基于深度學習的調度檢修預案生成模型構建

蔡思燁 盧泉篠 胡鵬 楊恩龍 余玉良 顧小旭

摘 要：為解決傳統的電力系統調度檢修方法無法滿足電力系統安全可靠運行要求，提出基于深度學習的調度檢修預案，以提高電力系統的可靠性與運行效率。通過對數據進行收集與預處理，消除原始數據中的異常值、缺失值、錯誤數據。采用長短期記憶網絡對電力系統歷史數據進行訓練學習，預測電力負荷及設備狀態。采用條件生成模型，通過對抗訓練來自動生成優化的調度檢修預案。將提出的調度檢修預案生成技術應用于實際的電力系統中，得到了電力系統1周的調度檢修預案。為電力系統運維人員決策提供了參考。

關鍵詞：深度學習；電力系統；長短期記憶網絡；條件生成模型；預案生成技術

中圖分類號：TM734

文獻標志碼：A文章編號：1001-5922（2024）03-0153-04

Construction of the plan generation model for scheduling and maintenance based on deep learning

CAI Siye，LU Quanxiao，HU Peng，YANG Enlong，YU Yuliang，GU Xiaoxu

（State Grid Shanghai Jiading Power Supply Company，Shanghai 201800）

Abstract：To solve the problem that traditional power system scheduling and maintenance methods cannot meet the requirements of safe and reliable operation of the power system，a scheduling and maintenance plan based on deep learning is proposed to improve the reliability and operational efficiency of the power system.By collecting and preprocessing data，outliers，missing values，and erroneous data in the original data were eliminated.Using long short-term memory networks to train and learn historical data of the power system，power load and equipment status were predicted.Using a conditional generation model，an optimized scheduling and maintenance plan was automatically generated through adversarial training.The proposed scheduling and maintenance plan generation technology was applied to actual power systems，resulting in a one week scheduling and maintenance plan for the power system.This provides a reference for decision-making of power system operation and maintenance personnel.

Key words：deep learning;power system;long short term memory networks;conditional generation model;plan generation technology

調度檢修是確保電力系統運行穩定性的關鍵，而傳統的調度檢修預案生成往往依賴于經驗，這導致預案生成效率低，預案質量不穩定，不能夠有效滿足實際的需求［1］。將深度學習技術應用于電力系統調度檢修預案生成中對提升電力系統的運行效率，降低運行成本，優化資源利用具有至關重要的價值。對深度強化學習在配電網優化運行中的應用進行了綜述［2］。構建了由離線訓練模塊、在線決策模塊、效果評估模塊構成的電網調度智能決策功能架構［3］。在對模型驅動建模求解方法不足分析的基礎上提出了基于深度學習的微電網優化調度輔助決策方法［4］。在前人研究的基礎上，結合循環神經網絡（RNN）和生成對抗網絡（GAN）提出一種能夠自動生成符合電力系統需求的調度檢修預案，從而為電力系統運行與管理提供智能化、高效率的解決方案，推動電力領域的創新發展。

1 電力系統調度檢修預案生成模型

1.1 生成模型架構

電力系統具有運行環境復雜、負荷需求多變等特點，采用GAN作為模型的核心架構，其由生成器（G）和判別器（D）2個關鍵部分構成［5］。生成器接收負荷、狀態預測模塊的條件輸入以及隨機噪聲，從而產生一系列的電力系統調度檢修預案。生成器通過學習電力系統運行數據和設備狀態的模式，生成符合系統要求的操作計劃。判別器評估生成器生成預案的真實性及合理性，通過對抗訓練，判別器指導生成器逐步生成更逼真的調度檢修預案。生成器和判別器構成了一個動態的博弈過程，二者之間形成對抗，即對抗網絡［6］。

設計基于GAN的模型，將電力系統調度檢修預案生成看作一個生成問題，通過對生成模型結構及參數的優化，得到調度檢修預案。在GAN中，生成器和判別器進行極大、極小博弈，其損失函數［7］為：

minG? maxDVG，D=Εx～pdataxlogDx+Εz～pzzlog1－DGz（1）

1.2 生成模型流程

1.2.1 數據收集及預處理

數據收集及預處理是生成電力系統調度檢修預案的基礎，為模型的訓練和預測提供支持，確保所生成的調度檢修預案真實、可靠。收集的數據能夠真實反映電力系統運行與設備的狀態，具體如表1所示。

