ［J］. Applied Sciences ， 2022 ， 12 （ 14 ）： 6993 .

LIU L Q ， WANG B ， MA F Q ， et al . A concurrent fault diagnosis method of transformer based on graph convolutional network and knowledge graph ［J］. Frontiers in Energy Research ， 2022 ， 10 ： 837553 .

IBRAHIM M ， LOUIE M ， MODARRES C ， et al . Global explanations of neural networks： mapping the landscape of predictions ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/1902.02384 http://arxiv.org/abs/1902.02384 .

KIM B ， DOSHI-VELEZ F . Interpretable machine learning： the fuss， the concrete and the questions ［C］// 32nd International Conference on Machine Learning ， July 6-11 ， 2015 ， Lile， France .

MILLER T . Explanation in artificial intelligence： insights from the social sciences ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/1706.07269 http://arxiv.org/abs/1706.07269 .

景惠甜，韩丽，高志宇 . 基于卷积神经网络特征提取的风电功率爬坡预测［J］. 电力系统自动化， 2021 ， 45 （ 4 ）： 98 - 105 .

JING Huitian ， HAN Li ， GAO Zhiyu . Wind power ramp forecast based on feature extraction using convolutional neural network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 4 ）： 98 - 105 .

LUNDBERG S M ， LEE S I . A unified approach to interpreting model predictions ［C］// 31st International Conference on Neural Information Processing Systems ， December 4-9 ， 2017 ， Long Beach， USA ： 4768 - 4777 .

乔骥，郭剑波，范士雄，等 . 人在回路的电网调控混合增强智能初探：基本概念与研究框架［J］. 中国电机工程学报， 2023 ， 43 （ 1 ）： 1 - 15 .

QIAO Ji ， GUO Jianbo ， FAN Shixiong ， et al . Human-in-the-loop hybrid-augmented intelligence method for power system dispatching： basic concept and research framework ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 1 ）： 1 - 15 .

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

WANG F Y ， GUO J B ， BU G Q ， et al . Mutually trustworthy human-machine knowledge automation and hybrid augmented intelligence： mechanisms and applications of cognition， management， and control for complex systems ［J］. Frontiers of Information Technology & Electronic Engineering ， 2022 ， 23 （ 8 ）： 1142 - 1157 .

WEI J ， TAY Y ， BOMMASANI R ， et al . Emergent abilities of large language models ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2206.07682 http://arxiv.org/abs/2206.07682 .

WINATA G I ， MADOTTO A ， LIN Z J ， et al . Language models are few-shot multilingual learners ［EB/OL］. ［ 2023-09-30 ］. http：// arxiv.org/abs/2109.07684 http://arxiv.org/abs/2109.07684 .

KAPLAN J ， MCCANDLISH S ， HENIGHAN T ， et al . Scaling laws for neural language models ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2001.08361 http://arxiv.org/abs/2001.08361 .

TAO Z W ， LIN T E ， CHEN X C ， et al . A survey on self-evolution of large language models ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2404.14387 http://arxiv.org/abs/2404.14387 .

LYU Q ， TAN J ， ZAPADKA M E ， et al . Translating radiology reports into plain language using ChatGPT and GPT-4 with prompt learning： results， limitations， and potential ［J］. Visual Computing for Industry， Biomedicine， and Art ， 2023 ， 6 （ 1 ）： 9 .

Open AI . Models-GPT-3 ［EB/OL］. ［ 2023-03-12 ］. https：// platform.openai.com/docs/models/gpt-3 https://platform.openai.com/docs/models/gpt-3 .

钱力，刘熠，张智雄，等 . ChatGPT的技术基础分析［J］. 数据分析与知识发现， 2023 ， 7 （ 3 ）： 6 - 15 .

QIAN Li ， LIU Yi ， ZHANG Zhixiong ， et al . An analysis on the basic technologies of ChatGPT ［J］. Data Analysis and Knowledge Discovery ， 2023 ， 7 （ 3 ）： 6 - 15 .

罗锦钊，孙玉龙，钱增志，等 . 人工智能大模型综述及展望［J］. 无线电工程， 2023 ， 53 （ 11 ）： 2461 - 2472 .

LUO Jinzhao ， SUN Yulong ， QIAN Zengzhi ， et al . Overview and prospect of artificial intelligence large models ［J］. Radio Engineering ， 2023 ， 53 （ 11 ）： 2461 - 2472 .

刘睿珩，叶霞，岳增营 . 面向自然语言处理任务的预训练模型综述［J］. 计算机应用， 2021 ， 41 （ 5 ）： 1236 - 1246 .

