基于人工智能技術(shù)的電網(wǎng)調(diào)控關(guān)鍵技術(shù)研究

竇昊翔, 孔陳祥

(1.國(guó)網(wǎng)江蘇省電力有限公司 信息通信分公司,江蘇 南京 210000； 2.江蘇電力信息技術(shù)有限公司，江蘇 南京 210000)

0 引 言

隨著生產(chǎn)力的不斷增長(zhǎng)和發(fā)展，電網(wǎng)系統(tǒng)的負(fù)荷越來(lái)越高，電網(wǎng)系統(tǒng)的規(guī)模也在隨之?dāng)U大，用電環(huán)境的多樣化也使得電網(wǎng)調(diào)度環(huán)境和信息整理環(huán)境變得更復(fù)雜，因此對(duì)電網(wǎng)的維護(hù)能力提出了更高的要求。對(duì)于電網(wǎng)系統(tǒng)的調(diào)控技術(shù)通過(guò)預(yù)設(shè)程序自主學(xué)習(xí)和大數(shù)據(jù)采集分析處理方法為基礎(chǔ)的人工智能技術(shù)在面對(duì)這一迫切技術(shù)需求時(shí)顯示出了巨大的優(yōu)勢(shì)。現(xiàn)如今的電網(wǎng)調(diào)控技術(shù)仍舊大量依賴(lài)人力資源，在人為進(jìn)行調(diào)控時(shí)精準(zhǔn)度不足，且操作也過(guò)于經(jīng)驗(yàn)化，某種程度上造成了電網(wǎng)資源因滯后性和失準(zhǔn)而產(chǎn)生的損失。

為了對(duì)數(shù)據(jù)進(jìn)行全方位完全整理，提升電網(wǎng)調(diào)控協(xié)同感知能力，現(xiàn)有技術(shù)也進(jìn)行了多方面研究。文獻(xiàn)[1]提出了構(gòu)建云平臺(tái)和集中智能處理平臺(tái)進(jìn)行統(tǒng)一調(diào)控的方案，雖然有效調(diào)動(dòng)了聯(lián)網(wǎng)調(diào)控資源，但智能化程度不足，依舊需要投入人力。文獻(xiàn)[2]使用最優(yōu)編碼集技術(shù)實(shí)現(xiàn)了對(duì)電網(wǎng)實(shí)時(shí)運(yùn)轉(zhuǎn)情況的歸類(lèi)與查找，雖然為電網(wǎng)調(diào)控工作提供了足夠的信息資源支持，但自主操作空間不足，且調(diào)度功能不全面。

1 關(guān)鍵技術(shù)介紹

1.1 基于態(tài)勢(shì)感知技術(shù)的數(shù)據(jù)采集技術(shù)

圖1 態(tài)勢(shì)感知技術(shù)架構(gòu)具體工作示意圖

態(tài)勢(shì)感知技術(shù)的基礎(chǔ)為感知、理解和預(yù)測(cè)[8]，在應(yīng)用于電網(wǎng)調(diào)控系統(tǒng)時(shí)分別對(duì)應(yīng)電網(wǎng)系統(tǒng)的用戶(hù)側(cè)用電負(fù)荷數(shù)據(jù)采集、數(shù)據(jù)分析以及未來(lái)用電形勢(shì)走向。電網(wǎng)系統(tǒng)的態(tài)勢(shì)感知需要滿(mǎn)足從多個(gè)角度對(duì)信息進(jìn)行多種特征的采集以實(shí)現(xiàn)對(duì)結(jié)果與發(fā)展情況的正確評(píng)估[4]。圖1為態(tài)勢(shì)感知技術(shù)架構(gòu)在本系統(tǒng)中發(fā)揮功效的具體示意圖。

