人工智能技術在電力設備運維檢修中的研究及應用

王旭

摘 要 電力電網運行過程中，設備是否出現故障，對于電力系統的運行安全以及穩定性具有極大的影響。此時，想要進一步提升電力設備運行質量，日常工作中做好系統運行狀態評估、制定完善的運維檢修計劃十分有必要。在此基礎上，為進一步提升電力設備運維檢修工作品質，本文將人工智能技術應用其中，并就具體的應用加以分析，旨在通過本次研究內容的展開，為電力設備運行質量提升提供有益參考。

關鍵詞 人工智能技術 電力設備 運維檢修

中圖分類號：TP18;TM7 文獻標識碼：A 文章編號：1007-0745（2022）04-0022-03

我國的電網輸電設備不僅在類型構成上比較多，同時在分布范圍以及結構參數方面也涉及到了多個技術層面，導致設備系統在長期運行下，不可避免地出現故障。隨著智能運維管理技術的研發和應用，其對于傳統的電力設備運維檢修工作效率及質量提升均發揮了一定成效，但目前仍舊存在應用盲區有待優化。鑒于此，針對人工智能技術在電力設備運維檢修中的研究及應用這一內容進行深入研究具有重要現實意義。

1 人工智能技術在電力設備運維檢修中的研究

人工智能技術是一類新型的技術科學，此學科主要是對人的智能理論、方法、技術以及應用系統進行模擬和延伸的一種開發和研究，屬于計算機科學中的一個分支結構，目的在于針對智能的實質加以了解，生產出一類可按照人類智能行為處理方式工作的智能型機器[1]。在研究領域的構成上，主要包括機器人、專家系統、自然語言以及圖像識別等[2]。

將人工智能技術運用于電力設備運維管理時，所有的電力設備運行及檢修資料管理方均以運行單位和檢修單位一式兩份分開管理[3]。應用此種管理方法，使得現有的運維一體化工作推進中，傳統非專業性的運行人員被專業技術人員所替換，現有的設備運維管理工作質量隨之優化。此外，電力設備使用壽命也會隨著人工智能技術的采納而延長，且對于所有參與運檢維修人員來講，人身安全得到了進一步的保障。

2 人工智能關鍵技術

2.1 傳統機器學習

隨著傳統機器學習理論的不斷完善，目前已經出現將多個弱學習器重組的新理論，稱為集成學習，該模型具備更好的泛化能力。集成思想一般包括：Bagging、Boosting和Stacking。其中Stacking方法主要是利用增加一層學習器來進行，輸入數據為訓練集弱學習器的學習結果，最終結果為重新訓練的學習器數據，其工作原理見圖1。

2.2 計算機視覺

隨著電力設備運維領域的信息化技術和智能化技術不斷完善，利用計算機視覺技術進行電力設備的監測與檢修的應用也越來越成為趨勢，該技術主要是利用監控影像對設備的缺陷進行檢測和目標識別。利用無人機、機器人等高級巡檢設備對視頻圖像進行采集，通過計算機視覺技術對電力相關設備的外觀缺陷進行精準識別，可以很好地提高維檢人員在高壓線路等高危機環境下作業的安全性，同時也能有效提高危險環境下進行巡檢的工作效率和檢查質量。但是由于該技術對于不同類型和外觀、姿態的設備識別有一定的局限，再加上樣本稀少導致數據不平衡、成像光照、遮擋等因素的影響，使得設備在進行檢測和缺陷識別時的精度和效率不能達到規定要求和標準。

2.3 自然語言處理

自然語言處理（NLP）是一種新型的高效信息提取技術，是利用智能技術對文本數據實施系統化理解和分析的一種技術。在進行電力設備運維檢修的工作過程中，會累積許多設備缺陷報告和故障報告，以及大量巡檢記錄和相關文檔等文字性的數據，這些數據包括了許多的故障信息、故障原因及檢修方案等關鍵要素，將這些要素中重要語義信息及相關聯系進行挖掘，對于電力設備的運維檢修的評價及指導有著很重要的作用。

2.4 多模態機器學習

在進行電力設備動檢修檢的過程中，會有大量的相關信息和種類繁多的數據，例如物理信號數據、圖像視頻文件、文本資料等多源異結構的數據，這些數據和信息的來源及形式都不相同，所以也被稱為一種模態。對這些不同類別結構的模態進行綜合數據分析時，就形成了多模態機器學習（MMML）。在電力設備運維檢修工作中，會涉及到不同設備、不同技術、不同資源及不同規程的數據要素，所以收集到的狀態變量和相關數據資源種類也較多，同時會有一部分其它信息收集到的較少。如果能將這些模態進行互補，從不同側面進行設備狀態的故障檢測和綜合分析，能夠很好地提升判斷的準確率。

