摘要：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。现有的电网调度技术支持系统在大电网侧的应用较为成熟，量测点以及数据质量相较于配用电侧较为完善。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。
　　关键词：电力系统;电网调控;人工智能;
　　1基于人工智能的调度控制系统的设计
　　1.1功能设计
　　快速发展的大数据及数据存储技术为人工智能技术提供了有力支撑，海量历史数据提供了丰富的数据样本，促使机器与深度学习等算法的快速发展和应用，通过训练模拟各要素及参数使学习结果趋近于实际。此外快速发展的硬件技术（包括中央处理器、图形处理器等）提升了人工智能对数据样本的学习及处理效率，考虑到在生产运行控制大区部署以开源为主的人工智能存在安全隐患，本文调控系统的设计思路，主要由位于生产控制大区的实时运行系统（对业务进行实时调控，提供电网运行数据和规则经验）和位于非生产控制大区的智能学习系统（根据数据和规程完成人工智能学习过程，提供决策建议）构成[2]。在电网调控中人工智能的应用功能包括：汇集和存储电网运行的多维度数据（包括设备量测、故障告警、地理位置等），将充足的样本数据提供给后续训练学习使用;引入非结构化的包括运行日志、相关规程、故障处置预案、知识经验等在内的文本数据，实现知识学习和模拟功能;高性能计算架构的建立，集成中央处理器、图形及高性能处理器，使训练学习样本数据的效率得以有效提升;完成人工智能算法引擎的构建，向上层提供算法支撑与服务，使智能化分析与辅助决策得以顺利开展。为使智能分析及决策系统得到进一步完善，作为现有调度控制系统基于机理及物理建模分析的补充，智能学习系统基于经验规则知识和历史数据通过多种人工智能算法的运用（包括语言处理、强化学习、知识图谱等）实现智能学习引擎的建立，训练学习模式采用规则+数据的理解和学习，以实现对调度员思维决策的训练模拟并为电网调控提供决策支撑。
　　1.2系统总体架构设计
　　本文所设计的电网调控系统总体架构如图2所示，针对海量数据和多层级网络参数，由 CPU、GPU、TPU等混合架构构成强大计算能力的计算集群可显著显著缩短训练学习时间，以供机器和深度学习使用;各类结构/非结构化数据（口碑运行数据、外部环境数据以及管理数据等）主要由数据汇集层进行汇集并形成调度大数据平台，以供上层分析使用;基于数据汇集的数据管理主要负责存储和统一访问相关数据，数据存储方式根据数据结构及采样频率确定，提供统一的数据访问服务;相关文本、日志由知识库层采用自然语言处理技术进行学习和理解（以调度规程、运行经验为依据），并据此形成知识化表达的规则库;算法引擎层根据实际需要通过对各类算法（包括聚类分析、知识图谱等）的封装实现将统一的算法引擎提供给上层应用[4]。业务场景层主要包括包括：①态势感知，包括负荷预测、故障预测、安全评估、用电行为分析等，融合了数据驱动和物理建模方法，基于大量丰富的存储周期较长的历史样本数据采用人工智能算法完成训练分析过程，从而显著提升预测准确度。②智能决策，包括设备过载、故障及检修操作等辅助决策，基于物理模型通过调度规程、处置预案、知识经验等的有效融合实现所提供策略实用化程度的有效提高，更好的满足调度运行需求，如断面过载时，调度实际运行通过几台或一组机组（灵敏度相近）的选择微调出力，兼顾了公平和效率;线路故障跳闸后，根据电网实际故障信号通过学习故障处置规程给出线路试送与否的建议，从而显著降低处置工作量。③调度助手，简化了日常调度操作过程，如使用语音结合智能检索调阅所需系统画面，实现实时查询和动态曲线及关键信息展示功能（如查询某设备的过载情况、系统越限告警数据）。
　　2核心功能的关键支撑技术分析
　　2.1 大数据计算与调控技术
　　①数据汇集，根据不同来源系统及不同结构的数据设计多种抽取和汇集方式，将常规数据接入方式（包括传输协议、数据库连接、消息队列等）同大数据的Sqoop、Flume等方式相结合实现数据全量抽取，再采用校验规则引擎清洗和标准化处理数据。②数据存储，为提供统一的对外数据服务，根据不同数据结构的特点采用不同的存储模式，主要包括分布式文件存储、关系型数据库（主要存储静态模型参数）、列式数据库（主要存储历史数据）、内存数据库（处理实时数据）、时序数据库（同步相量测量时标数据）。③数据关联，针对来源不同的数据使用外键、引用等方式实现不同数据的关联，为后续分析提供数据支撑。
　　2.2基于知识谱图的智能辅助决策技术
　　对于以往的经验型调度模式所形成的基于运行经验和知识积累的预案规程，使用人工智能进行训练学习后可显著较少重复性、固定化的操作过程、提升智能水平，作为一种基于图的数据结构的知识图谱具备检索、推理及分析功能优势，可有效描述知识间的关系，可作为规则知识的推理分析引擎，适用于推理和分析调度规则知识，电网调控知识图谱主要包括：知识提取，根据电网调度的文本用语特点采用调度专业词语完成语料库和语义模型的建立，再对文本数据使用自然语言处理技术进行信息抽取形成机器语言;知识表现，通过知识图谱（即将抽取的信息建立多层级关联关系）对知识间的关系进行描述，采用图数据库存储知识语义网络;知识计算，使用相关检索和推理方法获取知识的相关信息，据此提供辅助决策。以故障处置预案知识图谱为例，先对故障预案文本进行学习，抽取得到预想故障设备名称、故障后运行及处置方式等信息并建立知识图谱，实际发生故障时可联动触发图谱查询（通过智能告警）并给出处置预案，通过知识推理服务的调用获取故障后的相关信息，故障发生后调控系统自动给出故障处置任务列表（以知识推理和电网实时状态为依据）和关键信息，结合实时量测和在线辅助决策功能获取辅助决策，通过人工进一步确认后通过自动发电及电压控制等完成相关操作（如故障后方式调整、恢复送电等）;对于设备检修操作可对操作票模板、检修操作规程使用深度学习技术，经人工确认即可完成设备检修操作（采用顺控方式）。在稳定断面智能限额方面，随着电网运行描述标准规范的不断完善，有利于通过自然语言处理技术获取电网运行同断面限额的关系，以便动态更新断面稳定限额的。此外还需不断学习模拟调度操作行为，研究调控操作行为画像技术，自动记录相关操作内容并进行标签化处理，然后对上述调度操作行为进行学习（运用深度神经网络、协同过滤等技术），实现类似事件出现后处置策略的自动推送。
　　结束语
　　本文针对电网调控运行业务场景对人工智能技术的可应用场景进行了初步的探索和分析，完成了电网调控系统总体框架的构建及核心功能的设计，阐述了场景实现锁足的关键技术，为推动以物理建模为主的电网调度分析决策过程向综合運用物理建模及数据驱动方式的转变提高参考。