鄧智廣，譚振鵬

摘 要：針對(duì)智能電網(wǎng)調(diào)度控制系統(tǒng)的在線健康度評(píng)價(jià)問題，基于機(jī)器學(xué)習(xí)算法中的隨機(jī)森林算法（RF），提出一種智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型——不需設(shè)復(fù)雜參數(shù)、指標(biāo)權(quán)重及分級(jí)標(biāo)準(zhǔn)。通過構(gòu)建模型并進(jìn)行實(shí)例驗(yàn)證分析，證明了該模型的有效性。

關(guān)鍵詞：機(jī)器學(xué)習(xí);隨機(jī)森林;智能電網(wǎng);調(diào)度控制;健康度評(píng)價(jià)

中圖分類號(hào)：TM73;TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2021）12-0158-04

Research on Online Health Evaluation of Smart Grid Dispatching Control System Based on Machine Learning

Deng Zhiguang， Tan Zhenpeng

（Foshan Power Supply Bureau， Guangdong Power Grid Corporation， Foshan 528000， China）

Abstract：Aiming at the problem of online health evaluation of smart grid dispatching control system， an online health evaluation model of smart grid dispatching control system is proposed based on random forest algorithm （RF） in machine learning algorithm， which did not need to set complex parameters， index weight and grading standard. The effectiveness of the model is proved by building the model and performing the case verification analysis.

Key words：machine learning; random forest; smart grid; dispatching control; health evaluation

0 引言

智能電網(wǎng)調(diào)度控制系統(tǒng)集成了動(dòng)態(tài)預(yù)警、調(diào)度計(jì)劃等多個(gè)應(yīng)用系統(tǒng)，實(shí)現(xiàn)了多級(jí)調(diào)度業(yè)務(wù)的聯(lián)合協(xié)調(diào)管理工作，對(duì)于保障我國電網(wǎng)的安全和穩(wěn)定運(yùn)行有著極大的作用。為了加強(qiáng)智能電網(wǎng)調(diào)度控制系統(tǒng)的運(yùn)維、預(yù)警以及快速處置等能力，提高相關(guān)工作的效率，運(yùn)維人員需要對(duì)系統(tǒng)運(yùn)行實(shí)時(shí)狀態(tài)信息能夠全面地了解掌握。因此，本文針對(duì)智能電網(wǎng)調(diào)度控制系統(tǒng)的在線健康度評(píng)價(jià)問題展開研究，探討更快速、更精確的健康度評(píng)價(jià)方法。

1 智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)指標(biāo)體系的構(gòu)建

在評(píng)價(jià)問題上，構(gòu)建合理的指標(biāo)體系是最基礎(chǔ)的階段，因此本文首先對(duì)智能電網(wǎng)調(diào)度控制系統(tǒng)運(yùn)行過程仔細(xì)分析，歸納總結(jié)其健康度影響因素主要包括系統(tǒng)硬件設(shè)備的狀態(tài)、系統(tǒng)中各項(xiàng)業(yè)務(wù)的狀態(tài)等，并在此基礎(chǔ)上構(gòu)建了智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)指標(biāo)體系。

1.1 系統(tǒng)硬件設(shè)備在線健康度評(píng)價(jià)指標(biāo)體系

本文所構(gòu)建的系統(tǒng)硬件設(shè)備在線健康度評(píng)價(jià)指標(biāo)體系如表1所示。

從表1可以看到，系統(tǒng)硬件健康度評(píng)價(jià)指標(biāo)體系中包含了3個(gè)等級(jí)的指標(biāo)。系統(tǒng)服務(wù)器作為最核心的硬件，其健康度為最高層次的一級(jí)指標(biāo);CPU、網(wǎng)卡以及硬盤等設(shè)備的健康度為二級(jí)指標(biāo);在各二級(jí)指標(biāo)下，有對(duì)應(yīng)硬件的使用率等三級(jí)指標(biāo)。

