1.研究背景

電力系統(tǒng)是一個復雜多維非線性系統(tǒng)。電力系統(tǒng)的安全、自愈、綠色、堅強、可靠運行依賴于電力系統(tǒng)的“大腦”——電網調控系統(tǒng)。該系統(tǒng)集電網數(shù)據采集、存儲和分析決策控制于一體，貫穿于電力的發(fā)-輸-配-用各個環(huán)節(jié)，是確保電網安全、穩(wěn)定、經濟運行的中樞。然而，目前大電網調控業(yè)務仍以設備監(jiān)視與人工分析為主，決策、執(zhí)行等環(huán)節(jié)仍需要調控人員參與主導，更多依賴調控人員經驗分析，這顯然無法滿足調度智能化要求。隨著電網運行調度方式日趨復雜，傳統(tǒng)的基于機理分析與電網模型的調控方法，在處理大電網非線性、非連續(xù)性以及預測不確定性問題時，很難達到預期效果。伴隨深度學習等人工智能技術的飛速發(fā)展，基于數(shù)據驅動方式的人工智能技術在解決上述問題方面具有潛在的“去模型化”技術優(yōu)勢。基于先進人工智能技術訓練的輔助調度智能體(Agent)具有潛在的強模式識別能力與快速決策能力，可有效輔助電網調控部門對當前運行模式進行快速分析和決策。隨著分布式計算以及大數(shù)據分析技術的發(fā)展，利用人工智能技術解決大電網調控中的難題已成為可能。

2.主要內容

1） 電網調控對人工智能技術的需求分析

為充分發(fā)揮AI技術優(yōu)勢以支撐電網調控業(yè)務的發(fā)展，需要將AI技術特點及優(yōu)勢與電網調控業(yè)務的需求相結合。人工智能技術以數(shù)據驅動為特征，擅長解決一些特定、復雜的規(guī)則化或模式識別(去模型化)問題，比如：

（1）明確規(guī)則且耗費大量人力的工作；

（2）目前基于模型機理分析并不能很好解決的調控任務。

換言之，只有針對上述問題，人工智能才可能真正發(fā)揮其技術優(yōu)勢。目前，人工智能技術在互聯(lián)網領域應用發(fā)展比較廣泛，其應用的場景和方案也主要圍繞著圖像識別、語音識別和自然語言理解來開展。

電網調控業(yè)務涉及監(jiān)視、分析及決策等不同的典型業(yè)務場景，各業(yè)務場景具有不同的功能特點，且擁有不同數(shù)量等級的數(shù)據。人工智能技術在涉及安全控制的電網調控業(yè)務場景方面具有一定的局限性，主要是基于人工智能技術訓練得到的模型在進行前向推理的過程中，受制于其模型的泛化能力，其訓練數(shù)據的準確性并不能保證完全正確，而對于深度神經網絡，精度為99%以上已經算是非常優(yōu)秀的性能，但這對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果直接用于電網運行控制中，有可能導致電網巨大的安全隱患和經濟損失。但人工智能技術在絕大多數(shù)應用環(huán)境下具有遠超人類生物機能限制的快速及準確性優(yōu)勢，因此可作為調度輔助決策工具。一般而言，電網調控中預測類、圖像識別、故障辨識等相關業(yè)務具有應用人工智能技術的潛力，但是在模型和算法的選擇方面需要充分考慮所應用業(yè)務的特有技術特點以及數(shù)據規(guī)模。對于具有小樣本特征且無法離線生成海量模擬數(shù)據的調控業(yè)務，不宜采用深度學習來解決，易導致訓練模型過擬合和泛化能力不強的問題，可考慮傳統(tǒng)人工智能技術或仍保留人工經驗決策方式。

2） 人工智能在電網調控的應用場景設計及分析

本節(jié)結合當前人工智能技術的發(fā)展，依托于各類AI技術的特點和適用環(huán)境，基于電網調控業(yè)務本身特點，從涉及輸電網層面的故障辨識、負荷預測、電網智能輔助決策和人機交互幾個方面，分析探討人工智能在電網調控應用的典型場景，其對于未來配電網側的相關應用有借鑒意義。

（1） 電網故障辨識

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，調度員往往只能有選擇地關注少數(shù)斷面潮流和電網中較為關鍵的機組和負荷以快速將電網調控回安全運行區(qū)間。在電網故障診斷領域，如果不是從物理模型角度分析，而是關注于故障前后電網潮流的時序變化，則電網故障診斷可以看作是一個基于“潮流指紋”的經典模式識別問題。

（2） 負荷預測

為充分發(fā)揮人工智能技術在負荷預測中作用，需要從以下兩個方面考慮：①影響負荷變化的因素較多，不同地區(qū)負荷影響因素也不盡相同，需要通過相關性分析影響該地區(qū)負荷變化的重要因素，并將其作為預測模型的重要輸入特征。②針對負荷數(shù)據時序性特點和負荷訓練數(shù)據的規(guī)模，需要選擇合適的神經網絡模型以及網絡深度，可考慮采取不同神經網絡的相互結合方式，揚長避短，提高負荷預測精度。

（3） 電網智能輔助決策

未來電網智能輔助決策更傾向于依靠構建專業(yè)的調度知識圖譜，更快速給出處置策略供調度人員參考，進一步提高調度人員駕馭電網的能力。伴隨電網形態(tài)和特性不斷變化，電網調度機構需要通過機器學習和人工參與的方式不斷迭代提升知識圖譜，從而進一步提升調度控制系統(tǒng)輔助決策的智能化水平。

