第一部分　理论篇
　　第1章 人工智能技术
　　1.1　人工智能技术简介
　　人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，它使用计算机技术来理解和分析人类智能的本质。从语义分析的角度来说，“人工”是指人造的、科技的；“智能”是指智力能力，包括记忆、判断、思考、想象等。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的技术科学。它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。因此，简单地讲，人工智能就是让机器具有人类的智能。
　　和很多其他学科不同，人工智能这个学科的诞生有着明确的标志性事件，就是1956年的达特茅斯（Dartmouth）会议。在这次会议上，“人工智能”被提出并作为本研究领域的名称。自此，研究者们发展了众多的理论和原理，人工智能的概念也随之扩展。在定义智慧时，英国科学家图灵做出了贡献：如果一台机器能够通过称为图灵实验的实验，那它就是智慧的。图灵实验的本质就是让人在不看外型的情况下不能区别是机器的行为还是人的行为时，这个机器就是智慧的。John McCarthy则提出了人工智能的定义：人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。
　　人工智能包括十分广泛的科学，它由不同的领域组成，如机器学习、语言识别、图像识别、自然语言处理和专家系统等。但总的来说，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能自诞生以来，理论和技术日益成熟，应用领域也不断扩大。可以设想，未来人工智能带来的科技产品，将是人类智慧的“容器”，可以对人的意识、思维的信息过程进行模拟。人工智能不是人的智能，但是能像人那样思考、也可能超过人的智能。
　　1.2 人工神经网络
　　1.2.1 人工神经网络简介
　　20世纪初，生物学家通过研究揭示了生物神经元的结构，如图1.1所示。
　　图1.1 生物神经元结构
　　它主要包括突触、树突、细胞体、轴突等。突触是一个神经元的神经末梢与另一个神经元的树突或细胞体接触的地方，神经元之间通过突触建立联系，从而实现信息传递；树突是细胞体向外延伸的树枝状纤维体，用以接收其他神经元传递来的信息；轴突是细胞体向外延伸的一条又粗又长的纤维体，其末端有许多向外延伸的树枝状纤维体（神经末梢），用以输出神经元的信息。神经元通过树突接收来自其他神经元的信号，当信号的累积超出某个阈值时，神经元被激活，产生电脉冲，并通过轴突将脉冲信号传递给其他神经元。
　　受生物神经元工作机制启发，McCulloc和Pitts于1943年提出了一种人工神经元模型[1]，其结构如图1.2所示。
　　图1.2 人工神经元模型
　　模型的输入，输入权重 ，偏置值用 表示，则神经元的累积输入（净输入） 可表示为
　　净输入z经过激活函数 产生神经元输出。
　　激活函数 对神经元来说作用非常重要，直接决定了网络的表征能力，通常需要满足以下几方面性质：
　　（1）非线性可导函数，以便于网络参数的优化学习；
　　（2）导函数应尽可能简单，以确保网络的计算效率；
　　（3）导函数的值域应在一个合适的范围内，以确保训练的效率和稳定性。
　　常用的激活函数如下。
　　1）Sigmoid型函数
　　Sigmoid型函数为S型曲线函数，常用的有Logistic函数和Tanh函数。Logistic函数定义为
　　Tanh函数定义为
　　2）ReLU型函数
　　ReLU型函数为斜坡函数，常见的有ReLU函数[2]、LReLU函数[3]、PReLU函数[4]、ELU函数[5]和Softplus函数[6]。基本的ReLU函数定义为
　　LReLU函数定义为
　　通常为一比较小的常数，如0.001。PReLU函数定义为
　　为 时函数的斜率。ELU函数定义为
　　Softplus函数是平滑版的ReLU函数，其定义为
　　3）Swish函数
　　Swish函数[7]为一种自门控函数，其定义为
