深度学习在电网智能调控系统中应用研究

肖倩宏,康 鹏,杜 江,宋 弦,安 甦

(贵州电网有限责任公司电力调度控制中心,贵州 贵阳 550002)

0 引言

电网调控运行需要对大量数据进行分析，对系统运行机理、运行策略等做出判断，进行全方位的综合决策，这一点与新一代的人工智能发展较为相似[1]。根据人工智能技术的发展趋势、电力调控业务的发展需求，需要设计满足应用要求的人工智能调度系统。

人工智能涵盖理论较多，其中深度学习理论对于调度领域具有较高的实用价值。文献[2]基于大数据技术提出了一种采用深度学习的暂态稳定评估方法。文献[3]提出一种基于长短期记忆神经网络的电力负荷预测方法,并使用这种方法对某地电力负荷值进行预测。文献[4]针对深度学习网络在风电场功率短期预测进行研究。文献[5]采用长效递归卷积网络模型结合视频中的外观信息和动态信息实现对视频中的人体行为进行识别。文献[6]综述了强化学习、深度学习、迁移学习、平行学习、混合学习、对抗学习和集成学习等7种代表性机器学习在能源与电力系统调度优化和控制决策等方面的应用。文献[7]采用深度学习方法，提出新的发电机组排放预测模型，并以此为基础设计了一个具有节能减排效果的发电调度算法。

本文针对深度学习对电网调度的影响和应用入手，提出了基于深度学习的电力系统调度构架，分析了该系统的功能。针对大数据并行处理调度数据，本文提出利用多核图像处理技术，提高系统的处理效率。最后分析了典型的应用案例。

1 深度学习与电网智能调度

1.1 深度学习对电网调度的影响

目前大多数电力系统分析控制软件(Poweron Fusion DMS,Network Manager SCADA/DMS等)在设计时主要考虑算法的严格性或者基于已有信息进行操作，会降低系统的智能性。系统的智能处理不能够与系统的执行方法和执行类别割裂开来，导致有些软件不能够适应电力系统的动态变化和不同运行环境。因此对于软件智能化的需求就迫使软件算法不断进行升级调整。

深度学习为一类机器学习方式，将网络分为内部深度层次等，主要包括自编码器、循环神经网络、长短期记忆、卷积神经网络、限制玻尔兹曼机、深度信念网络、深度玻尔兹曼机。其主要目标是通过模仿人类大脑神经网络将机器的思考方式向人类思考方式趋向。而为了实现人工智能调度，需要将这类学习方法应用到电网调度系统。

人工智能调度的实现需要深度学习，需要利用博弈论对系统进行实时更新，对系统提供完整的信息。因此，人工智能调度系统通过预定的调控系统，对系统正常稳态或事故后状态进行控制。而系统过负荷、系统崩溃、短路等故障以及黑客攻击等都会对系统造成影响，此时应发挥人工智能调度的功能。

1.2 基于长短期记忆的出力预测

1.2.1 长短期记忆

在电力系统调度中，主要以安排各机组出力、负荷接入和开关状态为主要内容，而在可再生能源、微网广泛接入的过程中，调度人员也面临着新的挑战，主要体现在这类新能源出力以及负荷的多样性会导致一定的波动性、不确定性，增加调度的复杂性，人工调度在这样的情况下很难做到全局最优，最终会影响电力系统管理的优化和效率。因此，对于这类波动性发电出力做好发电量预测以及量测好时间尺度是调度运行中的重要环节。

对于这类变量的预测，很多方法已经得到应用，例如传统的灰色模型、卡尔曼滤波法[8]，随着时代的发展，人工神经网络、长短期记忆LSTM (long short term memory)等也逐渐显示其优势。对于电力系统调度，预测的精准度十分关键，但是时间尺度也必须要合适，太长会占用计算资源，影响预测的精准度；太短则会影响系统运行的稳定性。在深度学习领域中，LSTM是应用较为成熟的一种方法。LSTM结构如图1所示。

图1 LSTM结构示意

LSTM能够分析复杂出力曲线波动特性与发电预测曲线之间在未来数个小时内的关系。而相比之下，人工神经网络会出现梯度消失或梯度爆炸，LSTM就有较高的准确度和效率[9]。LSTM拥有一个记忆细胞，用于存储历史输入数据序列的状态向量。细胞的状态由新输入的数据、输出的数据以及细胞前一时刻状态更新。假设ct为t时刻细胞状态，则其更新方式如下：

it=σ(Wx,ixt+Wh,iht-1+bi)