（4）人機交互

未來調控系統(tǒng)人機交互應是集語音交互、觸摸控制和人臉識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，同時還須滿足處置電網實時故障的快速性操作要求。目前上述人機交互關鍵技術在智能手機和互聯(lián)網領域中應用比較充分，技術條件成熟，在電網調控領域范圍的技術拓展可行。

3） 算例分析

以電網故障辨識為應用場景，對深度學習技術在電網調控中應用進行分析討論。采用人工智能技術解決電網故障辨識問題，更多的是將其作為輔助來提高調度人員對電網感知能力，避免部分量測數(shù)據因錯誤或缺失而導致調度人員對于電網故障的誤判，協(xié)助調度員快速定位故障。

圖1為用于故障辨識的CNN結構示意圖。CNN將表征電力系統(tǒng)不同運行狀況的節(jié)點和有功信息的CVPFI作為輸入，采用多個卷積層和池化層提取CVPFI的空間結構特征，之后其被轉化為列向量進而輸入全連接層，輸出層包含7個縱向排列的神經元(分別對應著網絡的7種故障類型)。該CNN對輸入的CVPFI具備平面感知能力，進而能對電網進行故障診斷。

圖1  CNN的結構示意圖

圖2為相同的訓練和驗證數(shù)據集樣本下，具有不同網絡模型參數(shù)的CNN與ANN進行故障辨識準確率對比結果。其中訓練集中包含70 000個樣本，測試集中包含9800個樣本。具體的網絡模型結構參數(shù)如表1所示。

圖2  CNN與ANN的故障辨識準確率

表1不同的神經網絡模型

如圖2所示，本算例中ANN的識別率為92.0%，CNN1和CNN2識別率分別為96.2%和99.8%。隨著迭代次數(shù)的增加，以CVPFI作為訓練數(shù)據得到的CNN對電網故障的識別率會達到較高水平，CNN所表現(xiàn)出的遠超ANN的故障辨識能力，主要是因為其有效捕獲了電網潮流的二維空間變化信息。根據圖1結果比較可以得出，CNN模型深度的增加以及超參數(shù)的調整，可以使得神經網絡進行高效的學習，從而提高其識別精度。

在大系統(tǒng)環(huán)境下，受系統(tǒng)節(jié)點規(guī)模及CVPFI大小限制，可考慮采用多個CNN(一個CNN可視為一個Agent)，使其觀測的范圍覆蓋整個系統(tǒng)，各Agent分別對系統(tǒng)進行觀測，最后綜合所有Agent的輸出給出診斷結果。如果合理設計全面覆蓋全網的多個Agent，通過多個Agent并行觀測系統(tǒng)故障及綜合會診，就可以有效提高大系統(tǒng)故障辨識準確性。

4） 結論

大電網特有的網絡節(jié)點規(guī)模性、調控手段復雜性及調控結果多樣性，使得人工智能技術在大電網調控中應用面臨巨大挑戰(zhàn)。其在電網調控方面應用的關鍵在于：

首先是前期如何將調控運行業(yè)務的需求與人工智能訓練模型相結合，依據專家先驗知識通過對電網運行、設備監(jiān)測、人員行為、外部環(huán)境等數(shù)據挖掘以及自主學習，利用深度網絡抽象出隱藏在各類數(shù)據中的內在規(guī)律，從而彌補基于物理模型分析方式在電網調控中存在的不足；

在此基礎上，后期對所建立的人工智能學習模型應進行全生命周期管理，通過對模型優(yōu)劣的評估，依靠多場景下的模型持續(xù)訓練和新的算法模型對模型迭代升級，進一步增加模型的準確性以及泛化能力，最終全面提高電網調控業(yè)務的智能化水平。

后續(xù)研究方向

隨著人工智能技術的發(fā)展和數(shù)字化電網的建設，結合當前電網調控中的需求，后續(xù)將進一步明確人工智能技術在電網調控系統(tǒng)的功能定位以及細化人工智能技術在電網調控應用場景，研究基于人機混合智能的電網故障形態(tài)辨識技術和負荷預測技術等。

參 文 格 式

范士雄，李立新，王松巖，等．人工智能技術在電網調控中的應用研究[J]．電網技術，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)．

相關文獻

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，高級工程師，現(xiàn)工作于中國電力科學研究院電力自動化研究所，中國電科院優(yōu)秀專家。主要從事電網及新能源系統(tǒng)運行控制技術、人工智能在電網調控應用研究。作為項目核心人員參與了國家863項目2項，國家千人計劃項目2項，作為項目負責人和課題負責人參與人社部留學人員擇優(yōu)項目1項，國網科技項目10余項。獲得省部級科技技術進步獎6項，多項中國電科院優(yōu)秀論文、優(yōu)秀軟件以及科技進步獎。發(fā)表SCI/EI/核心期刊論文50余篇，申請國際發(fā)明專利1項，專著2項，行業(yè)標準1項。

李立新，男，教授級高級工程師，碩士生導師，中國電科院電力自動化所所長，國家電網公司“大電網智能分析與優(yōu)化調度技術”科技攻關團隊帶頭人，CC-2000系統(tǒng)主創(chuàng)人員之一，CC-2000A系統(tǒng)的項目負責人，中國電機工程學會自動化專委會委員，全國電力系統(tǒng)管理及信息交換標委會成員。一直從事電力調度自動化領域的研究、設計、開發(fā)和工程化工作，主持和參加國家863、973、國家電網公司等各類科技項目共計30余項，獲國家科技進步一等獎1項，獲省部級獎項8項，院科技進步獎20余項，制修訂國家、行業(yè)、企業(yè)標準10余項。