作者：邹德虎
范式指的是大的方法或者思路。电力系统技术的范式一共有三种：机理分析、仿真、统计学习。
1）机理分析是建立确定性的数学模型并进行分析，可以分为两类：第1是把电力系统当作纯粹客观对象进行分析，包括潮流计算、稳定性分析等，主要的数学工具是微分代数方程；第2类是考虑人类的主观选择，包括确定性的优化和控制算法，例如调度计划中使用的混合整数规划，无功优化中使用的内点法非线性优化，以及很多场合都出现的线性规划求解等。
2）仿真是通过数值计算重现电力系统运行过程的技术，可用于方式计算、N-1校核，也可以大规模扩大仿真算例（有点蒙特卡洛的意思），用于预调度、规划等业务。仿真还可以用于半实物硬件在环测试、培训等业务。
3）统计学习可以理解为数据驱动的思路，包括以下几类：第1是状态估计、参数辨识等电力系统的传统统计算法，其实这些算法都可以归结于机器学习的范畴，比如说很多估计算法是对最小二乘目标函数的变形或者加上正则项，这都是机器学习中的常见技术；第2类是传统机器学习，包括决策树、支持向量机、贝叶斯网、聚类等；第3类是2006年以后出现的深度神经网络，也是目前主流的AI技术。再具体而言，深度神经网络技术大致可以分为：感知类AI（例如图像识别，采用卷积神经网络）；序列类AI（如LSTM、Transformer架构，适合自然语言处理）；强化学习（典型如下围棋的AlphaGo）；生成式AI（包括当下最热门的基于Transformer架构的大模型GPT，还有图像、音乐、视频等的生成）。
电力系统作为复杂系统，实用的方法往往都是三者的结合。例如，机理分析建立的模型可以用于仿真和统计学习（状态估计并没有把系统当成一个黑盒）；仿真在算力够的情况下可以暴力破解的性质，用于校验算法效果、提供训练集等；统计学习可以估计参数，完善模型。举个例子，地区AVC由于不考虑发电机，是相对简单的。以前都用的是专家规则（例如9区图），但是可以用仿真的方法暴力穷举，从仿真结果中选择一个作为下发的控制策略。由于实用的控制永远都是分层分区的，并不会引起组合爆炸。这就是仿真来解决控制问题的一个思路。
事实上，只要是复杂的产品都是这三者的结合，只不过各有侧重。例如，AlphaGo包括了机理分析（围棋规则的建模）；仿真（蒙特卡洛树搜索）；统计学习（策略、价值网络）。只不过AlphaGo的重点显然是统计学习部分。
对于电力系统来说，机理分析和仿真一直都是业务的主流，统计学习是近10年才流行起来的。目前讨论AI应用于电力系统的论文很多。但作为系统设计师，一定要注意三大范式都不可偏废，取得平衡之道。
发展AI技术，可以写无数高大上、激动人心的展望。但归根结底，还是要为业务服务。我之前写文章也谈过，现代社会对电力供应的可靠性要求是不断提高的，停电对于很多年轻人来说已经是不可忍受的事情了；现代社会还有碳排放的要求，增加新能源发电，但是新能源会造成电力供应的可靠性下降，这是矛盾的两方面。同时，社会对于电力的价格是非常敏感的，不会允许电力系统大幅度的增加投资。因此，数字化技术是解决上述缺口的主要技术手段。既然发电的不确定性增加，那只能增加负荷侧的控制能力作为对冲。发电侧都是发电商，但负荷侧却是各行各业、千家万户，其控制涉及的信息流完全是海量的增加，经济影响也要复杂的多。
以前自动化技术和数字化技术的发展，电网建立了一些系统，对电力系统的可靠运行发挥了巨大作用。但这些系统的功效并未完全发挥出来，特别是涉及到经济效率的环节。由于AVC/AGC/稳控，以及自动化远程监控的发展，一线运行人员的需求下降了，但是数据采集与通信、基础数据质量、软件开发维护等岗位的人数需求提高了。数字化系统也有边际效用，随着系统越来越多、系统接入的数据越来越多，数据质量总会有不到位的地方，边际效用递减。如果管理不到位会引起恶性循环，数据质量变差导致大家不愿意用，大家不用会导致数据质量更加失控。