　　其中， 为Logistic函数； 为一个固定超参数。
　　4）Maxout函数
　　Maxout函数[8]是一种分段线性函数，其输入是上一层神经元的全部原始输入，为一向量x，每个Maxout单元有K个权重向量 和偏置 （ ），其净输入 可以表示为
　　该函数定义为
　　1.2.2 人工神经网络基本结构
　　人工神经元是模拟生物神经元的一种简单实现，要想完成复杂的功能，单一神经元往往是不够的，需要很多神经元一起协作完成。多个神经元通过一定的连接方式进行协作便形成了神经网络。常见的神经网络结构包括前馈网络、反馈网络和图网络。
　　1. 前馈网络
　　前馈网络是结构上*简单的一种神经网络，各神经元分层排列，每个神经元只与前一层神经元相连，接收前一层神经元的输出，并将信息输出给下一层，各层神经元之间彼此没有连接。前馈网络是*常见、应用*广泛的网络结构，典型结构如图1.3所示。
　　图1.3 前馈网络结构
　　前馈网络通常由多层神经元构成，包括输入层、隐藏层和输出层，每一层神经元可以接收前一层神经元的信号，并产生信号输出到下一层，其网络示例如图1.4所示。网络的相关参数定义如下。
　　图1.4 多层前馈网络
　　网络层数： ；第 层神经元个数： ；第 层神经元激活函数： ；第 层到 层的权重矩阵： ；第 层的偏置： ；第 层神经元净输入： ；第 层神经元的输出： 。
　　反向传播（Back Propagation，BP）神经网络于1986年由Rumelhart和McClelland为首的科学家提出，是一种应用非常广泛的前馈网络，下面重点以BP神经网络为例介绍一下前馈网络的工作流程。BP神经网络的训练过程可以分为三步。
　　（1）信息前向传播。
　　具体来说，输入信号通过多个隐藏层作用于输出节点，经过非线性变换，产生输出信号，前向传播过程可以表示为
　　（2）输出误差计算。
　　以交叉熵作为损失函数为例，对于样本(x， y)，输出误差为
　　其中， 为实际输出；log底数为e，下同。
　　（3）误差反向传播。
　　具体来说，将输出误差通过隐藏层向输入层逐层反传，以各层得到的误差信号作为调整各单元权值的依据。对于第 层中的 和 ，计算其偏导数如下：
　　下面依次计算

目录
第一部分 理论篇
第1章 人工智能技术 3
1.1 人工智能技术简介 3
1.2 人工神经网络 3
1.2.1 人工神经网络简介 3
1.2.2 人工神经网络基本结构 5
1.3 卷积神经网络 8
1.3.1 卷积神经网络简介 8
1.3.2 卷积神经网络基本结构 8
1.3.3 几种典型的卷积神经网络 10
1.4 循环神经网络 13
1.4.1 循环神经网络简介 13
1.4.2 循环神经网络基本结构 13
1.4.3 循环神经网络的输出层 14
1.4.4 循环神经网络的参数优化 15
1.4.5 长短期记忆网络 16
1.5 生成对抗神经网络 17
1.5.1 生成对抗神经网络简介 17
1.5.2 生成对抗神经网络的训练原理 18
1.5.3 生成对抗神经网络的经典模型 19
1.5.4 生成对抗神经网络模型的评价指标 21
1.5.5 其他类型的生成模型 22
1.6 图网络 23
1.6.1 图的简介 23
1.6.2 图数据应用场景 23
1.6.3 图嵌入 25
1.6.4 图卷积神经网络 26
1.7 强化学习 31
1.7.1 强化学习基本概念 31
1.7.2 强化学习算法介绍 32
1.7.3 强化学习实验环境 34
1.7.4 强化学习和深度学习 35
参考文献 35
第二部分 基于人工智能的故障诊断技术
第1章 基于深度学习的风机叶片覆冰故障检测 39
1.1 应用背景 39
1.2 基于深度学习的风机叶片覆冰故障检测整体框架 40
1.3 基于深度学习的风机叶片覆冰故障检测方法 41
1.3.1 数据处理 41
1.3.2 特征提取 41
1.3.3 算法简介 42
1.4 基于深度学习的风机叶片覆冰故障检测整体模型与算例分析 45
1.4.1 算例背景 46
1.4.2 算例分析 46
1.4.3 对比分析 48
1.5 本章小结 49
参考文献 49
