基于專家系統的電網調度操作票自動生成系統研究*

朱炳銓吳華華童存智谷 煒馬 翔呂磊炎

(1.國網浙江省電力有限公司，浙江 杭州 310007；2.國網浙江省電力有限公司金華供電公司，浙江 金華 310007)

人工智能在電力系統中的廣泛應用，提高了電力系統的安全性、可靠性和運行能力。在現代信息社會中，電力在人們的生產生活中扮演著不可或缺的角色，電力調度系統受到越來越多的關注。隨著人們用電需求的不斷增加，電力調度系統的壓力也在不斷加大[1-4]。因此，為了緩解電力調度壓力，實現電力系統的穩定運行，必須提高電力調度系統的自動化程度。人工智能技術是電力調度自動化系統的一項重要技術，對電力調度系統的平穩運行具有重要意義[5-6]。目前，越來越多的專業研究人員對人工智能在電力系統中的應用進行了大量研究[4-9]。電力調度系統未來的發展趨勢必將是將人工智能技術應用于電力調度自動化系統。

電力操作票制度是我國電力系統運行管理中的一項有效保障措施，開具操作票是電力調度人員的一項重要工作。隨著人工智能和專家系統技術的日益成熟，通過傳統操作票制度與專家系統技術相結合的方法，開發了智能操作票系統，可以代替工作人員完成開票工作[10-11]。在電力大數據時代背景下，智能操作票系統需要更合理、更有效地提取和處理大數據群。因此，提高智能性成為運營票務系統的研究熱點[12]。

Rete 算法是一種基于正向規則的快速匹配算法，其匹配速度與規則個數無關。該算法通過犧牲部分內存保存信息，并充分利用匹配過程中的信息，提高匹配效率。Rete 算法有八種結點:根結點、類型結點、左輸入適配結點、Alpha 結點、JOIN 結點、EVAL 結點、NOT 結點、終端結點。本文根據電力系統的特點，對電網操作票自動生成系統進行了研究，提出了系統的基本模型框架，并重點研究了專家系統的設計。采用基于Rete 算法的推理機實現快速高效的操作票開票系統。

1 配電網智能化方法

配電網智能化的主要措施之一是引入人工智能技術，以更好地解決復雜的工程計算問題和非線性優化問題，提高系統自身性能。本文基于改進型小波變換算法對配電網故障進行識別，為操作票提供基礎數據。本文設計的電力調度操作票智能化生成系統，主要基于專家系統技術、可視化技術和人工神經網絡技術。

1.1 配電網故障識別方法

本文從離散小波變換(disecrete wavelet transform，DWT)方法出發構建配電網故障識別算法，離散小波變換是一種數字信號處理技術，它將時間序列轉換成相互正交的數據集。本文所提出的故障檢測方法中，首先進行小波變換，之后采用神經網絡進行故障識別。

(1)連續和離散小波變換:

小波是時間上的零均值函數。小波ψa，b(t)可以通過縮放和移位從其母波ψ(t)導出，如下所示:

式中:a和b分別是縮放和移動參數。利用這種關系，可定義具有尺度和位移的信號s(t)的連續小波變換:

離散小波變換由下式導出

式中:dj，k被稱為在j和位置k的小波細節系數，然而對于大多數信號s(t)，解析解無法求解[13-14]。與此同時，馬利特[13]開發了一種分解多分辨率信號的技術，被廣泛認為是計算離散小波變換的標準方法。給定一個任意的信號s(t)，它的多分辨率M分解由公式(5)計算:

式中:aM，k是aM，k=〈s(t)，φM，k(t)〉的近似系數，φ(t)是同伴縮放函數，通過這種變換將s(t)分解成近似系數AM(t)和一系列細節系數Dj(t)。

由公式(5)可知，離散小波變換表示時頻域中的輸入信號，可廣泛用于故障檢測，由于小波函數可以在所有頻率范圍內，提供具有最佳時頻分辨率的信號特征，具有較好的故障信號特征提取能力。與傅立葉變換及其各種變體(例如，快速傅立葉變換、短時傅立葉變換等)進行比較，小波變換可有效反應信號時域特征，計算效率更高。

(2)母小波和分解層:

不同的小波函數具有獨特的時頻域特征，可以影響小波變換的特征提取能力，現有微電網故障檢測的小波變換中有許多小波族得到了應用，如coif(coiflets)、db(daubechies)、dmey(discrete meyer)、haar、bior(biorthogonal)和sym(symlet)。這些小波族中必須存在一組最優的小波，使得故障檢測性能達到最優，但是實際工況下不可能測試所有的小波組，應根據采樣數據的屬性有策略地選擇小波函數。具體來說，當數據包含足夠的樣本時，無論數據屬性如何，db 和sym 族的小波通常都是首選項，因為它們具有魯棒性。在這種情況下分解程度對系統性能的影響要大于母小波的選擇，與db 和sym 相比，其他母小波的濾波器長度可能更長，導致分解級別更低，可能會使得信號特征提取能力不足。因此本文使用db 和sym 兩個小波家族中的九個小波作為母小波來處理輸入信號，即電網電流測量值。除此以外，母小波分解級別也會影響信號分解性能，理論上每個小波函數都有一個最大分解級別，由以下因素共同決定輸入信號和母小波的大小:

式中:L是最大分解級別，N是輸入信號的長度，F是母小波的濾波器大小，實際計算時將分解級別設置為最大值。輸入信號的長度是一個周期內的測量次數，至此即可用公式(6)計算母小波的分解級別。對于分解級別為M 的母小波，輸入信號可以根據式(5)分解為一個近似系數和一個細節系數，由此可以計算出32 個系數來表示選用的母小波。

(3)特征選擇和提取:

利用每一個母小波，經過小波變換可以將一個輸入信號序列分解成一系列系數，選擇合適的特征值來表示輸入信號的特征對于故障檢測至關重要。本文選擇了一系列系數的統計特征來構造神經網絡的特征向量，其中包含了所配電網故障的重要信息，具體來說本文計算了分解系數的以下幾個特征，其中μ是標準差計算中樣本的均值，μs是偏度公式中樣本的均值。

(a)系數的最大值:max{s}

(b)系數的最小值:min{s}

(c)系數的均值:μs=E[s]

(d)系數的標準差:σs=E[(s-μ)2]0.5

(e)系數的偏度:E{[(s-μs)/σs]3}

(f)系數的能量:∑s2

對于配電網系統中的每個信號周期，可以計算32 個(系數)×6 個(特征)×3 個(相位)=576 個特征，這些特征構成了表示該周期中功率動態的特征向量。之后將該特征向量輸入到DNN 網絡中，即可得到故障檢測結果，本文采用的DNN 網絡是一種多輸入多輸出的人工神經網絡。

將故障檢測問題分為兩個子問題，即故障類型分類和故障位置檢測。每個子問題都由獨立的DNN 網絡處理。圖1 所示是本文DNN 網絡的故障檢測流程。將任意時間內配電網中的電流采樣值輸入到本文的故障識別模型中，首先通過DWT 處理測量值提取特征，然后將特征和測量值輸入到故障類型分類DNN 中。如果檢測到故障，則使用故障定位檢測電網故障的位置。

圖1 DNN 故障檢測網絡示意圖

通過檢測識別出配電網故障類型和位置后，將結果輸入到專家系統，得到對應的調度方案，生成操作票。

1.2 專家系統

專家系統的基本結構如圖2 所示，它是一個以現有事實為基礎，以龐大知識庫為主體的綜合控制系統。該專家系統可以將現有的知識、經驗和信息與技術相結合，從而完善信息數據庫，最后通過網絡模擬專家的分析和判斷，對人工智能中的問題進行合理的判斷和決策，識別電力調度中的問題。專家系統中的數據庫來源于實際專家的知識，因此提高專家系統的應用效率，獲取更深層次的專業知識，可以使其更具實用性和可靠性。

圖2 專家系統的基本結構

隨著電力調度系統信息量和數據量的不斷增加，電力調度系統的自動化程度也越來越高，故障處理的難度和壓力也越來越大。調度員需要花費大量的時間和精力從海量的信息中找到準確的信息，為電力調度系統的故障排除帶來了很大的挑戰。可視化技術可以提高運行人員的工作效率，幫助運行人員進行調查分析，及時發現電力調度系統的故障。可視化技術可以將大量的信息數據以圖片的形式以二維和三維的形式顯示出來。調度人員可以及時發現故障原因，采取相應措施，提高電力調度故障排除效率，從而保證電力調度系統的穩定運行。

