手机版
您的当前位置: 老骥秘书网 > 范文大全 > 公文范文 > 基于人工智能技术的电网调控关键技术研究

基于人工智能技术的电网调控关键技术研究

窦昊翔, 孔陈祥

(1.国网江苏省电力有限公司 信息通信分公司,江苏 南京 210000;

2.江苏电力信息技术有限公司,江苏 南京 210000)

随着生产力的不断增长和发展,电网系统的负荷越来越高,电网系统的规模也在随之扩大,用电环境的多样化也使得电网调度环境和信息整理环境变得更复杂,因此对电网的维护能力提出了更高的要求。对于电网系统的调控技术通过预设程序自主学习和大数据采集分析处理方法为基础的人工智能技术在面对这一迫切技术需求时显示出了巨大的优势。现如今的电网调控技术仍旧大量依赖人力资源,在人为进行调控时精准度不足,且操作也过于经验化,某种程度上造成了电网资源因滞后性和失准而产生的损失。

为了对数据进行全方位完全整理,提升电网调控协同感知能力,现有技术也进行了多方面研究。文献[1]提出了构建云平台和集中智能处理平台进行统一调控的方案,虽然有效调动了联网调控资源,但智能化程度不足,依旧需要投入人力。文献[2]使用最优编码集技术实现了对电网实时运转情况的归类与查找,虽然为电网调控工作提供了足够的信息资源支持,但自主操作空间不足,且调度功能不全面。

1.1 基于态势感知技术的数据采集技术

图1 态势感知技术架构具体工作示意图

态势感知技术的基础为感知、理解和预测[8],在应用于电网调控系统时分别对应电网系统的用户侧用电负荷数据采集、数据分析以及未来用电形势走向。电网系统的态势感知需要满足从多个角度对信息进行多种特征的采集以实现对结果与发展情况的正确评估[4]。图1为态势感知技术架构在本系统中发挥功效的具体示意图。

在构建起能够映射由大量动态数据所组成的数据模型时,需要采集电网数据中的评估因素进行量化,并以此为基础构建起评估矩阵。在整个电网系统中每个用电端被视作一个节点,采集每个用电端电压幅值和电压相角信息,并将数据组成集合A={(v1,θ1),(v2,θ2),(v3,θ3),…,(vn,θn)},得到一个有n个数据样本的信息库,在n个数据样本中可以计算出n个特征值,并构建一个映射原数据集合的特征集合R={r1,r2,r3,…,rn}。从集合A中任意抽取两节点(va,θa)、(vb,θb),则在特征集合R中其对应的特征值为ra和rb[5]。为测算两数据样本的关联度,可以将其幅值和相角信息视为坐标系中的两轴坐标值,并由计算两坐标距离的方法来确定其关联程度:

(1)

由此可得整个集合A中所有元素的关联程度矩阵为:

(2)

对以上矩阵和集合信息进行整合统计,得到能够实时对电力系统状态进行映射的加权有向复杂网络模型G=[A,D]。

对于矩阵D,由于电网自身规模的原因,因此n值一般非常大,在不采用矩阵D中对于特征集合r与数据集合A之间的关联关系映射[6]计算的情况下,对人工算力的消耗非常大。在任意时刻ti对r进行采样收集,得到由接收信号形成的列向量:

xs(ti)=(x1,x2,…,xN)H

(3)

式中:H为该列向量自身的转置。此时找到来自于矩阵D中向量作为模型中复杂网络在不同时间点被截取的节点,并根据这些节点被采样时的时间点对其作出前后排列,如果在截取到某一信息的时间点之前,其状态向量就已经出现在采样序列中,则将被重复采集的向量去除以避免重复采样的发生。完成对所有节点的采样后,由采样时间的先后顺序开始分别对D中所有的相邻列向量执行操作,当出现一条代表a的列向量被转移到b时,则在两列向量直接多加一条边并指向[7],条件为1≤a

