基于語義分析的電網調度操作票智能校核方法

鄭俊翔，劉輝樂，黃達鐵，孫景釕，陸 燕

（1.國網浙江省電力有限公司溫州供電公司，浙江 溫州 325000；2.國網浙江省電力有限公司信通分公司，杭州 310007）

0 引言

隨著能源電力行業數字化與智能化轉型的趨勢，電網調度智能成票與審核已成為當前能源互聯網形態下調度部門建設多元融合近零碳高彈性電網的重要舉措［1-2］。傳統調度操作票主要依靠調度員人工校核，存在審核效率較低、準確度不夠等問題。在實際工作中，調控管理多采用“三審三校”校核方式，通過增加審核流程環節和人員投入來提升校核準確率。為幫助調度人員快速、準確地完成審票任務，同時為傳統調控“三審三校”提供輔助決策，利用深度學習和NLP（自然語義處理技術）對檢修申請單及調度操作票進行數據挖掘并融合智能審核規則，可以提升調度員審核的效率和準確性，促進人工智能技術在調度操作票智能校驗方面的應用［3-4］。

在電網操作安全校核技術的相關研究中，以往針對調度控制系統、SMP（檢修申請單）擬票等方面的智能校核包括拓撲變位的沖突校核、負荷校核。呂穎等［5-6］提出了一種基于多斷面潮流控制技術的計劃潮流算法，應用AVC（無功電壓自動控制）和潮流不收斂智能調整技術提高系統收斂性。吳旭等［7］在電網物理模型基礎上，從母線負荷預測、校核斷面補全及計劃潮流計算著手，提出了一種聯合安全校核系統的優化與改進策略。然而相關研究主要面向日前計劃編制、日內計劃調整等，且各市域電網網架結構、管轄范圍、運行方式、擬票規則存在差異，在基于SMP的電網調度操作票審票方面尚無完善的輔助智能校驗策略。

因此，國內專家開展了電網調度操作票智能校驗的相關研究。陳俊全等［8］建立了一種基于規則學習的調度操作智能校核方法，通過對照規則庫中匹配關系，給出調度操作票的校核判定結果和錯誤改進意見。文獻［9］設計了一種基于LSTM（長短期記憶網絡）的調度操作票審核系統，通過訓練后的審核模型得到預測錯誤提示文本及審核結果。文獻［10］提出了一種基于遍歷樹的自動安全校核算法，以人工審核邏輯作為邏輯判定邊界，以提高電網調度操作票審核的安全性和工作效率。

為進一步提高人工智能技術對檢修申請單及調度操作票辨識能力，提升智能校核準確率，本文提出了一種基于雙向GRU（門控循環單元）神經網絡［11-12］和多種校驗規則的調度操作票審核分析方法。將基于雙向GRU神經網絡的語義分析技術與智能審核方法相結合，首先對調度指令及檢修申請單文本進行數據預處理，將安全技術勞動保護措施（以下簡稱“安措”）狀態與操作票設備最終狀態對比初審；進入智能規則校核環節，逆序讀取指令后依次進行格式校核、邏輯校核、安全校核，最后將票面異常提示輸出。利用浙江電力停電智能管控系統中的歷史調度操作票對所提方法進行測試，結果表明該方法提高了審核的安全性和工作效率，實現了電網調度操作票的智能效核。

1 基于雙向GRU的調度操作票智能效核

本文提出的基于雙向GRU和多種校驗規則的調度操作票智能校核框架如圖1所示。語義分析環節包括檢修申請單與調度操作票關鍵狀態提取，規則智能校核環節包括格式校核、邏輯效核、安全校核。

圖1 調度操作票智能校核框架

1.1 電網調度知識抽取模型

基于Bi-GRU 神經網絡方法能挖掘海量電網調度操作票及檢修申請單的內涵語義特征。因此，結合文獻［11-12］給出的語義識別改進算法，采用基于深度學習的雙向GRU 神經網絡和PCNN（脈沖耦合神經網絡）模塊，電網調度知識抽取結構如圖2所示。

