[论文解读] Smart Grid: A Survey of Architectural Elements, Machine Learning and Deep Learning Applications and Future Directions

Navod Neranjan Thilakarathne, Mohan Krishna Kagita+2 more|arXiv (Cornell University)|Oct 16, 2020

Smart Grid Security and Resilience参考文献 59被引用 12

一句话总结

本文全面综述了智能电网架构、机器学习（ML）和深度学习（DL）应用，强调了面向能效与可靠性的数据驱动解决方案。文章分析了架构组件，回顾了智能电网中大数据分析的ML/DL技术，识别了当前研究的局限性，并提出了智能电网管理的未来研究方向。

ABSTRACT

The Smart grid (SG), generally known as the next-generation power grid emerged as a replacement for ill-suited power systems in the 21st century. It is in-tegrated with advanced communication and computing capabilities, thus it is ex-pected to enhance the reliability and the efficiency of energy distribution with minimum effects. With the massive infrastructure it holds and the underlying communication network in the system, it introduced a large volume of data that demands various techniques for proper analysis and decision making. Big data analytics, machine learning (ML), and deep learning (DL) plays a key role when it comes to the analysis of this massive amount of data and generation of valuable insights. This paper explores and surveys the Smart grid architectural elements, machine learning, and deep learning-based applications and approaches in the context of the Smart grid. In addition in terms of machine learning-based data an-alytics, this paper highlights the limitations of the current research and highlights future directions as well.

研究动机与目标

• 系统性回顾智能电网架构要素，包括组件、通信层级和系统集成。
• 研究机器学习与深度学习在智能电网数据分析中的应用，以提升能源管理与系统可靠性。
• 识别当前智能电网背景下ML/DL研究中的缺口与局限性。
• 提出推进智能、数据驱动型智能电网技术的未来研究方向。

提出的方法

• 对智能电网架构进行全面文献综述，重点关注分层结构（如发电、输电、配电和用户层级）。
• 调查应用于智能电网数据的机器学习与深度学习技术，包括监督学习、无监督学习和强化学习方法。
• 分析PMU、智能电表和物联网设备等数据源及其在实现实时监控与决策中的作用。
• 评估ML/DL模型在负荷预测、故障检测和需求响应等应用中的性能与可扩展性。
• 采用主题分析法，按应用领域、数据类型和算法方法对现有研究进行分类。
• 识别出重复出现的挑战，如数据质量、模型可解释性以及智能电网部署中的实时处理限制。

实验结果

研究问题

• RQ1 现代智能电网系统中的关键架构组件与通信框架是什么？
• RQ2 机器学习与深度学习技术目前如何应用于智能电网数据分析？
• RQ3 现有基于ML/DL的智能电网研究中的主要局限性与开放挑战是什么？
• RQ4 在人工智能支持下推进智能能源系统的未来研究方向中，哪些最具前景？

主要发现

• 智能电网架构正越来越多地采用分层、互操作的设计，整合先进的传感、通信与控制系统。
• 机器学习模型，特别是在负荷预测与异常检测方面，相较于传统统计方法表现出更高的准确性。
• 深度学习模型如LSTM和CNN在处理智能电表与PMU数据中的时间与空间模式方面表现出色。
• 尽管已取得进展，模型可解释性、数据隐私以及AI模型在实际运行环境中的实时部署仍面临挑战。
• 当前研究缺乏标准化基准与大规模验证，限制了可复现性与实际应用。
• 未来工作应聚焦于可解释AI、用于隐私保护分析的联邦学习，以及边缘-AI的集成以实现低延迟处理。