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

赵俊华; 文福拴; 黄建伟; 刘嘉宁; 赵焕; 程裕恒; 董朝阳; 薛禹胜

doi:10.7500/AEPS20230804001

您当前的位置：

首页 >

文章列表页 >

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

新型电力系统数字化关键技术综述 | 更新时间：2025-06-16

- 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
- Prospect of Artificial General Intelligence for Power Systems Based on Large Language Model: Theory and Applications
- 电力系统自动化 2024年48卷第6期页码：13-28
- 作者机构：
  
  1.香港中文大学(深圳)理工学院,广东省深圳市 518172
  2.深圳市人工智能与机器人研究院,广东省深圳市 518038
  3.浙江大学电气工程学院,浙江省杭州市 310027
  4.广东电网电力调度控制中心,广东省广州市 510030
  5.南洋理工大学电气与电子工程学院,新加坡 639798,新加坡
  6.南瑞集团有限公司(国网电力科学研究院有限公司),江苏省南京市 211106
- 作者简介：
  
  赵俊华(1980—)，男，副教授，博士生导师，主要研究方向：电力系统分析与计算、智能电网、电力市场、低碳转型、人工智能。E-mail：zhaojunhua@cuhk.edu.cn
  文福拴(1965—)，男，通信作者，教授，博士生导师，主要研究方向:电力系统故障诊断与系统恢复、电力经济与电力市场、智能电网与电动汽车。E-mail：fushuan.wen@gmail.com
  黄建伟(1978—)，男，教授，博士生导师，主要研究方向：群体智能、网络优化和经济学。E-mail：jianweihuang@cuhk.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(72331009);深圳市科创委科技资助项目(ZDSYS20220606100601002);深圳市人工智能与机器人研究院资助项目
- DOI：10.7500/AEPS20230804001
  中图分类号：
- 收稿：2023-08-04，
  
  修回：2023-08-29，
  
  网络出版：2023-12-22，
  
  纸质出版：2024-03-25
- 稿件说明：
移动端阅览
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.
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. DOI： 10.7500/AEPS20230804001.

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. DOI： 10.7500/AEPS20230804001.

摘要

大语言模型（LLM）是一种利用大规模文本语料库进行预训练和微调的深度学习语言模型。目前，在通识问答、文本生成和科学推理等方面已展现出强大的能力。在此背景下，文中探索了基于LLM构建面向电力系统的通用人工智能技术，并展望其在电力系统中的潜在应用。首先，介绍了LLM的基本原理、神经网络架构以及训练方法，特别是与传统人工智能模型相比，LLM在逻辑推理、编程和代码理解以及数学推理方面的突破。然后

展望了LLM在电力系统负荷与新能源发电出力预测、电力系统规划、电力系统运行、电力系统故障诊断与系统恢复、电力市场等领域的潜在应用。最后，阐述了基于LLM构建电力系统通用人工智能技术所面临的挑战，包括电力系统数据的质量与可获取性、输出结果可解释性以及隐私保护问题。

Abstract

The large language model (LLM) is a deep learning language model that utilizes large-scale text corpora for pre-training and fine-tuning. Nowadays

it has demonstrated powerful capabilities in generalized quizzing

text generation and scientific reasoning. In this context

this paper explores the construction of artificial general intelligence techniques for power systems based on LLM and prospects its potential applications in power systems. Firstly

the basic principles

neural network architecture

and training methods of LLM are introduced

with a particular focus on its breakthroughs in logical reasoning

programming and code understanding

and mathematical reasoning compared with traditional artificial intelligence models. Then

this paper prospects the potential applications of LLM in the areas of load forecasting and renewable energy generation prediction in power systems

power system planning

power system operation

fault diagnosis and system restoration in power systems

and electricity markets. Finally

the challenges in building an artificial general intelligence technology for the power system based on LLM are elaborated upon

including data quality and accessibility in the power system domain

interpretability of output results

and privacy protection concerns.

关键词

Keywords

references

王灿，张雅欣 . 碳中和愿景的实现路径与政策体系［J］. 中国环境管理， 2020 ， 12 （ 6 ）： 58 - 64 .

WANG Can ， ZHANG Yaxin . Implementation pathway and policy system of carbon neutrality vision ［J］. Chinese Journal of Environmental Management ， 2020 ， 12 （ 6 ）： 58 - 64 .

国家能源局 . 新型电力系统发展蓝皮书［EB/OL］.［ 2023-06-25 ］. http：//www.nea.gov.cn/download/xxdlxtfzlpsgk.pdf http://www.nea.gov.cn/download/xxdlxtfzlpsgk.pdf .

