0 引言
基于数学建模的电网仿真分析是研究大电网运行特性的主要工具,也是电网运行、规划和设计的重要支撑手段。一般意义上,电网仿真分析可分为仿真计算和结果分析2部分,其中仿真计算基于机理分析,通过对元件的数学建模,经由各种计算过程获得对系统运行状态变化、以数值型数据为主的描述,重点在于计算结果的正确性;结果分析则是基于仿真计算的结果,结合分析人员的经验和相关知识获得对电网的认识。
随着电网的不断发展,我国电网仿真计算技术日新月异,已达到国际领先水平[1],正在建设的国家电网仿真中心还将把目前以机电暂态为主的电网仿真计算提升到机电-电磁混合,乃至全电磁计算的水平。但是,对于仿真结果的分析目前主要依靠人工进行。面对复杂大电网的海量计算结果,这种方式已经愈发难以满足实际工作的需要,并造成了对仿真计算能力的浪费。
为了提升对电网仿真计算结果的分析能力,引入智能化技术已是必然选择[2],目前已有诸多相关成果,如基于在线数据的快速稳定性分析[3-4]、电网运行规则提取[5]等。但是,这些研究只能解决某些特定问题,缺乏对复杂情况分析的支撑能力且零散而不成体系。
近几年,大数据和人工智能技术的兴起为复杂数据分析提供了新的思路。从本质上讲,电网分析是一个分析人员基于仿真数据对电网特性的认知过程,可以用DICKW模型[6]进行概括,DICKW认知体系模型如
图1 DICKW 认知体系模型Fig.1x DICKW cognition system model
DICKW模型总结了由数据到智慧的认知过程,电网分析主要涉及前4层,即数据、信息、认知和知识。其中,认知是指对信息的分析过程,认知的结果可能是人能理解的知识,也可能是某个人无法理解的复杂模型,例如训练得到的神经网络。
结合DICKW模型,可以看出目前电网分析主要存在以下问题：
1）在数据方面仅限于仿真计算结果,但大电网运行实际却受到诸多条件影响,例如气象、灾害以及设备可靠性等,这使得电网分析的视野受到局限;
2）对于数据中信息的自动提取能力不足。目前,电网仿真数据的输出方式主要有表格、曲线、单线图以及地理图,基本都是数据的直观展示,缺乏对数据信息的浓缩、提炼过程;
3）在认知方面,目前电网分析主要依靠人工,缺乏智能化的认知手段以及对认知结果的自动化应用环境;
4）在知识方面,知识的积累和应用主要依靠人工,缺乏知识库和知识应用系统的支撑。
针对上述问题,本文基于数据认知研究了电网仿真智能分析模型及系统架构。这里将“数据认知”定义为基于数据的认知过程,其中数据指围绕电网分析的大数据,认知则指对电网分析大数据的提炼、总结过程,包括数据到信息、信息到认知、认知到知识3个子过程。从数据认知出发,本文分别阐述智能分析系统数据、信息、认知和知识层的特点,进而提出系统架构和应用构建思路。
1 数据层
电网仿真分析基于数据进行,数据源主要是电网仿真计算数据和结果,属于结构化数据。基于大数据思维和技术[7-11],可以在多个维度扩展仿真分析的数据基础：
1）结合电力大数据平台的构建,引入电网公司相关专业的数据,如电网运行可靠性数据、电网设备台账信息等,使得仿真计算及相关分析可以充分利用相对可控的电网内部数据,为分析工作的精细化提供必要条件;
2）基于目前的在线分析技术,进一步引入各类在线量测数据,实现仿真计算与实际系统数据的有机结合;
3）围绕电力系统分析的相关问题,引入与之相关的社会和环境数据,例如气象、社会活动、经济发展预测等,拓展仿真计算及相关数据分析的视野;
4）以仿真分析的结构化数据为基础,加入相关半结构化、非结构化数据,例如电网分析报告以及与电网分析相关的各类标准规范,这些非结构化数据大多反映了分析人员对电网特性的认识和理解,对于人工智能技术在电网分析中的应用具有重要意义;
5）依托国家电网仿真中心、电网云计算系统等强大的计算支撑平台,构建数字电力系统并通过大量虚拟计算,针对特定目标累积分析样本和数据。
除了上述5个维度外,随着对电网仿真分析与电力大数据相结合的进一步实践,更多的对电网仿真分析有意义的数据源还将被发现。这些海量的多类型异构数据的存储和处理势必需要相应的大数据平台,在这方面新兴的电力大数据技术可以提供有效支撑。