為確保收集到的數據準確、一致，對數據進行清洗操作，去除原始數據中的異常值、缺失值以及錯誤數據。從清洗后的數據中提取數據特征，包括時間序列趨勢特征、周期性特征以及反應設備狀態的關鍵參數?？紤]到不同的數據存在尺度上的差異性，對數據進行歸一化處理。數據歸一化處理公式為：

x=X－XminXmax－Xmin（2）

式中：X為原始數據；Xmin、Xmax分別為原始數據最小值、最大值；x為歸一化后數據。

1.2.2 電力負荷及設備狀態預測

電力負荷及設備狀態預測是電力系統調度檢修預案生成的關鍵，只有提供準確的預測信息才能夠確保預案更加有效。采用RNN來構建電力負荷及設備狀態預測模型，其中電力負荷預測的輸入為過去一段時間電力系統負荷數據，輸出為未來一段時間電力系統負荷；設備狀態預測的輸入為過去一段時間設備狀態數據，輸出為未來一段時間設備狀態數據。長短期記憶網絡作為特殊的RNN結構，能夠更好地捕捉長期依賴關系，因此選擇長短期記憶網絡（LSTM）作為模型架構，其能夠更好地適應電力負荷及設備狀態的復雜變化要求［8］。

LSTM有一個記憶單元和輸入門、輸出門、遺忘門3個門結構［9］，其中記憶單元是LSTM的核心，其用來存儲時間序列信息，能夠選擇性地傳遞或遺忘信息；輸入門用于控制輸入與記憶單元的結合；輸出門用于控制由記憶狀態到輸出的信息流；遺忘門用于決定是否丟棄先前的記憶狀態，從而與當前的輸入相匹配。輸入數據Xt和前一時刻的輸出數據ht－1共同作用于遺忘門，通過遺忘門來記憶重要信息，舍棄無關信息，達到信息篩選的目的，其數學表達式［10］

ft=σWf·ht－1，Xt+bf（3）

式中：數據Xt和ht－1作為輸入門的輸入，對數據進行更新；其數學表達式［11］為：

it=σWi×ht－1，Xt+biC～t=tanhWC×ht－1，Xt+bC（4）

數據Xt、ht－1以及前一時刻記憶單元狀態Ct－1作為記憶單元輸入，從而實現對記憶單元自身狀態的數據更新，其數學表達式為［12］：

Ct=ft×Ct－1+it×C～t（5）

將Xt、ht－1、Ct共同作用于輸出門，從而輸出數據ht，其數學表達式［13］為：

ot=σW0×ht－1，Xt+b0ht=ot×tanhCt（6）

圖1為長短期記憶網絡結構。

采用電力系統歷史數據對LSTM模型進行訓練學習，通過預測值與實際值誤差最小化來對LSTM模型參數進行優化。采用訓練好的模型對電力負荷及設備狀態進行預測，預測結果作為電力系統調度檢修預案生成的輸入。

1.2.3 調度檢修預案生成

傳統生成對抗網絡（GAN）中生成器試圖生成與真實數據相似的虛假數據，判別器區分真實數據和生成的數據。通過對抗訓練，生成器逐漸提高生成數據的質量，使其越來越難以被判別器區分。條件生成模型（CGAN）在GAN的基礎上引入了條件信息，以指導生成器的生成過程［14］。條件生成對抗網絡結構如圖2所示。

由圖2可知，在CGAN中生成器輸入端接收服從分布pzz的噪聲z和服從分布pdatax的真實樣本x，y為輸入端拼接的額外信息。Gzy為生成樣本，是判別器的輸入，DGzy為判別器的輸出［15］。在電力系統調度檢修預案生成模型中，將電力負荷以及天氣和維護歷史數據作為條件輸入，由生成器G產生合理、可行的調度檢修預案。通過將條件輸入傳遞給生成器，由生成器生成一系列操作計劃，包括電力系統調度和設備檢修安排。判別器用來判斷生成的預案是否真實，其將真實的預案和生成器生成的預案進行對比，從而提供反饋信號指導生成器的訓練。定義Preal、Pfake為判別器對真實樣本real和生成樣本fake的輸出值，則有［16］ ：