圖2 電網調度知識抽取模型

本文所設計的電網調度知識抽取模型結構如下：

輸入層：主要任務是將電網調度歷史操作票文本數據輸入到知識抽取模型中。

詞嵌入層：利用分詞工具和Word2Vec自然語義處理技術對操作票文本數據進行處理，得到詞向量W，作為下一層BiGRU模型的輸入層。

Bi-GRU 層：通過計算上一層得到的字向量信息，得到包含調度專業術語的新詞向量。新詞向量含有語義信息、位置信息雙重意義。

PCNN層：對特征向量進行分段最大池化分，獲取最重要的局部特征信息，最后得到句子（詞組）特征向量P。

輸出層：最后將特征向量P輸入到Softmax分類器得到所需的電網調度知識抽取結果。

1.2 GRU神經網絡層

在深度學習和自然語義處理技術領域中［13］，GRU是一種RNN（循環神經網絡），特別適用于處理序列數據。它的內部結構與LSTM 網絡非常相似［14-15］，優點是傳輸信息為隱藏狀態下進行。但GRU模型結構比LSTM模型更加簡單，且參數更少。因此，GRU 模型訓練速度很快，其具體公式為：

式中：xt為輸入數據；ht為GRU 模型輸出；σ為Sigmoid 函數；rt、Wr為重置門；zt、Wz為更新門；Wh為候選隱藏狀態的權重矩陣，其中表示t時刻的候選隱藏層狀態。

在解決NLP 時，可以利用雙向循環網絡來處理序列化數據。因此，本文設計的雙向GRU模型作為電網調度知識抽取的一部分，其簡化結構分為3層，包括輸入層、隱藏層、輸出層，其結構如圖3所示。

圖3 雙向GRU模型

1.3 PCNN模型

PCNN 模型是一種CNN（卷積神經網絡）模型［14］。其主要由以下4個部分組成：

1）向量表達。詞嵌入過程，通過Skip-gram方法預訓練詞向量；位置嵌入過程，通過Position embedding 表示句子單詞到2 個電力名詞實體的間距。隨機初始化得到句向量表示為：

式中：s為句子單詞數目，d=dw+dp×2。

2）卷積層。首尾填充w-1長度，則卷積核w的輸出表述為：

式中：c∈Rs+w-1，1≤j≤s+w-1。

3）分段最大化池化層。卷積層輸出維度為Rn×(s+w-1)，輸出維度依賴于s。PCNN使用分段最大池化，輸出向量為：

拼接所有卷積核分段池化層得到輸出為p1：n，非線性函數輸出為：

4）Softmax層。通過分類器將輸出轉化為類別概率，得到表述為：

為降低PCNN 模型在數據標注過程中的錯誤影響，模型使用半監督學習。

2 智能校核規則方案

因不同市域電網電網網架結構、運行方式、調度管轄、擬票規則有所區別，故設計了溫州電網智能調度操作票校核方法，智能審核總體流程框架如圖1所示，包括格式校核、邏輯效核、安全校核［16-17］。

2.1 格式校驗策略

格式審票對應校驗規則共有4個項目，分別為電力專業術語校驗、管轄范圍及受令單位校驗、系統方式狀態語法結構校驗、許可匯報工作格式校驗，審票校驗流程如圖4所示。

圖4 格式審票校驗流程

2.1.1 電力專業術語校驗

構建溫電調度專業名詞庫（電力調度操作自定義詞典），對不屬于專業名詞庫的詞匯組合進行辨識，從而校驗出擬票錯誤的專業間隔名稱和術語。例如同桿雙回線路“商瞬2Q98 線”誤寫為“商瞬2Q99 線、商岙2Q98 線”；T 接線路“垂橫鼎1031線”誤寫為“垂橫鼎1032線”“垂橫安1031線”；“經百深1711 線”誤寫為“經百深1712 線”“經島水1711線”。

2.1.2 受令單位及操作管轄范圍校驗

受令單位及管轄范圍校驗子流程如圖5 所示。對于市域范圍內的110 kV變電站，以主變10（20）kV側母線隔離開關為分界點；對于縣域范圍內的110 kV 變電站，內橋接線變電站以間隔線路隔離開關為分界點，單母分段變電站為主變高側隔離開關分界點，分界點為地調許可、縣調管轄設備。以表1中調度指令為例。

