0 引言

基于數學建模的電網仿真分析是研究大電網運行特性的主要工具,也是電網運行、規劃和設計的重要支撐手段。一般意義上,電網仿真分析可分為仿真計算和結果分析2部分,其中仿真計算基于機理分析,通過對元件的數學建模,經由各種計算過程獲得對系統運行狀態變化、以數值型數據為主的描述,重點在于計算結果的正確性;結果分析則是基于仿真計算的結果,結合分析人員的經驗和相關知識獲得對電網的認識。

隨著電網的不斷發展,我國電網仿真計算技術日新月異,已達到國際領先水平^[1],正在建設的國家電網仿真中心還將把目前以機電暫態為主的電網仿真計算提升到機電-電磁混合,乃至全電磁計算的水平。但是,對于仿真結果的分析目前主要依靠人工進行。面對復雜大電網的海量計算結果,這種方式已經愈發難以滿足實際工作的需要,并造成了對仿真計算能力的浪費。

為了提升對電網仿真計算結果的分析能力,引入智能化技術已是必然選擇^[2],目前已有諸多相關成果,如基于在線數據的快速穩定性分析^[3-4]、電網運行規則提取^[5]等。但是,這些研究只能解決某些特定問題,缺乏對復雜情況分析的支撐能力且零散而不成體系。

近幾年,大數據和人工智能技術的興起為復雜數據分析提供了新的思路。從本質上講,電網分析是一個分析人員基于仿真數據對電網特性的認知過程,可以用DICKW模型^[6]進行概括,DICKW認知體系模型如圖1所示。

圖1 DICKW 認知體系模型Fig.1x DICKW cognition system model

DICKW模型總結了由數據到智慧的認知過程,電網分析主要涉及前4層,即數據、信息、認知和知識。其中,認知是指對信息的分析過程,認知的結果可能是人能理解的知識,也可能是某個人無法理解的復雜模型,例如訓練得到的神經網絡。

結合DICKW模型,可以看出目前電網分析主要存在以下問題：

1）在數據方面僅限于仿真計算結果,但大電網運行實際卻受到諸多條件影響,例如氣象、災害以及設備可靠性等,這使得電網分析的視野受到局限;

2）對于數據中信息的自動提取能力不足。目前,電網仿真數據的輸出方式主要有表格、曲線、單線圖以及地理圖,基本都是數據的直觀展示,缺乏對數據信息的濃縮、提煉過程;

3）在認知方面,目前電網分析主要依靠人工,缺乏智能化的認知手段以及對認知結果的自動化應用環境;

4）在知識方面,知識的積累和應用主要依靠人工,缺乏知識庫和知識應用系統的支撐。

針對上述問題,本文基于數據認知研究了電網仿真智能分析模型及系統架構。這里將“數據認知”定義為基于數據的認知過程,其中數據指圍繞電網分析的大數據,認知則指對電網分析大數據的提煉、總結過程,包括數據到信息、信息到認知、認知到知識3個子過程。從數據認知出發,本文分別闡述智能分析系統數據、信息、認知和知識層的特點,進而提出系統架構和應用構建思路。

 1 數據層

電網仿真分析基于數據進行,數據源主要是電網仿真計算數據和結果,屬于結構化數據。基于大數據思維和技術^[7-11],可以在多個維度擴展仿真分析的數據基礎：

1）結合電力大數據平臺的構建,引入電網公司相關專業的數據,如電網運行可靠性數據、電網設備臺賬信息等,使得仿真計算及相關分析可以充分利用相對可控的電網內部數據,為分析工作的精細化提供必要條件;

2）基于目前的在線分析技術,進一步引入各類在線量測數據,實現仿真計算與實際系統數據的有機結合;

3）圍繞電力系統分析的相關問題,引入與之相關的社會和環境數據,例如氣象、社會活動、經濟發展預測等,拓展仿真計算及相關數據分析的視野;

4）以仿真分析的結構化數據為基礎,加入相關半結構化、非結構化數據,例如電網分析報告以及與電網分析相關的各類標準規范,這些非結構化數據大多反映了分析人員對電網特性的認識和理解,對于人工智能技術在電網分析中的應用具有重要意義;

5）依托國家電網仿真中心、電網云計算系統等強大的計算支撐平臺,構建數字電力系統并通過大量虛擬計算,針對特定目標累積分析樣本和數據。

除了上述5個維度外,隨著對電網仿真分析與電力大數據相結合的進一步實踐,更多的對電網仿真分析有意義的數據源還將被發現。這些海量的多類型異構數據的存儲和處理勢必需要相應的大數據平臺,在這方面新興的電力大數據技術可以提供有效支撐。