1.2 系統(tǒng)業(yè)務(wù)在線健康度評(píng)價(jià)指標(biāo)體系

智能電網(wǎng)調(diào)度控制系統(tǒng)集成了公共服務(wù)等多個(gè)應(yīng)用系統(tǒng)以及關(guān)系數(shù)據(jù)庫、實(shí)時(shí)數(shù)據(jù)庫等，因此與系統(tǒng)硬件健康度評(píng)價(jià)指標(biāo)體系相比，系統(tǒng)各項(xiàng)業(yè)務(wù)在線健康度評(píng)價(jià)指標(biāo)體系的構(gòu)建相對(duì)復(fù)雜。本文對(duì)數(shù)量較大且層級(jí)關(guān)系復(fù)雜的各項(xiàng)業(yè)務(wù)進(jìn)行分析歸納后，分別建立了各子業(yè)務(wù)相應(yīng)的業(yè)務(wù)在線健康度評(píng)價(jià)指標(biāo)，再將智能電網(wǎng)調(diào)度控制系統(tǒng)中所有子業(yè)務(wù)的業(yè)務(wù)在線健康度評(píng)價(jià)指標(biāo)結(jié)合為一個(gè)系統(tǒng)業(yè)務(wù)在線健康度評(píng)價(jià)指標(biāo)體系，具體如圖1所示。

2 基于隨機(jī)森林的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型

近年來在對(duì)象評(píng)價(jià)問題上常用機(jī)器學(xué)習(xí)算法，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林等。這些機(jī)器學(xué)習(xí)算法都具有較好的處理非線性數(shù)據(jù)處理能力;但是相比較而言，隨機(jī)森林算法（RF）有行隨機(jī)和列隨機(jī)兩個(gè)隨機(jī)性，因此可以有效地降低過擬合的概率，對(duì)離散型和連續(xù)型的數(shù)據(jù)均能夠進(jìn)行處理，并且更適合并行化應(yīng)用。本文根據(jù)前文所構(gòu)建的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)體系，構(gòu)建基于隨機(jī)森林算法的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型。

2.1 系統(tǒng)在線健康度評(píng)價(jià)模型的構(gòu)建

本文采用了多層級(jí)聯(lián)的架構(gòu)方案，在多層級(jí)的原則基礎(chǔ)上，構(gòu)建了各業(yè)務(wù)通用的子模型，同時(shí)也根據(jù)不同業(yè)務(wù)評(píng)價(jià)指標(biāo)的差異性，相應(yīng)的構(gòu)建了一部分特有的子模型。本文所構(gòu)建的基于隨機(jī)森林算法的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型中共包含了17個(gè)評(píng)價(jià)子模型，分別具體負(fù)責(zé)系統(tǒng)中子進(jìn)程、多個(gè)子進(jìn)程相關(guān)的總進(jìn)程、實(shí)時(shí)數(shù)據(jù)庫、關(guān)系數(shù)據(jù)庫、其他各個(gè)應(yīng)用的健康度評(píng)價(jià)，以及相應(yīng)的設(shè)備硬件健康度評(píng)價(jià)。

2.2 評(píng)價(jià)子模型的構(gòu)建

本文構(gòu)建的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型中，最底層的子進(jìn)程模型是最基礎(chǔ)的評(píng)價(jià)子模型。因此以子進(jìn)程模型作為典型來對(duì)評(píng)價(jià)子模型的構(gòu)建方法進(jìn)行具體闡述。

對(duì)于智能電網(wǎng)調(diào)度控制系統(tǒng)而言，其中所包含的各子進(jìn)程指標(biāo)以及計(jì)算方法是一樣的，本文將各子進(jìn)程的數(shù)據(jù)組成原始數(shù)據(jù)集，從而擴(kuò)大數(shù)據(jù)的規(guī)模和變化范圍。評(píng)價(jià)子模型的具體生成步驟：

（1）將智能電網(wǎng)調(diào)度控制系統(tǒng)中各節(jié)點(diǎn)的子進(jìn)程資源占用情況作為原始數(shù)據(jù)集（x，y）， x 表示資源占用情況，y 表示健康度等級(jí)，其中 x 包含CPU、內(nèi)存占用情況及線程數(shù)等6個(gè)特征，y 分為良好、正常、異常等5個(gè)等級(jí)，離散化為0、1、2、3、4;

