基于隱性馬爾科夫模型的電力虛擬調(diào)度方法

張陽洋, 紀(jì)雨彤， 馮禹清， 申昉

(國網(wǎng)冀北電力有限公司信息通信分公司， 北京 100053)

0 引言

隨著中國新一輪電力體制改革不斷深化地推進(jìn)，地?zé)帷⒐夥L(fēng)電等新能源場站數(shù)量增長迅猛[1]，給電力調(diào)度帶來了極大的挑戰(zhàn)。傳統(tǒng)的電力調(diào)度按照區(qū)域電網(wǎng)規(guī)模配置人員[2]，在編制受限的情況下，現(xiàn)有調(diào)度人員的新能源場站調(diào)度業(yè)務(wù)處理量急劇增加，導(dǎo)致電力調(diào)度人員承載力不足，影響電力調(diào)度工作效率。因此，亟需采用有效的措施來提高新能源場站的調(diào)度能力。

為此，大量的學(xué)者對提高調(diào)度人員效率的方法做了研究，主要分為調(diào)度語音識別和人工智能[3]兩類。在語音識別調(diào)度方面，自然語言識別的調(diào)度方法采用Word2vec文本分析調(diào)度語義，從而提高調(diào)度自動化水平[4];基于神經(jīng)網(wǎng)絡(luò)的調(diào)度語音識別方法采用聲學(xué)訓(xùn)練模型，提高了調(diào)度語音識別準(zhǔn)確率[5];防止調(diào)度員語音失誤的輔助系統(tǒng)通過調(diào)度口令語音校驗(yàn)，避免了調(diào)度人員語音交互過程中的失誤，預(yù)防了事故的發(fā)生[6];梅爾倒譜系數(shù)的調(diào)度語音分析方法采用小詞匯量的聲學(xué)模型，提高調(diào)度語義識別精度[7]。由此可見，在調(diào)度語言識別方面已有大量的研究成果，但上述研究僅限于對調(diào)度人員語音的識別，并未結(jié)合調(diào)度流程下達(dá)調(diào)度指令。

在人工智能調(diào)度識別方面，基于人工智能的輔助調(diào)度工具通過調(diào)度信息挖掘，實(shí)現(xiàn)了多種能源調(diào)度信息的辨識分析[8];基于多網(wǎng)融合的調(diào)度信息系統(tǒng)采用用戶代理模型和跨網(wǎng)絡(luò)融通，提高了電力調(diào)度網(wǎng)絡(luò)通信指揮的效率[9];電力調(diào)度小機(jī)器人的方法分析了人機(jī)調(diào)度交互語音辨識的特點(diǎn)，并對調(diào)度機(jī)器人進(jìn)行了評價[10]。由此可見,在人工智能調(diào)度識別方面已有大量的研究成果，但上述研究僅局限于調(diào)度信息挖掘，缺少對調(diào)度命令、調(diào)度策略、調(diào)度仿真的結(jié)合，不能下達(dá)有效的調(diào)度命令。

綜上所述，為緩解新能源場站不斷增加，調(diào)度人員承載能力不足的問題，亟需開發(fā)一種方法，在調(diào)度人員語義識別的基礎(chǔ)上對調(diào)度目標(biāo)進(jìn)行綜合分析，得到最優(yōu)調(diào)度策略并下達(dá)調(diào)度命令。

1 電力虛擬調(diào)度框架

本文提出了一種基于隱性馬爾科夫模型的電力虛擬調(diào)度方法，該方法的框架如圖1所示。該框架主要包括4個環(huán)節(jié)，調(diào)度人員語義識別、調(diào)度決策分析、調(diào)度策略仿真和調(diào)度命令下達(dá)。

圖1 電力虛擬調(diào)度框架

在調(diào)度語義識別環(huán)節(jié)，首先接入電力調(diào)度人員的調(diào)度語音命令，其次采用隱性馬爾科夫模型提取調(diào)度人員的語音特征，采用調(diào)度詞匯知識庫辨識調(diào)度人員的含義[11-12]，最后采用經(jīng)驗(yàn)語音校驗(yàn)方法對調(diào)度目標(biāo)進(jìn)行確認(rèn)。在調(diào)度決策分析方面，首先對調(diào)度目前進(jìn)行任務(wù)分解，其次采用自尋優(yōu)算法對新能源場站的調(diào)度資源進(jìn)行綜合分析，獲取最佳的調(diào)度路徑，最后生成新能源場站的調(diào)度策略。在調(diào)度策略仿真方面，首先將調(diào)度策略輸入到調(diào)度仿真環(huán)境中，其次對所提調(diào)度策略進(jìn)行實(shí)時仿真，評估電網(wǎng)運(yùn)行的風(fēng)險點(diǎn)，最后評價調(diào)度策略的可行性，并生成調(diào)度仿真結(jié)果。在調(diào)度命令下達(dá)方面，將調(diào)度策略輸入電力虛擬調(diào)度模型中，再基于隱性馬爾科夫模型向新能源場站下達(dá)調(diào)度命令。

