基于隐性马尔科夫模型的电力虚拟调度方法

张阳洋, 纪雨彤， 冯禹清， 申昉

(国网冀北电力有限公司信息通信分公司， 北京 100053)

0 引言

随着中国新一轮电力体制改革不断深化地推进，地热、光伏、风电等新能源场站数量增长迅猛[1]，给电力调度带来了极大的挑战。传统的电力调度按照区域电网规模配置人员[2]，在编制受限的情况下，现有调度人员的新能源场站调度业务处理量急剧增加，导致电力调度人员承载力不足，影响电力调度工作效率。因此，亟需采用有效的措施来提高新能源场站的调度能力。

为此，大量的学者对提高调度人员效率的方法做了研究，主要分为调度语音识别和人工智能[3]两类。在语音识别调度方面，自然语言识别的调度方法采用Word2vec文本分析调度语义，从而提高调度自动化水平[4];基于神经网络的调度语音识别方法采用声学训练模型，提高了调度语音识别准确率[5];防止调度员语音失误的辅助系统通过调度口令语音校验，避免了调度人员语音交互过程中的失误，预防了事故的发生[6];梅尔倒谱系数的调度语音分析方法采用小词汇量的声学模型，提高调度语义识别精度[7]。由此可见，在调度语言识别方面已有大量的研究成果，但上述研究仅限于对调度人员语音的识别，并未结合调度流程下达调度指令。

在人工智能调度识别方面，基于人工智能的辅助调度工具通过调度信息挖掘，实现了多种能源调度信息的辨识分析[8];基于多网融合的调度信息系统采用用户代理模型和跨网络融通，提高了电力调度网络通信指挥的效率[9];电力调度小机器人的方法分析了人机调度交互语音辨识的特点，并对调度机器人进行了评价[10]。由此可见,在人工智能调度识别方面已有大量的研究成果，但上述研究仅局限于调度信息挖掘，缺少对调度命令、调度策略、调度仿真的结合，不能下达有效的调度命令。

综上所述，为缓解新能源场站不断增加，调度人员承载能力不足的问题，亟需开发一种方法，在调度人员语义识别的基础上对调度目标进行综合分析，得到最优调度策略并下达调度命令。

1 电力虚拟调度框架

本文提出了一种基于隐性马尔科夫模型的电力虚拟调度方法，该方法的框架如图1所示。该框架主要包括4个环节，调度人员语义识别、调度决策分析、调度策略仿真和调度命令下达。

图1 电力虚拟调度框架

在调度语义识别环节，首先接入电力调度人员的调度语音命令，其次采用隐性马尔科夫模型提取调度人员的语音特征，采用调度词汇知识库辨识调度人员的含义[11-12]，最后采用经验语音校验方法对调度目标进行确认。在调度决策分析方面，首先对调度目前进行任务分解，其次采用自寻优算法对新能源场站的调度资源进行综合分析，获取最佳的调度路径，最后生成新能源场站的调度策略。在调度策略仿真方面，首先将调度策略输入到调度仿真环境中，其次对所提调度策略进行实时仿真，评估电网运行的风险点，最后评价调度策略的可行性，并生成调度仿真结果。在调度命令下达方面，将调度策略输入电力虚拟调度模型中，再基于隐性马尔科夫模型向新能源场站下达调度命令。

2 电力虚拟调度模型

基于隐性马尔科夫模型的电力虚拟调度方法是一种充分挖掘电力调度人员语义，并采用自寻优的调度决策算法下达调度命令的电力虚拟调度方法，可计及新能源场站调度资源特性，采用调度仿真，验证策略执行的可行性。

2.1 调度人员语义识别模型

隐马尔科夫模型(Hidden Markov Model，HMM)可从有限的调度语音样本数据中训练出语音识别率高的模型，模型可根据特殊词汇、声音特点识别调度人员语音。因此，本文采用隐马尔科夫模型的语义识别和分词识别，发现电力调度人员语音中的隐含信息参数，从而实现电力调度的语义识别[13-15]。

首先，设电力调度人员调度命令语音输入为序列Z，序列的每一个音为z，有s个隐含的信息状态，电力调度人员语音调度命令隐含的集合为

Z=z1,z2,…,zs

(1)

其次，设调度人员语音输入的观察序列为U，序列的每一个点为u，共有f个观测点，电力调度人员的观察序列为

U=u1,u2,…,uf

(2)

在观察点的每个时刻可以预测下一个观察点的最大计算结果概率，设状态时刻为t，状态全局概率为ϑ，上一个观测点的数据为St，调度命令的隐含集合为Z，状态it的概率ϑi为