National Energy Administration . Blue book of new power system development ［EB/OL］. ［ 2023-06-25 ］. http：//www.nea.gov.cn/download/xxdlxtfzlpsgk.pdf http://www.nea.gov.cn/download/xxdlxtfzlpsgk.pdf .

ZHAO W ， ZHOU K ， LI J ， et al . A survey of large language models ［EB/OL］. ［ 2023-05-07 ］. https：//arxiv.org/pdf/2303.18223.pdf https://arxiv.org/pdf/2303.18223.pdf .

Artificial general intelligence ［EB/OL］. ［ 2023-06-25 ］. https：//en.wikipedia.org/w/index.php？title=Artificial_general_intelligence&oldid=1161035178 https://en.wikipedia.org/w/index.php?title=Artificial_general_intelligence&oldid=1161035178 .

QIU X P ， SUN T X ， XU Y G ， et al . Pre-trained models for natural language processing： a survey ［J］. Science China Technological Sciences ， 2020 ， 63 （ 10 ）： 1872 - 1897 .

LE SCAO T ， FAN A ， AKIKI C ， et al . BLOOM： a 176 B-parameter open-access multilingual language model［EB/OL］. ［ 2023-05-27 ］. https：//arxiv.org/abs/2211.05100 https://arxiv.org/abs/2211.05100 .

CHOWDHERY A ， NARANG S R ， DEVLIN J ， et al . PaLM： scaling language modeling with pathways ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2204.02311 https://arxiv.org/abs/2204.02311 .

RAFFEL C ， SHAZEER N ， ROBERTS A ， et al . Exploring the limits of transfer learning with a unified text-to-text transformer ［J］. The Journal of Machine Learning Research ， 2020 ， 21 （ 1 ）： 5485 - 5551 .

WEI J ， TAY Y ， BOMMASANI R ， et al . Emergent abilities of large language models ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2206.07682 https://arxiv.org/abs/2206.07682 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/1706.03762 https://arxiv.org/abs/1706.03762 .

TOUVRON H ， LAVRIL T ， IZACARD G ， et al . LLaMA： open and efficient foundation language models ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2302.13971 https://arxiv.org/abs/2302.13971 .

SU J L ， LU Y ， PAN S F ， et al . RoFormer： enhanced transformer with rotary position embedding ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2104.09864 https://arxiv.org/abs/2104.09864 .

ABADI M ， BARHAM P ， CHEN J M ， et al . TensorFlow： a system for large-scale machine learning ［C］// Proceedings of the 12th USENIX Conference on Operating Systems Design and Implementation ， November 2-4 ， 2016 ， Savannah， USA ： 265 - 283 .

PASZKE A ， GROSS S ， MASSA F ， et al . PyTorch： an imperative style， high-performance deep learning library ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/1912.01703 https://arxiv.org/abs/1912.01703 .

RASLEY J ， RAJBHANDARI S ， RUWASE O ， et al . DeepSpeed： system optimizations enable training deep learning models with over 100 billion parameters ［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining ， July 6-10 ， 2020 ， Virtual Event， USA ： 3505 - 3506 .

TAO C F ， HOU L ， ZHANG W ， et al . Compression of generative pre-trained language models via quantization ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2203.10705 https://arxiv.org/abs/2203.10705 .

HINTON G ， VINYALS O ， DEAN J . Distilling the knowledge in a neural network ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/1503.02531 https://arxiv.org/abs/1503.02531 .

JORDAN M I . Serial order： a parallel distributed processing approach ［J］. Advances in Psychology ， 1997 ， 121 ： 471 - 495 .

HOCHREITER S ， SCHMIDHUBER J . Long short-term memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

DEVLIN J ， CHANG M W ， LEE K ， et al . BERT： pre-training of deep bidirectional transformers for language understanding ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/1810.04805 https://arxiv.org/abs/1810.04805 .

LIU Y H ， OTT M ， GOYAL N ， et al . RoBERTa： a robustly optimized BERT pretraining approach ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/1907.11692 https://arxiv.org/abs/1907.11692 .

RADFORD A ， NARASIMHAN K ， SALIMANS T ， et al . Improving language understanding by generative pre-training ［EB/OL］. ［ 2022-06-05 ］. https：//www.mikecaptain.com/resources/pdf/GPT-1.pdf https://www.mikecaptain.com/resources/pdf/GPT-1.pdf .

RADFORD A ， WU J ， CHILD R ， et al . Language models are unsupervised multitask learners ［EB/OL］. ［ 2022-06-05 ］. https：//insightcivic.s3.us-east-1.amazonaws.com/language-models.pdf https://insightcivic.s3.us-east-1.amazonaws.com/language-models.pdf .

ZENGA H ， LIUX ， DUZ X ， et al . GLM-130B： an open bilingual pre-trained model ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2210.02414.pdf https://arxiv.org/abs/2210.02414.pdf .