LIU Ruiheng ， YE Xia ， YUE Zengying . Review of pre-trained models for natural language processing tasks ［J］. Journal of Computer Applications ， 2021 ， 41 （ 5 ）： 1236 - 1246 .

LI B Z ， GU J J ， JIANG W Z . Artificial intelligence （AI） chip technology review ［C］// 2019 International Conference on Machine Learning， Big Data and Business Intelligence （MLBDBI）， November 8-10 ， 2019 ， Taiyuan， China ： 114 - 117 .

鲁蔚征，张峰，贺寅烜，等 . 华为昇腾神经网络加速器性能评测与优化［J］. 计算机学报， 2022 ， 45 （ 8 ）： 1618 - 1637 .

LU Weizheng ， ZHANG Feng ， HE Yinxuan ， et al . Evaluation and optimization for Huawei ascend neural network accelerator ［J］. Chinese Journal of Computers ， 2022 ， 45 （ 8 ）： 1618 - 1637 .

叶青 . 南网数研院：研发我国首款电力专用主控芯片“伏羲”实现规模化应用［J］. 广东科技， 2021 ， 30 （ 9 ）： 29 - 30 .

YE Qing . Southern Network Institute of Mathematics： research and development of China’s first power dedicated main control chip “Fuxi” to achieve large-scale application ［J］. Guangdong Science & Technology ， 2021 ， 30 （ 9 ）： 29 - 30 .

RAHAMAN M S ， TAHMID AHSAN M M ， ANJUM N ， et al . From ChatGPT-3 to GPT-4： a significant advancement in AI-driven NLP tools ［J］. Journal of Engineering and Emerging Technologies ， 2023 ， 1 （ 1 ）： 50 - 60 .

赵俊华，文福拴，黄建伟，等 . 基于大语言模型的电力系统通用人工智能展望：理论与应用［J］. 电力系统自动化， 2024 ， 48 （ 6 ）： 13 - 28 .

ZHAO Junhua ， WEN Fushuan ， HUANG Jianwei ， et al . Prospect of artificial general intelligence for power systems based on large language model： theory and applications ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 6 ）： 13 - 28 .

ZHENG Honghao ， HAO Yinuo ， YU Hongtao ， et al . Chinese named entity recognition method based on XLnet embedding ［J］. Journal of University of Information Engineering ， 2021 ， 22 （ 4 ）： 473 - 477 .

CUI G Y ， WEI Z W . MGNN： graph neural networks inspired by distance geometry problem ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2201.12994 http://arxiv.org/abs/2201.12994 .

QI D ， SU L ， SONG J ， et al . ImageBERT： cross-modal pre-training with large-scale weak-supervised image-text data ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2001.07966 http://arxiv.org/abs/2001.07966 .

SUN C ， BARADEL F ， MURPHY K ， et al . Learning video representations using contrastive bidirectional transformer ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/1906.05743 http://arxiv.org/abs/1906.05743 .

RADFORD A ， KIM J W ， HALLACY C ， et al . Learning transferable visual models from natural language supervision ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2103.00020 http://arxiv.org/abs/2103.00020 .

YANG Z Y ， FANG Y W ， ZHU C G ， et al . I-code： an integrative and composable multimodal learning framework ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2205.01818 http://arxiv.org/abs/2205.01818 .

ELSE H . Abstracts written by ChatGPT fool scientists ［J］. Nature ， 2023 ， 613 （ 7944 ）： 423 .

李天研 . 南方电网发布首个电力“大模型”，智能客服比例将达75% ［J］. 农村电工， 2024 ， 32 （ 1 ）： 3 .

LI Tianyan . China Southern Power Grid released the first power “big model”， and the proportion of intelligent customer service will reach 75% ［J］. Rural Electician ， 2024 ， 32 （ 1 ）： 3 .

XU P ， ZHU X T ， CLIFTON D A . Multimodal learning with transformers： a survey ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2206.06488 http://arxiv.org/abs/2206.06488 .

RADFORD A ， NARASIMHAN K ， SALIMANS T ， et al . Improving language understanding by generative pre-training ［EB/OL］. ［ 2023-09-30 ］. https：//cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf .

BROWN T B ， MANN B ， RYDER N ， et al . Language models are few-shot learners ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2005.14165 http://arxiv.org/abs/2005.14165 .

LIU Y ， OTT M ， GOYAL N ， et al . A robustly optimized BERT pretraining approach ［EB/OL］. ［ 2023-09-30 ］. https：// arxiv.org/abs/1907.11692 https://arxiv.org/abs/1907.11692 .

