數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)在電力設(shè)備狀態(tài)分析中的研究與應(yīng)用

玄鑫 郭云飛 董宏興 楊勇

摘要：當(dāng)前囯家電網(wǎng)有限公司正落實(shí)國家創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略，全面實(shí)施“新跨越行動(dòng)計(jì)劃”，為建設(shè)具有中國特色國際領(lǐng)先的能源互聯(lián)網(wǎng)企業(yè)提供堅(jiān)強(qiáng)科技支撐。電力設(shè)備是組成電力系統(tǒng)的基本元素，并在很大程度上決定了電力系統(tǒng)的可靠、穩(wěn)定運(yùn)行。然而，由于設(shè)備所處的復(fù)雜環(huán)境以及在投入運(yùn)行前存在的潛在缺陷，在日常操作過程中經(jīng)常會(huì)出現(xiàn)意想不到的故障，從而導(dǎo)致停電和其他社會(huì)影響。為了避免這種情況的出現(xiàn)，必須對電力設(shè)備進(jìn)行狀態(tài)監(jiān)測，以快速、準(zhǔn)確地檢測其異常運(yùn)行狀態(tài)，以提高現(xiàn)代電力系統(tǒng)的運(yùn)行可靠性。鑒于此，文章結(jié)合筆者多年工作經(jīng)驗(yàn)，對數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)在電力設(shè)備狀態(tài)分析中的研究與應(yīng)用提出了一些建議，僅供參考。

關(guān)鍵詞：數(shù)據(jù)驅(qū)動(dòng);人工智能技術(shù);電力設(shè)備狀態(tài)分析;應(yīng)用

引言

當(dāng)前以數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)為核心的電力設(shè)備運(yùn)維狀態(tài)分析還處于起步和探索階段，在電力大數(shù)據(jù)背景下，人工智能技術(shù)可以有效提高電力設(shè)備狀態(tài)分析的準(zhǔn)確性，在電力設(shè)備智能巡檢、故障診斷、狀態(tài)預(yù)測等應(yīng)用場景下均展現(xiàn)了良好的應(yīng)用效果。

1、人工智能技術(shù)的概念

人工智能技術(shù)出現(xiàn)后在社會(huì)方方面面得到廣泛應(yīng)用，對社會(huì)各行各業(yè)都發(fā)揮了深刻的作用，極大地便利了人們的生產(chǎn)生活，為社會(huì)進(jìn)一步發(fā)展奠定了堅(jiān)實(shí)的基礎(chǔ)。與其他技術(shù)相比，人工智能技術(shù)在交叉特性上表現(xiàn)十分突出，涉及到諸多學(xué)科內(nèi)容，其發(fā)展是建立在扎實(shí)的理論與實(shí)踐基礎(chǔ)之上的。不斷深入摸索探究人工智能技術(shù)的本質(zhì)可以發(fā)現(xiàn)，人工智能的核心理念實(shí)質(zhì)上是采用機(jī)器人對人類的思維進(jìn)行模擬，從而完成各種復(fù)雜工作任務(wù)的過程。在電氣自動(dòng)化控制過程中應(yīng)用人工智能技術(shù)，對提升工業(yè)生產(chǎn)效率效果顯著，有效保障了企業(yè)經(jīng)濟(jì)效益的最大化的可能。

1.1專家系統(tǒng)

專家系統(tǒng)是一個(gè)具有大量的專門知識與經(jīng)驗(yàn)的程序系統(tǒng)，它應(yīng)用人工智能技術(shù)和計(jì)算機(jī)技術(shù)，根據(jù)某領(lǐng)域一個(gè)或多個(gè)專家提供的知識和經(jīng)驗(yàn)進(jìn)行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復(fù)雜問題。簡而言之，專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問題的計(jì)算機(jī)程序系統(tǒng)。

1.2人工神經(jīng)網(wǎng)絡(luò)

