供電局基于電網大數據的調控智能分析輔助決策系統構建的技術問題與對策研究★

肖輔盛，吳俊杰，金 宇

（貴州電網有限責任公司貴陽供電局電力調度控制中心，貴州 貴陽 550000）

引言

當前各級調度中心已經陸續配備能量管理系統，用于監控電網運行情況。但在運行模式上仍以人工分析為主，系統穩定性過度依賴調度人員，缺乏調控一體運行智能分析，特別是在突發事件時，可能出現大量事故信號與復雜電網接線，需要快速準確的做出決策，不但使調控人員負擔加重，且很容易出現誤操作，不僅沒有妥善處理好故障裝置，反而使故障擴大。對此，急需創建出符合調控一體化運行模式要求的智能輔助決策系統，為調控人員分析和決策提供輔助作用。

1 調控智能分析輔助決策系統的技術問題

在智能配電網運行中，電網運行管理十分關鍵，且工作量龐大，尤其是在電網故障狀態下，以往多采用人工分析、判斷和決策的方式完成，需要耗費較多人力和物力，且最終決策可能不夠科學。對此，可在大數據背景下，依靠數據思維創建智能分析輔助決策系統，充分發揮數據挖掘等先進技術優勢，由此提高電網調度水平與科學決策水平，使供電站實現健康長遠發展。但在實際工作中，南方電網公司面臨著以下技術問題，嚴重阻礙電網調度創新發展的步伐。

1.1 告警智能分類低效

無法對告警信息動態監視和自動分類，人工無法從中快速辨識出有意義的告警內容，尚未研究出在大量告警綜合分析后準確提取有價值告警內容的工具，使從業者工作強度與告警監控壓力增加，難以準確判斷和定位故障設備，使故障因拖延處理而進一步惡化。

1.2 故障處理判斷不準確

在故障處理過程中，技術人員很難結合實際運行數據，對異常處理、調度操作以及涉及到的故障設備進行迅速準確的判斷。同時，尚未研究出運行故障緊急處理輔助決策工具，導致故障影響范圍進一步擴大，研發更為嚴重的后果。

1.3 調閱管理系統不健全

當前在調度預案、處理方案存儲、操作規程等方面沒有統一的管理系統，只能輸入標題進行檢索。故障預案、處理方案調閱未能與運行故障異常進行聯動。例如，在站內全部停電預案中，當某變電站失壓后，可能同一時間出發多個預案，但因設備故障與預案之間沒有真正聯動，很可能使技術人員找不到主要問題，影響故障根源的準確定位和處理。針對上述問題，應研發出以設備故障為導向的健全的調閱管理系統，具備操作規程、方案智能調閱以及聯動功能，在發生不同類型設備故障時，能夠迅速準確地定位故障根源，并調出相應的處置方案、操作規程，為故障處理提供輔助支撐[1]。

1.4 信息傳達發布不及時

在發生電網安全運行故障后，應將信息即時發布出去，并通知相關人員、自動匯總故障處理流程等，將各類信息整理后匯總為故障通知內容，將其傳遞給指定人員，使故障信息能夠高效傳達。但是，當前該系統存在一定延遲，導致信息無法及時傳達和發布，難以為故障處理提供強大支撐。

2 調控智能分析輔助決策系統的關鍵技術

2.1 大數據挖掘技術

在電網調控領域中，數據挖掘技術應用到電網故障分析中，可充分發揮其先進性、可行性優勢，創建調控智能分析輔助決策系統，滿足多種業務場景的應用需求。該項技術的應用重點體現在以下方面。一是數據匯集，在大數據計算中，應對芯片技術、服務器、存儲器等軟件定義的HPC 進行完善，創建出與調控系統相適應的計算架構。將不同系統與結構的數據匯集起來，以常規數據的方式接入數據庫，再通過Flume、Sqoop 等方式進行數據全量抽取，根據校驗規則引擎清洗數據；二是數據存儲，為實現對外數據服務統一，可根據數據結構特征選擇相應的存儲方式，如關系型、分布式、列式等等，分別用于存儲靜態模型參數、實時數據、歷史數據等；三是數據關聯，因數據來源不盡相同，可采用引用、外鍵等形式使不同數據關聯起來，總結電網設備故障成因與應急措施，為后期調控業務開展與科學決策提供數據支持。