第2章 基于深度学习的风力发电机组机械故障智能辨识与诊断 51
2.1 风电机组智能辨识与诊断需求 51
2.2 风电机组故障诊断技术现状与趋势 53
2.2.1 风电机组故障诊断主要方式与检测信号 53
2.2.2 风电机组机械振动信号检测与分析方法 54
2.2.3 风电机组机械故障辨识与诊断技术的发展趋势 55
2.3 风电机组轴承故障机理特性分析 56
2.3.1 轴承部件分布与结构特征 56
2.3.2 轴承部件失效原因分析 57
2.3.3 轴承部件故障信号特征 58
2.4 基于卷积神经网络的风电机组轴承故障诊断 59
2.4.1 基于CNN的故障辨识和诊断流程 59
2.4.2 算例应用与结果分析 62
2.5 基于多标签分类的风电机组轴承复合故障诊断 68
2.5.1 轴承部件复合故障与诊断 68
2.5.2 基于多标签分类的诊断方法 68
2.5.3 算例应用与结果分析 71
2.6 本章小结 73
参考文献 73
第3章 基于深度学习的柔直线路故障测距 76
3.1 高压直流输电线路行波分析 77
3.1.1 行波的产生和传播 77
3.1.2 行波的折反射 77
3.2 基于堆叠式自编码器的柔直线路故障测距 78
3.2.1 堆叠式自编码器 78
3.2.2 基于SAE的故障测距 79
3.2.3 SAE参数选取 80
3.2.4 仿真结果 81
3.2.5 对比分析 84
3.3 基于堆叠式降噪自编码器的柔直线路故障测距 85
3.3.1 堆叠式降噪自编码器 85
3.3.2 基于SDAE的故障测距 85
3.3.3 SDAE参数选取 86
3.3.4 仿真结果 86
3.3.5 对比分析 92
3.4 本章小结 93
参考文献 93
第4章 基于脉冲神经膜计算模型的电网故障诊断 95
4.1 脉冲神经膜计算基础 95
4.1.1 脉冲神经膜系统模型 95
4.1.2 模糊推理实数脉冲神经膜系统 96
4.2 脉冲神经膜系统电网故障诊断 100
4.2.1 基于脉冲神经膜系统的电网故障诊断框架 100
4.2.2 网络拓扑分析 100
4.2.3 可疑故障元件分析 101
4.2.4 可疑故障元件模糊推理实数脉冲神经膜系统建模 101
4.2.5 模糊推理 104
4.2.6 电网故障诊断案例分析 106
4.3 本章小结 108
参考文献 108
第5章 基于深度学习的电力设备图像识别 110
5.1 引言 110
5.2 电力设备图像分析与处理 110
5.2.1 图像采集 110
5.2.2 图像处理 110
5.3 电力设备的图像识别技术研究 115
5.3.1 基于卷积神经网络的图像分类与检测研究 115
5.3.2 基于深度学习的电力设备图像识别技术应用 122
5.4 本章小结 128
参考文献 128
第6章 基于深度学习的输电线路部件视觉检测 130
6.1 绝缘子视觉检测 130
6.1.1 基于深度特征表达的绝缘子红外图像定位方法 130
6.1.2 基于R-FCN的航拍巡线绝缘子检测方法 132
6.1.3 基于候选目标区域生成的绝缘子检测方法 136
6.1.4 基于Mask R-CNN的输电线路绝缘子掉片检测方法 139
6.1.5 基于深度特征表达的绝缘子表面缺陷分类方法 140
6.2 导地线视觉检测 142
6.3 金具视觉检测 144
6.3.1 防震锤检测 144
6.3.2 间隔棒检测 145
6.3.3 线夹检测 147
6.4 螺栓视觉检测 149
6.5 本章小结 150
参考文献 150
第三部分 基于人工智能的模式识别和预测技术
第1章 基于机器学习的电力指纹负荷识别技术 153
1.1 技术产生背景 153
1.1.1 电网感知的内涵 153
1.1.2 识别是能源互联网的基础 154
1.1.3 当前识别技术存在的问题 155
1.2 电力指纹定义与内涵 156
1.2.1 电力指纹技术的定义 156
1.2.2 基于电力指纹的五大识别 158
1.2.3 电力指纹的优势 159
1.3 电力指纹关键技术 159
1.3.1 信号特征分析技术 159
1.3.2 数据特征分析技术 161
