电力系统混合增强智能（HAI）研究与实践综述：迈向安全可信人工智能应用新范式

《IEEE Potentials》：Review on the research and practice of hybrid-augmented intelligence in power systems

本文针对电力系统中人工智能(AI)模型应用面临的不确定性、开放性和脆弱性挑战，系统性地探讨了混合增强智能(HAI)技术的概念内涵及其在电力系统的应用范式。研究人员构建了包含电网环境生成器、智能体、验证器等六要素的HAI系统架构，并从人机智能建模、机器增强人、人增强机器及人机交互四个维度综述了核心技术进展。通过电网调控实践案例验证表明，HAI技术可提升故障识别效率40%，热稳定控制决策时间缩短至15秒以内，为新一代AI在电力系统的安全可信应用提供了重要理论支撑和实践参考。

　　

在全球能源转型加速推进的背景下，新型电力系统正朝着高比例新能源接入和高度信息化、智能化的方向快速发展。然而，这种演进也带来了系统结构和运行特性的复杂化，呈现出高维运行方式、海量计算需求以及安全稳定匹配风险加剧等严峻挑战。传统依赖物理模型和专家经验的分析方法在面对新形势下的复杂非线性问题时显露出诸多不足，而纯人工智能技术又因模型泛化能力下降、可信度不足等问题，在安全性为前提的电力系统实际运行中面临技术瓶颈，导致在关键环节出现“不敢用、不好用”的困境。

在此背景下，混合增强智能(HAI)技术作为一种可行且重要的发展范式，为电力系统实现安全可信的人工智能应用提供了新的解决思路。该技术通过人机协同合作，将人类在归纳、推理、决策等方面的优势与机器在搜索、存储、计算等方面的技术特长相结合，实现智能的混合增强，能够有效降低因单一智能局限带来的决策风险和系统失控概率。电力系统作为一个高度依赖人工经验的运行物理信息系统，其诸多环节都强调人工经验和知识的主导作用，这使得形成人机混合智能成为电力系统AI应用的可行、重要且独有的增长模式。

为了系统解决上述问题，研究人员开展了电力系统混合增强智能的理论框架构建、关键技术攻关及工程实践验证等一系列研究。研究首先明确了人机混合增强智能(HHI)的概念内涵，将其定义为以性能提升为导向的智能形态，在数据-知识层面系统集成人类智能与机器智能，通过基于多模态交互的人机协同能力与相互增强，实现更高效、更智能的问题求解能力。进而从电力系统需求出发，提出了包含电网环境生成器、智能体、验证器、知识库、电力系统和人在内的六要素HAI系统架构，其核心要素间的耦合支撑关系如图2所示。

在人机协同(HMC)模式方面，研究突破了传统“人主导、机器跟随”的单向驱动模式，构建了面向动态演进环境的HMC模式。该模式围绕电力系统任务目标，依托智能机器学习算法和先进交互设备形成具有灵活切换特性的协同机制，贯穿机器学习和AI模型任务执行全过程，实现了人机智能的双向增强。具体而言，HMC场景可分为模型训练和模型应用两个阶段。训练阶段的HMC模式如图3所示，从策略学习、样本标注和价值对齐三个方面阐述了人机交互方式。

模型应用阶段的HMC模式则如图4所示，按照AI主导性从低到高分为工具模式(Tools Mode)、副驾驶模式(Copilot Mode)和智能体模式(Agents Mode)。在副驾驶模式中，用户在规划阶段需设定任务目标和规划任务，而AI需要主动为用户提供相关建议；在执行阶段，用户与AI共同完成任务；在评估阶段，用户需完成对任务结果的评估，而AI在此阶段不承担责任。

在关键技术方法方面，研究主要从四个维度展开：基于人机智能建模的HAI技术通过建立合理的评估指标和行为模型，量化分析人与机器在执行能力(如风险系数、容错度和任务处理能力)和意图方面的特征，为人机协同任务分配提供科学决策依据。其技术框图如图5所示，该技术通过意图理解使智能体能够准确解读人类调度员的专业指令和操作意图，即使面对复杂多变的电网运行工况或紧急故障场景，也能快速把握人类需求并主动提供针对性支持信息。

