雙碳-節(jié)能型電磁新材料背景下的人工智能風(fēng)險(xiǎn)防控技術(shù)

羅 艷，王庭剛，高 浩，張?jiān)婄?/p>

(貴陽供電局，貴州 貴陽 550002)

“雙碳”目標(biāo)要求構(gòu)建以新能源為主體的新型電力系統(tǒng)，以傳統(tǒng)電工材料為基礎(chǔ)的電力設(shè)備因生產(chǎn)制備能耗、性能以及環(huán)境友好性，無法滿足高比例新能源電力系統(tǒng)以及綠色低碳的需求。開發(fā)低成本、高性能、環(huán)境友好的綠色電工材料，并基于此研發(fā)智能互動(dòng)、安全可控的電工裝備[1-3]，對(duì)促進(jìn)電力系統(tǒng)綠色低碳化的發(fā)展進(jìn)程，保證電能生產(chǎn)、轉(zhuǎn)換以及傳遞過程的高效性和安全性，助力增強(qiáng)新型電力系統(tǒng)的可靠性至關(guān)重要。在這一宏觀背景之下，電力系統(tǒng)[4]所處的運(yùn)行環(huán)境及其實(shí)際的應(yīng)用領(lǐng)域和范圍也隨之而變得越來越復(fù)雜，很多不穩(wěn)定因素也相繼出現(xiàn)，對(duì)電力系統(tǒng)產(chǎn)生不容忽視的影響，系統(tǒng)事故發(fā)生率正在逐漸增加，既在很大程度上造成電力企業(yè)與相關(guān)方的損失，又對(duì)人身安全產(chǎn)生非常大的威脅。這種情況在一些區(qū)域電網(wǎng)的實(shí)際應(yīng)用過程中尤為明顯，正是因?yàn)槭艿揭恍┰O(shè)備更新速度不夠快以及無法及時(shí)而有效地采取相應(yīng)保護(hù)措施等負(fù)面因素的影響，重載甚至是過載現(xiàn)象的發(fā)生率明顯增加，這對(duì)于整個(gè)電網(wǎng)運(yùn)行的安全性及其穩(wěn)定性而言無疑是十分不利的。從整體層面上來看，不少電網(wǎng)正常供電任務(wù)的順利及高效完成均存在一定的難度[5-6]。因此，在電網(wǎng)系統(tǒng)可調(diào)控的范圍內(nèi)，制定出相應(yīng)的控制措施，采取更加具有針對(duì)性、效率與效果更高的風(fēng)險(xiǎn)防控技術(shù)，最大限度地降低因?yàn)殡娋W(wǎng)故障的發(fā)生而造成的經(jīng)濟(jì)損失及人員安全損害有著十分重要的意義。

有學(xué)者提出一種以因子分析與模糊綜合調(diào)度為基礎(chǔ)的風(fēng)險(xiǎn)控制技術(shù)方案，利用模糊量化回歸分析法對(duì)信息化管理背景下企業(yè)風(fēng)險(xiǎn)控制受到的影響進(jìn)行把控，并施以相應(yīng)的控制，提高企業(yè)風(fēng)險(xiǎn)管控能力[7]；然而，此技術(shù)方案在自適應(yīng)性方面存在不足。還有利用分段樣本回歸分析法對(duì)風(fēng)險(xiǎn)進(jìn)行控制，并基于穩(wěn)健性檢驗(yàn)證明其有效性[8]；此技術(shù)方案需要支付較高的計(jì)算成本。針對(duì)以上不足，提出以人工智能這一先進(jìn)、重要技術(shù)為基礎(chǔ)的風(fēng)險(xiǎn)控制技術(shù)方案，與電網(wǎng)市場(chǎng)與電網(wǎng)權(quán)益市場(chǎng)關(guān)聯(lián)性等條件相結(jié)合進(jìn)行風(fēng)險(xiǎn)識(shí)別智能算法學(xué)習(xí)度的選取，針對(duì)正常和預(yù)想故障2種不同的狀態(tài)，分別對(duì)相應(yīng)的風(fēng)險(xiǎn)控制流程加以明確，以對(duì)電網(wǎng)全運(yùn)行環(huán)節(jié)風(fēng)險(xiǎn)指標(biāo)體系的構(gòu)建為基礎(chǔ)，有針對(duì)性地采用最優(yōu)負(fù)荷削減和網(wǎng)絡(luò)重構(gòu)相聯(lián)合的風(fēng)險(xiǎn)控制技術(shù)，最小化系統(tǒng)風(fēng)險(xiǎn)的發(fā)生率，將風(fēng)險(xiǎn)產(chǎn)生的影響控制在最小范圍之內(nèi)，實(shí)現(xiàn)電網(wǎng)運(yùn)行風(fēng)險(xiǎn)控制。

