田园
云南电网有限责任公司信息中心, 云南省,昆明市,650217
摘要：电网覆盖范围增加、环境及经济变化的影响使电网运行面临的环境更为复杂，电网稳定性评估工作面临着更大的压力。鉴于传统故障枚举法及基于能量函数的直接法与当前电网稳定性评估工作需求的契合度不高，因而可应用人工智能技术开展电网的稳定性评估。本文将从基于人工智能技术的电网稳定评估算法框架设计流程分析入手，展开电网稳定评估技术应用中人工智能技术的具体应用。
关键词：电力系统；稳定评估；人工智能
人工智能技术评估电网稳定性可为电网安全的安全监控提供可靠的信息依据，可实现重大故障及稳定故障的快速排除，可从多个系统状态变量中精准分析出导致电网安全稳定性因素的关键变量，可更加灵活地进行预防控制措施的制定，因此，在电力网稳定评估方面，人工智能技术具有极高的应用价值。
1.基于人工智能技术的电网稳定评估算法的框架设计流程
此方法以样本作为评估基础，无需进行数学模型的构建，在稳定评估算法设计时需经过多个步骤，一是生成训练样本，样本空间覆盖率高及可对稳定评估知识进行学习与获取是基本要求。二是预处理数据，淘汰不达标样本，并对量纲存在差异的特征进行统一。三是候选输入与评估输出的选择，要确保前者表征系统状态完全，且含有大量所需信息，后者则需实现对系统稳定能力的连续性体现。四是选择或提取关键特征，可利用客观特征选择算法进行输入空间维数的降低，淘汰无价值特征，提高预测效率。五是构建与学习稳定评估模型，可利用智能化技术手段进行模型构建或知识收集。六是检验评估结果，在多次样本测试中分析智能稳定评估模型是否有效与可靠。
2.电网稳定评估中所需的人工智能技术分析
2.1人工神经网络
由于稳定分类及评估是一种极为复杂的非线性映射问题，因而可利用具备较强的非线性关系模拟能力的人工神经网络进行评估。其中应用率较高的为前向神经网络，此外还有自组织特征映射、模糊神经网络以及组合神经网络等。可根据学习阶段的不同而选用类型不同的神经网络，也可将上级神经网输出当作下级神经网络的输入而进行神经网络组合的构建。
2.2模式识别技术
电网稳定评估中包含样本较多，因而可利用模式识别技术对其进行评估。可基于神经网络而完成模式识别系统的构建，也可采用统计模式识别技术。此技术是指假设数据集与统计分布相符合，之后通过样本学习进行统计分布中参数值的确定，而后再以分布状况为依据进行未知样本的类别划分。样本集服从统计分布类型的合理确定、选用适宜的参数是此类技术应用的关键所在。
2.3知识发现与机器学习技术
此方法是指利用多种不同的数据分析方法，在海量数据中进行可信性较高、易于理解且有价值知识的提取。应用率较高的是神经网络与决策树。样本分布统计识别是当下前景最为广阔的知识发现技术，可实现对数据的深入挖掘，但此方面研究还不够深入。此外，基于模式发现的电网稳定评估技术属于一种显性稳定评估规则，理解起来较为容易，可对预防控制信息进行精准获取，但其弊端在于需应用稳态潮流量作为输入，因而评估结果与网络拓扑之间的契合度并不高。
2.4模糊理论
运用模糊理论进行电网稳定评估时，可将稳定类别的差异率纳入考量，在接近类别边界的样本分析方面应用价值极高。如可利用模糊C均值聚类算法进行训练样本的类别划分，或是从多个层面实现多种不同系统稳定水平衡量指标的模糊处理，从而实现指标的整合，以达到电网稳定能力判断的目的。模糊隶属度函数的设计是模糊稳定评估算法的重点，同时模糊推理规则的确定是否精准与合理也十分重要。
2.5决策树技术
