【導(dǎo)讀】K.Metaxiotis,A.Kagiannas,D.Askounis,J.Psarras. 1.Introduction. research.Expertsystems

　　

【正文】 系統(tǒng)， Lubarskii 討論了 電網(wǎng)應(yīng)用的專家系統(tǒng) 。自那時(shí)起，在 不同的能 源相關(guān)領(lǐng)域 ，發(fā)表了幾篇其它調(diào)查論文 。 但是，這 編 論文有著不同的重點(diǎn)。寫一個(gè)人工智能在能源系統(tǒng)中應(yīng)用的全面調(diào)查，客觀上是行不通的。為此，我們本文的目的是 為研究者 創(chuàng) 建 一個(gè)大型知識(shí)庫，介紹人工智能 在 LTELF 特定領(lǐng)域 中 的應(yīng)用， 指明在別的領(lǐng)域的廣泛應(yīng)用 。 2．人工智能在長期電力負(fù)荷預(yù)測中的應(yīng)用 專家系統(tǒng) 專家系統(tǒng)是人工智能分支 中商業(yè)化最成功之一 。 Welbank 定義專家系統(tǒng)如下：專家系統(tǒng) 在某一特定領(lǐng)域是一個(gè)具有廣泛的知識(shí)基礎(chǔ)的程序 ，并使用復(fù)雜的推理來執(zhí)行人類專家可以做到的任務(wù)。 換句話說，專家系統(tǒng)是一種計(jì)算機(jī)系統(tǒng)，它包含一個(gè)有組織的知識(shí)體，它是模擬專家解決問題的技巧，在一個(gè)有界域的專長。該系統(tǒng)能夠?qū)崿F(xiàn)專家解決問題的水平，這通常是通過熟練的人在解決某一領(lǐng)域中的重大問題。 第一次將 專家系統(tǒng) 運(yùn)用于 長期 電力負(fù)荷預(yù)測是 Rahman、 Bhatnagar 和 Jabbour等人。這些方法的目的是實(shí)驗(yàn)工作者利用知識(shí)、經(jīng)驗(yàn)和分析性思維作出進(jìn)一步加強(qiáng)，采用模糊邏輯的專家系統(tǒng)來解決 LTELF 問題。 1990 年， Ho 等發(fā)表一篇使用一種基于知識(shí)的專家系統(tǒng)在臺(tái)灣的電力系統(tǒng)的長期負(fù)荷預(yù)測，而在 1993 年，Rahman 和 Hazim 試圖概括他的第一部作品。 Markovic 和 Fraissler 提出了一種專家系統(tǒng)的辦法 (基于 Prolog 語言 )滿足長期負(fù)荷預(yù)測的真實(shí)性檢查公布的需求。 1995 年 , Kim 等人實(shí)施了長期負(fù)荷預(yù)測，通過利用神經(jīng)網(wǎng)絡(luò)和模糊專家系統(tǒng)，而后來， Mori 和 Kobayashi 提出了最優(yōu)模糊推理方法來解決 LTELF 的問題，Ranaweera 等人提出一個(gè)應(yīng)用長期電力負(fù)荷預(yù)測的模糊邏輯專家系統(tǒng)模型，用模糊規(guī)則去結(jié)合 歷史天氣和負(fù)荷數(shù)據(jù)。這些模糊規(guī)則被從歷史數(shù)據(jù)運(yùn)用學(xué)習(xí)型算法所包含。 基于專家系統(tǒng)的規(guī)則， Chiu 等人為解決 LTELF 問題設(shè)計(jì)出一種 后臺(tái) 傳播 輸出 的神經(jīng)網(wǎng)絡(luò)。 一個(gè)包含基于電力系統(tǒng)的專家系統(tǒng)預(yù)測的演示證明了網(wǎng)絡(luò)的預(yù)測能力。 負(fù)荷預(yù)測工作是針對臺(tái)灣的電力系統(tǒng)。系統(tǒng)的評價(jià)顯示，基于專家 系統(tǒng) 規(guī)則的預(yù)測大大提高了神經(jīng)網(wǎng)絡(luò)預(yù)測電力負(fù)荷的能力。 人工神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)是一種 基于生物神經(jīng)系統(tǒng)方式的信息處理技術(shù)，就像大腦對信息的處理 。 人工神經(jīng)網(wǎng)絡(luò)的 基本概念是這樣的，結(jié)構(gòu)中的信息處理系統(tǒng) 由 一大批高度互連的處理單元 (“神經(jīng)元” )連成網(wǎng)絡(luò) 組成 ，一個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)采用像人一樣的來解決問題。每一個(gè)神經(jīng)元， 經(jīng) 適量的輸入，激活和輸出，它的輸入計(jì)算 出 其輸出。神經(jīng)網(wǎng)絡(luò) 是 一個(gè)具體應(yīng)用 的 配置，如數(shù)據(jù)分類或模式識(shí)別，學(xué)習(xí)的過程稱為“ 訓(xùn)練 ” 。 第一個(gè)介紹了神經(jīng)網(wǎng)絡(luò)在 LTELF 中的應(yīng)用 的 研究者是 Lee 等人 ，他們提出一項(xiàng)創(chuàng)新神經(jīng)網(wǎng)絡(luò)方法論來解決 LTELF 的問題。 