（2）以原始數(shù)據(jù)集（x，y）中70%的數(shù)據(jù)作為訓(xùn)練集D，余下的數(shù)據(jù)作為測試集S;對(duì)訓(xùn)練集 D 進(jìn)行Bootstrap重抽樣，得到 k 個(gè)容量與訓(xùn)練集 D 相同的樣本，每個(gè)樣本均為分類樹的所有訓(xùn)練數(shù)據(jù);

（3）對(duì)k個(gè)樣本重復(fù)步驟（1），以此生成 k 個(gè)分類樹并得到對(duì)應(yīng)的分類結(jié)果;

（4）以簡單投票法得到最終分類結(jié)果，即得到子進(jìn)程模型;

（5）訓(xùn)練子進(jìn)程模型，并以交叉驗(yàn)證方法評(píng)估訓(xùn)練精度;若不滿足要求則重新選取指標(biāo)數(shù)和分類樹的個(gè)數(shù)，直到滿足要求。

在上述步驟中，子進(jìn)程模型的具體訓(xùn)練過程如圖2所示：

3 實(shí)例驗(yàn)證及分析

為了驗(yàn)證本文所構(gòu)建的基于隨機(jī)森林的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型的有效性，選取10 000條智能電網(wǎng)調(diào)度控制系統(tǒng)的進(jìn)程運(yùn)行數(shù)據(jù)作為原始數(shù)據(jù)集，對(duì)該模型進(jìn)行實(shí)例分析。

3.1 模型實(shí)現(xiàn)

在Python語言環(huán)境下，根據(jù)前文所述方法構(gòu)建基于隨機(jī)森林的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型，同時(shí)還構(gòu)建了基于支持向量機(jī)（SVM）的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型，以此對(duì)比驗(yàn)證性能優(yōu)劣情況。

將包含10 000條數(shù)據(jù)樣本的原始數(shù)據(jù)集分割為訓(xùn)練集D和測試集S。其中，訓(xùn)練集D為原始數(shù)據(jù)集中70%的數(shù)據(jù)，用于構(gòu)建子進(jìn)程模型;測試集S為余下的30%數(shù)據(jù)，用于檢驗(yàn)子進(jìn)程模型的性能。

根據(jù)一定規(guī)則對(duì)原始圖像進(jìn)行尺度變換，最終構(gòu)建成如圖2所示的多尺度空間表示序列。

3.2 評(píng)價(jià)結(jié)果分析

3.2.1 評(píng)價(jià)精度分析

本文采用5折交叉驗(yàn)證方法來驗(yàn)證基于隨機(jī)森林的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型的評(píng)價(jià)精度，結(jié)果如表2所示。

從表2所示結(jié)果可以看到，與基于支持向量機(jī)的模型相比較，本文所提出的基于隨機(jī)森林的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型達(dá)到了更高的精度。對(duì)此，本文分析認(rèn)為其主要原因在于隨機(jī)森林算法本身就內(nèi)置了比交叉驗(yàn)證方法更高效的驗(yàn)證計(jì)算能力。

3.2.2 模型指標(biāo)重要性分析

基于本文所提出方法而構(gòu)建的子進(jìn)程模型，其所有指標(biāo)的重要性的驗(yàn)證結(jié)果如圖3所示。

從圖3中可以看到，子進(jìn)程健康的評(píng)價(jià)指標(biāo)中重要性最大的為內(nèi)存占用指標(biāo)，超過了30%。此外，CPU占用指標(biāo)也非常顯著，接近30%。其他幾項(xiàng)指標(biāo)的重要性則差異不大，均在10%左右。

3.2.3 評(píng)價(jià)結(jié)果分析

將用于檢驗(yàn)子進(jìn)程模型性能的測試集S 輸入到訓(xùn)練完畢的基于隨機(jī)森林的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型中，得到評(píng)價(jià)結(jié)果;同樣將測試集S 輸入到基于支持向量機(jī)的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型中，得到相應(yīng)的評(píng)價(jià)結(jié)果。兩個(gè)模型的最終評(píng)價(jià)結(jié)果分布結(jié)果如表3所示。

