张 灵

（国网邯郸供电公司， 河北 邯郸 056002）

1 人工智能

人工智能技术是基于计算机程序实现的，主要用于开发和研究、实现拓展、延伸和模拟等的智能技术。在我国现代社会的高速发展中，人工智能技术正在逐步完善，具有广泛的应用范围。人工智能在我国经历了60 多年的发展历程，形成了多种技术和方法。在早期发展中形成了专家系统，后续又形成了机器系统。深度学习是人工智能技术最为重要的应用方式，可以对生物特性、视觉和语言进行综合分析，得到了广泛的应用。随着在线检测系统和视频监控系统的不断发展，并应用于变电站运维管理，更是充分发挥了人工智能的作用，提升了管理效率。

2 遥测系统在变电站运维管理中的应用

2.1 变压器/电抗器

在以往进行变压器诊断时，普遍选择阈值判断、比值编码和横纵向比较等方法，但是设备故障具有现场干扰故障、类型繁多、故障机理复杂等特点，使其诊断方法缺乏准确率。遥测系统在监测变压器时，具有极其丰富的参量。因此，结合机器学习专家系统等人工智能，可以对变压器进行更为高效的故障诊断，而监测参量可以为其故障诊断提供更大的数据基础。人工智能诊断具体是指分析变压器状态和监测参量的映射关系，通过该种方法，可以对变压器状态进行科学判别。

通过全面整合实际经验法、统计学习方法和传统三比值法中判别故障的各项规则，科学建立专家系统。相关单位在开展具体工作时，可以利用专家系统建立映射关系，虽然具有极强的解释性，但是对知识库具有较高的依赖性，容差能力相对较差，具有较高的维修难度。变压器结构复杂，发生系统故障的因素相对较多，利用油色谱等状态参量进行判断，具有片面性。因此，相关单位需要结合专家系统处理变压器的各项信息，使故障诊断结果具有更高的准确度。

相对于专家系统而言，机器学习算法可以从样本中进行有效学习，对数据和故障之间的映射关系进行有效拟合，具有较高的鲁棒性和容错性。在现阶段具体应用的算法中，训练时长、参数选取和样本数量之间具有较高的差异性。支持向量机通常擅长于高维数和小样板场景，在出现深度学习之前，支持向量机具有较为普遍的应用，但是在以往进行设备故障诊断时，机器学习算法需要由人工设计特征量。在故障诊断中应用机器学习算法时，特征选择和数据预处理是可选步骤，而提取特征具有一定的关键性价值，和业务知识具有密切的联系。在进行故障诊断时，无法直接将振动信号和局部放电信号作为诊断模型，需要进行有效的特征提取。局部放电信号包括混沌特征、脉冲序列分布、相位分布和脉冲波形等特征模式。可以对局部放电信号进行具体特征参数的科学构造，例如分形参数、统计特征参数，提取过程非常复杂。对于振动信号，研究人员需要结合具体情况进行特征量的科学设计，特征缺乏通用性。当特征维数高时，还需要利用降维、聚类等方法选择具体特征，使其后续模型训练所具有的复杂度得到有效降低，进一步提升诊断性能。

应用传统方法进行故障诊断，提取过程复杂，对专业知识的依赖性较强，而特征也具有一定的全面性，无法对其状态信息进行全面表述。通过科学应用深度学习方法，能够从高维、海量的数据中进行特征信息的自动学习，有效避免特征手动设计的主观性和复杂性，有效简化故障诊断流程，使其诊断模型具有较高的通用性，可以在相似场景中进行迁移应用[1]。在对变压器进行故障诊断时，深度学习方法已经得到了一定的应用，主要用于从振动信号，局部放电信号和油中溶解气体中学习特征，在具体实现深度学习时，具有不同的网络输入和网络模型。利用人工智能技术，在对电力设备进行故障诊断的同时，还可以进行有效的状态检测，深度学习人工神经网络、支持向量机等机器学习的拟合能力相对较强，通过学习丰富的历史时序样本，能够科学预测变压器中振动基频幅值、油温以及溶解气体等状态参量的发展趋势。

