基于專家系統(tǒng)的電網(wǎng)調(diào)度操作票自動生成系統(tǒng)研究*

朱炳銓吳華華童存智谷 煒馬 翔呂磊炎

(1.國網(wǎng)浙江省電力有限公司，浙江 杭州 310007；2.國網(wǎng)浙江省電力有限公司金華供電公司，浙江 金華 310007)

人工智能在電力系統(tǒng)中的廣泛應(yīng)用，提高了電力系統(tǒng)的安全性、可靠性和運行能力。在現(xiàn)代信息社會中，電力在人們的生產(chǎn)生活中扮演著不可或缺的角色，電力調(diào)度系統(tǒng)受到越來越多的關(guān)注。隨著人們用電需求的不斷增加，電力調(diào)度系統(tǒng)的壓力也在不斷加大[1-4]。因此，為了緩解電力調(diào)度壓力，實現(xiàn)電力系統(tǒng)的穩(wěn)定運行，必須提高電力調(diào)度系統(tǒng)的自動化程度。人工智能技術(shù)是電力調(diào)度自動化系統(tǒng)的一項重要技術(shù)，對電力調(diào)度系統(tǒng)的平穩(wěn)運行具有重要意義[5-6]。目前，越來越多的專業(yè)研究人員對人工智能在電力系統(tǒng)中的應(yīng)用進(jìn)行了大量研究[4-9]。電力調(diào)度系統(tǒng)未來的發(fā)展趨勢必將是將人工智能技術(shù)應(yīng)用于電力調(diào)度自動化系統(tǒng)。

電力操作票制度是我國電力系統(tǒng)運行管理中的一項有效保障措施，開具操作票是電力調(diào)度人員的一項重要工作。隨著人工智能和專家系統(tǒng)技術(shù)的日益成熟，通過傳統(tǒng)操作票制度與專家系統(tǒng)技術(shù)相結(jié)合的方法，開發(fā)了智能操作票系統(tǒng)，可以代替工作人員完成開票工作[10-11]。在電力大數(shù)據(jù)時代背景下，智能操作票系統(tǒng)需要更合理、更有效地提取和處理大數(shù)據(jù)群。因此，提高智能性成為運營票務(wù)系統(tǒng)的研究熱點[12]。

Rete 算法是一種基于正向規(guī)則的快速匹配算法，其匹配速度與規(guī)則個數(shù)無關(guān)。該算法通過犧牲部分內(nèi)存保存信息，并充分利用匹配過程中的信息，提高匹配效率。Rete 算法有八種結(jié)點:根結(jié)點、類型結(jié)點、左輸入適配結(jié)點、Alpha 結(jié)點、JOIN 結(jié)點、EVAL 結(jié)點、NOT 結(jié)點、終端結(jié)點。本文根據(jù)電力系統(tǒng)的特點，對電網(wǎng)操作票自動生成系統(tǒng)進(jìn)行了研究，提出了系統(tǒng)的基本模型框架，并重點研究了專家系統(tǒng)的設(shè)計。采用基于Rete 算法的推理機(jī)實現(xiàn)快速高效的操作票開票系統(tǒng)。

1 配電網(wǎng)智能化方法

配電網(wǎng)智能化的主要措施之一是引入人工智能技術(shù)，以更好地解決復(fù)雜的工程計算問題和非線性優(yōu)化問題，提高系統(tǒng)自身性能。本文基于改進(jìn)型小波變換算法對配電網(wǎng)故障進(jìn)行識別，為操作票提供基礎(chǔ)數(shù)據(jù)。本文設(shè)計的電力調(diào)度操作票智能化生成系統(tǒng)，主要基于專家系統(tǒng)技術(shù)、可視化技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)。

1.1 配電網(wǎng)故障識別方法

本文從離散小波變換(disecrete wavelet transform，DWT)方法出發(fā)構(gòu)建配電網(wǎng)故障識別算法，離散小波變換是一種數(shù)字信號處理技術(shù)，它將時間序列轉(zhuǎn)換成相互正交的數(shù)據(jù)集。本文所提出的故障檢測方法中，首先進(jìn)行小波變換，之后采用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識別。

