基于数据认知的电网仿真数据智能分析系统架构研究

很高,因此这种认知模型的研究目标通常是与人工分析相结合,提出的调整策略需要经过仿真计算校核,一般不能形成闭环控制。

在面对大电网复杂分析时,仅仅作到数据展示已越来越难以满足实际工作的需要。目前,在大数据技术领域,面对复杂数据的快速分析提出了可视分析技术^[12-15],该技术将数据可视化的对象由原始数据扩展为数据分析的结果和模型,再配以由分析算法支撑的分析工具,构成人机互动的数据分析环境。由于计算机执行算法的效率很高,而人对图形模式的识别能力很强,因此可视分析可以结合人与计算机各自的长处,实现对复杂仿真结果的快速分析,为基于电网仿真数据的系统状态判定和规则发现提供新的途径。此外,由于在可视分析中数据分析算法只需要体现数据分布的特性,而不需要找出其中的模式,因此在算法设计方面的难度也有效降低,从而使电网仿真数据分析算法的研究成果更容易实用化。

对于电力系统的智能控制问题研究,基于海量仿真数据的深度强化学习是需要着重关注的方向。强化学习适合与序列相关的决策研究,AlphaGo在围棋对弈中的成功已证明其与深度学习结合后的强大策略搜索能力。电力系统的控制策略本质上也是序列化的,并且每一步骤都会带来系统的响应,在某种程度上与围棋对弈类似,因此有可能借鉴AlphaGo的成功经验。

此外,对于仿真分析涉及的非结构化数据,在认知方面同样可以采用文本挖掘、可视分析等方法提取其中的规律,但是由于自然语言本身的复杂性,这方面的研究还需结合分词、语义理解等相关技术开展研究。

 4 知识层

电网仿真分析过程涉及的知识可以分为2类：一是通用性知识,例如用于指导电网安全稳定运行的标准规范;二是与具体对象相关的知识,例如华中电网的运行特性。通常由仿真数据能够提取的首先是后者,在经由进一步的分析总结后才能获得新的通用知识。

基于目前的计算机技术,由认知层发现的规律最终上升为知识还需要分析人员参与,从应用系统角度来说,需要构建必要的知识提取和知识搜索模块,以及知识应用环境,主要包括以下方面。

1）对于知识的提取需要研究人在回路的知识建模方法,方便地实现对知识的结构化总结。这方面需要基于计算机领域中本体建模和数据文本化的相关研究,建立适应于电力系统知识提取的互动环境和自动文本生成工具。

2）知识的搜索需要支持对海量结构和非结构化知识资源的查询,特别是自然语言文本的快速查询。解决这一问题的关键是基于知识图谱技术,构建电力系统仿真分析知识图谱。

3）知识应用包括2个方面：一是结构化建模知识的自动化应用,以专家系统为代表,是提升电网仿真数据分析智能化的关键和难点,后续可以结合贝叶斯网络技术进一步发展和完善;二是对各类非结构化知识内容的浏览,主要涉及文本、图片、视频、音频等形式。虽然知识内容本身并不能够直接作用于仿真数据,但是通过有效的人机互动可以辅助分析人员开展工作,并且在分析人员技能培养、知识经验积累等方面发挥作用。在这方面基于电力系统仿真分析知识图谱的知识展现方法,是需要进一步研究的关键技术。

 5 系统架构

基于上述分析,可以提出以数据认知为核心的电网智能分析系统基本架构（见图2）。

图2 电网智能分析系统的基本架构Fig.2 Power grid intelligence analysis system framework

其中,电网仿真数据应用指在电力大数据平台上构建的、与电网仿真分析相关的数据子平台。在各层的右侧列出了与之密切相关的技术。需要注意的是认知层中的可视分析技术,或者说数据可视化技术实际上可以扩展到知识、认知、信息和数据层,为各层功能的实现提供支撑。由于人工智能在短时间内难以完全取代领域专家,因此需要将仿真计算、智能分析以及人工参与融合在一起,此时以可视化为核心的人机交互技术将会是这三者相容的最佳媒介。此外,由认知层得到的一部分输出结果并不能转化成可以识别的知识,但是不会影响对这些结果的使用,例如通过关联分析得到的规则可能无法解读,但却可以用于指导计算或对新产生数据的分析。

 6 构建的基础和思路

构建以数据认知为核心的电网智能分析系统涉及电力系统仿真技术、电网运行控制技术、大数据技术、人工智能技术、可视化技术等诸多方面,需要开展跨领域研究和开发。已具备的研究基础主要如下。

1）数据层。目前电力大数据平台产品已逐步成熟,对于电网仿真数据的清理和整合在部分相关研究中也已有探索。

2）信息层。电网仿真数据分析是数据挖掘技术应用于电力系统的传统方向,特征提取和压缩是所有相关研究都需涉及的,已取得了诸多成果^[16-17]。目前,正在开展的工作主要集中在从数据自身规律提取特征,特别是引入深度学习技术。

3）认知层。目前基于电力系统仿真数据的各类认知研究都已取得不同程度的进展,随着深度学习的兴起,越来越多的专家学者正试图基于这一技术提升对电网仿真数据的认知效果。与此同时,电力系统仿真可视分析的研究工作也正在开展,力求突破传统的可视化框架,更好地支撑智能分析算法的研究和应用。

4）知识层。相较于电网仿真数据的分析和认知,电力系统知识的提取和应用目前尚处于起步阶段。已有的研究主要涉及基于电网仿真分析数据的系统运行规则提取、知识建模、知识库构建,以及基于语义模型的数据挖掘等方向^[5,18]。

由于电力系统仿真分析工作通常以问题为导向并且具有很强的应用性,因此电网仿真数据智能分析系统的研究工作可以根据实际情况依托各类专项研究开展,其中的每一类研究可能都会与一个或若干个系统层面有关。随着研究工作和实际应用的深入,可以将较为成熟的成果逐步加入到一个统一的系统平台,最终完成整个系统的构建。该系统平台应当具备与电力大数据平台对接的能力,具有足够的开放性,并且可以进一步与电网仿真计算程序结合,使得数据分析时的操作能够直接触发相应的仿真计算并自动刷新分析环境,形成分析与计算的连续过程。在这方面,中国电力科学研究院研发的沙盘推演系统能够为该平台的建设提供良好起点。

 7 总结

高速发展的电力系统仿真分析技术需要有先进的数据分析技术与之相匹配才能充分发挥作用,本文以DICKW模型为基础,提出了以数据认知为核心的电网仿真数据智能分析系统,分析了其中各层的特点和关键技术,梳理了系统架构和相关的技术基础。

需要注意的是,本文所提出的电网仿真数据智能分析系统是一个“人在回路”的系统,领域专家是其中重要的一环。未来,随着人工智能技术的发展,特别是模式识别、电网知识建模,以及专家知识与人工智能算法融合技术的进步,有望实现由仿真数据到认知、知识,再到数据调整、分析计算的闭环,实现全自动化的电网仿真智能分析。此时,领域专家也将由数据认知的参与者变为监督者,主要负责设定分析目标、根据需要查看各层的输出结果,以及对算法参数进行必要调整。