基于人工智能的电网调控技术研究与分析

卢君波 李小敏

摘要：人工智能在电力系统中电网调控运行及决策过程中占据核心地位，属于综合性决策控制模式的一种，涵盖专业经验、数据和机理分析、运行规程等，文章主要对基于人工智能的电网调控技术进行了研究，在对人工智能特点、电网调控运行需求进行分析的基础上，提出了一种调度控制系统的设计方案，阐述了系统的总体架构及核心功能，并分析了大数据的高性能计算与调控、电网预测及辨识、智能辅助决策等的关键实现技术。

关键词：人工智能;深度学习;电网调控技术;调控人数据

中图分类号：TM73;TP18文献标识码：A 文章编号：1001-5922（2019）11-0178-04

快速发展的社会经济的用电需求不断提升，促使了电网规模不断扩大，传统的电网调度支持系统已难以满足现代智能电网的调控需求，为顺应未来电网发展趋势，需通过现代智能技术的使用实现调度支持系统性能的有效提高。近年来，随着人工智能技术逐渐走向主流，尤其是基于机器和深度学习的智能技术的应用逐渐受到了各行各业的广泛关注，成为研究的重点之一，新一代基于大数据的人工智能系统综合了类脑智能机理，人工智能技术作为一种综合性技术主要以高性能计算、机器及深度学习作为支撑技术，使人工智能具备了强大计算能力、丰富的训练样本、高质量的学习模型及算法。

1现状分析

电力调度控制中心作为指挥中枢包含了海量数据、规则、专家经验，传统调度控制大多依靠实际工作经验和人工分析方法，随着调控中心数据种类及数量的不断增多导致方案间缺乏逻輯模型，需调控人员具备丰富的知识关联经验，增加工作量的同时阻碍了自动化及智能化水平的提高，因此在电网调控领域应用人工智能有利于：①实现电网特性及行为的分析，广泛应用的新能源及分布式电源增加了电网运行及用户用电行为的不确定性，传统的物理建模方法（即基于物理系统的数学建模）难以对当前电网形态（如电动汽车、屋顶光伏）的单体进行建模分析，而通过机器学习能够针对电网整体特性以海量历史数据为依据完成聚类分析过程，包括对用户用电行为进行评估和预测以提高负荷预测准确度，为确保电网的实时平衡提供支撑。②学习和模拟调控知识经验，包括设备检修、故障处置等在内的日常调度操作通常有固定的以积累的调控运行经验和知识为主的规程，在实际操作处置过程在重复性较高。通过人工智能技术（知识图谱等）可使学习和模拟规程、经验及其到调度控制分析软件中的嵌入过程得以有效实现。

2基于人工智能的调度控制系统的设计

未来电网调度控制系统的算法设计需在确定机理模型的基础上，需有效融合预测辨识功能（以数据驱动为特征）与调控运行专业知识，结合物理建模和数据驱动的方式形成知识引导。本文主要构建了基于人工智能的调度控制框架。

2.1功能设计

快速发展的大数据及数据存储技术为人工智能技术提供了有力支撑，海量历史数据提供了丰富的数据样本，促使机器与深度学习等算法的快速发展和应用，通过训练模拟各要素及参数使学习结果趋近于实际。此外快速发展的硬件技术（包括中央处理器、图形处理器等）提升了人工智能对数据样本的学习及处理效率，考虑到在生产运行控制大区部署以开源为主的人工智能存在安全隐患，本文调控系统的设计思路如图1所示，主要由位于生产控制大区的实时运行系统（对业务进行实时调控，提供电网运行数据和规则经验）和位于非生产控制大区的智能学习系统（根据数据和规程完成人工智能学习过程，提供决策建议）构成。在电网调控中人工智能的应用功能包括：汇集和存储电网运行的多维度数据（包括设备量测、故障告警、地理位置等），将充足的样本数据提供给后续训练学习使用;引入非结构化的包括运行日志、相关规程、故障处置预案、知识经验等在内的文本数据，实现知识学习和模拟功能;高性能计算架构的建立，集成中央处理器、图形及高性能处理器，使训练学习样本数据的效率得以有效提升;完成人工智能算法引擎的构建，向上层提供算法支撑与服务，使智能化分析与辅助决策得以顺利开展。为使智能分析及决策系统得到进一步完善，作为现有调度控制系统基于机理及物理建模分析的补充，智能学习系统基于经验规则知识和历史数据通过多种人工智能算法的运用（包括语言处理、强化学习、知识图谱等）实现智能学习引擎白勺建立，训练学习模式采用规则+数据的理解和学习，以实现对调度员思维决策的训练模拟并为电网调控提供决策支撑。例如，调度控制系统在电网出现故障时，以故障所造成影响的轻重程度为依据将其划分为重要和次要事件并给出故障处置任务列表（具有优先级），可根据相关规程、故障预案等进行学习，故障后则需通过在线安全分析完成评估电网运行状态及辨别潜在风险功能，显著提高了故障处置的智能化水平。