WANG T ， ROBERTS A ， HESSLOW D ， et al . What language model architecture and pretraining objective work best for zero-shot generalization？［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2204.05832 https://arxiv.org/abs/2204.05832 .

WEI J ， WANG X Z ， SCHUURMANS D ， et al . Chain-of-thought prompting elicits reasoning in large language models ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2201.11903 https://arxiv.org/abs/2201.11903 .

LONG O Y ， WU J ， XU J ， et al . Training language models to follow instructions with human feedback ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2203.02155 https://arxiv.org/abs/2203.02155 .

CHRISTIANO P ， LEIKE J ， BROWN T B ， et al . Deep reinforcement learning from human preferences ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/1706.03741 https://arxiv.org/abs/1706.03741 .

SCHULMAN J ， WOLSKI F ， DHARIWAL P ， et al . Proximal policy optimization algorithms ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/1707.06347 https://arxiv.org/abs/1707.06347 .

TALMOR A ， HERZIG J ， LOURIE N ， et al . CommonsenseQA： a question answering challenge targeting commonsense knowledge ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/1811.00937 https://arxiv.org/abs/1811.00937 .

LU P ， MISHRA S ， XIA T ， et al . Learn to explain： multimodal reasoning via thought chains for science question answering ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2209.09513 https://arxiv.org/abs/2209.09513 .

PAPINENI K ， ROUKOS S ， WARD T ， et al . BLEU： a method for automatic evaluation of machine translation ［C］// Proceedings of the 40th Annual Meeting on Association for Computational Linguistics ， July 7-12 ， 2002 ， Philadelphia， USA .

LIN C Y . ROUGE： a package for automatic evaluation of summaries ［EB/OL］. ［ 2022-06-05 ］. https：//aclanthology.org/W04-1013.pdf https://aclanthology.org/W04-1013.pdf

LIU H T ， LI C Y ， WU Q Y ， et al . Visual instruction tuning ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/pdf/2304.08485 https://arxiv.org/pdf/2304.08485 .

HENDRYCKS D ， BASART S ， KADAVATH S ， et al . Measuring coding challenge competence with APPS ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2105.09938 https://arxiv.org/abs/2105.09938 .

CHEN M ， TWOREK J ， JUN H ， et al . Evaluating large language models trained on code ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2107.03374 https://arxiv.org/abs/2107.03374 .

BUBECK S ， CHANDRASEKARAN V ， ELDAN R ， et al . Sparks of artificial general intelligence： early experiments with GPT-4 ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2303.12712 https://arxiv.org/abs/2303.12712 .

OpenAI . GPT-4 technical report ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2303.08774 https://arxiv.org/abs/2303.08774 .

COBBE K ， KOSARAJU V ， BAVARIAN M ， et al . Training verifiers to solve math word problems ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2110.14168 https://arxiv.org/abs/2110.14168 .

HENDRYCKS D ， BURNS C ， KADAVATH S ， et al . Measuring mathematical problem solving with the MATH dataset ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2103.03874 https://arxiv.org/abs/2103.03874 .

LYU Q ， HAVALDAR S ， STEIN A ， et al . Faithful chain-of-thought reasoning ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/pdf/2301.13379 https://arxiv.org/pdf/2301.13379 .

LU P ， QIU L ， YU W H ， et al . A survey of deep learning for mathematical reasoning ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2212.10535 https://arxiv.org/abs/2212.10535 .

DENG S ， CAI Q Y ， ZHANG Z ， et al . User behavior analysis based on stacked autoencoder and clustering in complex power grid environment ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2022 ， 23 （ 12 ）： 25521 - 25535 .

GUO Z F ， ZHOU K L ， ZHANG C ， et al . Residential electricity consumption behavior： influencing factors， related theories and intervention strategies ［J］. Renewable and Sustainable Energy Reviews ， 2018 ， 81 ： 399 - 412 .

SINGH S ， YASSINE A . Mining energy consumption behavior patterns for households in smart grid ［J］. IEEE Transactions on Emerging Topics in Computing ， 2019 ， 7 （ 3 ）： 404 - 419 .

ABLEITNER L ， TIEFENBECK V ， MEEUW A ， et al . User behavior in a real-world peer-to-peer electricity market ［J］. Applied Energy ， 2020 ， 270 ： 115061 .

侯佳萱，林振智，杨莉，等 . 面向需求侧主动响应的工商业用户电力套餐优化设计［J］. 电力系统自动化， 2018 ， 42 （ 24 ）： 11 - 19 .

HOU Jiaxuan ， LIN Zhenzhi ， YANG Li ， et al . Design of electricity plans for industrial and commercial customers oriented to active demand response on power demand side ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 24 ）： 11 - 19 .