此技术是利用递归方式进树型判决规则形成的方法，根节点至叶节点的路径应符合相应的规则，整个决策树需要与一组相对完善的产生式规则相匹配。
利用决策树进行电网稳定评估得到的评估结果属于显式规则集，可深入理解电网稳定问题，也可利用各节点分类属性对稳定评估中各输入量的价值进行评估。如可利用特征选择算法进行稳态潮流量的提取，并以之作为输入，利用决策树的学习功能可实现对稳定判别规则的生成，从而得出稳定水平负荷降低的可行性策略。在样本构成方面，决策树的感应力较强，样本数量不同或根节点的选择不一，所产生的决策树结构存在较大差异，其优势在于具备强大外延能力，但鲁棒性不佳是其弊端所在。
3.人工智能技术在电网稳定评估应用中存在的问题对策分析
3.1输入特征选择问题的解决
3.1.1选择稳态潮流信息输入特征
其特征是评估效率高，可对关键性监控信息与预防控制信息进行精准提供。网络规模扩大之后，该输入特征数量必将大增，对网络结构及扰动位置变化的敏感性较强。目前主要是采用原始潮流信息或简单性组织的方式进和初始特征的生成，未来应着重解决网络规模扩大时候选择特征数量增加的问题，并提升重要特征与网络拓扑改变及扰动位置变化情况的适应性。
3.1.1.1输入特征规模限制问题
一方面，要对稳定评估中节点电压水平等应用价值不高的变量进行淘汰，另一方面，应研发新型原始潮流信息组合方法，对断面潮流等物理含义明确的组合特征进行构建，以实现原始输入空间维数的有效降低。此外，还可通过优化特征选择过程，实现对电网稳定评估重要特征集维数的有效控制。
3.1.1.2网络拓扑影响问题
可根据拓扑学理论，对数值仿真结果进行分析，从而判定扰动位置变化及网络结构改变时重要特征呈现出的规律。也可在训练样本集生成时进行网络拓扑因素所产生影响的分析。
3.1.2选择动态特征问题
关于此方面的研究较为全面，多是进行新动态特征形式的完善与构造，以后还需对运用稳定评估结果提升对电网状态的监测与控制方面的研究，并对其灵敏度及仿真速度的提升展开深入探究。
3.2特征选择算法问题的解决
3.2.1过滤器式特征选择算法
此方法计算简便，但需通过各输入特征之间的关系而进行特征空间裁减量的判断，无法对输入及输出间的映射关系进行精准反映。
3.2.2嵌入式特征选择算法
此方法是根据输入特征集分类性能的差异进行特征子集优劣的分析，然而分类算法选择较为困难，搜索空间范围广，因而难以探寻整体最优的智能型算法。
未来应着重加强两种算法的联合应用分析，无价值信息及特征的鉴别与剔除、最优算法的探寻将是研究重点。
3.3稳定评估算法问题的解决
面对日渐拓展的电网规模，加之新技术的不断诞生，需要探寻重要信息展示及决策挖掘的先进技术，实现对电网数据的实时分析，提高电网运行调度的智能性。应加强对知识表达及可阐释性的研究力度，并着重考量其是否具备决策参考信息的提供能力，还应将电网规模及网络结构变化时模型的适应力作为研究重点。
结语：在电网稳定评估方面，人工智能技术具有一定的应用价值，文章在其基础上进行了稳定评估算法的通用框架设计流程分析，阐明了评估中所需应用到的神经网络技术、模式识别技术、知识发现与机器学习技术、智能技术、模糊理论及决策树技术，而后又对输入特征选择、特征选择算法、稳定评估算法三方面问题的解决进行了阐述，以期为电网稳定评估的精准完成提供参考。
参考文献：
[1]刘凯文.人工智能技术在电力系统中的应用与分析[J].通信电源技术,2020,37;197(5):183-184.
[2]闪鑫,陆晓,翟明玉,等.人工智能应用于电网调控的关键技术分析[J].电力系统自动化,2019,43(1):69-77.