基于機器學習的電網調度指令智能交互技術研究

郭琦，袁少卿，呂小凡，蔡碩琦

（內蒙古電力（集團）有限責任公司，內蒙古 呼和浩特 010090）

作為新一代智能電網發展的重要組成部分，電網調度指令智能化正面臨著技術革新，以提高電網的供電高效性[1-3]。現階段的調度指令操作智能化程度較低，需要調度人員不間斷監盤，人機交互仍停留在人工操作階段[4-6]。隨著新一代人工智能技術的發展，應用新技術提升電網調度指令的智能化已成為了發展趨勢[7]。

國外學者對電網調度指令交互技術的研究較早，上世紀60 年代起，就有國外學者將語音識別技術應用于電網調度領域，先后推出了智能語音交互識別系統。在90年代研發出了基于PSOLA 技術的語音識別技術，并且迅速將其應用于電網調度領域[8-10]。我國的電網調度指令智能交互技術研究起步較晚，文獻[11-12]將語音合成與智能識別技術應用于電力系統中，但仍未應用于電網調度指令領域。

為了更優地滿足電網調度的實際需要，文中基于機器學習技術通過建立人機交互模型和傳輸通道模型，實現了電網調度指令的智能交互。

1 基于機器學習的語言人機交互技術

1.1 機器學習

人工智能是以機器學習為核心的新一代智能技術，機器學習的研究內容主要可分為概率密度估計、模式分類和回歸分析，根據不同的屬性可分為有監督學習、無監督學習、半監督學習和強化學習。在預測問題中，通常采用監督學習，主要的數據集有訓練集、測試集、驗證集；訓練模型有神經網絡模型、線性模型等；優化方法有梯度下降法、隨機梯度下降法等[13]。機器學習是數據挖掘的一種，算法的穩定性由數據量決定，將機器學習與大數據技術結合是未來發展的新方向。

1.2 并行隨機森林算法

傳統的機器學習由單個機器設計，在處理數據時存在不確定性，可通過并行方法進行改造[14-15]。目前流行的并行處理框架是由Apacha 公司開發的分布式架構，其架構中核心部件為決策樹。決策樹可解決離散型因變量問題，也可以解決數值型回歸問題，其結果為一系列葉子節點。決策樹的構建通常由3 個步驟組成：特征選擇、決策樹生成與決策樹剪枝。特征選擇最為關鍵的是數據的集成度，集成度的計算方法有3 種，分別為熵、基尼和方差[16]，以下分別介紹3 種方法的原理：

1）熵

式中，gain(D,A)表示特征A對訓練集D的信息增益，H(D)表示經驗熵，pi為訓練集D中第i樣本集所占的比例，H(D|A)為特征A對訓練集D的期望。

2）基 尼

式中，S表示標簽總數。

3）方 差

式中，N為樣本總數，μ為樣本平均值。

在訓練過程中，隨機性數據的存在使得算法抗干擾能力增強，所使用的Bagging 算法原理如圖1 所示。b個不同的樣本集相互獨立，組成強學習器。根據并行化思路，經過數據處理后生成多棵決策樹，最終實現并行化操作。

圖1 Bagging算法原理

2 電網調度指令人機交互算法

2.1 人機交互模型

基于機器學習的電網調度指令人機交互模型主要由執行和評估兩部分組成。第一步需要在計算機上輸入某個確定的工作，當上述操作完成后評估第二步的工作內容。人機交互模型可分為7 個步驟，每個步驟均表示電網調度員的調度指令。該人機交互系統主要由智能電網經濟調度系統、調度員、輸入、輸出4 個部分組成，如圖2 所示。電網調度員按照指令執行調度任務，完成循環過程。調度系統與調度員建立協調通信機制，并將結果傳達給調度員，從而對整個調度結果進行評估，完成整個階段的操作。

圖2 人機交互框架

2.2 人機交互設計

電網調度指令人機交互設計過程主要包括4 個階段和一個循環過程，如圖3 所示。其核心是以需求為中心，通過交互式迭代增強系統的可交互性，使電網調度指令高效化運行。

圖3 交互式設計過程

在電網調度指令人機交互系統中還包含語音識別模塊，該模塊通常是由語音特征提取、模式匹配與參考模型庫3 部分組成，如圖4 所示。電網調度指令語音信號經過多個步驟進行語音數據預處理過程，并基于語音幀的方法提取語音特征。而后將人機交互模型與語音庫相匹配，依據判定規則決定調度指令最匹配的模式，最終輸出最優的結果。

圖4 調度指令語音識別過程

2.3 調度指令語音交互流程設計

電網智能調度指令語音交互設計流程圖如圖5所示。首先啟動程序，電網調度員登錄界面進行身份識別。根據語音訓練及配置的具體需求，用戶語音訓練模塊針對調度指令進行訓練并配置文件。語音配置功能可以識別參數，導入調度指令能夠進行語音識別。當監測到語音輸入時，將調度指令關鍵詞與交互模型內的句式進行匹配，匹配成功即為識別有效；否則，重復循環上述過程。經查詢與分析后反饋給交互程序，并傳遞給下一位調度員。