现在的AI技术尚不十分成熟，但是未来，我认为其更大的用武之地是配电、营销、设备运维等薄弱环节。对于稳定控制和保护等成熟业务，AI会改进，但只是对现有业务的补充。
可以把软件开发当成知识建模，知识包括显性知识（可以形成论文、规程、文档等）；隐性知识（个人经验，难以传授）。事实上，对于有经验的专家，他的全部能力中，隐性知识其实是占据绝大多数的。
举一些例子，我以前在500kV变电站工作，当时的站长仅仅通过听电流互感器的声音，就发现了某互感器存在问题，这个问题甚至影响了调度的数据。站长还曾经带领我们夜间巡视，通过电晕发现某设备的缺陷，可我当时瞪大了眼睛，啥也看不出来。这些真实的例子都属于个人经验，而且难以传授，至少没法写成作业指导书，照着做就能搞定。
但这些经验其实是很适合AI去做的，声音、图像都适合神经网络去处理，通过多层的神经网络自动发现信号中的特征，这些特征完全不需要文档化。
再比如说，以前的负荷预测算法是基于时间序列的简单算法，负荷预测专责需要在软件预测的基础上进行微调，可是这个微调又是说不清道不明的事情。最近几年AI介入之后，可以考虑大量因素和数据，预测结果已经超过人工预测了。
对于显性知识，其实很多也适合AI去处理。大模型AI可以处理和分析大量文档（例如调度规程、电力系统规范），自动提取关键信息和模式，将零散的显性知识整合成结构化的知识库。这减少了手动整理文档的工作量，并提高了知识的可访问性和可用性。
行业专用大模型一定比通用大模型好做。我发现目前主流的大模型AI，对于计算机、编程的回答非常有水平，但是对于电力系统的知识缺失严重。因为很多行业信息是互联网找不到的，无法训练。行业专用大模型如果能做出并实用化，一定能提高工作效率。
深度神经网络虽然是主流技术，但不一定适用于所有场合。比如说，很多电力系统的关键数据并不多，比如故障时的录波，而深度神经网络一定需要很多数据去训练。我曾经问过南网调度AI比赛一等奖团队的某位开发人员，用的什么算法，回答说是随机森林。巧合的是另外一个公司某团队也用随机森林。我这里并不是鼓吹随机森林，只是在说明，传统机器算法，在电力系统还是有很大的用武之地，是需要继续研究的。
更重要的是，电力系统的可靠性是最重要指标，而很多AI算法是黑箱模型，说不清有效性与可靠性。这就限制了很多AI算法的应用场合，导致这些算法发论文很容易，应用却很困难。
AI的伦理学问题是阻碍AI在工业系统及其他领域大规模应用的重要障碍。伦理学问题不仅包括事故责任承担，还涵盖数据隐私保护、算法偏见等多个方面。在AI系统，尤其是复杂的工业系统中，事故发生时责任归属的确定比传统系统更加复杂。AI系统的决策过程可能涉及到深层次的学习算法和大量的数据输入，这使得追踪决策过程并明确责任归属变得困难。
为了更好的梳理这一问题，我总结了下面不同情况：
1）机理分析和仿真已经可以得到可用数据的场合，AI可用于提高其它指标，但不应直接产生结果。比如，EEAC等算法在算例筛选环节应用机器学习技术，但不影响最终结果。再比如，状态估计和潮流的断面调试，非常适合AI去做。类似的辅助调试还包括降低短路电流的一些方式调整。这些调试并不影响最终结果，最终结果是仿真计算保证的。
2）对于闭环控制系统，鉴于状态估计已经用于控制的间接环节（AVC中的无功优化、AGC中的安全约束调度是基于状态估计断面的，AVC中二级电压控制是SCADA和状态估计数据都用）。因此，用于控制的AI算法，其可解释性应该与状态估计相当。以这个标准来说，线性模型、决策树等算法可用于控制。
3）人类无法得到可用数据的场合，AI可以直接应用。例如考虑非常多因素的负荷预测和新能源预测，这些应用一般都是预测类的，用于未来的调度计划甚至规划。所谓计划总赶不上变化，这种需求的可靠性需求肯定比控制低。
4）最适合AI的角色是辅助决策、助手。包括故障诊断、方案制定、缺陷巡视等，甚至包括文档的AI生成（相当于秘书角色）。因此，AI可用提高人的效率，提高数字化系统的能力。