2.2 电容型设备

在对电容型设备进行在线监测时，通常需要关注介质损耗因数和电容等可以对其绝缘性能进行有效反应的各项参数。介质损耗容易受到外界环境因素的影响，相关单位需要有效提升计算精度。在我国现阶段，普遍选择数值分析方法，人工智能方法的应用相对较少。可以利用最小二乘支持向量机针对介质损耗因素建立修正模型，同时利用遗传算法进行波形参数的合理优化，有效排除环境因素对其造成的影响。与此同时，可以利用深度学习辨识电容器介损角，通过多次训练形成的多层神经网络，可以有效辩识介损角变化量并合理修正。相关单位可以有效组合支持向量机和BP 神经网络，提升其辨识准确率。

2.3 断路器/GIS

断路器/GIS 和变压器具有相似的局部放电特性，可以对其内部绝缘缺陷进行有效反应，应用的模式识别方法和特征提取方法具有一定的相通性，能够实现有效迁移。相关单位通过深度学习方法，能够有效提取和识别GIS 的电信号。网络模型和深度网络模型具有不同的输入数据形式，和传统人工特征相比较，具有更高的准确率和更强的鲁棒性，但是普遍缺乏可解释性。在变电站现场，利用放电模型进行信号训练仿真实验，可以对GIS 放电进行更为有效的识别，具有更高的可信度和准确性。在应用高压断路器时，开合过程会产生剧烈振动，通过分析振动信号能够及时发现断路器所产生的机械故障，利用振动信号对断路器进行故障诊断，具体包括提取振动信号特征和基于特征量进行故障分类。构造特征量具有更高的价值，在进行具体工作，首先需要分解信号，然后基于熵理论为分解结果进行特征构造，此时，分类模型缺乏统一性[2]。在现阶段对断路器进行机械故障诊断时，深度学习的应用相对较少。对于诊断对象，单一的诊断方法、特征和来源信号具有较高的局限性，科学应用融合诊断，可以使其诊断结果具有更高的可信度和准确率。根据不同融合层次，可以将信息融合分为决策融合、特征融合和数据融合。通过统一提取振动器动作时的振动信号与声音，基于证据理论实现融合决策。相关人员还可以针对多路振动信号降维筛选特征值。利用BP 神经网络进行故障判断，实现特征融合。

3 遥视系统在变电站运维管理中的应用

3.1 设备方面

利用遥视系统进行设备监控时，主要用于监控设备漏油、元件缺失、破损等异常情况及表计状态、信号灯状态和开关状态等状态信息。利用红外成像技术，能够对温度异常进行检测。在我国现阶段，红外技术已经实现了较为成熟的应用，相关人员可以利用红外图像对设备发热故障进行有效诊断。先找出工作区域，然后在区域内提取特征，并对设备状态进行科学分类，根据图像分析是否存在设备故障及其严重程度[3]。其中，找工作区并提取特征需要合理应用图像分割技术，故障分类则需要利用机器学习技术。相关人员在开展具体工作时，可以通过分水岭分割算法分析避雷器的工作区域，然后利用模糊神经网络构造集成学习模式，将其热状态划分为可疑、轻微、正常和故障四种类型。可以利用K-means 算法进行红外图像的聚类，并对各区域的面积信息和温度信息进行有效提取，为支持向量机提供输入特征，分为紧急故障、严重故障、一般故障和正常四种状态。科学引入混沌序列，对支持向量机的各项参数进行合理优化，使其准确率达到97.8%以上。

