王 瑾， 裴 亮

(1. 南京大學(xué) 軟件學(xué)院， 南京 211102； 2. 國電南瑞南京控制系統(tǒng)有限公司 電網(wǎng)分公司， 南京 211106)

隨著智能電網(wǎng)的日益完善，電網(wǎng)調(diào)度在計(jì)算機(jī)技術(shù)、通信以及控制技術(shù)的加持下更加智能化.其不僅能夠直接采集電網(wǎng)數(shù)據(jù)，對(duì)電網(wǎng)狀態(tài)進(jìn)行監(jiān)視，還可以實(shí)時(shí)為各級(jí)運(yùn)行調(diào)度人員提供輔助分析，進(jìn)行決策控制[1-2].但海量多源監(jiān)測(cè)數(shù)據(jù)對(duì)精細(xì)化的調(diào)度控制提出了新的挑戰(zhàn)，尤其對(duì)于電網(wǎng)運(yùn)行過程中的異常風(fēng)險(xiǎn)預(yù)警與處理，亟需精細(xì)化、實(shí)用化的處理方案[3-4].

針對(duì)智能電網(wǎng)調(diào)控系統(tǒng)異常告警與控制，目前已取得較多的研究成果.汪偉等[5]在研究在線監(jiān)測(cè)評(píng)估技術(shù)的基礎(chǔ)上，提出了在線監(jiān)測(cè)評(píng)估的軟硬件架構(gòu)，并進(jìn)行實(shí)際應(yīng)用.王鈺楠等[6]通過制定歸一化的風(fēng)險(xiǎn)指標(biāo)和線性評(píng)估方案，實(shí)現(xiàn)了網(wǎng)絡(luò)狀態(tài)實(shí)時(shí)運(yùn)行風(fēng)險(xiǎn)的有效評(píng)估，其不僅保證了分析準(zhǔn)確性，更提高了計(jì)算效率.李存斌等[7]提出了一種將替代數(shù)據(jù)法與多重分形去趨勢(shì)波動(dòng)相結(jié)合的方法以確定電力負(fù)荷風(fēng)險(xiǎn)閾值，有效解決了傳統(tǒng)風(fēng)險(xiǎn)預(yù)警閾值設(shè)定時(shí)對(duì)動(dòng)態(tài)性能的需求.但現(xiàn)有研究大多只針對(duì)系統(tǒng)異常檢測(cè)或風(fēng)險(xiǎn)評(píng)估展開，對(duì)電網(wǎng)運(yùn)行狀態(tài)所處階段涉及較少，在評(píng)估過程中對(duì)不同電網(wǎng)階段的分析不夠全面[8].

本文提出了一種電網(wǎng)調(diào)控系統(tǒng)異常檢測(cè)與多階段風(fēng)險(xiǎn)預(yù)警技術(shù)，其利用隨機(jī)森林(RF)算法完成異常檢測(cè)，并采用人工神經(jīng)網(wǎng)絡(luò)(ANN)模型對(duì)系統(tǒng)異常狀態(tài)發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)[9]，便于運(yùn)維人員采取風(fēng)險(xiǎn)預(yù)警措施.

1 電網(wǎng)調(diào)控系統(tǒng)架構(gòu)

電網(wǎng)調(diào)控系統(tǒng)由數(shù)據(jù)采集管理層、在線監(jiān)視管理層、高級(jí)應(yīng)用管理層以及可視化展示層4部分組成，其架構(gòu)如圖1所示.