圖5 受令單位及操作管轄范圍校驗子流程

表1 典型調度指令

Step1：判別城中變是否屬于市區范圍內。

Step2：判別間隔設備是否屬于地調管轄。若是則受令單位為“溫州集控或者城中變”，若否則受令單位為“溫州配調”。

Step3：地調管轄基礎上，判別設備是否為可遙控設備。若是則受令單位為“溫州集控”，若否則受令單位為“城中變”。

2.1.3 語法結構及方式狀態校驗

調度指令遵循如表2 指令結構，對固定動詞、狀態屬性的語法結構進行校驗。

表2 地調管轄指令語法結構

1）狀態方式規則

220 kV變電站中存在110 kV正母線、110 kV副母線，因此對狀態方式進行校驗，此類雙母線接線需要區分正/副母運行或者正/副母熱備用。

Step1：建立正常運行方式下系統運行方式，正常運行方式下，110 kV 出線遵循單數線路接正母線、偶數線路接副母線原則，對調度指令的運行方式正確性初步校驗。例如昆陽變110 kV 副母線帶昆龍陽1232線；昆陽變110 kV正母線帶昆鄭宋1237線。

Step2：通過SCADA（數據采集與監控系統）實時獲取操作前電網運行方式進行復校驗，執行時間為T，擬票時間通常為T-3日。

Step3：關聯更新該調度指令的在未執行調度操作票中的狀態方式變化情況，檢索時間為（T-3，T）區間，對通過SCADA實時獲取的操作前電網運行方式進行復校驗。

2）語法結構校驗規則

受令單位及受令子單位由受令單位及操作管轄范圍校驗模塊進行校驗，此次語法結構校驗對地調管轄指令依次進行校驗。

Step1：間隔名詞/設備名稱校驗，例如經百深1711線、110 kV備自投。

Step2：固定動詞1校驗，此處為“由”。

Step3：狀態屬性1 校驗，線路具體狀態屬性包括：正母運行、副母運行、正母熱備用、副母熱備用、冷備用、線路檢修、開關及線路檢修，此處僅校驗語法結構。正/副母接線方式融合狀態方式規則1。

