李艷華

摘要：電力系統(tǒng)是一個(gè)復(fù)雜多維非線性系統(tǒng)。電力系統(tǒng)的安全、自愈、綠色、堅(jiān)強(qiáng)、可靠運(yùn)行依賴于電力系統(tǒng)的“大腦”——電網(wǎng)調(diào)控系統(tǒng)。該系統(tǒng)集電網(wǎng)數(shù)據(jù)采集、存儲(chǔ)和分析決策控制于一體，貫穿于電力的發(fā)-輸-配-用各個(gè)環(huán)節(jié)，是確保電網(wǎng)安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行的中樞。現(xiàn)有的電網(wǎng)調(diào)度技術(shù)支持系統(tǒng)在大電網(wǎng)側(cè)的應(yīng)用較為成熟，量測(cè)點(diǎn)以及數(shù)據(jù)質(zhì)量相較于配用電側(cè)較為完善。然而，目前大電網(wǎng)調(diào)控業(yè)務(wù)仍以設(shè)備監(jiān)視與人工分析為主，決策、執(zhí)行等環(huán)節(jié)仍需要調(diào)控人員參與主導(dǎo)，更多依賴調(diào)控人員經(jīng)驗(yàn)分析，這顯然無法滿足調(diào)度智能化要求。隨著電網(wǎng)運(yùn)行調(diào)度方式日趨復(fù)雜，傳統(tǒng)的基于機(jī)理分析與電網(wǎng)模型的調(diào)控方法，在處理大電網(wǎng)非線性、非連續(xù)性以及預(yù)測(cè)不確定性問題時(shí)，很難達(dá)到預(yù)期效果。伴隨深度學(xué)習(xí)等人工智能技術(shù)的飛速發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)方式的人工智能技術(shù)在解決上述問題方面具有潛在的“去模型化”技術(shù)優(yōu)勢(shì)。

關(guān)鍵詞：電力系統(tǒng);電網(wǎng)調(diào)控;人工智能;

1基于人工智能的調(diào)度控制系統(tǒng)的設(shè)計(jì)

1.1功能設(shè)計(jì)

快速發(fā)展的大數(shù)據(jù)及數(shù)據(jù)存儲(chǔ)技術(shù)為人工智能技術(shù)提供了有力支撐，海量歷史數(shù)據(jù)提供了豐富的數(shù)據(jù)樣本，促使機(jī)器與深度學(xué)習(xí)等算法的快速發(fā)展和應(yīng)用，通過訓(xùn)練模擬各要素及參數(shù)使學(xué)習(xí)結(jié)果趨近于實(shí)際。此外快速發(fā)展的硬件技術(shù)（包括中央處理器、圖形處理器等）提升了人工智能對(duì)數(shù)據(jù)樣本的學(xué)習(xí)及處理效率，考慮到在生產(chǎn)運(yùn)行控制大區(qū)部署以開源為主的人工智能存在安全隱患，本文調(diào)控系統(tǒng)的設(shè)計(jì)思路，主要由位于生產(chǎn)控制大區(qū)的實(shí)時(shí)運(yùn)行系統(tǒng)（對(duì)業(yè)務(wù)進(jìn)行實(shí)時(shí)調(diào)控，提供電網(wǎng)運(yùn)行數(shù)據(jù)和規(guī)則經(jīng)驗(yàn)）和位于非生產(chǎn)控制大區(qū)的智能學(xué)習(xí)系統(tǒng)（根據(jù)數(shù)據(jù)和規(guī)程完成人工智能學(xué)習(xí)過程，提供決策建議）構(gòu)成[2]。在電網(wǎng)調(diào)控中人工智能的應(yīng)用功能包括：匯集和存儲(chǔ)電網(wǎng)運(yùn)行的多維度數(shù)據(jù)（包括設(shè)備量測(cè)、故障告警、地理位置等），將充足的樣本數(shù)據(jù)提供給后續(xù)訓(xùn)練學(xué)習(xí)使用;引入非結(jié)構(gòu)化的包括運(yùn)行日志、相關(guān)規(guī)程、故障處置預(yù)案、知識(shí)經(jīng)驗(yàn)等在內(nèi)的文本數(shù)據(jù)，實(shí)現(xiàn)知識(shí)學(xué)習(xí)和模擬功能;高性能計(jì)算架構(gòu)的建立，集成中央處理器、圖形及高性能處理器，使訓(xùn)練學(xué)習(xí)樣本數(shù)據(jù)的效率得以有效提升;完成人工智能算法引擎的構(gòu)建，向上層提供算法支撐與服務(wù)，使智能化分析與輔助決策得以順利開展。為使智能分析及決策系統(tǒng)得到進(jìn)一步完善，作為現(xiàn)有調(diào)度控制系統(tǒng)基于機(jī)理及物理建模分析的補(bǔ)充，智能學(xué)習(xí)系統(tǒng)基于經(jīng)驗(yàn)規(guī)則知識(shí)和歷史數(shù)據(jù)通過多種人工智能算法的運(yùn)用（包括語(yǔ)言處理、強(qiáng)化學(xué)習(xí)、知識(shí)圖譜等）實(shí)現(xiàn)智能學(xué)習(xí)引擎的建立，訓(xùn)練學(xué)習(xí)模式采用規(guī)則+數(shù)據(jù)的理解和學(xué)習(xí)，以實(shí)現(xiàn)對(duì)調(diào)度員思維決策的訓(xùn)練模擬并為電網(wǎng)調(diào)控提供決策支撐。