圖1 電網(wǎng)調(diào)控系統(tǒng)的架構(gòu)Fig.1 Architecture of power grid control system

由圖1可知，數(shù)據(jù)采集層的任務(wù)包括主站端、調(diào)度數(shù)據(jù)網(wǎng)以及變電站端的數(shù)據(jù)采集管理；經(jīng)過數(shù)據(jù)整合與預(yù)處理后，通過數(shù)據(jù)總線上傳至監(jiān)視管理層，進(jìn)而監(jiān)視所有設(shè)備的數(shù)據(jù)采集指標(biāo).在線監(jiān)視管理層的任務(wù)除了包括主站端、調(diào)度數(shù)據(jù)網(wǎng)和變電站端的監(jiān)視管理外，還需對(duì)各項(xiàng)數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)控與分析，并實(shí)時(shí)推送異常告警，以便及時(shí)發(fā)現(xiàn)、排除隱患[10].高級(jí)應(yīng)用管理層主要負(fù)責(zé)提高系統(tǒng)的風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率和實(shí)時(shí)性，通過健康度評(píng)估、風(fēng)險(xiǎn)預(yù)測(cè)控制以及異常智能檢測(cè)3方面實(shí)現(xiàn)[11].可視化管理層則在上述分析的基礎(chǔ)上，將系統(tǒng)運(yùn)行狀態(tài)和異常檢測(cè)結(jié)果等信息進(jìn)行全面的展示，能夠?qū)崿F(xiàn)對(duì)所有應(yīng)用功能的完全統(tǒng)一呈現(xiàn)，從而實(shí)現(xiàn)對(duì)設(shè)備健康度的實(shí)時(shí)監(jiān)控.

2 基于RF的異常檢測(cè)

通過對(duì)電網(wǎng)調(diào)控系統(tǒng)運(yùn)行狀態(tài)的分析可知，基礎(chǔ)軟件環(huán)境、網(wǎng)絡(luò)環(huán)境、數(shù)據(jù)處理環(huán)境以及軟件模塊自身的故障均會(huì)對(duì)系統(tǒng)穩(wěn)定運(yùn)行造成極大影響[12-13].為提升電網(wǎng)調(diào)控系統(tǒng)的運(yùn)行穩(wěn)定性、降低故障發(fā)生頻率，在全面考慮系統(tǒng)健康狀態(tài)的前提下，利用RF算法實(shí)現(xiàn)異常檢測(cè).

2.1 系統(tǒng)異常類型

對(duì)于電網(wǎng)異常狀態(tài)，故障發(fā)生集中點(diǎn)主要在3個(gè)方面：高級(jí)應(yīng)用層，如調(diào)用的函數(shù)庫、應(yīng)用服務(wù)等；數(shù)據(jù)處理層，如前端事務(wù)調(diào)用、數(shù)據(jù)庫服務(wù)等；基礎(chǔ)設(shè)備，如數(shù)據(jù)庫主機(jī)、前置服務(wù)主機(jī)等.根據(jù)電網(wǎng)調(diào)控系統(tǒng)運(yùn)行過程中得到的日常異常類型匯總進(jìn)行健康狀態(tài)評(píng)估，其中數(shù)據(jù)質(zhì)量健康度在電網(wǎng)調(diào)控系統(tǒng)中最為關(guān)鍵，主要體現(xiàn)在越限、狀態(tài)估計(jì)合格率以及跳變率等方面[14].

在系統(tǒng)健康狀態(tài)評(píng)估過程中，首先需要基于底層指標(biāo)的評(píng)價(jià)結(jié)果結(jié)合專家經(jīng)驗(yàn)權(quán)重進(jìn)行加權(quán)求和，以得到上一層健康度，并以此逐層往上進(jìn)行推算，最終得出系統(tǒng)整體健康度.

系統(tǒng)健康狀態(tài)量主要包括：二值型和數(shù)值型兩類，前者0或1分別對(duì)應(yīng)異?；蛘煞N狀態(tài)，如數(shù)據(jù)庫表結(jié)構(gòu)正確性表示；而數(shù)值型則通過0～100的分段函數(shù)將健康度指標(biāo)量化，如CPU占用率表示等；健康度閾值設(shè)置為80%，即整體健康度小于該數(shù)值時(shí)將進(jìn)行告警.