LARA J D ， HENRIQUEZ-AUBA R ， RAMASUBRAMANIAN D ， et al . Revisiting power systems time-domain simulation methods and models ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2301.10043 http://arxiv.org/abs/2301.10043 .

HAY S ， FERGUSON A . A review of power system modelling platforms and capabilities ［J］. IET Special Interest Publication for the Council for Science and Technology ， 2015 ， 3 ： 3 - 13 .

LÓPEZ J M G ， POURESMAEIL E ， CAÑIZARES C A ， et al . Smart residential load simulator for energy management in smart grids ［J］. IEEE Transactions on Industrial Electronics ， 2019 ， 66 （ 2 ）： 1443 - 1452 .

余涛，王梓耀，孙立明，等 . 支撑新型配电网数字化规划的图形-模型-数据融合关键技术［J］. 电力系统自动化， 2024 ， 48 （ 6 ）： 139 - 153 .

YU Tao ， WANG Ziyao ， SUN Liming ， et al . Key technologies for graph-model-data fusion supporting digital planning of new distribution networks ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 6 ）： 139 - 153 .

郭少勇，刘岩，邵苏杰，等 . 新型电力系统数据跨域流通泛安全边界防护技术［J］. 电力系统自动化， 2024 ， 48 （ 6 ）： 96 - 111 .

GUO Shaoyong ， LIU Yan ， SHAO Sujie ， et al . Ubiquitous security boundary protection technology for cross-domain data circulation in new power system ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 6 ）： 96 - 111 .

陈志威，吴毓峰，潘振宁，等 . 基于图表示学习和特征引导的电力系统运行场景生成方法［J/OL］. 中国电机工程学报： 1 - 13 ［ 2023-12-15 ］. https：// doi.org/10.13334/j.0258-8013.pcsee.231311 https://doi.org/10.13334/j.0258-8013.pcsee.231311 .

CHEN Zhiwei ， WU Yufeng ， PAN Zhenning ， et al . et al . A power system operating scenario generation method based on graph representation learning and feature guidance ［J］. Proceedings of the CSEE： 1 - 13 ［ 2023-12-15 ］. https：// doi.org/10.13334/j.0258-8013.pcsee.231311 https://doi.org/10.13334/j.0258-8013.pcsee.231311 .

DOSOVITSKIY A ， BEYER L ， KOLESNIKOV A ， et al . An image is worth 16 × 16 words： transformers for image recognition at scale［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2010.11929 http://arxiv.org/abs/2010.11929 .

ZHANG J W ， ZHANG H P ， XIA C Y ， et al . Graph-BERT： only attention is needed for learning graph representations ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2001.05140 http://arxiv.org/abs/2001.05140 .

DEVLIN J ， CHANG M W ， LEE K ， et al . BERT： pre-training of deep bidirectional transformers for language understanding ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/1810.04805 http://arxiv.org/abs/1810.04805 .

YUN S ， JEONG M ， KIM R ， et al . Graph transformer networks ［J］. Advances in Neural Information Processing Systems ， 2019 ， 32 .

NI M H ， HUANG H Y ， SU L ， et al . M 3 P： learning universal representations via multitask multilingual multimodal pre-training ［C］// 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， June 19-25 ， 2021 ， Nashville， USA ： 3976 - 3985 .

WANG X ， CHEN G Y ， QIAN G W ， et al . Large-scale multi-modal pre-trained models： a comprehensive survey ［J］. Machine Intelligence Research ， 2023 ， 20 （ 4 ）： 447 - 482 .

GIRDHAR R ， EL-NOUBY A ， LIU Z ， et al . ImageBind one embedding space to bind them all ［C］// 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， June 17-24 ， 2023 ， Vancouver， Canada ： 15180 - 15190 .

YU J H ， WANG Z R ， VASUDEVAN V ， et al . CoCa： contrastive captioners are image-text foundation models ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2205.01917 http://arxiv.org/abs/2205.01917 .

ZHANG Y ， LI Y F ， CUI L Y ， et al . Siren’s song in the AI ocean： a survey on hallucination in large language models ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2309.01219 http://arxiv.org/abs/2309.01219 .

张泽镔，王飞，张安岭，等 . 知识图谱在电力故障诊断领域的研究与应用综述［J］. 工业控制计算机， 2023 ， 36 （ 10 ）： 150 - 152 .

ZHANG Zebin ， WANG Fei ， ZHANG Anling ， et al . Review of study and application of knowledge graph in power fault diagnosis ［J］. Industrial Control Computer ， 2023 ， 36 （ 10 ）： 150 - 152 .

PAN S R ， LUO L H ， WANG Y F ， et al . Unifying large language models and knowledge graphs： a roadmap ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2306.08302 http://arxiv.org/abs/2306.08302 .