1.2系統(tǒng)總體架構(gòu)設(shè)計(jì)

本文所設(shè)計(jì)的電網(wǎng)調(diào)控系統(tǒng)總體架構(gòu)如圖2所示，針對(duì)海量數(shù)據(jù)和多層級(jí)網(wǎng)絡(luò)參數(shù)，由 CPU、GPU、TPU等混合架構(gòu)構(gòu)成強(qiáng)大計(jì)算能力的計(jì)算集群可顯著顯著縮短訓(xùn)練學(xué)習(xí)時(shí)間，以供機(jī)器和深度學(xué)習(xí)使用;各類結(jié)構(gòu)/非結(jié)構(gòu)化數(shù)據(jù)（口碑運(yùn)行數(shù)據(jù)、外部環(huán)境數(shù)據(jù)以及管理數(shù)據(jù)等）主要由數(shù)據(jù)匯集層進(jìn)行匯集并形成調(diào)度大數(shù)據(jù)平臺(tái)，以供上層分析使用;基于數(shù)據(jù)匯集的數(shù)據(jù)管理主要負(fù)責(zé)存儲(chǔ)和統(tǒng)一訪問相關(guān)數(shù)據(jù)，數(shù)據(jù)存儲(chǔ)方式根據(jù)數(shù)據(jù)結(jié)構(gòu)及采樣頻率確定，提供統(tǒng)一的數(shù)據(jù)訪問服務(wù);相關(guān)文本、日志由知識(shí)庫(kù)層采用自然語(yǔ)言處理技術(shù)進(jìn)行學(xué)習(xí)和理解（以調(diào)度規(guī)程、運(yùn)行經(jīng)驗(yàn)為依據(jù)），并據(jù)此形成知識(shí)化表達(dá)的規(guī)則庫(kù);算法引擎層根據(jù)實(shí)際需要通過對(duì)各類算法（包括聚類分析、知識(shí)圖譜等）的封裝實(shí)現(xiàn)將統(tǒng)一的算法引擎提供給上層應(yīng)用[4]。業(yè)務(wù)場(chǎng)景層主要包括包括：①態(tài)勢(shì)感知，包括負(fù)荷預(yù)測(cè)、故障預(yù)測(cè)、安全評(píng)估、用電行為分析等，融合了數(shù)據(jù)驅(qū)動(dòng)和物理建模方法，基于大量豐富的存儲(chǔ)周期較長(zhǎng)的歷史樣本數(shù)據(jù)采用人工智能算法完成訓(xùn)練分析過程，從而顯著提升預(yù)測(cè)準(zhǔn)確度。②智能決策，包括設(shè)備過載、故障及檢修操作等輔助決策，基于物理模型通過調(diào)度規(guī)程、處置預(yù)案、知識(shí)經(jīng)驗(yàn)等的有效融合實(shí)現(xiàn)所提供策略實(shí)用化程度的有效提高，更好的滿足調(diào)度運(yùn)行需求，如斷面過載時(shí)，調(diào)度實(shí)際運(yùn)行通過幾臺(tái)或一組機(jī)組（靈敏度相近）的選擇微調(diào)出力，兼顧了公平和效率;線路故障跳閘后，根據(jù)電網(wǎng)實(shí)際故障信號(hào)通過學(xué)習(xí)故障處置規(guī)程給出線路試送與否的建議，從而顯著降低處置工作量。③調(diào)度助手，簡(jiǎn)化了日常調(diào)度操作過程，如使用語(yǔ)音結(jié)合智能檢索調(diào)閱所需系統(tǒng)畫面，實(shí)現(xiàn)實(shí)時(shí)查詢和動(dòng)態(tài)曲線及關(guān)鍵信息展示功能（如查詢某設(shè)備的過載情況、系統(tǒng)越限告警數(shù)據(jù)）。

