人工智能在電力工程自動化中的應用研究

吳 峰，劉 婧，沈 帆，何昌林

（1.南瑞集團有限公司，南京 210000；2.武漢南瑞電力工程技術裝備有限公司，武漢 430070；3.武漢南瑞有限責任公司，武漢 430070）

引言

隨著信息技術的進一步成熟，人工智能技術展開了多種行業類型的應用，在我國生產和制造工業中利用人工智能技術，取得了更高生產效果和管理效果。人工智能作為現代社會的前沿頂尖科技產物，能夠將智能化和自動化相結合，在生產中直接對機器進行控制，減少人力、物力、財力的投入，通過人工智能的多方位運用，在近些年工業生產中的經濟效益得到了巨大改善[1]。

人工智能技術能夠和人類擁有同等的智商和思維模式，在智能理念的作用下其操作速度和精準度均有所提高。以人工智能為技術手段改善電力行業的發展狀態，加強對電力企業的電力控制，充分提高電力企業中相關設備的工作效率，保證不同狀態下電力輸送的安全性和可靠性。在人工智能技術的優勢下能夠對電力的自動化發展產生重要影響，對促進電力工程建設的自動化進程起到正向引導作用，通過控制電力發電和配電以及變電方式，在不同電壓狀態下進行用戶的用電統計，確保及時且準確地收集電力系統電力數據信息，解決電力工程數據實際的發展需求[2]。

在研究人工智能技術的優勢下，設計一個新的電力工程自動化控制方法，將人工智能合理運用在電力工程自動化中，降低多種多樣的電力事故發生的概率，為電力工程良序發展提供理論支持。

1 人工智能在電力工程自動化中的應用方法

1.1 構建數據預處理動態模型

人工智能技術的優勢是可以最大限度地模擬人類思維模式，并在相應的程序內進行工程建設和管理，以此構建電力數據動態處理模型，完成電力信息數據的采集和持續管理。

在設計模型時，模擬常態工作模式需要核實電力工程各個階段的管理人員。智能分配各個流程內需要的管理人員任務，其過程主要有：一是在受理流程階段需要管理人員發布指令，對電力進行勘察和批示的劃定，通過不同程序內的工作環節擬定初次答復，提出審核的處理方法。二是選定各個階段的受理人員，在智能控制中需要對不同職位的人員進行行為模擬，如勘察員主要負責電力工程的進度考察，主任和班長主要在現場進行工期測定[3]。

在管理環節需要答疑時，及時通過層層動態傳遞轉換職能訴求，進行數據的分析和處理。通過管理的狀態和任務分配，對不同電力工程管理的流程功能進行分類。將模型分為多個管理模塊進行信息數據的獲取，在待處理任務管理模塊中會顯示電力管理對應角色。按照電力工程中主要涉及到的功能將模型分為模塊，分別為流程管理、業務流程、基本業務和系統管理，進行待處理任務的管理和己結束流程的查看以及流程追蹤和活動節點查看。活動節點查看是根據未結束流程，分配活動節點的任務，將工作時間作為查詢的條件完成流程查詢，主要可以對擱置的任務節點進行催辦和處理。

1.2 基于小波神經網絡布控智能節點

根據動態數據的預處理模型，在電力工程中設定進入申請的任務容量，根據各個環節的順序設定布置智能控制節點，以此完成自動化管理程序的工作鋪設。為了提高模型整體的預測精度，采用小波神經網絡中布谷鳥算法，優化信息數據的權值與系數。在迭代計算過程中新的更優解會代替較差解直到達到期望預測精度。將處理后的數據分為A訓練集與D測試集，訓練集內包括劃分的輸入與輸出集，同時對其進行標準化，此部分主要是對小波神經網絡的參數進行選擇，被劃分的集合分為輸入和輸出兩部分，計算每個集合預測的能力，表達式如下：

式（1）中：集合中包含隱藏節點用e來表示數量；模型處理的連接影響力度用w表示；布谷鳥蛋的大小由連接權重r決定，即優化參數的維數決定。這些初始參數可以隨機分布，驗證算法的參數設置在±0.25的取值范圍，以此作為小波神經網絡訓練構造的最終連接系數權值，為實現期望值達到最大迭代次數，采用權值函數進行數據的極值測算，表達式如下：