在構(gòu)建起能夠映射由大量動(dòng)態(tài)數(shù)據(jù)所組成的數(shù)據(jù)模型時(shí)，需要采集電網(wǎng)數(shù)據(jù)中的評(píng)估因素進(jìn)行量化，并以此為基礎(chǔ)構(gòu)建起評(píng)估矩陣。在整個(gè)電網(wǎng)系統(tǒng)中每個(gè)用電端被視作一個(gè)節(jié)點(diǎn)，采集每個(gè)用電端電壓幅值和電壓相角信息，并將數(shù)據(jù)組成集合A={(v1,θ1),(v2,θ2),(v3,θ3),…,(vn,θn)}，得到一個(gè)有n個(gè)數(shù)據(jù)樣本的信息庫(kù)，在n個(gè)數(shù)據(jù)樣本中可以計(jì)算出n個(gè)特征值，并構(gòu)建一個(gè)映射原數(shù)據(jù)集合的特征集合R={r1,r2,r3,…,rn}。從集合A中任意抽取兩節(jié)點(diǎn)(va,θa)、(vb,θb)，則在特征集合R中其對(duì)應(yīng)的特征值為ra和rb[5]。為測(cè)算兩數(shù)據(jù)樣本的關(guān)聯(lián)度，可以將其幅值和相角信息視為坐標(biāo)系中的兩軸坐標(biāo)值，并由計(jì)算兩坐標(biāo)距離的方法來(lái)確定其關(guān)聯(lián)程度：

(1)

由此可得整個(gè)集合A中所有元素的關(guān)聯(lián)程度矩陣為：

(2)

對(duì)以上矩陣和集合信息進(jìn)行整合統(tǒng)計(jì)，得到能夠?qū)崟r(shí)對(duì)電力系統(tǒng)狀態(tài)進(jìn)行映射的加權(quán)有向復(fù)雜網(wǎng)絡(luò)模型G=[A,D]。

對(duì)于矩陣D，由于電網(wǎng)自身規(guī)模的原因，因此n值一般非常大，在不采用矩陣D中對(duì)于特征集合r與數(shù)據(jù)集合A之間的關(guān)聯(lián)關(guān)系映射[6]計(jì)算的情況下，對(duì)人工算力的消耗非常大。在任意時(shí)刻ti對(duì)r進(jìn)行采樣收集，得到由接收信號(hào)形成的列向量：

xs(ti)=(x1,x2,…,xN)H

(3)

式中：H為該列向量自身的轉(zhuǎn)置。此時(shí)找到來(lái)自于矩陣D中向量作為模型中復(fù)雜網(wǎng)絡(luò)在不同時(shí)間點(diǎn)被截取的節(jié)點(diǎn)，并根據(jù)這些節(jié)點(diǎn)被采樣時(shí)的時(shí)間點(diǎn)對(duì)其作出前后排列，如果在截取到某一信息的時(shí)間點(diǎn)之前,其狀態(tài)向量就已經(jīng)出現(xiàn)在采樣序列中，則將被重復(fù)采集的向量去除以避免重復(fù)采樣的發(fā)生。完成對(duì)所有節(jié)點(diǎn)的采樣后，由采樣時(shí)間的先后順序開(kāi)始分別對(duì)D中所有的相鄰列向量執(zhí)行操作，當(dāng)出現(xiàn)一條代表a的列向量被轉(zhuǎn)移到b時(shí)，則在兩列向量直接多加一條邊并指向[7]，條件為1≤a

1.2 高斯回歸過(guò)程模型建立

GPR中的高斯過(guò)程是一種符合一致連續(xù)高斯過(guò)程特征的一組隨機(jī)變量集合。本文所需要處理的問(wèn)題中特征集合R符合高斯過(guò)程的特征，因此可以在此處將特征集合R進(jìn)行GPR處理[8]。圖2為對(duì)特征集合樣本進(jìn)行GPR處理時(shí)各樣本分布變化示意圖。

圖2 GPR數(shù)據(jù)處理樣本分布示意圖

已知特征集合R中的所有元素對(duì)電網(wǎng)整體數(shù)據(jù)已經(jīng)構(gòu)成了一個(gè)特征提取映射，通過(guò)對(duì)特征集合R進(jìn)行高斯回歸處理即可完成對(duì)整個(gè)電網(wǎng)系統(tǒng)信息的總體規(guī)劃處理。建立高斯過(guò)程f(x)，特征集合R中所有采樣均為輸入值，則設(shè)預(yù)測(cè)值r*與R都符合聯(lián)合正態(tài)分布，此時(shí)給定訓(xùn)練集：

(4)