在人工智能領(lǐng)域神經(jīng)網(wǎng)絡(luò)的地位不言而喻，所謂的神經(jīng)網(wǎng)絡(luò)是指研究人員應(yīng)用人工神經(jīng)元、電子元件和處理元件等裝置，對人類大腦組織結(jié)構(gòu)和思維方式進(jìn)行模擬，以此來賦予計(jì)算機(jī)程序自我學(xué)習(xí)能力的技術(shù)。目前，這項(xiàng)技術(shù)已經(jīng)成為人工智能領(lǐng)域的重點(diǎn)研究方向，在存儲、處理和分析數(shù)據(jù)時(shí)，起到了關(guān)鍵性的作用。在人工神經(jīng)網(wǎng)絡(luò)中，信息的傳遞和處理需要將神經(jīng)元之間的相互作用為條件，其存儲則依靠各元件的分布聯(lián)系，其自我學(xué)習(xí)能力的實(shí)現(xiàn)，主要通過神經(jīng)元連接權(quán)重的動(dòng)態(tài)調(diào)整。與傳統(tǒng)數(shù)據(jù)處理方式對比而言，在分析和處理模糊數(shù)據(jù)時(shí)，應(yīng)用這項(xiàng)人工智能技術(shù)，可以取得良好的效果。在人工智能技術(shù)不斷成熟和發(fā)展的背景下，人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展愈發(fā)成熟，逐漸成為了人們分析和解決問題的重要工具，其智能特征因此得到了體現(xiàn)。

2、人工智能驅(qū)動(dòng)的數(shù)據(jù)分析技術(shù)

（1）狀態(tài)評估。為保證電力設(shè)備狀態(tài)評價(jià)結(jié)果的全面性和準(zhǔn)確性，電力設(shè)備評價(jià)體系包括了在線監(jiān)測數(shù)據(jù)、帶電檢測數(shù)據(jù)、感知的外部環(huán)境數(shù)據(jù)和電力設(shè)備參數(shù)等多維度信息。基于上述多維度信息，選取電力設(shè)備不同部件或性能指標(biāo)，建立層次分析模型，通過層次計(jì)算確定電力設(shè)備的綜合評價(jià)等級。考慮到電力設(shè)備評價(jià)等級界限存在模糊性和不確定性，利用模糊理論、集對理論等不確定性方法處理判據(jù)邊界絕對化問題。同時(shí)，為進(jìn)一步簡化指標(biāo)體系，采用因子分析法、主成分分析法等挖掘不同部件或性能指標(biāo)與單項(xiàng)狀態(tài)量的耦合關(guān)系，進(jìn)而采用D-S論證理論對不同部件、性能指標(biāo)形成的證據(jù)體進(jìn)行融合。然而，此類方法主要針對某電力設(shè)備的某個(gè)時(shí)間斷面進(jìn)行評價(jià)，且評級體系和計(jì)算過程過于繁瑣。隨著人工智能技術(shù)和機(jī)器學(xué)習(xí)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法，來挖掘輸入狀態(tài)量與電力設(shè)備運(yùn)行狀態(tài)的非線性映射關(guān)系，實(shí)現(xiàn)對不同電力設(shè)備、不同時(shí)間斷面的快速分析和判斷。該類方法可滿足泛在電力物聯(lián)網(wǎng)背景下高效處理海量數(shù)據(jù)和快速有效決策的需求。（2）趨勢預(yù)測。趨勢預(yù)測是從設(shè)備歷史和當(dāng)前狀態(tài)量出發(fā)尋找規(guī)律，根據(jù)上述規(guī)律對設(shè)備未來狀態(tài)進(jìn)行預(yù)測。根據(jù)預(yù)測輸出情況，可分為單狀態(tài)量預(yù)測、多狀態(tài)量預(yù)測以及綜合狀態(tài)指標(biāo)預(yù)測。例如：以負(fù)載電流、環(huán)境溫度、風(fēng)速為輸入量來預(yù)測電力設(shè)備頂層油溫，為單狀態(tài)量預(yù)測。發(fā)揮人工智能驅(qū)動(dòng)數(shù)據(jù)分析技術(shù)在特征提取和關(guān)聯(lián)分析上的獨(dú)特優(yōu)勢，采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、深度遞歸信念網(wǎng)絡(luò)等智能方法，還可以挖掘發(fā)現(xiàn)該氣體與其他氣體、環(huán)境氣象數(shù)據(jù)的橫向關(guān)聯(lián)關(guān)系，通過縱橫向關(guān)聯(lián)規(guī)則的深度提取，從而有效提高溶解氣體的預(yù)測準(zhǔn)確性。