目前,由中国电力科学研究院研发的电力大数据平台已在配电、新能源等领域开展了实际应用,电网仿真数据智能分析系统可以看作是电力大数据平台之上的一个应用子系统,其数据层所需的大数据管理、存储、检索等功能可以基于平台提供的服务构建,需要研究的关键问题是将电力大数据技术与电网仿真数据智能分析的场景结合,完成通用技术的专业化改造,主要包括2个方面：一是针对前述5个维度多类型异构数据的数据模型,实现对数据属性和关联关系的高效表达;二是基于提出的数据模型,结合不同类型数据的时序特点,研究高效的数据清洗和整合方法,满足实际应用时的处理速度要求。
2 信息层
根据DICKW模型,在电网仿真大数据基础上需要进一步提炼其中的信息,该环节的核心问题在于数据特征的定义,对电力系统仿真数据进行分析其作用主要如下。
1）对数据信息的凝练和数据规模的压缩。随着我国电网的日益复杂、电网仿真计算的不断精细化,仿真分析所涉及的数据量也在迅速增加。根据不同分析目的和手段的需要,提取相应的数据特征能够有效缩减数据量、增加数据的信息熵值,从而提高分析效率;
2）在数据分析过程中融合已有电网知识[9-10]。数据特征的提取除了从数据自身规律出发构建特征量外,还可以将电网已有的运行经验和理论知识融入其中。例如,在研究稳定性问题时可以将目标电网关键断面信息作为特征量的一部分。实际上,已有电力系统各类指标的研究成果都可以作为数据特征的来源。
3）有可能发现新的指标。从数据自身规律出发的特征探索有可能为电网研究提供新的指标,在这方面相关领域的研究已有先例。例如,采用深度学习技术进行图形特征提取时,其浅层网络的输出就体现了图形识别的一些内在规律。
电网仿真数据特征的提取主要有从数据自身规律出发、从已有知识经验出发,以及将二者结合等
3种方式。目前已有的研究大多都是从已有的知识和经验出发主观构造初始特征量,而后通过主成分分析、特征重要性排序等压缩算法获得最终使用的特征量。这样做的主要问题是提出的特征量实际是来自于机理分析,可能无法反映电网仿真数据的实际特性。
信息层需要研究和发展的关键技术是以深度学习为核心的表示学习方法,从输入的仿真数据或各种指标出发,提取特征量并完成压缩。由于仿真分析的目标电力系统多种多样,因此从实用化角度需要使学习得到的特征量具有迁移能力,在这方面选择由原始仿真数据计算得到的机理指标或统计量作为输入量,例如500 kV母线电压中位数,可能会更有潜力。此外,由于电力系统的复杂性,学习得到的特征量通常难于解释,因此需要基于知识发现技术研发特征量分析工具,特别是借助可视化方法展现特征量与系统状态间的关系。
3 认知层
基于电网仿真大数据的数据特征可以建立不同类型的认知模型,这些模型的构建目标主要是发现数据中蕴藏的规律,或者说模式。对于电网仿真分析,主要的认知模型如下。
1）以数据展示为核心的认知模型,包括将仿真数据转为特定含义的图形、结构固定的报表等。这种认知模型的特点在于对计算结果的直接输出,是目前最常见的形式,缺点主要是统计分析功能较弱、缺乏人机互动,以及对模式发现的支持不足。
2）基于电网仿真数据的智能判别分析模型。该模型的特点是基于大量仿真计算数据面向特定的分析目标,采用数据挖掘或人工智能方法直接获取单一或多个判别结果。目前,在电网仿真数据分析方面进行的许多研究都属于这个方面,例如基于在线计算结果进行系统稳定性快速判别[3]。这种认知模型的优点在于可以快速获得结论,有助于加速分析过程,对于在线应用具有较大意义;缺点主要是这类模型通常针对特定问题、特定场景构建,当数据发生较大变化时往往需要重新训练,应用范围有限,同时得到的结果一般也不容易解释。
3）基于数据分析的智能规则提取模型。该模型的特点在于利用数据分析方法从仿真数据中挖掘规律,一般是与特定问题相关的规则,目前已有部分研究成果[5]。这种认知模型主要基于关联分析,其优点是可以发现潜在的电网特性和运行规律,对电网分析研究有较高价值;缺点主要是获得的规则可能不够显著、难以解释,以及不容易实际应用。
4）面向电力系统控制策略问题的认知模型。该模型主要基于对电网状态的判别结果和可用的调整手段,自动给出相应的调整策略。由于电网运行对安全性的要求