OBST D ， DE VILMAREST J ， GOUDE Y . Adaptive methods for short-term electricity load forecasting during COVID-19 lockdown in France ［J］. IEEE Transactions on Power Systems ， 2021 ， 36 （ 5 ）： 4754 - 4763 .

WU D ， LIN W X . Efficient residential electric load forecasting via transfer learning and graph neural networks ［J］. IEEE Transactions on Smart Grid ， 2023 ， 14 （ 3 ）： 2423 - 2431 .

MATRENIN P ， SAFARALIEV M ， DMITRIEV S ， et al . Medium-term load forecasting in isolated power systems based on ensemble machine learning models ［J］. Energy Reports ， 2022 ， 8 ： 612 - 618 .

DONG M ， GRUMBACH L . A hybrid distribution feeder long-term load forecasting method based on sequence prediction ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 1 ）： 470 - 482 .

王琛，王颖，郑涛，等 . 基于ResNet-LSTM网络和注意力机制的综合能源系统多元负荷预测［J］. 电工技术学报， 2022 ， 37 （ 7 ）： 1789 - 1799 .

WANG Chen ， WANG Ying ， ZHENG Tao ， et al . Multi-energy load forecasting in integrated energy system based on ResNet-LSTM network and attention mechanism ［J］. Transactions of China Electrotechnical Society ， 2022 ， 37 （ 7 ）： 1789 - 1799 .

WIDÉN J ， CARPMAN N ， CASTELLUCCI V ， et al . Variability assessment and forecasting of renewables： a review for solar， wind， wave and tidal resources ［J］. Renewable and Sustainable Energy Reviews ， 2015 ， 44 ： 356 - 375 .

DOUBLEDAY K ， JASCOURT S ， KLEIBER W ， et al . Probabilistic solar power forecasting using Bayesian model averaging ［J］. IEEE Transactions on Sustainable Energy ， 2020 ， 12 （ 1 ）： 325 - 337 .

CHENG L L ， ZANG H X ， WEI Z N ， et al . Solar power prediction based on satellite measurements—a graphical learning method for tracking cloud motion ［J］. IEEE Transactions on Power Systems ， 2022 ， 37 （ 3 ）： 2335 - 2345 .

LIU G L ， ZHANG S W ， ZHAO H A ， et al . Super-resolution perception for wind power forecasting by enhancing historical data ［J］. Frontiers in Energy Research ， 2022 ， 10 ： 959333 .

苏向敬，周汶鑫，李超杰，等 . 基于双重注意力LSTM神经网络的可解释海上风电出力预测［J］. 电力系统自动化， 2022 ， 46 （ 7 ）： 141 - 151 .

SU Xiangjing ， ZHOU Wenxin ， LI Chaojie ， et al . Interpretable offshore wind power output forecasting based on long short-term memory neural network with dual-stage attention ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 7 ）： 141 - 151 .

FU X Q . Statistical machine learning model for capacitor planning considering uncertainties in photovoltaic power ［J］. Protection and Control of Modern Power Systems ， 2022 ， 7 （ 1 ）： 1 - 13 .

杨宁，文福拴 . 基于机会约束规划的输电系统规划方法［J］. 电力系统自动化， 2004 ， 28 （ 14 ）： 23 - 27 .

YANG Ning ， WEN Fushuan . Transmission system expansion planning based on chance constrained programming ［J］. Automation of Electric Power Systems ， 2004 ， 28 （ 14 ）： 23 - 27 .

HAMIDPOUR H ， AGHAEI J ， PIROUZI S ， et al . Coordinated expansion planning problem considering wind farms， energy storage systems and demand response ［J］. Energy ， 2022 ， 239 ： 122321 .

BAKHTIARI H ， ZHONG J ， ALVAREZ M . Predicting the stochastic behavior of uncertainty sources in planning a stand-alone renewable energy-based microgrid using Metropolis-coupled Markov chain Monte Carlo simulation ［J］. Applied Energy ， 2021 ， 290 ： 116719 .

DA COSTA L C ， THOMÉ F S ， GARCIA J D ， et al . Reliability-constrained power system expansion planning： a stochastic risk-averse optimization approach ［J］. IEEE Transactions on Power Systems ， 2021 ， 36 （ 1 ）： 97 - 106 .

VERÁSTEGUI F ， LORCA Á ， OLIVARES D E ， et al . An adaptive robust optimization model for power systems planning with operational uncertainty ［J］. IEEE Transactions on Power Systems ， 2019 ， 34 （ 6 ）： 4606 - 4616 .

ZHUO Z Y ， DU E S ， ZHANG N ， et al . Incorporating massive scenarios in transmission expansion planning with high renewable energy penetration ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 2 ）： 1061 - 1074 .

