基于人工智能的電網(wǎng)調控運行安全風險在線監(jiān)控系統(tǒng)

趙晶玲

（深圳供電局有限公司）

0 引言

對于供電企業(yè)而言，“調控運行精益化”指的是在自身的電網(wǎng)調度控制活動中持續(xù)性地對制度規(guī)范加以完善，同時，保證操作流程的簡化性，對技術手段進行創(chuàng)新，以科學而又完善的管理為支持達到最小化人員、設備、時間以及資金投入的目的，以此打下電網(wǎng)穩(wěn)定運行及服務水平日益提升的重要基礎。除此之外，還與績效考核以及電網(wǎng)監(jiān)測技術等各項相關元素相結合，實現(xiàn)對完善程度更高的管理模式的打造。實際上，與電網(wǎng)調控運行精益化目標的達成相伴隨，電網(wǎng)調控運行安全風險呈現(xiàn)出逐漸增加之勢，而電網(wǎng)調控一旦有問題出現(xiàn)，不僅會對電力的正常供應產(chǎn)生不利影響，為人們的生產(chǎn)與生活帶來諸多不便，還會增加電力企業(yè)經(jīng)濟損失。所以，為了在第一時間發(fā)現(xiàn)電網(wǎng)運行環(huán)節(jié)的各項故障或風險，必須構建與應用電網(wǎng)調控運行安全風險監(jiān)控系統(tǒng)，保證系統(tǒng)在線監(jiān)控的實時性、全面性與智能性，這對于整個電網(wǎng)安全與高效運行尤為重要。

在電網(wǎng)調控運行的早期階段，各類電力設備的巡視及維護多是借助于運維人員的力量來完成，然而與智能電網(wǎng)建設以及電力設備數(shù)量的日益增多相伴隨，人工巡視方法由于自身所具有的耗時長、巡視效果對運維人員技術水平及工作經(jīng)驗要求較高等弊端愈發(fā)不能實現(xiàn)對實際需求的滿足。以海量信息為基礎，人工智能技術進行電網(wǎng)調控運行一體化監(jiān)控系統(tǒng)的構建，可很好地發(fā)揮出電力設備聯(lián)合調度、安全狀態(tài)感知、故障風險告警以及工作人員行為管理等諸多功能。因此，本文以電網(wǎng)調度運行過程中的風險管理為視角，進行以人工智能技術為支撐的安全風險在線監(jiān)控系統(tǒng)的研究與設計，在無線服務區(qū)與控制安全區(qū)之間的相互協(xié)作中達到對電網(wǎng)調控運行安全風險進行智能化監(jiān)測及控制的目的。

1 人工智能技術

人工智能技術的應用首先以采集到的海量歷史數(shù)據(jù)為基礎，在對數(shù)據(jù)進行分析的基礎之上，執(zhí)行對適宜人工智能模型的構建任務。與人工智能技術的迅猛發(fā)展相伴隨，采集的信息量呈現(xiàn)出日益增多之勢，在人工智能領域，神經(jīng)網(wǎng)絡算法的應用愈發(fā)廣泛，其模型建立主要有三大類型的劃分，分別為監(jiān)督學習、無監(jiān)督學習以及再勵學習。

1.1 監(jiān)督學習

主要特點體現(xiàn)為歷史數(shù)據(jù)中有正確輸出結果的存在。在神經(jīng)網(wǎng)絡算法的支持下，通過輸入訓練樣本集數(shù)據(jù)，可以將輸出數(shù)據(jù)得出，之后與訓練樣本集中原有正確的輸出結果相比，便能獲取誤差集合，將其反饋至輸入神經(jīng)網(wǎng)絡模型中，便能執(zhí)行對網(wǎng)絡模型參數(shù)與網(wǎng)絡結構的調整任務。經(jīng)過調整的網(wǎng)絡結構會重新處理與計算訓練樣本集，并循環(huán)上述過程，一直到神經(jīng)網(wǎng)絡的輸出結果與原有正確輸出結果之間的誤差位于允許范圍以內為止，自此將訓練過程結束。借助于評價樣本集數(shù)據(jù)執(zhí)行對最終神經(jīng)網(wǎng)絡算法模型的評估任務，可為模型準確度提供保證。

1.2 無監(jiān)督學習

對于有海量歷史數(shù)據(jù)被采集到，但是其中并沒有輸出結果的情況表現(xiàn)出很好的適用性。主要是在一定神經(jīng)網(wǎng)絡算法訓練規(guī)則的支持下，將適宜的模型參數(shù)與結構確定下來，以此直接獲取神經(jīng)網(wǎng)絡算法模型。

1.3 再勵學習

屬于上述兩種方法的綜合，歷史采集數(shù)據(jù)中并沒有正確的輸出結果存在其中，不能將足夠具體的誤差信息給出，主要是以訓練樣本集數(shù)據(jù)為依據(jù)，將相應的激勵信息如正確或錯誤、大或小、多或少等模糊評價信息給出，以此執(zhí)行對神經(jīng)網(wǎng)絡算法模型參數(shù)及結構的選擇任務。