SHEN L ， SUN Y ， YU Z Y ， et al . On efficient training of large-scale deep learning models： a literature review ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2304.03589 http://arxiv.org/abs/2304.03589 .

WU X X ， DYER E ， NEYSHABUR B . When do curricula work？［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2012.03107 http://arxiv.org/abs/2012.03107 .

JIANG A H ， WONG D L K ， ZHOU G ， et al . Accelerating deep learning by focusing on the biggest losers ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/1910.00762 http://arxiv.org/abs/1910.00762 .

KANG M ， BAEK J ， HWANG S J . KALA： knowledge-augmented language model adaptation ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2204.10555 http://arxiv.org/abs/2204.10555 .

SONG Z R ， XU Y H ， LI H ， et al . DNN training acceleration via exploring GPGPU friendly sparsity ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2203.05705 http://arxiv.org/abs/2203.05705 .

TAI C ， XIAO T ， ZHANG Y ， et al . Convolutional neural networks with low-rank regularization ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/1511.06067 http://arxiv.org/abs/1511.06067 .

WANG S N ， LI B Z ， KHABSA M ， et al . Linformer： self-attention with linear complexity ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2006.04768 http://arxiv.org/abs/2006.04768 .

ZUO S M ， ZHANG Q R ， LIANG C ， et al . MoEBERT： from BERT to mixture-of-experts via importance-guided adaptation ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2204.07675 http://arxiv.org/abs/2204.07675 .

MALL U ， HARIHARAN B ， BALA K . Zero-shot learning using multimodal descriptions ［C］// 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）， June 19-20 ， 2022 ， New Orleans， USA ： 3930 - 3938 .

SUN Q ， FANG Y X ， WU L ， et al . EVA-CLIP： improved training techniques for CLIP at scale ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2303.15389 http://arxiv.org/abs/2303.15389 .

HU Z Q ， WANG L ， LAN Y H ， et al . LLM-adapters： an adapter family for parameter-efficient fine-tuning of large language models ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2304.01933 http://arxiv.org/abs/2304.01933 .

HU E J ， SHEN Y L ， WALLIS P ， et al . LoRA： low-rank adaptation of large language models ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2106.09685 http://arxiv.org/abs/2106.09685 .

LI X L ， LIANG P . Prefix-tuning： optimizing continuous prompts for generation ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2101.00190 http://arxiv.org/abs/2101.00190 .

LESTER B ， AL-RFOU R ， CONSTANT N . The power of scale for parameter-efficient prompt tuning ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2104.08691 http://arxiv.org/abs/2104.08691 .

Nvidia . NVIDIA H100 Tensor Core GPU ［EB/OL］. ［ 2023-11-04 ］. https：//www.nvidia.cn/data-center/h100/ https://www.nvidia.cn/data-center/h100/ .

Ascend . 昇腾AI ［EB/OL］.［ 2023-11-04 ］. https：//www.hiascend.com/zh/ https://www.hiascend.com/zh/ .

Ascend . Ascend AI ［EB/OL］. ［ 2023-11-04 ］. https：//www.hiascend.com/zh/ https://www.hiascend.com/zh/ .

昆仑芯［EB/OL］.［ 2023-11-04 ］. https：//www.kunlunxin.com/ https://www.kunlunxin.com/ .

KUNLUNXIN ［EB/OL］. ［ 2023-11-04 ］. https：//www.kunlunxin.com/ https://www.kunlunxin.com/ .

寒武纪产品技术［EB/OL］.［ 2023-11-04 ］. https：//www.cambricon.com/ https://www.cambricon.com/ .

Cambricon product technology ［EB/OL］. ［ 2023-11-04 ］. https：//www.cambricon.com/ https://www.cambricon.com/ .

TVM . Apache TVM ［EB/OL］. ［ 2023-11-04 ］. https：//tvm.apache.org https://tvm.apache.org .

DeepSpeed . Lastest news ［EB/OL］. ［ 2023-11-04 ］. https：//www.deepspeed.ai/ https://www.deepspeed.ai/ .

PyTorch . Get started ［EB/OL］. ［ 2023-11-04 ］. https：//pytorch.org/ https://pytorch.org/ .

TensorFlow . 使用TensorFlow创建生产级机器学习模型［EB/OL］.［ 2023-11-04 ］. https：//tensorflow.google.cn/？hl=zh-cn https://tensorflow.google.cn/?hl=zh-cn .

TensorFlow . Creating a production level machine learning model using TensorFlow ［EB/OL］. ［ 2023-11-04 ］. https：//tensorflow.google.cn/？hl=zh-cn https://tensorflow.google.cn/?hl=zh-cn .