MOZAFARI Y ， ROSEHART W D . Representative operating scenario selection with algebraic multi-grid clustering for integrated energy systems planning ［J］. International Journal of Electrical Power & Energy Systems ， 2023 ， 146 ： 108767 .

MOHAMMADI F ， SAHRAEI-ARDAKANI M . Multidimensional scenario selection for power systems with stochastic failures ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 6 ）： 4528 - 4538 .

伏坚，胡博，谢开贵，等 . 应对协同攻击的电力系统发输电拓展随机规划［J］. 电力系统自动化， 2021 ， 45 （ 2 ）： 21 - 29 .

FU Jian ， HU Bo ， XIE Kaigui ， et al . Stochastic planning of generation and transmission expansion for power system against coordinated attacks ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 2 ）： 21 - 29 .

WANG Y L ， WANG Y D ， HUANG Y J ， et al . Planning and operation method of the regional integrated energy system considering economy and environment ［J］. Energy ， 2019 ， 171 ： 731 - 750 .

TAN Q L ， LIU Y ， ZHANG X P . Stochastic optimization framework of the energy-water-emissions nexus for regional power system planning considering multiple uncertainty ［J］. Journal of Cleaner Production ， 2021 ， 281 ： 124470 .

DENG X ， LV T . Power system planning with increasing variable renewable energy： a review of optimization models ［J］. Journal of Cleaner Production ， 2020 ， 246 ： 118962 .

BANZO M ， RAMOS A . Stochastic optimization model for electric power system planning of offshore wind farms ［J］. IEEE Transactions on Power Systems ， 2011 ， 26 （ 3 ）： 1338 - 1348 .

王再闯，陈来军，李笑竹，等 . 基于合作博弈的产销者社区分布式光伏与共享储能容量优化［J］. 电工技术学报， 2022 ， 37 （ 23 ）： 5922 - 5932 .

WANG Zaichuang ， CHEN Laijun ， LI Xiaozhu ， et al . Capacity optimization of distributed PV and shared energy storage of prosumer community based on cooperative game ［J］. Transactions of China Electrotechnical Society ， 2022 ， 37 （ 23 ）： 5922 - 5932 .

GAO Z P ， LUO Y J ， XU Z W ， et al . Knowledge graph-based method for identifying topological structure of low-voltage distribution network ［J］. The Journal of Engineering ， 2020 （ 12 ）： 1177 - 1184 .

FAN S X ， LIU X W ， CHEN Y ， et al . How to construct a power knowledge graph with dispatching data？［EB/OL］. ［ 2022-06-05 ］. https：//www.hindawi.com/journals/sp/2020/8842463/ https://www.hindawi.com/journals/sp/2020/8842463/ .

CHEN J B ， LU G H ， PAN Z N ， et al . Research review of the knowledge graph and its application in power system dispatching and operation ［J］. Frontiers in Energy Research ， 2022 ， 10 ： 896836 .

GUAN J Y ， TANG H ， WANG J Y ， et al . A GAN-based fully model-free learning method for short-term scheduling of large power system ［J］. IEEE Transactions on Power Systems ， 2022 ， 37 （ 4 ）： 2655 - 2665 .

TAN Q L ， DING Y H ， YE Q ， et al . Optimization and evaluation of a dispatch model for an integrated wind-photovoltaic-thermal power system based on dynamic carbon emissions trading ［J］. Applied Energy ， 2019 ， 253 ： 113598 .

YANG H M ， LIANG R ， YUAN Y ， et al . Distributionally robust optimal dispatch in the power system with high penetration of wind power based on net load fluctuation data ［J］. Applied Energy ， 2022 ， 313 ： 118813 .

GONG X ， DONG F F ， MOHAMED M A ， et al . Towards distributed based energy transaction in a clean smart island ［J］. Journal of Cleaner Production ， 2020 ， 273 ： 122768 .

WU G P ， YI C ， XIAO H ， et al . Multi-objective optimization of integrated energy systems considering renewable energy uncertainty and electric vehicles ［J］. IEEE Transactions on Smart Grid ， 2023 ， 14 （ 6 ）： 4322 - 4332 .

杨义，杨苹，李壮壮，等 . 基于信息物理融合的微能源网统一调控架构及优化运行［J］. 电力系统自动化， 2023 ， 47 （ 4 ）： 34 - 41 .

YANG Yi ， YANG Ping ， LI Zhuangzhuang ， et al . Architecture and optimal operation of unified dispatch and control of micro-energy grid based on cyber-physical fusion ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 4 ）： 34 - 41 .

LI Y Z ， WANG P ， GOOI H B ， et al . Multi-objective optimal dispatch of microgrid under uncertainties via interval optimization ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 2 ）： 2046 - 2058 .