式（2）中，訓練集的樣本總量用a表示；訓練集的上限用as表示；訓練集的下限用amins表示；每次數據的擬合結果用d和ds表示。當達到最大迭代次數時優化停止，在多種誤差評估指標下對模型系統的預測精度進行評估，預測變量提供的極值和無用數據。將原始的序列有限分解為一組，在兩個頻率極值出現之前認定是由最小值引起，直接去除處理后的數據再一次分為訓練與測試集，按照同一順序進行標準化測定。根據選擇的極值范圍布置網絡智能監測節點，在同一回歸象限內計算差值，完成電氣工程的自動化控制。

1.3 回歸差值自動化控制電氣工程

通過對電氣工程不同節點的智能設置，在動態數據獲取模型的基礎上選擇統一回歸原則，計算超前反饋的信息數據差值，使其在事故發生前完成內部數據的整理和控制。在每個層級內均含有數據轉換因子用z表示，回歸處理原則對初次獲取的數據進行單向的線性加權，分別形成不同層級內的數據組成形式，以此承接層電氣工程數據的上下文結構，表達式為：

式（3）中：輸入的節點向量用z(x)表示；數據輸入和輸出層的連接權值用v1表示；輸入到反饋層的連接權值用v2表示；反饋層到承接層的連接權值用v3表示。設定小波神經網絡的基本結構，在工程管理模塊內對具有反映的流程進行任務分配，使其在工作狀態具有動態映射特征，從而將內部神經元完成時變特性的輸入和隱含數據的連接轉換。在不同層級中包含一個非線性轉換函數，能夠綁定輸入的數據與輸出數據，保證輸入智能神經元在區間響應之內。至此在構建電氣工程的數據動態模型基礎上，利用小波網絡建立智能監測節點，計算數據的回歸差值自動化控制電氣工程，完成人工智能在電力工程自動化的應用方法設計。

2 試驗結果分析

為驗證本方法在電氣工程管理中的實際應用效果，采用測試的方式進行電氣設備的智能操控，通過不同狀態下的設備運行標準，合理分配設備產生的數據，將其控制在合理的電壓之內保證電力的良序運行。以某公司生產的ZS-23電壓設備控制配電裝置，主要對電力線路的運行狀態進行電流的常規監控，在搭建MATLAB測試平臺下，選取一天24 h內該設備的運行電流，主要額定電壓為48 kV，具體電路中的電流數值如表1所示。

表1 運行狀態下電力設備24 h電流數值（單位：kA）

根據表1中所示，在正常運行標準下，全天產生最高電流的時段分為在10:00到12:00，以及14:00到16:00和19:00到21:00時間段。按照本研究方法的應用流程，選擇兩組傳統應用方法作為對照，對電力設備的電流狀態進行實時監測，具體效果如圖1所示。

圖1 不同方法下電力設備電流監測效果

從圖1中可見，本方法監測到的電流數據值與實際數值基本保持一致，能夠在電流值超過額定范圍時發出預警信號。而兩組傳統方法的電流監測數值在高峰時間有少許出入，一旦發生峰值事故容易出現停電事故。綜合來看：本方法將人工智能應用在電流監測中，能夠實時記錄電力運行的狀態，具有實際應用效果。

為進一步驗證本方法能夠提高電力工程業務的流轉效率，設置截取電流在達到36 kA狀態時電力設備會自動斷開，將其作為運行電路的保護裝置。測試電流高峰時段內的自動化控制效果，是否能夠將電流數值控制在標準范圍內，具體測試結果如表2所示。

表2 峰值時段電力設備電流數值監測情況（單位：kA）

從表2中可知，在本方法的應用下高峰時段的電流能夠控制在標準范圍之內，且距離標準值具有較大差距，能夠保證電力線路的穩定運行，增加電力工程業務的流轉效率。兩組傳統應用方法下的高峰電流基本在標準線之外，雖然能夠降低峰值時段的電流數據，但在超高電流作用下，仍可能會出現電力事故，影響電力工程業務的自動化流轉。綜合測試結果來看：本方法能夠將高峰時段的電流控制在標準范圍內，通過人工智能的檢測手段，能提高電力工程自動化的業務流轉，保證電力系統的穩定運行。

3 結束語

通過小波網絡優勢，將人工智能的技術應用到電力工程自動化中，提高了電力系統業務流轉效率。本方法下高峰時段的電流可以控制在標準范圍內，減少停電事故的發生，保證電力系統的穩定運行。但由于沒有對不同設備進行多方測量，所得結果具有一定偏差性。后續研究中會進一步研究不同電氣設備的自動化程度，為電力系統的穩定運行提供更科學方法。