摘要：在我国电力行业的发展过程中，电网建设覆盖范围不断拓展，在我国社会发展过程中也占据着越来越重要的地位。因此为了避免电网调度异常现象对整体电网调控运行效果的影响，在实际电网调控运行管理中，应综合采取多种风险处理措施。通过电网调控管理机制的优化完善，从倒闸操作、接地故障等方面不断优化电网调控水平，为整体电网可持续运行提供充足的保障。鉴于此，本文主要分析人工智能应用于电网调控的关键技术。
关键词：人工智能；电网调控；关键技术
中图分类号：TM712 文献标识码：A
1、概述
传统电网管理中，电网调度中心负责电网调度工作，而集控站则将变电站的监控、运行维护等责任集于一身，这种管理模式，不但所需的人力较多，人员不足时还影响正常生产，主要表现在各个集控站因工序检修、事故处理等情况下忙闲不均，忙时人手不足，闲时人手闲置，造成人力成本高且人力资源严重浪费。调控一体化管理模式，即电网调度和变电监控一体化设置，电网调度中心与运维操作站共同进行电网管理，在电网规模不断扩大、电网结构越来越复杂的情况下，电网调度中心负责承担电网调度、变电站监控及特殊情况下的运行方式调整等，而运维操作站负责对调度指令的执行、设备巡视等工作，二者各司其职又紧密配合。这种管理模式将原集控站负责的监控工作由电网调度中心完成，将全部监测工作集中，有效整合了资源，也有利于远程监测系统的应用，减少电网运行管理的中间环节，缩短日常业务流程，能及时、全面、准确掌握电网运行情况，全面推进在线监控及事故预警系统建设，树立“无人则安、少人则安”理念，实现“机械化换人、自动化减人”的本质安全，根据站所任务的繁重和工作量，统筹调配运行人员，有效解决人员严重缺乏的问题。
2、电力网络调控运行异常因素
2.1、电网调度运行倒闸操作分析
现阶段电网调控运行管理过程中，由于智能化建设工作的限制，人工仍然是电网调控运行的主要模式，这就导致整体电网倒闸操作异常现象出现频率较高。其中电网调度运行主要是投停自动、送电操作、接地导线拆卸、消弧线圈补偿度调整等环节。上述环节某一项工作事故就会导致整体运行调度异常现象的发生。
2.2、电网调度监控指令控制异常
电网调度指令是电网调度运行调度的主要依据，在实际管理过程中调度工作人员需要在正式设备操作之前，结合现场设备需求，进行相关设备操作指令的调度管理。若实际电网调度指令没有依据实际情况进行调度管理，就会对现场指令执行人员及电力安全造成极大的安全威胁。再加上监督环节的缺失，不仅会促使相关安全事故的发生，而且会导致关联事故的发生。
2.3、电网接地异常
电网接地异常主要为单相接地故障，特别是在不良天气环境中，由于中低压配电网设备元件较多且设计裕度小，其接地故障发生频率较大。再加上在长时间运行过程中，电网接地设备会出现一定的绝缘子损坏、受潮老化情况，从而导致整体接地设备损坏频率大大增加。
3、人工智能应用于电网调控的关键技术
3.1、高性能计算技术
神经网络理论在20世纪80年代就已经出现，但因为实现难度一直未成主流，深度神经网络之所以能在近年回归，主要得益于海量样本数据和强大计算能力｡百度首席科学家吴恩达说，深度学习的前沿正转移到高性能计算，NVIDIA，AMD，Google和阿里巴巴等公司也都在为深度学习研发HPC的新能力｡依赖于数据量和计算力的深度学习，对高性能计算提出了非常高的要求，当今最著名的GoogleBrain的并行计算平台使用了16000个CPU，共计10亿的节点，来进行深度学习模型网络的构建，调控系统实时数据每秒即达到百万点级，其历史数据量将远超GoooleBrain的计算规模，未来深度学习在电网调控领域的一个瓶颈可能就是计算力，如何结合目前CPU，GPU以及TPU等芯片技术的突破，整合服务器、存储和网络等资源，构建软件定义的HPC，形成适应调控系统低成本、高效率的“大计算（big computing）”架构，以适应不同深度学习算法、不同业务场景的计算要求，这将是未来调控系统在硬件资源构建、分布式并行计算框架设计、应用功能算法改进提升等方面需要重点突破的关键技术，以支撑上层各类业务场景计算能力的提升。
3.2、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。对安全智能预警，（其主要的管理模式如图1所示）
图1安全智能预警管理巡视图
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。
3.3、基于深度学习的电网预测及辨识技术
借助机器学习、深度学习等人工算法，同时结合调控大数据，通过对海量训练样本数据的学习，预测未来电网运行趋势，将是未来“人工智能＋电网调度”的研究热点。首先在电源侧方面，针对风能、太阳能、水能等可再生能源受天气条件影响较大的特点，可以采用深度置信网络（DBN）、集成学习以及条件变分编码器等技术，利用其在多层次网络训练、多分类综合决策、特征自主提取与学习、强大泛化能力等方面的优势，基于调控大数据（天气、环境、大气条件、电站地理位置和电网历史运行数据等），整合多种预测模型和算法，采用无监督/半监督的自主学习方式分析和发现数据内部规律、多种因素间的耦合关联关系，对可再生能源发电进行预测，提高可再生能源的预测精度，目前IBM公司正在开展相关领域的研究，并称其人工智能天气模型比坊间的太阳能和风能预测模型精确。
总之，电力调度控制中心作为电网运行控制的指挥中枢，是集合大量数据、规 则以及专家经验的密集型“决策大脑”，然而目前调度控制仍以经验和人工分析为主，调控中心的海量多样数据、方案间缺乏逻辑模型，需要调控人员进行大量的经验知识关联，重复性“人脑劳动”较多，自动化和智能化程度相对较低，上述特点决定了人工智能在电网调控领域具有广阔应用前景。
参考文献：
[1]陈瑞明.电网调控运行风险及防范措施[J].科技与创新，2017（24）：62-63.
[2]钟旭昌.电网调控运行安全风险及解决措施[J/OL].中国高新技术企业，2017（11）：62-63.
[3]尹郁菲.基于电网调控一体化的运行管理项目优化与评价研究[D].华北电力大学（北京），2016.
[4]李翔.南方电网调控一体化运行管理模式研究[D].华北电力大学，2013.
[5]金双喜，裘峰源，宣跃.地区电网调控一体化系统建设的研究与分析[J].陕西电力，2011，39（01）：49-52
论文作者:张书玮,赵山尧
论文发表刊物:《基层建设》2019年第15期
论文发表时间:2019/8/5
标签：电网论文; 数据论文; 人工智能论文; 深度论文; 设备论文; 操作论文; 指令论文; 《基层建设》2019年第15期论文;