人工智能應用于電網調控的關鍵技術分析

秦 亮，孫 喆

(1.國網陜西省電力公司，陜西 西安 710048；2.國網西安供電公司，陜西 西安 710032)

0 引言

新時期電網系統功能形態和技術特征不斷優化，引入人工智能技術可以科學地應用和管理調度經驗、知識、數據，實現技術智能化升級，提高電網的工作效率。因此，有必要深入分析電網的整體調控業務，探究人工智能技術在電網調控工作流程中的性能和交互過程，實現深度學習，提升故障識別質量。

1 將人工智能引入電網調控系統的設計思路和結構

1.1 思路分析

人工智能技術的關鍵是數據存儲模塊，其中大數據技術能夠為深度學習、機器學習提供充足的數據資源。結合多種參數、要素開展模擬訓練，保證深度學習的結果貼合實際情況。同時，圖形處理器、中央處理器等硬件模塊的出現加快了人工智能對數據樣本的處理速度，滿足了電網調控系統需求。基于人工智能技術的電網調控系統主要包含實時運行和智能學習，實時運行位于生產控制模塊，應用于調控業務，能夠向智能學習模塊提供調度規則和運行數據，具體設計流程包含以下內容：首先，收集電網運行的歷史、實時數據。例如氣象環境、地理位置等信息，為模型構建和深度學習提供數據支持[1]。其次，制定故障處理預案、明確調度規程，引入人工經驗、運行日志等文本數據，模擬和學習當前的知識內容。再次，構建GPU，CPU，TPU集群式計算結構，提升人工智能算法在數據學習過程中的效率。最后，增加人工智能算法模塊，為后續業務場景提供算法服務和技術支撐，完成輔助決策和智能分析。

1.2 結構框架分析

依托人工智能技術的電網調控工作整體框架包含業務場景、知識庫和算法引擎、數據管理與匯集、高性能計算4個方面，具體內容如下：

1.2.1 高性能計算結構

高性能計算結構(High Performance Computing，HPC)包含網絡設備、存儲裝置和計算設備，由GPU，CPU，TPU組成計算機集群，能夠為深度學習、機器學習提供幫助，避免在多層網絡參數和大量數據的環境中浪費學習時間。

1.2.2 數據管理和匯集層

數據管理和匯集層級能夠對系統外部環境的信息數據、運行數據、管理數據進行匯集，通過非結構化和機構化的方式構建大數據調度平臺。針對采樣頻率、結構，借助多種數據存儲模式，向上層結構提供數據搜索和訪問服務[2]。

1.2.3 算法引擎層和業務場景層

(1)算法引擎層，可以針對知識圖譜、隨機森林、聚類分析完成封裝操作，為系統提供算法引擎支持。其中，知識庫能夠結合當前的操作規范、調度規程，借助自然語言對日志、文本進行處理，構建電網調度系統規則庫。

(2)業務場景層，可以預測和計算用電行為和負荷，利用物理建模與數據建模相結合的方式，依托人工智能技術完成訓練分析。

2 人工智能與電網調控系統結合的關鍵技術探究

2.1 大數據調控技術

大數據調控技術是人工智能領域的關鍵，算法學習依托樣本訓練數據，借助數據開展深度學習，進而維護系統數據的健全性。因此，有必要構建大數據調控系統，收集分散數據，構建集成平臺，為電網調控工作提供充足的樣本。電網調控實際上是對時間和空間的協調控制，因此，數據也應來自地理位置、模型數據、PMU、采集和監控系統等方面。從數據來源層面分析，電網調度主要包含配電管理、能量管理、調度管理等方面；從數據類型層面分析，電網調度包含非結構化、半結構性、結構化等數據；數據更新速度可以劃分為毫秒、秒、分鐘、小時等級別。大數據調控技術綜合性較強，可以圍繞以下3個方面展開。

2.1.1 數據匯集

借助消息隊列、文件傳輸規則、數據庫、Web服務器等連接形式，和大數據中Flume等模式相融合，結合數據結構和來源差異性收集多種信息，確保數據匯集的全面性，并依托ETL模塊實現數據的標準化管理[3]。

