基于深度学习的调度检修预案生成模型构建

2024-05-07蔡思烨卢泉篠胡鹏杨恩龙余玉良顾小旭

粘接 2024年3期

蔡思烨卢泉篠胡鹏杨恩龙余玉良顾小旭

摘要：为解决传统的电力系统调度检修方法无法满足电力系统安全可靠运行要求，提出基于深度学习的调度检修预案，以提高电力系统的可靠性与运行效率。通过对数据进行收集与预处理，消除原始数据中的异常值、缺失值、错误数据。采用长短期记忆网络对电力系统历史数据进行训练学习，预测电力负荷及设备状态。采用条件生成模型，通过对抗训练来自动生成优化的调度检修预案。将提出的调度检修预案生成技术应用于实际的电力系统中，得到了电力系统1周的调度检修预案。为电力系统运维人员决策提供了参考。

关键词：深度学习；电力系统；长短期记忆网络；条件生成模型；预案生成技术

中图分类号：TM734

文献标志码：A文章编号：1001-5922（2024）03-0153-04

Construction of the plan generation model for scheduling and maintenance based on deep learning

CAI Siye，LU Quanxiao，HU Peng，YANG Enlong，YU Yuliang，GU Xiaoxu

（State Grid Shanghai Jiading Power Supply Company，Shanghai 201800）

Abstract：To solve the problem that traditional power system scheduling and maintenance methods cannot meet the requirements of safe and reliable operation of the power system，a scheduling and maintenance plan based on deep learning is proposed to improve the reliability and operational efficiency of the power system.By collecting and preprocessing data，outliers，missing values，and erroneous data in the original data were eliminated.Using long short-term memory networks to train and learn historical data of the power system，power load and equipment status were predicted.Using a conditional generation model，an optimized scheduling and maintenance plan was automatically generated through adversarial training.The proposed scheduling and maintenance plan generation technology was applied to actual power systems，resulting in a one week scheduling and maintenance plan for the power system.This provides a reference for decision-making of power system operation and maintenance personnel.

Key words：deep learning;power system;long short term memory networks;conditional generation model;plan generation technology

调度检修是确保电力系统运行稳定性的关键，而传统的调度检修预案生成往往依赖于经验，这导致预案生成效率低，预案质量不稳定，不能够有效满足实际的需求［1］。将深度学习技术应用于电力系统调度检修预案生成中对提升电力系统的运行效率，降低运行成本，优化资源利用具有至关重要的价值。对深度强化学习在配电网优化运行中的应用进行了综述［2］。构建了由离线训练模块、在线决策模块、效果评估模塊构成的电网调度智能决策功能架构［3］。在对模型驱动建模求解方法不足分析的基础上提出了基于深度学习的微电网优化调度辅助决策方法［4］。在前人研究的基础上，结合循环神经网络（RNN）和生成对抗网络（GAN）提出一种能够自动生成符合电力系统需求的调度检修预案，从而为电力系统运行与管理提供智能化、高效率的解决方案，推动电力领域的创新发展。

1 电力系统调度检修预案生成模型

1.1 生成模型架构

电力系统具有运行环境复杂、负荷需求多变等特点，采用GAN作为模型的核心架构，其由生成器（G）和判别器（D）2个关键部分构成［5］。生成器接收负荷、状态预测模块的条件输入以及随机噪声，从而产生一系列的电力系统调度检修预案。生成器通过学习电力系统运行数据和设备状态的模式，生成符合系统要求的操作计划。判别器评估生成器生成预案的真实性及合理性，通过对抗训练，判别器指导生成器逐步生成更逼真的调度检修预案。生成器和判别器构成了一个动态的博弈过程，二者之间形成对抗，即对抗网络［6］。

设计基于GAN的模型，将电力系统调度检修预案生成看作一个生成问题，通过对生成模型结构及参数的优化，得到调度检修预案。在GAN中，生成器和判别器进行极大、极小博弈，其损失函数［7］为：

minG maxDVG，D=Εx～pdataxlogDx+Εz～pzzlog1－DGz（1）

1.2 生成模型流程

1.2.1 数据收集及预处理

数据收集及预处理是生成电力系统调度检修预案的基础，为模型的训练和预测提供支持，确保所生成的调度检修预案真实、可靠。收集的数据能够真实反映电力系统运行与设备的状态，具体如表1所示。