人工神經網絡是在人工智能系統中模擬人類神經系統信息處理和傳輸的一種技術，在電力調度系統中有著廣泛的應用。該技術可以提高信息傳輸和處理的效率，實現電力調度系統中信息和數據的并行處理、聯想記憶和在線學習。人工神經網絡具有診斷速度快、容錯性強的特點，可以幫助處理電力調度系統故障，提高故障分析處理效率，保證電力調度系統的正常運行。

2 系統設計與實現

2.1 總體框架設計

系統的總體結構如圖3 所示，由四個模塊組成:專家系統模塊、數據模塊、操作票模塊、知識管理模塊。整個網絡的智能處理和計算能力體現在這四個層次上:網絡層的使能控制層、應用層的智能處理層、感知層的網關層和平臺層的大數據智能分析。專家系統模塊是整個系統的核心，主要負責操作票的邏輯推理。數據模塊封裝了系統的數據操作邏輯，其他模塊通過這一操作邏輯與數據庫交互。操作票模塊主要完成操作任務的設置、檢查和分解，并配合專家系統完成開票過程。操作票的類型包括典型票、歷史票和失效票，其管理模塊可以實現各種操作票的查詢、修改、導入導出、定期清洗等功能。知識管理模塊負責專家系統知識庫的更新和修改。

圖3 專家操作票系統的構建

知識庫是專家系統的基礎，用于存儲解決領域問題所需的專家經驗或知識。專家系統知識庫中存儲的專家知識的數量和質量決定了專家系統性能和解決領域問題能力的優劣。知識獲取主要有三種途徑:人工知識獲取、半自動知識獲取和自動知識獲取。

(1)人工獲取知識:由知識工程師提問，經過領域專家回答，知識工程師對答案進行分類，并以某種形式將其處理成知識庫。

(2)半自動知識獲取:使用具有一定知識編輯能力的知識獲取系統，幫助領域專家提取相關知識，并自動統計到知識庫中。

(3)自動知識獲取:也稱為機器學習。機器學習系統可以直接與領域專家進行人機對話，而不需要知識工程師的干預。該方法能將會話內容自動轉化為知識庫中的知識規則，并能從系統運行實踐中總結出新的知識。同時，還能自動糾正當前錯誤，不斷完善知識庫。

本文采用半自動知識獲取的方法獲取操作票的相關知識。一般說來，知識有三種表現形式:產生式、框架式和語義式。專家系統中常用的為產生式，產生式規則的一般形式是:IF(前提)、THEN(動作)或(結論)，如果滿足前提，則產生相應的動作或結論。

本文的系統設計采用樹形結構組織電網的所有故障知識，由多故障構成多故障樹，即故障森林。在數據庫中，本系統的二叉樹采用雙向鏈表的存儲結構，遍歷整個二叉樹后即可實現專家系統知識庫的建立。該專家系統利用知識庫中的知識，根據調度員輸入的當前線路故障情況，按照推理策略生成操作票。其基本思想是:由調度器輸入一個跳閘事件，通過推理機對已知信息采用深度優先搜索算法，對知識庫中的規則進行迭代匹配，最終生成操作票。同時，系統記錄整個診斷過程。

系統解釋工具用來解釋推理的過程，展示推理的結論。該系統的解釋工具包括三個部分:有形區域、過程區域和結論區域。在有形領域，我們將按照事實的順序列出過程中使用的所有事實，并按性質進行分類，該系統將切換分為兩種類型:熱備用操作系統和冷備用操作系統。在過程區域，我們對推理過程中使用的知識規則進行了排序。在結論區域，將問題的推理結果展示出來。

專家系統推理機制主要包括搜索、匹配、沖突決策和觸發四個部分。傳統推理引擎有兩種方式，正向推理和反向推理。本文采用基于Rete 算法的正向推理機制來模擬操作票的生成過程，對應的Rete網絡對傳輸的數據進行過濾。從網絡的根節點開始，匹配數據逐漸減少，直到到達端節點，完成模式匹配過程。

Rete 算法網絡節點主要分為四類:根節點、類型節點、Alpha 節點、Beta 節點。其中，根節點是一個虛擬節點，是所有對象進入網絡的入口；類型節點存儲有形對象的類型，并且有形對象從相應的類型節點進入Rete 算法。Alpha 節點主要用于同一對象類型內的屬性約束。Beta 節點用于實現不同類型對象屬性的連接。

