基于人工智能的電網調控技術研究與分析

盧君波 李小敏

摘要：人工智能在電力系統中電網調控運行及決策過程中占據核心地位，屬于綜合性決策控制模式的一種，涵蓋專業經驗、數據和機理分析、運行規程等，文章主要對基于人工智能的電網調控技術進行了研究，在對人工智能特點、電網調控運行需求進行分析的基礎上，提出了一種調度控制系統的設計方案，闡述了系統的總體架構及核心功能，并分析了大數據的高性能計算與調控、電網預測及辨識、智能輔助決策等的關鍵實現技術。

關鍵詞：人工智能;深度學習;電網調控技術;調控人數據

中圖分類號：TM73;TP18文獻標識碼：A 文章編號：1001-5922（2019）11-0178-04

快速發展的社會經濟的用電需求不斷提升，促使了電網規模不斷擴大，傳統的電網調度支持系統已難以滿足現代智能電網的調控需求，為順應未來電網發展趨勢，需通過現代智能技術的使用實現調度支持系統性能的有效提高。近年來，隨著人工智能技術逐漸走向主流，尤其是基于機器和深度學習的智能技術的應用逐漸受到了各行各業的廣泛關注，成為研究的重點之一，新一代基于大數據的人工智能系統綜合了類腦智能機理，人工智能技術作為一種綜合性技術主要以高性能計算、機器及深度學習作為支撐技術，使人工智能具備了強大計算能力、豐富的訓練樣本、高質量的學習模型及算法。

1現狀分析

電力調度控制中心作為指揮中樞包含了海量數據、規則、專家經驗，傳統調度控制大多依靠實際工作經驗和人工分析方法，隨著調控中心數據種類及數量的不斷增多導致方案間缺乏邏輯模型，需調控人員具備豐富的知識關聯經驗，增加工作量的同時阻礙了自動化及智能化水平的提高，因此在電網調控領域應用人工智能有利于：①實現電網特性及行為的分析，廣泛應用的新能源及分布式電源增加了電網運行及用戶用電行為的不確定性，傳統的物理建模方法（即基于物理系統的數學建模）難以對當前電網形態（如電動汽車、屋頂光伏）的單體進行建模分析，而通過機器學習能夠針對電網整體特性以海量歷史數據為依據完成聚類分析過程，包括對用戶用電行為進行評估和預測以提高負荷預測準確度，為確保電網的實時平衡提供支撐。②學習和模擬調控知識經驗，包括設備檢修、故障處置等在內的日常調度操作通常有固定的以積累的調控運行經驗和知識為主的規程，在實際操作處置過程在重復性較高。通過人工智能技術（知識圖譜等）可使學習和模擬規程、經驗及其到調度控制分析軟件中的嵌入過程得以有效實現。

2基于人工智能的調度控制系統的設計

未來電網調度控制系統的算法設計需在確定機理模型的基礎上，需有效融合預測辨識功能（以數據驅動為特征）與調控運行專業知識，結合物理建模和數據驅動的方式形成知識引導。本文主要構建了基于人工智能的調度控制框架。

2.1功能設計

快速發展的大數據及數據存儲技術為人工智能技術提供了有力支撐，海量歷史數據提供了豐富的數據樣本，促使機器與深度學習等算法的快速發展和應用，通過訓練模擬各要素及參數使學習結果趨近于實際。此外快速發展的硬件技術（包括中央處理器、圖形處理器等）提升了人工智能對數據樣本的學習及處理效率，考慮到在生產運行控制大區部署以開源為主的人工智能存在安全隱患，本文調控系統的設計思路如圖1所示，主要由位于生產控制大區的實時運行系統（對業務進行實時調控，提供電網運行數據和規則經驗）和位于非生產控制大區的智能學習系統（根據數據和規程完成人工智能學習過程，提供決策建議）構成。在電網調控中人工智能的應用功能包括：匯集和存儲電網運行的多維度數據（包括設備量測、故障告警、地理位置等），將充足的樣本數據提供給后續訓練學習使用;引入非結構化的包括運行日志、相關規程、故障處置預案、知識經驗等在內的文本數據，實現知識學習和模擬功能;高性能計算架構的建立，集成中央處理器、圖形及高性能處理器，使訓練學習樣本數據的效率得以有效提升;完成人工智能算法引擎的構建，向上層提供算法支撐與服務，使智能化分析與輔助決策得以順利開展。為使智能分析及決策系統得到進一步完善，作為現有調度控制系統基于機理及物理建模分析的補充，智能學習系統基于經驗規則知識和歷史數據通過多種人工智能算法的運用（包括語言處理、強化學習、知識圖譜等）實現智能學習引擎白勺建立，訓練學習模式采用規則+數據的理解和學習，以實現對調度員思維決策的訓練模擬并為電網調控提供決策支撐。例如，調度控制系統在電網出現故障時，以故障所造成影響的輕重程度為依據將其劃分為重要和次要事件并給出故障處置任務列表（具有優先級），可根據相關規程、故障預案等進行學習，故障后則需通過在線安全分析完成評估電網運行狀態及辨別潛在風險功能，顯著提高了故障處置的智能化水平。