为确保收集到的数据准确、一致，对数据进行清洗操作，去除原始数据中的异常值、缺失值以及错误数据。从清洗后的数据中提取数据特征，包括时间序列趋势特征、周期性特征以及反应设备状态的关键参数。考虑到不同的数据存在尺度上的差异性，对数据进行归一化处理。数据归一化处理公式为：

x=X－XminXmax－Xmin（2）

式中：X为原始数据；Xmin、Xmax分别为原始数据最小值、最大值；x为归一化后数据。

1.2.2 电力负荷及设备状态预测

电力负荷及设备状态预测是电力系统调度检修预案生成的关键，只有提供准确的预测信息才能够确保预案更加有效。采用RNN来构建电力负荷及设备状态预测模型，其中电力负荷预测的输入为过去一段时间电力系统负荷数据，输出为未来一段时间电力系统负荷；设备状态预测的输入为过去一段时间设备状态数据，输出为未来一段时间设备状态数据。长短期记忆网络作为特殊的RNN结构，能够更好地捕捉长期依赖关系，因此选择长短期记忆网络（LSTM）作为模型架构，其能够更好地适应电力负荷及设备状态的复杂变化要求［8］。

LSTM有一个记忆单元和输入门、输出门、遗忘门3个门结构［9］，其中记忆单元是LSTM的核心，其用来存储时间序列信息，能够选择性地传递或遗忘信息；输入门用于控制输入与记忆单元的结合；输出门用于控制由记忆状态到输出的信息流；遗忘门用于决定是否丢弃先前的记忆状态，从而与当前的输入相匹配。输入数据Xt和前一时刻的输出数据ht－1共同作用于遗忘门，通过遗忘门来记忆重要信息，舍弃无关信息，达到信息筛选的目的，其数学表达式［10］

ft=σWf·ht－1，Xt+bf（3）

式中：数据Xt和ht－1作为输入门的输入，对数据进行更新；其数学表达式［11］为：

it=σWi×ht－1，Xt+biC～t=tanhWC×ht－1，Xt+bC（4）

数据Xt、ht－1以及前一时刻记忆单元狀态Ct－1作为记忆单元输入，从而实现对记忆单元自身状态的数据更新，其数学表达式为［12］：

Ct=ft×Ct－1+it×C～t（5）

将Xt、ht－1、Ct共同作用于输出门，从而输出数据ht，其数学表达式［13］为：

ot=σW0×ht－1，Xt+b0ht=ot×tanhCt（6）

图1为长短期记忆网络结构。

采用电力系统历史数据对LSTM模型进行训练学习，通过预测值与实际值误差最小化来对LSTM模型参数进行优化。采用训练好的模型对电力负荷及设备状态进行预测，预测结果作为电力系统调度检修预案生成的输入。

1.2.3 调度检修预案生成

传统生成对抗网络（GAN）中生成器试图生成与真实数据相似的虚假数据，判别器区分真实数据和生成的数据。通过对抗训练，生成器逐渐提高生成数据的质量，使其越来越难以被判别器区分。条件生成模型（CGAN）在GAN的基础上引入了条件信息，以指导生成器的生成过程［14］。条件生成对抗网络结构如图2所示。

由图2可知，在CGAN中生成器输入端接收服从分布pzz的噪声z和服从分布pdatax的真实样本x，y为输入端拼接的额外信息。Gzy为生成样本，是判别器的输入，DGzy为判别器的输出［15］。在电力系统调度检修预案生成模型中，将电力负荷以及天气和维护历史数据作为条件输入，由生成器G产生合理、可行的调度检修预案。通过将条件输入传递给生成器，由生成器生成一系列操作计划，包括电力系统调度和设备检修安排。判别器用来判断生成的预案是否真实，其将真实的预案和生成器生成的预案进行对比，从而提供反馈信号指导生成器的训练。定义Preal、Pfake为判别器对真实样本real和生成样本fake的输出值，则有［16］：

Preal=DxyPfake=DGxy（7）

生成器和判别器对抗训练，不断调整二者参数以使生成的预案更加符合实际情况。生成器和判别器的目标函数为［17］：

LG=Ez～pzzlog1－DGzy

LD=－Ex～pdataxlogDxc－Ez～pzzlog1－DGzy （8）

生成器和判别器2个网络不断迭代，直到网络参数稳定达到纳什均衡，其整体目标函数［18］为：

minG maxDVG，D=Εx～pdataxlogDxy+Εz～pzzlog1－DGzy（9）

优化的目标是使得生成的预案在满足电力系统需求的同时，尽可能减少成本、提高效率等。生成的预案为设备检修时间表、运行策略，从而为电力系统运维人员提供具体的操作建议。

2 实例分析

2.1 问题描述

电力系统是现代社会的基础设施，通过制定合理的调度检修预案来确保供电的稳定性。所选择的案例来源于某局部区域电力系统，如图3所示。

发电机是电力系统的核心组件，负责将机械能转化为电能。电力系统有3台发电机，发电机类型为水轮发电机，发电容量分别为100、 150、200 MW。变压器用于调整电能的电压级别，以便在输电和分配过程中减小能量损耗。电力系统有2个变压器，升压变压器的变比为1∶3，降压变压器的变比为3∶1。开关用于控制电力系统中不同部分的连接和断开，以实现电能的分配和控制，共有5个开关，分布于不同发电机、变压器和负荷之间。负荷包括家庭用电、工业设备、商业设施等，其在不同时间段内有不同的需求，影响着电力系统的调度和运行。