基于机器增强人的HAI技术主要从模型性能和可解释性两个方面提升人类的感知水平，其技术框图如图6所示。在智能巡检领域，智能体采用电力图像目标检测技术对输变配线路的无人机巡检图像进行目标识别，准确识别线路中的严重、危急缺陷及异常情况；在网络运行控制方面，智能监测系统实时采集网络运行数据，利用大数据分析和AI算法快速评估和预测网络运行状态。为提高AI模型的可信度，研究还探索了可解释AI技术，如基于物理引导深度学习模型(PINN)的动态安全评估方法、基于Deep-SHAP的深度强化学习(DRL)模型解释方法等，通过将模型的复杂决策过程转化为人类可理解的输入特征解释，提升AI结果的可信度。

基于人增强机器的HAI技术强调人类先验知识和认知辅助对机器智能的提升作用，其技术框图如图7所示。该方法主要通过两种途径实现：一是人类直接干预机器的学习和决策过程，如为智能机器算法提供关键输入特征、初始参数和边界条件；二是模型输出结果需要人类基于现场实际情况进行验证和判断，纠正机器智能可能产生的错误决策。通过模仿学习(IL)方法，如行为克隆(BC)、逆强化学习(IRL)和生成对抗模仿学习(GAIL)等，将人类知识融入机器学习中，提高模型学习效率和准确性。

基于人机交互的HAI技术通过灵活多样的交互模式建立人类与机器智能载体之间的沟通与协作桥梁，其技术框图如图8所示。在智能体学习过程中，主动学习改变了传统的人机交互模式，机器通过主动询问而非被动等待指令的方式从人类行为、决策和反馈中学习。研究采用有效采样策略从海量未标注数据集中选择最有价值的关键数据样本进行人工审核标注，在保证开放环境下高精度的同时降低了训练数据标注成本。

在实践验证方面，研究基于某省级电网实际系统，利用覆盖典型电网运行场景的8760小时电网运行方式数据，对HAI在电网调控中的应用进行了验证。针对大电网开放性导致的电网态势感知不足问题，利用电网的拓扑连接和关键特征轨迹形成表征电网状态的图谱，提出基于图神经网络(GNN)的故障识别方法，使供电送出系统和其他类型输电网络的故障识别时间分别达到40毫秒和96毫秒。针对电网不确定性导致动作空间大、策略匹配难的问题，提出基于人机协同强化学习的热稳定控制方法，训练后的智能体根据实时电网状态轨迹特征在线识别电网运行工况，自适应启动智能分析。如图10所示的人机混合热稳定控制演示表明，人机回路热稳定控制的决策时间不超过15秒，且通过建立基于统一人机评价指标的反馈自优化机制，使典型电网调控任务演进后混合智能对动态调控环境的适应能力提升10%。

研究结论表明，混合增强智能技术是确保AI模型在电力系统关键环节安全可信应用的可行且重要途径。该技术通过人类专业知识与机器快速计算能力的结合，实现了两类智能的相互增强，主要目标是提升机器智能性能，使其能力和价值逐步与人类对齐，最终减少人类参与。人类通过其经验和认知模型辅助模型训练，而模型通过其性能和可解释性增强人类操作，从而强化人类认知并支持人机协同的可信度。数字孪生系统作为电力系统的数字表征，为AI专用模型的训练提供数据和交互环境，同时为模型评估和应用提供验证功能，其数据-知识电网交互仿真分析框图如图9所示。

未来展望如图11所示，电力系统混合增强智能的应用将在多个关键领域取得重要突破并实现广泛应用。面对关键技术挑战，需要在人机安全边界定义与拓展、生成式大模型与专用模型协同技术、数字孪生系统构建以及人机决策冲突容错机制等方面进行深入研究，以推动HAI技术在电力系统中的深化应用和发展。

该研究的理论与实践成果为有效利用人机协同混合增强智能技术赋能新型电力系统提供了宝贵参考，对促进电力系统向更加安全、高效、智能的方向发展具有重要意义。通过持续的技术迭代和优化，特别是深度学习、强化学习等前沿技术与电力系统的深度融合，人机混合系统对电力系统复杂运行状态的感知、分析和决策能力将得到显著提升，推动电力系统运行模式的根本性变革。