关键技术的识别能力是专家的标准之一。其实，在媒体中大幅宣传，以及论文、报奖材料中着重强调的，往往都不是真正的关键技术。这个可以用心理学来感受，如果你有了压箱底的技术，你会满世界的嚷嚷，用最快的速度发表吗？当然宣传是必要的，但真正的关键技术往往都尽量保密。
对于AI来说，我个人的理解，算力和训练数据都是重要的。但是，设计制造可以计算的芯片相对容易，但EDA工具，以及软件生态（如CUDA）的门槛可能更高。芯片之间的高带宽、低延时通信也非常重要，这是大规模并行计算的前提。英伟达服务器的一个亮点就是高性能GPU数据互联技术NVSwitch，据说比PCI-E强的多。训练数据的收集、标注、对齐也是重要的关键技术，而且非常消耗人力资源，吃力不讨好。
电力系统对于AI来说是客户。就电力系统本身来说，依然需要加强自动化系统的建设，提高数据的整合能力，尤其是跨越“部门墙”，同时保证数据的准确可靠。这一点我深有体会，我以前在南瑞的时候试图开发出一套新能源预测系统，但90%以上的精力都跟技术没有关系，是为了获取天气预报数据（现在回头看，应该找开源的天气数据，但当时不知道）。最终也没有把事情做成，可见数据的重要性。
我提倡在个人的工作、学习中使用最新的AI技术。其实，在10多年前AI尚未像现在这么火的时候，我就跟同事建议要学习Python语言了。电力工程师学习编程不是跟程序员抢饭碗，而是获得一种计算思维的锻炼，另外在日常工作中也确实可以提高效率（特别是在一些QC项目、小的创新实践中使用）。比如说，员工可以用大模型AI帮助产生长篇大论的报告，然后提交给领导。领导也可以用大模型AI把长篇大论提炼关键思路。这两个人都节省了时间。不使用AI，却需要审核报告的第三方是最吃亏的。
现代AI生成式技术的发展，可以预期未来的互联网信息将要更大规模的爆发，并吸引人的注意力。很可能到时候的信息太多，不花点代价已经很难找到真实信息了。这里有个小建议：不要通过看视频学习知识，视频确实可以帮助理解，建立形象化思维，但注意力更容易分散，同时视频信息密度不如纸质材料。你通过视频花的时间，通过阅读可能会学的更多。除非是高质量视频，值得反复观看的，比如“经济机器是如何运行的”，以及一些科普视频。
另外，AI技术对于创新工作是有很大借鉴意义的。我今天写了一个段子：“郭德纲对马斯克说：你那火箭，最好要烧煤气，而且是家庭用的煤气。火箭外壳得用不锈钢，那多结实啊。马斯克认真的盯着郭德纲看，点了点头”。这说的是专家深入研究，容易进入局部最优点，而看不到全局最优点的存在。这时候需要一个推力让你离开局部点，这时候“扮演成外行的内行”可能会发挥很大的作用，提的问题看起来会让人觉得不可思议但其实是有效的。费曼教授也有类似的经验，他可能会问别人看起来非常愚蠢的问题，但是突然就抓住核心漏洞，让对方措手不及。这些做法在AI技术都有体现，比如说群体智能算法就有一定的概率去离开当前的最优点，去试探别的方向。
我不是AI专家，很难估计当前大模型最终能发展什么高度。但是，很多有名望的人士对于最终产生AGI（人工通用智能）信心十足，甚至不少人产生恐惧心理。我这里提出两个限制条件：1）把人类历史上所有产生的数据都训练完之后，大模型AI的训练怎么继续走下去，还能不能继续提高，类似于谷歌在围棋方面的自我对弈。2）当前用于数据处理的电能消耗已经占人类总电能消耗的5%，考虑到工农业生产和生活需求，我认为数据处理的电能消耗很难超过10%。也就是说，AI的发展很快就会遇到能源瓶颈。这两个问题如果不解决，我认为暂时还不用对AI产生很大的恐惧心理。但未来AI确实会对社会产生极大的影响，是要有所准备的。
对于电力系统的从业者，应该旗帜鲜明的支持AI的发展。首先，AI训练非常耗电，这就增加了卖电收入。其次，当前的AI停留在面向消费者的层次，面向企业的应用还没有特别好的商业模式。电力系统作为传统企业中业务最复杂、数字化程度最高的，是AI深化应用的试金石。电力系统的AI经验，对全社会其它领域，有很大的借鉴价值。