中国电科院范士雄、李立新等:数字化电网背景下,如何将人工智能技术应用于电网调控领域?

来源:智汇工业

点击:4819

A+ A-

所属频道:新闻中心

关键词:中国电科院 数字化电网 人工智能 电网调控

    1.研究背景

    电力系统是一个复杂多维非线性系统。电力系统的安全、自愈、绿色、坚强、可靠运行依赖于电力系统的“大脑”——电网调控系统。该系统集电网数据采集、存储和分析决策控制于一体,贯穿于电力的发-输-配-用各个环节,是确保电网安全、稳定、经济运行的中枢。然而,目前大电网调控业务仍以设备监视与人工分析为主,决策、执行等环节仍需要调控人员参与主导,更多依赖调控人员经验分析,这显然无法满足调度智能化要求。随着电网运行调度方式日趋复杂,传统的基于机理分析与电网模型的调控方法,在处理大电网非线性、非连续性以及预测不确定性问题时,很难达到预期效果。伴随深度学习等人工智能技术的飞速发展,基于数据驱动方式的人工智能技术在解决上述问题方面具有潜在的“去模型化”技术优势。基于先进人工智能技术训练的辅助调度智能体(Agent)具有潜在的强模式识别能力与快速决策能力,可有效辅助电网调控部门对当前运行模式进行快速分析和决策。随着分布式计算以及大数据分析技术的发展,利用人工智能技术解决大电网调控中的难题已成为可能。


    2.主要内容


    1) 电网调控对人工智能技术的需求分析


    为充分发挥AI技术优势以支撑电网调控业务的发展,需要将AI技术特点及优势与电网调控业务的需求相结合。人工智能技术以数据驱动为特征,擅长解决一些特定、复杂的规则化或模式识别(去模型化)问题,比如:


    (1)明确规则且耗费大量人力的工作;


    (2)目前基于模型机理分析并不能很好解决的调控任务。


    换言之,只有针对上述问题,人工智能才可能真正发挥其技术优势。目前,人工智能技术在互联网领域应用发展比较广泛,其应用的场景和方案也主要围绕着图像识别、语音识别和自然语言理解来开展。


    电网调控业务涉及监视、分析及决策等不同的典型业务场景,各业务场景具有不同的功能特点,且拥有不同数量等级的数据。人工智能技术在涉及安全控制的电网调控业务场景方面具有一定的局限性,主要是基于人工智能技术训练得到的模型在进行前向推理的过程中,受制于其模型的泛化能力,其训练数据的准确性并不能保证完全正确,而对于深度神经网络,精度为99%以上已经算是非常优秀的性能,但这对于可靠性要求非常高的电力系统来说,将采用人工智能得出的结果直接用于电网运行控制中,有可能导致电网巨大的安全隐患和经济损失。但人工智能技术在绝大多数应用环境下具有远超人类生物机能限制的快速及准确性优势,因此可作为调度辅助决策工具。一般而言,电网调控中预测类、图像识别、故障辨识等相关业务具有应用人工智能技术的潜力,但是在模型和算法的选择方面需要充分考虑所应用业务的特有技术特点以及数据规模。对于具有小样本特征且无法离线生成海量模拟数据的调控业务,不宜采用深度学习来解决,易导致训练模型过拟合和泛化能力不强的问题,可考虑传统人工智能技术或仍保留人工经验决策方式。


    2) 人工智能在电网调控的应用场景设计及分析


    本节结合当前人工智能技术的发展,依托于各类AI技术的特点和适用环境,基于电网调控业务本身特点,从涉及输电网层面的故障辨识、负荷预测、电网智能辅助决策和人机交互几个方面,分析探讨人工智能在电网调控应用的典型场景,其对于未来配电网侧的相关应用有借鉴意义。


    (1) 电网故障辨识


    目前,受人类信息接受能力、分析能力与决策能力的生理限制,为避免系统向更加恶化的方向发展,调度员往往只能有选择地关注少数断面潮流和电网中较为关键的机组和负荷以快速将电网调控回安全运行区间。在电网故障诊断领域,如果不是从物理模型角度分析,而是关注于故障前后电网潮流的时序变化,则电网故障诊断可以看作是一个基于“潮流指纹”的经典模式识别问题。


    (2) 负荷预测


    为充分发挥人工智能技术在负荷预测中作用,需要从以下两个方面考虑:①影响负荷变化的因素较多,不同地区负荷影响因素也不尽相同,需要通过相关性分析影响该地区负荷变化的重要因素,并将其作为预测模型的重要输入特征。②针对负荷数据时序性特点和负荷训练数据的规模,需要选择合适的神经网络模型以及网络深度,可考虑采取不同神经网络的相互结合方式,扬长避短,提高负荷预测精度。


    (3) 电网智能辅助决策


    未来电网智能辅助决策更倾向于依靠构建专业的调度知识图谱,更快速给出处置策略供调度人员参考,进一步提高调度人员驾驭电网的能力。伴随电网形态和特性不断变化,电网调度机构需要通过机器学习和人工参与的方式不断迭代提升知识图谱,从而进一步提升调度控制系统辅助决策的智能化水平。