則該訓(xùn)練集滿(mǎn)足服從先驗(yàn)分布:

(5)

(6)

式中：k(g,g)為訓(xùn)練集n階對(duì)稱(chēng)的正定協(xié)方差矩陣；K*為上一部操作所采集的訓(xùn)練集和測(cè)試集的n×1階協(xié)方差矩陣；K**為K*中任一元素自身的協(xié)方差。對(duì)于以上計(jì)算結(jié)果，通過(guò)貝斯葉定理和正態(tài)分布理論對(duì)預(yù)測(cè)值分布進(jìn)行建模：

r*|R,r**～N[μ(r**),var(r**)]

(7)

其中：

(8)

(9)

圖3 核函數(shù)挑選流程圖

完成GPR模型的建立后，通過(guò)圖示流程即可完成對(duì)電網(wǎng)數(shù)據(jù)狀態(tài)的預(yù)測(cè)[9]。由于k(g,g)核函數(shù)擁有很多種不同的模型形式，因此在應(yīng)用計(jì)算中可以選擇調(diào)用不同種類(lèi)的核函數(shù)并從中挑選最合適的以獲得最佳預(yù)測(cè)結(jié)果。目前經(jīng)常被使用的核函數(shù)主要有有理二次核函數(shù)、指數(shù)平方核函數(shù)和Matérn核函數(shù)等種類(lèi)[10]。核函數(shù)的挑選與決定流程如圖3所示。

對(duì)于每個(gè)不同的核函數(shù)來(lái)說(shuō)，其都具有應(yīng)對(duì)某一類(lèi)別的數(shù)學(xué)模型時(shí)能夠體現(xiàn)出來(lái)的適宜性，而并非某一種核函數(shù)應(yīng)對(duì)所有問(wèn)題時(shí)都是最佳選擇，其間并沒(méi)有優(yōu)劣之分。因此要根據(jù)每種核函數(shù)在具體解決某種問(wèn)題時(shí)所顯示的性能來(lái)挑選在相應(yīng)模型中所使用的核函數(shù)[11]。

1.3 自主學(xué)習(xí)與決策程式

經(jīng)過(guò)模擬獲得電網(wǎng)系統(tǒng)用戶(hù)端負(fù)載情況之后，可以通過(guò)計(jì)算機(jī)進(jìn)行調(diào)控操作的學(xué)習(xí)，以在之后應(yīng)對(duì)相關(guān)情況能夠自主做出調(diào)控操作。通過(guò)對(duì)機(jī)器錄入擁有一定規(guī)律性的算法，將已知的電網(wǎng)端用電信息錄入預(yù)設(shè)程序的計(jì)算公式，以對(duì)已知的電網(wǎng)負(fù)載信息進(jìn)行分析歸類(lèi)，計(jì)算公式為：

(10)

式中：X為電網(wǎng)端實(shí)際值分布；Y為其所對(duì)應(yīng)的預(yù)測(cè)值分布。在經(jīng)過(guò)相關(guān)分布值的計(jì)算與歷史信息數(shù)值的調(diào)取檢索以及對(duì)比之后，使得機(jī)器預(yù)先設(shè)定的學(xué)習(xí)程式能夠得以獲取調(diào)控經(jīng)驗(yàn)與知識(shí)并存入知識(shí)庫(kù)。知識(shí)庫(kù)的運(yùn)行結(jié)構(gòu)如圖4所示。

知識(shí)庫(kù)的運(yùn)行主要是通過(guò)構(gòu)建起一個(gè)模擬電網(wǎng)內(nèi)調(diào)控，工作人員由調(diào)控工作經(jīng)驗(yàn)總結(jié)的工作流程來(lái)實(shí)現(xiàn)對(duì)電網(wǎng)內(nèi)部的自動(dòng)調(diào)控，最初的調(diào)控工作流程被錄入進(jìn)知識(shí)庫(kù)里，是知識(shí)庫(kù)中最基