1.3.3 相关识别算法 161
1.4 家用电器电力指纹研究 162
1.4.1 家用电器的主要分类 162
1.4.2 不同电器建模与数据分析 163
1.4.3 家用电器的类型识别研究 164
1.5 电力指纹应用场景 165
1.5.1 相关应用技术 165
1.5.2 安全用电实例 166
1.6 本章小结 168
参考文献 169
第2章 基于用电行为特征重要度聚类的居民负荷预测 170
2.1 居民负荷时域波动性分析 171
2.1.1 居民智能电表数据集 171
2.1.2 居民负荷时域波动特性分析 171
2.1.3 负荷波动对聚类结果的影响 172
2.2 *优特征重要度聚类 173
2.2.1 基于RReliefF的特征重要度分析 173
2.2.2 FI聚类实现 173
2.2.3 FI-SDCKM实用性 175
2.3 负荷预测模型 176
2.3.1 基于随机森林的负荷预测 176
2.3.2 构建特征集合 177
2.3.3 滚动预测模型中RF的预测精度 177
2.4 负荷预测结果 178
2.4.1 预测模型比较 178
2.4.2 工作日和非工作日预测结果 179
2.5 本章小结 180
参考文献 180
第3章 基于机器学习的配电网可靠性评估技术 183
3.1 概述 183
3.1.1 基本概念和必要性 183
3.1.2 配电网可靠性评估的基本原理 184
3.1.3 挑战与机遇 188
3.2 基于机器学习的可靠性评估框架 190
3.2.1 传统的可靠性评估框架 190
3.2.2 数据驱动的可靠性评估框架 190
3.3 数据驱动的元件可靠性建模 192
3.3.1 影响因子选择 192
3.3.2 特征优选与集成学习模型 193
3.4 基于感知机的系统状态评估 195
3.4.1 感知机模型 195
3.4.2 可靠性建模 196
3.4.3 基于感知机的系统状态评估 197
3.5 基于感知机的配电网可靠性评估 198
3.5.1 可靠性评估算法 198
3.5.2 可靠性指标建模 200
3.5.3 测试算例 201
3.6 结论与展望 203
3.6.1 结论 203
3.6.2 展望 203
参考文献 204
第4章 基于深度学习的微网互动需求响应特性封装与预测 205
4.1 微网互动响应特性的深度学习封装与优化运行机制 205
4.2 微网互动运行数据的特性挖掘与样本增量 206
4.2.1 非参数核密度估计的微网互动数据特性挖掘 206
4.2.2 拉丁超立方抽样的数据样本增量 209
4.2.3 互动数据场景的聚类识别与分类 211
4.3 微网互动响应行为的深度学习封装方法 213
4.3.1 深度学习的微网互动特性封装 213
4.3.2 对比算法 214
4.3.3 数据驱动的微网互动响应特性封装和预测流程 215
4.4 算例分析与验证 216
4.4.1 不含储能装置的微网互动特性行为封装与结果分析 216
4.4.2 含储能装置的微网互动特性行为封装与结果分析 221
4.4.3 深度学习的微网互动特性学习收敛性和敏感性分析 223
4.5 本章小结 225
参考文献 225
第5章 基于人工智能的电力点功率预测和区间预测技术 227
5.1 基于S-BGD和梯度累积策略的改进深度学习光伏出力预测方法 227
5.1.1 引言 227
5.1.2 传统深度学习算法 228
5.1.3 改进的深度学习算法 228
5.1.4 基于深度学习的光伏出力预测方法 230
5.1.5 基于深度学习的光伏出力预测方法实例 232
5.1.6 结论 236
5.2 基于改进混沌时间序列的风电功率区间预测方法 236
5.2.1 引言 236
5.2.2 基于传统混沌时间序列的风电功率区间预测方法 237
5.2.3 基于蚁群聚类算法和支持向量机的改进风电功率区间预测方法 238
5.2.4 风电功率区间预测性能评价指标 240
5.2.5 算例分析 241
5.2.6 结论 245
5.3 基于改进权值优化模型的光伏功率区间预测 245
5.3.1 引言 245
5.3.2 基于RBF神经网络的区