深度學習在電網智能調控系統中應用研究

肖倩宏,康 鵬,杜 江,宋 弦,安 甦

(貴州電網有限責任公司電力調度控制中心,貴州 貴陽 550002)

0 引言

電網調控運行需要對大量數據進行分析，對系統運行機理、運行策略等做出判斷，進行全方位的綜合決策，這一點與新一代的人工智能發展較為相似[1]。根據人工智能技術的發展趨勢、電力調控業務的發展需求，需要設計滿足應用要求的人工智能調度系統。

人工智能涵蓋理論較多，其中深度學習理論對于調度領域具有較高的實用價值。文獻[2]基于大數據技術提出了一種采用深度學習的暫態穩定評估方法。文獻[3]提出一種基于長短期記憶神經網絡的電力負荷預測方法,并使用這種方法對某地電力負荷值進行預測。文獻[4]針對深度學習網絡在風電場功率短期預測進行研究。文獻[5]采用長效遞歸卷積網絡模型結合視頻中的外觀信息和動態信息實現對視頻中的人體行為進行識別。文獻[6]綜述了強化學習、深度學習、遷移學習、平行學習、混合學習、對抗學習和集成學習等7種代表性機器學習在能源與電力系統調度優化和控制決策等方面的應用。文獻[7]采用深度學習方法，提出新的發電機組排放預測模型，并以此為基礎設計了一個具有節能減排效果的發電調度算法。

本文針對深度學習對電網調度的影響和應用入手，提出了基于深度學習的電力系統調度構架，分析了該系統的功能。針對大數據并行處理調度數據，本文提出利用多核圖像處理技術，提高系統的處理效率。最后分析了典型的應用案例。

1 深度學習與電網智能調度

1.1 深度學習對電網調度的影響

目前大多數電力系統分析控制軟件(Poweron Fusion DMS,Network Manager SCADA/DMS等)在設計時主要考慮算法的嚴格性或者基于已有信息進行操作，會降低系統的智能性。系統的智能處理不能夠與系統的執行方法和執行類別割裂開來，導致有些軟件不能夠適應電力系統的動態變化和不同運行環境。因此對于軟件智能化的需求就迫使軟件算法不斷進行升級調整。

深度學習為一類機器學習方式，將網絡分為內部深度層次等，主要包括自編碼器、循環神經網絡、長短期記憶、卷積神經網絡、限制玻爾茲曼機、深度信念網絡、深度玻爾茲曼機。其主要目標是通過模仿人類大腦神經網絡將機器的思考方式向人類思考方式趨向。而為了實現人工智能調度，需要將這類學習方法應用到電網調度系統。

人工智能調度的實現需要深度學習，需要利用博弈論對系統進行實時更新，對系統提供完整的信息。因此，人工智能調度系統通過預定的調控系統，對系統正常穩態或事故后狀態進行控制。而系統過負荷、系統崩潰、短路等故障以及黑客攻擊等都會對系統造成影響，此時應發揮人工智能調度的功能。

1.2 基于長短期記憶的出力預測

1.2.1 長短期記憶

在電力系統調度中，主要以安排各機組出力、負荷接入和開關狀態為主要內容，而在可再生能源、微網廣泛接入的過程中，調度人員也面臨著新的挑戰，主要體現在這類新能源出力以及負荷的多樣性會導致一定的波動性、不確定性，增加調度的復雜性，人工調度在這樣的情況下很難做到全局最優，最終會影響電力系統管理的優化和效率。因此，對于這類波動性發電出力做好發電量預測以及量測好時間尺度是調度運行中的重要環節。

對于這類變量的預測，很多方法已經得到應用，例如傳統的灰色模型、卡爾曼濾波法[8]，隨著時代的發展，人工神經網絡、長短期記憶LSTM (long short term memory)等也逐漸顯示其優勢。對于電力系統調度，預測的精準度十分關鍵，但是時間尺度也必須要合適，太長會占用計算資源，影響預測的精準度；太短則會影響系統運行的穩定性。在深度學習領域中，LSTM是應用較為成熟的一種方法。LSTM結構如圖1所示。

圖1 LSTM結構示意

LSTM能夠分析復雜出力曲線波動特性與發電預測曲線之間在未來數個小時內的關系。而相比之下，人工神經網絡會出現梯度消失或梯度爆炸，LSTM就有較高的準確度和效率[9]。LSTM擁有一個記憶細胞，用于存儲歷史輸入數據序列的狀態向量。細胞的狀態由新輸入的數據、輸出的數據以及細胞前一時刻狀態更新。假設ct為t時刻細胞狀態，則其更新方式如下：

it=σ(Wx,ixt+Wh,iht-1+bi)