2.2 知識譜圖智能決策技術

根據大量實踐經驗可知，人工智能的應用可使電網調控智能水平顯著提升，知識譜圖以圖的形式展現數據結構，在檢索、推理與分析等方面功能顯著，可將知識間的關系準確形象的描述出來，作為知識推理分析引擎投入使用。在電網調控方面，知識譜圖包括以下內容。一是知識表現，依靠圖譜的方式展現知識間的關聯，并將其存儲到知識語義網絡；二是知識計算，利用檢索與推理等方式采集知識信息，為科學決策提供輔助。例如，在故障處置預案圖譜中，事先對預案內容進行學習，采集預想故障設備名稱、處置方式等等，并創建知識圖譜，當故障真正發生時便可通過智能告警出發圖譜，并顯示處置預案。通過知識推理服務的應用，將故障信息調取出來，在故障發生后可由調控系統自動匯總處置任務表，根據實際量測在線輔助決策，再由人工確認后依靠自動發電等完成故障處理。三是穩定斷面智能限額，當前電網運行描述標準不斷優化，可依靠自然語言采集電網運行與斷面限額間的聯系，為動態斷面穩定限額更新提供更多便利。對此，應不斷學習模擬調度操作，能夠靈活運用深度神經網絡等技術，當相似事件發生后可自動推送故障處理策略[2]。

2.3 預測技術與調度智能助手技術

電網預測技術是借助大數據、人工算法等，通過樣本訓練對未來電網運行趨勢進行預測，再與可再生能源受影響因素結合起來，在調控大數據基礎上集成學習、自主學習等，依靠多樣化預測模型與算法，總結數據內部規律，并將多類預測模型與算法整合起來，進而提高預測精準度。在南方電網公司中，分布式電源接入量不斷增加，要求循環神經網絡進一步完善，提高各類算法的應用效果，創建綜合預測模型，才可符合電網負荷預測需求。以設備故障跳閘為例，其成因包括設備自身老化、天氣因素影響，應結合以往跳閘事件、外部氣象因素等創建設備狀態評估模型，采用訓練學習的方式挖掘跳閘潛在誘發因素，并利用評估方法提高跳閘風險的辨識度與控制能力。通過語音識別、虛擬現實等技術的應用，可使調控系統中的人機交互性極大提升，成為帶有語音交互功能的智能助手，如人臉識別、語音識別、觸屏控制等等，借助強大的搜索引擎設備，在服務端實現用鍵盤、語音輸入進行信息搜集、加工和處理的目標，使交互方式更加智能人性。根據服務對象類型的不同，智能引擎可部署在本地或者云端。在展示方式方面，對電網內不同場景可利用VR 技術豐富展示效果，再利用自動構圖技術自動生成多個場景，如停電區、電氣分區、供電路徑以及潮流圖等等。

3 調控智能分析輔助決策系統的設計與應用

3.1 系統架構

調控智能分析輔助決策系統主要由四個層次構成，即預警應用層、數據分析層、集成計算層、數據采集層，依靠調控一體化運行支撐平臺建成，實現對電網信息與故障處置的統一化管理。該系統可對海量電網信息高效挖掘，在故障發生前準確定位、分析成因、及時發布故障預警，并提出應急處理措施，使電網運維整體水平得到顯著提升。該系統總體架構如圖1所示[3]。

1）數據采集層。在SNMP 數據采集協議支持下，對電網運行與信息資源應用情況進行采集，包括運維數據、基礎設施數據、故障信息以及其他外部數據。

2）集成計算層。將多源異構數據匯集起來、存儲和清洗，提供批量數據與實時數據計算服務。該系統還利用Hadoop+Spark streaming 計算框架獲得關鍵指標運行數據，如生產、營銷、計量和調度等等，為系統建設提供基礎數據支撐。

3）數據分析層。利用大數據對基礎算法庫、故障告警庫進行挖掘，并提供強大的智能分析支持。大數據挖掘基礎算法庫中的聚類分析、回歸分析與關聯規則等內容；故障告警則共有六種方式可供選擇，支撐后續業務開展。

4）預警應用層。該層在底部支撐下實現上層應用，并提供前臺交互服務。該系統共由采集監控、預警分析與決策輔助構成。應用場景包括電網故障智能告警、電網監視可視化、電網風險智能評估以及輔助決策等方面。