2.2 调度检修预案生成

收集电力系统的运行数据及设备状态数据，包括发电机输出、电力负荷、设备温度等信息。对数据进行清洗、特征提取和归一化处理，以便用于模型训练。图4为电力系统的电力负荷。

采用LSTM模型对电力负荷进行预测，模拟未来一周的电力负荷［19］。为评价预测模型的性能，采用平均绝对误差（MAE）和平均绝对百分比误差（MAPE）作为评价指标，其数学表达式［20］为：

MAE=1N∑Ni=1Li－L^i

MAPE=1N∑Ni=1Li－L^iLi（10）

式中：N为样本个数；Li为实际电力负荷；L^i为预测电力负荷。

一周电力负荷预测值与真实值对比结果如图5所示，平均绝对误差为12.65 MW，平均绝对百分比误差为0.36%。

构建包括生成器和判别器的条件生成模型（CGAN），生成器接收负荷和状态预测结果作为条件输入，以及随机噪声，生成一周的调度检修预案，同时采用判别器评估生成预案的合理性和实用性。使用历史数据对RNN和CGAN模型进行训练，通过对抗训练优化CGAN模型的生成器和判别器，以生成更合理的预案。表2为生成的第1天的调度检修预案。

相对于传统的调度检修预案，基于深度学习的电力系统调度检修预案能够根据实时的负荷预测和设备状态，个性化地生成适应当前电力系统条件的调度检修预案。生成预案的模型可以适应电力系统的复杂性，包括多种设备、多个因素和各种约束，模型可以学习复杂的关系和模式，以生成更优化的预案。另外，通过数据驱动的方法可以利用大量历史数据进行训练，从中学习电力系统的运行模式和趋势，使得生成的预案更有实际可行性。

3 结语

针对依赖于经验与规则的传统调度检修方案不能够满足电力系统复杂性、多变性、实时性的问题，提出了基于深度学习的调度检修预案辅助生成技术。采用长短期记忆网络对电力负荷及设备状态进行预测，并通过条件生成模型生成调度检修预案。将提出的调度检修预案辅助生成技术应用于实际的电力系统中，结果表明，其能够对电力负荷进行精准预测，平均绝对百分比误差在0.36%，同时所生成的调度检修预案是基于大量历史数据的训练，确保了生成预案的实际可行性。这对提高电力系统调度检修预案的生成效率与预案的实用性具有一定的参考价值。

【参考文献】

［1］谢虎，杨占杰，张伟，等.基于混合蝙蝠算法的高比例风电电力系统调度方法［J］.可再生能源，2023，41（6）：804-809.

［2］胡維昊，曹迪，黄琦，等.深度强化学习在配电网优化运行中的应用［J］.电力系统自动化，2023，47（14）：174-191.

［3］王珂，姚建国，余佩遥，等.基于深度强化学习的电网前瞻调度智能决策架构及关键技术初探［J］.中国电机工程学报，2022，42（15）：5430-5439.

［4］陈卫东，吴宁，黄彦璐，等.基于深度学习的微电网优化调度辅助决策方法［J］.南方电网技术，2022，16（1）：117-126.

［5］陈文婷，陈学勤，王伟津，等.面向稀疏数据场景的生成对抗网络推荐算法［J］.福州大学学报（自然科学版），2023，51（4）：467-474.

［6］黄棋悦，严楠，钟旭佳.基于生成对抗网络的风电爬坡功率预测［J］.太阳能学报，2023，44（1）：226-231.

［7］邵振国，张承圣，陈飞雄，等.生成对抗网络及其在电力系统中的应用综述［J］.中国电机工程学报，2023，43（3）：987-1004.

［8］侯佐新，袁树文.采用神经网络建模对海下有机材料加固的油井产量预测研究［J］.粘接，2023，50（3）：178-182.

［9］林艺华.基于深度学习的高速公路交通流数据监控方法研究［J］.粘接，2021，46（5）：182-186.

［10］柳薇，张波，梁明源.基于深度学习的电力数据分析研究［J］.宇航计测技术，2023，43（3）：97-102.

［11］李刚，孟坤，贺帅，等.考虑特征耦合的Bi-LSTM变压器故障诊断方法［J］.中国电力，2023，56（3）：100-108.