2.2 案例分析

本文采用如圖4 所示的系統進行仿真分析，其中負載，變壓器和線路參數按照文獻[14]設置。具體來說，在該系統中共有四個負載，在額定工作條件下，L-3 和L-4 的負載值為90 kW，45 kVAr；L-5 的負載值為90 kW，-40 kVAr，L-6 的負載值為90 kW，-20 kVAr，配電線路12、34、56 類型為AWG2類，線路長度等于6.88 km；線路23 類型為AWG00，其長度為2.86 km。其余參數根據文獻[14]表1 中的數據進行設置。

圖4 仿真電力系統示意圖

本文重點分析系統中的四根電源線，即圖4 中所示的12、23、34 和56 號線。由于系統中部署了多個發電設備DGs，同時電網可以在環路拓撲中運行，因此在電源線的兩端都安裝了數字保護繼電器，這些繼電器通過電流互感器以3.84 kHz 的速率采樣支路電流。該電網系統在DIGSILENT PowerFactory軟件中建模，該軟件包可模擬故障檢測過程中的電流測量過程，使用該模擬數據進行故障識別，帶入本文提出的模型中檢測故障的類型和位置。

表1 所示是同時采用不同故障識別方法與本文方法對比，通過仿真得到的結果:

表1 故障識別結果統計表

根據表1 結果可以看出，本文提出的故障檢測方法優于現有的故障檢測方法。同時本文提出方法可以得到故障位置，克服了現有故障識別方法不能得出故障位置的難題。得到故障類型、位置后，下一步是通過專家系統得到操作票，本文采用Rete 算法設計系統推理機制，以斷路器開斷到冷備用操作為例，詳細說明Rete 算法的操作機制。該操作任務分為兩個子任務:運行到熱備用(01)和熱備用調整到冷備用(12)。主要的開票規則如下:

(1)如果操作任務是將斷路器從運行狀態改為熱備用狀態，則斷開斷路器a；

(2)如果操作任務是將斷路器從熱備用狀態改為冷備用狀態，則開斷斷路器b；

(3)如果操作任務是將斷路器從熱備用狀態改為冷備用狀態，且線路側開關b 斷開，則打開母線側開關c。

本文根據Rete 網絡的算法，建立了和其規則相匹配的網絡圖，如圖5 所示，其中Ai(i=1，2，…，5)表示Alpha 節點，Bj(j=1，2，3，4)表示Beta 節點，Rk(k=1，2，3)表示規則。初始實體通過類型節點過濾進入Rete 網絡形成Alpha 節點。然后A1 和A2 匹配成功形成B1，B1 和R1 匹配成功激發R1；R1 執行后，原子任務(12)進入Rete 網絡形成A5，A5 依次匹配A2 和A3 得到B3，B3 和R2 匹配成功激發R2，B3 繼續與A4 匹配形成B4、B4 和R3 匹配成功并激發R3。

圖5 Rete 網絡

規則中的大量節點是共享的，匹配完成的節點存儲在系統內存中，在下一次匹配過程中可以直接調用內存，避免重復操作。Rete 算法的節點共享和狀態保持特性使其比傳統的匹配模式算法更高效。

將專家系統以模塊化的方式嵌入到操作票生成系統，在用戶界面完成操作任務設置、校驗、分解后，系統開票模塊調用專家系統模塊，將操作任務作為啟發式事實寫入實時庫。推理機通過Rete 網絡的搜索和匹配過程對規則進行激勵，并將操作步驟添加到實時庫中，最后輸出結果。

3 結論

本文針對傳統電力調度系統技術靈活性和智能性不足的問題，以及配電網故障檢測和識別的難題，提出了一種故障識別方法，基于專家系統和Rete 算法設計了推理機，設計了電力操作票自動成系統，實現了故障識別以及對應的調度操作票自動生成，得到以下幾個主要結論:

(1)故障識別結果表明，本文提出的故障識別方法在識別故障發生方面的精度為99.34%；識別故障類型的精度為98.32%；識別故障位置的精度為95.10%，識別效果優于現有方法，同時克服了故障位置識別的難題。

(2)基于Rete 算法設計推理機，基于專家系統實現了各種故障類型對應的操作票自動生成；以斷路器開斷到冷備用操作的案例結果表明本文提出的系統能夠成功實現操作票自動生成。