电力系统稳定与控制_为电力系统调度控制插上智慧之翼

分析当前电力系统运行特性，研究电网潜在的安全稳定问题，提高电力系统的可观性和可控性，对于保证电网安全稳定运行具有重要意义。清华大学电机系新能源电力系统动态分析与运行团队通过开展电网运行特性的智能分析和决策研究，构建了基于人工智能技术的电力系统智能调度与控制体系，实现电网关键特征量提取、在线规则匹配、规则库自动学习、控制规则建议等功能，为电力系统调度控制插上了智慧之翼。

━━━━

每到夜幕降临，城市里都会亮起万家灯火，这仿佛是最平常的事情。但在这看似平凡一幕的背后，电网必须经历一系列精细化的调度和控制，才能平稳地满足各类用电需求。而随着全国联网规模的不断扩大和电压等级的不断提高，电网交直流互联模式日益复杂，同时可再生能源发电的占比越来越高，尤其是近年电力系统调度运行日益朝着“数字化、集成化、智能化”方向发展，引发了诸多问题，使得精细化和准确化的控制模式越来越难以实现。

首先是业务终端繁多，数据量庞大，且24小时不间断运行，再加上现场工况复杂、环节多、设备结构复杂，因而容易产生异常数据，同时难以自动识别电力系统复杂的运行模式；其次是电力系统中受控设备急剧增多，控制模式协调优化统一的问题日益突出，同时难以从理论推演的角度对电力系统进行安全性分析；再次是根据目前电力系统理论计算所得到的电网暂态稳定分析结果往往过于保守，既不利于电网的高效节能运行，也不利于未来的规划发展。 在这种情况下，目前传统的电力系统调度控制手段已经难以满足当前高电压、交直流、多能源的电网需求，有必要借助于大数据和人工智能等新兴技术，充分利用电力系统运行过程中监控和量测系统产生的多源、异构海量数据，实现对电网运行状态的智能分析和判断，并自主给出电网运行的优化调度和控制策略，从而实现电力系统的智能调度与控制。在此过程中，有效利用人工智能和大数据技术处理海量数据和不准确物理模型方面的优势，对采集到的电网异常数据进行智能校核，对电网运行进行智能安全分析和评估，研究潜在的安全稳定问题，提高大电网的可观性和可控性，成为“基于人工智能的电力系统智能调度控制技术及应用”研究的关键科学问题。

为此，清华大学电机系新能源电力系统动态分析与运行团队针对威胁电网安全稳定运行的电力系统调度控制难题，深入开展了电网运行特性的智能分析和决策研究。研究基础数据智能检测方法以提高数据质量，根据风光联合出力特性构建模拟场景描述风光出力不确定性，实现电网运行模式智能识别；研究电力系统关键特征选择方法，利用数据挖掘技术获取电网实用动态安全域，掌握电力系统运行的安全边界；利用深度学习算法构建电力系统暂态稳定性评估方法体系，提升大规模电力系统暂态稳定性的分析和决策水平。

其中，研究团队在胡伟副教授带领下，利用数据挖掘、深度学习技术和人工智能技术等新兴技术处理海量数据和不准确物理模型方面的优势，从“电网海量数据在线精准辨识与模拟场景构建”“基于数据挖掘的电网动态安全域智能获取”“基于深度学习的电力系统暂态稳定评估”3个方面对电力系统调度与控制进行了深入研究，为电网调度和控制提供重要的决策依据。研究团队主要着眼于研究大数据技术及人工智能技术在大型电网暂态稳定分析中的应用，分析电网潜在的安全稳定问题，对电力系统安全稳定进行评估，提高电力系统的可观性和可控性，做好预警工作，找到系统运行的高维安全域边界，并将研究结果应用在电网的日常运行安全稳定分析以及紧急控制策略的研究当中。经过不懈努力，研究团队构建了基于人工智能技术的电力系统智能调度与控制体系，开发出电网智能调度与控制平台，研究成果已成功应用于多个网省级电力公司，使得电力系统调度控制更加智慧。 ━━━━ 电网海量数据在线精准辨识 目前的电网调度数据呈现出多源、异构、海量的特点，导致基础数据辨识和检测的任务繁重，而目前系统自我辨识和检测能力不足，依靠人工检测不仅费时费力且准确度较低。为了改变这样的局面，研究团队以电网基础数据为研究对象，结合基础数据高维、非线性、噪声大、表现形式不一的特点，以人工神经网络作为核心算法，建立了海量电网数据在线精准辨识研究框架。

