人工智能应用于电网调控的关键技术分析

人工智能应用于电网调控的关键技术分析

孟晖

国网宁夏电力有限公司固原供电公司 宁夏固原 756000

摘要：随着我国科学技术的发展进步，各行业各领域都呈现出突飞猛进的态势。人工智能领域中，大数据分析、深度学习是主要内容，能够促进电力行业的技术创新，为电网调控提供发展新方向。文章基于人工智能技术，概述电网调控系统结构与设计思路，围绕电网调控的新技术，明确大数据时代电网调控思路，将电网调控由经验型转变为智能型。

关键词：人工智能；电网调控；关键技术

引言

近年来，以深度学习为代表的先进人工智能技术促进了各行业的智能化发展。电网调控作为人工智能技术应用的重要领域之一，亟需借鉴互联网思维，充分利用人工智能技术，进一步提升电网调控业务的智能化水平。分析总结了人工智能技术的发展脉络，重点介绍了引发新一代人工智能技术大跨越的深度学习技术。聚焦大电网调控领域，论述了其对人工智能技术的需求分析。在此基础上，分析了人工智能技术在电网调控应用的探索，可为调控业务智能化研究与发展提供有益的参考和借鉴。

1将人工智能引入电网调控系统的设计思路

人工智能技术的关键是数据存储模块，其中大数据技术能够为深度学习、机器学习提供充足的数据资源。结合多种参数、要素开展模拟训练，保证深度学习的结果贴合实际情况。同时，图形处理器、中央处理器等硬件模块的出现加快了人工智能对数据样本的处理速度，满足了电网调控系统需求。基于人工智能技术的电网调控系统主要包含实时运行和智能学习，实时运行位于生产控制模块，应用于调控业务，能够向智能学习模块提供调度规则和运行数据，具体设计流程包含以下内容:首先，收集电网运行的历史、实时数据。例如气象环境、地理位置等信息，为模型构建和深度学习提供数据支持。其次，制定故障处理预案、明确调度规程，引入人工经验、运行日志等文本数据，模拟和学习当前的知识内容。再次，构建GPU，CPU，TPU集群式计算结构，提升人工智能算法在数据学习过程中的效率。最后，增加人工智能算法模块，为后续业务场景提供算法服务和技术支撑，完成辅助决策和智能分析。

2人工智能应用于电网调控的关键技术分析

2.1调控大数据技术

大数据技术是人工智能的基础，一切人工智能算法的学习都离不开训练样本数据，特别是以数据驱动为基础的机器学习、深度学习算法，数据的全面性、完整性对学习的效果至关重要。因此需要构建调控大数据平台，将分散的数据进行汇集、清洗与关联整合，形成统一的数据支撑平台，从而为后续的业务场景提供丰富的训练样本，以提升其学习效果。电网调控运行本质上是广域时空的协调控制，因此调控大数据也应是广域的时空数据。从数据内容来看，调控大数据应包括设备模型参数、地理位置、监控与采集（ＳＣＡＤＡ）系统稳态量测、ＰＭＵ、故障录波、保护简报、气象环境、电量以及用户等数据；从数据来源来看，由于管理职责的分工，分布于能量管理系统（ＥＭＳ）、配电管理系统（ＤＭＳ）、地理信息系统（ＧＩＳ）、调度管理系统（ＯＭＳ）、生产管理系统（ＰＭＳ）、用电采集、设备状态在线监测、雷电以及气象等多个系统；从数据结构来看，包括结构化数据、半结构化数据以及非结构化数据；从数据更新频度来看，包括日级、小时级、分钟级、秒级、毫秒级等；从数据采集方式来看，分为直接采集、数据转发等方式。

