摘要：快速发展的社会经济的用电需求不断提升，促使了电网规模不断扩大，传统的电网调度支持系统已难以满足现代智能电网的调控需求，为顺应未来电网发展趋势，需通过现代智能技术的使用实现调度支持系统性能的有效提高。近年来，随着人工智能技术逐渐走向主流，尤其是基于机器和深度学习的智能技术的应用逐渐受到了各行各业的广泛关注，成为研究的重点之一，新一代基于大数据的人工智能系统综合了类脑智能机理，人工智能技术作为一种综合性技术主要以高性能计算、机器及深度学习作为支撑技术，使人工智能具备了强大计算能力、丰富的训练样本、高质量的学习模型及算法。
关键词：电网调控；人工智能；深度学习
1现状分析
电力调度控制中心作为指挥中枢包含了海量数据、规则、专家经验，传统调度控制大多依靠实际工作经验和人工分析方法，随着调控中心数据种类及数量的不断增多导致方案间缺乏逻辑模型，需调控人员具备丰富的知识关联经验，增加工作量的同时阻碍了自动化及智能化水平的提高，因此在电网调控领域应用人工智能有利于：①实现电网特性及行为的分析，广泛应用的新能源及分布式电源增加了电网运行及用户用电行为的不确定性，传统的物理建模方法（即基于物理系统的数学建模）难以对当前电网形态（如电动汽车、屋顶光伏）的单体进行建模分析，而通过机器学习能够针对电网整体特性以海量历史数据为依据完成聚类分析过程，包括对用户用电行为进行评估和预测以提高负荷预测准确度，为确保电网的实时平衡提供支撑。②学习和模拟调控知识经验，包括设备检修、故障处置等在内的日常调度操作通常有固定的以积累的调控运行经验和知识为主的规程，在实际操作处置过程在重复性较高。通过人工智能技术（知识图谱等）可使学习和模拟规程、经验及其到调度控制分析软件中的嵌入过程得以有效实现。
2设计思路与总体框架
2.1设计思路
当前人工智能技术能够取得重要突破的关键因素之一是数据存储技术的发展，特别是大数据技术的发展，正是因为有了海量历史数据，才能够为机器学习、深度学习等算法提供大量丰富的数据样本，以实现对各种要素及参数的训练模拟，学习的结果才更接近实际。另一方面中央处理器（ＣＰＵ）、图形处理器（ＧＰＵ）等硬件技术快速发展，使得人工智能算法在处理大量数据样本时可以学习得更快，以满足工程应用需要。因此人工智能技术在电网调控中的应用需从以下几个方面开展。１）对电网运行的大量实时和历史数据进行汇集和存储，包括设备量测、气象环境、故障告警、地理位置等多维度数据，从而为后续的训练学习提供充足的样本数据。２）引入调度操作规程、故障处置预案、运行日志以及人工经验等非结构化的文本数据，对现有知识进行学习和模拟。３）建立以ＣＰＵ，ＧＰＵ，高性能处理器（ＴＰＵ）为集群的高性能计算架构，提高人工智能算法对样本数据的训练学习效率。４）构建人工智能算法引擎，为上层业务场景提供统一的算法支撑与服务。５）结合相关业务场景和合适的人工智能算法，开展智能化的分析与辅助决策。基于上述分析，未来调控系统智能化的总体设计思路如图１所示，由智能学习系统和实时运行系统两部分构成，其中实时运行系统部署在生产控制大区（即安全Ⅰ区、Ⅱ区），主要负责实时调控业务，智能运行系统部署在非生产控制大区（即安全Ⅲ区），主要负责基于数据和规程的人工智能学习，不涉及控制功能。实时运行系统为智能学习系统提供电网运行数据和调度规则经验，智能学习系统为实时运行系统提供决策建议。采用２个子系统主要是基于２个方面考虑：①目前人工智能相关算法主要以开源为主，部署在生产运行控制大区存在安全隐患；②电网气象环境、地理位置以及设备台账等大量量测及管理数据在非生产控制大区，将智能学习系统部署在非生产控制大区也可避免大量数据的迁移。
.png)
