人工智能应用于电网调控的关键技术分析

秦 亮，孙 喆

(1.国网陕西省电力公司，陕西 西安 710048；2.国网西安供电公司，陕西 西安 710032)

0 引言

新时期电网系统功能形态和技术特征不断优化，引入人工智能技术可以科学地应用和管理调度经验、知识、数据，实现技术智能化升级，提高电网的工作效率。因此，有必要深入分析电网的整体调控业务，探究人工智能技术在电网调控工作流程中的性能和交互过程，实现深度学习，提升故障识别质量。

1 将人工智能引入电网调控系统的设计思路和结构

1.1 思路分析

人工智能技术的关键是数据存储模块，其中大数据技术能够为深度学习、机器学习提供充足的数据资源。结合多种参数、要素开展模拟训练，保证深度学习的结果贴合实际情况。同时，图形处理器、中央处理器等硬件模块的出现加快了人工智能对数据样本的处理速度，满足了电网调控系统需求。基于人工智能技术的电网调控系统主要包含实时运行和智能学习，实时运行位于生产控制模块，应用于调控业务，能够向智能学习模块提供调度规则和运行数据，具体设计流程包含以下内容：首先，收集电网运行的历史、实时数据。例如气象环境、地理位置等信息，为模型构建和深度学习提供数据支持[1]。其次，制定故障处理预案、明确调度规程，引入人工经验、运行日志等文本数据，模拟和学习当前的知识内容。再次，构建GPU，CPU，TPU集群式计算结构，提升人工智能算法在数据学习过程中的效率。最后，增加人工智能算法模块，为后续业务场景提供算法服务和技术支撑，完成辅助决策和智能分析。

1.2 结构框架分析

依托人工智能技术的电网调控工作整体框架包含业务场景、知识库和算法引擎、数据管理与汇集、高性能计算4个方面，具体内容如下：

1.2.1 高性能计算结构

高性能计算结构(High Performance Computing，HPC)包含网络设备、存储装置和计算设备，由GPU，CPU，TPU组成计算机集群，能够为深度学习、机器学习提供帮助，避免在多层网络参数和大量数据的环境中浪费学习时间。

1.2.2 数据管理和汇集层

数据管理和汇集层级能够对系统外部环境的信息数据、运行数据、管理数据进行汇集，通过非结构化和机构化的方式构建大数据调度平台。针对采样频率、结构，借助多种数据存储模式，向上层结构提供数据搜索和访问服务[2]。

1.2.3 算法引擎层和业务场景层

(1)算法引擎层，可以针对知识图谱、随机森林、聚类分析完成封装操作，为系统提供算法引擎支持。其中，知识库能够结合当前的操作规范、调度规程，借助自然语言对日志、文本进行处理，构建电网调度系统规则库。

(2)业务场景层，可以预测和计算用电行为和负荷，利用物理建模与数据建模相结合的方式，依托人工智能技术完成训练分析。

2 人工智能与电网调控系统结合的关键技术探究

2.1 大数据调控技术

大数据调控技术是人工智能领域的关键，算法学习依托样本训练数据，借助数据开展深度学习，进而维护系统数据的健全性。因此，有必要构建大数据调控系统，收集分散数据，构建集成平台，为电网调控工作提供充足的样本。电网调控实际上是对时间和空间的协调控制，因此，数据也应来自地理位置、模型数据、PMU、采集和监控系统等方面。从数据来源层面分析，电网调度主要包含配电管理、能量管理、调度管理等方面；从数据类型层面分析，电网调度包含非结构化、半结构性、结构化等数据；数据更新速度可以划分为毫秒、秒、分钟、小时等级别。大数据调控技术综合性较强，可以围绕以下3个方面展开。

2.1.1 数据汇集

借助消息队列、文件传输规则、数据库、Web服务器等连接形式，和大数据中Flume等模式相融合，结合数据结构和来源差异性收集多种信息，确保数据汇集的全面性，并依托ETL模块实现数据的标准化管理[3]。

