趙晶玲

（深圳供電局有限公司）

0 引言

對于供電企業(yè)而言，“調(diào)控運行精益化”指的是在自身的電網(wǎng)調(diào)度控制活動中持續(xù)性地對制度規(guī)范加以完善，同時，保證操作流程的簡化性，對技術(shù)手段進行創(chuàng)新，以科學(xué)而又完善的管理為支持達到最小化人員、設(shè)備、時間以及資金投入的目的，以此打下電網(wǎng)穩(wěn)定運行及服務(wù)水平日益提升的重要基礎(chǔ)。除此之外，還與績效考核以及電網(wǎng)監(jiān)測技術(shù)等各項相關(guān)元素相結(jié)合，實現(xiàn)對完善程度更高的管理模式的打造。實際上，與電網(wǎng)調(diào)控運行精益化目標的達成相伴隨，電網(wǎng)調(diào)控運行安全風(fēng)險呈現(xiàn)出逐漸增加之勢，而電網(wǎng)調(diào)控一旦有問題出現(xiàn)，不僅會對電力的正常供應(yīng)產(chǎn)生不利影響，為人們的生產(chǎn)與生活帶來諸多不便，還會增加電力企業(yè)經(jīng)濟損失。所以，為了在第一時間發(fā)現(xiàn)電網(wǎng)運行環(huán)節(jié)的各項故障或風(fēng)險，必須構(gòu)建與應(yīng)用電網(wǎng)調(diào)控運行安全風(fēng)險監(jiān)控系統(tǒng)，保證系統(tǒng)在線監(jiān)控的實時性、全面性與智能性，這對于整個電網(wǎng)安全與高效運行尤為重要。

在電網(wǎng)調(diào)控運行的早期階段，各類電力設(shè)備的巡視及維護多是借助于運維人員的力量來完成，然而與智能電網(wǎng)建設(shè)以及電力設(shè)備數(shù)量的日益增多相伴隨，人工巡視方法由于自身所具有的耗時長、巡視效果對運維人員技術(shù)水平及工作經(jīng)驗要求較高等弊端愈發(fā)不能實現(xiàn)對實際需求的滿足。以海量信息為基礎(chǔ)，人工智能技術(shù)進行電網(wǎng)調(diào)控運行一體化監(jiān)控系統(tǒng)的構(gòu)建，可很好地發(fā)揮出電力設(shè)備聯(lián)合調(diào)度、安全狀態(tài)感知、故障風(fēng)險告警以及工作人員行為管理等諸多功能。因此，本文以電網(wǎng)調(diào)度運行過程中的風(fēng)險管理為視角，進行以人工智能技術(shù)為支撐的安全風(fēng)險在線監(jiān)控系統(tǒng)的研究與設(shè)計，在無線服務(wù)區(qū)與控制安全區(qū)之間的相互協(xié)作中達到對電網(wǎng)調(diào)控運行安全風(fēng)險進行智能化監(jiān)測及控制的目的。

1 人工智能技術(shù)

人工智能技術(shù)的應(yīng)用首先以采集到的海量歷史數(shù)據(jù)為基礎(chǔ)，在對數(shù)據(jù)進行分析的基礎(chǔ)之上，執(zhí)行對適宜人工智能模型的構(gòu)建任務(wù)。與人工智能技術(shù)的迅猛發(fā)展相伴隨，采集的信息量呈現(xiàn)出日益增多之勢，在人工智能領(lǐng)域，神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用愈發(fā)廣泛，其模型建立主要有三大類型的劃分，分別為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)以及再勵學(xué)習(xí)。

1.1 監(jiān)督學(xué)習(xí)

主要特點體現(xiàn)為歷史數(shù)據(jù)中有正確輸出結(jié)果的存在。在神經(jīng)網(wǎng)絡(luò)算法的支持下，通過輸入訓(xùn)練樣本集數(shù)據(jù)，可以將輸出數(shù)據(jù)得出，之后與訓(xùn)練樣本集中原有正確的輸出結(jié)果相比，便能獲取誤差集合，將其反饋至輸入神經(jīng)網(wǎng)絡(luò)模型中，便能執(zhí)行對網(wǎng)絡(luò)模型參數(shù)與網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)整任務(wù)。經(jīng)過調(diào)整的網(wǎng)絡(luò)結(jié)構(gòu)會重新處理與計算訓(xùn)練樣本集，并循環(huán)上述過程，一直到神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與原有正確輸出結(jié)果之間的誤差位于允許范圍以內(nèi)為止，自此將訓(xùn)練過程結(jié)束。借助于評價樣本集數(shù)據(jù)執(zhí)行對最終神經(jīng)網(wǎng)絡(luò)算法模型的評估任務(wù)，可為模型準確度提供保證。