圖5 調度指令語音交互設計流程圖

為將電網調度指令語音交互技術與調度后臺有效銜接，將識別后的語音數據傳遞給調度后臺。其中，數據結構化設計如表1 所示。

表1 調度指令數據結構化設計

2.4 調度指令監測數據預標注

利用機器學習算法完成的數據清洗，會產生狀態為不健康的數據。若利用無監督學習算法進行數據預標注可將不同樣本數據分開，由于不含樣本標簽則無法利用輸出值誤差進行反向傳播修正，因此識別準確率較低。應用無監督學習算法K-means 聚類算法對調度指令數據進行聚類，設置K=6，將聚類結果數據進行可視化分析。應用層次分析法對監測狀態進行指標評價，計算給出評價表現的優先級，最終得出監測分值。在數據可視化前，對所有數據樣本進行歸一化處理。同時利用歷史數據的特征，制定評價電網調度指令人機交互算法的評價標準。

3 基于機器學習的調度指令傳輸方法

3.1 端對端傳輸系統結構

基于機器學習的電網調度指令采用端對端傳輸。對于給定的一個調度指令s={}a1,a2,…,an，編碼器將該調度指令映射為s∈R2，其中s為虛數。在傳輸過程中，每個信號均可隨機性地表示為多個神經網絡層，即編碼為2×K維的向量，其中K表示調度指令的采樣數，那么s的前K個元素即為接收到的實部向量。

端對端傳輸由正則化層、映射層和隱藏層組成。其輸入為調度指令s，并映射為v0維字符向量v0=C(s)，隱藏層將調度指令向量v0編碼為vl，且隱藏層內的關系可表示為：

式中，fl(vl-1,θl) 表示l-1 層到l的映射關系，θ={θ1,θ2,…,θn} 為神經網絡內的所有參數。

3.2 傳輸通道模型

考慮到信號延時、失真等因素，傳輸通道模型也需要模擬電網調度指令傳輸環境給編碼器所造成的影響。該文提出的通道模型主要為上采樣方式，即將編碼輸出向量s∈R2轉化為su∈R2×K，再發送至濾波器，以消除調度指令信號輻射。在接收處亦增加濾波器，以減少信號的失真。定義降噪系數為λ，濾波器的濾波系數為L，其結果輸出為xf和xu，通信原理的表達式為：

式中，xt,k為xt的第k個元素，nk為噪聲信號。

4 實現與測試

4.1 調度指令訓練

在訪問調度系統前，首先需要調度員通過用戶名和密碼進行驗證，并根據調度實時情況調整運行方式。在系統配置時，通過調度指令的經驗識別出靈敏度和響應時間，通過控制程序訓練配置文件，以便于保存不同的噪音環境。因此需要系統事先提供調度指令配置文件的訓練，以適應不同調度員的語音習慣。通過對典型機器學習識別系統的測試與分析，對調度術語及指令進行訓練和識別。在滿足精度的情況下，分析調度員的語言習慣，結合調度需求，將常見的調度指令進行配置與保存并提供良好的拓展性和容錯性。在訓練文件時，可針對性地對語音內容進行訓練。

4.2 調度語音交互技術的測試

測試地點在電力調控中心，測試分為兩個階段。第一階段為調度指令語音識別性能測試，第二階段為調度指令語音訓練后的語音識別性能測試。測試過程中采用典型漢語語音詞庫為樣本，測試中以自然方式對調度指令進行語音錄入，每個調度員的語速一致、發音清晰。

針對提供的調度指令，對40 名測試樣本進行針對性地訓練，訓練時間大約為3 h。訓練過程與測試過程一致，基于電網調度的常見指令建立語音交互模型。訓練完畢后，進行結果的分析及處理。

4.3 測試結果與分析

針對文中設計的電網調度語音交互識別技術進行測試，詳細記錄相關數據以及識別準確率。訓練前后的指令識別性能測試結果，如表2 所示。

表2 識別性能測試結果

表2 中，該文基于機器學習對電網調度指令進行訓練與識別，對電網調度指令的平均識別率達到91.45%。在電網智能調度領域，目前常見的調度指令訓練通常采用國內科大訊飛股份有限公司的在線識別系統，其平均識別率為85%。而將文中所提技術應用于電網調度領域，其識別結果更加精準，可以滿足更高的電網調度需求。

5 結束語

該文主要研究了基于機器學習的電網調度指令智能交互技術，包括人機交互模型、調度指令語音交互流程設計、調度指令監測數據預標注、基于機器學習的調度指令傳輸方法。通過分析日常調度系統的業務需求，與實際的調度指令相結合，實現人機交互。借助大量的調度指令數據驅動，為交替訓練編碼實現調度指令同步偏移。最終通過實際測試，文中所提方法對電網調度指令的平均識別率達到91.45%，且識別結果更加精準，可以滿足電網調度的基本要求，具有一定的工程應用價值。但由于實驗條件的局限性，該文缺乏實時數據驗證，下一步將研究實際調度系統與人機交互相結合的物理層傳輸技術。