(1)連續(xù)和離散小波變換:

小波是時間上的零均值函數(shù)。小波ψa，b(t)可以通過縮放和移位從其母波ψ(t)導(dǎo)出，如下所示:

式中:a和b分別是縮放和移動參數(shù)。利用這種關(guān)系，可定義具有尺度和位移的信號s(t)的連續(xù)小波變換:

離散小波變換由下式導(dǎo)出

式中:dj，k被稱為在j和位置k的小波細(xì)節(jié)系數(shù)，然而對于大多數(shù)信號s(t)，解析解無法求解[13-14]。與此同時，馬利特[13]開發(fā)了一種分解多分辨率信號的技術(shù)，被廣泛認(rèn)為是計算離散小波變換的標(biāo)準(zhǔn)方法。給定一個任意的信號s(t)，它的多分辨率M分解由公式(5)計算:

式中:aM，k是aM，k=〈s(t)，φM，k(t)〉的近似系數(shù)，φ(t)是同伴縮放函數(shù)，通過這種變換將s(t)分解成近似系數(shù)AM(t)和一系列細(xì)節(jié)系數(shù)Dj(t)。

由公式(5)可知，離散小波變換表示時頻域中的輸入信號，可廣泛用于故障檢測，由于小波函數(shù)可以在所有頻率范圍內(nèi)，提供具有最佳時頻分辨率的信號特征，具有較好的故障信號特征提取能力。與傅立葉變換及其各種變體(例如，快速傅立葉變換、短時傅立葉變換等)進(jìn)行比較，小波變換可有效反應(yīng)信號時域特征，計算效率更高。

(2)母小波和分解層:

不同的小波函數(shù)具有獨特的時頻域特征，可以影響小波變換的特征提取能力，現(xiàn)有微電網(wǎng)故障檢測的小波變換中有許多小波族得到了應(yīng)用，如coif(coiflets)、db(daubechies)、dmey(discrete meyer)、haar、bior(biorthogonal)和sym(symlet)。這些小波族中必須存在一組最優(yōu)的小波，使得故障檢測性能達(dá)到最優(yōu)，但是實際工況下不可能測試所有的小波組，應(yīng)根據(jù)采樣數(shù)據(jù)的屬性有策略地選擇小波函數(shù)。具體來說，當(dāng)數(shù)據(jù)包含足夠的樣本時，無論數(shù)據(jù)屬性如何，db 和sym 族的小波通常都是首選項，因為它們具有魯棒性。在這種情況下分解程度對系統(tǒng)性能的影響要大于母小波的選擇，與db 和sym 相比，其他母小波的濾波器長度可能更長，導(dǎo)致分解級別更低，可能會使得信號特征提取能力不足。因此本文使用db 和sym 兩個小波家族中的九個小波作為母小波來處理輸入信號，即電網(wǎng)電流測量值。除此以外，母小波分解級別也會影響信號分解性能，理論上每個小波函數(shù)都有一個最大分解級別，由以下因素共同決定輸入信號和母小波的大小:

式中:L是最大分解級別，N是輸入信號的長度，F(xiàn)是母小波的濾波器大小，實際計算時將分解級別設(shè)置為最大值。輸入信號的長度是一個周期內(nèi)的測量次數(shù)，至此即可用公式(6)計算母小波的分解級別。對于分解級別為M 的母小波，輸入信號可以根據(jù)式(5)分解為一個近似系數(shù)和一個細(xì)節(jié)系數(shù)，由此可以計算出32 個系數(shù)來表示選用的母小波。

(3)特征選擇和提取:

利用每一個母小波，經(jīng)過小波變換可以將一個輸入信號序列分解成一系列系數(shù)，選擇合適的特征值來表示輸入信號的特征對于故障檢測至關(guān)重要。本文選擇了一系列系數(shù)的統(tǒng)計特征來構(gòu)造神經(jīng)網(wǎng)絡(luò)的特征向量，其中包含了所配電網(wǎng)故障的重要信息，具體來說本文計算了分解系數(shù)的以下幾個特征，其中μ是標(biāo)準(zhǔn)差計算中樣本的均值，μs是偏度公式中樣本的均值。