1.2 無監(jiān)督學(xué)習(xí)

對于有海量歷史數(shù)據(jù)被采集到，但是其中并沒有輸出結(jié)果的情況表現(xiàn)出很好的適用性。主要是在一定神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練規(guī)則的支持下，將適宜的模型參數(shù)與結(jié)構(gòu)確定下來，以此直接獲取神經(jīng)網(wǎng)絡(luò)算法模型。

1.3 再勵學(xué)習(xí)

屬于上述兩種方法的綜合，歷史采集數(shù)據(jù)中并沒有正確的輸出結(jié)果存在其中，不能將足夠具體的誤差信息給出，主要是以訓(xùn)練樣本集數(shù)據(jù)為依據(jù)，將相應(yīng)的激勵信息如正確或錯誤、大或小、多或少等模糊評價信息給出，以此執(zhí)行對神經(jīng)網(wǎng)絡(luò)算法模型參數(shù)及結(jié)構(gòu)的選擇任務(wù)。

從實質(zhì)上來看，人工智能模型中參數(shù)與結(jié)構(gòu)的改變選擇當(dāng)屬各個神經(jīng)元之間權(quán)重的選擇變化，所以歷史數(shù)據(jù)中如果有少量的錯誤信息存在，并不會在明顯程度上對人工智能網(wǎng)絡(luò)模型的構(gòu)建產(chǎn)生影響，此即人工智能算法準確度的體現(xiàn)。上述3 種神經(jīng)網(wǎng)絡(luò)算法模型全部以海量歷史信息為基礎(chǔ)構(gòu)建得到，其中，監(jiān)督學(xué)習(xí)方法對歷史數(shù)據(jù)所提要求比較嚴格，結(jié)果有最高的準確度；無監(jiān)督學(xué)習(xí)方法所得結(jié)果誤差相對而言比較大；再勵學(xué)習(xí)方法效果則位于監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩個方法之間。與不同歷史信息類型相結(jié)合，對適宜的學(xué)習(xí)方法加以選用是進行人工智能模型構(gòu)建的基礎(chǔ)。

2 人工智能技術(shù)支持下的電網(wǎng)調(diào)控運行安全風(fēng)險在線監(jiān)控系統(tǒng)架構(gòu)

以人工智能技術(shù)的運行為支持，與彰顯出現(xiàn)代化特點的設(shè)備功能、合理的裝置以及各類數(shù)據(jù)運行下的模式相結(jié)合，進行面向電網(wǎng)調(diào)控運行的安全風(fēng)險智能化線上監(jiān)控系統(tǒng)的設(shè)計，系統(tǒng)整體架構(gòu)如圖1 所示。

圖1 以人工智能技術(shù)為支持的電網(wǎng)調(diào)度運行安全風(fēng)險在線監(jiān)控系統(tǒng)整體架構(gòu)

電網(wǎng)調(diào)度運行安全風(fēng)險監(jiān)控系統(tǒng)主要有三大部分的劃分：①外網(wǎng)組件，主要由監(jiān)測裝置構(gòu)成，分布于無線服務(wù)區(qū)，通過對狀態(tài)監(jiān)測和相應(yīng)故障處理算法的運用，以從線路監(jiān)測終端采集到的各項數(shù)據(jù)信息為依據(jù)，執(zhí)行故障邏輯判斷任務(wù)，同時，在反向隔離裝置的支持下向自動化通信前置機器傳送監(jiān)測數(shù)據(jù)以及故障判斷結(jié)果；②內(nèi)網(wǎng)組件拓撲，同樣由監(jiān)測裝置構(gòu)成，在控制安全區(qū)分布，通過對電網(wǎng)自動化輸出線路的采用，在正向隔離裝置的支持下，向監(jiān)測裝置外網(wǎng)組件輸送故障分析結(jié)果信息文件，對電網(wǎng)監(jiān)測裝置雙重維護現(xiàn)象的發(fā)生加以規(guī)避；③監(jiān)測裝置外網(wǎng)組件，主要是對反向隔離裝置加以運用，向監(jiān)測裝置維護服務(wù)器傳遞數(shù)據(jù)信息，由其執(zhí)行對數(shù)據(jù)信息的處理任務(wù)，并利用正向隔離裝置將最終的處理結(jié)果傳遞給監(jiān)測裝置外網(wǎng)組件。

