1.研究背景

電力系統(tǒng)是一個(gè)復(fù)雜多維非線性系統(tǒng)。電力系統(tǒng)的安全、自愈、綠色、堅(jiān)強(qiáng)、可靠運(yùn)行依賴于電力系統(tǒng)的“大腦”——電網(wǎng)調(diào)控系統(tǒng)。該系統(tǒng)集電網(wǎng)數(shù)據(jù)采集、存儲(chǔ)和分析決策控制于一體，貫穿于電力的發(fā)-輸-配-用各個(gè)環(huán)節(jié)，是確保電網(wǎng)安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行的中樞。然而，目前大電網(wǎng)調(diào)控業(yè)務(wù)仍以設(shè)備監(jiān)視與人工分析為主，決策、執(zhí)行等環(huán)節(jié)仍需要調(diào)控人員參與主導(dǎo)，更多依賴調(diào)控人員經(jīng)驗(yàn)分析，這顯然無法滿足調(diào)度智能化要求。隨著電網(wǎng)運(yùn)行調(diào)度方式日趨復(fù)雜，傳統(tǒng)的基于機(jī)理分析與電網(wǎng)模型的調(diào)控方法，在處理大電網(wǎng)非線性、非連續(xù)性以及預(yù)測(cè)不確定性問題時(shí)，很難達(dá)到預(yù)期效果。伴隨深度學(xué)習(xí)等人工智能技術(shù)的飛速發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)方式的人工智能技術(shù)在解決上述問題方面具有潛在的“去模型化”技術(shù)優(yōu)勢(shì)?；谙冗M(jìn)人工智能技術(shù)訓(xùn)練的輔助調(diào)度智能體(Agent)具有潛在的強(qiáng)模式識(shí)別能力與快速?zèng)Q策能力，可有效輔助電網(wǎng)調(diào)控部門對(duì)當(dāng)前運(yùn)行模式進(jìn)行快速分析和決策。隨著分布式計(jì)算以及大數(shù)據(jù)分析技術(shù)的發(fā)展，利用人工智能技術(shù)解決大電網(wǎng)調(diào)控中的難題已成為可能。

2.主要內(nèi)容

1） 電網(wǎng)調(diào)控對(duì)人工智能技術(shù)的需求分析

為充分發(fā)揮AI技術(shù)優(yōu)勢(shì)以支撐電網(wǎng)調(diào)控業(yè)務(wù)的發(fā)展，需要將AI技術(shù)特點(diǎn)及優(yōu)勢(shì)與電網(wǎng)調(diào)控業(yè)務(wù)的需求相結(jié)合。人工智能技術(shù)以數(shù)據(jù)驅(qū)動(dòng)為特征，擅長(zhǎng)解決一些特定、復(fù)雜的規(guī)則化或模式識(shí)別(去模型化)問題，比如：

（1）明確規(guī)則且耗費(fèi)大量人力的工作；

（2）目前基于模型機(jī)理分析并不能很好解決的調(diào)控任務(wù)。

換言之，只有針對(duì)上述問題，人工智能才可能真正發(fā)揮其技術(shù)優(yōu)勢(shì)。目前，人工智能技術(shù)在互聯(lián)網(wǎng)領(lǐng)域應(yīng)用發(fā)展比較廣泛，其應(yīng)用的場(chǎng)景和方案也主要圍繞著圖像識(shí)別、語音識(shí)別和自然語言理解來開展。

電網(wǎng)調(diào)控業(yè)務(wù)涉及監(jiān)視、分析及決策等不同的典型業(yè)務(wù)場(chǎng)景，各業(yè)務(wù)場(chǎng)景具有不同的功能特點(diǎn)，且擁有不同數(shù)量等級(jí)的數(shù)據(jù)。人工智能技術(shù)在涉及安全控制的電網(wǎng)調(diào)控業(yè)務(wù)場(chǎng)景方面具有一定的局限性，主要是基于人工智能技術(shù)訓(xùn)練得到的模型在進(jìn)行前向推理的過程中，受制于其模型的泛化能力，其訓(xùn)練數(shù)據(jù)的準(zhǔn)確性并不能保證完全正確，而對(duì)于深度神經(jīng)網(wǎng)絡(luò)，精度為99%以上已經(jīng)算是非常優(yōu)秀的性能，但這對(duì)于可靠性要求非常高的電力系統(tǒng)來說，將采用人工智能得出的結(jié)果直接用于電網(wǎng)運(yùn)行控制中，有可能導(dǎo)致電網(wǎng)巨大的安全隱患和經(jīng)濟(jì)損失。但人工智能技術(shù)在絕大多數(shù)應(yīng)用環(huán)境下具有遠(yuǎn)超人類生物機(jī)能限制的快速及準(zhǔn)確性優(yōu)勢(shì)，因此可作為調(diào)度輔助決策工具。一般而言，電網(wǎng)調(diào)控中預(yù)測(cè)類、圖像識(shí)別、故障辨識(shí)等相關(guān)業(yè)務(wù)具有應(yīng)用人工智能技術(shù)的潛力，但是在模型和算法的選擇方面需要充分考慮所應(yīng)用業(yè)務(wù)的特有技術(shù)特點(diǎn)以及數(shù)據(jù)規(guī)模。對(duì)于具有小樣本特征且無法離線生成海量模擬數(shù)據(jù)的調(diào)控業(yè)務(wù)，不宜采用深度學(xué)習(xí)來解決，易導(dǎo)致訓(xùn)練模型過擬合和泛化能力不強(qiáng)的問題，可考慮傳統(tǒng)人工智能技術(shù)或仍保留人工經(jīng)驗(yàn)決策方式。

