玄鑫 郭云飞 董宏兴 杨勇

摘要：当前囯家电网有限公司正落实国家创新驱动发展战略，全面实施“新跨越行动计划”，为建设具有中国特色国际领先的能源互联网企业提供坚强科技支撑。电力设备是组成电力系统的基本元素，并在很大程度上决定了电力系统的可靠、稳定运行。然而，由于设备所处的复杂环境以及在投入运行前存在的潜在缺陷，在日常操作过程中经常会出现意想不到的故障，从而导致停电和其他社会影响。为了避免这种情况的出现，必须对电力设备进行状态监测，以快速、准确地检测其异常运行状态，以提高现代电力系统的运行可靠性。鉴于此，文章结合笔者多年工作经验，对数据驱动的人工智能技术在电力设备状态分析中的研究与应用提出了一些建议，仅供参考。

关键词：数据驱动;人工智能技术;电力设备状态分析;应用

引言

当前以数据驱动的人工智能技术为核心的电力设备运维状态分析还处于起步和探索阶段，在电力大数据背景下，人工智能技术可以有效提高电力设备状态分析的准确性，在电力设备智能巡检、故障诊断、状态预测等应用场景下均展现了良好的应用效果。

1、人工智能技术的概念

人工智能技术出现后在社会方方面面得到广泛应用，对社会各行各业都发挥了深刻的作用，极大地便利了人们的生产生活，为社会进一步发展奠定了坚实的基础。与其他技术相比，人工智能技术在交叉特性上表现十分突出，涉及到诸多学科内容，其发展是建立在扎实的理论与实践基础之上的。不断深入摸索探究人工智能技术的本质可以发现，人工智能的核心理念实质上是采用机器人对人类的思维进行模拟，从而完成各种复杂工作任务的过程。在电气自动化控制过程中应用人工智能技术，对提升工业生产效率效果显著，有效保障了企业经济效益的最大化的可能。

1.1专家系统

专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。

1.2人工神经网络

在人工智能领域神经网络的地位不言而喻，所谓的神经网络是指研究人员应用人工神经元、电子元件和处理元件等装置，对人类大脑组织结构和思维方式进行模拟，以此来赋予计算机程序自我学习能力的技术。目前，这项技术已经成为人工智能领域的重点研究方向，在存储、处理和分析数据时，起到了关键性的作用。在人工神经网络中，信息的传递和处理需要将神经元之间的相互作用为条件，其存储则依靠各元件的分布联系，其自我学习能力的实现，主要通过神经元连接权重的动态调整。与传统数据处理方式对比而言，在分析和处理模糊数据时，应用这项人工智能技术，可以取得良好的效果。在人工智能技术不断成熟和发展的背景下，人工神经网络技术的发展愈发成熟，逐渐成为了人们分析和解决问题的重要工具，其智能特征因此得到了体现。

2、人工智能驱动的数据分析技术

（1）状态评估。为保证电力设备状态评价结果的全面性和准确性，电力设备评价体系包括了在线监测数据、带电检测数据、感知的外部环境数据和电力设备参数等多维度信息。基于上述多维度信息，选取电力设备不同部件或性能指标，建立层次分析模型，通过层次计算确定电力设备的综合评价等级。考虑到电力设备评价等级界限存在模糊性和不确定性，利用模糊理论、集对理论等不确定性方法处理判据边界绝对化问题。同时，为进一步简化指标体系，采用因子分析法、主成分分析法等挖掘不同部件或性能指标与单项状态量的耦合关系，进而采用D-S论证理论对不同部件、性能指标形成的证据体进行融合。然而，此类方法主要针对某电力设备的某个时间断面进行评价，且评级体系和计算过程过于繁琐。随着人工智能技术和机器学习的快速发展，神经网络、人工神经网络等机器学习算法，来挖掘输入状态量与电力设备运行状态的非线性映射关系，实现对不同电力设备、不同时间断面的快速分析和判断。该类方法可满足泛在电力物联网背景下高效处理海量数据和快速有效决策的需求。（2）趋势预测。趋势预测是从设备历史和当前状态量出发寻找规律，根据上述规律对设备未来状态进行预测。根据预测输出情况，可分为单状态量预测、多状态量预测以及综合状态指标预测。例如：以负载电流、环境温度、风速为输入量来预测电力设备顶层油温，为单状态量预测。发挥人工智能驱动数据分析技术在特征提取和关联分析上的独特优势，采用径向基函数神经网络、深度递归信念网络等智能方法，还可以挖掘发现该气体与其他气体、环境气象数据的横向关联关系，通过纵横向关联规则的深度提取，从而有效提高溶解气体的预测准确性。

3、电力设备状态智能分析的典型应用场景

3.1基于图像识别的电力设备智能巡检

基于深度学习的电力设备状态智能化识别的典型流程：首先对采集到的海量数据进行降噪、滤波、归一化等预处理，剔除异常数据和“脏”数据;然后分析待识别的设备形态特征，对数据样本进行标签化处理得到训练集;接着在公共数据集下对深度学习模型进行预训练，再使用标记好的训练集对模型进行微调和改进;最后将机器人、无人机等采集到的巡检测试图像传入微调后的模型，进而获得识别结果。在此过程中，图像采集、图像预处理方法均与传统方法无太大差异，故在此不做展开。电力设备状态智能识别的核心在于采用深度学习分析框架对目标的特征进行提取与挖掘，从而实现目标有的效检测。

3.2基于多模异构数据的电力设备故障智能诊断

利用深度堆栈自编码器从发电机励磁电流信号中提取故障特征，然后借助支持向量机对故障特征进行分类，从而完成对发电机故障的准确诊断。基于连续小波变换和卷积神经网络，构造了一种用于解决特征和分类器选择问题的方法，该方法可以准确地检测出故障馈线。

3.3基于深度学习的电力设备运行状态预测

当前，电力设备运行状态预测的模型主要分为统计分析模型和学习模型。将电网运行数据、变电站环境气象数据、设备在线监测数据作为输入特征，构建了基于栅格LSTM的电力设备状态参量预测方法，对复杂变量之间的关联关系进行深度挖掘，用该模型预测的稳定性和准确度均有所提升。

结束语

综上所述，通過数据驱动的人工智能技术可以模拟人类思维方式，快速处理电力设备状态的诸多问题。不仅对于电力负荷的预测分析，还可实现设备的故障预警诊断。随着未来人工智能技术的不断发展，以及物联网技术的发展，电力系统将实现智能化，智能电力将成为未来产业的发展趋势。

参考文献

[1]王龙晖.基于并行计算的调节阀大数据智能分析及建模方法研究[D].山东大学，2019.

[2]贺兴，艾芊，邱才明，张东霞.泛在电力物联网数据挖掘体系建设综述及数据驱动认知框架探究[J].电器与能效管理技术，2019（19）：1-14.

国网信通产业集团北京中电普华信息技术有限公司，北京海淀 100107