圖4 知識(shí)庫(kù)結(jié)構(gòu)與運(yùn)行示意圖

礎(chǔ)的知識(shí)資源。直接采集的信息資源來(lái)自于對(duì)電網(wǎng)系統(tǒng)內(nèi)部的自主監(jiān)控，以及系統(tǒng)管理員的直接錄入；采集到的信息資源被特征化處理后得到已經(jīng)能夠高度概括原數(shù)據(jù)信息內(nèi)容的特征數(shù)據(jù)，并經(jīng)由GPR建?；幚淼玫礁爬ǜ餍畔?shù)據(jù)的節(jié)點(diǎn)，將節(jié)點(diǎn)和其所表達(dá)的信息建立起關(guān)聯(lián)關(guān)系模型，并形成知識(shí)架構(gòu)體系充實(shí)數(shù)據(jù)庫(kù)，使得知識(shí)庫(kù)內(nèi)不僅擁有足夠的知識(shí)資源，還擁有建立在結(jié)構(gòu)架構(gòu)上的靈活性以供隨時(shí)調(diào)用。決策方案流程示意圖如圖5所示。

圖5 決策方案流程示意圖

完成自主學(xué)習(xí)知識(shí)庫(kù)的搭建之后，在系統(tǒng)進(jìn)行電網(wǎng)內(nèi)部環(huán)境的自動(dòng)調(diào)控操作時(shí)，主機(jī)將首先對(duì)反映當(dāng)前電網(wǎng)實(shí)時(shí)狀況的信息進(jìn)行分析，通過(guò)搜索引擎從知識(shí)庫(kù)中調(diào)取符合當(dāng)前環(huán)境的特征數(shù)據(jù)，并據(jù)此得到此前存儲(chǔ)在系統(tǒng)內(nèi)部的調(diào)控操作信息以進(jìn)行進(jìn)一步操作。當(dāng)有多個(gè)特征相符的操作信息被同時(shí)關(guān)聯(lián)于該時(shí)刻現(xiàn)狀，則由智能決策引擎分別對(duì)多組數(shù)據(jù)的不同處理方式進(jìn)行推算，得出最終調(diào)控操作流程。

2 仿真測(cè)試

在完成以上模型信息構(gòu)建之后，搭建相應(yīng)的計(jì)算機(jī)硬件提供模擬環(huán)境，并對(duì)以上架構(gòu)和算法進(jìn)行驗(yàn)證。本次試驗(yàn)硬件架構(gòu)采用4臺(tái)配置了Windows7操作系統(tǒng)的計(jì)算機(jī)，并通過(guò)路由器接入局域網(wǎng)，以構(gòu)成一個(gè)計(jì)算機(jī)網(wǎng)絡(luò)群組。每臺(tái)計(jì)算機(jī)分配4G內(nèi)存，并將Java環(huán)境設(shè)置為1.6版本，如圖6所示。

圖6 仿真試驗(yàn)硬件架構(gòu)示意圖

2.1 電網(wǎng)狀態(tài)信息的仿真驗(yàn)證

在采用上述GPR模型構(gòu)建仿真方法后，可以直接被用來(lái)表示驗(yàn)證電網(wǎng)系統(tǒng)中的具體用電數(shù)據(jù)。完成潮流斷面數(shù)據(jù)的采集后，從多種備選核函數(shù)中選用Matérn3/2核函數(shù)，將數(shù)據(jù)的矩陣排布全部拆散后，將其生成為更具有隨機(jī)性的數(shù)據(jù)簇。并將其作為之后進(jìn)行GPR操作的輸入數(shù)據(jù)。使用Matérn3/2核函數(shù)，GPR模型開(kāi)始對(duì)預(yù)先準(zhǔn)備用于測(cè)試的數(shù)據(jù)樣本進(jìn)行預(yù)測(cè)，記錄其預(yù)測(cè)值與真實(shí)值用于比對(duì)。比對(duì)結(jié)果相關(guān)指標(biāo)如圖7、圖8所示。

圖7 經(jīng)由核函數(shù)做出的預(yù)測(cè)值和真實(shí)值分布

圖8 預(yù)測(cè)值與真實(shí)值誤差分布

由圖8可知，在采用Matérn3/2核函數(shù)對(duì)數(shù)據(jù)進(jìn)行聚集處理與預(yù)測(cè)時(shí)，能夠達(dá)到較準(zhǔn)確的預(yù)測(cè)效果，其得到的預(yù)測(cè)值結(jié)果與真實(shí)值之間已經(jīng)沒(méi)有太大差異，預(yù)測(cè)性能與結(jié)果擁有很高的信服度與可靠性。