2.2 隨機(jī)森林

RF的基本塊是一個(gè)決策樹，以遞歸形式分割K維特征空間，直到劃分P個(gè)類型.在二叉決策樹的情況下，樹的每個(gè)節(jié)點(diǎn)將K維空間分成兩個(gè)分區(qū)，重復(fù)執(zhí)行拆分直到實(shí)現(xiàn)P大小的分區(qū).

為了緩解決策樹過擬合問題，RF算法從多個(gè)決策樹聚合決策，即每個(gè)樹從訓(xùn)練數(shù)據(jù)的隨機(jī)樣本中學(xué)習(xí)，且樹的每個(gè)節(jié)點(diǎn)處的最優(yōu)分割從訓(xùn)練數(shù)據(jù)特征的隨機(jī)樣本中選擇.此外，根據(jù)多數(shù)票機(jī)制，生成最終的樣本類型.

2.3 異常檢測(cè)

電網(wǎng)調(diào)控系統(tǒng)的異常檢測(cè)主要是針對(duì)系統(tǒng)運(yùn)行中已經(jīng)產(chǎn)生但運(yùn)維人員難以發(fā)現(xiàn)的異常狀況發(fā)出告警，同時(shí)對(duì)異常完成初步的剖析、診斷以及相應(yīng)的類型劃分，為后續(xù)的異常預(yù)警提供依據(jù)[15].由于RF算法具備較高的數(shù)據(jù)使用率、建?？烨覍W(xué)習(xí)精度高等優(yōu)勢(shì)，所提技術(shù)將其引入.基于RF算法的電網(wǎng)調(diào)控系統(tǒng)異常檢測(cè)過程如圖2所示.

由圖2可知，異常檢測(cè)首先基于所采集到的歷史數(shù)據(jù)，通過RF異常檢測(cè)算法訓(xùn)練風(fēng)險(xiǎn)閾值，以完成初始異常檢測(cè)模型的建立；然后通過輸入相關(guān)實(shí)時(shí)數(shù)據(jù)，計(jì)算系統(tǒng)健康度得分進(jìn)行系統(tǒng)狀態(tài)判斷.最終對(duì)檢測(cè)模型進(jìn)行實(shí)時(shí)更新以匹配運(yùn)行狀態(tài)，從而提高檢測(cè)的準(zhǔn)確度和實(shí)時(shí)性.

3 風(fēng)險(xiǎn)預(yù)警技術(shù)

在系統(tǒng)狀態(tài)實(shí)時(shí)監(jiān)測(cè)的基礎(chǔ)上，本文提出了一種基于ANN的風(fēng)險(xiǎn)預(yù)警技術(shù).通過分析系統(tǒng)的歷史狀態(tài)數(shù)據(jù)來預(yù)測(cè)其發(fā)展趨勢(shì)，并針對(duì)可能出現(xiàn)的異常狀況采取預(yù)防性措施.基于深度學(xué)習(xí)的風(fēng)險(xiǎn)預(yù)警流程如圖3所示.

圖2 基于RF算法的異常檢測(cè)流程Fig.2 Flow chart of anomaly detection based on RF algorithm

圖3 風(fēng)險(xiǎn)預(yù)警技術(shù)的處理流程Fig.3 Flow chart of treatment of risk pre-warning technology

在電網(wǎng)調(diào)控系統(tǒng)中，首先通過隨機(jī)森林算法進(jìn)行異常檢測(cè)，然后結(jié)合當(dāng)前的系統(tǒng)狀態(tài)，利用ANN學(xué)習(xí)預(yù)測(cè)異常點(diǎn)后續(xù)的發(fā)展趨勢(shì).參數(shù)一旦超過安全閾值，系統(tǒng)會(huì)發(fā)出告警，而調(diào)控人員也會(huì)采取相應(yīng)的防御措施.