2 電力虛擬調(diào)度模型

基于隱性馬爾科夫模型的電力虛擬調(diào)度方法是一種充分挖掘電力調(diào)度人員語義，并采用自尋優(yōu)的調(diào)度決策算法下達(dá)調(diào)度命令的電力虛擬調(diào)度方法，可計(jì)及新能源場站調(diào)度資源特性，采用調(diào)度仿真，驗(yàn)證策略執(zhí)行的可行性。

2.1 調(diào)度人員語義識別模型

隱馬爾科夫模型(Hidden Markov Model，HMM)可從有限的調(diào)度語音樣本數(shù)據(jù)中訓(xùn)練出語音識別率高的模型，模型可根據(jù)特殊詞匯、聲音特點(diǎn)識別調(diào)度人員語音。因此，本文采用隱馬爾科夫模型的語義識別和分詞識別，發(fā)現(xiàn)電力調(diào)度人員語音中的隱含信息參數(shù)，從而實(shí)現(xiàn)電力調(diào)度的語義識別[13-15]。

首先，設(shè)電力調(diào)度人員調(diào)度命令語音輸入為序列Z，序列的每一個音為z，有s個隱含的信息狀態(tài)，電力調(diào)度人員語音調(diào)度命令隱含的集合為

Z=z1,z2,…,zs

(1)

其次，設(shè)調(diào)度人員語音輸入的觀察序列為U，序列的每一個點(diǎn)為u，共有f個觀測點(diǎn)，電力調(diào)度人員的觀察序列為

U=u1,u2,…,uf

(2)

在觀察點(diǎn)的每個時刻可以預(yù)測下一個觀察點(diǎn)的最大計(jì)算結(jié)果概率，設(shè)狀態(tài)時刻為t，狀態(tài)全局概率為?，上一個觀測點(diǎn)的數(shù)據(jù)為St，調(diào)度命令的隱含集合為Z，狀態(tài)it的概率?i為

?i=Zit=St?ZSt?

(3)

設(shè)校驗(yàn)系數(shù)因子為λ，最優(yōu)的電力調(diào)度人員語言識別結(jié)果為

Rt=arg maxλti

(4)

由此，可以根據(jù)調(diào)度人員的語音，得到準(zhǔn)確的調(diào)度確認(rèn)目標(biāo)。

2.2 調(diào)度決策分析模型

電力虛擬調(diào)度的調(diào)度決策模型目標(biāo)函數(shù)以新能源場站調(diào)度的運(yùn)行成本最小，棄風(fēng)懲罰成本、棄光懲罰成本、棄地?zé)釕土P成本最少。設(shè)新能源場站的運(yùn)行時間為Ta，新能源場站的風(fēng)電運(yùn)行成本為CEf，棄風(fēng)懲罰成本為CLf；新能源場站的光伏運(yùn)行成本為CEg，棄光懲罰成本為CLg；新能源場站的地?zé)徇\(yùn)行成本為CEd，棄地?zé)釕土P成本為CLd，最小運(yùn)行成本為

minFm=∑Tai=1CEf.iCLf.i+

(5)

∑Tai=1CEg.iCLg.i+∑Tai=1CEd.iCLd.i

Cm=∑Tai=1Fm.i

(6)

受風(fēng)電、光伏波動的影響，最小運(yùn)行成本的計(jì)算較為復(fù)雜，本文采用自尋優(yōu)的方式求解最小運(yùn)行成本，上一時刻點(diǎn)的運(yùn)行成本為Fma，通過自尋優(yōu)粒子更新，最小的運(yùn)行成本minFmb為

minFmb=Fma+randFma

(7)

通過最小的新能源場站運(yùn)行成本和最小的新能源場站棄水、棄風(fēng)和棄地?zé)岢杀荆@取到最佳的新能源場站調(diào)度路徑。

2.3 調(diào)度策略仿真模型

結(jié)合調(diào)度策略生成的最佳的新能源場站調(diào)度路徑進(jìn)行仿真，以獲得新能源場站的風(fēng)險評估結(jié)果，確保自尋優(yōu)調(diào)度策略算法的可行性與有效性，如圖2所示。