研究团队引入加权欧氏距离，提出了主成分贡献率、变异系数、四分位相对离差系数三类权重赋值法，区分不同维度属性的重要性和聚类贡献率，以避免因为数据维数过高对算法效果的不利影响，使得改进后的算法在高维数据的检测上优于传统SOM算法。将核函数引入到权值更新公式中，通过核诱导的隐映射将低维输入空间中的非线性问题变换至高维(甚至无穷维)特征空间中较易解决的线性问题，并以内积形式刻画，有效解决输入样本的非线性问题，使得改进后的算法在非线性数据的检测上优于传统SOM算法。还结合K-Means算法形成基于SOM和K-Means的两阶段算法，克服了传统SOM算法时间性能上的不足，改进算法的时间性能大幅提高。

研究团队通过神经网络算法对电网海量基础数据进行智能检测与分析，所采用的理论技术与方法在电网中具有开创性意义，主要体现在以下两方面：一是引入人工神经网络算法，使得基础数据校核具备自学习、自判别的人工智能特性；二是所建立的基础数据智能检测模型对电网中高维、非线性、噪声大的数据均适用，且模型具有泛化能力，对不同类型的业务数据均适用，应用场景非常广阔。 ━━━━ 基于数据挖掘的电网动态安全域智能获取 分析电网在线安全稳定的传统方法主要是通过人工离线进行方式计算，获取一定的安全稳定规则来在线匹配，以此来调控电网的运行。以上方法获取的安全稳定规则受到较大的局限，很容易导致保守性过大，同时内在耦合机理不清，难以适应在线运行方式的多变。为此，研究团队利用数据挖掘技术，创新性地提出“获取关键监控对象、获取高维安全域制定精细规则、适应在线运行方式多变”的电网动态安全域智能获取新方法。 研究团队设计了一种考虑组合效应的关键特征选择算法，该算法能够将实际电网常用的关键控制对象——关键断面潮流作为特征纳入筛选范围，并选择出与该断面特征具有较好组合效应的特征，组成描述动态安全域的关键特征集。还建立了基于SVM算法的电网实用动态安全域获取方法，该方法以断面特征为基础进行描述，并将电力系统的因果关系与数据挖掘的相关关系进行结合；此外由该方法获取的高维实用动态安全域还能体现断面特征之间或断面特征与其他潮流特征之间的耦合关系，这正是人工方式计算的盲点所在。研究团队给出了一种基于增量学习SVM算法的电网实用动态安全域的在线更新方法，弥补了离线训练得到的结论难以覆盖全部未知情况的不足，能够实现动态安全域边界的在线滚动更新，从而使基于断面特征描述的动态安全域边界更接近真实安全域边界，以适应在线运行方式的多变。

━━━━

基于深度学习的电力系统暂态稳定评估 目前，电力系统暂态稳定评估方法基本上都是基于大规模仿真计算的时域仿真法和基于李雅普诺夫稳定性理论的直接法，这两类方法均无法满足在线暂态稳定评估对于计算快速性和评估准确性的要求，亟需寻找在线暂态稳定评估的新理论和新方法。研究团队使用深度学习算法，深度挖掘暂态稳定计算过程中积累的海量数据，创新性地实现了故障后暂态稳定性的快速评估。

研究团队提出了基于深度置信网络的表达学习方法，通过对深度置信网络增加反应电力系统网络特性的约束，使得深度置信网络可根据电力系统网络自动调整权值分布，增强了深度置信网络的泛化能力。在深度置信网络的研究基础上，对原有网络添加了循环单元，首次提出了循环门单元-深度置信网络的深度学习模型，可利用多时间点量测信息修正实际运行情况与假设的偏差，进一步提升稳定性评估的准确性。探索了深度学习模型的解释方法，提出了局部线性化解释方法和隐含层状态可视化解释方法，建立了原始输入与模型输出间直观的联系，还可用于指导模型结构调整和参数优化。

在研究团队提出的深度置信网络隐含层输出可视化结果中，研究团队利用t-SNE可视化工具将深度置信网络每层的输出都降维到二维平面上，便于展示其中样本点的相对位置。在原始的输入空间中，电力系统稳定样本和不稳定样本相互掺杂在一起，没办法分开，随着网络层数的加深，样本的可分性能越来越好，在最终的表达空间中用简单的线性分类器即可将稳定样本和不稳定样本分开，实现了电力系统暂态稳定的准确评估。

