摘要：随着经济、技术的迅速发展，现代社会对于电能的需求量快速增加，电力系统也日益庞大和复杂，出现故障的潜在风险也逐步增加。近年来，随着人工智能技术和神经网络算法的快速发展和应用，特别是具有强大算力的神经网络硬件加速器和专用芯片的出现，神经网络应用于电力系统变得越来越有前景。本文对神经网络及其模型进行了介绍，并对神经网络在电力系统故障诊断、安全评估、负荷预测、经济调度等方面的研究进行阐述，最后总结了神经网络应用于电力系统的优点、缺点以及需要进一步解决的问题。
关键词：神经网络、电力系统、故障诊断、安全评估、负荷预测、经济调度
ASummaryoftheApplicationofNeuralNetworkinPowersystem
Abstract：Withtherapiddevelopmentofeconomyandtechnology,thedemandforelectricenergyinmodernsocietyisincreasingfastly,thepowersystemisbecominglargerandmorecomplex,andthepotentialriskoffailureisalsograduallyincreasing.Inrecentyears,withtherapiddevelopmentandapplicationofartificialintelligencetechnologyandneuralnetworkalgorithm,especiallytheemergenceofneuralnetworkhardwareacceleratorandspecialchipwithpowerfulcomputingpower,theapplicationofneuralnetworkinpowersystemhasbecomemoreandmorepromising.Thispaperintroducedtheneuralnetworkanditsmodel,expoundedtheresearchonneuralnetworkinpowersystemfaultdiagnosis,securityassessment,loadforecasting,economicdispatchingetc,summarizedtheadvantagesanddisadvantagesofneuralnetworkappliedtopowersystemaswellastheproblemsthatneedtobefurthersolved.
Keywords：neuralnetwork;powersystem;faultdiagnosis;securityassessment;loadforecasting;economicdispatch
前言
目前电力系统在提高性能、效率、可靠性和安全性等方面取得了很多进展，但现代电力系统越来越规模庞大和复杂，未来对可靠性和安全性等方面也会提出更高的要求和挑战。近年来，随着神经网络算法和神经网络硬件芯片的快速发展，将神经网络应用于电力系统将是一个非常有前景的解决方案。神经网络通过大量的计算和训练，以实现类似人类的计算、逻辑分析、推理和自我学习能力，进而帮助人类解决各种复杂问题。神经网络拥有强大和快速的并行计算能力、容错性高、学习能力强等优点，其主要应用于电力系统传输稳定性分析、负荷预测、静态和动态稳定性分析，故障预测等方面。
神经网络，作为一个计算系统，由许多简单且高度互联的处理单元组成，它通过对外部输入的动态响应来处理信息。近年来，由于神经网络模型有可能为单靠普通计算机难以解决的问题提供解决方案，其研究变得越来越重要。目前，神经网络更适合于在语音处理、图像识别、机器视觉和机器控制等方面实现类人的表现，在其他方面的应用还需要进一步的研究。
神经网络模型
如图2-所示，神经网络由许多简单和高度互联的处理单元组成，这些处理单元称为神经元。基本的计算单元（神经元）通常称为一个节点，它接收来自外部或者其他节点的输入数据以进行计算，每一个输入数据有一个相关的权重因子w，这个权重因子的值在神经网络训练学习阶段确定[1,2]。
图2-神经网络模型
在图2-中输出是=S（）
也可以作为其他神经元的输入；
是神经元i到神经元j的权重因子；
S是神经元的激活函数，通常是非线性函数。
2.1不同类型的神经网络架构
2.1.1单层神经网络模型
单层神经网络模型是最简单的网络，被认为是线性分类器，主要弱点是只能解决线性问题，而大多数现实世界的问题本质上都是非线性的，其结构如图所示。
图2-2单层神经网络模型
2.1.2多层神经网络模型