2核心功能的關(guān)鍵支撐技術(shù)分析

2.1 大數(shù)據(jù)計(jì)算與調(diào)控技術(shù)

①數(shù)據(jù)匯集，根據(jù)不同來源系統(tǒng)及不同結(jié)構(gòu)的數(shù)據(jù)設(shè)計(jì)多種抽取和匯集方式，將常規(guī)數(shù)據(jù)接入方式（包括傳輸協(xié)議、數(shù)據(jù)庫(kù)連接、消息隊(duì)列等）同大數(shù)據(jù)的Sqoop、Flume等方式相結(jié)合實(shí)現(xiàn)數(shù)據(jù)全量抽取，再采用校驗(yàn)規(guī)則引擎清洗和標(biāo)準(zhǔn)化處理數(shù)據(jù)。②數(shù)據(jù)存儲(chǔ)，為提供統(tǒng)一的對(duì)外數(shù)據(jù)服務(wù)，根據(jù)不同數(shù)據(jù)結(jié)構(gòu)的特點(diǎn)采用不同的存儲(chǔ)模式，主要包括分布式文件存儲(chǔ)、關(guān)系型數(shù)據(jù)庫(kù)（主要存儲(chǔ)靜態(tài)模型參數(shù)）、列式數(shù)據(jù)庫(kù)（主要存儲(chǔ)歷史數(shù)據(jù)）、內(nèi)存數(shù)據(jù)庫(kù)（處理實(shí)時(shí)數(shù)據(jù)）、時(shí)序數(shù)據(jù)庫(kù)（同步相量測(cè)量時(shí)標(biāo)數(shù)據(jù)）。③數(shù)據(jù)關(guān)聯(lián)，針對(duì)來源不同的數(shù)據(jù)使用外鍵、引用等方式實(shí)現(xiàn)不同數(shù)據(jù)的關(guān)聯(lián)，為后續(xù)分析提供數(shù)據(jù)支撐。

2.2基于知識(shí)譜圖的智能輔助決策技術(shù)