智能学习系统以调度规程、故障预案、调度日志等文本化的经验规则知识和电网海量历史数据为基础，运用自然语言处理、深度神经网络、强化学习以及知识图谱等多种人工智能算法，建立智能化的学习引擎，采用“规则＋数据”的训练学习方式，通过对规则的理解、历史数据的学习，训练模拟调度员的思维决策，为电网的态势分析、智能决策和调度助手提供决策支撑。
2.2总体框架
基于人工智能的电网调控应用总体框架如图２所示，包括高性能计算架构、数据汇集和数据管理、算法引擎和知识库、业务场景４层。高性能计算架构（ＨＰＣ）主要由计算设备、存储设备和网络设备等组成。计算集群是以ＣＰＵ，ＧＰＵ和ＴＰＵ等混合架构形成的计算机集群，它可以为机器学习、深度学习提供强大的计算能力，以解决海量数据、多层级网络参数下训练学习时间过长的问题；存储设备则是为电网海量运行数据提供存储支撑。数据汇集层主要实现对运行数据、外部环境数据以及管理数据等各类结构化、非结构化数据的汇集，形成调度大数据平台，为上层的分析提供全维度的数据支撑。数据管理是在数据汇集的基础上，实现对数据的高效存取和统一访问，针对不同结构、采样频率，采用不同的数据存储方式，包括以存储静态模型参数为主的关系型数据库、以实时数据处理为主的内存数据库、以历史数据存储为主的列式数据库、以同步相量测量装置（ＰＭＵ）及时标数据为主的时序数据库、以故障录波文件、图形文件、日志及规程等文本数据为主的分布式文件存储，最终为上层提供统一的数据访问服务。算法引擎层通过对各类算法，包括随机森林、聚类分析、知识图谱以及自然语言处理等各类算法的封装，为上层应用提供统一的算法引擎支撑。知识库层是在现有调度规程、操作规范以及运行经验的基础之上，通过自然语言处理技术对文本、日志进行学习和理解之后，形成知识化表达的规则库。
业务场景层是在数据汇集、算法引擎和知识库的基础上，针对电力调度业务场景进行设计的，包括态势感知、智能决策和智能助手３个方面。１）态势感知主要包括负荷预测、用电行为分析、新能源预测、设备突发故障预测以及基于不确定性的安全评估等，相比于现有功能模块，它是采用“数据驱动＋物理建模”相结合的方式，以大量历史样本数据为基础，以高效人工智能算法为依托，进行训练分析。由于历史数据存储周期更长（训练样本更多）、数据类型更加丰富（设备量测、气象及微气象、地理位置等多维度数据，为关联分析提供更多基础数据）、人工智能算法及效率的改进（学习得更聪明、更快），其多方面的提升将带来预测准确度的提升。２）智能决策主要包括设备过载处置辅助决策、故障处置辅助决策以及检修操作辅助决策等，相比于现有功能模块，它是“规则知识＋物理模型”相结合的方式，即在物理模型的基础上融合调度规程、处置预案以及运行经验等知识，其计算得到的策略实用化程度更高，更加符合调度运行要求。例如断面过载时，目前在线辅助决策则可能选择灵敏度最高的某台机组进行出力调整，但调度实际运行时往往会选择灵敏度相近的几台或一组机组进行出力的微调，以避免单台机组调整过多，同时也兼顾了公平性；再例如线路故障跳闸后，目前调度控制系统无法给出线路试送策略，若能学习故障处置的文本规程，同时结合电网实际故障信号，进一步给出线路是否试送的策略建议，则可以降低调度故障处置工作量。
结束语
快速发展的基于深度学习的人工智能技术的主要特征在于数据驱动、知识引导，随着电网管理对现代化及智能化发展需求的不断提高，在新一代电网调度控制技术中有效融合人工智能技术将是未来技术的主流发展方向。
参考文献
[1] 陆晓，孙世明，盛振明，等.省地一体化负荷协同闭环控制系统及关键技术[J].电力系统自动化.2018（24）：182-187.
[2] 黄昆，赵昆，杨立波，等.电网调控系统轻量化人机交互体系架构及关键技术[J].电力系统自动化.2019（07）：159-166.