1.2 高斯回归过程模型建立

GPR中的高斯过程是一种符合一致连续高斯过程特征的一组随机变量集合。本文所需要处理的问题中特征集合R符合高斯过程的特征,因此可以在此处将特征集合R进行GPR处理[8]。图2为对特征集合样本进行GPR处理时各样本分布变化示意图。

图2 GPR数据处理样本分布示意图

已知特征集合R中的所有元素对电网整体数据已经构成了一个特征提取映射,通过对特征集合R进行高斯回归处理即可完成对整个电网系统信息的总体规划处理。建立高斯过程f(x),特征集合R中所有采样均为输入值,则设预测值r*与R都符合联合正态分布,此时给定训练集:

(4)

则该训练集满足服从先验分布:

(5)

(6)

式中:k(g,g)为训练集n阶对称的正定协方差矩阵;
K*为上一部操作所采集的训练集和测试集的n×1阶协方差矩阵;
K**为K*中任一元素自身的协方差。对于以上计算结果,通过贝斯叶定理和正态分布理论对预测值分布进行建模:

r*|R,r**~N[μ(r**),var(r**)]

(7)

其中:

(8)

(9)

图3 核函数挑选流程图

完成GPR模型的建立后,通过图示流程即可完成对电网数据状态的预测[9]。由于k(g,g)核函数拥有很多种不同的模型形式,因此在应用计算中可以选择调用不同种类的核函数并从中挑选最合适的以获得最佳预测结果。目前经常被使用的核函数主要有有理二次核函数、指数平方核函数和Matérn核函数等种类[10]。核函数的挑选与决定流程如图3所示。

对于每个不同的核函数来说,其都具有应对某一类别的数学模型时能够体现出来的适宜性,而并非某一种核函数应对所有问题时都是最佳选择,其间并没有优劣之分。因此要根据每种核函数在具体解决某种问题时所显示的性能来挑选在相应模型中所使用的核函数[11]。

1.3 自主学习与决策程式

经过模拟获得电网系统用户端负载情况之后,可以通过计算机进行调控操作的学习,以在之后应对相关情况能够自主做出调控操作。通过对机器录入拥有一定规律性的算法,将已知的电网端用电信息录入预设程序的计算公式,以对已知的电网负载信息进行分析归类,计算公式为:

(10)

式中:X为电网端实际值分布;
Y为其所对应的预测值分布。在经过相关分布值的计算与历史信息数值的调取检索以及对比之后,使得机器预先设定的学习程式能够得以获取调控经验与知识并存入知识库。知识库的运行结构如图4所示。

知识库的运行主要是通过构建起一个模拟电网内调控,工作人员由调控工作经验总结的工作流程来实现对电网内部的自动调控,最初的调控工作流程被录入进知识库里,是知识库中最基

图4 知识库结构与运行示意图

础的知识资源。直接采集的信息资源来自于对电网系统内部的自主监控,以及系统管理员的直接录入;
采集到的信息资源被特征化处理后得到已经能够高度概括原数据信息内容的特征数据,并经由GPR建模化处理得到概括各信息数据的节点,将节点和其所表达的信息建立起关联关系模型,并形成知识架构体系充实数据库,使得知识库内不仅拥有足够的知识资源,还拥有建立在结构架构上的灵活性以供随时调用。决策方案流程示意图如图5所示。

图5 决策方案流程示意图

完成自主学习知识库的搭建之后,在系统进行电网内部环境的自动调控操作时,主机将首先对反映当前电网实时状况的信息进行分析,通过搜索引擎从知识库中调取符合当前环境的特征数据,并据此得到此前存储在系统内部的调控操作信息以进行进一步操作。当有多个特征相符的操作信息被同时关联于该时刻现状,则由智能决策引擎分别对多组数据的不同处理方式进行推算,得出最终调控操作流程。

在完成以上模型信息构建之后,搭建相应的计算机硬件提供模拟环境,并对以上架构和算法进行验证。本次试验硬件架构采用4台配置了Windows7操作系统的计算机,并通过路由器接入局域网,以构成一个计算机网络群组。每台计算机分配4G内存,并将Java环境设置为1.6版本,如图6所示。