HUANG Y J ， WANG Y D ， LIU N . Low-carbon economic dispatch and energy sharing method of multiple integrated energy systems from the perspective of system of systems ［J］. Energy ， 2022 ， 244 ： 122717 .

WANG L Y ， DONG H Q ， LIN J L ， et al . Multi-objective optimal scheduling model with IGDT method of integrated energy system considering ladder-type carbon trading mechanism ［J］. International Journal of Electrical Power & Energy Systems ， 2022 ， 143 ： 108386 .

MAO S ， DONG Z W ， SCHULTZ P ， et al . A finite-time distributed optimization algorithm for economic dispatch in smart grids ［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems ， 2021 ， 51 （ 4 ）： 2068 - 2079 .

庞凯元，王崇宇，文福拴，等 . 主动配电网灵活孤岛划分与实时调度策略［J］. 电力系统自动化， 2022 ， 46 （ 22 ）： 13 - 24 .

PANG Kaiyuan ， WANG Chongyu ， WEN Fushuan ， et al . Flexible islanding partition and real-time scheduling strategy for active distribution network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 22 ）： 13 - 24 .

GOODMAN S M ， BUEHLER E ， CLARY P ， et al . LaMPost： design and evaluation of an AI-assisted email writing prototype for adults with dyslexia ［C］// The 24th International ACM SIGACCESS Conference on Computers and Accessibility ， October 23-26 ， 2022 ， Athens， Greece .

ZHANG Y ， CUI L Y ， CAI D ， et al . Multi-task instruction tuning of LLaMa for specific scenarios： a preliminary study on writing assistance ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2305.13225 https://arxiv.org/abs/2305.13225 .

LIN Z Z ， WEN F S ， DING Y ， et al . WAMS-based coherency detection for situational awareness in power systems with renewables ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 5 ）： 5410 - 5426 .

SHAHSAVARI A ， FARAJOLLAHI M ， STEWART E M ， et al . Situational awareness in distribution grid using micro-PMU data： a machine learning approach ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 6 ）： 6167 - 6177 .

WANG Q ， BU S Q ， HE Z Y ， et al . Toward the prediction level of situation awareness for electric power systems using CNN-LSTM network ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 10 ）： 6951 - 6961 .

LI H R ， MA Z H ， WENG Y . A transfer learning framework for power system event identification ［J］. IEEE Transactions on Power Systems ， 2022 ， 37 （ 6 ）： 4424 - 4435 .

刘晟源，林振智，李金城，等 . 电力系统态势感知技术研究综述与展望［J］. 电力系统自动化， 2020 ， 44 （ 3 ）： 229 - 239 .

LIU Shengyuan ， LIN Zhenzhi ， LI Jincheng ， et al . Review and prospect of situation awareness technologies of power system ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 3 ）： 229 - 239 .

LIANG X H ， WANG Y Y ， GU H R . A mechanical fault diagnosis model of on-load tap changer based on same-source heterogeneous data fusion ［J］. IEEE Transactions on Instrumentation and Measurement ， 2022 ， 71 ： 1 - 9 .

DEMIRCI M ， GÖZDE H ， TAPLAMACIOGLU M C . Improvement of power transformer fault diagnosis by using sequential Kalman filter sensor fusion ［J］. International Journal of Electrical Power & Energy Systems ， 2023 ， 149 ： 109038 .

ALI M Z ， SHABBIR M N S K ， LIANG X D ， et al . Machine learning-based fault diagnosis for single- and multi-faults in induction motors using measured stator currents and vibration signals ［J］. IEEE Transactions on Industry Applications ， 2019 ， 55 （ 3 ）： 2378 - 2391 .

WANG B ， DONG M ， REN M ， et al . Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis ［J］. IEEE Transactions on Instrumentation and Measurement ， 2020 ， 69 （ 8 ）： 5345 - 5355 .

李咏秋，徐晋，汪可友，等 . 小型固态变压器状态监测及单管开路故障诊断数字孪生方法［J］. 电力系统自动化， 2023 ， 47 （ 5 ）： 153 - 161 .

LI Yongqiu ， XU Jin ， WANG Keyou ， et al . Digital twin method for state monitoring and single-tube open-circuit fault diagnosis of small solid-state transformer ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 5 ）： 153 - 161 .

KONG X Y ， XU Y ， JIAO Z B ， et al . Fault location technology for power system based on information about the power Internet of Things ［J］. IEEE Transactions on Industrial Informatics ， 2020 ， 16 （ 10 ）： 6682 - 6692 .

DAVARI N ， AKBARIZADEH G ， MASHHOUR E . Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos ［J］. IEEE Transactions on Power Delivery ， 2021 ， 36 （ 6 ）： 3640 - 3648 .