1 新型電工材料及其驅(qū)動(dòng)下的電網(wǎng)風(fēng)險(xiǎn)防控

相較于傳統(tǒng)材料而言，新材料有高性能、多功能、智能化等優(yōu)點(diǎn)表現(xiàn)出來。傳統(tǒng)電工材料一般指的是電工產(chǎn)品中經(jīng)常用到的導(dǎo)體材料、磁性材料、電工絕緣材料以及半導(dǎo)體材料等，不過與科學(xué)技術(shù)的飛速發(fā)展相伴隨，諸多類型的高性能材料不斷涌現(xiàn)，應(yīng)用領(lǐng)域亦逐漸拓寬，它們對(duì)傳統(tǒng)概念進(jìn)行拓展，現(xiàn)如今應(yīng)用于電工產(chǎn)品的材料與以電、磁性能為特征的新型功能材料都被定義為電工材料。

由新型電工材料組成的各類電工設(shè)備更加需要滿足智能性、互動(dòng)性、安全性以及可控性等各種要求，對(duì)外界環(huán)境的變化做出適時(shí)、靈敏以及恰當(dāng)?shù)捻憫?yīng)，將傳感、控制、驅(qū)動(dòng)等各種相關(guān)功能有效發(fā)揮出來，獲取、識(shí)別、處理以及執(zhí)行等能力要更為突出。而為了實(shí)現(xiàn)對(duì)這些要求的滿足，就必須加強(qiáng)對(duì)這些基于新型電工材料支撐的電工設(shè)備的監(jiān)管，智能電網(wǎng)風(fēng)險(xiǎn)防控的重要性不言而喻。

2 新型電工材料背景下電網(wǎng)運(yùn)行風(fēng)險(xiǎn)狀態(tài)的人工智能識(shí)別

2.1 基于風(fēng)險(xiǎn)狀態(tài)識(shí)別與預(yù)防的控制思想

在電力企業(yè)應(yīng)用中，對(duì)電力系統(tǒng)運(yùn)行中潛在的風(fēng)險(xiǎn)采取相應(yīng)的防控技術(shù)方案能夠減少一定的損失，在正常以及預(yù)想故障兩種不同狀態(tài)之下，相應(yīng)的風(fēng)險(xiǎn)控制技術(shù)方案如圖1所示。

圖1 不同狀態(tài)下的控制技術(shù)方案Fig.1 Control technology scheme under different states

由圖1可知，預(yù)防控制需要從正常狀態(tài)和異常狀態(tài)兩方面考慮，電力系統(tǒng)中的最優(yōu)潮流[10]技術(shù)，可以通過調(diào)整控制變量來達(dá)到預(yù)想中的運(yùn)行狀態(tài)。在風(fēng)險(xiǎn)控制中，一般采用網(wǎng)絡(luò)重構(gòu)[11]和最優(yōu)負(fù)荷削減法[12]。

2.2 選取智能識(shí)別學(xué)習(xí)度

電網(wǎng)市場(chǎng)與電網(wǎng)權(quán)益市場(chǎng)之間的關(guān)聯(lián)性相結(jié)合，優(yōu)化設(shè)計(jì)基于人工智能[13-14]的電網(wǎng)風(fēng)險(xiǎn)識(shí)別技術(shù)。風(fēng)險(xiǎn)狀態(tài)識(shí)別有限集：

f1g-M(z)=(f1g(z),hx·f1g(z),hy·f1g(z))

(1)

式中：f1g(z)表示的是一組風(fēng)險(xiǎn)狀態(tài)識(shí)別的回歸分析值。在電網(wǎng)政策以及電力系統(tǒng)運(yùn)行相關(guān)性因素分析的基礎(chǔ)之上，與信息化管控條件相結(jié)合，對(duì)電網(wǎng)風(fēng)險(xiǎn)狀態(tài)識(shí)別技術(shù)模型進(jìn)行研究，可得統(tǒng)計(jì)量：

(2)

式中：xir為電力系統(tǒng)風(fēng)險(xiǎn)狀態(tài)識(shí)別主成份特征向量；xirq為電力系統(tǒng)風(fēng)險(xiǎn)狀態(tài)模糊核；Birq為電力系統(tǒng)風(fēng)險(xiǎn)狀態(tài)識(shí)別模糊狀態(tài)特征量；Wi為全樣本回歸系數(shù)。