3 電網(wǎng)調(diào)控運行安全風(fēng)險在線監(jiān)控系統(tǒng)相關(guān)功能實現(xiàn)

3.1 網(wǎng)絡(luò)狀態(tài)監(jiān)測

主要是基于內(nèi)置電網(wǎng)網(wǎng)絡(luò)狀態(tài)監(jiān)測模塊的支持執(zhí)行對線路終端設(shè)備的網(wǎng)絡(luò)狀態(tài)監(jiān)測任務(wù)，具體的監(jiān)測步驟為：

1）保證可視化處理接口文件能夠由接口順利輸出并返回至主機信息，該過程即人工智能技術(shù)支持下的網(wǎng)絡(luò)狀態(tài)監(jiān)測重要工作。

2）為系統(tǒng)配置工具提供保證，同時為監(jiān)測線路設(shè)計以及文件生成等提供支持。

3）網(wǎng)絡(luò)狀態(tài)監(jiān)測。在對網(wǎng)絡(luò)實際情況進行監(jiān)測之時，能夠在盡可能短的時間內(nèi)發(fā)現(xiàn)異常問題，圖2所示為此次電網(wǎng)網(wǎng)絡(luò)狀態(tài)監(jiān)測模塊設(shè)計示意圖。

圖2 電網(wǎng)網(wǎng)絡(luò)狀態(tài)監(jiān)測示意圖

根據(jù)圖2 可以知道，網(wǎng)絡(luò)插件異常會導(dǎo)致一些通信異常狀況的出現(xiàn)，由此又會有電網(wǎng)調(diào)控運行安全風(fēng)險的發(fā)生。在此過程中，可以以整個電網(wǎng)內(nèi)諸多設(shè)備相應(yīng)的線路異常信號為依據(jù)對電網(wǎng)中異常位置進行精準定位，為電網(wǎng)網(wǎng)絡(luò)狀態(tài)的直接獲取提供支持。

3.2 數(shù)據(jù)采集、處理與風(fēng)險預(yù)警

1）數(shù)據(jù)采集。數(shù)據(jù)采集主要是以連接外網(wǎng)與內(nèi)網(wǎng)監(jiān)測設(shè)備的線路終端為面向?qū)ο螅枰孪茸龊脤Ω鹘K端數(shù)量、品牌、型號以及接口等各類相關(guān)信息的收集工作，同時，判斷接口有沒有被占用，是否進行備用通信端口的配備，是不是存在數(shù)據(jù)地址列表，終端有沒有加密等等。針對電網(wǎng)調(diào)控運行安全風(fēng)險監(jiān)控，一般需要對各種類型的傳感器加以運用，包括加速度傳感器、位移傳感器、溫濕度傳感器以及傾斜傳感器等。

傳感器的工作模式主要可以分為兩種類型，其一為動態(tài)實時測量，其二為靜態(tài)實時監(jiān)測。其中，前者主要是指對應(yīng)變進行實時測量，采用數(shù)據(jù)包的方式進行實時測量數(shù)據(jù)的發(fā)送；后者則主要是指在實時測量過程中，傳感器并不進行實時報告，而是利用其內(nèi)部機制作出相應(yīng)判斷，以設(shè)定的觸發(fā)閾值為依據(jù)執(zhí)行預(yù)警以及數(shù)據(jù)報告任務(wù)。傳感器上傳的數(shù)據(jù)包對開始字符、產(chǎn)品ID、包編號、采樣率、數(shù)據(jù)長度、時間戳、實時數(shù)據(jù)以及固定結(jié)束字符等均有涉及，其供電方式以電池與太陽能供電為主，安裝方式則為焊接或螺栓連接。傳感器對傳感、采集以及傳輸功能進行集成，通訊方式為5G 通訊，防水等級可達IP67 水平。

