第1章 电力系统仿真分析的人工智能方法概述
1.1 电力系统仿真分析的含义和特点
电力系统(电网)是一个由多种元件构成的复杂人工网络，由于电能传播的瞬时性、系统状态变化的快速性，需要借助基于机理建模和数值计算的电网仿真技术，对电力系统进行预先或在线分析，以理解系统特性、掌握变化规律、确定控制策略。电网仿真的主要任务是对电网在一定运行方式下无扰动或受到各种扰动而产生的各种稳态及暂态过程进行计算模拟。电力系统动态元件对系统电压和频率变化的响应时间可从微秒、毫秒级到数小时。仿真的对象可以是电网内所有元件及电网中发生的各种物理过程。
电力系统仿真广泛应用于电网规划设计、运行控制、安全防御等领域，是电气工程领域的基础性支撑技术[1-3]。例如，电网规划方案的可靠性、经济性、灵活性和安全水平的评估，需要大量的仿真分析，并根据仿真分析结果选择*优的规划方案；各级调度的运行方式安排必须经过大量的仿真计算，模拟各种潮流方式下的故障冲击并校验相应的措施，来确定安全的运行方式；电网安全防御策略也需要大量精细的仿真分析来确定。
在实际工作中，电力系统仿真分析可以看作根据特定的研究目的，“提出假设”、“计算验证”以及“分析误差”的循环过程，如图1.1所示。
图1.1 电力系统仿真分析的基本过程
电力系统仿真计算本质上是一种科学计算，主要包括潮流计算和暂态稳定计算，计算涉及的数据如图1.2所示。其中，由于电网元件仅与邻近元件相连的拓扑特性，潮流方程具有高度的稀疏性[4]。
从内在特性角度看，*先，电力系统仿真计算的历史数据积累量很大，而且还可以根据需要产生巨量的数据，例如，国家电网主网架进行1次典型的40s电网振荡过程仿真时，仅全网母线电压变量(5万个)的结果数据就可以到达1GB以上；其次，数据维数与电力系统仿真参数和变量密切相关，目前国家电网主网架的计算规模已达5万个节点以上，涉及数百万个参数，可输出的变量高达百万个；再次，电力系统仿真数据中有着通过方程组刚性表达的、高度复杂的线性和非线性关系；*后，由于电力系统运行变化的连续性，暂态仿真计算的每步解之间还有紧密的时序联系。由此可见，电力系统仿真数据具有海量、高维、稀疏、复杂时(时间)空(参数、模型和解描述的物理空间)关联的特点。
1.2 电力系统仿真分析面临的挑战
基于机理模型的电力系统仿真能够为求解系统状态量提供有力支撑，但是在电力系统仿真分析与决策方面，依然有很多环节需要人工参与。以电力系统各级调度运行中必须进行的电力系统方式计算的稳态和暂态仿真决策为例，主要环节如图1.3虚线[C1]框所示。
这个过程中需要人工根据潮流仿真和暂态稳定仿真的大量结果进行分析、总结，以寻找描述和影响电网安全的关键特征，并利用专家经验开展潮流数据调整、严重故障安全稳定措施确定与校核等工作。这种传统工作模式随着我国电网规模的不断扩大，在以下方面渐显不足。
(1)大量消耗人力成本。由于电力系统仿真计算涉及数百万个参数、上百万个变量，因此对其进行分析和数据调整的难度越来越大，需要耗费大量的人力。例如，目前国家电网主网架每年需要进行4次运行方式计算，每次都需要集结20～30人，历时长达2～3个月。
(2)严重依赖专家经验。在电力系统仿真分析中，能否发现问题并找到解决办法主要取决于专家的技术水平和工程经验，普通技术人员难以胜任复杂电力系统仿真分析工作。
图1.3 仿真分析的主要环节
(3)易于引发错漏现象。电力系统仿真数据具有高度的复杂性，其内在规律的提取和判别难度较大，在主要依靠人工分析的情况下，错漏现象日益增多。
(4)难以控制分析误差。受限于人的精力和工作能力，电力系统仿真分析的精度难以保证。例如，在人工调整潮流断面时，能够达到1%以内的误差就可以接受，但这可能意味着数万千瓦的功率差异，而当多个断面及其他误差源的误差累积时，对分析误差的控制将会愈加困难。
综上所述，以人工为主的方式已难以满足日益复杂的电力系统仿真分析需求，急需探索新的支撑技术。
1.3 人工智能技术带来的机遇
近年来，人工智能(AI)得到了长足发展，在医疗、商业、交通、翻译、图形等诸多领域都取得了突破性进展，有效降低了人力投入、弱化了专家依赖、减少了决策错误、提高了分析精度。例如，IBM公司的Watson人工智能医疗诊断系统在2012年就通过了美国职业医师资格考试，仅在中国就已有数十家医院在使用。对于多种癌症，其所提供的诊疗方案与顶级医疗专家可以达到近90%的吻合度，能够有效减少误诊、提高诊疗的精度和效率。
将人工智能中的先进技术、思维与传统的电网机理分析相结合，能够为电网仿真分析技术的发展提供新的道路，有望填平仿真计算与结果分析之间的沟壑。*先，基于人工智能技术有望提高电网仿真计算的效率，代替手工调整工作；其次，在目标明确的情况下，引入人工智能技术可以由计算机根据既定目标不断推进仿真分析过程，得到比人工分析更为精准和优化的结论；*后，对于传统方法难以高效解决的运行方式生成、动态特征分析、安全稳定措施制定等问题，人工智能都有望提供更好的解决方案。