圖2 調(diào)度策略仿真圖

步驟1 調(diào)度數(shù)據(jù)輸入，在新能源場站調(diào)度策略仿真環(huán)境中輸入最佳新能源場站調(diào)度路徑。

步驟2 對調(diào)度路徑進(jìn)行實(shí)時仿真，模擬電網(wǎng)各關(guān)鍵節(jié)點(diǎn)的運(yùn)行情況，

步驟3 風(fēng)險評估，采用熵權(quán)法對新能源場站電力調(diào)度中存在的風(fēng)險進(jìn)行逐一評估，若存在風(fēng)險不可控的情況，就向新能源調(diào)度決策分析模型發(fā)出異常情況，由新能源調(diào)度決策分析模型完善調(diào)度路徑后，再進(jìn)行新能源場站調(diào)度仿真。

步驟4 仿真結(jié)果輸出，若新能源場站的調(diào)度風(fēng)險在可控的范圍內(nèi)，則輸出新能源場站電力調(diào)度仿真結(jié)果，

步驟5 調(diào)度命令下達(dá)，并將驗(yàn)證后的最佳的新能源場站調(diào)度路徑發(fā)送給調(diào)度命令下達(dá)模型。

2.4 調(diào)度命令下達(dá)

新能源場站電力調(diào)度命令下達(dá)分命令輸入和命令下達(dá)部分,其中命令輸入接收本文所提仿真模型的調(diào)度策略結(jié)果，然后將調(diào)度策略轉(zhuǎn)換為調(diào)度命令，并向新能源場站下達(dá)。

3 算例分析

采用本文所提的基于隱性馬爾科夫模型的電力虛擬調(diào)度方法，對某區(qū)域電網(wǎng)的新能源場站進(jìn)行模擬分析。模擬環(huán)境配置為英特爾至強(qiáng)W1290T處理器,核心數(shù)量為6,運(yùn)行頻率為1.9 GHz，32G內(nèi)存，4T硬盤，選擇新能源場站150個，其中風(fēng)電場站、光伏場站、地?zé)釄稣靖?0個，運(yùn)行時間為7天，模擬1 000次新能源場站調(diào)度命令執(zhí)行，模型的1 000次運(yùn)行的總時間如表1所示：

表1 電力虛擬調(diào)度模型運(yùn)行時長

由表1可見，1 000次新能源場站調(diào)度中，調(diào)度人員語義識別模型、調(diào)度決策分析模型、調(diào)度策略仿真模型、調(diào)度命令下達(dá)運(yùn)行時長分別為1.7 s，23.6 s，136.2 s，5.7 s，模型運(yùn)行總體時長為167.2 s。

選取10、50、100、200、500、1 000組語音，比較本文所提方法與維特比算法的語音識別準(zhǔn)確率，比較結(jié)果如表2所示：

表2 語音識別準(zhǔn)確度比較表

由表2可見，本文所提隱性馬爾科夫模型語音識別準(zhǔn)確率高于維特比算法。

比較100、200、500、1 000組新能源場站調(diào)度命令，人工與基于隱性馬爾科夫模型的電力虛擬調(diào)度方法的所需時間和調(diào)度準(zhǔn)確性結(jié)果如表3所示。

由表3可見，在200、500、1 000組新能源調(diào)度命令中，電力虛擬調(diào)度的總時間小于人工調(diào)度時間，同時電力虛擬調(diào)度的調(diào)度準(zhǔn)確率高于人工調(diào)度的準(zhǔn)確率。

表3 人工調(diào)度與電力虛擬調(diào)度比較表

4 總結(jié)

為解決新能源場站迅猛增加造成的電力調(diào)度人員在處理新能源調(diào)度承載力不足的問題，本文提出了一種基于隱性馬爾科夫模型的電力虛擬調(diào)度方法，設(shè)計(jì)了一種基于隱性馬爾科夫模型的電力虛擬調(diào)度模型。在對電力調(diào)度人員語義識別的基礎(chǔ)上，采用自尋優(yōu)的調(diào)度決策分析，生成最優(yōu)新能源場站的調(diào)度決策路徑，然后對調(diào)度決策路徑進(jìn)行仿真，驗(yàn)證其正確性，再向新能源場站下達(dá)調(diào)度命令。算例的模擬運(yùn)行結(jié)果表明，所提方法能有效提高新能源場站調(diào)度執(zhí)行時間，同時準(zhǔn)確率較人工調(diào)度也有所提高。