Step4：固定動詞2校驗，此處為“改為”。

Step5：狀態屬性2 校驗，線路具體狀態屬性包括：正母運行、副母運行、正母熱備用、副母熱備用、冷備用、線路檢修、開關及線路檢修，此處僅校驗語法結構。

2.1.4 工作許可匯報格式校驗

調度指令許可匯報工作格式遵循如表3 結構。在站內工作匯報固定格式中，加入“臨時接地線已拆除，人員已撤離，具備送電條件，可以復役”。

表3 工作許可匯報格式

2.2 邏輯校驗

2.2.1 線路停役審票

以“線路由運行改為檢修”為操作目的電網調度操作票校核規則如圖6所示。

圖6 地調管轄110 kV線路邏輯審票子流程

對于地調管轄110 kV線路，審票子步驟如下。

Step1：獲取設備最終操作狀態（狀態變更包括：線路間隔、主變、母線、壓變、電容器/電抗器、二次設備）。

Step2：獲取檢修申請單安全措施狀態。

Step3：判別Step1與Step2中設備狀態是否一致，若一致則進入下一流程；若不一致輸出錯誤提示0；此步以上為共享步驟。

Step4：判別操作對象是否為線路間隔。若是則進入線路邏輯審票子程序。

Step5：判別線路間隔處檢修狀態，是否存在一側未處線路檢修（包括開關及線路檢修）。若是則輸出錯誤提示1，進入下一流程；若否則直接進入下一流程。

Step6：校對“由冷備用改為線路檢修”之前狀態，判別是否處冷備用。若是直接進入下一流程；若否輸出錯誤提示2后進入下一流程。

Step7：校對“由熱備用改為冷備用”之前狀態，判別是否處熱備用。若是直接進入下一流程；若否輸出錯誤提示3后進入下一流程。

Step8：校對是否有“由運行改為熱備用”或“檢查線路間隔處熱備用”步驟。若是直接進入下一流程；若否輸出錯誤提示4后進入下一流程。

Step9：線路邏輯校驗完畢。

2.2.2 母線停役審票

對于地調管轄110 kV母線，以母線“由冷備用改為母線檢修”為操作目的調度操作票對應校核規則如圖7所示。

圖7 地調管轄110 kV母線邏輯審票子流程

母線審票子步驟如下：

Step1：判別操作對象是否為母線設備。若是則進入母線邏輯審票子程序。

Step2：校對“由冷備用改為母線檢修”之前狀態，判別是否處冷備用及以上。

Step3：校對橋開關是否處冷備用及以上。若是直接進入下一流程；若否輸出錯誤提示1后進入下一流程。

Step4：校對主變是否處冷備用及以上。若是直接進入下一流程；若否輸出錯誤提示2后進入下一流程。

Step5：校對線路間隔是否處冷備用及以上。若是直接進入下一流程；若否輸出錯誤提示3后進入下一流程。

Step6：校對110 kV備自投是否處信號。若是直接進入下一流程；若否輸出錯誤提示4后進入下一流程。

Step7：母線邏輯校驗完畢。

2.2.3 主變停役審票

對于地調管轄110 kV主變，以主變“由運行改為主變檢修”為操作目的調度操作票對應校核規則如圖8所示。

圖8 地調管轄110 kV主變邏輯審票子流程

主變審票子步驟如下：

Step1：判別操作對象是否為主變。若是則進入后續主變邏輯審票子程序。

Step2：判別1號主變（或2號主變）“運行改為主變檢修”之前狀態。

Step3：校驗已執行步驟“配調匯報10 kVⅠ段（或Ⅱ段）母線各分路已停役”。

Step4：校驗負荷已經由備用電源線轉供。

Step5：判別進線開關是否有冷備用及以上安措。若否直接進入下一流程；若是輸出錯誤提示2后進入下一流程。

Step6：判別進線開關處合位。

Step7：主變邏輯校驗完畢，系統重新校驗一次后輸出。進入后續操作流程。

2.3 安全校驗

涉及分層分區校驗、中性點校驗、保護設備投退情況（如圖9所示），對于安全校驗模塊，本文僅給出校驗基本流程［16］。

圖9 安全審票子流程

3 基于語義分析的操作票智能校驗技術應用

3.1 智能校核的實施應用

本文所提出的技術作為浙江電網停電智能管控系統的補充模塊，在溫州電網運行大腦輔助擬票、審票系統中集成，從而對調度操作票實施在線校核分析。本文以安措“飛北1045線線路由運行改為檢修”溫州電網檢修申請單擬定的電網調度操作票為目的實施了校驗，詳細內容如表4所示。

表4 智能校核實施應用（飛北1045線改為線路檢修）

3.2 預期效益分析

該智能校核技術為調控值班、管理人員進行電網調度操作票審核提供了更安全高效的智能化解決方案。當前作為試運行階段，電力調度控制中心在利用本方案人工智能方法進行校核的同時，也采用傳統的“三審三校”模式對上述當值電網調度操作票進行校核。

統計2021 年8—11 月浙江電網停電智能管控系統中465 張溫州電網調度操作票的錯誤修改記錄，得到效益指標情況如表5所示。

表5 效益指標分析

分析表5 可知，在準確率方面，傳統的“三審三校”模式下共發現電網調度操作票錯誤57處，而智能校驗發現錯誤63 處，錯誤識別率提升高達10.5%。在執行效率（包括平均校核耗時、人員投入）和每張票的平均校核時間方面，傳統的“三審三校”模式需要投入3 名專業調度運行人員，且每張票的平均校核時間約為1.5 h；而智能規則校核僅需1名調度員執行，且校核耗時在10 s以內。因此，智能校核方法提高了審核的安全性和工作效率，為調度員審票輔助決策提供了參考。

4 結語

為實現電網調度操作票的自動智能校核，將基于雙向GRU神經網絡的語義分析技術與智能審核方法相結合，提出了一種基于雙向GRU神經網絡和多種校驗規則的調度操作票審核分析方法。該方法實現了電網調度操作票的智能效核，審核的準確率和工作效率較傳統“三審三校”模式有較明顯提高，為調度員審票提供了輔助決策。調控人員校驗耗時減少，有更多精力用于突發電網缺陷故障處置，有助于調度班組精益化管理，提升電網安全風險管控水平，成果實施轉化后，具有顯著的經濟和社會效益。采用人工智能NLP 技術對調度操作票及檢修申請單辨識和分析，作為后續基于知識譜圖的電網調度操作票智能生成、審核、發令的技術鋪墊［18］，為拓展近零碳電網運行大腦功能提供了理論指導。