電網(wǎng)調(diào)控領(lǐng)域人工智能技術(shù)運用分析

施昊迪 陳凱峰 王瑞豐

（國網(wǎng)上海市電力公司崇明供電公司，上海 202150）

0 前言

當前，我國的人工智能技術(shù)已經(jīng)得到了一定發(fā)展，在包括電力行業(yè)在內(nèi)的各個行業(yè)中都有相關(guān)應(yīng)用實例。同時，現(xiàn)代社會發(fā)展需要巨大的電能消耗，為了更好地解決當前出現(xiàn)的供電系統(tǒng)失衡現(xiàn)象，需要進一步增強電網(wǎng)調(diào)控能力，在完善管理架構(gòu)的基礎(chǔ)上，對各地區(qū)出現(xiàn)的電能負荷進行嚴格控制，提高我國各個地區(qū)的用電水平，實現(xiàn)強化工作水平的目標。電網(wǎng)負荷計算存在多種計算方法，不同方法對人工智能技術(shù)的具體應(yīng)用也存在一定差異，因此要對多種算法進行探究。

1 電網(wǎng)負荷問題分析

1.1 計算方法

在電力調(diào)控中，根據(jù)不同生活模式、不同生產(chǎn)條件中個體的用電行為計算負荷數(shù)據(jù)曲線，根據(jù)不同趨勢的曲線來計算需求供應(yīng)，從而發(fā)現(xiàn)減少電耗、提高輸電效率的有效措施，這也是實現(xiàn)人工智能支持的關(guān)鍵點，同時也是優(yōu)化我國電力行業(yè)發(fā)展狀況的重要手段之一。目前常見的計算方法包括以下2種。

馬哈拉諾比斯距離是一種計算2種未知樣本集之間相似度的算法，其主要體現(xiàn)數(shù)據(jù)之間的協(xié)方差距離，與歐氏距離的最大不同點在于它會更多地考慮數(shù)據(jù)各種特性之間的實際聯(lián)系，并且在計算中有獨立的測量尺度。在人工智能處理中，假設(shè)某區(qū)域內(nèi)存在個用電個體，則樣本={，,…,x}，在樣本數(shù)據(jù)集中每個樣本數(shù)據(jù)擁有個維度，基于上述信息，可以計算馬哈拉諾比斯距離。

歐氏距離是采用比較常用的一種距離定義，它是指在維空間中2個點之間的真實距離，其是在簡單歐式距離的基礎(chǔ)上進一步優(yōu)化的結(jié)果，在人工智能算法中具有一定的應(yīng)用空間。在標準歐氏距離計算中，對傳統(tǒng)歐式距離進行改進后獲得標準歐式距離，這樣定義樣本數(shù)據(jù)集的平均值為，標準差為，則標準歐式距離如公式（1）所示。

式中：為標準歐式距離；為樣本數(shù)據(jù)集；為樣本數(shù)據(jù)集的平均值；為標準差。

1.2 電網(wǎng)負荷預(yù)測方法

該研究主要借助人工神經(jīng)網(wǎng)絡(luò)法進行預(yù)測，該方法的主要優(yōu)勢就是可以對電網(wǎng)負荷數(shù)據(jù)的很多單元進行非線性分析，根據(jù)分析結(jié)果打造單元數(shù)據(jù)系統(tǒng)。同時，該網(wǎng)絡(luò)也可以在不斷進行電網(wǎng)負荷預(yù)測的過程中實現(xiàn)自動提升預(yù)測能力的目標，其各項能力能夠隨工作的開展而不斷發(fā)展。在早期的人工智能處理環(huán)節(jié)中，神經(jīng)網(wǎng)絡(luò)的初始設(shè)定值不確定，因此需要對樣本進行定量輸出，并且在輸出環(huán)節(jié)可以持續(xù)對樣本數(shù)據(jù)進行校正。

2 人工智能算法的改進

2.1 基本思路

改進人工智能算法在電網(wǎng)調(diào)控中使用的基本思路在于利用全新的計算設(shè)備、適合的計算方法，最大程度地提高人工智能算法的效果，保證人工智能算法的準確性與高效性。在改進人工智能算法的過程中，支持向量機是以統(tǒng)計學為基礎(chǔ)的，通過結(jié)構(gòu)風險最小化規(guī)則構(gòu)建自主學習算法，該文采用的LSSVM（最小二乘支持向量機）充分地繼承了支持向量機的優(yōu)勢，可以將需要解決的問題替換成線性求解，由此消除問題條件，不僅簡化了計算條件，而且還能提高數(shù)據(jù)預(yù)測處理結(jié)果，從而滿足電網(wǎng)調(diào)控的要求。LSSVM也能解決人工智能運行和電網(wǎng)管控中小樣本、非線性的高維模式識別問題，能夠被推廣應(yīng)用到機器學習問題中。

