鄧智廣，譚振鵬

摘 要：針對智能電網(wǎng)調度控制系統(tǒng)的在線健康度評價問題，基于機器學習算法中的隨機森林算法（RF），提出一種智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型——不需設復雜參數(shù)、指標權重及分級標準。通過構建模型并進行實例驗證分析，證明了該模型的有效性。

關鍵詞：機器學習;隨機森林;智能電網(wǎng);調度控制;健康度評價

中圖分類號：TM73;TP181 文獻標識碼：A 文章編號：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)調度控制系統(tǒng)集成了動態(tài)預警、調度計劃等多個應用系統(tǒng)，實現(xiàn)了多級調度業(yè)務的聯(lián)合協(xié)調管理工作，對于保障我國電網(wǎng)的安全和穩(wěn)定運行有著極大的作用。為了加強智能電網(wǎng)調度控制系統(tǒng)的運維、預警以及快速處置等能力，提高相關工作的效率，運維人員需要對系統(tǒng)運行實時狀態(tài)信息能夠全面地了解掌握。因此，本文針對智能電網(wǎng)調度控制系統(tǒng)的在線健康度評價問題展開研究，探討更快速、更精確的健康度評價方法。

1 智能電網(wǎng)調度控制系統(tǒng)在線健康度評價指標體系的構建

在評價問題上，構建合理的指標體系是最基礎的階段，因此本文首先對智能電網(wǎng)調度控制系統(tǒng)運行過程仔細分析，歸納總結其健康度影響因素主要包括系統(tǒng)硬件設備的狀態(tài)、系統(tǒng)中各項業(yè)務的狀態(tài)等，并在此基礎上構建了智能電網(wǎng)調度控制系統(tǒng)在線健康度評價指標體系。

1.1 系統(tǒng)硬件設備在線健康度評價指標體系

本文所構建的系統(tǒng)硬件設備在線健康度評價指標體系如表1所示。

從表1可以看到，系統(tǒng)硬件健康度評價指標體系中包含了3個等級的指標。系統(tǒng)服務器作為最核心的硬件，其健康度為最高層次的一級指標;CPU、網(wǎng)卡以及硬盤等設備的健康度為二級指標;在各二級指標下，有對應硬件的使用率等三級指標。

1.2 系統(tǒng)業(yè)務在線健康度評價指標體系

智能電網(wǎng)調度控制系統(tǒng)集成了公共服務等多個應用系統(tǒng)以及關系數(shù)據(jù)庫、實時數(shù)據(jù)庫等，因此與系統(tǒng)硬件健康度評價指標體系相比，系統(tǒng)各項業(yè)務在線健康度評價指標體系的構建相對復雜。本文對數(shù)量較大且層級關系復雜的各項業(yè)務進行分析歸納后，分別建立了各子業(yè)務相應的業(yè)務在線健康度評價指標，再將智能電網(wǎng)調度控制系統(tǒng)中所有子業(yè)務的業(yè)務在線健康度評價指標結合為一個系統(tǒng)業(yè)務在線健康度評價指標體系，具體如圖1所示。

2 基于隨機森林的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型

近年來在對象評價問題上常用機器學習算法，如神經(jīng)網(wǎng)絡、支持向量機、隨機森林等。這些機器學習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，隨機森林算法（RF）有行隨機和列隨機兩個隨機性，因此可以有效地降低過擬合的概率，對離散型和連續(xù)型的數(shù)據(jù)均能夠進行處理，并且更適合并行化應用。本文根據(jù)前文所構建的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價體系，構建基于隨機森林算法的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型。

2.1 系統(tǒng)在線健康度評價模型的構建

本文采用了多層級聯(lián)的架構方案，在多層級的原則基礎上，構建了各業(yè)務通用的子模型，同時也根據(jù)不同業(yè)務評價指標的差異性，相應的構建了一部分特有的子模型。本文所構建的基于隨機森林算法的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型中共包含了17個評價子模型，分別具體負責系統(tǒng)中子進程、多個子進程相關的總進程、實時數(shù)據(jù)庫、關系數(shù)據(jù)庫、其他各個應用的健康度評價，以及相應的設備硬件健康度評價。

2.2 評價子模型的構建

本文構建的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型中，最底層的子進程模型是最基礎的評價子模型。因此以子進程模型作為典型來對評價子模型的構建方法進行具體闡述。

對于智能電網(wǎng)調度控制系統(tǒng)而言，其中所包含的各子進程指標以及計算方法是一樣的，本文將各子進程的數(shù)據(jù)組成原始數(shù)據(jù)集，從而擴大數(shù)據(jù)的規(guī)模和變化范圍。評價子模型的具體生成步驟：