2）數(shù)據(jù)處理。在對數(shù)據(jù)進行處理之時，可以采用實時處理模式與多數(shù)據(jù)融合分析模式。其中，實時處理模式主要是對數(shù)據(jù)施以實時處理，舉例而言，在執(zhí)行應(yīng)變監(jiān)測任務(wù)之時進行特點閾值的設(shè)定，一旦發(fā)生超出閾值的情況便會報警。對該模式的優(yōu)點進行分析，主要以處理速度快、時效性高為體現(xiàn)，能夠?qū)⒛尘植刻囟愋偷膶崪y值精準地反映出來，不過其缺點亦比較明顯，只可以簡單處理數(shù)據(jù)，不能對其作深層次挖掘，且數(shù)據(jù)只可以對局部實時情況加以體現(xiàn)，無法通過對多種信息的融合作出綜合決策。

多數(shù)據(jù)融合分析模式主要是從綜合層面執(zhí)行對多渠道采集到的數(shù)據(jù)的分析任務(wù)，同時，與BIM 模型、有限元模型以及現(xiàn)場實景圖相結(jié)合，做好全面而又整體的分析及預(yù)測工作。對此模式的優(yōu)點進行分析，主要體現(xiàn)為可為信息分析的全面性提供保證，能從不同維度以及不同層次將安全性評價結(jié)果給出。不過此模式的不足同樣十分明顯，包括需要耗費比較長的處理時間、不能將實時結(jié)果給出等。

對實時處理和多數(shù)據(jù)融合分析兩種模式的優(yōu)劣勢進行比較分析，可針對性地對兩種模式相結(jié)合的方式加以運用，針對監(jiān)測所得數(shù)據(jù)，先執(zhí)行實時處理任務(wù)，以此獲取實時安全狀態(tài)；在此基礎(chǔ)上，定期做好某一段時間內(nèi)的匯總分析工作，對數(shù)據(jù)背后的規(guī)律作相應(yīng)挖掘，為電網(wǎng)調(diào)控運行安全風(fēng)險評價的全面性與準確性提供保證。

3）數(shù)據(jù)可視化與預(yù)報報警。在完成數(shù)據(jù)采集任務(wù)以后，對分析所得結(jié)果進行可視化展示。以圖形元素庫為基礎(chǔ)，可進行不同圖形的繪制，同時，執(zhí)行對圖形屬性（如大小、顏色以及透明度等）的配置任務(wù)，這可實現(xiàn)與現(xiàn)場應(yīng)用相符的看板繪制，通過對實時數(shù)據(jù)的快速選擇、添加及關(guān)聯(lián)，能夠?qū)D形與數(shù)據(jù)之間的動態(tài)關(guān)系建立起來。為了達到移動化與網(wǎng)絡(luò)化的目的，既需發(fā)揮出相應(yīng)的報警提示記錄功能作用，又要建立起應(yīng)用系統(tǒng)和報警信息之間的連接。

預(yù)測報警主要有兩大部分的劃分，其一為報警管理工作臺；其二為歷史監(jiān)控。對報警管理工作臺進行分析，主要是通過對各項相關(guān)參數(shù)的配置（對不同設(shè)備與儀表編號等予以涉及），為用戶提供具體幫助，讓其更為便捷化與實時性地進行相應(yīng)報警信息的查看。而分析歷史監(jiān)控的目的，則主要是通過對歷史報警記錄的查詢以及歷史數(shù)據(jù)的分析將監(jiān)測對象隨時間變化的規(guī)律總結(jié)出來。以上述數(shù)據(jù)的可視化、預(yù)測以及報警功能為基礎(chǔ)，能夠達到及時顯示數(shù)據(jù)以及反饋結(jié)果的重要目的，進而實現(xiàn)對電網(wǎng)調(diào)度運行安全風(fēng)險狀態(tài)的實時與準確反映。

4 結(jié)束語

為了能夠在盡可能短的時間內(nèi)發(fā)現(xiàn)電網(wǎng)運行過程中的故障以及安全隱患，本文以人工智能技術(shù)為支持，研究與設(shè)計一種電網(wǎng)調(diào)度運行安全風(fēng)險智能化線上監(jiān)控系統(tǒng)。通過應(yīng)用本系統(tǒng)，可以為電網(wǎng)結(jié)構(gòu)的持續(xù)優(yōu)化與最終完善提供支持，在日益提升監(jiān)控質(zhì)量及運行效率的同時，為電網(wǎng)調(diào)控運行安全風(fēng)險監(jiān)控的更加全面性、安全性以及可靠性提供重要保證及支持。