從實質上來看，人工智能模型中參數(shù)與結構的改變選擇當屬各個神經(jīng)元之間權重的選擇變化，所以歷史數(shù)據(jù)中如果有少量的錯誤信息存在，并不會在明顯程度上對人工智能網(wǎng)絡模型的構建產(chǎn)生影響，此即人工智能算法準確度的體現(xiàn)。上述3 種神經(jīng)網(wǎng)絡算法模型全部以海量歷史信息為基礎構建得到，其中，監(jiān)督學習方法對歷史數(shù)據(jù)所提要求比較嚴格，結果有最高的準確度；無監(jiān)督學習方法所得結果誤差相對而言比較大；再勵學習方法效果則位于監(jiān)督學習和無監(jiān)督學習兩個方法之間。與不同歷史信息類型相結合，對適宜的學習方法加以選用是進行人工智能模型構建的基礎。

2 人工智能技術支持下的電網(wǎng)調控運行安全風險在線監(jiān)控系統(tǒng)架構

以人工智能技術的運行為支持，與彰顯出現(xiàn)代化特點的設備功能、合理的裝置以及各類數(shù)據(jù)運行下的模式相結合，進行面向電網(wǎng)調控運行的安全風險智能化線上監(jiān)控系統(tǒng)的設計，系統(tǒng)整體架構如圖1 所示。

圖1 以人工智能技術為支持的電網(wǎng)調度運行安全風險在線監(jiān)控系統(tǒng)整體架構

電網(wǎng)調度運行安全風險監(jiān)控系統(tǒng)主要有三大部分的劃分：①外網(wǎng)組件，主要由監(jiān)測裝置構成，分布于無線服務區(qū)，通過對狀態(tài)監(jiān)測和相應故障處理算法的運用，以從線路監(jiān)測終端采集到的各項數(shù)據(jù)信息為依據(jù)，執(zhí)行故障邏輯判斷任務，同時，在反向隔離裝置的支持下向自動化通信前置機器傳送監(jiān)測數(shù)據(jù)以及故障判斷結果；②內網(wǎng)組件拓撲，同樣由監(jiān)測裝置構成，在控制安全區(qū)分布，通過對電網(wǎng)自動化輸出線路的采用，在正向隔離裝置的支持下，向監(jiān)測裝置外網(wǎng)組件輸送故障分析結果信息文件，對電網(wǎng)監(jiān)測裝置雙重維護現(xiàn)象的發(fā)生加以規(guī)避；③監(jiān)測裝置外網(wǎng)組件，主要是對反向隔離裝置加以運用，向監(jiān)測裝置維護服務器傳遞數(shù)據(jù)信息，由其執(zhí)行對數(shù)據(jù)信息的處理任務，并利用正向隔離裝置將最終的處理結果傳遞給監(jiān)測裝置外網(wǎng)組件。

3 電網(wǎng)調控運行安全風險在線監(jiān)控系統(tǒng)相關功能實現(xiàn)

3.1 網(wǎng)絡狀態(tài)監(jiān)測

主要是基于內置電網(wǎng)網(wǎng)絡狀態(tài)監(jiān)測模塊的支持執(zhí)行對線路終端設備的網(wǎng)絡狀態(tài)監(jiān)測任務，具體的監(jiān)測步驟為：

1）保證可視化處理接口文件能夠由接口順利輸出并返回至主機信息，該過程即人工智能技術支持下的網(wǎng)絡狀態(tài)監(jiān)測重要工作。

2）為系統(tǒng)配置工具提供保證，同時為監(jiān)測線路設計以及文件生成等提供支持。

3）網(wǎng)絡狀態(tài)監(jiān)測。在對網(wǎng)絡實際情況進行監(jiān)測之時，能夠在盡可能短的時間內發(fā)現(xiàn)異常問題，圖2所示為此次電網(wǎng)網(wǎng)絡狀態(tài)監(jiān)測模塊設計示意圖。

圖2 電網(wǎng)網(wǎng)絡狀態(tài)監(jiān)測示意圖

根據(jù)圖2 可以知道，網(wǎng)絡插件異常會導致一些通信異常狀況的出現(xiàn)，由此又會有電網(wǎng)調控運行安全風險的發(fā)生。在此過程中，可以以整個電網(wǎng)內諸多設備相應的線路異常信號為依據(jù)對電網(wǎng)中異常位置進行精準定位，為電網(wǎng)網(wǎng)絡狀態(tài)的直接獲取提供支持。

3.2 數(shù)據(jù)采集、處理與風險預警

1）數(shù)據(jù)采集。數(shù)據(jù)采集主要是以連接外網(wǎng)與內網(wǎng)監(jiān)測設備的線路終端為面向對象，需要事先做好對各終端數(shù)量、品牌、型號以及接口等各類相關信息的收集工作，同時，判斷接口有沒有被占用，是否進行備用通信端口的配備，是不是存在數(shù)據(jù)地址列表，終端有沒有加密等等。針對電網(wǎng)調控運行安全風險監(jiān)控，一般需要對各種類型的傳感器加以運用，包括加速度傳感器、位移傳感器、溫濕度傳感器以及傾斜傳感器等。