胡伟副教授与研究团队围绕基础数据智能检测与场景模拟、基于数据挖掘的电网实用动态安全域研究和基于深度学习的电力系统暂态稳定评估等开展深入研究，构建了基于大数据技术的电力系统智能调控技术体系，实现了电网关键特征量提取、在线规则匹配、规则库自动学习、控制规则建议等功能，为电网安全稳定运行提供了技术支撑。相关成果在国家自然科学基金重大项目、国家自然科学基金面上项目和国家电网公司重点科技项目中获得应用，并在国调中心、华中网调、湖北省调等多家单位进行了示范应用。基于理论成果开发的电网基础数据智能校核平台和电网安全稳定智能分析与控制软件，在国家电网华中分部调控中心、湖北电力调控中心等单位实现了在线应用。

由研究团队与国家电网华中分部联合开发的大电网网络特性自主分析程序应用于华中电网，结合华中电网从SCADA中取到的实时运行数据和运行方式处提供的离线数据计算潮流结果，给出华中电网安全稳定规则的分析模型及其网络特性和关键控制对象的自主分析方法。当华中电网的拓扑结构发生变化时，可以基于大数据工具提取出拓扑结构变化影响指标，基于此可以分析出拓扑结构的变化对原有安全稳定规则的影响，补充修正原有规则库，验证其合理性和可用性，并在华中电网OMS系统中开发软件进行功能展示。研究团队开发的软件可以给出对华中电网的实用化控制措施建议，为调度运行人员的决策提供参考。

软件信息总览页面主要展示大电网的地理接线图与关键断面的限额信息、拓扑潮流的匹配结果信息以及对应的控制策略信息，该页面还可以在离线状态下进行线路断开与闭合操作，同时可以展示操作后的相关关键断面的限额信息、拓扑潮流的匹配结果信息以及对应的控制策略信息，可以对故障进行历史反演。电网关键特征量页面主要展示各个时间断面的电网的关键特征量及对应的潮流与拓扑信息。稳定规则页面对华中电网的稳定规则书内的内容进行电子化处理并录入到系统中，作为系统稳定规则的补充与依据。运行方式聚类页面对大电网的运行方式在一段时间内从潮流与拓扑两个维度进行聚类分析，得到相应的聚类分析结果，为系统模式匹配提供依据。断面关键特征量页面则展示对各个断面的关键特征量提取的结果，该信息主要为大电网网络特性自主分析程序服务，也可通过专家进行人工的判别与验证。

目前，“基于大数据的电网安全稳定智能控制”研究成果已通过湖北省组织的成果鉴定，以程时杰院士为组长的鉴定委员会评价该研究成果整体达到世界领先水平。自2017年开始，研究成果相继应用于国家电网有限公司下属的省市电力公司，有效提高了电网的安全稳定运行能力和电网安全稳定运行水平，减少了电力系统故障的发生。实践证明，研究团队的研究成果具有很高的成熟度，应用前景广阔，相当于为电力系统调度控制插上了智慧之翼，更好地保障电网的精准调度和安全运行。

致谢：感谢国家自然科学基金重大项目“基于风资源时空动力学与统计学特性解耦的功率预测理论与方法”(项目编号：51190101)、国家自然科学基金项目“基于深度学习大数据技术的电网安全稳定智能分析和评估研究”(项目编号：51777104)和国家重点研发计划项目“多能源电力系统互补协调调度与控制”(项目编号：2017YFB0902200)的支持。

本文刊登于IEEE Spectrum中文版《科技纵览》2020年9月刊。

专家简介

胡伟：清华大学电机系副教授，清华大学能源互联网创新研究院电网大数据分析与控制研究室主任，IEEE高级会员。

闵勇：清华大学电机系教授。

鲁宗相：清华大学电机系长聘副教授。

乔颖：清华大学电机系副教授。

孙云超：清华大学电机系科研助理。 郭秋婷：清华大学电机系科研助理。

IEEE Spectrum

《科技纵览》

官方微信公众平台

>>>本文为原创，转载请回复。<<<

往期推荐

功能性碳纳米管CPU终于诞生

新型纳米球探针：开启认知微观世界的新窗口

最后的硅晶体管，纳米片器件也许是摩尔定律演进的最后一步