WANG B ， CUI X . Nonlinear modeling analysis and arc high-impedance faults detection in active distribution networks with neutral grounding via petersen coil ［J］. IEEE Transactions on Smart Grid ， 2022 ， 13 （ 3 ）： 1888 - 1898 .

PENG H ， WANG J ， MING J ， et al . Fault diagnosis of power systems using intuitionistic fuzzy spiking neural P systems ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 5 ）： 4777 - 4784 .

张大海，张晓炜，孙浩，等 . 基于卷积神经网络的交直流输电系统故障诊断［J］. 电力系统自动化， 2022 ， 46 （ 5 ）： 132 - 145 .

ZHANG Dahai ， ZHANG Xiaowei ， SUN Hao ， et al . Fault diagnosis for AC/DC transmission system based on convolutional neural network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 5 ）： 132 - 145 .

GOLSHANI A ， SUN W ， ZHOU Q ， et al . Two-stage adaptive restoration decision support system for a self-healing power grid ［J］. IEEE Transactions on Industrial Informatics ， 2017 ， 13 （ 6 ）： 2802 - 2812 .

LI Z ， XUE Y S ， WANG H H ， et al . Decision support system for adaptive restoration control of transmission system ［J］. Journal of Modern Power Systems and Clean Energy ， 2021 ， 9 （ 4 ）： 870 - 885 .

ZHAO J ， WANG H T ， HOU Y H ， et al . Robust distributed coordination of parallel restored subsystems in wind power penetrated transmission system ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 4 ）： 3213 - 3223 .

庞凯元，王一铮，文福拴，等 . 计及通信失效的输电系统信息物理协同恢复策略［J］. 电力系统自动化， 2021 ， 45 （ 3 ）： 58 - 67 .

PANG Kaiyuan ， WANG Yizheng ， WEN Fushuan ， et al . Cyber-physical collaborative restoration strategy for power transmission system with communication failures ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 3 ）： 58 - 67 .

DING T ， WANG Z K ， JIA W H ， et al . Multiperiod distribution system restoration with routing repair crews， mobile electric vehicles， and soft-open-point networked microgrids ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 6 ）： 4795 - 4808 .

LI J X ， XU Y ， WANG Y ， et al . Resilience-motivated distribution system restoration considering electricity-water-gas interdependency ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 6 ）： 4799 - 4812 .

WU H ， XIE Y Y ， XU Y ， et al . Robust coordination of repair and dispatch resources for post-disaster service restoration of the distribution system ［J］. International Journal of Electrical Power & Energy Systems ， 2022 ， 136 ： 107611 .

ROOFEGARI NEJAD R ， SUN W . Distributed load restoration in unbalanced active distribution systems ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 5 ）： 5759 - 5769 .

刘伟佳，孙磊，林振智，等 . 含间歇电源、储能和电动汽车的配电孤岛短时恢复供电策略［J］. 电力系统自动化， 2015 ， 39 （ 16 ）： 49 - 58 .

LIU Weijia ， SUN Lei ， LIN Zhenzhi ， et al . Short-period restoration strategy in isolated electrical islands with intermittent energy sources， energy storage systems and electric vehicles ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 16 ）： 49 - 58 .

KELL A J M ， MCGOUGH S ， FORSHAW M . Machine learning applications for electricity market agent-based models： a systematic literature review ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2206.02196 https://arxiv.org/abs/2206.02196 .

PARK J S ， O'BRIEN J C ， CAI C J ， et al . Generative agents： interactive simulacra of human behavior ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/2304.03442 https://arxiv.org/abs/2304.03442 .

WANG J J ， CUI Q ， HE M L . Hybrid intelligent framework for carbon price prediction using improved variational mode decomposition and optimal extreme learning machine ［J］. Chaos ， Solitons & Fractals， 2022 ， 156 ： 111783 .

ANWAR M ， WANG C L ， DE NIJS F ， et al . Proximal policy optimization based reinforcement learning for joint bidding in energy and frequency regulation markets ［C］// 2022 IEEE Power & Energy Society General Meeting （PESGM）， July 17-21 ， 2022 ， Denver， USA .

YANG L X ， SUN Q Y ， ZHANG N ， et al . Indirect multi-energy transactions of energy Internet with deep reinforcement learning approach ［J］. IEEE Transactions on Power Systems ， 2022 ， 37 （ 5 ）： 4067 - 4077 .

WEN L L ， ZHOU K L ， LI J ， et al . Modified deep learning and reinforcement learning for an incentive-based demand response model ［J］. Energy ， 2020 ， 205 ： 118019 .

LIU Y K ， ZHANG D X ， GOOI H B . Data-driven decision-making strategies for electricity retailers： a deep reinforcement learning approach ［J］. CSEE Journal of Power and Energy Systems ， 2020 ， 7 （ 2 ）： 358 - 367 .