Park 等人建議采用的一種新的多層 網(wǎng)絡(luò)，有三個(gè)層次，即輸入，隱含層和輸出。訓(xùn)練中的網(wǎng)絡(luò)進(jìn)行了簡單的BP 算法。利用負(fù)荷和天氣信息，該系統(tǒng)制作了三套不同的預(yù)測變量。 Lee 等人處理的電力負(fù)荷需求，作為一個(gè)非平穩(wěn)時(shí)間序列，并參照它們的負(fù)荷分布的神經(jīng)網(wǎng)絡(luò)。 1992 年，彭等人發(fā)表了一個(gè)程序?qū)⑸窠?jīng)網(wǎng)絡(luò)進(jìn)行精確的訓(xùn)練，并且承認(rèn)天氣變化和負(fù)荷變化形狀的關(guān)系，與此同時(shí)， Ho 等人 實(shí)行多層神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)算法。 Peng 等人提出了神經(jīng)網(wǎng)絡(luò)對天氣敏感的長期負(fù)荷預(yù)測 ， 而另一種技術(shù) ，Kariniotakis 和 Papalexopoulos 建議采用高階神經(jīng)網(wǎng)絡(luò)增加輸入變量，例如季節(jié)因素和冷卻 /加熱程度形成的單一神經(jīng)網(wǎng)絡(luò)。 Czernichow 等人 采用全連接 鏈型 網(wǎng)絡(luò)的負(fù)荷預(yù)測，其中學(xué)習(xí)數(shù)據(jù)庫包含70,000 模式，具有高度的多樣性。 Mandal 等人應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行 LTELF， 其中輸入只用過去的負(fù)荷數(shù)據(jù)，沒有任何天氣變量使用 ， 而 Sforna 和 Proverbio 研究ANN 在 LTELF 中的應(yīng)用，通過 在 ENEL 中的 研究項(xiàng)目，其積極的貢獻(xiàn) 得到確認(rèn) 。 1997 年， Kiartzis 等人發(fā)表了貝葉斯組合預(yù)測，在一種概率方法預(yù)測 LTELF的基礎(chǔ)上，結(jié)合人工神經(jīng)網(wǎng) 絡(luò)預(yù)測和兩個(gè)線性回歸預(yù)測。該方法已用于希臘公共電力公司調(diào)度中心的克里特島上。 Ramanathan 等人多次比較、統(tǒng)計(jì) ， 對時(shí)間序列分析和神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了研究。 1998 年， Sforna 報(bào)道了一個(gè)執(zhí)行軟件工具，稱為 NEUFOR,基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)，專門為滿足業(yè)務(wù)需要的公用電力系統(tǒng)調(diào)度人員網(wǎng)上作業(yè)，雖然 Papadakis等人 繼續(xù)改善他們以前的工作。 Drezga 和 Rahman 也在做同樣的工作 。開發(fā)改進(jìn)型神經(jīng)網(wǎng)絡(luò) LTELF 模型，對希臘克里特島上的電力系統(tǒng)， Kodogiannis 和Anagnostakis 在 1999 年就提出并討論徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)類型。在 2020 年和 2020 年 ， 一些研究者應(yīng)用 ANN 對 LTELF 的問題進(jìn)行處理都取得了不同程度的成功。 3. 結(jié)論 電力長期負(fù)荷預(yù)測對電力行業(yè)來說是重要的，尤其是在開放的電力市場。通過準(zhǔn)備一個(gè)合適價(jià)格，正當(dāng)需求的預(yù)測，可以幫助市場參與者獲得最大的利潤或減少其可能的損失。傳統(tǒng)統(tǒng)計(jì)的線性回歸方法需要改進(jìn)，以便掌握更多的非線性需求信號(hào)下的市場條件。 提出這種討論是基于人工智能的系統(tǒng)正變得在 LTELF 中越來越成為普遍決策工具。人工智能預(yù)測方法已顯示有更好的能力來處理非線 性和在建模的時(shí)間序列中遇到的其他困難，專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)一直被認(rèn)為是最熱門的領(lǐng)域。利用這些技術(shù)，對統(tǒng)計(jì)模型的優(yōu)勢在于它們有能力模擬多元問題而在輸入變量時(shí)不用依賴復(fù)雜的假設(shè)。此外，通過對訓(xùn)練資料的學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)從輸入變量中提取非線性關(guān)系。 最后，我們可以說，人工智能技術(shù)，像所有其他逼近技術(shù)，有相對優(yōu)點(diǎn)和缺點(diǎn)。當(dāng)當(dāng)某一特定技術(shù)，或多或少都適合 LTELF 時(shí)，它們沒有規(guī)律。 基于這種情況，在這里 , 我們相信人工智能提供了一種可供選擇的方法，其作用是不容低估的。