2.2 系統(tǒng)仿真測(cè)試

運(yùn)用上述仿真方法，完成以上硬件架構(gòu)之后，通過(guò)電網(wǎng)架構(gòu)試驗(yàn)平臺(tái)對(duì)一組預(yù)設(shè)的調(diào)度任務(wù)進(jìn)行程序處理。分別采用直接數(shù)據(jù)調(diào)動(dòng)方法和倚仗本設(shè)計(jì)架構(gòu)的調(diào)度方法，對(duì)該組預(yù)設(shè)調(diào)度任務(wù)進(jìn)行處理。在進(jìn)行仿真試驗(yàn)之前，首先在虛擬試驗(yàn)平臺(tái)上對(duì)所有調(diào)度任務(wù)樣本進(jìn)行文件的備份和配置處理，并且在仿真試驗(yàn)前需要在試驗(yàn)平臺(tái)上進(jìn)行文件配置，分別將兩份調(diào)度任務(wù)樣本根據(jù)自動(dòng)調(diào)度和態(tài)勢(shì)感知調(diào)度方式進(jìn)行屬性修改并用于相應(yīng)的處理方式。完成以上工作后，使用兩種方法對(duì)智能電網(wǎng)內(nèi)1 000個(gè)任務(wù)進(jìn)行調(diào)度配置，每個(gè)任務(wù)分別進(jìn)行5 min調(diào)度，并記錄和比較任務(wù)運(yùn)行用時(shí)和調(diào)度速度。記錄結(jié)果如圖9所示。

圖9 兩種技術(shù)試運(yùn)行的仿真試驗(yàn)結(jié)果

根據(jù)圖9所示的試驗(yàn)結(jié)果可知：在采用態(tài)勢(shì)感知技術(shù)之后，調(diào)出任務(wù)執(zhí)行速度明顯高于自動(dòng)調(diào)度技術(shù)，且執(zhí)行速度平穩(wěn)，達(dá)到穩(wěn)定地每分鐘處理200個(gè)任務(wù)，并在5 min內(nèi)將1 000個(gè)任務(wù)全部調(diào)動(dòng)處理完畢。而采用傳統(tǒng)自動(dòng)調(diào)動(dòng)技術(shù)的任務(wù)流程在1 min之后處理速度便開(kāi)始出現(xiàn)波動(dòng)，且在運(yùn)行期間內(nèi)最高速度為160 個(gè)/min，平均速度為117 個(gè)/min，效率只有借助態(tài)勢(shì)感知技術(shù)進(jìn)行調(diào)度方式的一半。在采用態(tài)勢(shì)感知技術(shù)進(jìn)行調(diào)度的主要優(yōu)勢(shì)體現(xiàn)在于其處理速度，使得更多的電網(wǎng)信息資源能夠在相同時(shí)間內(nèi)被處理，從而提升了電網(wǎng)信息的傳送效率與及時(shí)反應(yīng)速度。

3 結(jié)束語(yǔ)

本文提出了一種利用人工智能技術(shù)對(duì)數(shù)據(jù)進(jìn)行過(guò)濾篩查整理的技術(shù)，并對(duì)其實(shí)用性進(jìn)行了驗(yàn)證，事實(shí)證明該設(shè)計(jì)架構(gòu)下所采用的態(tài)勢(shì)感知技術(shù)與GPR模型的構(gòu)建能夠以較高的精度預(yù)測(cè)電網(wǎng)未來(lái)環(huán)境走向，并建立起基于處理信息知識(shí)庫(kù)的智能檢索與決策引擎構(gòu)架，以實(shí)現(xiàn)電網(wǎng)內(nèi)調(diào)節(jié)單元的自動(dòng)控制。在實(shí)際運(yùn)用中可能出現(xiàn)的各種更為復(fù)雜的問(wèn)題，具體解決方案有待研究。本文為該項(xiàng)技術(shù)的實(shí)用性研究做鋪墊，以起到一定技術(shù)支撐的作用。