基于人工智能的電網調控技術研究與分析

李艷華

摘要：電力系統是一個復雜多維非線性系統。電力系統的安全、自愈、綠色、堅強、可靠運行依賴于電力系統的“大腦”——電網調控系統。該系統集電網數據采集、存儲和分析決策控制于一體，貫穿于電力的發-輸-配-用各個環節，是確保電網安全、穩定、經濟運行的中樞。現有的電網調度技術支持系統在大電網側的應用較為成熟，量測點以及數據質量相較于配用電側較為完善。然而，目前大電網調控業務仍以設備監視與人工分析為主，決策、執行等環節仍需要調控人員參與主導，更多依賴調控人員經驗分析，這顯然無法滿足調度智能化要求。隨著電網運行調度方式日趨復雜，傳統的基于機理分析與電網模型的調控方法，在處理大電網非線性、非連續性以及預測不確定性問題時，很難達到預期效果。伴隨深度學習等人工智能技術的飛速發展，基于數據驅動方式的人工智能技術在解決上述問題方面具有潛在的“去模型化”技術優勢。

關鍵詞：電力系統;電網調控;人工智能;

1基于人工智能的調度控制系統的設計

1.1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，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[2]。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）實現智能學習引擎的建立，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。

1.2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[4]。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）。

2核心功能的關鍵支撐技術分析

2.1 大數據計算與調控技術

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，將常規數據接入方式（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。

2.2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。

結束語

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。