2） 人工智能在電網(wǎng)調(diào)控的應(yīng)用場(chǎng)景設(shè)計(jì)及分析

本節(jié)結(jié)合當(dāng)前人工智能技術(shù)的發(fā)展，依托于各類AI技術(shù)的特點(diǎn)和適用環(huán)境，基于電網(wǎng)調(diào)控業(yè)務(wù)本身特點(diǎn)，從涉及輸電網(wǎng)層面的故障辨識(shí)、負(fù)荷預(yù)測(cè)、電網(wǎng)智能輔助決策和人機(jī)交互幾個(gè)方面，分析探討人工智能在電網(wǎng)調(diào)控應(yīng)用的典型場(chǎng)景，其對(duì)于未來配電網(wǎng)側(cè)的相關(guān)應(yīng)用有借鑒意義。

（1） 電網(wǎng)故障辨識(shí)

目前，受人類信息接受能力、分析能力與決策能力的生理限制，為避免系統(tǒng)向更加惡化的方向發(fā)展，調(diào)度員往往只能有選擇地關(guān)注少數(shù)斷面潮流和電網(wǎng)中較為關(guān)鍵的機(jī)組和負(fù)荷以快速將電網(wǎng)調(diào)控回安全運(yùn)行區(qū)間。在電網(wǎng)故障診斷領(lǐng)域，如果不是從物理模型角度分析，而是關(guān)注于故障前后電網(wǎng)潮流的時(shí)序變化，則電網(wǎng)故障診斷可以看作是一個(gè)基于“潮流指紋”的經(jīng)典模式識(shí)別問題。

（2） 負(fù)荷預(yù)測(cè)

為充分發(fā)揮人工智能技術(shù)在負(fù)荷預(yù)測(cè)中作用，需要從以下兩個(gè)方面考慮：①影響負(fù)荷變化的因素較多，不同地區(qū)負(fù)荷影響因素也不盡相同，需要通過相關(guān)性分析影響該地區(qū)負(fù)荷變化的重要因素，并將其作為預(yù)測(cè)模型的重要輸入特征。②針對(duì)負(fù)荷數(shù)據(jù)時(shí)序性特點(diǎn)和負(fù)荷訓(xùn)練數(shù)據(jù)的規(guī)模，需要選擇合適的神經(jīng)網(wǎng)絡(luò)模型以及網(wǎng)絡(luò)深度，可考慮采取不同神經(jīng)網(wǎng)絡(luò)的相互結(jié)合方式，揚(yáng)長(zhǎng)避短，提高負(fù)荷預(yù)測(cè)精度。

（3） 電網(wǎng)智能輔助決策

未來電網(wǎng)智能輔助決策更傾向于依靠構(gòu)建專業(yè)的調(diào)度知識(shí)圖譜，更快速給出處置策略供調(diào)度人員參考，進(jìn)一步提高調(diào)度人員駕馭電網(wǎng)的能力。伴隨電網(wǎng)形態(tài)和特性不斷變化，電網(wǎng)調(diào)度機(jī)構(gòu)需要通過機(jī)器學(xué)習(xí)和人工參與的方式不斷迭代提升知識(shí)圖譜，從而進(jìn)一步提升調(diào)度控制系統(tǒng)輔助決策的智能化水平。

（4）人機(jī)交互

未來調(diào)控系統(tǒng)人機(jī)交互應(yīng)是集語音交互、觸摸控制和人臉識(shí)別等多種交互手段并存的多重交互方式，具有集成化、智能化、友好化的特點(diǎn)，同時(shí)還須滿足處置電網(wǎng)實(shí)時(shí)故障的快速性操作要求。目前上述人機(jī)交互關(guān)鍵技術(shù)在智能手機(jī)和互聯(lián)網(wǎng)領(lǐng)域中應(yīng)用比較充分，技術(shù)條件成熟，在電網(wǎng)調(diào)控領(lǐng)域范圍的技術(shù)拓展可行。