(1)

ft=σ(Wx,fxt+Wh,fht-1+bf)

(2)

ot=σ(Wx,oxt+Wh,oht-1+bo)

(3)

gt=tanh(Wx,cxt+Wh,cht-1+bc)

(4)

ct=ft?ct-1+it?gt

(5)

ht=ot?tanhct

(6)

(7)

x?y表示點積；Wx,i、Wh,i、Wx,f、Wh,f、Wx,o、Wh,o、Wx,c、Wh,c均為權重矩陣；bi、bf、bo、bc均為偏差向量；it、ft、ot分別為輸入、遺忘和輸出數據；gt為狀態更新向量；ht為輸出隱藏狀態量；ct為t時刻細胞狀態；xt為t時刻輸入變量。

ft置零可以使網絡忘記記憶細胞儲存的ct-1信息；輸入門it和輸出門ot可以控制輸入到輸出的信息流。狀態門可以通過訓練數據得到。為了得到給定目標的相應信息，新增加隱藏狀態ht。

1.2.2 出力預測方式

不確定變量曲線包括風電、太陽能和冷熱電負荷等，由于調度性質不同，每一種不確定變量均有對應的LSTM預測模型，本文以風電為例。

t時刻風機出力為x(t)，風機的訓練樣本數據為x(t-n),…,x(t)。下一序列數據為x(t-n+1),…,x(t+1)。多年的歷史數據有助于訓練的可靠性，每個序列的最后一組數據均為訓練數據的目標。本文系統包括輸入層、細胞層和輸出層，將樣本數據進行訓練操作[10]。

針對調度預測，第1步是輸入數據準備，第2步是預測模型矯正。在第1步中，從歷史數據抽取有效信息，對數據格式進行標準化處理。考慮到預測的時間尺度不同，每一步驟中均由預測數據替代上一輸入數據。在第2步中，需要考慮前文所提神經網絡預測模型，將準備好的輸入數據送入模型，得到預測數據。

1.3 基于深度學習的區間狀態估計

深度學習理論還可應用于狀態估計中，狀態估計器將確定性狀態向量和概率性狀態不確定量進行同步跟蹤，確定狀態變量的邊界[11]。確定狀態變量由最優潮流得到，包括負荷和出力預測值。概率狀態不確定量在模型中的二元非線性規劃中確定上界。SCADA系統循環更新網絡拓撲和系統參數，深度學習理論主要應用在對負荷的預測上，其流程如圖2所示。

圖2 基于深度學習的區間狀態估計

1.4 基于深度學習的電力系統故障診斷

通過對電力運行數據的深度學習，可以從海量數據中抽取有用數據并進行處理，通過故障診斷模型實現該功能。首先應獲取包括電壓、電流、有功、無功在內的量測量，其中還包括SCADA系統中的設備信息、天氣信息和網絡拓撲等。由于故障后電壓量、電流量等均會有明顯變動，因此可以通過深度學習得到故障發生前電流量的隱藏特性。

將得到的電流數據進行歸一化處理，將數據分為3類，分別為重合閘故障數據、重合閘成功數據以及正常運行數據，利用神經網絡對隱藏層和每層的隱藏單元根據樣本數量進行調整，并對數據進行訓練，如圖3所示。

圖3 故障診斷網絡

2 基于深度學習的電網智能調控系統

本文提出了一種新型人工智能調度系統，基于深度學習技術，融合了調度運行和系統控制等功能。其主要特點為能夠模仿人類決策，但響應速度更快、操作更準確。通過原始規則對深度神經網絡模型的學習，可以提升系統獲得大數據處理的能力，從而不受調度員分析能力的限制。另外，與傳統預測算法不同的是，深度神經網絡不是簡單地考慮算法給出的參數，而且還有揭示這些影響因素本身的作用。