傳感器的工作模式主要可以分為兩種類型，其一為動態(tài)實時測量，其二為靜態(tài)實時監(jiān)測。其中，前者主要是指對應變進行實時測量，采用數(shù)據(jù)包的方式進行實時測量數(shù)據(jù)的發(fā)送；后者則主要是指在實時測量過程中，傳感器并不進行實時報告，而是利用其內部機制作出相應判斷，以設定的觸發(fā)閾值為依據(jù)執(zhí)行預警以及數(shù)據(jù)報告任務。傳感器上傳的數(shù)據(jù)包對開始字符、產(chǎn)品ID、包編號、采樣率、數(shù)據(jù)長度、時間戳、實時數(shù)據(jù)以及固定結束字符等均有涉及，其供電方式以電池與太陽能供電為主，安裝方式則為焊接或螺栓連接。傳感器對傳感、采集以及傳輸功能進行集成，通訊方式為5G 通訊，防水等級可達IP67 水平。

2）數(shù)據(jù)處理。在對數(shù)據(jù)進行處理之時，可以采用實時處理模式與多數(shù)據(jù)融合分析模式。其中，實時處理模式主要是對數(shù)據(jù)施以實時處理，舉例而言，在執(zhí)行應變監(jiān)測任務之時進行特點閾值的設定，一旦發(fā)生超出閾值的情況便會報警。對該模式的優(yōu)點進行分析，主要以處理速度快、時效性高為體現(xiàn)，能夠將某局部特定類型的實測值精準地反映出來，不過其缺點亦比較明顯，只可以簡單處理數(shù)據(jù)，不能對其作深層次挖掘，且數(shù)據(jù)只可以對局部實時情況加以體現(xiàn)，無法通過對多種信息的融合作出綜合決策。

多數(shù)據(jù)融合分析模式主要是從綜合層面執(zhí)行對多渠道采集到的數(shù)據(jù)的分析任務，同時，與BIM 模型、有限元模型以及現(xiàn)場實景圖相結合，做好全面而又整體的分析及預測工作。對此模式的優(yōu)點進行分析，主要體現(xiàn)為可為信息分析的全面性提供保證，能從不同維度以及不同層次將安全性評價結果給出。不過此模式的不足同樣十分明顯，包括需要耗費比較長的處理時間、不能將實時結果給出等。

對實時處理和多數(shù)據(jù)融合分析兩種模式的優(yōu)劣勢進行比較分析，可針對性地對兩種模式相結合的方式加以運用，針對監(jiān)測所得數(shù)據(jù)，先執(zhí)行實時處理任務，以此獲取實時安全狀態(tài)；在此基礎上，定期做好某一段時間內的匯總分析工作，對數(shù)據(jù)背后的規(guī)律作相應挖掘，為電網(wǎng)調控運行安全風險評價的全面性與準確性提供保證。

3）數(shù)據(jù)可視化與預報報警。在完成數(shù)據(jù)采集任務以后，對分析所得結果進行可視化展示。以圖形元素庫為基礎，可進行不同圖形的繪制，同時，執(zhí)行對圖形屬性（如大小、顏色以及透明度等）的配置任務，這可實現(xiàn)與現(xiàn)場應用相符的看板繪制，通過對實時數(shù)據(jù)的快速選擇、添加及關聯(lián)，能夠將圖形與數(shù)據(jù)之間的動態(tài)關系建立起來。為了達到移動化與網(wǎng)絡化的目的，既需發(fā)揮出相應的報警提示記錄功能作用，又要建立起應用系統(tǒng)和報警信息之間的連接。

預測報警主要有兩大部分的劃分，其一為報警管理工作臺；其二為歷史監(jiān)控。對報警管理工作臺進行分析，主要是通過對各項相關參數(shù)的配置（對不同設備與儀表編號等予以涉及），為用戶提供具體幫助，讓其更為便捷化與實時性地進行相應報警信息的查看。而分析歷史監(jiān)控的目的，則主要是通過對歷史報警記錄的查詢以及歷史數(shù)據(jù)的分析將監(jiān)測對象隨時間變化的規(guī)律總結出來。以上述數(shù)據(jù)的可視化、預測以及報警功能為基礎，能夠達到及時顯示數(shù)據(jù)以及反饋結果的重要目的，進而實現(xiàn)對電網(wǎng)調度運行安全風險狀態(tài)的實時與準確反映。

4 結束語

為了能夠在盡可能短的時間內發(fā)現(xiàn)電網(wǎng)運行過程中的故障以及安全隱患，本文以人工智能技術為支持，研究與設計一種電網(wǎng)調度運行安全風險智能化線上監(jiān)控系統(tǒng)。通過應用本系統(tǒng)，可以為電網(wǎng)結構的持續(xù)優(yōu)化與最終完善提供支持，在日益提升監(jiān)控質量及運行效率的同時，為電網(wǎng)調控運行安全風險監(jiān)控的更加全面性、安全性以及可靠性提供重要保證及支持。