(1)

ft=σ(Wx,fxt+Wh,fht-1+bf)

(2)

ot=σ(Wx,oxt+Wh,oht-1+bo)

(3)

gt=tanh(Wx,cxt+Wh,cht-1+bc)

(4)

ct=ft⊗ct-1+it⊗gt

(5)

ht=ot⊗tanhct

(6)

(7)

x⊗y表示点积；Wx,i、Wh,i、Wx,f、Wh,f、Wx,o、Wh,o、Wx,c、Wh,c均为权重矩阵；bi、bf、bo、bc均为偏差向量；it、ft、ot分别为输入、遗忘和输出数据；gt为状态更新向量；ht为输出隐藏状态量；ct为t时刻细胞状态；xt为t时刻输入变量。

ft置零可以使网络忘记记忆细胞储存的ct-1信息；输入门it和输出门ot可以控制输入到输出的信息流。状态门可以通过训练数据得到。为了得到给定目标的相应信息，新增加隐藏状态ht。

1.2.2 出力预测方式

不确定变量曲线包括风电、太阳能和冷热电负荷等，由于调度性质不同，每一种不确定变量均有对应的LSTM预测模型，本文以风电为例。

t时刻风机出力为x(t)，风机的训练样本数据为x(t-n),…,x(t)。下一序列数据为x(t-n+1),…,x(t+1)。多年的历史数据有助于训练的可靠性，每个序列的最后一组数据均为训练数据的目标。本文系统包括输入层、细胞层和输出层，将样本数据进行训练操作[10]。

针对调度预测，第1步是输入数据准备，第2步是预测模型矫正。在第1步中，从历史数据抽取有效信息，对数据格式进行标准化处理。考虑到预测的时间尺度不同，每一步骤中均由预测数据替代上一输入数据。在第2步中，需要考虑前文所提神经网络预测模型，将准备好的输入数据送入模型，得到预测数据。

1.3 基于深度学习的区间状态估计

深度学习理论还可应用于状态估计中，状态估计器将确定性状态向量和概率性状态不确定量进行同步跟踪，确定状态变量的边界[11]。确定状态变量由最优潮流得到，包括负荷和出力预测值。概率状态不确定量在模型中的二元非线性规划中确定上界。SCADA系统循环更新网络拓扑和系统参数，深度学习理论主要应用在对负荷的预测上，其流程如图2所示。

图2 基于深度学习的区间状态估计

1.4 基于深度学习的电力系统故障诊断

通过对电力运行数据的深度学习，可以从海量数据中抽取有用数据并进行处理，通过故障诊断模型实现该功能。首先应获取包括电压、电流、有功、无功在内的量测量，其中还包括SCADA系统中的设备信息、天气信息和网络拓扑等。由于故障后电压量、电流量等均会有明显变动，因此可以通过深度学习得到故障发生前电流量的隐藏特性。

将得到的电流数据进行归一化处理，将数据分为3类，分别为重合闸故障数据、重合闸成功数据以及正常运行数据，利用神经网络对隐藏层和每层的隐藏单元根据样本数量进行调整，并对数据进行训练，如图3所示。

图3 故障诊断网络

2 基于深度学习的电网智能调控系统

本文提出了一种新型人工智能调度系统，基于深度学习技术，融合了调度运行和系统控制等功能。其主要特点为能够模仿人类决策，但响应速度更快、操作更准确。通过原始规则对深度神经网络模型的学习，可以提升系统获得大数据处理的能力，从而不受调度员分析能力的限制。另外，与传统预测算法不同的是，深度神经网络不是简单地考虑算法给出的参数，而且还有揭示这些影响因素本身的作用。

