很高,因此這種認知模型的研究目標通常是與人工分析相結合,提出的調整策略需要經過仿真計算校核,一般不能形成閉環控制。

在面對大電網復雜分析時,僅僅作到數據展示已越來越難以滿足實際工作的需要。目前,在大數據技術領域,面對復雜數據的快速分析提出了可視分析技術^[12-15],該技術將數據可視化的對象由原始數據擴展為數據分析的結果和模型,再配以由分析算法支撐的分析工具,構成人機互動的數據分析環境。由于計算機執行算法的效率很高,而人對圖形模式的識別能力很強,因此可視分析可以結合人與計算機各自的長處,實現對復雜仿真結果的快速分析,為基于電網仿真數據的系統狀態判定和規則發現提供新的途徑。此外,由于在可視分析中數據分析算法只需要體現數據分布的特性,而不需要找出其中的模式,因此在算法設計方面的難度也有效降低,從而使電網仿真數據分析算法的研究成果更容易實用化。

對于電力系統的智能控制問題研究,基于海量仿真數據的深度強化學習是需要著重關注的方向。強化學習適合與序列相關的決策研究,AlphaGo在圍棋對弈中的成功已證明其與深度學習結合后的強大策略搜索能力。電力系統的控制策略本質上也是序列化的,并且每一步驟都會帶來系統的響應,在某種程度上與圍棋對弈類似,因此有可能借鑒AlphaGo的成功經驗。

此外,對于仿真分析涉及的非結構化數據,在認知方面同樣可以采用文本挖掘、可視分析等方法提取其中的規律,但是由于自然語言本身的復雜性,這方面的研究還需結合分詞、語義理解等相關技術開展研究。

 4 知識層

電網仿真分析過程涉及的知識可以分為2類：一是通用性知識,例如用于指導電網安全穩定運行的標準規范;二是與具體對象相關的知識,例如華中電網的運行特性。通常由仿真數據能夠提取的首先是后者,在經由進一步的分析總結后才能獲得新的通用知識。

基于目前的計算機技術,由認知層發現的規律最終上升為知識還需要分析人員參與,從應用系統角度來說,需要構建必要的知識提取和知識搜索模塊,以及知識應用環境,主要包括以下方面。

1）對于知識的提取需要研究人在回路的知識建模方法,方便地實現對知識的結構化總結。這方面需要基于計算機領域中本體建模和數據文本化的相關研究,建立適應于電力系統知識提取的互動環境和自動文本生成工具。

2）知識的搜索需要支持對海量結構和非結構化知識資源的查詢,特別是自然語言文本的快速查詢。解決這一問題的關鍵是基于知識圖譜技術,構建電力系統仿真分析知識圖譜。

3）知識應用包括2個方面：一是結構化建模知識的自動化應用,以專家系統為代表,是提升電網仿真數據分析智能化的關鍵和難點,后續可以結合貝葉斯網絡技術進一步發展和完善;二是對各類非結構化知識內容的瀏覽,主要涉及文本、圖片、視頻、音頻等形式。雖然知識內容本身并不能夠直接作用于仿真數據,但是通過有效的人機互動可以輔助分析人員開展工作,并且在分析人員技能培養、知識經驗積累等方面發揮作用。在這方面基于電力系統仿真分析知識圖譜的知識展現方法,是需要進一步研究的關鍵技術。

 5 系統架構

基于上述分析,可以提出以數據認知為核心的電網智能分析系統基本架構（見圖2）。

圖2 電網智能分析系統的基本架構Fig.2 Power grid intelligence analysis system framework

其中,電網仿真數據應用指在電力大數據平臺上構建的、與電網仿真分析相關的數據子平臺。在各層的右側列出了與之密切相關的技術。需要注意的是認知層中的可視分析技術,或者說數據可視化技術實際上可以擴展到知識、認知、信息和數據層,為各層功能的實現提供支撐。由于人工智能在短時間內難以完全取代領域專家,因此需要將仿真計算、智能分析以及人工參與融合在一起,此時以可視化為核心的人機交互技術將會是這三者相容的最佳媒介。此外,由認知層得到的一部分輸出結果并不能轉化成可以識別的知識,但是不會影響對這些結果的使用,例如通過關聯分析得到的規則可能無法解讀,但卻可以用于指導計算或對新產生數據的分析。

 6 構建的基礎和思路

構建以數據認知為核心的電網智能分析系統涉及電力系統仿真技術、電網運行控制技術、大數據技術、人工智能技術、可視化技術等諸多方面,需要開展跨領域研究和開發。已具備的研究基礎主要如下。

1）數據層。目前電力大數據平臺產品已逐步成熟,對于電網仿真數據的清理和整合在部分相關研究中也已有探索。

2）信息層。電網仿真數據分析是數據挖掘技術應用于電力系統的傳統方向,特征提取和壓縮是所有相關研究都需涉及的,已取得了諸多成果^[16-17]。目前,正在開展的工作主要集中在從數據自身規律提取特征,特別是引入深度學習技術。

3）認知層。目前基于電力系統仿真數據的各類認知研究都已取得不同程度的進展,隨著深度學習的興起,越來越多的專家學者正試圖基于這一技術提升對電網仿真數據的認知效果。與此同時,電力系統仿真可視分析的研究工作也正在開展,力求突破傳統的可視化框架,更好地支撐智能分析算法的研究和應用。

4）知識層。相較于電網仿真數據的分析和認知,電力系統知識的提取和應用目前尚處于起步階段。已有的研究主要涉及基于電網仿真分析數據的系統運行規則提取、知識建模、知識庫構建,以及基于語義模型的數據挖掘等方向^[5,18]。

由于電力系統仿真分析工作通常以問題為導向并且具有很強的應用性,因此電網仿真數據智能分析系統的研究工作可以根據實際情況依托各類專項研究開展,其中的每一類研究可能都會與一個或若干個系統層面有關。隨著研究工作和實際應用的深入,可以將較為成熟的成果逐步加入到一個統一的系統平臺,最終完成整個系統的構建。該系統平臺應當具備與電力大數據平臺對接的能力,具有足夠的開放性,并且可以進一步與電網仿真計算程序結合,使得數據分析時的操作能夠直接觸發相應的仿真計算并自動刷新分析環境,形成分析與計算的連續過程。在這方面,中國電力科學研究院研發的沙盤推演系統能夠為該平臺的建設提供良好起點。

 7 總結

高速發展的電力系統仿真分析技術需要有先進的數據分析技術與之相匹配才能充分發揮作用,本文以DICKW模型為基礎,提出了以數據認知為核心的電網仿真數據智能分析系統,分析了其中各層的特點和關鍵技術,梳理了系統架構和相關的技術基礎。

需要注意的是,本文所提出的電網仿真數據智能分析系統是一個“人在回路”的系統,領域專家是其中重要的一環。未來,隨著人工智能技術的發展,特別是模式識別、電網知識建模,以及專家知識與人工智能算法融合技術的進步,有望實現由仿真數據到認知、知識,再到數據調整、分析計算的閉環,實現全自動化的電網仿真智能分析。此時,領域專家也將由數據認知的參與者變為監督者,主要負責設定分析目標、根據需要查看各層的輸出結果,以及對算法參數進行必要調整。