2.1.2 數據存儲和數據關聯

(1)數據存儲，對于歷史采樣、模型參數、日志、調度規程等數據結構，依據其自身特點，利用內存數據庫、分布類文件傳輸系統和列式數據庫存儲數據，并增加系統化數據服務模塊。

(2)數據關聯，數據來源具有差異性，可以通過引用、外鍵的方式實現數據關聯，進而為后續工作提供數據支撐。

2.2 依托深度學習理論的電網辨識和預測技術

2.2.1 故障識別

電網故障診斷工作是指系統通過安裝保護裝置，收集報警數據、電氣量測量數據和斷路器狀態數據，并據此科學判斷、分析故障的類型和位置，幫助電網系統快速恢復原有狀態。系統故障過程中借助SCADA，迅速將警報數據傳輸到總調動中心，提升調度人員對電網調度運行的感知水平以及故障處理能力。因此，依托人工智能技術可以針對區域特點，借助相關分析方式明確負荷變化規律，為后續構建預測模型提供幫助。此外，可以結合負荷時序數據，科學地設置神經網絡深度和模型，通過構建多種神經網絡模型，提升故障診斷和預測的精確度。

2.2.2 負荷預測

電網電源側模塊受外界環境影響較大，因此可以借助集成學習、DBM、變分編碼器等技術，優化綜合決策、網絡訓練及泛化能力。依托環境、電網歷史運行數據、電站位置等大數據信息，構建預測算法和模型，利用自主學習模式分析數據間的規律，預測發電的實際情況，進而提升系統預測的精確度。同時，由于溫度敏感負荷增加，且電網超短期和短期負荷預測工作量提高，有必要借助長短期記憶、循環神經、混合模型等算法進行負荷預測。通過深度學習模塊，對時間特性、電價激勵完成分析和識別，為后續電網平衡控制提供支持。因此，可以借助人工智能技術預測負荷、發電、設備故障等問題，結合設備檢修計劃、發電計劃，明確電網運行過程，發揮輔助決策和安全分析作用，進而完成電網風險的預控和預判。

2.3 依托知識譜圖的決策輔助技術

2.3.1 決策輔助流程

傳統電網調度主要根據已有經驗開展工作，通過制定規程和預案處理故障。應用人工智能技術可以規避調度人員在工作中的固化、重復的操作，進而提升決策輔助能力。知識圖譜相當于語義網絡，利用數據結構表示多種知識間的關聯，適用于知識規則的推理。其結構和互聯網相似，包含知識表現、提取、計算、存儲等，具體內容如下：(1)知識提取。該模塊主要結合電網調度的日志、規則，構建語義模型和語料庫，依據自然語言抽取日志、故障預案、調度規程中的數據，構建機器語言，供計算機識別和應用。(2)知識表現。結合獲取的文本數據信息，構建多層次信息關聯體系及知識圖譜，直觀地表現知識關系。(3)知識存儲。利用圖數據庫模式存儲語義知識網絡。(4)知識計算。通過推理、搜索知識，獲取相關信息資源，完成決策輔助[4]。

2.3.2 故障知識圖譜決策分析

在故障處理預案中，針對知識圖譜可以借助自然語言技術，學習文本，了解故障發生后的電網運行、故障設備、處置要點等數據信息。電網系統出現故障后，可以借助綜合報警模塊，開通圖譜查詢功能，獲取電網運行模式和故障處理要點，進而完成在線量測和輔助決策。調度人員可以結合AVC，AGC、遙控等技術形式，調整故障處理模式，減少調度工作量。因此，當前電網系統標準規范的完善，可以借助自然語言分析系統運行文本，得到斷面限額和電網運行情況的關聯性，進而自動更新斷面限額，避免人工操作導致的時間延遲或更新滯后，突出調度控制系統輔助決策的現代化和智能化。

3 結語

人工智能是電網調控領域中的高新技術，借助數據和模型聯合驅動優化調控技術的質量與效率，突出電網調控現代化和智能化。因此，有必要通過探究電網調控領域人工智能的技術框架，應用高速計算、故障分析、負荷預測等技術，明確系統建設的目標和思路，優化智能決策，進而滿足電網的調控需求。