(a)系數(shù)的最大值:max{s}

(b)系數(shù)的最小值:min{s}

(c)系數(shù)的均值:μs=E[s]

(d)系數(shù)的標(biāo)準(zhǔn)差:σs=E[(s-μ)2]0.5

(e)系數(shù)的偏度:E{[(s-μs)/σs]3}

(f)系數(shù)的能量:∑s2

對于配電網(wǎng)系統(tǒng)中的每個信號周期，可以計算32 個(系數(shù))×6 個(特征)×3 個(相位)=576 個特征，這些特征構(gòu)成了表示該周期中功率動態(tài)的特征向量。之后將該特征向量輸入到DNN 網(wǎng)絡(luò)中，即可得到故障檢測結(jié)果，本文采用的DNN 網(wǎng)絡(luò)是一種多輸入多輸出的人工神經(jīng)網(wǎng)絡(luò)。

將故障檢測問題分為兩個子問題，即故障類型分類和故障位置檢測。每個子問題都由獨立的DNN 網(wǎng)絡(luò)處理。圖1 所示是本文DNN 網(wǎng)絡(luò)的故障檢測流程。將任意時間內(nèi)配電網(wǎng)中的電流采樣值輸入到本文的故障識別模型中，首先通過DWT 處理測量值提取特征，然后將特征和測量值輸入到故障類型分類DNN 中。如果檢測到故障，則使用故障定位檢測電網(wǎng)故障的位置。

圖1 DNN 故障檢測網(wǎng)絡(luò)示意圖

通過檢測識別出配電網(wǎng)故障類型和位置后，將結(jié)果輸入到專家系統(tǒng)，得到對應(yīng)的調(diào)度方案，生成操作票。

1.2 專家系統(tǒng)

專家系統(tǒng)的基本結(jié)構(gòu)如圖2 所示，它是一個以現(xiàn)有事實為基礎(chǔ)，以龐大知識庫為主體的綜合控制系統(tǒng)。該專家系統(tǒng)可以將現(xiàn)有的知識、經(jīng)驗和信息與技術(shù)相結(jié)合，從而完善信息數(shù)據(jù)庫，最后通過網(wǎng)絡(luò)模擬專家的分析和判斷，對人工智能中的問題進(jìn)行合理的判斷和決策，識別電力調(diào)度中的問題。專家系統(tǒng)中的數(shù)據(jù)庫來源于實際專家的知識，因此提高專家系統(tǒng)的應(yīng)用效率，獲取更深層次的專業(yè)知識，可以使其更具實用性和可靠性。

圖2 專家系統(tǒng)的基本結(jié)構(gòu)

隨著電力調(diào)度系統(tǒng)信息量和數(shù)據(jù)量的不斷增加，電力調(diào)度系統(tǒng)的自動化程度也越來越高，故障處理的難度和壓力也越來越大。調(diào)度員需要花費大量的時間和精力從海量的信息中找到準(zhǔn)確的信息，為電力調(diào)度系統(tǒng)的故障排除帶來了很大的挑戰(zhàn)?？梢暬夹g(shù)可以提高運行人員的工作效率，幫助運行人員進(jìn)行調(diào)查分析，及時發(fā)現(xiàn)電力調(diào)度系統(tǒng)的故障?？梢暬夹g(shù)可以將大量的信息數(shù)據(jù)以圖片的形式以二維和三維的形式顯示出來。調(diào)度人員可以及時發(fā)現(xiàn)故障原因，采取相應(yīng)措施，提高電力調(diào)度故障排除效率，從而保證電力調(diào)度系統(tǒng)的穩(wěn)定運行。

人工神經(jīng)網(wǎng)絡(luò)是在人工智能系統(tǒng)中模擬人類神經(jīng)系統(tǒng)信息處理和傳輸?shù)囊环N技術(shù)，在電力調(diào)度系統(tǒng)中有著廣泛的應(yīng)用。該技術(shù)可以提高信息傳輸和處理的效率，實現(xiàn)電力調(diào)度系統(tǒng)中信息和數(shù)據(jù)的并行處理、聯(lián)想記憶和在線學(xué)習(xí)。人工神經(jīng)網(wǎng)絡(luò)具有診斷速度快、容錯性強(qiáng)的特點，可以幫助處理電力調(diào)度系統(tǒng)故障，提高故障分析處理效率，保證電力調(diào)度系統(tǒng)的正常運行。