图6 仿真试验硬件架构示意图

2.1 电网状态信息的仿真验证

在采用上述GPR模型构建仿真方法后,可以直接被用来表示验证电网系统中的具体用电数据。完成潮流断面数据的采集后,从多种备选核函数中选用Matérn3/2核函数,将数据的矩阵排布全部拆散后,将其生成为更具有随机性的数据簇。并将其作为之后进行GPR操作的输入数据。使用Matérn3/2核函数,GPR模型开始对预先准备用于测试的数据样本进行预测,记录其预测值与真实值用于比对。比对结果相关指标如图7、图8所示。

图7 经由核函数做出的预测值和真实值分布

图8 预测值与真实值误差分布

由图8可知,在采用Matérn3/2核函数对数据进行聚集处理与预测时,能够达到较准确的预测效果,其得到的预测值结果与真实值之间已经没有太大差异,预测性能与结果拥有很高的信服度与可靠性。

2.2 系统仿真测试

运用上述仿真方法,完成以上硬件架构之后,通过电网架构试验平台对一组预设的调度任务进行程序处理。分别采用直接数据调动方法和倚仗本设计架构的调度方法,对该组预设调度任务进行处理。在进行仿真试验之前,首先在虚拟试验平台上对所有调度任务样本进行文件的备份和配置处理,并且在仿真试验前需要在试验平台上进行文件配置,分别将两份调度任务样本根据自动调度和态势感知调度方式进行属性修改并用于相应的处理方式。完成以上工作后,使用两种方法对智能电网内1 000个任务进行调度配置,每个任务分别进行5 min调度,并记录和比较任务运行用时和调度速度。记录结果如图9所示。

图9 两种技术试运行的仿真试验结果

根据图9所示的试验结果可知:在采用态势感知技术之后,调出任务执行速度明显高于自动调度技术,且执行速度平稳,达到稳定地每分钟处理200个任务,并在5 min内将1 000个任务全部调动处理完毕。而采用传统自动调动技术的任务流程在1 min之后处理速度便开始出现波动,且在运行期间内最高速度为160 个/min,平均速度为117 个/min,效率只有借助态势感知技术进行调度方式的一半。在采用态势感知技术进行调度的主要优势体现在于其处理速度,使得更多的电网信息资源能够在相同时间内被处理,从而提升了电网信息的传送效率与及时反应速度。

本文提出了一种利用人工智能技术对数据进行过滤筛查整理的技术,并对其实用性进行了验证,事实证明该设计架构下所采用的态势感知技术与GPR模型的构建能够以较高的精度预测电网未来环境走向,并建立起基于处理信息知识库的智能检索与决策引擎构架,以实现电网内调节单元的自动控制。在实际运用中可能出现的各种更为复杂的问题,具体解决方案有待研究。本文为该项技术的实用性研究做铺垫,以起到一定技术支撑的作用。

猜你喜欢知识库架构调度基于FPGA的RNN硬件加速架构成都信息工程大学学报(2022年4期)2022-11-18功能架构在电子电气架构开发中的应用和实践汽车工程(2021年12期)2021-03-08《调度集中系统(CTC)/列车调度指挥系统(TDCS)维护手册》正式出版铁道通信信号(2020年10期)2020-02-07基于强化学习的时间触发通信调度方法北京航空航天大学学报(2019年9期)2019-10-26基于云服务的图书馆IT架构时代人物(2019年27期)2019-10-23一种基于负载均衡的Kubernetes调度改进算法成都信息工程大学学报(2019年3期)2019-09-25虚拟机实时迁移调度算法三门峡职业技术学院学报(2019年1期)2019-06-27基于TRIZ与知识库的创新模型构建及在注塑机设计中的应用制造技术与机床(2019年6期)2019-06-25WebGIS架构下的地理信息系统构建研究计算机测量与控制(2017年6期)2017-07-01高速公路信息系统维护知识库的建立和应用中国交通信息化(2016年9期)2016-06-06

老骥秘书网 https://www.round-online.com

Copyright © 2002-2018 . 老骥秘书网 版权所有

Top