双碳-节能型电磁新材料背景下的人工智能风险防控技术
时间：2023-04-08 10:20:07 来源：千叶帆 本文已影响人
罗 艳，王庭刚，高 浩，张诗琪
(贵阳供电局，贵州 贵阳 550002)
“双碳”目标要求构建以新能源为主体的新型电力系统，以传统电工材料为基础的电力设备因生产制备能耗、性能以及环境友好性，无法满足高比例新能源电力系统以及绿色低碳的需求。开发低成本、高性能、环境友好的绿色电工材料，并基于此研发智能互动、安全可控的电工装备[1-3]，对促进电力系统绿色低碳化的发展进程，保证电能生产、转换以及传递过程的高效性和安全性，助力增强新型电力系统的可靠性至关重要。在这一宏观背景之下，电力系统[4]所处的运行环境及其实际的应用领域和范围也随之而变得越来越复杂，很多不稳定因素也相继出现，对电力系统产生不容忽视的影响，系统事故发生率正在逐渐增加，既在很大程度上造成电力企业与相关方的损失，又对人身安全产生非常大的威胁。这种情况在一些区域电网的实际应用过程中尤为明显，正是因为受到一些设备更新速度不够快以及无法及时而有效地采取相应保护措施等负面因素的影响，重载甚至是过载现象的发生率明显增加，这对于整个电网运行的安全性及其稳定性而言无疑是十分不利的。从整体层面上来看，不少电网正常供电任务的顺利及高效完成均存在一定的难度[5-6]。因此，在电网系统可调控的范围内，制定出相应的控制措施，采取更加具有针对性、效率与效果更高的风险防控技术，最大限度地降低因为电网故障的发生而造成的经济损失及人员安全损害有着十分重要的意义。
有学者提出一种以因子分析与模糊综合调度为基础的风险控制技术方案，利用模糊量化回归分析法对信息化管理背景下企业风险控制受到的影响进行把控，并施以相应的控制，提高企业风险管控能力[7]；
然而，此技术方案在自适应性方面存在不足。还有利用分段样本回归分析法对风险进行控制，并基于稳健性检验证明其有效性[8]；
此技术方案需要支付较高的计算成本。针对以上不足，提出以人工智能这一先进、重要技术为基础的风险控制技术方案，与电网市场与电网权益市场关联性等条件相结合进行风险识别智能算法学习度的选取，针对正常和预想故障2种不同的状态，分别对相应的风险控制流程加以明确，以对电网全运行环节风险指标体系的构建为基础，有针对性地采用最优负荷削减和网络重构相联合的风险控制技术，最小化系统风险的发生率，将风险产生的影响控制在最小范围之内，实现电网运行风险控制。
相较于传统材料而言，新材料有高性能、多功能、智能化等优点表现出来。传统电工材料一般指的是电工产品中经常用到的导体材料、磁性材料、电工绝缘材料以及半导体材料等，不过与科学技术的飞速发展相伴随，诸多类型的高性能材料不断涌现，应用领域亦逐渐拓宽，它们对传统概念进行拓展，现如今应用于电工产品的材料与以电、磁性能为特征的新型功能材料都被定义为电工材料。
由新型电工材料组成的各类电工设备更加需要满足智能性、互动性、安全性以及可控性等各种要求，对外界环境的变化做出适时、灵敏以及恰当的响应，将传感、控制、驱动等各种相关功能有效发挥出来，获取、识别、处理以及执行等能力要更为突出。而为了实现对这些要求的满足，就必须加强对这些基于新型电工材料支撑的电工设备的监管，智能电网风险防控的重要性不言而喻。
2.1 基于风险状态识别与预防的控制思想
在电力企业应用中，对电力系统运行中潜在的风险采取相应的防控技术方案能够减少一定的损失，在正常以及预想故障两种不同状态之下，相应的风险控制技术方案如图1所示。
图1 不同状态下的控制技术方案Fig.1 Control technology scheme under different states
由图1可知，预防控制需要从正常状态和异常状态两方面考虑，电力系统中的最优潮流[10]技术，可以通过调整控制变量来达到预想中的运行状态。在风险控制中，一般采用网络重构[11]和最优负荷削减法[12]。
