南瑞：打造电网调控的“最强大脑”

　　文／陆继翔 

　　新型电力系统具有“双高”特征——高比例可再生能源的接入和高比例电力电子设备的应用。随着源、网、荷、储、人等多重因素的耦合，电网正逐步演变为具有开放性、不确定性和复杂性的新型网络。面对这种情况，基于模型驱动的传统电网调度控制体系存在海量机组运行方式求解速度慢、调控经验数字化转换难、新能源功率预测精度低等问题，无法满足新型电力系统建设的实际需求。 

　　人工智能技术具有较好的适应性和灵活性，以数据为基础，融入人类知识经验，在提高电网调度的预测精度和智能化水平两方面发挥积极作用，为电网转型升级和加速新型电力系统构建提供坚强支撑。 

　　调度预测精准化 

　　在新能源电源和电动汽车等装置并网的大背景下，电网波动性加剧，对精细化的电网负荷预测和新能源功率预测提出了更加迫切的要求。传统预测技术已经无法满足当前复杂环境下的精度要求，新型电力系统亟需引入创新性技术，为电网的稳定运行提供算法支撑。 

　　南瑞集团有限公司充分发挥电网深耕优势，建立了传统电网研发人员转化为人工智能专业人员的培养机制，组建了一支由100多名算法研发工程师和软件开发工程师组成的电力领域人工智能专业队伍。该团队基于人工智能、大数据处理等先进技术，打造了“电力时序数据人工智能预测平台”（以下简称“平台”）——充分利用人工智能技术的特征挖掘和关系映射能力，基于数据与模型双轮驱动，深度融合电力领域先验知识，实现时序数据的异常识别与修正以及新能源功率、系统负荷和母线负荷的多时域预测，从而提高新能源功率、电网负荷预测精度，助力新型电力系统建设。 

　　考虑现有数据中常见的异常情况，团队制定了相应规则判断并剔除因通信、检修、数据损坏等造成的历史坏数据——根据经典的分箱、回归、3西格玛、切比雪夫不等式以及聚类等算法完成相关的二次数据清洗，从而达到剔除异常值的目的。当面临大面积数据缺失的情况时，团队通过构建先进的机器学习模型，利用模型预测值来完成进一步的数据修复，从而提高数据的整体质量。 

　　完成样本数据的清洗和修复后，平台会采用负荷自相关性分析、负荷关联因素分析两种算法进行数据处理。负荷自相关性分析是利用自相关系数实现负荷曲线自身时序特性的量化，构造核心趋势特征；而负荷关联性分析则是在综合考虑工作日、节假日、气象等相关因素的基础上，采用相关性分析技术对影响负荷的因素进行关联性排序，剔除对负荷影响较小的因素，减小特征冗余度，在降低模型学习难度的同时防止过拟合，提高模型训练效率。 

　　在上述两种算法的基础上，针对负荷数据时序性和非线性的特点,团队还创新性地提出了一种基于卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合模型短期负荷预测方法，实现了多变量复杂空间下的潜在非线性信息提取和时序关系捕捉。 

　　该创新技术可以用于预测深度神经网络的场景化构建：通过对电网历史负荷信息、气象信息、区域人口信息、区域经济信息等多维数据开展分析，研究不同数据类型适合的大数据分析方法，实现对负荷特性的多维度分析；基于多影响因子特征工程技术以及不同特性负荷的分类和建模方法，根据实际业务构建适应不同场景的负荷预测模型，包含超短期、短期和中长期负荷预测等。 

　　目前，平台已实现了新能源功率预测误差分析和新能源功率多算法融合预测。新能源功率预测误差分析是指平台基于风过程分类数学模型实现不同风资源的分类，如低风力、小波动、持续波动、大波动、双峰出力等，在此基础上评估模型在不同风资源下的预测精度，并基于核密度估计法实现模型预测误差的概率密度估计，全面了解模型性能。新能源功率多算法融合预测则是平台通过研究多种基学习器的融合特性，基于stacking机制提出适用于新能源功率数据的多模型融合预测策略，突破单一算法在自身结构上的局限性，使研发融合预测模块实现XGBoost、LightGBM、LSTM、KNN、CNN以及自研算法的自由融合预测。 

　　在实际应用中，平台在浙江、江苏、河北打造了多项精准化预测示范工程，实现集中式新能源场站发电功率、母线负荷、系统负荷、配网分布式光伏功率的全场景覆盖。其中区县级的负荷预测准确率达96%以上，全社会负荷预测准确率达97.8%，在新型电力系统源荷管理、优化电力调度、保障迎峰度夏等方面发挥了重要的作用。 

　　辅助决策智能化 

　　电力系统地域分布广泛且包含大量特性各异的设备和控制系统，所涉及的状态空间非常大，动作维度非常高。同时，在源、荷均不确定性和波动性的影响下，电网数学模型集中求解可能会遇到信息不全、通信瓶颈或计算速度慢等问题。传统计划调度已不能完全适应新型电力系统，需要借助人工智能技术实现智能调度，为此，南瑞集团积极探索深度强化学习算法在调度系统上的应用。 

　　深度强化学习是指智能体能通过环境给予的当前状态，做出相应动作，并根据环境给予的即时反馈来学习该动作。该技术的关键在于设计有效的状态空间、动作空间以及奖励函数，在大规模复杂优化问题求解中，引入领域先验知识，有效缩减强化学习的探索空间，提升样本效率、训练速度和收敛性。 

　　基于深度强化学习算法，南瑞集团的人工智能团队建立了一个深度神经网络模型，在充分消纳新能源的前提下实现电网的优化调度与稳定运行。 

　　南瑞集团还利用深度强化学习算法设计出了一个双智能体模型，该模型具有Base agent和DRL agent两个智能体。其中Base agent是最基本的智能体，会利用仿真结果处理比较容易解决的电网问题，比如电网里的波动、突发故障或者是检修计划等。这相当于人生病以后去医院看全科医生，得到一些初步判断和简单处理。但当遇到复杂状况时，还是需要找专科医生解决——DRL agent基于D3QN算法原理，能够解决Base agent所不能解决的疑难问题。两个智能体的有机结合可以解决电网实际运行中的更多问题。 

　　如今，深度强化学习已被应用到地调无功电压智能分析辅助决策的工程项目中。基于D5000支撑平台，与现有的地区自动电压控制（AVC）功能并列作为不同的分析决策方法，采用相同的电网模型、实时数据、定值参数等输入，通过智能分析输出无功电压控制决策。结合地区电网特点，地区电网脑支持变电站、新能源站、储能电站的无功资源协调控制，主要包括容抗器、主变档位、新能源及储能的无功/电压目标指令。无功电压控制策略模块在策略合法性和经济性方面均有显著提升，为期14天的开环测试结果显示，策略的校验通过率达99.1%，提升了约16个百分点。 

　　除了自主研发的人工智能平台，还提出输电全景智慧平台、安全生产风险识别等人工智能场景解决方案，并推出调度电话虚拟座席、线路图像智能监拍精灵等20余款人工智能应用产品，形成了人工智能“硬件+软件+应用”产品布局。今后，随着深度强化学习水平不断提升，人机交互更加友好，这些技术和产品将在新型电力系统的构建中发挥更大的作用。 

　　（作者系南瑞集团南瑞研究院新技术应用研发中心副总工程师）