电力调度控制中心集合了大量数据、规则以及专家经验,是电网运行的“决策大脑”。然而当前调度中心尚有大量简单重复性工作由人工来完成,智能化程度低。以调度中心计划检修停复电场景为例,检修计划单中包含的专家意见为非结构化信息,无法直接作为人工智能算法的输入。同时,停复电任务中包含对次日负荷信息的需求,都为智能停复电系统从辅助决策真正走向“机器代人”造成了困难。本文针对调度中心计划检修停复电场景,创新性地使用自然语言解析技术从历史数据中抽取知识,使用基于神经网络的负荷预测算法判断次日负荷是否能够允许计划转供电实施,即负荷校核功能。并用事理图谱表达倒闸操作、事故处理等调度知识,结合规则引擎进行混合推理。在110k V线路和主变、220k V线路和主变的实验案例上均能正确完成任务,速度明显快于人类调度员和对比方法。利用本文研究内容所构建软件系统已在中国南方某大型供电局示范运行,证明了文中方法的有效性、实用性。更进一步,本文围绕智能停复电系统做出如下研究:1)针对计划检修停复电操作票文本提出了一套基于自然语言解析技术的语义解析方法。智能化地实现将人类专家给出的文本形式、半结构化停复电解决方案解析为便于推理机读取的结构化信息。在学习阶段,使用最小熵模型挖掘文本词典,应用Skip-gram神经网络实现词典向量化和语句向量表示。基于层次聚类算法实现语句向量结构的模式聚类。进而采用最长公共子序列算法提取其正则表达式规范,构成语义解析模型的先验知识库。在语意解析应用阶段,使用短句结构文法技术辨识词语组合的从属关系,设计了专属语义框架抽取重要设备信息。应用依存句法分析方法实现对主语脱落的容错。经过自然语言理解技术处理后的停复电文本从非结构化信息变为了结构化信息,本文用逻辑谓词的形式表达这种结构化信息,作为停复电系统推理模块的输入。2)基于神经网络预测模型提出了一套母线负荷预测算法,用于检修计划单的负荷校核。智能停复电系统对人类专家给出的停复电计划进行审核时,必不可少地要用到次日母线负荷的预测数据。因此,一个成熟的停复电系统须具备母线级负荷预测功能。另一方面,在“建设以新能源为主体的新型电力系统”的大背景下,越来越多的风电、光伏小电源接入母线,新能源发电的波动性让高精度的母线负荷预测变得困难。本文对Transformer神经网络模型进行了必要的改进。将LSTM、GRU、时间序列卷积算法设置为对照组,本文提出方法在预测精度上有更好的表现。以母线负荷预测的结果为检修计划单的审核依据,审核结果同样以逻辑谓词的形式表达,作为停复电系统推理模块的另一种输入。3)搭建了基于事理图谱、知识图谱和推理引擎的5层电力调度知识库。将电力调度中的静态知识用知识图谱形式表达,将调度规程等动态知识用事理图谱形式表达,二者中间通过基于RETE算法开发的推理引擎连接。经过自然语言理解处理的停复电计划安排信息、电网拓扑状态、SCADA和以母线负荷预测为依据的校核结果共同组成了停复电系统推理模块的事实库。将电网调度规程整理成停复电系统的规则库。推理模块利用规则库和事实库推理出新的事实,即操作票中的每一条指令。本文搭建系统在中国南方某大型供电局进行了为期6个月的测试运行,在LinuxRed Hat环境中完成了停复电系统的测试。系统的运行安全可靠,能够极大降低调度员的工作强度,提高审批和执行检修计划停复电的工作效率,闭环自动化完成相关调控业务。