2.2 选取智能识别学习度
电网市场与电网权益市场之间的关联性相结合，优化设计基于人工智能[13-14]的电网风险识别技术。风险状态识别有限集：
f1g-M(z)=(f1g(z),hx·f1g(z),hy·f1g(z))
(1)
式中：f1g(z)表示的是一组风险状态识别的回归分析值。在电网政策以及电力系统运行相关性因素分析的基础之上，与信息化管控条件相结合，对电网风险状态识别技术模型进行研究，可得统计量：
(2)
式中：xir为电力系统风险状态识别主成份特征向量；
xirq为电力系统风险状态模糊核；
Birq为电力系统风险状态识别模糊状态特征量；
Wi为全样本回归系数。
在进行电网电力系统风险状态识别大数据分析模型构建时，基于关联规则挖掘技术分析风险状态识别的统计特征，可得优化函数：
(3)
Wx=βKp+(1-β)Kr,β∈(0,1)
(4)
式中：Kp为关联规则项。基于电网电力系统风险状态识别统计特征分析模型的构建，可进一步实现风险状态识别技术的优化设计。
2.3 状态识别优化
采用人工智能技术对电网电力系统风险状态进行识别，可得风险状态识别的人工智能分析过程：
(5)
基于人工智能技术对电网风险状态识别进行自适应寻优，与最小二乘规划模型相结合确定其风险状态识别的约束条件：
(6)
进一步地执行对电网风险状态识别水平的自适应训练操作，基于人工智能技术的支持，得到电网风险状态识别模型：
(7)
基于此，可完成对电网风险状态的自适应识别，优化识别输出表达式：
(8)
据此，与最小二乘规划模型以及拟合算法相结合得到电网风险状态优化识别结果，为之后的风险控制方案制定及其技术实施奠定基础。
3.1 基于风险的最优负荷削减
研究之前，需要先对其技术原理加以明确，即以对失负荷操作的采用为基础；
同时，以最优状态之下的风电机组出力情况以及最佳状态之下的电网潮流分布情况两者作为具体对象，计算风险状态下的停电功率。通过负荷减供技术的实施，能够以最小的负荷代价降低电网的运行风险。常用模型所用目标函数：
(9)
式中：ΔPLi：负荷所作的有用功，称为MW；
ΔQLi为无功削减量，简称Mvar；
Nb为失负荷节点的实际数量。在最优负荷削减目标函数中，主要对3个指标进行针对性的分析，分别为过载风险、电压越限以及失负荷；
系统整体风险值为它们的加权和，运行人员先采取相应的措施针对权重作出调整，以此为基础得到各类风险的实际重要程度，为差异化优化控制技术实施方案的确定提供重要参考依据。同理，必须选择连续型后果值函数，其原对偶内点法模型：
minf(x)=ω1RLOL+ω2ROL+ω3RVV
(10)
3.2 供电恢复网络重构
若是电网有相应的故障发生，毫无疑问，会在相应程度上引起负荷损失的出现，为了实现对该问题的很好解决，要先通过对网络重构策略的采用达到将原本正常的供电状态恢复的目的。对网络的重构要分步骤，每一步骤的实施都必须做好对最佳供电路径的确定工作。这又需要实现对以下重要前提条件的充分满足，也就是确保能够恢复最多的失电负荷；
同时，还要将重要负荷放于前面，进行优先恢复。从约束性技术条件上来看，则主要包括潮流方程约束以及有功和无功不同状态之下发电机的出力限制等。网络重构的模型：
(11)
该优化模型既能保证电网安全，还能实现停电负荷转移的最佳运行；
网络重构流程如图2所示。
图2 网络重构方法流程图Fig.2 Network reconstruction method flow chart
分析网络重构的主要步骤，可以对其进行以下6步概括：步骤1，执行对故障的定位任务，将负荷的减供量求解出来；
步骤2，对变电站进行重构，以变电站内部开关状态发生的变化为具体参考依据，采取相应措施达到故障恢复目的；
步骤3，对故障所产生的实际的影响范围加以明确；
