基于专家系统的电网调度操作票自动生成系统研究*

朱炳铨吴华华童存智谷 炜马 翔吕磊炎

(1.国网浙江省电力有限公司，浙江 杭州 310007；2.国网浙江省电力有限公司金华供电公司，浙江 金华 310007)

人工智能在电力系统中的广泛应用，提高了电力系统的安全性、可靠性和运行能力。在现代信息社会中，电力在人们的生产生活中扮演着不可或缺的角色，电力调度系统受到越来越多的关注。随着人们用电需求的不断增加，电力调度系统的压力也在不断加大[1-4]。因此，为了缓解电力调度压力，实现电力系统的稳定运行，必须提高电力调度系统的自动化程度。人工智能技术是电力调度自动化系统的一项重要技术，对电力调度系统的平稳运行具有重要意义[5-6]。目前，越来越多的专业研究人员对人工智能在电力系统中的应用进行了大量研究[4-9]。电力调度系统未来的发展趋势必将是将人工智能技术应用于电力调度自动化系统。

电力操作票制度是我国电力系统运行管理中的一项有效保障措施，开具操作票是电力调度人员的一项重要工作。随着人工智能和专家系统技术的日益成熟，通过传统操作票制度与专家系统技术相结合的方法，开发了智能操作票系统，可以代替工作人员完成开票工作[10-11]。在电力大数据时代背景下，智能操作票系统需要更合理、更有效地提取和处理大数据群。因此，提高智能性成为运营票务系统的研究热点[12]。

Rete 算法是一种基于正向规则的快速匹配算法，其匹配速度与规则个数无关。该算法通过牺牲部分内存保存信息，并充分利用匹配过程中的信息，提高匹配效率。Rete 算法有八种结点:根结点、类型结点、左输入适配结点、Alpha 结点、JOIN 结点、EVAL 结点、NOT 结点、终端结点。本文根据电力系统的特点，对电网操作票自动生成系统进行了研究，提出了系统的基本模型框架，并重点研究了专家系统的设计。采用基于Rete 算法的推理机实现快速高效的操作票开票系统。

1 配电网智能化方法

配电网智能化的主要措施之一是引入人工智能技术，以更好地解决复杂的工程计算问题和非线性优化问题，提高系统自身性能。本文基于改进型小波变换算法对配电网故障进行识别，为操作票提供基础数据。本文设计的电力调度操作票智能化生成系统，主要基于专家系统技术、可视化技术和人工神经网络技术。

1.1 配电网故障识别方法

本文从离散小波变换(disecrete wavelet transform，DWT)方法出发构建配电网故障识别算法，离散小波变换是一种数字信号处理技术，它将时间序列转换成相互正交的数据集。本文所提出的故障检测方法中，首先进行小波变换，之后采用神经网络进行故障识别。

(1)连续和离散小波变换:

小波是时间上的零均值函数。小波ψa，b(t)可以通过缩放和移位从其母波ψ(t)导出，如下所示:

式中:a和b分别是缩放和移动参数。利用这种关系，可定义具有尺度和位移的信号s(t)的连续小波变换:

离散小波变换由下式导出

式中:dj，k被称为在j和位置k的小波细节系数，然而对于大多数信号s(t)，解析解无法求解[13-14]。与此同时，马利特[13]开发了一种分解多分辨率信号的技术，被广泛认为是计算离散小波变换的标准方法。给定一个任意的信号s(t)，它的多分辨率M分解由公式(5)计算:

式中:aM，k是aM，k=〈s(t)，φM，k(t)〉的近似系数，φ(t)是同伴缩放函数，通过这种变换将s(t)分解成近似系数AM(t)和一系列细节系数Dj(t)。

由公式(5)可知，离散小波变换表示时频域中的输入信号，可广泛用于故障检测，由于小波函数可以在所有频率范围内，提供具有最佳时频分辨率的信号特征，具有较好的故障信号特征提取能力。与傅立叶变换及其各种变体(例如，快速傅立叶变换、短时傅立叶变换等)进行比较，小波变换可有效反应信号时域特征，计算效率更高。

(2)母小波和分解层:

不同的小波函数具有独特的时频域特征，可以影响小波变换的特征提取能力，现有微电网故障检测的小波变换中有许多小波族得到了应用，如coif(coiflets)、db(daubechies)、dmey(discrete meyer)、haar、bior(biorthogonal)和sym(symlet)。这些小波族中必须存在一组最优的小波，使得故障检测性能达到最优，但是实际工况下不可能测试所有的小波组，应根据采样数据的属性有策略地选择小波函数。具体来说，当数据包含足够的样本时，无论数据属性如何，db 和sym 族的小波通常都是首选项，因为它们具有鲁棒性。在这种情况下分解程度对系统性能的影响要大于母小波的选择，与db 和sym 相比，其他母小波的滤波器长度可能更长，导致分解级别更低，可能会使得信号特征提取能力不足。因此本文使用db 和sym 两个小波家族中的九个小波作为母小波来处理输入信号，即电网电流测量值。除此以外，母小波分解级别也会影响信号分解性能，理论上每个小波函数都有一个最大分解级别，由以下因素共同决定输入信号和母小波的大小:

式中:L是最大分解级别，N是输入信号的长度，F是母小波的滤波器大小，实际计算时将分解级别设置为最大值。输入信号的长度是一个周期内的测量次数，至此即可用公式(6)计算母小波的分解级别。对于分解级别为M 的母小波，输入信号可以根据式(5)分解为一个近似系数和一个细节系数，由此可以计算出32 个系数来表示选用的母小波。

(3)特征选择和提取:

利用每一个母小波，经过小波变换可以将一个输入信号序列分解成一系列系数，选择合适的特征值来表示输入信号的特征对于故障检测至关重要。本文选择了一系列系数的统计特征来构造神经网络的特征向量，其中包含了所配电网故障的重要信息，具体来说本文计算了分解系数的以下几个特征，其中μ是标准差计算中样本的均值，μs是偏度公式中样本的均值。

(a)系数的最大值:max{s}

(b)系数的最小值:min{s}

(c)系数的均值:μs=E[s]

(d)系数的标准差:σs=E[(s-μ)2]0.5

(e)系数的偏度:E{[(s-μs)/σs]3}

(f)系数的能量:∑s2

对于配电网系统中的每个信号周期，可以计算32 个(系数)×6 个(特征)×3 个(相位)=576 个特征，这些特征构成了表示该周期中功率动态的特征向量。之后将该特征向量输入到DNN 网络中，即可得到故障检测结果，本文采用的DNN 网络是一种多输入多输出的人工神经网络。

将故障检测问题分为两个子问题，即故障类型分类和故障位置检测。每个子问题都由独立的DNN 网络处理。图1 所示是本文DNN 网络的故障检测流程。将任意时间内配电网中的电流采样值输入到本文的故障识别模型中，首先通过DWT 处理测量值提取特征，然后将特征和测量值输入到故障类型分类DNN 中。如果检测到故障，则使用故障定位检测电网故障的位置。

图1 DNN 故障检测网络示意图

通过检测识别出配电网故障类型和位置后，将结果输入到专家系统，得到对应的调度方案，生成操作票。

1.2 专家系统

专家系统的基本结构如图2 所示，它是一个以现有事实为基础，以庞大知识库为主体的综合控制系统。该专家系统可以将现有的知识、经验和信息与技术相结合，从而完善信息数据库，最后通过网络模拟专家的分析和判断，对人工智能中的问题进行合理的判断和决策，识别电力调度中的问题。专家系统中的数据库来源于实际专家的知识，因此提高专家系统的应用效率，获取更深层次的专业知识，可以使其更具实用性和可靠性。

图2 专家系统的基本结构

随着电力调度系统信息量和数据量的不断增加，电力调度系统的自动化程度也越来越高，故障处理的难度和压力也越来越大。调度员需要花费大量的时间和精力从海量的信息中找到准确的信息，为电力调度系统的故障排除带来了很大的挑战。可视化技术可以提高运行人员的工作效率，帮助运行人员进行调查分析，及时发现电力调度系统的故障。可视化技术可以将大量的信息数据以图片的形式以二维和三维的形式显示出来。调度人员可以及时发现故障原因，采取相应措施，提高电力调度故障排除效率，从而保证电力调度系统的稳定运行。