在進(jìn)行電網(wǎng)電力系統(tǒng)風(fēng)險(xiǎn)狀態(tài)識(shí)別大數(shù)據(jù)分析模型構(gòu)建時(shí)，基于關(guān)聯(lián)規(guī)則挖掘技術(shù)分析風(fēng)險(xiǎn)狀態(tài)識(shí)別的統(tǒng)計(jì)特征，可得優(yōu)化函數(shù)：

(3)

Wx=βKp+(1-β)Kr,β∈(0,1)

(4)

式中：Kp為關(guān)聯(lián)規(guī)則項(xiàng)。基于電網(wǎng)電力系統(tǒng)風(fēng)險(xiǎn)狀態(tài)識(shí)別統(tǒng)計(jì)特征分析模型的構(gòu)建，可進(jìn)一步實(shí)現(xiàn)風(fēng)險(xiǎn)狀態(tài)識(shí)別技術(shù)的優(yōu)化設(shè)計(jì)。

2.3 狀態(tài)識(shí)別優(yōu)化

采用人工智能技術(shù)對(duì)電網(wǎng)電力系統(tǒng)風(fēng)險(xiǎn)狀態(tài)進(jìn)行識(shí)別，可得風(fēng)險(xiǎn)狀態(tài)識(shí)別的人工智能分析過程：

(5)

基于人工智能技術(shù)對(duì)電網(wǎng)風(fēng)險(xiǎn)狀態(tài)識(shí)別進(jìn)行自適應(yīng)尋優(yōu)，與最小二乘規(guī)劃模型相結(jié)合確定其風(fēng)險(xiǎn)狀態(tài)識(shí)別的約束條件：

(6)

進(jìn)一步地執(zhí)行對(duì)電網(wǎng)風(fēng)險(xiǎn)狀態(tài)識(shí)別水平的自適應(yīng)訓(xùn)練操作，基于人工智能技術(shù)的支持，得到電網(wǎng)風(fēng)險(xiǎn)狀態(tài)識(shí)別模型：

(7)

基于此，可完成對(duì)電網(wǎng)風(fēng)險(xiǎn)狀態(tài)的自適應(yīng)識(shí)別，優(yōu)化識(shí)別輸出表達(dá)式：

(8)

據(jù)此，與最小二乘規(guī)劃模型以及擬合算法相結(jié)合得到電網(wǎng)風(fēng)險(xiǎn)狀態(tài)優(yōu)化識(shí)別結(jié)果，為之后的風(fēng)險(xiǎn)控制方案制定及其技術(shù)實(shí)施奠定基礎(chǔ)。

3 電網(wǎng)運(yùn)行風(fēng)險(xiǎn)控制技術(shù)基本模型

3.1 基于風(fēng)險(xiǎn)的最優(yōu)負(fù)荷削減

研究之前，需要先對(duì)其技術(shù)原理加以明確，即以對(duì)失負(fù)荷操作的采用為基礎(chǔ)；同時(shí)，以最優(yōu)狀態(tài)之下的風(fēng)電機(jī)組出力情況以及最佳狀態(tài)之下的電網(wǎng)潮流分布情況兩者作為具體對(duì)象，計(jì)算風(fēng)險(xiǎn)狀態(tài)下的停電功率。通過負(fù)荷減供技術(shù)的實(shí)施，能夠以最小的負(fù)荷代價(jià)降低電網(wǎng)的運(yùn)行風(fēng)險(xiǎn)。常用模型所用目標(biāo)函數(shù)：

(9)

式中：ΔPLi：負(fù)荷所作的有用功，稱為MW；ΔQLi為無功削減量，簡(jiǎn)稱Mvar；Nb為失負(fù)荷節(jié)點(diǎn)的實(shí)際數(shù)量。在最優(yōu)負(fù)荷削減目標(biāo)函數(shù)中，主要對(duì)3個(gè)指標(biāo)進(jìn)行針對(duì)性的分析，分別為過載風(fēng)險(xiǎn)、電壓越限以及失負(fù)荷；系統(tǒng)整體風(fēng)險(xiǎn)值為它們的加權(quán)和，運(yùn)行人員先采取相應(yīng)的措施針對(duì)權(quán)重作出調(diào)整，以此為基礎(chǔ)得到各類風(fēng)險(xiǎn)的實(shí)際重要程度，為差異化優(yōu)化控制技術(shù)實(shí)施方案的確定提供重要參考依據(jù)。同理，必須選擇連續(xù)型后果值函數(shù)，其原對(duì)偶內(nèi)點(diǎn)法模型：

minf(x)=ω1RLOL+ω2ROL+ω3RVV

(10)