ϑi=Zit=StϑZStϑ

(3)

设校验系数因子为λ，最优的电力调度人员语言识别结果为

Rt=arg maxλti

(4)

由此，可以根据调度人员的语音，得到准确的调度确认目标。

2.2 调度决策分析模型

电力虚拟调度的调度决策模型目标函数以新能源场站调度的运行成本最小，弃风惩罚成本、弃光惩罚成本、弃地热惩罚成本最少。设新能源场站的运行时间为Ta，新能源场站的风电运行成本为CEf，弃风惩罚成本为CLf；新能源场站的光伏运行成本为CEg，弃光惩罚成本为CLg；新能源场站的地热运行成本为CEd，弃地热惩罚成本为CLd，最小运行成本为

minFm=∑Tai=1CEf.iCLf.i+

(5)

∑Tai=1CEg.iCLg.i+∑Tai=1CEd.iCLd.i

Cm=∑Tai=1Fm.i

(6)

受风电、光伏波动的影响，最小运行成本的计算较为复杂，本文采用自寻优的方式求解最小运行成本，上一时刻点的运行成本为Fma，通过自寻优粒子更新，最小的运行成本minFmb为

minFmb=Fma+randFma

(7)

通过最小的新能源场站运行成本和最小的新能源场站弃水、弃风和弃地热成本，获取到最佳的新能源场站调度路径。

2.3 调度策略仿真模型

结合调度策略生成的最佳的新能源场站调度路径进行仿真，以获得新能源场站的风险评估结果，确保自寻优调度策略算法的可行性与有效性，如图2所示。

图2 调度策略仿真图

步骤1 调度数据输入，在新能源场站调度策略仿真环境中输入最佳新能源场站调度路径。

步骤2 对调度路径进行实时仿真，模拟电网各关键节点的运行情况，

步骤3 风险评估，采用熵权法对新能源场站电力调度中存在的风险进行逐一评估，若存在风险不可控的情况，就向新能源调度决策分析模型发出异常情况，由新能源调度决策分析模型完善调度路径后，再进行新能源场站调度仿真。

步骤4 仿真结果输出，若新能源场站的调度风险在可控的范围内，则输出新能源场站电力调度仿真结果，

步骤5 调度命令下达，并将验证后的最佳的新能源场站调度路径发送给调度命令下达模型。

2.4 调度命令下达

新能源场站电力调度命令下达分命令输入和命令下达部分,其中命令输入接收本文所提仿真模型的调度策略结果，然后将调度策略转换为调度命令，并向新能源场站下达。

3 算例分析

采用本文所提的基于隐性马尔科夫模型的电力虚拟调度方法，对某区域电网的新能源场站进行模拟分析。模拟环境配置为英特尔至强W1290T处理器,核心数量为6,运行频率为1.9 GHz，32G内存，4T硬盘，选择新能源场站150个，其中风电场站、光伏场站、地热场站各50个，运行时间为7天，模拟1 000次新能源场站调度命令执行，模型的1 000次运行的总时间如表1所示：

表1 电力虚拟调度模型运行时长

由表1可见，1 000次新能源场站调度中，调度人员语义识别模型、调度决策分析模型、调度策略仿真模型、调度命令下达运行时长分别为1.7 s，23.6 s，136.2 s，5.7 s，模型运行总体时长为167.2 s。

选取10、50、100、200、500、1 000组语音，比较本文所提方法与维特比算法的语音识别准确率，比较结果如表2所示：

表2 语音识别准确度比较表

由表2可见，本文所提隐性马尔科夫模型语音识别准确率高于维特比算法。

比较100、200、500、1 000组新能源场站调度命令，人工与基于隐性马尔科夫模型的电力虚拟调度方法的所需时间和调度准确性结果如表3所示。

由表3可见，在200、500、1 000组新能源调度命令中，电力虚拟调度的总时间小于人工调度时间，同时电力虚拟调度的调度准确率高于人工调度的准确率。

表3 人工调度与电力虚拟调度比较表

4 总结

为解决新能源场站迅猛增加造成的电力调度人员在处理新能源调度承载力不足的问题，本文提出了一种基于隐性马尔科夫模型的电力虚拟调度方法，设计了一种基于隐性马尔科夫模型的电力虚拟调度模型。在对电力调度人员语义识别的基础上，采用自寻优的调度决策分析，生成最优新能源场站的调度决策路径，然后对调度决策路径进行仿真，验证其正确性，再向新能源场站下达调度命令。算例的模拟运行结果表明，所提方法能有效提高新能源场站调度执行时间，同时准确率较人工调度也有所提高。