3） 算例分析

以電網(wǎng)故障辨識(shí)為應(yīng)用場(chǎng)景，對(duì)深度學(xué)習(xí)技術(shù)在電網(wǎng)調(diào)控中應(yīng)用進(jìn)行分析討論。采用人工智能技術(shù)解決電網(wǎng)故障辨識(shí)問題，更多的是將其作為輔助來提高調(diào)度人員對(duì)電網(wǎng)感知能力，避免部分量測(cè)數(shù)據(jù)因錯(cuò)誤或缺失而導(dǎo)致調(diào)度人員對(duì)于電網(wǎng)故障的誤判，協(xié)助調(diào)度員快速定位故障。

圖1為用于故障辨識(shí)的CNN結(jié)構(gòu)示意圖。CNN將表征電力系統(tǒng)不同運(yùn)行狀況的節(jié)點(diǎn)和有功信息的CVPFI作為輸入，采用多個(gè)卷積層和池化層提取CVPFI的空間結(jié)構(gòu)特征，之后其被轉(zhuǎn)化為列向量進(jìn)而輸入全連接層，輸出層包含7個(gè)縱向排列的神經(jīng)元(分別對(duì)應(yīng)著網(wǎng)絡(luò)的7種故障類型)。該CNN對(duì)輸入的CVPFI具備平面感知能力，進(jìn)而能對(duì)電網(wǎng)進(jìn)行故障診斷。

圖1  CNN的結(jié)構(gòu)示意圖

圖2為相同的訓(xùn)練和驗(yàn)證數(shù)據(jù)集樣本下，具有不同網(wǎng)絡(luò)模型參數(shù)的CNN與ANN進(jìn)行故障辨識(shí)準(zhǔn)確率對(duì)比結(jié)果。其中訓(xùn)練集中包含70 000個(gè)樣本，測(cè)試集中包含9800個(gè)樣本。具體的網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)如表1所示。

圖2  CNN與ANN的故障辨識(shí)準(zhǔn)確率

表1不同的神經(jīng)網(wǎng)絡(luò)模型

如圖2所示，本算例中ANN的識(shí)別率為92.0%，CNN1和CNN2識(shí)別率分別為96.2%和99.8%。隨著迭代次數(shù)的增加，以CVPFI作為訓(xùn)練數(shù)據(jù)得到的CNN對(duì)電網(wǎng)故障的識(shí)別率會(huì)達(dá)到較高水平，CNN所表現(xiàn)出的遠(yuǎn)超ANN的故障辨識(shí)能力，主要是因?yàn)槠溆行Р东@了電網(wǎng)潮流的二維空間變化信息。根據(jù)圖1結(jié)果比較可以得出，CNN模型深度的增加以及超參數(shù)的調(diào)整，可以使得神經(jīng)網(wǎng)絡(luò)進(jìn)行高效的學(xué)習(xí)，從而提高其識(shí)別精度。

在大系統(tǒng)環(huán)境下，受系統(tǒng)節(jié)點(diǎn)規(guī)模及CVPFI大小限制，可考慮采用多個(gè)CNN(一個(gè)CNN可視為一個(gè)Agent)，使其觀測(cè)的范圍覆蓋整個(gè)系統(tǒng)，各Agent分別對(duì)系統(tǒng)進(jìn)行觀測(cè)，最后綜合所有Agent的輸出給出診斷結(jié)果。如果合理設(shè)計(jì)全面覆蓋全網(wǎng)的多個(gè)Agent，通過多個(gè)Agent并行觀測(cè)系統(tǒng)故障及綜合會(huì)診，就可以有效提高大系統(tǒng)故障辨識(shí)準(zhǔn)確性。

4） 結(jié)論

大電網(wǎng)特有的網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模性、調(diào)控手段復(fù)雜性及調(diào)控結(jié)果多樣性，使得人工智能技術(shù)在大電網(wǎng)調(diào)控中應(yīng)用面臨巨大挑戰(zhàn)。其在電網(wǎng)調(diào)控方面應(yīng)用的關(guān)鍵在于：

首先是前期如何將調(diào)控運(yùn)行業(yè)務(wù)的需求與人工智能訓(xùn)練模型相結(jié)合，依據(jù)專家先驗(yàn)知識(shí)通過對(duì)電網(wǎng)運(yùn)行、設(shè)備監(jiān)測(cè)、人員行為、外部環(huán)境等數(shù)據(jù)挖掘以及自主學(xué)習(xí)，利用深度網(wǎng)絡(luò)抽象出隱藏在各類數(shù)據(jù)中的內(nèi)在規(guī)律，從而彌補(bǔ)基于物理模型分析方式在電網(wǎng)調(diào)控中存在的不足；

