[论文解读] The Concept of the Deep Learning-Based System "Artificial Dispatcher" to Power System Control and Dispatch

Nikita Tomin, Victor Kurbatsky+1 more|arXiv (Cornell University)|May 7, 2018

Industrial Engineering and Technologies参考文献 5被引用 3

一句话总结

本文提出了一种基于深度学习的智能系统——'人工调度员'，通过融合人工调度员的专业知识与自动化控制的高速响应，提升电力系统稳定性和紧急响应能力。该系统利用深度神经网络（DNNs）和卷积神经网络（CNNs），实现实时电压稳定评估与最优无功功率控制，将错误率和计算时间从数分钟缩短至数秒，同时在数据受损情况下仍保持高精度。

ABSTRACT

Year by year control of normal and emergency conditions of up-to-date power systems becomes an increasingly complicated problem. With the increasing complexity the existing control system of power system conditions which includes operative actions of the dispatcher and work of special automatic devices proves to be insufficiently effective more and more frequently, which raises risks of dangerous and emergency conditions in power systems. The paper is aimed at compensating for the shortcomings of man (a cognitive barrier, exposure to stresses and so on) and automatic devices by combining their strong points, i.e. the dispatcher's intelligence and the speed of automatic devices by virtue of development of the intelligent system "Artificial dispatcher" on the basis of deep machine learning technology. For realization of the system "Artificial dispatcher" in addition to deep learning it is planned to attract the game theory approaches to formalize work of the up-to-date power system as a game problem. The "gain" for "Artificial dispatcher" will consist in bringing in a power system in the normal steady-state or post-emergency conditions by means of the required control actions.

研究动机与目标

• 应对现代电力系统因扰动增加而日益复杂和不稳定的挑战，以及现有调度与紧急控制系统效率有限的问题。
• 克服调度员在时间紧迫和不确定性条件下因认知局限和压力导致的错误。
• 通过将智能决策与现有SCADA/EMS/DMS基础设施集成，提升电力系统的可靠性和生存能力。
• 开发一种可自主实时模拟调度员操作的系统，减少在正常和紧急状态下对人工操作员的依赖。
• 通过机器学习模型提升电力系统控制的效率与速度，实现对大规模数据的快速处理，并迅速识别最优控制策略。

提出的方法

• 利用深度神经网络（DNNs）和卷积神经网络（CNNs）对电力系统行为进行建模与预测，特别关注电压稳定性。
• 采用在线决策树和实时学习算法，基于实时SCADA数据动态评估L-index（电压稳定指标）。
• 在历史和模拟的电力系统数据上训练系统，学习在紧急和正常状态下最优的无功功率注入策略。
• 将'人工调度员'作为附加模块集成到现有SCADA/EMS/DMS平台中，以利用其数据采集、分析与控制功能。
• 应用博弈论原理，将系统控制形式化为一种战略决策问题，目标是恢复或维持系统稳定性。
• 采用弹性权重巩固和基于Boltzmann机的学习技术，实现在多种系统状态下的持续学习与记忆保持。

实验结果

研究问题

• RQ1 在高压、时间紧迫的条件下，深度学习模型能否有效实时模拟调度员的决策行为？
• RQ2 在数据受损情况下，基于深度学习的系统与传统算法方法相比，在计算电压稳定指标方面的性能如何？
• RQ3 基于DNN/CNN的系统在保持或提升精度的同时，能在多大程度上缩短最优控制动作的计算时间？
• RQ4 该系统能否可靠地识别并应用纠正性控制措施（如无功功率注入），以防止复杂电力系统发生电压崩溃？
• RQ5 该系统与现有SCADA/EMS/DMS平台的集成效果如何，能否增强而非取代现有控制基础设施？

主要发现

• 在损坏的IEEE 118节点系统数据上测试时，深度学习模型将L-index估计的均方根误差降低至约13%，优于传统方法。
• 使用传统方法计算最优无功功率注入的计算时间从30–40分钟缩短至仅几百毫秒（百毫秒），采用机器学习方法后显著提升。
• 系统对'坏数据'和缺失测量值表现出强鲁棒性，在输入数据受损时仍能保持准确的稳定性评估。
• 在应用模型预测的纠正控制措施后，本地电压稳定指标总和（$L_{sum}$）显著下降，表明电压崩溃风险降低。
• 该系统处理大规模数据并以几分之一秒内识别最优控制策略的能力，已超越人类调度员的生理极限。
• 将'人工调度员'作为现有SCADA/EMS/DMS系统的补充模块集成，可在不干扰当前运行流程的前提下，实现实时、高速、精确的控制。