秦 亮，孫 喆

(1.國網(wǎng)陜西省電力公司，陜西 西安 710048；2.國網(wǎng)西安供電公司，陜西 西安 710032)

0 引言

新時期電網(wǎng)系統(tǒng)功能形態(tài)和技術(shù)特征不斷優(yōu)化，引入人工智能技術(shù)可以科學(xué)地應(yīng)用和管理調(diào)度經(jīng)驗、知識、數(shù)據(jù)，實現(xiàn)技術(shù)智能化升級，提高電網(wǎng)的工作效率。因此，有必要深入分析電網(wǎng)的整體調(diào)控業(yè)務(wù)，探究人工智能技術(shù)在電網(wǎng)調(diào)控工作流程中的性能和交互過程，實現(xiàn)深度學(xué)習(xí)，提升故障識別質(zhì)量。

1 將人工智能引入電網(wǎng)調(diào)控系統(tǒng)的設(shè)計思路和結(jié)構(gòu)

1.1 思路分析

人工智能技術(shù)的關(guān)鍵是數(shù)據(jù)存儲模塊，其中大數(shù)據(jù)技術(shù)能夠為深度學(xué)習(xí)、機(jī)器學(xué)習(xí)提供充足的數(shù)據(jù)資源。結(jié)合多種參數(shù)、要素開展模擬訓(xùn)練，保證深度學(xué)習(xí)的結(jié)果貼合實際情況。同時，圖形處理器、中央處理器等硬件模塊的出現(xiàn)加快了人工智能對數(shù)據(jù)樣本的處理速度，滿足了電網(wǎng)調(diào)控系統(tǒng)需求?；谌斯ぶ悄芗夹g(shù)的電網(wǎng)調(diào)控系統(tǒng)主要包含實時運行和智能學(xué)習(xí)，實時運行位于生產(chǎn)控制模塊，應(yīng)用于調(diào)控業(yè)務(wù)，能夠向智能學(xué)習(xí)模塊提供調(diào)度規(guī)則和運行數(shù)據(jù)，具體設(shè)計流程包含以下內(nèi)容：首先，收集電網(wǎng)運行的歷史、實時數(shù)據(jù)。例如氣象環(huán)境、地理位置等信息，為模型構(gòu)建和深度學(xué)習(xí)提供數(shù)據(jù)支持[1]。其次，制定故障處理預(yù)案、明確調(diào)度規(guī)程，引入人工經(jīng)驗、運行日志等文本數(shù)據(jù)，模擬和學(xué)習(xí)當(dāng)前的知識內(nèi)容。再次，構(gòu)建GPU，CPU，TPU集群式計算結(jié)構(gòu)，提升人工智能算法在數(shù)據(jù)學(xué)習(xí)過程中的效率。最后，增加人工智能算法模塊，為后續(xù)業(yè)務(wù)場景提供算法服務(wù)和技術(shù)支撐，完成輔助決策和智能分析。

1.2 結(jié)構(gòu)框架分析

依托人工智能技術(shù)的電網(wǎng)調(diào)控工作整體框架包含業(yè)務(wù)場景、知識庫和算法引擎、數(shù)據(jù)管理與匯集、高性能計算4個方面，具體內(nèi)容如下：

1.2.1 高性能計算結(jié)構(gòu)

高性能計算結(jié)構(gòu)(High Performance Computing，HPC)包含網(wǎng)絡(luò)設(shè)備、存儲裝置和計算設(shè)備，由GPU，CPU，TPU組成計算機(jī)集群，能夠為深度學(xué)習(xí)、機(jī)器學(xué)習(xí)提供幫助，避免在多層網(wǎng)絡(luò)參數(shù)和大量數(shù)據(jù)的環(huán)境中浪費學(xué)習(xí)時間。

1.2.2 數(shù)據(jù)管理和匯集層

數(shù)據(jù)管理和匯集層級能夠?qū)ο到y(tǒng)外部環(huán)境的信息數(shù)據(jù)、運行數(shù)據(jù)、管理數(shù)據(jù)進(jìn)行匯集，通過非結(jié)構(gòu)化和機(jī)構(gòu)化的方式構(gòu)建大數(shù)據(jù)調(diào)度平臺。針對采樣頻率、結(jié)構(gòu)，借助多種數(shù)據(jù)存儲模式，向上層結(jié)構(gòu)提供數(shù)據(jù)搜索和訪問服務(wù)[2]。

1.2.3 算法引擎層和業(yè)務(wù)場景層

(1)算法引擎層，可以針對知識圖譜、隨機(jī)森林、聚類分析完成封裝操作，為系統(tǒng)提供算法引擎支持。其中，知識庫能夠結(jié)合當(dāng)前的操作規(guī)范、調(diào)度規(guī)程，借助自然語言對日志、文本進(jìn)行處理，構(gòu)建電網(wǎng)調(diào)度系統(tǒng)規(guī)則庫。