3 人工智能技術在電力設備運維檢修中的應用

3.1 有效識別缺陷及故障

現階段，多數電力企業在進行輸變電設備的故障案例整理時，主要集中在設備基礎性信息和故障異常信息方面，同時將故障出現的原因、類型以及部位記錄在案，導致現有的運維檢修工作存在數據來源單一且樣本失衡的狀況[4]。此時，將人工智能技術應用于運維檢修時，應該充分做好以下工作：（1）針對現有的輸變電設備案例數據進行分析，并將設備的家族性缺陷、氣象數據等多源信息加以整合，隨后利用樣本合成或是生成對抗網絡等手段，針對數據進行增值處理，用以確保正負樣本的比例;（2）調查數據是否按照時序及標注要求做好相應記錄，利用人工智能技術完成分類、預算及聚類等智能計算工作，并將計算結果自動引入到運檢知識庫內，按照庫內既有規則智能完成檢修工作。

3.2 評估設備使用狀態

針對電力設備運維檢修工作進行管理時，將人工智能技術顯著應用于其中，不僅能夠提升電網供電的可靠性，同時也能節省檢修工作開展之時的人力、物理資源。此過程中，為了避免以往過多依賴于專家經驗所展開的檢修評價工作結果，人工智能技術應用后可以更加全面地將電力變壓器的真實狀況反饋出來，比較常見的設備使用健康狀態評估技術是：借助數學模型客觀化完成狀態評價權重計算工作，需就不同的狀態量指標以及變壓器狀態關聯性進行分析，并確認關鍵性、相對重要評價權重，提升電力設備的使用狀態評估精準性。[5]

3.3 建立人工智能化運維檢修信息知識庫

當前時期下，我國電力企業已經初步面向全國范圍內的輸變電設備進行了站內及桿塔等區域的傳感器裝置安裝工作，并為此配置對應的工作人員完成定期檢修工作，做好檢修記錄整理。此時，為了能夠進一步分析和處理更多電力設備運維故障問題，技術人員需要做好多模態數據故障案例整理工作，借助其中的行業知識以及專家經驗，為運維檢修信息知識庫構建提供支撐資料。期間，需先行依照不同電力設備制定對應的故障檢修標準模板，隨后分析整理出現故障或是缺陷的試驗數據，總結出結構化的案例庫，為后續檢修工作智能推進提供學習模型。其次，需對自然語言處理技術進行非結構化運維檢修信息處理。

3.4 智能推薦檢修策略

我國電網發展速度日漸提升，電網規模也在隨之擴大，使得電網復雜性不斷加大，相對應的檢修計劃以及檢修工作安排也趨于復雜化。對此，電力設備運行企業在進行檢修計劃設定時，就可以充分將人工智能技術應用于其中，借此開發出更加智能化、自動化的輔助檢修系統及軟件。居于檢修決策優化視角分析能夠發現，其屬于一類多約束、多目標的優化工作內容，而想要提升優化目標的經濟性和實用性，就需將啟發式智能算法或是數學規劃方法融入于優化過程中，借此構建完善的電力設備運維檢修知識圖譜（如圖2所示）。

在上述基礎上，未來想要進一步借助人工智能技術加強對于電力設備運維知識系統的構建，不僅需做好機器人學習模型以及領域專家經驗兩者之間的自動化構建技術優化及更新工作，同時還需針對電力設備的歷史運維數據進行文本轉化，形成系統性的知識處理系統，實現對于設備數據正確性的精準篩選和驗證，最終實現自動更新和高層次的智能運維檢修策略推薦管理目標。

4 結語

綜上所述，在電力設備運維檢修工作開展過程中，想要進一步提升檢修工作效率，充分將人工智能技術應用其中十分有必要。技術應用過程中，能夠進一步強化缺陷及故障的識別效率，同時在設備運行狀況評估方面也更為突出，使得智能化運維檢修信息知識庫構建速度和故障診斷正確性顯著提升，最終為電力設備平穩運行的經濟效益和社會效益提升奠定堅實的基礎。

參考文獻：

[1] 唐文虎，牛哲文，趙柏寧，等.數據驅動的人工智能技術在電力設備狀態分析中的研究與應用[J].高電壓技術，2020（09）： 2985-2999.

[2] 盧文剛.電力工程變壓器故障診斷中人工智能技術的應用研究[J].電子樂園，2019（13）：158.

[3] 王哲，劉梓健，邱宇.人工智能技術在電力系統故障診斷中的應用研究[J].電子設計工程，2020，28（02）：148-151.

[4] 劉凱文.人工智能技術在電力系統中的應用與分析[J].通信電源技術，2020，197（05）：183-184.

[5] 張路.人工智能在變電站運維管理中的應用綜述[J].數字化用戶，2019，25（36）：144.