在此基礎(chǔ)上，后期對(duì)所建立的人工智能學(xué)習(xí)模型應(yīng)進(jìn)行全生命周期管理，通過對(duì)模型優(yōu)劣的評(píng)估，依靠多場(chǎng)景下的模型持續(xù)訓(xùn)練和新的算法模型對(duì)模型迭代升級(jí)，進(jìn)一步增加模型的準(zhǔn)確性以及泛化能力，最終全面提高電網(wǎng)調(diào)控業(yè)務(wù)的智能化水平。

后續(xù)研究方向

隨著人工智能技術(shù)的發(fā)展和數(shù)字化電網(wǎng)的建設(shè)，結(jié)合當(dāng)前電網(wǎng)調(diào)控中的需求，后續(xù)將進(jìn)一步明確人工智能技術(shù)在電網(wǎng)調(diào)控系統(tǒng)的功能定位以及細(xì)化人工智能技術(shù)在電網(wǎng)調(diào)控應(yīng)用場(chǎng)景，研究基于人機(jī)混合智能的電網(wǎng)故障形態(tài)辨識(shí)技術(shù)和負(fù)荷預(yù)測(cè)技術(shù)等。

參 文 格 式

范士雄，李立新，王松巖，等．人工智能技術(shù)在電網(wǎng)調(diào)控中的應(yīng)用研究[J]．電網(wǎng)技術(shù)，2020，44(2)：401-411．

Fan Shixiong，Li Lixin，Wang Songyan，et al．Application analysis and exploration of artificial intelligence technology in power grid dispatch and control[J]．Power System Technology，2020，44(2)：401-411(in Chinese)．

相關(guān)文獻(xiàn)

Wang Songyan，F(xiàn)an Shixiong，et al．Deep-learning based fault diagnosis using computer-visualised power flow[J]．IET Generation，Transmission & Distribution，2018，12(17)：3985-3992．

作者介紹

范士雄，男，博士，高級(jí)工程師，現(xiàn)工作于中國(guó)電力科學(xué)研究院電力自動(dòng)化研究所，中國(guó)電科院優(yōu)秀專家。主要從事電網(wǎng)及新能源系統(tǒng)運(yùn)行控制技術(shù)、人工智能在電網(wǎng)調(diào)控應(yīng)用研究。作為項(xiàng)目核心人員參與了國(guó)家863項(xiàng)目2項(xiàng)，國(guó)家千人計(jì)劃項(xiàng)目2項(xiàng)，作為項(xiàng)目負(fù)責(zé)人和課題負(fù)責(zé)人參與人社部留學(xué)人員擇優(yōu)項(xiàng)目1項(xiàng)，國(guó)網(wǎng)科技項(xiàng)目10余項(xiàng)。獲得省部級(jí)科技技術(shù)進(jìn)步獎(jiǎng)6項(xiàng)，多項(xiàng)中國(guó)電科院優(yōu)秀論文、優(yōu)秀軟件以及科技進(jìn)步獎(jiǎng)。發(fā)表SCI/EI/核心期刊論文50余篇，申請(qǐng)國(guó)際發(fā)明專利1項(xiàng)，專著2項(xiàng)，行業(yè)標(biāo)準(zhǔn)1項(xiàng)。

李立新，男，教授級(jí)高級(jí)工程師，碩士生導(dǎo)師，中國(guó)電科院電力自動(dòng)化所所長(zhǎng)，國(guó)家電網(wǎng)公司“大電網(wǎng)智能分析與優(yōu)化調(diào)度技術(shù)”科技攻關(guān)團(tuán)隊(duì)帶頭人，CC-2000系統(tǒng)主創(chuàng)人員之一，CC-2000A系統(tǒng)的項(xiàng)目負(fù)責(zé)人，中國(guó)電機(jī)工程學(xué)會(huì)自動(dòng)化專委會(huì)委員，全國(guó)電力系統(tǒng)管理及信息交換標(biāo)委會(huì)成員。一直從事電力調(diào)度自動(dòng)化領(lǐng)域的研究、設(shè)計(jì)、開發(fā)和工程化工作，主持和參加國(guó)家863、973、國(guó)家電網(wǎng)公司等各類科技項(xiàng)目共計(jì)30余項(xiàng)，獲國(guó)家科技進(jìn)步一等獎(jiǎng)1項(xiàng)，獲省部級(jí)獎(jiǎng)項(xiàng)8項(xiàng)，院科技進(jìn)步獎(jiǎng)20余項(xiàng)，制修訂國(guó)家、行業(yè)、企業(yè)標(biāo)準(zhǔn)10余項(xiàng)。