基于人工智能的电网调控运行安全风险在线监控系统

赵晶玲

（深圳供电局有限公司）

0 引言

对于供电企业而言，“调控运行精益化”指的是在自身的电网调度控制活动中持续性地对制度规范加以完善，同时，保证操作流程的简化性，对技术手段进行创新，以科学而又完善的管理为支持达到最小化人员、设备、时间以及资金投入的目的，以此打下电网稳定运行及服务水平日益提升的重要基础。除此之外，还与绩效考核以及电网监测技术等各项相关元素相结合，实现对完善程度更高的管理模式的打造。实际上，与电网调控运行精益化目标的达成相伴随，电网调控运行安全风险呈现出逐渐增加之势，而电网调控一旦有问题出现，不仅会对电力的正常供应产生不利影响，为人们的生产与生活带来诸多不便，还会增加电力企业经济损失。所以，为了在第一时间发现电网运行环节的各项故障或风险，必须构建与应用电网调控运行安全风险监控系统，保证系统在线监控的实时性、全面性与智能性，这对于整个电网安全与高效运行尤为重要。

在电网调控运行的早期阶段，各类电力设备的巡视及维护多是借助于运维人员的力量来完成，然而与智能电网建设以及电力设备数量的日益增多相伴随，人工巡视方法由于自身所具有的耗时长、巡视效果对运维人员技术水平及工作经验要求较高等弊端愈发不能实现对实际需求的满足。以海量信息为基础，人工智能技术进行电网调控运行一体化监控系统的构建，可很好地发挥出电力设备联合调度、安全状态感知、故障风险告警以及工作人员行为管理等诸多功能。因此，本文以电网调度运行过程中的风险管理为视角，进行以人工智能技术为支撑的安全风险在线监控系统的研究与设计，在无线服务区与控制安全区之间的相互协作中达到对电网调控运行安全风险进行智能化监测及控制的目的。

1 人工智能技术

人工智能技术的应用首先以采集到的海量历史数据为基础，在对数据进行分析的基础之上，执行对适宜人工智能模型的构建任务。与人工智能技术的迅猛发展相伴随，采集的信息量呈现出日益增多之势，在人工智能领域，神经网络算法的应用愈发广泛，其模型建立主要有三大类型的划分，分别为监督学习、无监督学习以及再励学习。

1.1 监督学习

主要特点体现为历史数据中有正确输出结果的存在。在神经网络算法的支持下，通过输入训练样本集数据，可以将输出数据得出，之后与训练样本集中原有正确的输出结果相比，便能获取误差集合，将其反馈至输入神经网络模型中，便能执行对网络模型参数与网络结构的调整任务。经过调整的网络结构会重新处理与计算训练样本集，并循环上述过程，一直到神经网络的输出结果与原有正确输出结果之间的误差位于允许范围以内为止，自此将训练过程结束。借助于评价样本集数据执行对最终神经网络算法模型的评估任务，可为模型准确度提供保证。

1.2 无监督学习

对于有海量历史数据被采集到，但是其中并没有输出结果的情况表现出很好的适用性。主要是在一定神经网络算法训练规则的支持下，将适宜的模型参数与结构确定下来，以此直接获取神经网络算法模型。

1.3 再励学习

属于上述两种方法的综合，历史采集数据中并没有正确的输出结果存在其中，不能将足够具体的误差信息给出，主要是以训练样本集数据为依据，将相应的激励信息如正确或错误、大或小、多或少等模糊评价信息给出，以此执行对神经网络算法模型参数及结构的选择任务。

从实质上来看，人工智能模型中参数与结构的改变选择当属各个神经元之间权重的选择变化，所以历史数据中如果有少量的错误信息存在，并不会在明显程度上对人工智能网络模型的构建产生影响，此即人工智能算法准确度的体现。上述3 种神经网络算法模型全部以海量历史信息为基础构建得到，其中，监督学习方法对历史数据所提要求比较严格，结果有最高的准确度；无监督学习方法所得结果误差相对而言比较大；再励学习方法效果则位于监督学习和无监督学习两个方法之间。与不同历史信息类型相结合，对适宜的学习方法加以选用是进行人工智能模型构建的基础。

2 人工智能技术支持下的电网调控运行安全风险在线监控系统架构

以人工智能技术的运行为支持，与彰显出现代化特点的设备功能、合理的装置以及各类数据运行下的模式相结合，进行面向电网调控运行的安全风险智能化线上监控系统的设计，系统整体架构如图1 所示。

图1 以人工智能技术为支持的电网调度运行安全风险在线监控系统整体架构

电网调度运行安全风险监控系统主要有三大部分的划分：①外网组件，主要由监测装置构成，分布于无线服务区，通过对状态监测和相应故障处理算法的运用，以从线路监测终端采集到的各项数据信息为依据，执行故障逻辑判断任务，同时，在反向隔离装置的支持下向自动化通信前置机器传送监测数据以及故障判断结果；②内网组件拓扑，同样由监测装置构成，在控制安全区分布，通过对电网自动化输出线路的采用，在正向隔离装置的支持下，向监测装置外网组件输送故障分析结果信息文件，对电网监测装置双重维护现象的发生加以规避；③监测装置外网组件，主要是对反向隔离装置加以运用，向监测装置维护服务器传递数据信息，由其执行对数据信息的处理任务，并利用正向隔离装置将最终的处理结果传递给监测装置外网组件。