2 系統(tǒng)設(shè)計與實現(xiàn)

2.1 總體框架設(shè)計

系統(tǒng)的總體結(jié)構(gòu)如圖3 所示，由四個模塊組成:專家系統(tǒng)模塊、數(shù)據(jù)模塊、操作票模塊、知識管理模塊。整個網(wǎng)絡(luò)的智能處理和計算能力體現(xiàn)在這四個層次上:網(wǎng)絡(luò)層的使能控制層、應(yīng)用層的智能處理層、感知層的網(wǎng)關(guān)層和平臺層的大數(shù)據(jù)智能分析。專家系統(tǒng)模塊是整個系統(tǒng)的核心，主要負(fù)責(zé)操作票的邏輯推理。數(shù)據(jù)模塊封裝了系統(tǒng)的數(shù)據(jù)操作邏輯，其他模塊通過這一操作邏輯與數(shù)據(jù)庫交互。操作票模塊主要完成操作任務(wù)的設(shè)置、檢查和分解，并配合專家系統(tǒng)完成開票過程。操作票的類型包括典型票、歷史票和失效票，其管理模塊可以實現(xiàn)各種操作票的查詢、修改、導(dǎo)入導(dǎo)出、定期清洗等功能。知識管理模塊負(fù)責(zé)專家系統(tǒng)知識庫的更新和修改。

圖3 專家操作票系統(tǒng)的構(gòu)建

知識庫是專家系統(tǒng)的基礎(chǔ)，用于存儲解決領(lǐng)域問題所需的專家經(jīng)驗或知識。專家系統(tǒng)知識庫中存儲的專家知識的數(shù)量和質(zhì)量決定了專家系統(tǒng)性能和解決領(lǐng)域問題能力的優(yōu)劣。知識獲取主要有三種途徑:人工知識獲取、半自動知識獲取和自動知識獲取。

(1)人工獲取知識:由知識工程師提問，經(jīng)過領(lǐng)域?qū)＜一卮?，知識工程師對答案進(jìn)行分類，并以某種形式將其處理成知識庫。

(2)半自動知識獲取:使用具有一定知識編輯能力的知識獲取系統(tǒng)，幫助領(lǐng)域?qū)＜姨崛∠嚓P(guān)知識，并自動統(tǒng)計到知識庫中。

(3)自動知識獲取:也稱為機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)系統(tǒng)可以直接與領(lǐng)域?qū)＜疫M(jìn)行人機(jī)對話，而不需要知識工程師的干預(yù)。該方法能將會話內(nèi)容自動轉(zhuǎn)化為知識庫中的知識規(guī)則，并能從系統(tǒng)運行實踐中總結(jié)出新的知識。同時，還能自動糾正當(dāng)前錯誤，不斷完善知識庫。

本文采用半自動知識獲取的方法獲取操作票的相關(guān)知識。一般說來，知識有三種表現(xiàn)形式:產(chǎn)生式、框架式和語義式。專家系統(tǒng)中常用的為產(chǎn)生式，產(chǎn)生式規(guī)則的一般形式是:IF(前提)、THEN(動作)或(結(jié)論)，如果滿足前提，則產(chǎn)生相應(yīng)的動作或結(jié)論。

本文的系統(tǒng)設(shè)計采用樹形結(jié)構(gòu)組織電網(wǎng)的所有故障知識，由多故障構(gòu)成多故障樹，即故障森林。在數(shù)據(jù)庫中，本系統(tǒng)的二叉樹采用雙向鏈表的存儲結(jié)構(gòu)，遍歷整個二叉樹后即可實現(xiàn)專家系統(tǒng)知識庫的建立。該專家系統(tǒng)利用知識庫中的知識，根據(jù)調(diào)度員輸入的當(dāng)前線路故障情況，按照推理策略生成操作票。其基本思想是:由調(diào)度器輸入一個跳閘事件，通過推理機(jī)對已知信息采用深度優(yōu)先搜索算法，對知識庫中的規(guī)則進(jìn)行迭代匹配，最終生成操作票。同時，系統(tǒng)記錄整個診斷過程。