3.1 系統(tǒng)運(yùn)行狀態(tài)分析

由于電網(wǎng)調(diào)控系統(tǒng)的數(shù)據(jù)量較大，當(dāng)面對(duì)不斷增加的數(shù)據(jù)流時(shí)，其數(shù)據(jù)處理能力的衰減是一個(gè)緩慢的變化過程，如圖4所示.對(duì)于異常數(shù)據(jù)的檢測(cè)，可將采集數(shù)據(jù)轉(zhuǎn)換為數(shù)據(jù)健康度并乘以適當(dāng)?shù)臋?quán)重作為整體健康度評(píng)估指標(biāo).數(shù)據(jù)健康度α可表示為檢測(cè)到的異常數(shù)據(jù)量x與對(duì)應(yīng)階段數(shù)據(jù)量(x1或x2)的比值，輕風(fēng)險(xiǎn)階段數(shù)據(jù)量為x1，拐點(diǎn)區(qū)域數(shù)據(jù)量為x2，崩潰區(qū)α直接記為100%.

系統(tǒng)在3個(gè)壓力區(qū)中的運(yùn)行狀態(tài)分別表述如下：

1) 輕壓力區(qū).隨著系統(tǒng)實(shí)時(shí)數(shù)據(jù)變化量的增加，輕壓力區(qū)的系統(tǒng)性能影響較小，系統(tǒng)穩(wěn)定系數(shù)始終為1.

圖4 系統(tǒng)穩(wěn)定性拐點(diǎn)模型Fig.4 Inflection point model of system stability

2) 拐點(diǎn)區(qū).繼續(xù)加大數(shù)據(jù)量壓力，系統(tǒng)運(yùn)行狀態(tài)進(jìn)入拐點(diǎn)區(qū)，系統(tǒng)仍能維持穩(wěn)定運(yùn)行一段時(shí)間，即電網(wǎng)故障持續(xù)時(shí)間小于閾值時(shí)，系統(tǒng)仍可穩(wěn)定運(yùn)行.

3) 崩潰區(qū).當(dāng)數(shù)據(jù)量達(dá)到系統(tǒng)處理極限時(shí)，系統(tǒng)性能急劇下降甚至崩潰，穩(wěn)定系數(shù)接近于0，此時(shí)系統(tǒng)不可用.

3.2 人工神經(jīng)網(wǎng)絡(luò)

ANN由一個(gè)輸入層、2個(gè)隱藏層、一個(gè)輸出層構(gòu)成.網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)間連接均帶有一個(gè)相關(guān)的權(quán)重和一個(gè)將輸入映射到已知輸出的函數(shù).其中輸入層共設(shè)置20個(gè)節(jié)點(diǎn)，兩個(gè)隱藏層各5個(gè)節(jié)點(diǎn)，輸出層3個(gè)節(jié)點(diǎn).單個(gè)節(jié)點(diǎn)的計(jì)算表達(dá)式為

(1)

式中：bj為可學(xué)習(xí)的標(biāo)量偏差項(xiàng)；xi為輸入；oj為輸出；ωij為連接權(quán)重；δj為非線性激活函數(shù).ANN將多個(gè)節(jié)點(diǎn)組合在多個(gè)級(jí)聯(lián)層中，實(shí)現(xiàn)任意復(fù)雜的分類和回歸函數(shù).激活函數(shù)有多個(gè)選擇，所提技術(shù)中選擇雙曲正切函數(shù).

在訓(xùn)練過程中，首先初始化網(wǎng)絡(luò)權(quán)值ωij，通常使用隨機(jī)系數(shù).該網(wǎng)絡(luò)每次處理一個(gè)訓(xùn)練樣本，將網(wǎng)絡(luò)的預(yù)測(cè)輸出與真實(shí)值進(jìn)行比較，并調(diào)整節(jié)點(diǎn)連接權(quán)重以最小化訓(xùn)練誤差.ANN分類器對(duì)噪聲數(shù)據(jù)具有較強(qiáng)的容錯(cuò)性，能夠?qū)W習(xí)任意復(fù)雜的決策邊界.