(2)業(yè)務(wù)場景層，可以預(yù)測和計算用電行為和負(fù)荷，利用物理建模與數(shù)據(jù)建模相結(jié)合的方式，依托人工智能技術(shù)完成訓(xùn)練分析。

2 人工智能與電網(wǎng)調(diào)控系統(tǒng)結(jié)合的關(guān)鍵技術(shù)探究

2.1 大數(shù)據(jù)調(diào)控技術(shù)

大數(shù)據(jù)調(diào)控技術(shù)是人工智能領(lǐng)域的關(guān)鍵，算法學(xué)習(xí)依托樣本訓(xùn)練數(shù)據(jù)，借助數(shù)據(jù)開展深度學(xué)習(xí)，進(jìn)而維護(hù)系統(tǒng)數(shù)據(jù)的健全性。因此，有必要構(gòu)建大數(shù)據(jù)調(diào)控系統(tǒng)，收集分散數(shù)據(jù)，構(gòu)建集成平臺，為電網(wǎng)調(diào)控工作提供充足的樣本。電網(wǎng)調(diào)控實際上是對時間和空間的協(xié)調(diào)控制，因此，數(shù)據(jù)也應(yīng)來自地理位置、模型數(shù)據(jù)、PMU、采集和監(jiān)控系統(tǒng)等方面。從數(shù)據(jù)來源層面分析，電網(wǎng)調(diào)度主要包含配電管理、能量管理、調(diào)度管理等方面；從數(shù)據(jù)類型層面分析，電網(wǎng)調(diào)度包含非結(jié)構(gòu)化、半結(jié)構(gòu)性、結(jié)構(gòu)化等數(shù)據(jù)；數(shù)據(jù)更新速度可以劃分為毫秒、秒、分鐘、小時等級別。大數(shù)據(jù)調(diào)控技術(shù)綜合性較強(qiáng)，可以圍繞以下3個方面展開。

2.1.1 數(shù)據(jù)匯集

借助消息隊列、文件傳輸規(guī)則、數(shù)據(jù)庫、Web服務(wù)器等連接形式，和大數(shù)據(jù)中Flume等模式相融合，結(jié)合數(shù)據(jù)結(jié)構(gòu)和來源差異性收集多種信息，確保數(shù)據(jù)匯集的全面性，并依托ETL模塊實現(xiàn)數(shù)據(jù)的標(biāo)準(zhǔn)化管理[3]。

2.1.2 數(shù)據(jù)存儲和數(shù)據(jù)關(guān)聯(lián)

(1)數(shù)據(jù)存儲，對于歷史采樣、模型參數(shù)、日志、調(diào)度規(guī)程等數(shù)據(jù)結(jié)構(gòu)，依據(jù)其自身特點，利用內(nèi)存數(shù)據(jù)庫、分布類文件傳輸系統(tǒng)和列式數(shù)據(jù)庫存儲數(shù)據(jù)，并增加系統(tǒng)化數(shù)據(jù)服務(wù)模塊。

(2)數(shù)據(jù)關(guān)聯(lián)，數(shù)據(jù)來源具有差異性，可以通過引用、外鍵的方式實現(xiàn)數(shù)據(jù)關(guān)聯(lián)，進(jìn)而為后續(xù)工作提供數(shù)據(jù)支撐。

2.2 依托深度學(xué)習(xí)理論的電網(wǎng)辨識和預(yù)測技術(shù)

2.2.1 故障識別

電網(wǎng)故障診斷工作是指系統(tǒng)通過安裝保護(hù)裝置，收集報警數(shù)據(jù)、電氣量測量數(shù)據(jù)和斷路器狀態(tài)數(shù)據(jù)，并據(jù)此科學(xué)判斷、分析故障的類型和位置，幫助電網(wǎng)系統(tǒng)快速恢復(fù)原有狀態(tài)。系統(tǒng)故障過程中借助SCADA，迅速將警報數(shù)據(jù)傳輸?shù)娇傉{(diào)動中心，提升調(diào)度人員對電網(wǎng)調(diào)度運行的感知水平以及故障處理能力。因此，依托人工智能技術(shù)可以針對區(qū)域特點，借助相關(guān)分析方式明確負(fù)荷變化規(guī)律，為后續(xù)構(gòu)建預(yù)測模型提供幫助。此外，可以結(jié)合負(fù)荷時序數(shù)據(jù)，科學(xué)地設(shè)置神經(jīng)網(wǎng)絡(luò)深度和模型，通過構(gòu)建多種神經(jīng)網(wǎng)絡(luò)模型，提升故障診斷和預(yù)測的精確度。

