深度學(xué)習(xí)在電網(wǎng)智能調(diào)控系統(tǒng)中應(yīng)用研究

肖倩宏,康 鵬,杜 江,宋 弦,安 甦

(貴州電網(wǎng)有限責(zé)任公司電力調(diào)度控制中心,貴州 貴陽 550002)

0 引言

電網(wǎng)調(diào)控運(yùn)行需要對大量數(shù)據(jù)進(jìn)行分析，對系統(tǒng)運(yùn)行機(jī)理、運(yùn)行策略等做出判斷，進(jìn)行全方位的綜合決策，這一點(diǎn)與新一代的人工智能發(fā)展較為相似[1]。根據(jù)人工智能技術(shù)的發(fā)展趨勢、電力調(diào)控業(yè)務(wù)的發(fā)展需求，需要設(shè)計(jì)滿足應(yīng)用要求的人工智能調(diào)度系統(tǒng)。

人工智能涵蓋理論較多，其中深度學(xué)習(xí)理論對于調(diào)度領(lǐng)域具有較高的實(shí)用價(jià)值。文獻(xiàn)[2]基于大數(shù)據(jù)技術(shù)提出了一種采用深度學(xué)習(xí)的暫態(tài)穩(wěn)定評估方法。文獻(xiàn)[3]提出一種基于長短期記憶神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測方法,并使用這種方法對某地電力負(fù)荷值進(jìn)行預(yù)測。文獻(xiàn)[4]針對深度學(xué)習(xí)網(wǎng)絡(luò)在風(fēng)電場功率短期預(yù)測進(jìn)行研究。文獻(xiàn)[5]采用長效遞歸卷積網(wǎng)絡(luò)模型結(jié)合視頻中的外觀信息和動態(tài)信息實(shí)現(xiàn)對視頻中的人體行為進(jìn)行識別。文獻(xiàn)[6]綜述了強(qiáng)化學(xué)習(xí)、深度學(xué)習(xí)、遷移學(xué)習(xí)、平行學(xué)習(xí)、混合學(xué)習(xí)、對抗學(xué)習(xí)和集成學(xué)習(xí)等7種代表性機(jī)器學(xué)習(xí)在能源與電力系統(tǒng)調(diào)度優(yōu)化和控制決策等方面的應(yīng)用。文獻(xiàn)[7]采用深度學(xué)習(xí)方法，提出新的發(fā)電機(jī)組排放預(yù)測模型，并以此為基礎(chǔ)設(shè)計(jì)了一個(gè)具有節(jié)能減排效果的發(fā)電調(diào)度算法。

本文針對深度學(xué)習(xí)對電網(wǎng)調(diào)度的影響和應(yīng)用入手，提出了基于深度學(xué)習(xí)的電力系統(tǒng)調(diào)度構(gòu)架，分析了該系統(tǒng)的功能。針對大數(shù)據(jù)并行處理調(diào)度數(shù)據(jù)，本文提出利用多核圖像處理技術(shù)，提高系統(tǒng)的處理效率。最后分析了典型的應(yīng)用案例。

1 深度學(xué)習(xí)與電網(wǎng)智能調(diào)度

1.1 深度學(xué)習(xí)對電網(wǎng)調(diào)度的影響

目前大多數(shù)電力系統(tǒng)分析控制軟件(Poweron Fusion DMS,Network Manager SCADA/DMS等)在設(shè)計(jì)時(shí)主要考慮算法的嚴(yán)格性或者基于已有信息進(jìn)行操作，會降低系統(tǒng)的智能性。系統(tǒng)的智能處理不能夠與系統(tǒng)的執(zhí)行方法和執(zhí)行類別割裂開來，導(dǎo)致有些軟件不能夠適應(yīng)電力系統(tǒng)的動態(tài)變化和不同運(yùn)行環(huán)境。因此對于軟件智能化的需求就迫使軟件算法不斷進(jìn)行升級調(diào)整。

深度學(xué)習(xí)為一類機(jī)器學(xué)習(xí)方式，將網(wǎng)絡(luò)分為內(nèi)部深度層次等，主要包括自編碼器、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶、卷積神經(jīng)網(wǎng)絡(luò)、限制玻爾茲曼機(jī)、深度信念網(wǎng)絡(luò)、深度玻爾茲曼機(jī)。其主要目標(biāo)是通過模仿人類大腦神經(jīng)網(wǎng)絡(luò)將機(jī)器的思考方式向人類思考方式趨向。而為了實(shí)現(xiàn)人工智能調(diào)度，需要將這類學(xué)習(xí)方法應(yīng)用到電網(wǎng)調(diào)度系統(tǒng)。