4 實(shí)驗(yàn)結(jié)果與分析

為模擬系統(tǒng)實(shí)際運(yùn)行場(chǎng)景，搭建電網(wǎng)調(diào)控系統(tǒng)閉環(huán)仿真環(huán)境，驗(yàn)證其異常檢測(cè)及風(fēng)險(xiǎn)情況下的預(yù)警能力.系統(tǒng)測(cè)試平臺(tái)應(yīng)用場(chǎng)景如圖5所示.

搭建系統(tǒng)由4臺(tái)雙網(wǎng)工作站構(gòu)成，其中兩臺(tái)工作站模擬220 kV以上站端實(shí)現(xiàn)調(diào)控信號(hào)傳輸，兩條工作站互為主備，包含網(wǎng)絡(luò)通道及2 M通道共738條，通道模式包含了2 C、4 C兩種連通方

圖5 系統(tǒng)配置圖Fig.5 Diagram of system configuration

式，模擬220 kV以上廠站和轉(zhuǎn)發(fā)通道；另外兩臺(tái)工作站模擬220 kV以下站端實(shí)現(xiàn)調(diào)控信號(hào)傳輸，兩條工作站互為主備，包含一平面及二平面通道共974條，通道模式為2 C連通方式，用以模擬220 kV以下的地級(jí)調(diào)度站.

4.1 評(píng)價(jià)指標(biāo)

本文共使用3項(xiàng)評(píng)價(jià)指標(biāo)進(jìn)行系統(tǒng)測(cè)評(píng)，相關(guān)說明如下：

1) 系統(tǒng)穩(wěn)定系數(shù).當(dāng)實(shí)時(shí)數(shù)據(jù)量達(dá)到一定壓力時(shí)，系統(tǒng)并非瞬間崩潰，而是能先穩(wěn)定運(yùn)行一段時(shí)間，即有一定穩(wěn)定運(yùn)行裕度的時(shí)長.因此可以定義系統(tǒng)穩(wěn)定系數(shù)為系統(tǒng)維穩(wěn)時(shí)長除以數(shù)據(jù)量峰值持續(xù)時(shí)長，其中，數(shù)據(jù)量峰值持續(xù)時(shí)長為發(fā)生異常時(shí)系統(tǒng)接收數(shù)據(jù)量持續(xù)某一峰值的時(shí)長；維穩(wěn)時(shí)長為系統(tǒng)在數(shù)據(jù)量峰值狀態(tài)下，仍能正常穩(wěn)定運(yùn)行的時(shí)長.

2) 準(zhǔn)確率.為有效評(píng)估異常檢測(cè)模型的性能，使用檢測(cè)率(ACC)和誤報(bào)率(FPR)指標(biāo)進(jìn)行評(píng)估，其計(jì)算表達(dá)式為

(2)

(3)

式中：M為所有異常樣本數(shù)；N為所有正常樣本數(shù)；m為檢測(cè)出的樣本數(shù)；f為將正常樣本誤判為異常的正常樣本數(shù).

3) 平均絕對(duì)百分比誤差(MAPE)可以定義為

(4)

式中：yt為預(yù)測(cè)變量在t時(shí)刻的值；y′t為預(yù)測(cè)算法得到的預(yù)測(cè)值.

如前文所述，每一層健康度由底層數(shù)據(jù)健康評(píng)價(jià)指標(biāo)和系統(tǒng)穩(wěn)定系數(shù)進(jìn)行加權(quán)求和求得，經(jīng)逐層推算最終得出系統(tǒng)整體健康度.依據(jù)專家經(jīng)驗(yàn)，底層數(shù)據(jù)健康度和系統(tǒng)穩(wěn)定系數(shù)權(quán)值分別取0.7和0.3.

4.2 異常檢測(cè)性能分析

電網(wǎng)調(diào)控系統(tǒng)中包含廠站、斷路器、刀閘、線路等對(duì)應(yīng)的變化數(shù)據(jù)，異常檢測(cè)率、誤報(bào)率與并發(fā)用戶數(shù)的關(guān)系如圖6所示.其中用電行為模式數(shù)據(jù)參照文獻(xiàn)[16]設(shè)置，并發(fā)用戶由10人逐漸增加到100人.