2.2 設(shè)置算法的初始值

在該計算中為了可以有效地闡述人工智能中的算法過程，該文引入空間變量，該方法可以將參數(shù)與蟻群空間化。參數(shù)空間是指由個變量所構(gòu)成的空間，蟻群空間規(guī)模與實際問題參數(shù)的數(shù)據(jù)之間沒有聯(lián)系，因此在數(shù)據(jù)處理中能夠任意定義范圍。

2.3 路徑選擇

蟻群移動的運算如公式（2）所示。

2.4 混沌尋找最優(yōu)位置

式中：（）為時混沌尋找最優(yōu)位置；（-1）為之前、上一次混沌尋找最優(yōu)位置；δ為混沌搜索期間通過增加任意精度范圍。

按照上述的數(shù)據(jù)處理流程，則算法結(jié)構(gòu)的流程如圖1所示。在整個數(shù)據(jù)處理過程中利用人工智能技術(shù)，如果螞蟻遍歷每條搜索路線或者符合初始設(shè)置的迭代測繪技術(shù)要求后，即可證明蟻群搜索工作結(jié)束，算法結(jié)束，輸出最理想的參數(shù)方案。如果沒有達到這種情況，則需要進行第二次搜尋，直到實現(xiàn)目標。使用該數(shù)據(jù)處理流程可以保證數(shù)據(jù)處理工作的完整性，確保每個處理環(huán)節(jié)的質(zhì)量都能得到保障，進而保證人工智能算法最終的使用質(zhì)量。

圖1 優(yōu)化后的數(shù)據(jù)處理流程

3 基于LSSVM改進RBF網(wǎng)絡(luò)的電網(wǎng)調(diào)控分析

3.1 基本設(shè)計思路

基于LSSVM的電網(wǎng)調(diào)控工作是建立在VC維理論（統(tǒng)計學理論）和結(jié)構(gòu)風險最小原理的基礎(chǔ)上，能夠從有限的樣本信息中達成模型復(fù)雜度與學習能力之間的協(xié)調(diào)，同時也能使用交叉驗證的方法支撐參數(shù)選擇工作。該研究將借助上文的研究方法對電網(wǎng)調(diào)控中的電力負荷進行預(yù)測，在LSSVM算法的支持下，整個設(shè)計思路架構(gòu)如圖2所示。

圖2 整體設(shè)計思路

3.2 人工智能神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與訓練

樣本回歸也被稱為經(jīng)驗回歸，其不是一種實際模型，而是用來擬合實際模型的一種手段。在樣本回歸中，算法的基本流程如下：將具有樣本的數(shù)據(jù)隨機制定若干個初次聚類中心，則剩余的-2的非初中心對象在數(shù)據(jù)處理中則可以通過計算相似度的方法確定其分類，根據(jù)數(shù)據(jù)計算結(jié)果將小距離的數(shù)據(jù)集對象劃分為一種類型，直至所有對象都獲得獨特的類別。之后計算聚類后的數(shù)據(jù)對象的平均值，將其作為新聚類中心，并由此采用新的數(shù)據(jù)聚類方法。最后重復(fù)上述計算過程，直至方差函數(shù)不再收斂，統(tǒng)計2個數(shù)據(jù)資料后，獲得具有高度相似性的數(shù)據(jù)為RBF神經(jīng)網(wǎng)絡(luò)訓練樣本集，而相似度較低的數(shù)據(jù)集可以按照測試樣本集的方法進行處理。樣本回歸中算法的準確性會受到人為行為不準確、計量誤差以及模型形式錯誤等因素的影響，因此需要準確把握精準度。

將RBF神經(jīng)網(wǎng)絡(luò)隱含層中無重復(fù)的內(nèi)容保存下來，并且保存后的節(jié)點，對應(yīng)節(jié)點可以劃分為個等數(shù)，所對應(yīng)的個中心就是徑向基函數(shù)中心。

該研究以高斯函數(shù)為核函數(shù)，其具體架構(gòu)如公式（4）所示。作來評估電網(wǎng)調(diào)控領(lǐng)域人工智能應(yīng)用水準現(xiàn)狀與發(fā)展前景。

式中：σ為方差；為核函數(shù)的最大中心距離；為個等數(shù)；為基本參數(shù)。

在計算寬度參數(shù)以及中心參數(shù)后，就可以通過LSSVM方法計算輸出權(quán)值，當設(shè)定輸入向量為X、第個隱含層的輸出為m時，則輸出結(jié)果，最終通過權(quán)值逼近，并利用最小化求解網(wǎng)絡(luò)計算最終的參數(shù)。