人工智能調(diào)度的實(shí)現(xiàn)需要深度學(xué)習(xí)，需要利用博弈論對系統(tǒng)進(jìn)行實(shí)時(shí)更新，對系統(tǒng)提供完整的信息。因此，人工智能調(diào)度系統(tǒng)通過預(yù)定的調(diào)控系統(tǒng)，對系統(tǒng)正常穩(wěn)態(tài)或事故后狀態(tài)進(jìn)行控制。而系統(tǒng)過負(fù)荷、系統(tǒng)崩潰、短路等故障以及黑客攻擊等都會對系統(tǒng)造成影響，此時(shí)應(yīng)發(fā)揮人工智能調(diào)度的功能。

1.2 基于長短期記憶的出力預(yù)測

1.2.1 長短期記憶

在電力系統(tǒng)調(diào)度中，主要以安排各機(jī)組出力、負(fù)荷接入和開關(guān)狀態(tài)為主要內(nèi)容，而在可再生能源、微網(wǎng)廣泛接入的過程中，調(diào)度人員也面臨著新的挑戰(zhàn)，主要體現(xiàn)在這類新能源出力以及負(fù)荷的多樣性會導(dǎo)致一定的波動性、不確定性，增加調(diào)度的復(fù)雜性，人工調(diào)度在這樣的情況下很難做到全局最優(yōu)，最終會影響電力系統(tǒng)管理的優(yōu)化和效率。因此，對于這類波動性發(fā)電出力做好發(fā)電量預(yù)測以及量測好時(shí)間尺度是調(diào)度運(yùn)行中的重要環(huán)節(jié)。

對于這類變量的預(yù)測，很多方法已經(jīng)得到應(yīng)用，例如傳統(tǒng)的灰色模型、卡爾曼濾波法[8]，隨著時(shí)代的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)、長短期記憶LSTM (long short term memory)等也逐漸顯示其優(yōu)勢。對于電力系統(tǒng)調(diào)度，預(yù)測的精準(zhǔn)度十分關(guān)鍵，但是時(shí)間尺度也必須要合適，太長會占用計(jì)算資源，影響預(yù)測的精準(zhǔn)度；太短則會影響系統(tǒng)運(yùn)行的穩(wěn)定性。在深度學(xué)習(xí)領(lǐng)域中，LSTM是應(yīng)用較為成熟的一種方法。LSTM結(jié)構(gòu)如圖1所示。

圖1 LSTM結(jié)構(gòu)示意

LSTM能夠分析復(fù)雜出力曲線波動特性與發(fā)電預(yù)測曲線之間在未來數(shù)個(gè)小時(shí)內(nèi)的關(guān)系。而相比之下，人工神經(jīng)網(wǎng)絡(luò)會出現(xiàn)梯度消失或梯度爆炸，LSTM就有較高的準(zhǔn)確度和效率[9]。LSTM擁有一個(gè)記憶細(xì)胞，用于存儲歷史輸入數(shù)據(jù)序列的狀態(tài)向量。細(xì)胞的狀態(tài)由新輸入的數(shù)據(jù)、輸出的數(shù)據(jù)以及細(xì)胞前一時(shí)刻狀態(tài)更新。假設(shè)ct為t時(shí)刻細(xì)胞狀態(tài)，則其更新方式如下：

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表示點(diǎn)積；Wx,i、Wh,i、Wx,f、Wh,f、Wx,o、Wh,o、Wx,c、Wh,c均為權(quán)重矩陣；bi、bf、bo、bc均為偏差向量；it、ft、ot分別為輸入、遺忘和輸出數(shù)據(jù)；gt為狀態(tài)更新向量；ht為輸出隱藏狀態(tài)量；ct為t時(shí)刻細(xì)胞狀態(tài)；xt為t時(shí)刻輸入變量。

ft置零可以使網(wǎng)絡(luò)忘記記憶細(xì)胞儲存的ct-1信息；輸入門it和輸出門ot可以控制輸入到輸出的信息流。狀態(tài)門可以通過訓(xùn)練數(shù)據(jù)得到。為了得到給定目標(biāo)的相應(yīng)信息，新增加隱藏狀態(tài)ht。