在以大数据AI、跨媒体AI、人机混合增强AI等为代表的新一代人工智能技术中，与电力系统仿真分析密切相关的主要有知识驱动[5]、表示学习[6]、强化学习[7]以及迁移学习[8]等。其中，知识驱动指的是在电力系统仿真分析过程中，有效利用知识直接实现智能分析或运用知识提高仿真结果分析、策略生成、知识发现等问题求解的精度和效率；表示学习有效融合复杂形态电网仿真数据的多源异构信息，自动学得数据的低维稠密实值向量表达，获得电网数据不同层级不同视角的洞察力；强化学习就是智能系统从复杂约束条件下的电力系统仿真数据环境到行为映射的学习，以使奖励信号(强化信号)函数值*大，从而实现电力系统潮流自动调整、安全稳定措施自动生成等功能；迁移学习则针对不同电网在电压等级、网络特点、输电策略、元件等诸多方面的差异，通过学习差异化电网场景中的问题结构，实现不同电网场景下人工智能算法和模型的迁移。
1.4 基于数字仿真的电力系统人工智能分析研究框架
针对建立电力系统仿真分析与决策的人工智能这一问题，可以从四个方面开展研究：①面向电力系统仿真分析的知识深度融合与演化，研究电力系统仿真分析知识经验的人工智能建模和应用方法，解决研究新的知识模型、管理与应用技术这一难题；②面向电力系统仿真分析的海量高维稀疏复杂时空关联数据关联关系挖掘与知识发现，研究电力系统仿真分析的人工智能建模与知识发现，解决复杂形态电网中的数据表征、知识发现、模型泛化和知识融合这一难题；③面向电力系统潮流方式的人工智能生成，基于知识驱动方法研究电力系统潮流方式智能分析与调整的模型和算法，解决电力系统超大规模潮流方程组参数和结构的人工智能调整这一难题；④面向电力系统稳定性人工智能分析、自主调整与决策，基于数据驱动和知识驱动方法研究电力系统稳定性智能分析与控制的模型和算法，解决电力系统快速、准确的稳定性人工智能分析与控制策略自主生成这一难题。研究框架如图1.4所示。
图1.4 研究框架
1.4.1 电力系统仿真分析知识经验的人工智能建模和应用方法
研究电力系统仿真分析知识经验的形式化模型和建模技术，提出与知识模型相适合的推理应用方法和知识管理技术；研究在人工智能模型和算法中融合仿真分析知识经验的方法，为使用领域先验知识经验智能化地解决电力系统仿真分析问题奠定基础。具体包括以下几方面。
1)面向电力系统人工智能分析的知识模型和建模技术
针对电力系统人工智能分析中存量知识和增量知识融合、定性知识和定量知识融合、关联知识与事理知识融合的特点，研究知识形式化模型和建模技术，从而实现知识的深度融合。通过有效的知识表达模型，表征经验知识和新发现的知识，从而关联所有知识的共有实体，表示多种定量、时序及演化关系，描述触发实体和关系演化的事件。设计经验知识自动提取算法、自动知识集成算法、知识图谱中实体的时序与演化顺序的自动生成算法，事件的自动发现算法以实现知识建模。
2)面向电力系统人工智能分析的知识获取技术
针对电力系统人工智能分析中存在大量的知识且知识种类繁多的特点，研究知识自动获取技术，从而实现知识库的扩充。通过面向文本的知识获取方法，将海量的文本信息转化为可用的结构化知识，实现对文本关键信息的抽取。研究人机协同的知识获取技术，通过融合知识图谱中的结构信息与文本信息来学习知识图谱上的链接预测任务，以实现人机协同知识自动获取。
3)面向电力系统人工智能分析知识的自动推理技术
根据所研究的电力系统人工智能分析知识模型的特性，研究知识的自动推理方法，从而实现知识的协同推理和自动迁移，进一步扩充有质量保证的电力系统人工智能分析知识库。提出存量和增量知识的协同推理技术、定性和定量协同推理技术、事理知识的自动推理技术。研究面向推理的电力系统人工智能新知识生成技术，从而实现基于推理的知识演化。
4)面向电力系统人工智能分析的知识清洗技术
针对电力系统人工智能分析经验知识的特殊性，研究知识的清洗方法，实现有效的经验知识高效管理体系，搭建能够支撑增量电力系统仿真分析的知识库和相关工具集。针对电力系统人工智能分析知识中缺失、异常等常见错误研究清洗技术，保障知识库质量。研究错误知识的检测方法，以保证能够准确确定知识图谱中的错误知识，为后续知识清洗过程奠定基础。提出错误知识的修复技术，将错误知识修复为正确知识，保证知识的有效性。研究冗余知识的清洗方法，对某些冗余的知识进行剪枝，实现知识图谱的准确性。
1.4.2 电力系统仿真分析的人工智能建模与知识发现
研究面向电力系统仿真分析的海量高维多模态复杂时空关联数据关联关系人机融合挖掘方法，提出关联关系的应用方法，实现电力系统潮流自动调整、安全稳定边界、影响稳定性的关键因素等内在特性的挖掘；研究面向电力系统运行关联关系的知识提取方法，为特定电网运行新规律、新知识的发现和电力系统运行通用知识的提炼提供支撑。具体包括以下几方面。
1)复杂形态电力系统仿真潮流数据和暂态稳定数据的有效表征
面向电力系统仿真分析的海量高维多模态复杂时空关联数据关联关系挖掘，研究基于属性图嵌入的电网潮流数据表征学习模型；研究面向电力系统潮流数据调整过程的表征模型和方法；研究电力系统暂态稳定仿真结果的时序动态表征模型，有效表征暂态稳定结果中的关联性和相似性；研究表征潮流数据和暂态稳定数据的电力系统仿真数据统一学习框架，有效融合电力系统复杂关联数据中的异构信息，为关联关系的应用和电网知识发现提供支撑。
展开