    (4)人机交互


    未来调控系统人机交互应是集语音交互、触摸控制和人脸识别等多种交互手段并存的多重交互方式,具有集成化、智能化、友好化的特点,同时还须满足处置电网实时故障的快速性操作要求。目前上述人机交互关键技术在智能手机和互联网领域中应用比较充分,技术条件成熟,在电网调控领域范围的技术拓展可行。


    3) 算例分析


    以电网故障辨识为应用场景,对深度学习技术在电网调控中应用进行分析讨论。采用人工智能技术解决电网故障辨识问题,更多的是将其作为辅助来提高调度人员对电网感知能力,避免部分量测数据因错误或缺失而导致调度人员对于电网故障的误判,协助调度员快速定位故障。


    图1为用于故障辨识的CNN结构示意图。CNN将表征电力系统不同运行状况的节点和有功信息的CVPFI作为输入,采用多个卷积层和池化层提取CVPFI的空间结构特征,之后其被转化为列向量进而输入全连接层,输出层包含7个纵向排列的神经元(分别对应着网络的7种故障类型)。该CNN对输入的CVPFI具备平面感知能力,进而能对电网进行故障诊断。

    图1  CNN的结构示意图


    图2为相同的训练和验证数据集样本下,具有不同网络模型参数的CNN与ANN进行故障辨识准确率对比结果。其中训练集中包含70 000个样本,测试集中包含9800个样本。具体的网络模型结构参数如表1所示。

    图2  CNN与ANN的故障辨识准确率

    表1不同的神经网络模型


    如图2所示,本算例中ANN的识别率为92.0%,CNN1和CNN2识别率分别为96.2%和99.8%。随着迭代次数的增加,以CVPFI作为训练数据得到的CNN对电网故障的识别率会达到较高水平,CNN所表现出的远超ANN的故障辨识能力,主要是因为其有效捕获了电网潮流的二维空间变化信息。根据图1结果比较可以得出,CNN模型深度的增加以及超参数的调整,可以使得神经网络进行高效的学习,从而提高其识别精度。


    在大系统环境下,受系统节点规模及CVPFI大小限制,可考虑采用多个CNN(一个CNN可视为一个Agent),使其观测的范围覆盖整个系统,各Agent分别对系统进行观测,最后综合所有Agent的输出给出诊断结果。如果合理设计全面覆盖全网的多个Agent,通过多个Agent并行观测系统故障及综合会诊,就可以有效提高大系统故障辨识准确性。


    4) 结论


    大电网特有的网络节点规模性、调控手段复杂性及调控结果多样性,使得人工智能技术在大电网调控中应用面临巨大挑战。其在电网调控方面应用的关键在于:


    首先是前期如何将调控运行业务的需求与人工智能训练模型相结合,依据专家先验知识通过对电网运行、设备监测、人员行为、外部环境等数据挖掘以及自主学习,利用深度网络抽象出隐藏在各类数据中的内在规律,从而弥补基于物理模型分析方式在电网调控中存在的不足;

    在此基础上,后期对所建立的人工智能学习模型应进行全生命周期管理,通过对模型优劣的评估,依靠多场景下的模型持续训练和新的算法模型对模型迭代升级,进一步增加模型的准确性以及泛化能力,最终全面提高电网调控业务的智能化水平。

    后续研究方向

    随着人工智能技术的发展和数字化电网的建设,结合当前电网调控中的需求,后续将进一步明确人工智能技术在电网调控系统的功能定位以及细化人工智能技术在电网调控应用场景,研究基于人机混合智能的电网故障形态辨识技术和负荷预测技术等。


    参 文 格 式

    范士雄,李立新,王松岩,等.人工智能技术在电网调控中的应用研究[J].电网技术,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).

    相关文献

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

    作者介绍

    范士雄,男,博士,高级工程师,现工作于中国电力科学研究院电力自动化研究所,中国电科院优秀专家。主要从事电网及新能源系统运行控制技术、人工智能在电网调控应用研究。作为项目核心人员参与了国家863项目2项,国家千人计划项目2项,作为项目负责人和课题负责人参与人社部留学人员择优项目1项,国网科技项目10余项。获得省部级科技技术进步奖6项,多项中国电科院优秀论文、优秀软件以及科技进步奖。发表SCI/EI/核心期刊论文50余篇,申请国际发明专利1项,专著2项,行业标准1项。

    李立新,男,教授级高级工程师,硕士生导师,中国电科院电力自动化所所长,国家电网公司“大电网智能分析与优化调度技术”科技攻关团队带头人,CC-2000系统主创人员之一,CC-2000A系统的项目负责人,中国电机工程学会自动化专委会委员,全国电力系统管理及信息交换标委会成员。一直从事电力调度自动化领域的研究、设计、开发和工程化工作,主持和参加国家863、973、国家电网公司等各类科技项目共计30余项,获国家科技进步一等奖1项,获省部级奖项8项,院科技进步奖20余项,制修订国家、行业、企业标准10余项。



    (审核编辑: 智汇小新)