1.2.2 出力預(yù)測方式

不確定變量曲線包括風(fēng)電、太陽能和冷熱電負(fù)荷等，由于調(diào)度性質(zhì)不同，每一種不確定變量均有對應(yīng)的LSTM預(yù)測模型，本文以風(fēng)電為例。

t時(shí)刻風(fēng)機(jī)出力為x(t)，風(fēng)機(jī)的訓(xùn)練樣本數(shù)據(jù)為x(t-n),…,x(t)。下一序列數(shù)據(jù)為x(t-n+1),…,x(t+1)。多年的歷史數(shù)據(jù)有助于訓(xùn)練的可靠性，每個(gè)序列的最后一組數(shù)據(jù)均為訓(xùn)練數(shù)據(jù)的目標(biāo)。本文系統(tǒng)包括輸入層、細(xì)胞層和輸出層，將樣本數(shù)據(jù)進(jìn)行訓(xùn)練操作[10]。

針對調(diào)度預(yù)測，第1步是輸入數(shù)據(jù)準(zhǔn)備，第2步是預(yù)測模型矯正。在第1步中，從歷史數(shù)據(jù)抽取有效信息，對數(shù)據(jù)格式進(jìn)行標(biāo)準(zhǔn)化處理?？紤]到預(yù)測的時(shí)間尺度不同，每一步驟中均由預(yù)測數(shù)據(jù)替代上一輸入數(shù)據(jù)。在第2步中，需要考慮前文所提神經(jīng)網(wǎng)絡(luò)預(yù)測模型，將準(zhǔn)備好的輸入數(shù)據(jù)送入模型，得到預(yù)測數(shù)據(jù)。

1.3 基于深度學(xué)習(xí)的區(qū)間狀態(tài)估計(jì)

深度學(xué)習(xí)理論還可應(yīng)用于狀態(tài)估計(jì)中，狀態(tài)估計(jì)器將確定性狀態(tài)向量和概率性狀態(tài)不確定量進(jìn)行同步跟蹤，確定狀態(tài)變量的邊界[11]。確定狀態(tài)變量由最優(yōu)潮流得到，包括負(fù)荷和出力預(yù)測值。概率狀態(tài)不確定量在模型中的二元非線性規(guī)劃中確定上界。SCADA系統(tǒng)循環(huán)更新網(wǎng)絡(luò)拓?fù)浜拖到y(tǒng)參數(shù)，深度學(xué)習(xí)理論主要應(yīng)用在對負(fù)荷的預(yù)測上，其流程如圖2所示。

圖2 基于深度學(xué)習(xí)的區(qū)間狀態(tài)估計(jì)

1.4 基于深度學(xué)習(xí)的電力系統(tǒng)故障診斷

通過對電力運(yùn)行數(shù)據(jù)的深度學(xué)習(xí)，可以從海量數(shù)據(jù)中抽取有用數(shù)據(jù)并進(jìn)行處理，通過故障診斷模型實(shí)現(xiàn)該功能。首先應(yīng)獲取包括電壓、電流、有功、無功在內(nèi)的量測量，其中還包括SCADA系統(tǒng)中的設(shè)備信息、天氣信息和網(wǎng)絡(luò)拓?fù)涞?。由于故障后電壓量、電流量等均會有明顯變動，因此可以通過深度學(xué)習(xí)得到故障發(fā)生前電流量的隱藏特性。

將得到的電流數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)分為3類，分別為重合閘故障數(shù)據(jù)、重合閘成功數(shù)據(jù)以及正常運(yùn)行數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)對隱藏層和每層的隱藏單元根據(jù)樣本數(shù)量進(jìn)行調(diào)整，并對數(shù)據(jù)進(jìn)行訓(xùn)練，如圖3所示。

圖3 故障診斷網(wǎng)絡(luò)

2 基于深度學(xué)習(xí)的電網(wǎng)智能調(diào)控系統(tǒng)

本文提出了一種新型人工智能調(diào)度系統(tǒng)，基于深度學(xué)習(xí)技術(shù)，融合了調(diào)度運(yùn)行和系統(tǒng)控制等功能。其主要特點(diǎn)為能夠模仿人類決策，但響應(yīng)速度更快、操作更準(zhǔn)確。通過原始規(guī)則對深度神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)，可以提升系統(tǒng)獲得大數(shù)據(jù)處理的能力，從而不受調(diào)度員分析能力的限制。另外，與傳統(tǒng)預(yù)測算法不同的是，深度神經(jīng)網(wǎng)絡(luò)不是簡單地考慮算法給出的參數(shù)，而且還有揭示這些影響因素本身的作用。