系統(tǒng)解釋工具用來解釋推理的過程，展示推理的結(jié)論。該系統(tǒng)的解釋工具包括三個部分:有形區(qū)域、過程區(qū)域和結(jié)論區(qū)域。在有形領(lǐng)域，我們將按照事實的順序列出過程中使用的所有事實，并按性質(zhì)進(jìn)行分類，該系統(tǒng)將切換分為兩種類型:熱備用操作系統(tǒng)和冷備用操作系統(tǒng)。在過程區(qū)域，我們對推理過程中使用的知識規(guī)則進(jìn)行了排序。在結(jié)論區(qū)域，將問題的推理結(jié)果展示出來。

專家系統(tǒng)推理機(jī)制主要包括搜索、匹配、沖突決策和觸發(fā)四個部分。傳統(tǒng)推理引擎有兩種方式，正向推理和反向推理。本文采用基于Rete 算法的正向推理機(jī)制來模擬操作票的生成過程，對應(yīng)的Rete網(wǎng)絡(luò)對傳輸?shù)臄?shù)據(jù)進(jìn)行過濾。從網(wǎng)絡(luò)的根節(jié)點開始，匹配數(shù)據(jù)逐漸減少，直到到達(dá)端節(jié)點，完成模式匹配過程。

Rete 算法網(wǎng)絡(luò)節(jié)點主要分為四類:根節(jié)點、類型節(jié)點、Alpha 節(jié)點、Beta 節(jié)點。其中，根節(jié)點是一個虛擬節(jié)點，是所有對象進(jìn)入網(wǎng)絡(luò)的入口；類型節(jié)點存儲有形對象的類型，并且有形對象從相應(yīng)的類型節(jié)點進(jìn)入Rete 算法。Alpha 節(jié)點主要用于同一對象類型內(nèi)的屬性約束。Beta 節(jié)點用于實現(xiàn)不同類型對象屬性的連接。

2.2 案例分析

本文采用如圖4 所示的系統(tǒng)進(jìn)行仿真分析，其中負(fù)載，變壓器和線路參數(shù)按照文獻(xiàn)[14]設(shè)置。具體來說，在該系統(tǒng)中共有四個負(fù)載，在額定工作條件下，L-3 和L-4 的負(fù)載值為90 kW，45 kVAr；L-5 的負(fù)載值為90 kW，-40 kVAr，L-6 的負(fù)載值為90 kW，-20 kVAr，配電線路12、34、56 類型為AWG2類，線路長度等于6.88 km；線路23 類型為AWG00，其長度為2.86 km。其余參數(shù)根據(jù)文獻(xiàn)[14]表1 中的數(shù)據(jù)進(jìn)行設(shè)置。

圖4 仿真電力系統(tǒng)示意圖

本文重點分析系統(tǒng)中的四根電源線，即圖4 中所示的12、23、34 和56 號線。由于系統(tǒng)中部署了多個發(fā)電設(shè)備DGs，同時電網(wǎng)可以在環(huán)路拓?fù)渲羞\行，因此在電源線的兩端都安裝了數(shù)字保護(hù)繼電器，這些繼電器通過電流互感器以3.84 kHz 的速率采樣支路電流。該電網(wǎng)系統(tǒng)在DIGSILENT PowerFactory軟件中建模，該軟件包可模擬故障檢測過程中的電流測量過程，使用該模擬數(shù)據(jù)進(jìn)行故障識別，帶入本文提出的模型中檢測故障的類型和位置。

表1 所示是同時采用不同故障識別方法與本文方法對比，通過仿真得到的結(jié)果:

表1 故障識別結(jié)果統(tǒng)計表

根據(jù)表1 結(jié)果可以看出，本文提出的故障檢測方法優(yōu)于現(xiàn)有的故障檢測方法。同時本文提出方法可以得到故障位置，克服了現(xiàn)有故障識別方法不能得出故障位置的難題。得到故障類型、位置后，下一步是通過專家系統(tǒng)得到操作票，本文采用Rete 算法設(shè)計系統(tǒng)推理機(jī)制，以斷路器開斷到冷備用操作為例，詳細(xì)說明Rete 算法的操作機(jī)制。該操作任務(wù)分為兩個子任務(wù):運行到熱備用(01)和熱備用調(diào)整到冷備用(12)。主要的開票規(guī)則如下:

(1)如果操作任務(wù)是將斷路器從運行狀態(tài)改為熱備用狀態(tài)，則斷開斷路器a；

(2)如果操作任務(wù)是將斷路器從熱備用狀態(tài)改為冷備用狀態(tài)，則開斷斷路器b；

(3)如果操作任務(wù)是將斷路器從熱備用狀態(tài)改為冷備用狀態(tài)，且線路側(cè)開關(guān)b 斷開，則打開母線側(cè)開關(guān)c。

本文根據(jù)Rete 網(wǎng)絡(luò)的算法，建立了和其規(guī)則相匹配的網(wǎng)絡(luò)圖，如圖5 所示，其中Ai(i=1，2，…，5)表示Alpha 節(jié)點，Bj(j=1，2，3，4)表示Beta 節(jié)點，Rk(k=1，2，3)表示規(guī)則。初始實體通過類型節(jié)點過濾進(jìn)入Rete 網(wǎng)絡(luò)形成Alpha 節(jié)點。然后A1 和A2 匹配成功形成B1，B1 和R1 匹配成功激發(fā)R1；R1 執(zhí)行后，原子任務(wù)(12)進(jìn)入Rete 網(wǎng)絡(luò)形成A5，A5 依次匹配A2 和A3 得到B3，B3 和R2 匹配成功激發(fā)R2，B3 繼續(xù)與A4 匹配形成B4、B4 和R3 匹配成功并激發(fā)R3。

圖5 Rete 網(wǎng)絡(luò)

規(guī)則中的大量節(jié)點是共享的，匹配完成的節(jié)點存儲在系統(tǒng)內(nèi)存中，在下一次匹配過程中可以直接調(diào)用內(nèi)存，避免重復(fù)操作。Rete 算法的節(jié)點共享和狀態(tài)保持特性使其比傳統(tǒng)的匹配模式算法更高效。

將專家系統(tǒng)以模塊化的方式嵌入到操作票生成系統(tǒng)，在用戶界面完成操作任務(wù)設(shè)置、校驗、分解后，系統(tǒng)開票模塊調(diào)用專家系統(tǒng)模塊，將操作任務(wù)作為啟發(fā)式事實寫入實時庫。推理機(jī)通過Rete 網(wǎng)絡(luò)的搜索和匹配過程對規(guī)則進(jìn)行激勵，并將操作步驟添加到實時庫中，最后輸出結(jié)果。

3 結(jié)論

本文針對傳統(tǒng)電力調(diào)度系統(tǒng)技術(shù)靈活性和智能性不足的問題，以及配電網(wǎng)故障檢測和識別的難題，提出了一種故障識別方法，基于專家系統(tǒng)和Rete 算法設(shè)計了推理機(jī)，設(shè)計了電力操作票自動成系統(tǒng)，實現(xiàn)了故障識別以及對應(yīng)的調(diào)度操作票自動生成，得到以下幾個主要結(jié)論:

(1)故障識別結(jié)果表明，本文提出的故障識別方法在識別故障發(fā)生方面的精度為99.34%；識別故障類型的精度為98.32%；識別故障位置的精度為95.10%，識別效果優(yōu)于現(xiàn)有方法，同時克服了故障位置識別的難題。

(2)基于Rete 算法設(shè)計推理機(jī)，基于專家系統(tǒng)實現(xiàn)了各種故障類型對應(yīng)的操作票自動生成；以斷路器開斷到冷備用操作的案例結(jié)果表明本文提出的系統(tǒng)能夠成功實現(xiàn)操作票自動生成。