對(duì)于以往的經(jīng)驗(yàn)型調(diào)度模式所形成的基于運(yùn)行經(jīng)驗(yàn)和知識(shí)積累的預(yù)案規(guī)程，使用人工智能進(jìn)行訓(xùn)練學(xué)習(xí)后可顯著較少重復(fù)性、固定化的操作過程、提升智能水平，作為一種基于圖的數(shù)據(jù)結(jié)構(gòu)的知識(shí)圖譜具備檢索、推理及分析功能優(yōu)勢(shì)，可有效描述知識(shí)間的關(guān)系，可作為規(guī)則知識(shí)的推理分析引擎，適用于推理和分析調(diào)度規(guī)則知識(shí)，電網(wǎng)調(diào)控知識(shí)圖譜主要包括：知識(shí)提取，根據(jù)電網(wǎng)調(diào)度的文本用語(yǔ)特點(diǎn)采用調(diào)度專業(yè)詞語(yǔ)完成語(yǔ)料庫(kù)和語(yǔ)義模型的建立，再對(duì)文本數(shù)據(jù)使用自然語(yǔ)言處理技術(shù)進(jìn)行信息抽取形成機(jī)器語(yǔ)言;知識(shí)表現(xiàn)，通過知識(shí)圖譜（即將抽取的信息建立多層級(jí)關(guān)聯(lián)關(guān)系）對(duì)知識(shí)間的關(guān)系進(jìn)行描述，采用圖數(shù)據(jù)庫(kù)存儲(chǔ)知識(shí)語(yǔ)義網(wǎng)絡(luò);知識(shí)計(jì)算，使用相關(guān)檢索和推理方法獲取知識(shí)的相關(guān)信息，據(jù)此提供輔助決策。以故障處置預(yù)案知識(shí)圖譜為例，先對(duì)故障預(yù)案文本進(jìn)行學(xué)習(xí)，抽取得到預(yù)想故障設(shè)備名稱、故障后運(yùn)行及處置方式等信息并建立知識(shí)圖譜，實(shí)際發(fā)生故障時(shí)可聯(lián)動(dòng)觸發(fā)圖譜查詢（通過智能告警）并給出處置預(yù)案，通過知識(shí)推理服務(wù)的調(diào)用獲取故障后的相關(guān)信息，故障發(fā)生后調(diào)控系統(tǒng)自動(dòng)給出故障處置任務(wù)列表（以知識(shí)推理和電網(wǎng)實(shí)時(shí)狀態(tài)為依據(jù)）和關(guān)鍵信息，結(jié)合實(shí)時(shí)量測(cè)和在線輔助決策功能獲取輔助決策，通過人工進(jìn)一步確認(rèn)后通過自動(dòng)發(fā)電及電壓控制等完成相關(guān)操作（如故障后方式調(diào)整、恢復(fù)送電等）;對(duì)于設(shè)備檢修操作可對(duì)操作票模板、檢修操作規(guī)程使用深度學(xué)習(xí)技術(shù)，經(jīng)人工確認(rèn)即可完成設(shè)備檢修操作（采用順控方式）。在穩(wěn)定斷面智能限額方面，隨著電網(wǎng)運(yùn)行描述標(biāo)準(zhǔn)規(guī)范的不斷完善，有利于通過自然語(yǔ)言處理技術(shù)獲取電網(wǎng)運(yùn)行同斷面限額的關(guān)系，以便動(dòng)態(tài)更新斷面穩(wěn)定限額的。此外還需不斷學(xué)習(xí)模擬調(diào)度操作行為，研究調(diào)控操作行為畫像技術(shù)，自動(dòng)記錄相關(guān)操作內(nèi)容并進(jìn)行標(biāo)簽化處理，然后對(duì)上述調(diào)度操作行為進(jìn)行學(xué)習(xí)（運(yùn)用深度神經(jīng)網(wǎng)絡(luò)、協(xié)同過濾等技術(shù)），實(shí)現(xiàn)類似事件出現(xiàn)后處置策略的自動(dòng)推送。

結(jié)束語(yǔ)

本文針對(duì)電網(wǎng)調(diào)控運(yùn)行業(yè)務(wù)場(chǎng)景對(duì)人工智能技術(shù)的可應(yīng)用場(chǎng)景進(jìn)行了初步的探索和分析，完成了電網(wǎng)調(diào)控系統(tǒng)總體框架的構(gòu)建及核心功能的設(shè)計(jì)，闡述了場(chǎng)景實(shí)現(xiàn)鎖足的關(guān)鍵技術(shù)，為推動(dòng)以物理建模為主的電網(wǎng)調(diào)度分析決策過程向綜合運(yùn)用物理建模及數(shù)據(jù)驅(qū)動(dòng)方式的轉(zhuǎn)變提高參考。