人工神经网络是在人工智能系统中模拟人类神经系统信息处理和传输的一种技术，在电力调度系统中有着广泛的应用。该技术可以提高信息传输和处理的效率，实现电力调度系统中信息和数据的并行处理、联想记忆和在线学习。人工神经网络具有诊断速度快、容错性强的特点，可以帮助处理电力调度系统故障，提高故障分析处理效率，保证电力调度系统的正常运行。

2 系统设计与实现

2.1 总体框架设计

系统的总体结构如图3 所示，由四个模块组成:专家系统模块、数据模块、操作票模块、知识管理模块。整个网络的智能处理和计算能力体现在这四个层次上:网络层的使能控制层、应用层的智能处理层、感知层的网关层和平台层的大数据智能分析。专家系统模块是整个系统的核心，主要负责操作票的逻辑推理。数据模块封装了系统的数据操作逻辑，其他模块通过这一操作逻辑与数据库交互。操作票模块主要完成操作任务的设置、检查和分解，并配合专家系统完成开票过程。操作票的类型包括典型票、历史票和失效票，其管理模块可以实现各种操作票的查询、修改、导入导出、定期清洗等功能。知识管理模块负责专家系统知识库的更新和修改。

图3 专家操作票系统的构建

知识库是专家系统的基础，用于存储解决领域问题所需的专家经验或知识。专家系统知识库中存储的专家知识的数量和质量决定了专家系统性能和解决领域问题能力的优劣。知识获取主要有三种途径:人工知识获取、半自动知识获取和自动知识获取。

(1)人工获取知识:由知识工程师提问，经过领域专家回答，知识工程师对答案进行分类，并以某种形式将其处理成知识库。

(2)半自动知识获取:使用具有一定知识编辑能力的知识获取系统，帮助领域专家提取相关知识，并自动统计到知识库中。

(3)自动知识获取:也称为机器学习。机器学习系统可以直接与领域专家进行人机对话，而不需要知识工程师的干预。该方法能将会话内容自动转化为知识库中的知识规则，并能从系统运行实践中总结出新的知识。同时，还能自动纠正当前错误，不断完善知识库。

本文采用半自动知识获取的方法获取操作票的相关知识。一般说来，知识有三种表现形式:产生式、框架式和语义式。专家系统中常用的为产生式，产生式规则的一般形式是:IF(前提)、THEN(动作)或(结论)，如果满足前提，则产生相应的动作或结论。

本文的系统设计采用树形结构组织电网的所有故障知识，由多故障构成多故障树，即故障森林。在数据库中，本系统的二叉树采用双向链表的存储结构，遍历整个二叉树后即可实现专家系统知识库的建立。该专家系统利用知识库中的知识，根据调度员输入的当前线路故障情况，按照推理策略生成操作票。其基本思想是:由调度器输入一个跳闸事件，通过推理机对已知信息采用深度优先搜索算法，对知识库中的规则进行迭代匹配，最终生成操作票。同时，系统记录整个诊断过程。

系统解释工具用来解释推理的过程，展示推理的结论。该系统的解释工具包括三个部分:有形区域、过程区域和结论区域。在有形领域，我们将按照事实的顺序列出过程中使用的所有事实，并按性质进行分类，该系统将切换分为两种类型:热备用操作系统和冷备用操作系统。在过程区域，我们对推理过程中使用的知识规则进行了排序。在结论区域，将问题的推理结果展示出来。

专家系统推理机制主要包括搜索、匹配、冲突决策和触发四个部分。传统推理引擎有两种方式，正向推理和反向推理。本文采用基于Rete 算法的正向推理机制来模拟操作票的生成过程，对应的Rete网络对传输的数据进行过滤。从网络的根节点开始，匹配数据逐渐减少，直到到达端节点，完成模式匹配过程。

Rete 算法网络节点主要分为四类:根节点、类型节点、Alpha 节点、Beta 节点。其中，根节点是一个虚拟节点，是所有对象进入网络的入口；类型节点存储有形对象的类型，并且有形对象从相应的类型节点进入Rete 算法。Alpha 节点主要用于同一对象类型内的属性约束。Beta 节点用于实现不同类型对象属性的连接。