Preal=DxyPfake=DGxy（7）

生成器和判別器對抗訓練，不斷調整二者參數以使生成的預案更加符合實際情況。生成器和判別器的目標函數為［17］ ：

LG=Ez～pzzlog1－DGzy

LD=－Ex～pdataxlogDxc－Ez～pzzlog1－DGzy （8）

生成器和判別器2個網絡不斷迭代，直到網絡參數穩定達到納什均衡，其整體目標函數［18］ 為：

minG?? maxDVG，D=Εx～pdataxlogDxy+Εz～pzzlog1－DGzy（9）

優化的目標是使得生成的預案在滿足電力系統需求的同時，盡可能減少成本、提高效率等。生成的預案為設備檢修時間表、運行策略，從而為電力系統運維人員提供具體的操作建議。

2 實例分析

2.1 問題描述

電力系統是現代社會的基礎設施，通過制定合理的調度檢修預案來確保供電的穩定性。所選擇的案例來源于某局部區域電力系統，如圖3所示。

發電機是電力系統的核心組件，負責將機械能轉化為電能。電力系統有3臺發電機，發電機類型為水輪發電機，發電容量分別為100、 150、200 MW。變壓器用于調整電能的電壓級別，以便在輸電和分配過程中減小能量損耗。電力系統有2個變壓器，升壓變壓器的變比為1∶3，降壓變壓器的變比為3∶1。開關用于控制電力系統中不同部分的連接和斷開，以實現電能的分配和控制，共有5個開關，分布于不同發電機、變壓器和負荷之間。負荷包括家庭用電、工業設備、商業設施等，其在不同時間段內有不同的需求，影響著電力系統的調度和運行。

2.2 調度檢修預案生成

收集電力系統的運行數據及設備狀態數據，包括發電機輸出、電力負荷、設備溫度等信息。對數據進行清洗、特征提取和歸一化處理，以便用于模型訓練。圖4為電力系統的電力負荷。

采用LSTM模型對電力負荷進行預測，模擬未來一周的電力負荷［19］。為評價預測模型的性能，采用平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）作為評價指標，其數學表達式［20］為：

MAE=1N∑Ni=1Li－L^i

MAPE=1N∑Ni=1Li－L^iLi（10）

式中：N為樣本個數；Li為實際電力負荷；L^i為預測電力負荷。

一周電力負荷預測值與真實值對比結果如圖5所示，平均絕對誤差為12.65 MW，平均絕對百分比誤差為0.36%。

構建包括生成器和判別器的條件生成模型（CGAN），生成器接收負荷和狀態預測結果作為條件輸入，以及隨機噪聲，生成一周的調度檢修預案，同時采用判別器評估生成預案的合理性和實用性。使用歷史數據對RNN和CGAN模型進行訓練，通過對抗訓練優化CGAN模型的生成器和判別器，以生成更合理的預案。表2為生成的第1天的調度檢修預案。

相對于傳統的調度檢修預案，基于深度學習的電力系統調度檢修預案能夠根據實時的負荷預測和設備狀態，個性化地生成適應當前電力系統條件的調度檢修預案。生成預案的模型可以適應電力系統的復雜性，包括多種設備、多個因素和各種約束，模型可以學習復雜的關系和模式，以生成更優化的預案。另外，通過數據驅動的方法可以利用大量歷史數據進行訓練，從中學習電力系統的運行模式和趨勢，使得生成的預案更有實際可行性。

3 結語

針對依賴于經驗與規則的傳統調度檢修方案不能夠滿足電力系統復雜性、多變性、實時性的問題，提出了基于深度學習的調度檢修預案輔助生成技術。采用長短期記憶網絡對電力負荷及設備狀態進行預測，并通過條件生成模型生成調度檢修預案。將提出的調度檢修預案輔助生成技術應用于實際的電力系統中，結果表明，其能夠對電力負荷進行精準預測，平均絕對百分比誤差在0.36%，同時所生成的調度檢修預案是基于大量歷史數據的訓練，確保了生成預案的實際可行性。這對提高電力系統調度檢修預案的生成效率與預案的實用性具有一定的參考價值。

【參考文獻】

［1］ 謝虎，楊占杰，張偉，等.基于混合蝙蝠算法的高比例風電電力系統調度方法［J］.可再生能源，2023，41（6）：804-809.