2.1.2 数据存储和数据关联

(1)数据存储，对于历史采样、模型参数、日志、调度规程等数据结构，依据其自身特点，利用内存数据库、分布类文件传输系统和列式数据库存储数据，并增加系统化数据服务模块。

(2)数据关联，数据来源具有差异性，可以通过引用、外键的方式实现数据关联，进而为后续工作提供数据支撑。

2.2 依托深度学习理论的电网辨识和预测技术

2.2.1 故障识别

电网故障诊断工作是指系统通过安装保护装置，收集报警数据、电气量测量数据和断路器状态数据，并据此科学判断、分析故障的类型和位置，帮助电网系统快速恢复原有状态。系统故障过程中借助SCADA，迅速将警报数据传输到总调动中心，提升调度人员对电网调度运行的感知水平以及故障处理能力。因此，依托人工智能技术可以针对区域特点，借助相关分析方式明确负荷变化规律，为后续构建预测模型提供帮助。此外，可以结合负荷时序数据，科学地设置神经网络深度和模型，通过构建多种神经网络模型，提升故障诊断和预测的精确度。

2.2.2 负荷预测

电网电源侧模块受外界环境影响较大，因此可以借助集成学习、DBM、变分编码器等技术，优化综合决策、网络训练及泛化能力。依托环境、电网历史运行数据、电站位置等大数据信息，构建预测算法和模型，利用自主学习模式分析数据间的规律，预测发电的实际情况，进而提升系统预测的精确度。同时，由于温度敏感负荷增加，且电网超短期和短期负荷预测工作量提高，有必要借助长短期记忆、循环神经、混合模型等算法进行负荷预测。通过深度学习模块，对时间特性、电价激励完成分析和识别，为后续电网平衡控制提供支持。因此，可以借助人工智能技术预测负荷、发电、设备故障等问题，结合设备检修计划、发电计划，明确电网运行过程，发挥辅助决策和安全分析作用，进而完成电网风险的预控和预判。

2.3 依托知识谱图的决策辅助技术

2.3.1 决策辅助流程

传统电网调度主要根据已有经验开展工作，通过制定规程和预案处理故障。应用人工智能技术可以规避调度人员在工作中的固化、重复的操作，进而提升决策辅助能力。知识图谱相当于语义网络，利用数据结构表示多种知识间的关联，适用于知识规则的推理。其结构和互联网相似，包含知识表现、提取、计算、存储等，具体内容如下：(1)知识提取。该模块主要结合电网调度的日志、规则，构建语义模型和语料库，依据自然语言抽取日志、故障预案、调度规程中的数据，构建机器语言，供计算机识别和应用。(2)知识表现。结合获取的文本数据信息，构建多层次信息关联体系及知识图谱，直观地表现知识关系。(3)知识存储。利用图数据库模式存储语义知识网络。(4)知识计算。通过推理、搜索知识，获取相关信息资源，完成决策辅助[4]。

2.3.2 故障知识图谱决策分析

在故障处理预案中，针对知识图谱可以借助自然语言技术，学习文本，了解故障发生后的电网运行、故障设备、处置要点等数据信息。电网系统出现故障后，可以借助综合报警模块，开通图谱查询功能，获取电网运行模式和故障处理要点，进而完成在线量测和辅助决策。调度人员可以结合AVC，AGC、遥控等技术形式，调整故障处理模式，减少调度工作量。因此，当前电网系统标准规范的完善，可以借助自然语言分析系统运行文本，得到断面限额和电网运行情况的关联性，进而自动更新断面限额，避免人工操作导致的时间延迟或更新滞后，突出调度控制系统辅助决策的现代化和智能化。

3 结语

人工智能是电网调控领域中的高新技术，借助数据和模型联合驱动优化调控技术的质量与效率，突出电网调控现代化和智能化。因此，有必要通过探究电网调控领域人工智能的技术框架，应用高速计算、故障分析、负荷预测等技术，明确系统建设的目标和思路，优化智能决策，进而满足电网的调控需求。