2.2系統總體架構設計

本文所設計的電網調控系統總體架構如圖2所示，針對海量數據和多層級網絡參數，由CPU、GPU、TPU等混合架構構成強大計算能力的計算集群可顯著顯著縮短訓練學習時間，以供機器和深度學習使用;各類結構/非結構化數據（口碑運行數據、外部環境數據以及管理數據等）主要由數據匯集層進行匯集并形成調度大數據平臺，以供上層分析使用;基于數據匯集的數據管理主要負責存儲和統一訪問相關數據，數據存儲方式根據數據結構及采樣頻率確定，提供統一的數據訪問服務;相關文本、日志由知識庫層采用自然語言處理技術進行學習和理解（以調度規程、運行經驗為依據），并據此形成知識化表達的規則庫;算法引擎層根據實際需要通過對各類算法（包括聚類分析、知識圖譜等）的封裝實現將統一的算法引擎提供給上層應用。業務場景層主要包括包括：①態勢感知，包括負荷預測、故障預測、安全評估、用電行為分析等，融合了數據驅動和物理建模方法，基于大量豐富的存儲周期較長的歷史樣本數據采用人工智能算法完成訓練分析過程，從而顯著提升預測準確度。②智能決策，包括設備過載、故障及檢修操作等輔助決策，基于物理模型通過調度規程、處置預案、知識經驗等的有效融合實現所提供策略實用化程度的有效提高，更好的滿足調度運行需求，如斷面過載時，調度實際運行通過幾臺或一組機組（靈敏度相近）的選擇微調出力，兼顧了公平和效率;線路故障跳閘后，根據電網實際故障信號通過學習故障處置規程給出線路試送與否的建議，從而顯著降低處置工作量。③調度助手，簡化了日常調度操作過程，如使用語音結合智能檢索調閱所需系統畫面，實現實時查詢和動態曲線及關鍵信息展示功能（如查詢某設備的過載情況、系統越限告警數據）。

3核心功能的關鍵支撐技術分析

3.1大數據計算與調控技術

深度學習需基于大量數據及較高的計算能力，在電網調控領域優于深度學習的最大挑戰在于計算力，為滿足不同業務場景及深度學習算法的應用需求，需融合網絡資源、不斷完善的芯片技術（包括CPU、GPU、TPU等）、服務器、存儲器逐步完成軟件定義的HPC及適應調控系統的計算架構的構建，從而顯著提升各類業務場景計算能力。訓練樣本數據是基于大數據技術的人工智能算法（尤其是數據驅動的機器與深度學習算法）的不可或缺的環節，要求數據全面完整。提高調控大數據平臺處理（包括匯集、清洗、關聯整合等）系統中的分散數據，將豐富的訓練樣本提供給后續業務場景。面向廣域時空數據的調控大數據包括設備模型參數、地理位置、PMU、氣象環境、電量、用戶等，包括能量管理、配電管理、GIS、調度及生產管理、設備監測等系統。調控大數據匯集和存儲技術的考慮重點在于：①數據匯集，根據不同來源系統及不同結構的數據設計多種抽取和匯集方式，將常規數據接人方式（包括傳輸協議、數據庫連接、消息隊列等）同大數據的Sqoop、Flume等方式相結合實現數據全量抽取，再采用校驗規則引擎清洗和標準化處理數據。②數據存儲，為提供統一的對外數據服務，根據不同數據結構的特點采用不同的存儲模式，主要包括分布式文件存儲、關系型數據庫（主要存儲靜態模型參數）、列式數據庫（主要存儲歷史數據）、內存數據庫（處理實時數據）、時序數據庫（同步相量測量時標數據）。③數據關聯，針對來源不同的數據使用外鍵、引用等方式實現不同數據的關聯，為后續分析提供數據支撐。