步骤4，执行对配电网的重构任务，针对已经有相应故障发生的配电网，在其内部寻找能够投入的支持馈线，以此为前提达到将以往正常供电状态恢复的目的；
步骤5，从整体层面上进行重构处理，以系统内部的其他配电区域为面向对象，进行负荷转供路径的进一步找寻；
步骤6，实现远程恢复，也就是以步骤五的完成为基础，将远程恢复方案明确下来。
经过试验，将模型训练参数设定：目标误差率0.001%，最大训练次数3 000次，初始学习率0.01，速率递增因子1.15，递减因子0.75。训练样本通过随机函数得到。对文献[15]提出的基于神经网络的风险控制技术方案以及本研究提出的技术方案进行对比训练，运用MATLAB软件运行方案下的模型误差，得到如图3、图4所示的结果。
图3 基于神经网络的训练误差曲线Fig.3 Training error curve based on neural network
图4 本文训练误差曲线Fig.4 Training error curve of this paper
从图3、图4可以看出，研究方案以及基于神经网络的风险控制技术方案误差性能曲线均逐渐收敛于目标曲线，相较而言，本方案收敛速度明显快于对比方案的收敛速度，且在同样的误差精度要求之下，前者的学习步数要比后者少得多，训练时间亦大幅度缩短。2种技术方案的训练结果如表1、表2所示。
表1 本文技术方案训练结果Tab.1 Training results of the technical scheme in this paper
表2 基于神经网络的技术方案训练结果Tab.2 Training results of technical schemes based on neural network
由表1、表2可知，本技术方案相较于基于神经网络的风险控制技术方案准确率明显提高，二者对风险的识别与控制准确率分别为0.890 1与0.851 6，且在不同的风险状态上，识别与控制的准确率都表现为优于神经网络方案。针对识别与控制结果对电网电力系统运行带来的损失，此处作2种错误的定义：(1)将识别管控程度低的风险误判为识别管控程度高的风险；
(2)将识别管控程度高的风险误判为识别管控程度低的风险。在这2种错误之中，电网运行遭受的损失应为第2类错误大于第1类错误；
第2类属于电网电力系统运行过程中应尽可能规避的风险。基于此，进一步得到如表3所示结果。
表3 2种技术方案下2类错误比例Tab.3 Proportion of two types of errors under two technical schemes
由表3可知，提出的风险控制技术方案相较于基于神经网络的技术方案训练结果出现第2种错误的概率更低，对电网运行造成的损失更小。
进行低成本、高性能、环境友好的新型电工材料的开发，并在此基础上研制满足智能性、互动性、安全性以及可控性要求的电工装备，不仅有利于电力系统绿色低碳化发展进程的加快，还可以为电能生产、转换以及传递过程的高效性和安全性提供保证，有利于新型电力系统可靠性的增强。本研究主要围绕地区电网的运行风险控制进行的，重点对运行风险状态的人工智能识别、运行风险控制技术和模型进行分析，与电网市场与电网权益市场关联性等条件相结合进行风险识别智能算法学习度的选取，并利用自适应寻优技术优化状态识别与输出相关信息。同时，综合最优负荷削减和网络重构2种控制方案模拟在正常状态下的和预想故障状态下的风险预控过程，其中前者能够得到降低系统风险的优化控制策略；
后者能够在恢复负荷供电的同时控制故障的影响范围。实证分析结果显示，研究方案收敛速度明显快于基于神经网络的方案收敛速度，且在同样的误差精度要求之下，前者的学习步数要比后者少得多，训练时间亦大幅度缩短，而更低的错误概率亦能保证在算法的应用下电网运行损失更小。可以保证电能生产、转换以及传递过程的高效性和安全性，助力增强新型电力系统的可靠性。