圖6 異常檢測(cè)率、誤報(bào)率與并發(fā)用戶數(shù)的關(guān)系Fig.6 Relationship among anomaly detection rate，false alarm rate and concurrent user number

由圖6可以看出，隨著并發(fā)用戶數(shù)的增加，誤報(bào)率不斷增長，而檢測(cè)率持續(xù)下降.當(dāng)并發(fā)數(shù)到達(dá)80時(shí)，誤報(bào)率約為8%，檢測(cè)率下降至84%，處于系統(tǒng)運(yùn)行的拐點(diǎn)區(qū).當(dāng)并發(fā)數(shù)到達(dá)100時(shí)，絕大部分并發(fā)用戶響應(yīng)超時(shí)，誤報(bào)率接近20%，且檢測(cè)率低于80%，低于系統(tǒng)運(yùn)行的最低指標(biāo).

為了論證所提異常檢測(cè)方法的性能，將其與文獻(xiàn)[5]、文獻(xiàn)[6]、文獻(xiàn)[7]進(jìn)行對(duì)比分析.在3個(gè)階段的檢測(cè)準(zhǔn)確率對(duì)比結(jié)果如表1所示.

表1 多階段異常檢測(cè)性能對(duì)比結(jié)果Tab.1 Performance comparison results of multi-stage anomaly detection %

由表1可以看出，相比于其他方法，所提方法在3個(gè)階段的檢測(cè)率最佳，分別為94.53%、88.79%和80.12%.由于所提方法綜合考慮了系統(tǒng)異常的各種情況，并利用RF算法進(jìn)行分析，保證檢測(cè)的正確率.雖然當(dāng)數(shù)據(jù)量增加，檢測(cè)性能有所下降，但整體檢測(cè)率不低于80%.文獻(xiàn)[5]利用在線監(jiān)測(cè)評(píng)估技術(shù)實(shí)現(xiàn)異常檢測(cè)，但缺乏相應(yīng)的分析算法，整體性能不佳.尤其當(dāng)系統(tǒng)處于崩潰區(qū)時(shí)，檢測(cè)率低于70%.文獻(xiàn)[6]和文獻(xiàn)[7]在輕壓力區(qū)表現(xiàn)較好，但難以應(yīng)對(duì)數(shù)據(jù)量陡增的情況，整體性能有待提升.

4.3 風(fēng)險(xiǎn)預(yù)警性能分析

當(dāng)調(diào)控系統(tǒng)處于不同的階段，其風(fēng)險(xiǎn)預(yù)警措施也不相同.由于數(shù)據(jù)量達(dá)到一定值后，可能會(huì)出現(xiàn)響應(yīng)時(shí)間長、窗口信息丟失等問題.此外，當(dāng)調(diào)控系統(tǒng)處于崩潰區(qū)時(shí)，系統(tǒng)也會(huì)直接發(fā)出預(yù)警并采取措施，故僅對(duì)系統(tǒng)的輕壓力區(qū)和拐點(diǎn)區(qū)進(jìn)行實(shí)驗(yàn)分析.

1) 輕壓力區(qū).在輕壓力區(qū)，系統(tǒng)裕量較大，CPU使用率較低，能夠處理大量的檢測(cè)數(shù)據(jù).此時(shí)系統(tǒng)預(yù)測(cè)誤差對(duì)比結(jié)果如圖7所示.