3.2基于知識譜圖的智能輔助決策技術

對于以往的經驗型調度模式所形成的基于運行經驗和知識積累的預案規程，使用人工智能進行訓練學習后可顯著較少重復性、固定化的操作過程、提升智能水平，作為一種基于圖的數據結構的知識圖譜具備檢索、推理及分析功能優勢，可有效描述知識間的關系，可作為規則知識的推理分析引擎，適用于推理和分析調度規則知識，電網調控知識圖譜主要包括：知識提取，根據電網調度的文本用語特點采用調度專業詞語完成語料庫和語義模型的建立，再對文本數據使用自然語言處理技術進行信息抽取形成機器語言;知識表現，通過知識圖譜（即將抽取的信息建立多層級關聯關系）對知識間的關系進行描述，采用圖數據庫存儲知識語義網絡;知識計算，使用相關檢索和推理方法獲取知識的相關信息，據此提供輔助決策。以故障處置預案知識圖譜為例，先對故障預案文本進行學習，抽取得到預想故障設備名稱、故障后運行及處置方式等信息并建立知識圖譜，實際發生故障時可聯動觸發圖譜查詢（通過智能告警）并給出處置預案，通過知識推理服務的調用獲取故障后的相關信息，故障發生后調控系統自動給出故障處置任務列表（以知識推理和電網實時狀態為依據）和關鍵信息，結合實時量測和在線輔助決策功能獲取輔助決策，通過人工進一步確認后通過自動發電及電壓控制等完成相關操作（如故障后方式調整、恢復送電等）;對于設備檢修操作可對操作票模板、檢修操作規程使用深度學習技術，經人工確認即可完成設備檢修操作（采用順控方式）。在穩定斷面智能限額方面，隨著電網運行描述標準規范的不斷完善，有利于通過自然語言處理技術獲取電網運行同斷面限額的關系，以便動態更新斷面穩定限額的。此外還需不斷學習模擬調度操作行為，研究調控操作行為畫像技術，自動記錄相關操作內容并進行標簽化處理，然后對上述調度操作行為進行學習（運用深度神經網絡、協同過濾等技術），實現類似事件出現后處置策略的自動推送。

3.3電網預測技術及調度智能助手技術

借助人工算法及調控大數據功能，通過學習訓練樣本數據實現未來趨勢的預測，考慮到可再生能源易受天氣條件影響，可基于調控大數據通過集成學習、條件變分編碼器深度置信網絡等技術及自主學習方式（無監督伴監督）的使用及多種預測模型和算法的整合，完成數據內部規律及多因素間耦合關聯關系的分析和獲取，提高可再生能源的預測精度，據此實現預測功能。地區電網隨著大量分布式電源的接人及源荷雙重特性設備的增加，需進一步完善循環神經網絡、長短期記憶等算法的應用效果，建立綜合性的預測模型和算法對各類因素進行學習和模擬，以滿足電網負荷預測需求，例如，引起設備故障跳閘的原因包括電網設備老損、外部氣象環境破壞等，需根據設備歷史故障跳閘事件、外部氣象環境等相關信息完成設備狀態評估模型（基于自學習）的建立，通過訓練學習樣本數據獲取跳閘的潛在主導因素及規律，結合評估方法提高故障跳閘風險辨識的準確度。

通過應用虛擬現實、語音識別等技術可使調控系統的人機交互性能得以顯著提升，實現以語音交互為特征的智能助手功能，包含觸屏控制、人臉/語音識別等多種交互方式，通過將強大搜索引擎配備到系統服務端實現使用語音、鍵盤輸入相關內容，搜索、抽取、加工、分析和自動統計系統中的各類數據（包括原始數據、相關規程、計算結果等），進一步提升交互方式的智能化水平。搜索引擎根據服務對象的種類可部署在本地（為本地調控人員提供搜索服務）或云端（可為全網提供搜索服務）。展示方式的，針對電網各場景通過使用虛擬現實技術豐富的可視化的展示效果，采用自動構圖技術實現面向多場景圖形（如電氣分區圖、停電區域圖、供電路徑圖、潮流圖自動生成等）的自動形成。

4結語

快速發展的基于深度學習的人工智能技術的主要特征在于數據驅動、知識引導，隨著電網管理對現代化及智能化發展需求的不斷提高，在新一代電網調度控制技術中有效融合人工智能技術將是未來技術的主流發展方向，本文針對電網調控運行業務場景對人工智能技術的可應用場景進行了初步的探索和分析，完成了電網調控系統總體框架的構建及核心功能的設計，闡述了場景實現鎖足的關鍵技術，為推動餐廳以物理建模為主的電網調度分析決策過程向綜合運用物理建模及數據驅動方式的轉變提高參考。