在最終的人工智能分析訓練方法中，可以按照以下4個步驟進行處理：1） 根據(jù)電網(wǎng)調(diào)控的負荷數(shù)據(jù)開展標準化處理，通過聚類算法進行劃分后，將測試樣本資料上傳到LSSVM模型中，同時輸出向量機。2） 假設(shè)測試樣本的輸入值為，輸出值為，則神經(jīng)網(wǎng)絡(luò)節(jié)點維數(shù)中的節(jié)點個數(shù)應(yīng)該與值保持相同，輸出點的與LSSVM模型的輸出節(jié)點相同。3） 在訓練過程中計算每個隱含層節(jié)點與輸出向量之間的關(guān)系，在將關(guān)系數(shù)值所對應(yīng)的隱含層節(jié)點保留下來后，再將保留的節(jié)點劃分成個數(shù)與相等的節(jié)點，并保留節(jié)點中對應(yīng)的中心數(shù)值，該數(shù)據(jù)就是徑向基函數(shù)中心。4） 通過測試樣本訓練后，可以獲得最優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)架構(gòu)，通過該架構(gòu)可以對電網(wǎng)調(diào)控中的電網(wǎng)負荷情況進行調(diào)整。

3.3 負荷數(shù)據(jù)處理

根據(jù)負荷數(shù)據(jù)的特征可知，需要在負荷數(shù)據(jù)標準化處理中對相關(guān)數(shù)據(jù)進行函數(shù)量綱處理，可以根據(jù)公式（5）驗算整個處理過程。

式中：x＇為標準化后的數(shù)據(jù)；x為原始數(shù)據(jù)。

為確保數(shù)值的統(tǒng)一性，在統(tǒng)計數(shù)據(jù)過程中可以將電網(wǎng)負荷參數(shù)的取值控制在0~1，再通過現(xiàn)行計算的方法，在允許的數(shù)據(jù)偏差內(nèi)獲得無量綱數(shù)值，最后輸出樣本資料、預(yù)測數(shù)據(jù)，并執(zhí)行反歸一化處理，將其恢復(fù)到實際值。

4 實例分析

該文通過上述方法構(gòu)建了一套基于LSSVM模型的人工智能技術(shù)架構(gòu)，為評估該方法在電網(wǎng)調(diào)控領(lǐng)域的應(yīng)用效果，該文結(jié)合某地區(qū)的實際情況進行仿真運算，通過高強度、高頻率的測試工

4.1 仿真結(jié)果分析

該研究使用的相關(guān)數(shù)據(jù)來自上海市某地區(qū)的實時電力負荷測試結(jié)果，在數(shù)據(jù)采集中樣本的時間間隔為1 h，每日共檢測24次，每個數(shù)據(jù)點的負荷檢測數(shù)據(jù)均采用上文提出的方法進行數(shù)據(jù)處理。將處理后的數(shù)據(jù)進行K-means分類，根據(jù)距離劃分方法展開方差函數(shù)計算，由此獲得數(shù)據(jù)間的相似度，并根據(jù)相似度將其劃分為測試樣本和訓練樣本。之后通過選擇該地區(qū)2021年5月某日的電網(wǎng)數(shù)據(jù)進行為期24 h的電網(wǎng)負荷預(yù)測，最終的測試結(jié)果顯示該文所介紹的改進人工智能算法更接近當?shù)氐膶嶋H情況。研究發(fā)現(xiàn)，利用該文介紹的方法進行仿真驗證的結(jié)果顯示，該方法在預(yù)測電網(wǎng)負荷中的效果具有可行性，可以用于電網(wǎng)調(diào)控工作。

4.2 誤差分析

通過當?shù)?021年3—6月的電網(wǎng)運行數(shù)據(jù)對開展連續(xù)24 h的負荷檢測，提取訓練樣本后，根據(jù)模型的誤差資料判斷該預(yù)測值與實測值之間的誤差情況，了解最大誤差、最小誤差以及平均誤差，根據(jù)誤差值判斷該方法的合理性，誤差越小，則證明該文所采用的人工智能技術(shù)的效果越好，最終的誤差對比結(jié)果見表1。

表1 誤差對比結(jié)果

由表1對各類誤差的統(tǒng)計結(jié)果可以發(fā)現(xiàn)，在該文所記錄的4個月的數(shù)據(jù)中，人工智能測試方法與實際負荷之間的平均誤差波動范圍為1.82%~2.51%，整體波動范圍較小，而這種誤差可能是其他某些不確定性因素所造成的，例如因氣候異常變化而影響居民用電需求量等，但是從數(shù)據(jù)預(yù)測精準度來看，該文所采用的人工智能技術(shù)具有可行性，所測量的誤差小，能滿足電網(wǎng)調(diào)控的要求。

5 結(jié)語

該文對人工智能算法進行改進，在原有技術(shù)的基礎(chǔ)上引入了LSSVM模型，最終結(jié)合某地區(qū)的仿真結(jié)果可以發(fā)現(xiàn)，該文所介紹的人工智能技術(shù)可以對城市用電負荷情況進行精準預(yù)測，作為一種科學的分析方法，其具有計算精度高、運算速度快等優(yōu)點，對提升電網(wǎng)調(diào)控能力具有重要意義。人工智能技術(shù)在電網(wǎng)調(diào)控工作中的應(yīng)用可以有效地提高電網(wǎng)調(diào)控的質(zhì)量與效率，同時也能帶動各個算法技術(shù)的發(fā)展，對人工智能技術(shù)的發(fā)展和電網(wǎng)管理水平的提高都具有重要的意義。