3.2 供電恢復(fù)網(wǎng)絡(luò)重構(gòu)

若是電網(wǎng)有相應(yīng)的故障發(fā)生，毫無疑問，會(huì)在相應(yīng)程度上引起負(fù)荷損失的出現(xiàn)，為了實(shí)現(xiàn)對(duì)該問題的很好解決，要先通過對(duì)網(wǎng)絡(luò)重構(gòu)策略的采用達(dá)到將原本正常的供電狀態(tài)恢復(fù)的目的。對(duì)網(wǎng)絡(luò)的重構(gòu)要分步驟，每一步驟的實(shí)施都必須做好對(duì)最佳供電路徑的確定工作。這又需要實(shí)現(xiàn)對(duì)以下重要前提條件的充分滿足，也就是確保能夠恢復(fù)最多的失電負(fù)荷；同時(shí)，還要將重要負(fù)荷放于前面，進(jìn)行優(yōu)先恢復(fù)。從約束性技術(shù)條件上來看，則主要包括潮流方程約束以及有功和無功不同狀態(tài)之下發(fā)電機(jī)的出力限制等。網(wǎng)絡(luò)重構(gòu)的模型：

(11)

該優(yōu)化模型既能保證電網(wǎng)安全，還能實(shí)現(xiàn)停電負(fù)荷轉(zhuǎn)移的最佳運(yùn)行；網(wǎng)絡(luò)重構(gòu)流程如圖2所示。

圖2 網(wǎng)絡(luò)重構(gòu)方法流程圖Fig.2 Network reconstruction method flow chart

分析網(wǎng)絡(luò)重構(gòu)的主要步驟，可以對(duì)其進(jìn)行以下6步概括：步驟1，執(zhí)行對(duì)故障的定位任務(wù)，將負(fù)荷的減供量求解出來；步驟2，對(duì)變電站進(jìn)行重構(gòu)，以變電站內(nèi)部開關(guān)狀態(tài)發(fā)生的變化為具體參考依據(jù)，采取相應(yīng)措施達(dá)到故障恢復(fù)目的；步驟3，對(duì)故障所產(chǎn)生的實(shí)際的影響范圍加以明確；步驟4，執(zhí)行對(duì)配電網(wǎng)的重構(gòu)任務(wù)，針對(duì)已經(jīng)有相應(yīng)故障發(fā)生的配電網(wǎng)，在其內(nèi)部尋找能夠投入的支持饋線，以此為前提達(dá)到將以往正常供電狀態(tài)恢復(fù)的目的；步驟5，從整體層面上進(jìn)行重構(gòu)處理，以系統(tǒng)內(nèi)部的其他配電區(qū)域?yàn)槊嫦驅(qū)ο?，進(jìn)行負(fù)荷轉(zhuǎn)供路徑的進(jìn)一步找尋；步驟6，實(shí)現(xiàn)遠(yuǎn)程恢復(fù)，也就是以步驟五的完成為基礎(chǔ)，將遠(yuǎn)程恢復(fù)方案明確下來。

4 模型實(shí)證分析

經(jīng)過試驗(yàn)，將模型訓(xùn)練參數(shù)設(shè)定：目標(biāo)誤差率0.001%，最大訓(xùn)練次數(shù)3 000次，初始學(xué)習(xí)率0.01，速率遞增因子1.15，遞減因子0.75。訓(xùn)練樣本通過隨機(jī)函數(shù)得到。對(duì)文獻(xiàn)[15]提出的基于神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)控制技術(shù)方案以及本研究提出的技術(shù)方案進(jìn)行對(duì)比訓(xùn)練，運(yùn)用MATLAB軟件運(yùn)行方案下的模型誤差，得到如圖3、圖4所示的結(jié)果。

圖3 基于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線Fig.3 Training error curve based on neural network

圖4 本文訓(xùn)練誤差曲線Fig.4 Training error curve of this paper

從圖3、圖4可以看出，研究方案以及基于神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)控制技術(shù)方案誤差性能曲線均逐漸收斂于目標(biāo)曲線，相較而言，本方案收斂速度明顯快于對(duì)比方案的收斂速度，且在同樣的誤差精度要求之下，前者的學(xué)習(xí)步數(shù)要比后者少得多，訓(xùn)練時(shí)間亦大幅度縮短。2種技術(shù)方案的訓(xùn)練結(jié)果如表1、表2所示。

表1 本文技術(shù)方案訓(xùn)練結(jié)果Tab.1 Training results of the technical scheme in this paper