2.2系统总体架构设计

本文所设计的电网调控系统总体架构如图2所示，针对海量数据和多层级网络参数，由CPU、GPU、TPU等混合架构构成强大计算能力的计算集群可显著显著缩短训练学习时间，以供机器和深度学习使用;各类结构/非结构化数据（口碑运行数据、外部环境数据以及管理数据等）主要由数据汇集层进行汇集并形成调度大数据平台，以供上层分析使用;基于数据汇集的数据管理主要负责存储和统一访问相关数据，数据存储方式根据数据结构及采样频率确定，提供统一的数据访问服务;相关文本、日志由知识库层采用自然语言处理技术进行学习和理解（以调度规程、运行经验为依据），并据此形成知识化表达的规则库;算法引擎层根据实际需要通过对各类算法（包括聚类分析、知识图谱等）的封装实现将统一的算法引擎提供给上层应用。业务场景层主要包括包括：①态势感知，包括负荷预测、故障预测、安全评估、用电行为分析等，融合了数据驱动和物理建模方法，基于大量丰富的存储周期较长的历史样本数据采用人工智能算法完成训练分析过程，从而显著提升预测准确度。②智能决策，包括设备过载、故障及检修操作等辅助决策，基于物理模型通过调度规程、处置预案、知识经验等的有效融合实现所提供策略实用化程度的有效提高，更好的满足调度运行需求，如断面过载时，调度实际运行通过几台或一组机组（灵敏度相近）的选择微调出力，兼顾了公平和效率;线路故障跳闸后，根据电网实际故障信号通过学习故障处置规程给出线路试送与否的建议，从而显著降低处置工作量。③调度助手，简化了日常调度操作过程，如使用语音结合智能检索调阅所需系统画面，实现实时查询和动态曲线及关键信息展示功能（如查询某设备的过载情况、系统越限告警数据）。

3核心功能的关键支撑技术分析

3.1大数据计算与调控技术

深度学习需基于大量数据及较高的计算能力，在电网调控领域优于深度学习的最大挑战在于计算力，为满足不同业务场景及深度学习算法的应用需求，需融合网络资源、不断完善的芯片技术（包括CPU、GPU、TPU等）、服务器、存储器逐步完成软件定义的HPC及适应调控系统的计算架构的构建，从而显著提升各类业务场景计算能力。训练样本数据是基于大数据技术的人工智能算法（尤其是数据驱动的机器与深度学习算法）的不可或缺的环节，要求数据全面完整。提高调控大数据平台处理（包括汇集、清洗、关联整合等）系统中的分散数据，将丰富的训练样本提供给后续业务场景。面向广域时空数据的调控大数据包括设备模型参数、地理位置、PMU、气象环境、电量、用户等，包括能量管理、配电管理、GIS、调度及生产管理、设备监测等系统。调控大数据汇集和存储技术的考虑重点在于：①数据汇集，根据不同来源系统及不同结构的数据设计多种抽取和汇集方式，将常规数据接人方式（包括传输协议、数据库连接、消息队列等）同大数据的Sqoop、Flume等方式相结合实现数据全量抽取，再采用校验规则引擎清洗和标准化处理数据。②数据存储，为提供统一的对外数据服务，根据不同数据结构的特点采用不同的存储模式，主要包括分布式文件存储、关系型数据库（主要存储静态模型参数）、列式数据库（主要存储历史数据）、內存数据库（处理实时数据）、时序数据库（同步相量测量时标数据）。③数据关联，针对来源不同的数据使用外键、引用等方式实现不同数据的关联，为后续分析提供数据支撑。