GitHub . Jax ［EB/OL］. ［ 2023-11-04 ］. https：//github.com/google/jax https://github.com/google/jax .

昇思［EB/OL］.［ 2023-11-04 ］. https：//www.mindspore.cn/ https://www.mindspore.cn/ .

MindSpore ［EB/OL］. ［ 2023-11-04 ］. https：//www.mindspore.cn/ https://www.mindspore.cn/ .

PP飞桨 . 源于产业实践的开源深度学习平台［EB/OL］.［ 2023-11-04 ］. https：//www.paddlepaddle.org.cn/ https://www.paddlepaddle.org.cn/ .

PP PaddlePaddle . Open source deep learning platform derived from industrial practice ［EB/OL］. ［ 2023-11-04 ］. https：//www.paddlepaddle.org.cn/ https://www.paddlepaddle.org.cn/ .

谈竹奎，余涛，蓝超凡，等 . 电力指纹技术［M］. 北京：中国电力出版社， 2022 .

TAN Zhukui ， YU Tao ， LAN Chaofan ， et al . Power fingerprint technology ［M］. Beijing ： China Electric Power Press ， 2022 .

曹华珍 . 电力负荷特性智能分析技术［M］. 北京：中国电力出版社， 2023 .

CAO Huazhen . Intellgent analysis technology for power load characteristics ［M］. Beijing ： China Electric Power Press ， 2023 .

陆俊，朱炎平，彭文昊，等 . 智能用电用户行为分析特征优选策略［J］. 电力系统自动化， 2017 ， 41 （ 5 ）： 58 - 63 .

LU Jun ， ZHU Yanping ， PENG Wenhao ， et al . Feature selection strategy for electricity consumption behavior analysis in smart grid ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 5 ）： 58 - 63 .

黄小猛，林岩銮，熊巍，等 . 数值预报AI气象大模型国际发展动态研究［J］. 大气科学学报， 2024 ， 47 （ 1 ）： 46 - 54 .

HUANG Xiaomeng ， LIN Yanluan ， XIONG Wei ， et al . Research on international developments of AI large meteorological models in numerical forecasting ［J］. Transactions of Atmospheric Sciences ， 2024 ， 47 （ 1 ）： 46 - 54 .

杨博，余涛，孙立明 . 人工智能在新能源发电系统中的应用［M］. 北京：中国电力出版社， 2023 .

YANG Bo ， YU Tao ， SUN Liming . Artificial intelligence applications in renewable energy systems ［M］. Beijing ： China Electric Power Press ， 2023 .

RASUL K ， ASHOK A ， WILLIAMS A R ， et al . Lag-llama： towards foundation models for probabilistic time series forecasting ［EB/OL］. ［ 2023-09-30 ］. http：//arxiv.org/abs/2310.08278 http://arxiv.org/abs/2310.08278 .

余涛 . 智能发电控制［M］. 北京：科学出版社， 2019 .

YU Tao . Smart generation control ［M］. Beijing ： Science Press ， 2019 .

肖仰华 . 生成式语言模型与通用人工智能：内涵、路径与启示［J］. 人民论坛·学术前沿， 2023 （ 14 ）： 49 - 57 .

XIAO Yanghua . Generative language model and artificial general intelligence： connotation， approach and implications ［J］. Frontiers ， 2023 （ 14 ）： 49 - 57 .

秦瑞琳，周昌乐，晁飞 . 机器意识研究综述［J］. 自动化学报， 2021 ， 47 （ 1 ）： 18 - 34 .

QIN Ruilin ， ZHOU Changle ， CHAO Fei . A survey on machine consciousness ［J］. Acta Automatica Sinica ， 2021 ， 47 （ 1 ）： 18 - 34 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Commentary on Special Issue of Reviews on Key Technologies for Digitalization of New Power System

Review on Application of Combined Data-knowledge-driven Artificial Intelligence Methods in Power Dispatching

Review on Stability Assessment and Decision for Power Systems Based on New-generation Artificial Intelligence Technology

Key Technologies and Prospects of Modeling and Simulation of New Power System

Related Author

LIN Chaofan

BIE Zhaohong

LI Peng

LIU Nian

HU Qinran

ZHOU Quan

LI Zhiyi

YU Hao

Related Institution

Department of Electrical and Computer Engineering, the State University of New York at Stony Brook, Stony Brook

School of Electrical Engineering, Xi’an Jiaotong University

Key Laboratory of the Ministry of Education on Smart Power Grids(Tianjin University)

State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University)

School of Electrical Engineering, Southeast University

⁰