圖7 輕壓力區(qū)的預(yù)測(cè)誤差對(duì)比結(jié)果Fig.7 Comparison results of prediction error in light pressure area

由圖7可以看出，在輕壓力區(qū)，所提技術(shù)的預(yù)測(cè)誤差小于1%，優(yōu)于其他對(duì)比技術(shù).其結(jié)合RF算法和ANN模型進(jìn)行風(fēng)險(xiǎn)評(píng)估，能夠較為全面地檢測(cè)系統(tǒng)運(yùn)行狀態(tài)，因此具有理想的預(yù)測(cè)效果.文獻(xiàn)[5]利用在線監(jiān)測(cè)評(píng)估技術(shù)，文獻(xiàn)[6]通過制定歸一化的風(fēng)險(xiǎn)指標(biāo)與線性評(píng)估技術(shù)，文獻(xiàn)[7]的多重分形去趨勢(shì)波動(dòng)，均能夠得到較好的預(yù)測(cè)效果.但數(shù)據(jù)量增加到60點(diǎn)/s時(shí)，MAPE均超過3%，且分析大數(shù)據(jù)時(shí)整體效果不佳.

2) 拐點(diǎn)區(qū).在拐點(diǎn)區(qū)，系統(tǒng)CPU使用率較高，且存在數(shù)據(jù)信息延遲等情況，因此預(yù)警性能有所下降.此時(shí)系統(tǒng)狀態(tài)的預(yù)測(cè)誤差對(duì)比結(jié)果如圖8所示.

由圖8可以看出，拐點(diǎn)區(qū)的MAPE較輕壓力區(qū)有所增加.當(dāng)數(shù)據(jù)變化量達(dá)到85點(diǎn)/s后，系統(tǒng)出現(xiàn)嚴(yán)重卡頓，此時(shí)MAPE陡增.尤其是文獻(xiàn)[7]方法，MAPE超過32%，其利用替代數(shù)據(jù)法并結(jié)合多重分形的方法實(shí)現(xiàn)風(fēng)險(xiǎn)預(yù)測(cè).因?yàn)樗惴ū旧磔^為復(fù)雜，所以當(dāng)數(shù)據(jù)量急劇增加時(shí)，會(huì)導(dǎo)致系統(tǒng)崩潰.由于所提方法采用RF算法完成異常檢測(cè)，利用ANN預(yù)測(cè)系統(tǒng)運(yùn)行狀態(tài)進(jìn)行風(fēng)險(xiǎn)評(píng)估，因此其能夠較好地處理海量數(shù)據(jù)，整體性能較為理想，MAPE不超過10%.

圖8 拐點(diǎn)區(qū)的預(yù)測(cè)誤差對(duì)比結(jié)果Fig.8 Comparison results of prediction error in inflection point area

5 結(jié) 論

隨著可再生能源不斷接入電網(wǎng)，更多不確定因素對(duì)電網(wǎng)的安全、穩(wěn)定運(yùn)行造成極大影響，為此，本文基于深度學(xué)習(xí)提出了一種電網(wǎng)調(diào)控系統(tǒng)異常檢測(cè)與多階段風(fēng)險(xiǎn)預(yù)警方法.利用RF算法進(jìn)行系統(tǒng)異常狀態(tài)的檢測(cè)，并根據(jù)檢測(cè)結(jié)果利用ANN模型預(yù)測(cè)系統(tǒng)的發(fā)展趨勢(shì).若超過健康度閾值，則發(fā)出預(yù)警.實(shí)驗(yàn)結(jié)果表明，所提技術(shù)在3個(gè)階段的異常檢測(cè)率分別為94.53%、88.79%和80.12%，輕壓力區(qū)的MAPE小于1%，拐點(diǎn)區(qū)MAPE不超過10%，均優(yōu)于其他對(duì)比方法，其不僅提高了系統(tǒng)運(yùn)行維護(hù)效率，還保障了系統(tǒng)的安全、穩(wěn)定運(yùn)行.

由于本文考慮的系統(tǒng)異常類型大多為確定性的，而對(duì)于臺(tái)風(fēng)等自然災(zāi)害造成的突發(fā)性異常狀況并未深入分析，因此在接下來的研究中，將更多地考慮不確定性因素影響，提高風(fēng)險(xiǎn)預(yù)警技術(shù)的普適性.