2.1 系統構架

基于深度學習的智能調度系統主要構架包括：

a.SCADA/EMS/DMS數據收集、處理、存儲模塊。

b.系統分析模塊，用于識別系統狀態、評估系統運行模式。利用離線數據或實時大數據進行處理。本模塊利用在線決策樹算法對系統的實時狀態進行監視和評估。

c.基于深度/傳統神經網絡的決策模塊，能夠實現對電網控制能力的分析，包括新能源出力預測、安全約束、遠動控制、保護裝置靈敏度控制等，基于得到的全局描述器搜尋和發布預防或校正控制。電力系統調度和控制在該模塊中模擬為多目標博弈問題[12]，博弈雙方為人工智能調度員和一系列可能的問題，包括可再生能源的不確定性、停電、黑客攻擊等。

d.存放現狀表計數據/歷史表計數據、仿真數據、調度命令的三大數據庫以及自動裝置動作記錄的數據庫。

e.人工智能調度接口，包括與人工調度交互的對話接口。

系統框架如圖4所示。

圖4 系統構架

2.2 主要功能

人工智能調度系統的主要功能如下：

a.帶系統預警功能的設備在線狀態監測系統。

b.調度行為智能機支持系統，可實現開環控制模式和調度員建議模式。

c.實時調控機制自動智能控制，即閉環控制模型，實現最優預防和緊急控制無需調度員審核而自動執行，且不需要用戶指令的確認。只要結果可行，指令即自動執行并發送。

d.開閉環聯合控制，部分指令可由調度員完成，其余則由人工智能調度系統實現。

3 基于MGP系統的人工智能調度實現

多核圖像處理系統(MGP)[13]可以實現深度學習技術的優勢，同時提高大數據下的運行性能和運行效率。基于MGP的系統可以用來承載人工智能調度的硬件，再加載專門設定的軟件系統，包括經過訓練用于電力系統網絡控制的深度神經網絡模型。

多核構架是將多個CPU核集成到單個芯片中，每個CPU核作為一個獨立的處理器，多個處理器之間進行并行操作，且核與核之間的通信通過共享內存完成，不會引起通信延遲[14]。多核圖像處理技術就是針對采集的圖片數據，進行快速傅里葉變換，但是該變換為并行操作，提升圖片處理的性能，從而應用到智能調度遙測、遙控中，便于監測各個設備的狀態，對系統進行集中處理。本文系統的實現如圖5所示。

圖5 基于MGP的人工智能調度系統實現

人工智能調度系統能夠融合現有的SCADA/EMS/DMS系統，并且實現基于國際通用協議的不同開發者的應用接入。因此，從另一個層面來說，人工智能調度系統是在SCADA/EMS/DMS等實現計算、分析、數據采集、數據傳輸和遙控等內容后的綜合應用平臺。同時，人工智能調度的機器智能化體現在其為真正替代人工調度員實現真正的自動化調度提供了條件，從而改善電網管理的有效性。

將人工智能調度系統嵌入到現有的SCADA/EMD/DMS等系統的優勢主要有：

a.彌補人工調度員在電力系統控制和調度中的不足。

b.提高系統電壓管理、潮流優化、安全控制等方面的管理效率，特點是具有DNN/CNN模塊尋優能力、大數據處理能力等。

c.提高系統響應速度，實現自動控制過程中的優化處理。

d.減少系統的運行成本。

4 應用案例

以電壓穩定性控制為例，采用深度學習理論中的在線決策樹方法[15]，可以訓練模型從而實時判斷電壓穩定性指標，判斷系統的安全穩定性，包括有效的無功注入，確定校正元件的位置和幅值等。

現階段調度指令的下達方式主要是電話下令，存在諧音誤擾、電話占線以及信道阻塞等現象。利用本文所提智能調度系統，將即時通信和調度發令管理結合，實現基于網絡的操作指令文字傳輸和人臉識別驗證，內容清晰明確，能有效杜絕諧音誤會等危險點，縮短發令和受令時間，提升工作效率。經測試的某系統調度下令指標對比如表1所示。

表1 下令指標數據

本系統可實現機組控制目標多、約束條件多、策略復雜的AGC系統的控制。主要包括聯絡線控制、常規能源斷面控制、新能源輔助參與聯絡線控制、新能源斷面控制、多類型能源混合斷面控制、直流配套風光控制等。本系統可實現一體化調度仿真(DTS)和監控聯合仿真(OTS)，實現電網仿真與監控仿真的設備狀態的自動映射。電網仿真計算的結果為監控仿真提供網絡潮流。設置故障時由監控仿真驅動站內保護動作，并將保護動作和開關變位信息提供給調度仿真。調度仿真根據保護動作和開關變位情況，重新進行網絡拓撲計算，并計算故障后的潮流。

5 結束語

針對深度學習對調度的影響展開研究，提出了基于深度學習理論的人工智能調度系統。為進一步應用機器智能解決電力系統安全穩定控制提供了新思路。由于目前將人工智能手段應用到調度領域的研究不多，本文旨在通過對人工智能的應用進行研究，使其能夠提高調度的可靠性，可以部分替代人工調度。最后針對本文系統的應用提出具體案例，說明系統的廣泛應用性。