3.2基于知识谱图的智能辅助决策技术

对于以往的经验型调度模式所形成的基于运行经验和知识积累的预案规程，使用人工智能进行训练学习后可显著较少重复性、固定化的操作过程、提升智能水平，作为一种基于图的数据结构的知识图谱具备检索、推理及分析功能优势，可有效描述知识间的关系，可作为规则知识的推理分析引擎，适用于推理和分析调度规则知识，电网调控知识图谱主要包括：知识提取，根据电网调度的文本用语特点采用调度专业词语完成语料库和语义模型的建立，再对文本数据使用自然语言处理技术进行信息抽取形成机器语言;知识表现，通过知识图谱（即将抽取的信息建立多层级关联关系）对知识间的关系进行描述，采用图数据库存储知识语义网络;知识计算，使用相关检索和推理方法获取知识的相关信息，据此提供辅助决策。以故障处置预案知识图谱为例，先对故障预案文本进行学习，抽取得到预想故障设备名称、故障后运行及处置方式等信息并建立知识图谱，实际发生故障时可联动触发图谱查询（通过智能告警）并给出处置预案，通过知识推理服务的调用获取故障后的相关信息，故障发生后调控系统自动给出故障处置任务列表（以知识推理和电网实时状态为依据）和关键信息，结合实时量测和在线辅助决策功能获取辅助决策，通过人工进一步确认后通过自动发电及电压控制等完成相关操作（如故障后方式调整、恢复送电等）;对于设备检修操作可对操作票模板、检修操作规程使用深度学习技术，经人工确认即可完成设备检修操作（采用顺控方式）。在稳定断面智能限额方面，随着电网运行描述标准规范的不断完善，有利于通过自然语言处理技术获取电网运行同断面限额的关系，以便动态更新断面稳定限额的。此外还需不断学习模拟调度操作行为，研究调控操作行为画像技术，自动记录相关操作内容并进行标签化处理，然后对上述调度操作行为进行学习（运用深度神经网络、协同过滤等技术），实现类似事件出现后处置策略的自动推送。

3.3电网预测技术及调度智能助手技术

借助人工算法及调控大数据功能，通过学习训练样本数据实现未来趋势的预测，考虑到可再生能源易受天气条件影响，可基于调控大数据通过集成学习、条件变分编码器深度置信网络等技术及自主学习方式（无监督伴监督）的使用及多种预测模型和算法的整合，完成数据内部规律及多因素间耦合关联关系的分析和获取，提高可再生能源的预测精度，据此实现预测功能。地区电网随着大量分布式电源的接人及源荷双重特性设备的增加，需进一步完善循环神经网络、长短期记忆等算法的应用效果，建立综合性的预测模型和算法对各类因素进行学习和模拟，以满足电网负荷预测需求，例如，引起设备故障跳闸的原因包括电网设备老损、外部气象环境破坏等，需根据设备历史故障跳闸事件、外部气象环境等相关信息完成设备状态评估模型（基于自学习）的建立，通过训练学习样本数据获取跳闸的潜在主导因素及规律，结合评估方法提高故障跳闸风险辨识的准确度。

通过应用虚拟现实、语音识别等技术可使调控系统的人机交互性能得以显著提升，实现以语音交互为特征的智能助手功能，包含触屏控制、人脸/语音识别等多种交互方式，通过将强大搜索引擎配备到系统服务端实现使用语音、键盘输入相关内容，搜索、抽取、加工、分析和自动统计系统中的各类数据（包括原始数据、相关规程、计算结果等），进一步提升交互方式的智能化水平。搜索引擎根据服务对象的种类可部署在本地（为本地调控人员提供搜索服务）或云端（可为全网提供搜索服务）。展示方式的，针对电网各场景通过使用虚拟现实技术丰富的可视化的展示效果，采用自动构图技术实现面向多场景图形（如电气分区图、停电区域图、供电路径图、潮流图自动生成等）的自动形成。

4结语

快速发展的基于深度学习的人工智能技术的主要特征在于数据驱动、知识引导，随着电网管理对现代化及智能化发展需求的不断提高，在新一代电网调度控制技术中有效融合人工智能技术将是未来技术的主流发展方向，本文针对电网调控运行业务场景对人工智能技术的可应用场景进行了初步的探索和分析，完成了电网调控系统总体框架的构建及核心功能的设计，阐述了场景实现锁足的关键技术，为推动餐厅以物理建模为主的电网调度分析决策过程向综合运用物理建模及数据驱动方式的转变提高参考。