多层神经网络模型是一个前馈神经网络模型，将一组输入适当地映射到一组输出上面。它有多层神经元，使用非线性激活函数，因而更加强大。其网络结构如图2-所示，由一个输入层，一个具有非线性激活函数的中间层和一个输出层。输入层中神经元的数量跟输入特征数量相同，中间层可以由多层组成[1,2]。
图2-3多层神经网络模型
2.1.3RNN循环神经网络模型
在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。RNN循环神经网络融入了历史数据信息，即一个序列当前的输出与前面的输出也有关，具体的表现形式为如图2-4RNN循环网络模型所示，网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出[1,2]。
图2-4RNN循环网络模型
2.2神经网络训练模式
神经网络训练通常可以分为监督学习、无监督学习和增强学习。
2.2.1监督学习
如图2-所示，监督学习需要给神经网络提供大量标注的输入和期望输出来进行训练，在训练过程中，不停地将神经网络的输出和期望输出进行差异比较，并通过反向传播计算来修正网络参数以减少差异，不停地重复这种训练直到差异达到可接受的水平。监督学习可以是循环网络或者非循环网络。
图2-5监督学习
2.2.2无监督学习
无监督学习是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于事先没有任何训练样本，没有标注输入和输出，需要直接对数据进行建模，并让神经网络自己去学习，在其学习的过程中，对于得出正确的结果时给与某种激励和回报，得出错误的结果时给出某种负面的惩罚。
2.2.3强化学习
强化学习是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大，如图2-所示，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统如何去产生正确的动作。由于外部环境提供的信息很少，强化学习系统必须靠自身的经历进行学习，通过这种方式，强化学习系统在行动-评价的环境中获得知识，改进行动方案以适应环境。
强化学习是一种重要的机器学习方法，在智能控制机器人及分析预测等领域有许多应用。
图2-6强化学习
神经网络在电力系统的应用
3.1电力负载预测
由于电力系统数据库中保存了大量的历史电力负载数据，这些数据为神经网络电力负载预测训练提供了很好的标注输入和输出样本。基于数据库中的大量样本数据，对神经网络综合运用监督学习，无监督学习和强化学习，可以为电力系统的电力负载进行有效的、准确的短期，中期和长期预测，同时，神经网络在实际工作中能得到进一步的训练和强化，作出的预测更加可靠。图3-为电力负载短期、中期、长期预测的理论频率。
在电力负载预测中用到一些常用方法如：回归模型、卡尔曼滤波，专家系统、模糊推理和混沌时间序列分析等。这些方法的局限性在于：忽视一些预测属性条件，难以找到所有属性变量和瞬时电力负载需求之间的关系，难以升级专家系统规则，无法快速调整来响应非线性负载变化等。而神经网络可以用来解决这些问题，神经网络可以把许多因素考虑进模型，如天气情况、假期、周末、当地居民的用电习惯和工厂、商场等相关的用电数据[3]。
图3-电力负载短期、中期、长期预测频率
3.2安全实时评估
电力系统的主要任务是给用户提供稳定可靠的电压和功率，因此供电、传输电压和功率必须进行实时地静态和动态安全评估和监测。优化了算法的神经网络的应用，一方面可以有效地减少在线计算量和处理量，另一方面能够在短暂的小信号中准确有效地监测和评估电压的不稳定性，并据此作出合理的控制行为的决定。图3-为应用了神经网络模型的实时安全评估流程简化图，实时电力测量数据存储在数据中心，状态估计对坏数据进行甄别校正，神经网络模型综合测量数据、状态估计数据、调度数据进行安全评估，并作出相应的控制行为的决定[4,5]。
神经网络安全评估至少基于以下方面：
系统动力知识
系统变量实时测量
测量不确定性和系统干扰模型
清晰定义的安全标准
图3-安全评估流程
3.3故障检测和诊断
电力设备的故障检测和诊断是为了准确实时地识别出现故障的设备和位置，其一直是电力系统中难点，神经网络的应用使得将来进行有效准确地在线故障检测和诊断成为可能。对神经网络综合运用监督学习，无监督学习和强化学习等，多层感知器网络能够在给定需要的电力系统情境、实时测量数据和警报等数据下，能够识别出故障的类型和位置，KN网络可用于对故障情况进行分类[6,7]。随着将来神经网络算法和计算力的增强，其用于故障检测和诊断的作用将更加突出。
3.4经济调度