2.2 案例分析

本文采用如图4 所示的系统进行仿真分析，其中负载，变压器和线路参数按照文献[14]设置。具体来说，在该系统中共有四个负载，在额定工作条件下，L-3 和L-4 的负载值为90 kW，45 kVAr；L-5 的负载值为90 kW，-40 kVAr，L-6 的负载值为90 kW，-20 kVAr，配电线路12、34、56 类型为AWG2类，线路长度等于6.88 km；线路23 类型为AWG00，其长度为2.86 km。其余参数根据文献[14]表1 中的数据进行设置。

图4 仿真电力系统示意图

本文重点分析系统中的四根电源线，即图4 中所示的12、23、34 和56 号线。由于系统中部署了多个发电设备DGs，同时电网可以在环路拓扑中运行，因此在电源线的两端都安装了数字保护继电器，这些继电器通过电流互感器以3.84 kHz 的速率采样支路电流。该电网系统在DIGSILENT PowerFactory软件中建模，该软件包可模拟故障检测过程中的电流测量过程，使用该模拟数据进行故障识别，带入本文提出的模型中检测故障的类型和位置。

表1 所示是同时采用不同故障识别方法与本文方法对比，通过仿真得到的结果:

表1 故障识别结果统计表

根据表1 结果可以看出，本文提出的故障检测方法优于现有的故障检测方法。同时本文提出方法可以得到故障位置，克服了现有故障识别方法不能得出故障位置的难题。得到故障类型、位置后，下一步是通过专家系统得到操作票，本文采用Rete 算法设计系统推理机制，以断路器开断到冷备用操作为例，详细说明Rete 算法的操作机制。该操作任务分为两个子任务:运行到热备用(01)和热备用调整到冷备用(12)。主要的开票规则如下:

(1)如果操作任务是将断路器从运行状态改为热备用状态，则断开断路器a；

(2)如果操作任务是将断路器从热备用状态改为冷备用状态，则开断断路器b；

(3)如果操作任务是将断路器从热备用状态改为冷备用状态，且线路侧开关b 断开，则打开母线侧开关c。

本文根据Rete 网络的算法，建立了和其规则相匹配的网络图，如图5 所示，其中Ai(i=1，2，…，5)表示Alpha 节点，Bj(j=1，2，3，4)表示Beta 节点，Rk(k=1，2，3)表示规则。初始实体通过类型节点过滤进入Rete 网络形成Alpha 节点。然后A1 和A2 匹配成功形成B1，B1 和R1 匹配成功激发R1；R1 执行后，原子任务(12)进入Rete 网络形成A5，A5 依次匹配A2 和A3 得到B3，B3 和R2 匹配成功激发R2，B3 继续与A4 匹配形成B4、B4 和R3 匹配成功并激发R3。

图5 Rete 网络

规则中的大量节点是共享的，匹配完成的节点存储在系统内存中，在下一次匹配过程中可以直接调用内存，避免重复操作。Rete 算法的节点共享和状态保持特性使其比传统的匹配模式算法更高效。

将专家系统以模块化的方式嵌入到操作票生成系统，在用户界面完成操作任务设置、校验、分解后，系统开票模块调用专家系统模块，将操作任务作为启发式事实写入实时库。推理机通过Rete 网络的搜索和匹配过程对规则进行激励，并将操作步骤添加到实时库中，最后输出结果。

3 结论

本文针对传统电力调度系统技术灵活性和智能性不足的问题，以及配电网故障检测和识别的难题，提出了一种故障识别方法，基于专家系统和Rete 算法设计了推理机，设计了电力操作票自动成系统，实现了故障识别以及对应的调度操作票自动生成，得到以下几个主要结论:

(1)故障识别结果表明，本文提出的故障识别方法在识别故障发生方面的精度为99.34%；识别故障类型的精度为98.32%；识别故障位置的精度为95.10%，识别效果优于现有方法，同时克服了故障位置识别的难题。

(2)基于Rete 算法设计推理机，基于专家系统实现了各种故障类型对应的操作票自动生成；以断路器开断到冷备用操作的案例结果表明本文提出的系统能够成功实现操作票自动生成。