2.2.2 負(fù)荷預(yù)測

電網(wǎng)電源側(cè)模塊受外界環(huán)境影響較大，因此可以借助集成學(xué)習(xí)、DBM、變分編碼器等技術(shù)，優(yōu)化綜合決策、網(wǎng)絡(luò)訓(xùn)練及泛化能力。依托環(huán)境、電網(wǎng)歷史運行數(shù)據(jù)、電站位置等大數(shù)據(jù)信息，構(gòu)建預(yù)測算法和模型，利用自主學(xué)習(xí)模式分析數(shù)據(jù)間的規(guī)律，預(yù)測發(fā)電的實際情況，進(jìn)而提升系統(tǒng)預(yù)測的精確度。同時，由于溫度敏感負(fù)荷增加，且電網(wǎng)超短期和短期負(fù)荷預(yù)測工作量提高，有必要借助長短期記憶、循環(huán)神經(jīng)、混合模型等算法進(jìn)行負(fù)荷預(yù)測。通過深度學(xué)習(xí)模塊，對時間特性、電價激勵完成分析和識別，為后續(xù)電網(wǎng)平衡控制提供支持。因此，可以借助人工智能技術(shù)預(yù)測負(fù)荷、發(fā)電、設(shè)備故障等問題，結(jié)合設(shè)備檢修計劃、發(fā)電計劃，明確電網(wǎng)運行過程，發(fā)揮輔助決策和安全分析作用，進(jìn)而完成電網(wǎng)風(fēng)險的預(yù)控和預(yù)判。

2.3 依托知識譜圖的決策輔助技術(shù)

2.3.1 決策輔助流程

傳統(tǒng)電網(wǎng)調(diào)度主要根據(jù)已有經(jīng)驗開展工作，通過制定規(guī)程和預(yù)案處理故障。應(yīng)用人工智能技術(shù)可以規(guī)避調(diào)度人員在工作中的固化、重復(fù)的操作，進(jìn)而提升決策輔助能力。知識圖譜相當(dāng)于語義網(wǎng)絡(luò)，利用數(shù)據(jù)結(jié)構(gòu)表示多種知識間的關(guān)聯(lián)，適用于知識規(guī)則的推理。其結(jié)構(gòu)和互聯(lián)網(wǎng)相似，包含知識表現(xiàn)、提取、計算、存儲等，具體內(nèi)容如下：(1)知識提取。該模塊主要結(jié)合電網(wǎng)調(diào)度的日志、規(guī)則，構(gòu)建語義模型和語料庫，依據(jù)自然語言抽取日志、故障預(yù)案、調(diào)度規(guī)程中的數(shù)據(jù)，構(gòu)建機(jī)器語言，供計算機(jī)識別和應(yīng)用。(2)知識表現(xiàn)。結(jié)合獲取的文本數(shù)據(jù)信息，構(gòu)建多層次信息關(guān)聯(lián)體系及知識圖譜，直觀地表現(xiàn)知識關(guān)系。(3)知識存儲。利用圖數(shù)據(jù)庫模式存儲語義知識網(wǎng)絡(luò)。(4)知識計算。通過推理、搜索知識，獲取相關(guān)信息資源，完成決策輔助[4]。

2.3.2 故障知識圖譜決策分析

在故障處理預(yù)案中，針對知識圖譜可以借助自然語言技術(shù)，學(xué)習(xí)文本，了解故障發(fā)生后的電網(wǎng)運行、故障設(shè)備、處置要點等數(shù)據(jù)信息。電網(wǎng)系統(tǒng)出現(xiàn)故障后，可以借助綜合報警模塊，開通圖譜查詢功能，獲取電網(wǎng)運行模式和故障處理要點，進(jìn)而完成在線量測和輔助決策。調(diào)度人員可以結(jié)合AVC，AGC、遙控等技術(shù)形式，調(diào)整故障處理模式，減少調(diào)度工作量。因此，當(dāng)前電網(wǎng)系統(tǒng)標(biāo)準(zhǔn)規(guī)范的完善，可以借助自然語言分析系統(tǒng)運行文本，得到斷面限額和電網(wǎng)運行情況的關(guān)聯(lián)性，進(jìn)而自動更新斷面限額，避免人工操作導(dǎo)致的時間延遲或更新滯后，突出調(diào)度控制系統(tǒng)輔助決策的現(xiàn)代化和智能化。

3 結(jié)語

人工智能是電網(wǎng)調(diào)控領(lǐng)域中的高新技術(shù)，借助數(shù)據(jù)和模型聯(lián)合驅(qū)動優(yōu)化調(diào)控技術(shù)的質(zhì)量與效率，突出電網(wǎng)調(diào)控現(xiàn)代化和智能化。因此，有必要通過探究電網(wǎng)調(diào)控領(lǐng)域人工智能的技術(shù)框架，應(yīng)用高速計算、故障分析、負(fù)荷預(yù)測等技術(shù)，明確系統(tǒng)建設(shè)的目標(biāo)和思路，優(yōu)化智能決策，進(jìn)而滿足電網(wǎng)的調(diào)控需求。