［2］ 胡維昊，曹迪，黃琦，等.深度強化學習在配電網優化運行中的應用［J］.電力系統自動化，2023，47（14）：174-191.

［3］ 王珂，姚建國，余佩遙，等.基于深度強化學習的電網前瞻調度智能決策架構及關鍵技術初探［J］.中國電機工程學報，2022，42（15）：5430-5439.

［4］ 陳衛東，吳寧，黃彥璐，等.基于深度學習的微電網優化調度輔助決策方法［J］.南方電網技術，2022，16（1）：117-126.

［5］ 陳文婷，陳學勤，王偉津，等.面向稀疏數據場景的生成對抗網絡推薦算法［J］.福州大學學報（自然科學版），2023，51（4）：467-474.

［6］ 黃棋悅，嚴楠，鐘旭佳.基于生成對抗網絡的風電爬坡功率預測［J］.太陽能學報，2023，44（1）：226-231.

［7］ 邵振國，張承圣，陳飛雄，等.生成對抗網絡及其在電力系統中的應用綜述［J］.中國電機工程學報，2023，43（3）：987-1004.

［8］ 侯佐新，袁樹文.采用神經網絡建模對海下有機材料加固的油井產量預測研究［J］.粘接，2023，50（3）：178-182.

［9］ 林藝華.基于深度學習的高速公路交通流數據監控方法研究［J］.粘接，2021，46（5）：182-186.

［10］ 柳薇，張波，梁明源.基于深度學習的電力數據分析研究［J］.宇航計測技術，2023，43（3）：97-102.

［11］ 李剛，孟坤，賀帥，等.考慮特征耦合的Bi-LSTM變壓器故障診斷方法［J］.中國電力，2023，56（3）：100-108.

［12］ 楊廷勝，盧志鵬，苗厚利.基于PMS的設備故障數據分析模型構建及仿真［J］.粘接，2022，49（7）：165-169.

［13］ 李鑫，李海明，馬健.基于單步預測LSTM的短期負荷預測模型［J］.計算機仿真，2022，39（6）：98-102.

［14］ 米陽，盧長坤，申杰，等.基于條件生成對抗網絡的風電功率極端場景生成［J］.高電壓技術，2023，49（6）：2253-2263.

［15］ 劉文杰，趙膠膠，張穎，等.一種量子條件生成對抗網絡算法［J］.電子學報，2022，50（7）：1586-1593.

［16］ 楊國亮，王楊，賴振東.基于條件生成對抗網絡的水下圖像增強算法［J］.傳感器與微系統，2021，40（5）：121-123.

［17］ 林珊，王紅，齊林海，等.基于條件生成對抗網絡的短期負荷預測［J］.電力系統自動化，2021，45（11）：52-60.

［18］ 戴蓉.一種基于條件生成對抗網絡的面部表情識別技術［J］.計算機應用與軟件，2020，37（8）：166-170.

［19］ 李艷波，尹鐠，陳俊碩，等.結合改進殘差網絡和Bi-LSTM的短期電力負荷預測［J］.哈爾濱工業大學學報，2023，55（8）：79-86.

［20］ 方娜，李俊曉，陳浩，等.基于CNN-GRU-MLR的多頻組合短期電力負荷預測［J］.計算機仿真，2023，40（1）：118-124.

收稿日期：2023-10-16；修回日期：2024-02-18

作者簡介：蔡思燁（1996-），女，碩士，助理工程師，研究方向：電力調度運行；E-mail：sia_cai@163.com。

引文格式：蔡思燁，盧泉篠，胡 鵬，等.基于深度學習的調度檢修預案生成模型構建［J］.粘接，2024，51（3）：153-156.