在对变电设备进行外观检测时，主要在于识别元件和设备本体，而在漏油、部件缺失和破损情况的识别方面，还需要进行深入研究。但是在识别输电线路的线路断股、绝缘子破损和鸟巢方面，具有丰富的研究成果，可以将其用于识别设备外观情况，但是缺乏有效样本[4]。对于设备状态信息，在识别标记状态、信号灯状态、刀闸状态和开关状态时，对图像处理法具有较强的依赖性，可以结合应用简单模板匹配和图像处理，同时还可以组合应用机器学习识别和提取图像处理特征。在对深度学习方法进行具体应用时，也应有效结合图像处理技术。在利用卷积神经网络识别刀闸状态和指针式表计状态时，前者用于刀闸和绝缘子位置的识别，而后者用于仪表位置的识别，但是其本质都是识别元件本体和设备，基于图像处理结果显示刀闸开闭状态和指针读数。信号灯、刀闸和开关的所属状态、外观和形状具有较高的繁杂性，只有基于限定范围才可以得出少量类型，其模型只能用于限定范围，缺乏具有较强鲁棒性的方法。指针式表计可以实现连续读数，但无法识别问题并进行科学转化，使其形成机器学习问题。现阶段，普遍选择图像处理技术，为有效避免误差，对拍摄图像的距离和角度有较高要求。

3.2 环境方面

通常情况下，由于变电站环境特殊，出现火灾事故的概率相对较高，消防安全对变电站的电网安全和设备安全具有直接的影响，科学应用遥视系统，可以确保监控系统具有较高的安全性，能够实时监测小动物入侵、烟雾以及明火等情况。在进行火灾预警时，与明火识别相比，烟雾识别具有更高的应用价值[5]。在进行烟雾识别时，主要是描述和提取烟雾特征，具体包括运动特征、纹理特征、形状特征和颜色特征，相关人员可以通过图像处理技术提取各项特征。而在具体进行烟雾判别时，人工智能技术的研究相对较少。基于深度学习的烟雾识别，可以实现自动学习，应用该种方法，可以简化特征构造过程，但是，需要大量样本支持。在现代工业建设中，智能识别烟雾和明火是其视频监测系统必须具备的通用性功能，而基于手动设计特征实现的识别方式具有较高的针对性，如果将其直接用于变电站中，则无法保证其应用性能。

3.3 人员方面

在我国现代变电站日常运行时，运维管理工作通常是采取人工核查的方式对现场工作人员进行管理。视频监控也需要人工进行判断，无法及时发现施工现场的违章行为和安全隐患。因此，在对变电站进行视频监控时，基于机器视觉实现的识别技术具有较高的应用需求，受到相关部门的广泛关注。在进行人员监控时，主要涉及异常行为识别、目标跟踪检测、身份识别验证和安全着装检验等多个方面。现阶段，对识别安全帽佩戴情况具有较高的准确率，以深度学习为基础实现的目标检测模型具有较高的适用性，将其用于变电站场景，所需的成本相对较低。在进行安全着装检测时，对高空作业正确使用安全带、工作时穿着背心、短裤、裙子、高跟鞋、拖鞋以及未将长头发盘入安全帽的违规情况，具有和安全报警识别相似的识别思路，缺乏丰富的有效样本进行目标检测模型，相关工作人员可以针对具体需求进行相应着装样本的科学构造，用于模型研究[6]。与此同时，以人脸识别为基础的身份识别验证具有较为成熟的应用和较高的识别率，所产生的迁移成本也相对较低，但是变电站的应用场景具有较高的复杂性，很难有效获取人脸。因此，可以利用体态、步态、姿态等新型特征进行身份识别。即使是对于以深度学习为基础的自动学习方法，也需要利用大量有效样本进行充分训练和科学验证，在对变电站进行异常行为识别时，可以利用人工模拟的方式科学构造异常行为样本。

4 结语

在对变电站进行运维管理时，遥测系统和遥视系统是人工智能技术应用的主要方向，相关单位通过有效结合人工智能技术和电力技术，利用智能设备有效指挥系统运行，使电力系统具有更高的安全性。通过科学应用智能化设备，可以使技术部门及时发现系统存在的问题，并得到有效解决，大大降低电网风险，有效保障了电网系统的有序运行。