2.1 系统构架

基于深度学习的智能调度系统主要构架包括：

a.SCADA/EMS/DMS数据收集、处理、存储模块。

b.系统分析模块，用于识别系统状态、评估系统运行模式。利用离线数据或实时大数据进行处理。本模块利用在线决策树算法对系统的实时状态进行监视和评估。

c.基于深度/传统神经网络的决策模块，能够实现对电网控制能力的分析，包括新能源出力预测、安全约束、远动控制、保护装置灵敏度控制等，基于得到的全局描述器搜寻和发布预防或校正控制。电力系统调度和控制在该模块中模拟为多目标博弈问题[12]，博弈双方为人工智能调度员和一系列可能的问题，包括可再生能源的不确定性、停电、黑客攻击等。

d.存放现状表计数据/历史表计数据、仿真数据、调度命令的三大数据库以及自动装置动作记录的数据库。

e.人工智能调度接口，包括与人工调度交互的对话接口。

系统框架如图4所示。

图4 系统构架

2.2 主要功能

人工智能调度系统的主要功能如下：

a.带系统预警功能的设备在线状态监测系统。

b.调度行为智能机支持系统，可实现开环控制模式和调度员建议模式。

c.实时调控机制自动智能控制，即闭环控制模型，实现最优预防和紧急控制无需调度员审核而自动执行，且不需要用户指令的确认。只要结果可行，指令即自动执行并发送。

d.开闭环联合控制，部分指令可由调度员完成，其余则由人工智能调度系统实现。

3 基于MGP系统的人工智能调度实现

多核图像处理系统(MGP)[13]可以实现深度学习技术的优势，同时提高大数据下的运行性能和运行效率。基于MGP的系统可以用来承载人工智能调度的硬件，再加载专门设定的软件系统，包括经过训练用于电力系统网络控制的深度神经网络模型。

多核构架是将多个CPU核集成到单个芯片中，每个CPU核作为一个独立的处理器，多个处理器之间进行并行操作，且核与核之间的通信通过共享内存完成，不会引起通信延迟[14]。多核图像处理技术就是针对采集的图片数据，进行快速傅里叶变换，但是该变换为并行操作，提升图片处理的性能，从而应用到智能调度遥测、遥控中，便于监测各个设备的状态，对系统进行集中处理。本文系统的实现如图5所示。

图5 基于MGP的人工智能调度系统实现

人工智能调度系统能够融合现有的SCADA/EMS/DMS系统，并且实现基于国际通用协议的不同开发者的应用接入。因此，从另一个层面来说，人工智能调度系统是在SCADA/EMS/DMS等实现计算、分析、数据采集、数据传输和遥控等内容后的综合应用平台。同时，人工智能调度的机器智能化体现在其为真正替代人工调度员实现真正的自动化调度提供了条件，从而改善电网管理的有效性。

将人工智能调度系统嵌入到现有的SCADA/EMD/DMS等系统的优势主要有：

a.弥补人工调度员在电力系统控制和调度中的不足。

b.提高系统电压管理、潮流优化、安全控制等方面的管理效率，特点是具有DNN/CNN模块寻优能力、大数据处理能力等。

c.提高系统响应速度，实现自动控制过程中的优化处理。

d.减少系统的运行成本。

4 应用案例

以电压稳定性控制为例，采用深度学习理论中的在线决策树方法[15]，可以训练模型从而实时判断电压稳定性指标，判断系统的安全稳定性，包括有效的无功注入，确定校正元件的位置和幅值等。

现阶段调度指令的下达方式主要是电话下令，存在谐音误扰、电话占线以及信道阻塞等现象。利用本文所提智能调度系统，将即时通信和调度发令管理结合，实现基于网络的操作指令文字传输和人脸识别验证，内容清晰明确，能有效杜绝谐音误会等危险点，缩短发令和受令时间，提升工作效率。经测试的某系统调度下令指标对比如表1所示。

表1 下令指标数据

本系统可实现机组控制目标多、约束条件多、策略复杂的AGC系统的控制。主要包括联络线控制、常规能源断面控制、新能源辅助参与联络线控制、新能源断面控制、多类型能源混合断面控制、直流配套风光控制等。本系统可实现一体化调度仿真(DTS)和监控联合仿真(OTS)，实现电网仿真与监控仿真的设备状态的自动映射。电网仿真计算的结果为监控仿真提供网络潮流。设置故障时由监控仿真驱动站内保护动作，并将保护动作和开关变位信息提供给调度仿真。调度仿真根据保护动作和开关变位情况，重新进行网络拓扑计算，并计算故障后的潮流。

5 结束语

针对深度学习对调度的影响展开研究，提出了基于深度学习理论的人工智能调度系统。为进一步应用机器智能解决电力系统安全稳定控制提供了新思路。由于目前将人工智能手段应用到调度领域的研究不多，本文旨在通过对人工智能的应用进行研究，使其能够提高调度的可靠性，可以部分替代人工调度。最后针对本文系统的应用提出具体案例，说明系统的广泛应用性。