3 电网调控运行安全风险在线监控系统相关功能实现

3.1 网络状态监测

主要是基于内置电网网络状态监测模块的支持执行对线路终端设备的网络状态监测任务，具体的监测步骤为：

1）保证可视化处理接口文件能够由接口顺利输出并返回至主机信息，该过程即人工智能技术支持下的网络状态监测重要工作。

2）为系统配置工具提供保证，同时为监测线路设计以及文件生成等提供支持。

3）网络状态监测。在对网络实际情况进行监测之时，能够在尽可能短的时间内发现异常问题，图2所示为此次电网网络状态监测模块设计示意图。

图2 电网网络状态监测示意图

根据图2 可以知道，网络插件异常会导致一些通信异常状况的出现，由此又会有电网调控运行安全风险的发生。在此过程中，可以以整个电网内诸多设备相应的线路异常信号为依据对电网中异常位置进行精准定位，为电网网络状态的直接获取提供支持。

3.2 数据采集、处理与风险预警

1）数据采集。数据采集主要是以连接外网与内网监测设备的线路终端为面向对象，需要事先做好对各终端数量、品牌、型号以及接口等各类相关信息的收集工作，同时，判断接口有没有被占用，是否进行备用通信端口的配备，是不是存在数据地址列表，终端有没有加密等等。针对电网调控运行安全风险监控，一般需要对各种类型的传感器加以运用，包括加速度传感器、位移传感器、温湿度传感器以及倾斜传感器等。

传感器的工作模式主要可以分为两种类型，其一为动态实时测量，其二为静态实时监测。其中，前者主要是指对应变进行实时测量，采用数据包的方式进行实时测量数据的发送；后者则主要是指在实时测量过程中，传感器并不进行实时报告，而是利用其内部机制作出相应判断，以设定的触发阈值为依据执行预警以及数据报告任务。传感器上传的数据包对开始字符、产品ID、包编号、采样率、数据长度、时间戳、实时数据以及固定结束字符等均有涉及，其供电方式以电池与太阳能供电为主，安装方式则为焊接或螺栓连接。传感器对传感、采集以及传输功能进行集成，通讯方式为5G 通讯，防水等级可达IP67 水平。

2）数据处理。在对数据进行处理之时，可以采用实时处理模式与多数据融合分析模式。其中，实时处理模式主要是对数据施以实时处理，举例而言，在执行应变监测任务之时进行特点阈值的设定，一旦发生超出阈值的情况便会报警。对该模式的优点进行分析，主要以处理速度快、时效性高为体现，能够将某局部特定类型的实测值精准地反映出来，不过其缺点亦比较明显，只可以简单处理数据，不能对其作深层次挖掘，且数据只可以对局部实时情况加以体现，无法通过对多种信息的融合作出综合决策。

多数据融合分析模式主要是从综合层面执行对多渠道采集到的数据的分析任务，同时，与BIM 模型、有限元模型以及现场实景图相结合，做好全面而又整体的分析及预测工作。对此模式的优点进行分析，主要体现为可为信息分析的全面性提供保证，能从不同维度以及不同层次将安全性评价结果给出。不过此模式的不足同样十分明显，包括需要耗费比较长的处理时间、不能将实时结果给出等。

对实时处理和多数据融合分析两种模式的优劣势进行比较分析，可针对性地对两种模式相结合的方式加以运用，针对监测所得数据，先执行实时处理任务，以此获取实时安全状态；在此基础上，定期做好某一段时间内的汇总分析工作，对数据背后的规律作相应挖掘，为电网调控运行安全风险评价的全面性与准确性提供保证。

3）数据可视化与预报报警。在完成数据采集任务以后，对分析所得结果进行可视化展示。以图形元素库为基础，可进行不同图形的绘制，同时，执行对图形属性（如大小、颜色以及透明度等）的配置任务，这可实现与现场应用相符的看板绘制，通过对实时数据的快速选择、添加及关联，能够将图形与数据之间的动态关系建立起来。为了达到移动化与网络化的目的，既需发挥出相应的报警提示记录功能作用，又要建立起应用系统和报警信息之间的连接。

预测报警主要有两大部分的划分，其一为报警管理工作台；其二为历史监控。对报警管理工作台进行分析，主要是通过对各项相关参数的配置（对不同设备与仪表编号等予以涉及），为用户提供具体帮助，让其更为便捷化与实时性地进行相应报警信息的查看。而分析历史监控的目的，则主要是通过对历史报警记录的查询以及历史数据的分析将监测对象随时间变化的规律总结出来。以上述数据的可视化、预测以及报警功能为基础，能够达到及时显示数据以及反馈结果的重要目的，进而实现对电网调度运行安全风险状态的实时与准确反映。

4 结束语

为了能够在尽可能短的时间内发现电网运行过程中的故障以及安全隐患，本文以人工智能技术为支持，研究与设计一种电网调度运行安全风险智能化线上监控系统。通过应用本系统，可以为电网结构的持续优化与最终完善提供支持，在日益提升监控质量及运行效率的同时，为电网调控运行安全风险监控的更加全面性、安全性以及可靠性提供重要保证及支持。