SAMADI P ， MOHSENIAN-RAD H ， SCHOBER R ， et al . Advanced demand side management for the future smart grid using mechanism design ［J］. IEEE Transactions on Smart Grid ， 2012 ， 3 （ 3 ）： 1170 - 1180 .

WANG Y P ， SAAD W ， HAN Z ， et al . A game-theoretic approach to energy trading in the smart grid ［EB/OL］. ［ 2022-06-05 ］. https：//arxiv.org/abs/1310.1814 https://arxiv.org/abs/1310.1814 .

ZHENG J X ， GAO D W ， LIN L . Smart meters in smart grid： an overview ［C］// 2013 IEEE Green Technologies Conference （GreenTech）， April 4-5 ， 2013 ， Denver， USA ： 57 - 64 .

MORENO ESCOBAR J J ， MORALES MATAMOROS O ， TEJEIDA PADILLA R ， et al . A comprehensive review on smart grids： challenges and opportunities ［J］. Sensors ， 2021 ， 21 （ 21 ）： 6978 .

WANG W Y ， XU Y ， KHANNA M . A survey on the communication architectures in smart grid ［J］. Computer Networks ， 2011 ， 55 （ 15 ）： 3604 - 3629 .

GUNGOR V C ， SAHIN D ， KOCAK T ， et al . Smart grid technologies： communication technologies and standards ［J］. IEEE Transactions on Industrial Informatics ， 2011 ， 7 （ 4 ）： 529 - 539 .

CHEN M ， MAO S W ， LIU Y H . Big data： a survey ［J］. Mobile Networks and Applications ， 2014 ， 19 （ 2 ）： 171 - 209 .

BARREDO ARRIETA A ， DÍAZ-RODRÍGUEZ N ， DEL SER J ， et al . Explainable artificial intelligence （XAI）： concepts， taxonomies， opportunities and challenges toward responsible AI ［J］. Information Fusion ， 2020 ， 58 ： 82 - 115 .

AMIN M . Toward self-healing energy infrastructure systems ［J］. IEEE Computer Applications in Power ， 2001 ， 14 （ 1 ）： 20 - 28 .

Kohavi R . A study of cross-validation and bootstrap for accuracy estimation and model selection ［C］// Proceedings of the 14th International Joint Conference on Artificial Intelligence ， August 20-25 ， 1995 ， Montreal， Canada ： 1137 - 1145 .

HASTIE T ， TIBSHIRANI R ， FRIEDMAN J H . The elements of statistical learning： data mining， inference， and prediction ［M］. 2nd ed . New York ： Springer ， 2009 .

BELGUITH S . Enhancing data security in cloud computing using a lightweight cryptographic algorithm ［EB/OL］ . ［ 2022-06-05 ］. https：//www.semanticscholar.org/paper/Enhancing-Data-Security-in-Cloud-Computing-Using-a-Belguith/fd86283 7a57fc8fe7756f49258f0da2286011fe8 https://www.semanticscholar.org/paper/Enhancing-Data-Security-in-Cloud-Computing-Using-a-Belguith/fd862837a57fc8fe7756f49258f0da2286011fe8 .

ACS G ， CASTELLUCCIA C ， CHEN R . Differentially private histogram publishing through lossy compression ［C］// 2012 IEEE 12th International Conference on Data Mining ， December 10-13 ， 2012 ， Brussels， Belgium .

DWORK C . Differential Privacy ［EB/OL］. ［ 2022-06-05 ］. http：//dx.doi.org/10.1007/11787006_1. DOI：10.1007/11787006_1 http://dx.doi.org/10.1007/11787006_1.DOI:10.1007/11787006_1 .

HAN S ， POOL J ， TRAN J ， et al . Learning both weights and connections for efficient neural networks ［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems ， December 7-12 ， 2015 ， Montreal， Canada ： 1135 - 1143 .

LIPNER S . The trustworthy computing security development lifecycle ［C］// 20th Annual Computer Security Applications Conference ， December 6-10 ， 2004 ， Tucson， USA .

SWEENEY L . K-anonymity： a model for protecting privacy ［J］. International Journal of Uncertainty， Fuzziness and Knowledge-Based Systems ， 2002 ， 10 （ 5 ）： 557 - 570 .

KENT K ， SOUPPAYA M . Guide to computer security log management ［EB/OL］. ［ 2022-06-05 ］. https：//csrc.nist.rip/library/NIST%20SP%20800-092%20Guide%20to%20Computer%20Security%20Log%20Management https://csrc.nist.rip/library/NIST%20SP%20800-092%20Guide%20to%20Computer%20Security%20Log%20Management ，% 202006 -09.pdf.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于保险理论的黑启动辅助服务定价方法