3.2 功能設計

3.2.1 電網故障智能告警

在站內集中監控中采集二次信號數據、關鍵用戶配置信息、缺陷設備配置信息等內容，對輸入的調控操作系列進行信號匹配校驗，并根據關鍵信號與缺陷提示信息制定操作方案，對操作設備的主要缺陷進行判斷分析，并及時告警、顯示解決措施信息。對于電網出現復雜故障的情況，此時告警信息量龐大，調控者很難從海量信息中找出主要內容做出正確判斷。對此，可采用主網故障智能診斷技術，將多個平臺數據整合起來，借助人工智能進行故障推理，包括110 kV、220 kV 與500 kV 等多種等級線路、電容等設備，根據專家知識庫推理思路，與SOR 報文相結合，通過數據采集、重組和推理等，將擾動事項剔除，最后獲得準確的事故信息，對故障等級進行智能化判斷與分析。在輔助決策技術應用下，制定科學可行的復電方案，將故障信息傳遞整體流程扁平化，由此提高事故應急處理效率。對于一類、二類重要信號，可與掛牌、網架結構、刀閘狀態與開關數據等綜合分析，并根據規定的處置要求推送給相關人員。對于三到五類信號，可在特定時間內檢索信號，判斷信號是否存在疏漏[4]。

3.2.2 故障智能診斷

在事故智能診斷中，在SOE 報文基礎上，與當前工作站點、檢修情況相結合，將工作信號剔除，再結合知識庫內的相關配置，抽取數據并做出智能判斷，最終準確診斷故障類型；還要將沒有歸檔的事故展示出來，如故障編號、時間、廠站、故障設備名稱、預案信息等等。在實際診斷中，還應提供故障影響因素、故障歸檔、原始和判斷報文、發送短信等功能。在故障影響分析中，包括正常設備、備自投設備、事故分析、損失用戶數量與負荷等等；當發生事故跳閘事件時，可通過彈出卡片的方式展示出來。在監視人員信息匯總中，鼠標點擊“匯總”按鍵，便可進入到報文審核界面，根據審核人、報文信息，對判斷報文進行修改，再點擊“確定”按鍵，便可對審核者信息進行記錄，再點擊“取消”按鍵便可關閉。

3.2.3 智能運行輔助決策

在供電范圍方面，結合當前電網運行情況，通過可視化展示出任意電網設備的供電通道；在事故事件評級方面，根據現有網架結構運行斷面，對任意設備失壓或者故障情況進行模擬，在與用戶數量、損失負荷等可能引發故障的事件等級進行評定。在自動生成轉供預案方面，創建智能識別事故通道，根據優先級進行通道排序，再結合所識別的事故通道匹配相應額度，依靠自動掃描的方式進行定額維護。在自動開關巡檢方面，采用監控系統對音視頻、環境安全等進行監控，與EMS 設備電壓、電流以及功率數據相結合，完成重點設備開關自動巡檢工作。在調度日常管理方面，可從電網運行現狀、供電信息、實時運行風險和年內電量值等方面生成智能化日報，并參考實際數據計算出各項指標，此舉可節約大量人工成本，使工作效率得到顯著提升。

3.2.3 電網風險智能評估

1）實時運行風險評估。在此類風險評估中，對負荷潮流、運行方式綜合分析，使智能輔助電網中的薄弱之處暴露出來，便于加強管控。針對電網主設備持續掃描，重點探究N-1 導致失壓的用戶數量、負荷量以及關鍵用戶等引發的事件等級，達成風險可視化目標。根據實時分析結果，不但可使調控人員制定更具針對性的事故處置方式，還可將風險發布到運行單位，從整體上加強管控力度，使風險事件的發生率進一步降低。

2）負荷預警。將10 kV 饋線歷史負荷、元件拓撲連接關聯、設備檢修方案等信息結合起來，采用專家規則庫、自然語言識別、BP 神經算法等，對設備與斷面在48 h 內的負荷曲線分級情況進行預測，并根據關系數據進行設備與斷面過載預警。在主配網數據的基礎上，還可制定主網側自動生成風險與處理方案，在沒有相關手段的情況下，可在自動分析區域提高配網線路轉供電水平，通過減少用戶數量、轉移負荷等方式，生成大量配網饋線轉供電方案，使風險等級得以降低，有效控制過載隱患對電網運行產生的干擾。

3）操作序列風險評估。在調度人員下達指令之前，應對調度操作的電網進行穩定性評估，由此減少調度操作產生的安全問題。結合當前潮流水平與超短期預測信息，制定調度操作預計實施的安全穩定校核斷面，針對調度引發的系統潮流進行轉變，并以安全穩定評估結果為依據，提出操作處理預案，有效減少和消除因調度指令不科學引發的安全隱患[5]。

4 結語

當前電網設備規模日益擴大，網架結構更加復雜，對電網運行管理提出更高要求，特別是在電網故障處理準確性、及時性方面更加關鍵。對此，供電局應在大數據背景下，充分發揮大數據調控、知識譜圖智能決策、調度智能助手等技術優勢，創建出適應調控一體化運行模式要求的智能輔助決策系統，為調控人員分析和決策提供輔助作用，推動供電行業的可持續發展。