對(duì)比兩個(gè)模型的評(píng)價(jià)結(jié)果后發(fā)現(xiàn)：對(duì)于測試集S中包含的3 000條智能電網(wǎng)調(diào)度控制系統(tǒng)進(jìn)程運(yùn)行數(shù)據(jù)，兩個(gè)模型的預(yù)測差異點(diǎn)數(shù)量只有150條，預(yù)測結(jié)果的差異性非常小。

4 結(jié)語

本文構(gòu)建了基于隨機(jī)森林的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型，并與基于支持向量機(jī)算法的模型進(jìn)行了實(shí)例對(duì)比驗(yàn)證。驗(yàn)證結(jié)果說明：基于隨機(jī)森林的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)模型不需要設(shè)置復(fù)雜參數(shù)、指標(biāo)權(quán)重以及分級(jí)標(biāo)準(zhǔn)，既容易實(shí)現(xiàn)又具有較好的客觀性。該模型能夠很好地解決多分類問題，達(dá)到了較高的精度要求。

參考文獻(xiàn)

[1]李海英，劉中銀，宋建成. 電力系統(tǒng)靜態(tài)安全狀態(tài)實(shí)時(shí)感知的相關(guān)向量機(jī)法[J]. 中國電機(jī)工程學(xué)報(bào)，2015，35（02）：294-301.

[2]熊 偉，程小麗，劉飛源，等. 電網(wǎng)調(diào)度安全評(píng)價(jià)體系信息化研究[J]. 科技視界，2015（01）：328-332.

[3]馮長有，金一丁，史東宇，等. 基于D5000系統(tǒng)的互聯(lián)電網(wǎng)在線安全穩(wěn)定分析異地聯(lián)合計(jì)算技術(shù)與實(shí)現(xiàn)[J]. 陜西電力，2015，43（02）：39-44.

[4]吳瀟雨，和敬涵，張 沛，等. 基于灰色投影改進(jìn)隨機(jī)森林算法的電力系統(tǒng)短期負(fù)荷預(yù)測[J]. 電力系統(tǒng)自動(dòng)化，2015，39（12）：50-55.

[5]姚錫文，湯規(guī)成，許開立，等. 復(fù)雜系統(tǒng)安全評(píng)價(jià)模式的集成研究及應(yīng)用[J]. 東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，36（07）：1047-1 050+1 055.

[6]茹笑天，車成華. 電力調(diào)度運(yùn)行中的安全控制分析[J]. 中國高新技術(shù)企業(yè)，2015（34）：127-128.

[7]李婉華，陳 宏，郭 昆，等. 基于隨機(jī)森林算法的用電負(fù)荷預(yù)測研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2016，52（23）：236-243.

[8]劉 帥，于曉飛. 智能電網(wǎng)調(diào)度控制系統(tǒng)“兩級(jí)三化”的管理[J]. 中國管理信息化，2017，20（02）：102-103.

[9]王安穎，許志成，甄 慶，等. 天津?yàn)I海電網(wǎng)D5000系統(tǒng)中PAS應(yīng)用的研究[J]. 科技資訊，2017，15（28）：54-55.

[10]孫偉卿，王承民，張 焰，等. 電力系統(tǒng)運(yùn)行均勻性分析與評(píng)估[J]. 電工技術(shù)學(xué)報(bào)，2014，29（04）：173-180.

[11]劉桂華，劉慕嫻，陸力瑜，等. 一種基于層次分析和支持向量機(jī)的電網(wǎng)安全評(píng)估模型[J]. 無線互聯(lián)科技，2019，16（21）：109-111.

[12]杭 琦，楊敬輝. 機(jī)器學(xué)習(xí)隨機(jī)森林算法的應(yīng)用現(xiàn)狀[J]. 電子技術(shù)與軟件工程，2018（24）：125-127.