（1）將智能電網(wǎng)調度控制系統(tǒng)中各節(jié)點的子進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，其中 x 包含CPU、內存占用情況及線程數(shù)等6個特征，y 分為良好、正常、異常等5個等級，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)作為訓練集D，余下的數(shù)據(jù)作為測試集S;對訓練集 D 進行Bootstrap重抽樣，得到 k 個容量與訓練集 D 相同的樣本，每個樣本均為分類樹的所有訓練數(shù)據(jù);

（3）對k個樣本重復步驟（1），以此生成 k 個分類樹并得到對應的分類結果;

（4）以簡單投票法得到最終分類結果，即得到子進程模型;

（5）訓練子進程模型，并以交叉驗證方法評估訓練精度;若不滿足要求則重新選取指標數(shù)和分類樹的個數(shù)，直到滿足要求。

在上述步驟中，子進程模型的具體訓練過程如圖2所示：

3 實例驗證及分析

為了驗證本文所構建的基于隨機森林的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型的有效性，選取10 000條智能電網(wǎng)調度控制系統(tǒng)的進程運行數(shù)據(jù)作為原始數(shù)據(jù)集，對該模型進行實例分析。

3.1 模型實現(xiàn)

在Python語言環(huán)境下，根據(jù)前文所述方法構建基于隨機森林的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型，同時還構建了基于支持向量機（SVM）的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型，以此對比驗證性能優(yōu)劣情況。

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

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

3.2 評價結果分析

3.2.1 評價精度分析

本文采用5折交叉驗證方法來驗證基于隨機森林的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型的評價精度，結果如表2所示。

從表2所示結果可以看到，與基于支持向量機的模型相比較，本文所提出的基于隨機森林的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型達到了更高的精度。對此，本文分析認為其主要原因在于隨機森林算法本身就內置了比交叉驗證方法更高效的驗證計算能力。

3.2.2 模型指標重要性分析

基于本文所提出方法而構建的子進程模型，其所有指標的重要性的驗證結果如圖3所示。

從圖3中可以看到，子進程健康的評價指標中重要性最大的為內存占用指標，超過了30%。此外，CPU占用指標也非常顯著，接近30%。其他幾項指標的重要性則差異不大，均在10%左右。

3.2.3 評價結果分析

將用于檢驗子進程模型性能的測試集S 輸入到訓練完畢的基于隨機森林的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型中，得到評價結果;同樣將測試集S 輸入到基于支持向量機的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型中，得到相應的評價結果。兩個模型的最終評價結果分布結果如表3所示。

對比兩個模型的評價結果后發(fā)現(xiàn)：對于測試集S中包含的3 000條智能電網(wǎng)調度控制系統(tǒng)進程運行數(shù)據(jù)，兩個模型的預測差異點數(shù)量只有150條，預測結果的差異性非常小。

4 結語

本文構建了基于隨機森林的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型，并與基于支持向量機算法的模型進行了實例對比驗證。驗證結果說明：基于隨機森林的智能電網(wǎng)調度控制系統(tǒng)在線健康度評價模型不需要設置復雜參數(shù)、指標權重以及分級標準，既容易實現(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，達到了較高的精度要求。

參考文獻

[1]李海英，劉中銀，宋建成. 電力系統(tǒng)靜態(tài)安全狀態(tài)實時感知的相關向量機法[J]. 中國電機工程學報，2015，35（02）：294-301.

[2]熊 偉，程小麗，劉飛源，等. 電網(wǎng)調度安全評價體系信息化研究[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)合計算技術與實現(xiàn)[J]. 陜西電力，2015，43（02）：39-44.

[4]吳瀟雨，和敬涵，張 沛，等. 基于灰色投影改進隨機森林算法的電力系統(tǒng)短期負荷預測[J]. 電力系統(tǒng)自動化，2015，39（12）：50-55.

[5]姚錫文，湯規(guī)成，許開立，等. 復雜系統(tǒng)安全評價模式的集成研究及應用[J]. 東北大學學報（自然科學版），2015，36（07）：1047-1 050+1 055.

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

[7]李婉華，陳 宏，郭 昆，等. 基于隨機森林算法的用電負荷預測研究[J]. 計算機工程與應用，2016，52（23）：236-243.

[8]劉 帥，于曉飛. 智能電網(wǎng)調度控制系統(tǒng)“兩級三化”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. 天津濱海電網(wǎng)D5000系統(tǒng)中PAS應用的研究[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)運行均勻性分析與評估[J]. 電工技術學報，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的電網(wǎng)安全評估模型[J]. 無線互聯(lián)科技，2019，16（21）：109-111.

[12]杭 琦，楊敬輝. 機器學習隨機森林算法的應用現(xiàn)狀[J]. 電子技術與軟件工程，2018（24）：125-127.