2.1 系統(tǒng)構(gòu)架

基于深度學(xué)習(xí)的智能調(diào)度系統(tǒng)主要構(gòu)架包括：

a.SCADA/EMS/DMS數(shù)據(jù)收集、處理、存儲模塊。

b.系統(tǒng)分析模塊，用于識別系統(tǒng)狀態(tài)、評估系統(tǒng)運(yùn)行模式。利用離線數(shù)據(jù)或?qū)崟r(shí)大數(shù)據(jù)進(jìn)行處理。本模塊利用在線決策樹算法對系統(tǒng)的實(shí)時(shí)狀態(tài)進(jìn)行監(jiān)視和評估。

c.基于深度/傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的決策模塊，能夠?qū)崿F(xiàn)對電網(wǎng)控制能力的分析，包括新能源出力預(yù)測、安全約束、遠(yuǎn)動控制、保護(hù)裝置靈敏度控制等，基于得到的全局描述器搜尋和發(fā)布預(yù)防或校正控制。電力系統(tǒng)調(diào)度和控制在該模塊中模擬為多目標(biāo)博弈問題[12]，博弈雙方為人工智能調(diào)度員和一系列可能的問題，包括可再生能源的不確定性、停電、黑客攻擊等。

d.存放現(xiàn)狀表計(jì)數(shù)據(jù)/歷史表計(jì)數(shù)據(jù)、仿真數(shù)據(jù)、調(diào)度命令的三大數(shù)據(jù)庫以及自動裝置動作記錄的數(shù)據(jù)庫。

e.人工智能調(diào)度接口，包括與人工調(diào)度交互的對話接口。

系統(tǒng)框架如圖4所示。

圖4 系統(tǒng)構(gòu)架

2.2 主要功能

人工智能調(diào)度系統(tǒng)的主要功能如下：

a.帶系統(tǒng)預(yù)警功能的設(shè)備在線狀態(tài)監(jiān)測系統(tǒng)。

b.調(diào)度行為智能機(jī)支持系統(tǒng)，可實(shí)現(xiàn)開環(huán)控制模式和調(diào)度員建議模式。

c.實(shí)時(shí)調(diào)控機(jī)制自動智能控制，即閉環(huán)控制模型，實(shí)現(xiàn)最優(yōu)預(yù)防和緊急控制無需調(diào)度員審核而自動執(zhí)行，且不需要用戶指令的確認(rèn)。只要結(jié)果可行，指令即自動執(zhí)行并發(fā)送。

d.開閉環(huán)聯(lián)合控制，部分指令可由調(diào)度員完成，其余則由人工智能調(diào)度系統(tǒng)實(shí)現(xiàn)。

3 基于MGP系統(tǒng)的人工智能調(diào)度實(shí)現(xiàn)

多核圖像處理系統(tǒng)(MGP)[13]可以實(shí)現(xiàn)深度學(xué)習(xí)技術(shù)的優(yōu)勢，同時(shí)提高大數(shù)據(jù)下的運(yùn)行性能和運(yùn)行效率?；贛GP的系統(tǒng)可以用來承載人工智能調(diào)度的硬件，再加載專門設(shè)定的軟件系統(tǒng)，包括經(jīng)過訓(xùn)練用于電力系統(tǒng)網(wǎng)絡(luò)控制的深度神經(jīng)網(wǎng)絡(luò)模型。

多核構(gòu)架是將多個(gè)CPU核集成到單個(gè)芯片中，每個(gè)CPU核作為一個(gè)獨(dú)立的處理器，多個(gè)處理器之間進(jìn)行并行操作，且核與核之間的通信通過共享內(nèi)存完成，不會引起通信延遲[14]。多核圖像處理技術(shù)就是針對采集的圖片數(shù)據(jù)，進(jìn)行快速傅里葉變換，但是該變換為并行操作，提升圖片處理的性能，從而應(yīng)用到智能調(diào)度遙測、遙控中，便于監(jiān)測各個(gè)設(shè)備的狀態(tài)，對系統(tǒng)進(jìn)行集中處理。本文系統(tǒng)的實(shí)現(xiàn)如圖5所示。

圖5 基于MGP的人工智能調(diào)度系統(tǒng)實(shí)現(xiàn)