2.2负荷预测

电力系统负荷预测一直是国内外学者关注的热点。电力负荷时序曲线本身具有一定的不确定性、非线性和随机性等特点，加之影响电力系统负荷预测的因素众多，难以用确定统一的数学模型来表示。电力系统负荷预测是以统计历史数据为依据，用科学的方法预测未来电力负荷的发展趋势和变化，而基于海量数据驱动的人工智能技术在解决此类非线性问题具有技术潜力。实际工程应用中，基于人工智能技术的预测方法相较于统计分析方法在目前来讲优势并不明显，主要表现在以下几个方面：首先是网络架构问题。神经网络模型的参数较多，结构相对复杂，训练速度慢；其次是训练数据规模与机器学习模型匹配问题。深度学习模型在训练数据较少情况下，容易出现过拟合并导致模型的泛化能力较弱。对于一定深度的网络，当训练数据较多时，容易出现欠拟合并影响预测模型的输出精度。数据规模要与模型深度相互匹配。再者是神经网络更新问题。基于海量负荷数据训练的网络需要通过新数据不断更新网络参数，来不断提高模型预测的准确性，因此模型训练需要定期系统维护。

2.3依托知识谱图的决策辅助技术

2.3.1决策辅助流程

传统电网调度主要根据已有经验开展工作，通过制定规程和预案处理故障。应用人工智能技术可以规避调度人员在工作中的固化、重复的操作，进而提升决策辅助能力。知识图谱相当于语义网络，利用数据结构表示多种知识间的关联，适用于知识规则的推理。其结构和互联网相似，包含知识表现、提取、计算、存储等，具体内容如下:(1)知识提取。该模块主要结合电网调度的日志、规则，构建语义模型和语料库，依据自然语言抽取日志、故障预案、调度规程中的数据，构建机器语言，供计算机识别和应用。(2)知识表现。结合获取的文本数据信息，构建多层次信息关联体系及知识图谱，直观地表现知识关系。(3)知识存储。利用图数据库模式存储语义知识网络。(4)知识计算。通过推理、搜索知识，获取相关信息资源，完成决策辅助。

2.3.2故障知识图谱决策分析

在故障处理预案中，针对知识图谱可以借助自然语言技术，学习文本，了解故障发生后的电网运行、故障设备、处置要点等数据信息。电网系统出现故障后，可以借助综合报警模块，开通图谱查询功能，获取电网运行模式和故障处理要点，进而完成在线量测和辅助决策。调度人员可以结合AVC，AGC、遥控等技术形式，调整故障处理模式，减少调度工作量。因此，当前电网系统标准规范的完善，可以借助自然语言分析系统运行文本，得到断面限额和电网运行情况的关联性，进而自动更新断面限额，避免人工操作导致的时间延迟或更新滞后，突出调度控制系统辅助决策的现代化和智能化。

结语

人工智能是电网调控技术进步的方向，将传统模型驱动的调控技术升级为模型和数据混合驱动，可极大提升调控技术支撑的效率和质量，更好地满足新形势下运行和管理需求，引领电网调控领域的智能化发展。本文分析了电网调度控制现状及面临的挑战、电网调控领域人工智能应用基础，将人工智能技术与调控技术支撑体系深度融合，开展电网调控领域人工智能应用技术框架研究，提出总体思路、建设目标，设计了系统体系架构，对电网调控领域人工智能应用进行展望，分析了应用发展方向，为后续相关研究、建设工作提供参考。

参考文献

[1]朱永利，尹金良．人工智能在电力系统中的应用研究与实践综述[J]．发电技术，2019，39(2)：106-111．

[2]王耀瑜，张伯明，孙宏斌，等．一种基于专家知识的电力系统电压/无功分级分布式优化控制分区方法[J]．中国电机工程学报，2019，18(3)：221-224．

[3]刘威，张东霞，王新迎，等．基于深度强化学习的电网紧急控制策略研究[J]．中国电机工程学报，2020，38(1)：109-119．

[4]蔡富裕，郭文勇，赵闯，等．基于参数在线辨识的电流源型变流器状态监测及自适应控制[J]．电力系统自动化，2020，43(18)：67-74．

[5]闪鑫，戴则梅，张哲，等．智能电网调度控制系统综合智能告警研究及应用[J]．电力系统自动化，2020，39(1)：65-72．