经济调度的主要目标是基于用电需求和客观实际条件限制，合理进行电力分配的同时能最小化运营成本，即如何分配可用发电机组之间所需的负荷需求[8,9]。经济调度的算法有拉格朗日乘子算法、线性动态规划技术、牛顿-拉夫森经济方法、拉格朗日增强功能以及最近的遗传算法。由于经济调度问题成为非凸优化问题，拉格朗日乘子算法不能直接应用，动态规划方法的缺点是计算维度太大，遗传算法的主要缺点是很难为经济调度定义适应函数。而神经网络，特别是Hopfield模型，充分展示了解决组合优化问题的能力，这种模型已被应用于大量解决经济调度问题。
需要解决的问题
神经网络有很多优点，能解决很多之前不能解决的实际问题，但是其本身也有一些难点需要进一步解决：目前很多神经网络算法比较复杂，网络比较庞大，因而计算量巨大，不适合在电力系统中进行实时的在线检测、计算和评估，一方面，神经网络算法需要进一步的优化和简化，压缩网络大小，极大的简化计算；另一方面，需要有计算力更强大的硬件平台来支撑神经网络的大量计算。
结论
人工智能技术和神经网络在电力系统等各种应用中让人们看到了其巨大的优势。神经网络具有较好的容错性和抗感染能力，即使输入数据不完整或者有一些噪音，神经网络依然可以给出好的结果，同时，神经网络具有很好的适应能力，能自我学习。现代控制技术，如自适应技术等，神经网络通过一系列的训练能够有效的学习自适应技术，进而用作一个强大的控制器。本文对神经网络及其模型进行了介绍，并对神经网络在电力系统故障诊断、安全评估、负载预测、经济调度等方面的研究进行阐述，最后总结了神经网络应用于电力系统的优点，缺点以及需要进一步解决的问题。
参考文献
[1]M.El-SharkawiandD.Niebur(Eds.),'TEmTutorialComeonANNswithApplicationstoPowerSystems",%TP112-624.
[2]H.Singh,M.S.Sachdev,T.S.Sidhu"Design,Imple-mentationandTestingofanArti_cialNeuralNet-workBasedFaultDirectionDiscriminatorforpro-tectingTransmissionLines,"IEEETransactionsonPowerDelivery,Vol.10,No.2,1995,pp697-706.
[3]Germond,A.J.,N.MacabreyandThomasBaumann,"ApplicationofArtificialNeuralNetworkstoLoadForecasting,"samesourceas[5],pp.165-171.
[4]K.W.Chan,A.R.Edward,A.R.Danish,On-LineDynamicSecurityContingencyScreeningUsingArtificialNeuralNetwork,IEEETrans.PowerDistributionSystem,pp.367-372,November2000.
[5]G.Chicco,R.Napoli,NeuralNetworkforFastVoltagePredictioninPowerSystem,IEEEPowerTechConference,pp.312-316,September2001.
[6]A.L.OFernandez,N.K.IGhonaim,"ANovelAp-proachusingaFIRANNforFaultDetectionandDirectionEstimationforHighVoltageTransmissionLines,"IEEETransactionsonPowerDelivery,Vol.17,No.4,Oct2002,pp894-900.
[7]T.S.Sidhu,L.MitalandM.S.Sachdev,"ACom-prehensiveAnalysisofanArtificialNeuralNet-workBasedFaultDirectionDiscriminator,"IEEETransactionsonPowerDelivery,Vol.19,No.3,July2004,pp1042-1048.
[8]N.Kumarappan,M.R.Mohan,S.Murugappa,ANNApproachtoCombinedEconomicandEmissionDispatchforLarge-ScaleSystem,IEEEPowerDistributionsystem,pp.323-327,March2002.
[9]K.P.Wong,ComputationalIntelligenceApplicationinUnitCommitment,EconomicDispatchandPowerFlow,IEEEConferenceinAdvanceinPowerSystemControl,OperationandManagement,pp.54-59,November97.
作者： 熊杰