目前,由中國電力科學研究院研發的電力大數據平臺已在配電、新能源等領域開展了實際應用,電網仿真數據智能分析系統可以看作是電力大數據平臺之上的一個應用子系統,其數據層所需的大數據管理、存儲、檢索等功能可以基于平臺提供的服務構建,需要研究的關鍵問題是將電力大數據技術與電網仿真數據智能分析的場景結合,完成通用技術的專業化改造,主要包括2個方面：一是針對前述5個維度多類型異構數據的數據模型,實現對數據屬性和關聯關系的高效表達;二是基于提出的數據模型,結合不同類型數據的時序特點,研究高效的數據清洗和整合方法,滿足實際應用時的處理速度要求。

 2 信息層

根據DICKW模型,在電網仿真大數據基礎上需要進一步提煉其中的信息,該環節的核心問題在于數據特征的定義,對電力系統仿真數據進行分析其作用主要如下。

1）對數據信息的凝練和數據規模的壓縮。隨著我國電網的日益復雜、電網仿真計算的不斷精細化,仿真分析所涉及的數據量也在迅速增加。根據不同分析目的和手段的需要,提取相應的數據特征能夠有效縮減數據量、增加數據的信息熵值,從而提高分析效率;

2）在數據分析過程中融合已有電網知識^[9-10]。數據特征的提取除了從數據自身規律出發構建特征量外,還可以將電網已有的運行經驗和理論知識融入其中。例如,在研究穩定性問題時可以將目標電網關鍵斷面信息作為特征量的一部分。實際上,已有電力系統各類指標的研究成果都可以作為數據特征的來源。

3）有可能發現新的指標。從數據自身規律出發的特征探索有可能為電網研究提供新的指標,在這方面相關領域的研究已有先例。例如,采用深度學習技術進行圖形特征提取時,其淺層網絡的輸出就體現了圖形識別的一些內在規律。

電網仿真數據特征的提取主要有從數據自身規律出發、從已有知識經驗出發,以及將二者結合等
3種方式。目前已有的研究大多都是從已有的知識和經驗出發主觀構造初始特征量,而后通過主成分分析、特征重要性排序等壓縮算法獲得最終使用的特征量。這樣做的主要問題是提出的特征量實際是來自于機理分析,可能無法反映電網仿真數據的實際特性。

信息層需要研究和發展的關鍵技術是以深度學習為核心的表示學習方法,從輸入的仿真數據或各種指標出發,提取特征量并完成壓縮。由于仿真分析的目標電力系統多種多樣,因此從實用化角度需要使學習得到的特征量具有遷移能力,在這方面選擇由原始仿真數據計算得到的機理指標或統計量作為輸入量,例如500 kV母線電壓中位數,可能會更有潛力。此外,由于電力系統的復雜性,學習得到的特征量通常難于解釋,因此需要基于知識發現技術研發特征量分析工具,特別是借助可視化方法展現特征量與系統狀態間的關系。

 3 認知層

基于電網仿真大數據的數據特征可以建立不同類型的認知模型,這些模型的構建目標主要是發現數據中蘊藏的規律,或者說模式。對于電網仿真分析,主要的認知模型如下。

1）以數據展示為核心的認知模型,包括將仿真數據轉為特定含義的圖形、結構固定的報表等。這種認知模型的特點在于對計算結果的直接輸出,是目前最常見的形式,缺點主要是統計分析功能較弱、缺乏人機互動,以及對模式發現的支持不足。

2）基于電網仿真數據的智能判別分析模型。該模型的特點是基于大量仿真計算數據面向特定的分析目標,采用數據挖掘或人工智能方法直接獲取單一或多個判別結果。目前,在電網仿真數據分析方面進行的許多研究都屬于這個方面,例如基于在線計算結果進行系統穩定性快速判別^[3]。這種認知模型的優點在于可以快速獲得結論,有助于加速分析過程,對于在線應用具有較大意義;缺點主要是這類模型通常針對特定問題、特定場景構建,當數據發生較大變化時往往需要重新訓練,應用范圍有限,同時得到的結果一般也不容易解釋。

3）基于數據分析的智能規則提取模型。該模型的特點在于利用數據分析方法從仿真數據中挖掘規律,一般是與特定問題相關的規則,目前已有部分研究成果^[5]。這種認知模型主要基于關聯分析,其優點是可以發現潛在的電網特性和運行規律,對電網分析研究有較高價值;缺點主要是獲得的規則可能不夠顯著、難以解釋,以及不容易實際應用。

4）面向電力系統控制策略問題的認知模型。該模型主要基于對電網狀態的判別結果和可用的調整手段,自動給出相應的調整策略。由于電網運行對安全性的要求