人工智能調(diào)度系統(tǒng)能夠融合現(xiàn)有的SCADA/EMS/DMS系統(tǒng)，并且實(shí)現(xiàn)基于國際通用協(xié)議的不同開發(fā)者的應(yīng)用接入。因此，從另一個(gè)層面來說，人工智能調(diào)度系統(tǒng)是在SCADA/EMS/DMS等實(shí)現(xiàn)計(jì)算、分析、數(shù)據(jù)采集、數(shù)據(jù)傳輸和遙控等內(nèi)容后的綜合應(yīng)用平臺。同時(shí)，人工智能調(diào)度的機(jī)器智能化體現(xiàn)在其為真正替代人工調(diào)度員實(shí)現(xiàn)真正的自動化調(diào)度提供了條件，從而改善電網(wǎng)管理的有效性。

將人工智能調(diào)度系統(tǒng)嵌入到現(xiàn)有的SCADA/EMD/DMS等系統(tǒng)的優(yōu)勢主要有：

a.彌補(bǔ)人工調(diào)度員在電力系統(tǒng)控制和調(diào)度中的不足。

b.提高系統(tǒng)電壓管理、潮流優(yōu)化、安全控制等方面的管理效率，特點(diǎn)是具有DNN/CNN模塊尋優(yōu)能力、大數(shù)據(jù)處理能力等。

c.提高系統(tǒng)響應(yīng)速度，實(shí)現(xiàn)自動控制過程中的優(yōu)化處理。

d.減少系統(tǒng)的運(yùn)行成本。

4 應(yīng)用案例

以電壓穩(wěn)定性控制為例，采用深度學(xué)習(xí)理論中的在線決策樹方法[15]，可以訓(xùn)練模型從而實(shí)時(shí)判斷電壓穩(wěn)定性指標(biāo)，判斷系統(tǒng)的安全穩(wěn)定性，包括有效的無功注入，確定校正元件的位置和幅值等。

現(xiàn)階段調(diào)度指令的下達(dá)方式主要是電話下令，存在諧音誤擾、電話占線以及信道阻塞等現(xiàn)象。利用本文所提智能調(diào)度系統(tǒng)，將即時(shí)通信和調(diào)度發(fā)令管理結(jié)合，實(shí)現(xiàn)基于網(wǎng)絡(luò)的操作指令文字傳輸和人臉識別驗(yàn)證，內(nèi)容清晰明確，能有效杜絕諧音誤會等危險(xiǎn)點(diǎn)，縮短發(fā)令和受令時(shí)間，提升工作效率。經(jīng)測試的某系統(tǒng)調(diào)度下令指標(biāo)對比如表1所示。

表1 下令指標(biāo)數(shù)據(jù)

本系統(tǒng)可實(shí)現(xiàn)機(jī)組控制目標(biāo)多、約束條件多、策略復(fù)雜的AGC系統(tǒng)的控制。主要包括聯(lián)絡(luò)線控制、常規(guī)能源斷面控制、新能源輔助參與聯(lián)絡(luò)線控制、新能源斷面控制、多類型能源混合斷面控制、直流配套風(fēng)光控制等。本系統(tǒng)可實(shí)現(xiàn)一體化調(diào)度仿真(DTS)和監(jiān)控聯(lián)合仿真(OTS)，實(shí)現(xiàn)電網(wǎng)仿真與監(jiān)控仿真的設(shè)備狀態(tài)的自動映射。電網(wǎng)仿真計(jì)算的結(jié)果為監(jiān)控仿真提供網(wǎng)絡(luò)潮流。設(shè)置故障時(shí)由監(jiān)控仿真驅(qū)動站內(nèi)保護(hù)動作，并將保護(hù)動作和開關(guān)變位信息提供給調(diào)度仿真。調(diào)度仿真根據(jù)保護(hù)動作和開關(guān)變位情況，重新進(jìn)行網(wǎng)絡(luò)拓?fù)溆?jì)算，并計(jì)算故障后的潮流。

5 結(jié)束語

針對深度學(xué)習(xí)對調(diào)度的影響展開研究，提出了基于深度學(xué)習(xí)理論的人工智能調(diào)度系統(tǒng)。為進(jìn)一步應(yīng)用機(jī)器智能解決電力系統(tǒng)安全穩(wěn)定控制提供了新思路。由于目前將人工智能手段應(yīng)用到調(diào)度領(lǐng)域的研究不多，本文旨在通過對人工智能的應(yīng)用進(jìn)行研究，使其能夠提高調(diào)度的可靠性，可以部分替代人工調(diào)度。最后針對本文系統(tǒng)的應(yīng)用提出具體案例，說明系統(tǒng)的廣泛應(yīng)用性。