表2 基于神經(jīng)網(wǎng)絡(luò)的技術(shù)方案訓(xùn)練結(jié)果Tab.2 Training results of technical schemes based on neural network

由表1、表2可知，本技術(shù)方案相較于基于神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)控制技術(shù)方案準(zhǔn)確率明顯提高，二者對(duì)風(fēng)險(xiǎn)的識(shí)別與控制準(zhǔn)確率分別為0.890 1與0.851 6，且在不同的風(fēng)險(xiǎn)狀態(tài)上，識(shí)別與控制的準(zhǔn)確率都表現(xiàn)為優(yōu)于神經(jīng)網(wǎng)絡(luò)方案。針對(duì)識(shí)別與控制結(jié)果對(duì)電網(wǎng)電力系統(tǒng)運(yùn)行帶來的損失，此處作2種錯(cuò)誤的定義：(1)將識(shí)別管控程度低的風(fēng)險(xiǎn)誤判為識(shí)別管控程度高的風(fēng)險(xiǎn)；(2)將識(shí)別管控程度高的風(fēng)險(xiǎn)誤判為識(shí)別管控程度低的風(fēng)險(xiǎn)。在這2種錯(cuò)誤之中，電網(wǎng)運(yùn)行遭受的損失應(yīng)為第2類錯(cuò)誤大于第1類錯(cuò)誤；第2類屬于電網(wǎng)電力系統(tǒng)運(yùn)行過程中應(yīng)盡可能規(guī)避的風(fēng)險(xiǎn)?；诖耍M(jìn)一步得到如表3所示結(jié)果。

表3 2種技術(shù)方案下2類錯(cuò)誤比例Tab.3 Proportion of two types of errors under two technical schemes

由表3可知，提出的風(fēng)險(xiǎn)控制技術(shù)方案相較于基于神經(jīng)網(wǎng)絡(luò)的技術(shù)方案訓(xùn)練結(jié)果出現(xiàn)第2種錯(cuò)誤的概率更低，對(duì)電網(wǎng)運(yùn)行造成的損失更小。

4 結(jié)語

進(jìn)行低成本、高性能、環(huán)境友好的新型電工材料的開發(fā)，并在此基礎(chǔ)上研制滿足智能性、互動(dòng)性、安全性以及可控性要求的電工裝備，不僅有利于電力系統(tǒng)綠色低碳化發(fā)展進(jìn)程的加快，還可以為電能生產(chǎn)、轉(zhuǎn)換以及傳遞過程的高效性和安全性提供保證，有利于新型電力系統(tǒng)可靠性的增強(qiáng)。本研究主要圍繞地區(qū)電網(wǎng)的運(yùn)行風(fēng)險(xiǎn)控制進(jìn)行的，重點(diǎn)對(duì)運(yùn)行風(fēng)險(xiǎn)狀態(tài)的人工智能識(shí)別、運(yùn)行風(fēng)險(xiǎn)控制技術(shù)和模型進(jìn)行分析，與電網(wǎng)市場(chǎng)與電網(wǎng)權(quán)益市場(chǎng)關(guān)聯(lián)性等條件相結(jié)合進(jìn)行風(fēng)險(xiǎn)識(shí)別智能算法學(xué)習(xí)度的選取，并利用自適應(yīng)尋優(yōu)技術(shù)優(yōu)化狀態(tài)識(shí)別與輸出相關(guān)信息。同時(shí)，綜合最優(yōu)負(fù)荷削減和網(wǎng)絡(luò)重構(gòu)2種控制方案模擬在正常狀態(tài)下的和預(yù)想故障狀態(tài)下的風(fēng)險(xiǎn)預(yù)控過程，其中前者能夠得到降低系統(tǒng)風(fēng)險(xiǎn)的優(yōu)化控制策略；后者能夠在恢復(fù)負(fù)荷供電的同時(shí)控制故障的影響范圍。實(shí)證分析結(jié)果顯示，研究方案收斂速度明顯快于基于神經(jīng)網(wǎng)絡(luò)的方案收斂速度，且在同樣的誤差精度要求之下，前者的學(xué)習(xí)步數(shù)要比后者少得多，訓(xùn)練時(shí)間亦大幅度縮短，而更低的錯(cuò)誤概率亦能保證在算法的應(yīng)用下電網(wǎng)運(yùn)行損失更小?？梢员ＷC電能生產(chǎn)、轉(zhuǎn)換以及傳遞過程的高效性和安全性，助力增強(qiáng)新型電力系統(tǒng)的可靠性。