3、電力設(shè)備狀態(tài)智能分析的典型應(yīng)用場景

3.1基于圖像識別的電力設(shè)備智能巡檢

基于深度學(xué)習(xí)的電力設(shè)備狀態(tài)智能化識別的典型流程：首先對采集到的海量數(shù)據(jù)進(jìn)行降噪、濾波、歸一化等預(yù)處理，剔除異常數(shù)據(jù)和“臟”數(shù)據(jù);然后分析待識別的設(shè)備形態(tài)特征，對數(shù)據(jù)樣本進(jìn)行標(biāo)簽化處理得到訓(xùn)練集;接著在公共數(shù)據(jù)集下對深度學(xué)習(xí)模型進(jìn)行預(yù)訓(xùn)練，再使用標(biāo)記好的訓(xùn)練集對模型進(jìn)行微調(diào)和改進(jìn);最后將機(jī)器人、無人機(jī)等采集到的巡檢測試圖像傳入微調(diào)后的模型，進(jìn)而獲得識別結(jié)果。在此過程中，圖像采集、圖像預(yù)處理方法均與傳統(tǒng)方法無太大差異，故在此不做展開。電力設(shè)備狀態(tài)智能識別的核心在于采用深度學(xué)習(xí)分析框架對目標(biāo)的特征進(jìn)行提取與挖掘，從而實(shí)現(xiàn)目標(biāo)有的效檢測。

3.2基于多模異構(gòu)數(shù)據(jù)的電力設(shè)備故障智能診斷

利用深度堆棧自編碼器從發(fā)電機(jī)勵(lì)磁電流信號中提取故障特征，然后借助支持向量機(jī)對故障特征進(jìn)行分類，從而完成對發(fā)電機(jī)故障的準(zhǔn)確診斷。基于連續(xù)小波變換和卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)造了一種用于解決特征和分類器選擇問題的方法，該方法可以準(zhǔn)確地檢測出故障饋線。

3.3基于深度學(xué)習(xí)的電力設(shè)備運(yùn)行狀態(tài)預(yù)測

當(dāng)前，電力設(shè)備運(yùn)行狀態(tài)預(yù)測的模型主要分為統(tǒng)計(jì)分析模型和學(xué)習(xí)模型。將電網(wǎng)運(yùn)行數(shù)據(jù)、變電站環(huán)境氣象數(shù)據(jù)、設(shè)備在線監(jiān)測數(shù)據(jù)作為輸入特征，構(gòu)建了基于柵格LSTM的電力設(shè)備狀態(tài)參量預(yù)測方法，對復(fù)雜變量之間的關(guān)聯(lián)關(guān)系進(jìn)行深度挖掘，用該模型預(yù)測的穩(wěn)定性和準(zhǔn)確度均有所提升。

結(jié)束語

綜上所述，通過數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)可以模擬人類思維方式，快速處理電力設(shè)備狀態(tài)的諸多問題。不僅對于電力負(fù)荷的預(yù)測分析，還可實(shí)現(xiàn)設(shè)備的故障預(yù)警診斷。隨著未來人工智能技術(shù)的不斷發(fā)展，以及物聯(lián)網(wǎng)技術(shù)的發(fā)展，電力系統(tǒng)將實(shí)現(xiàn)智能化，智能電力將成為未來產(chǎn)業(yè)的發(fā)展趨勢。

參考文獻(xiàn)

[1]王龍暉.基于并行計(jì)算的調(diào)節(jié)閥大數(shù)據(jù)智能分析及建模方法研究[D].山東大學(xué)，2019.

[2]賀興，艾芊，邱才明，張東霞.泛在電力物聯(lián)網(wǎng)數(shù)據(jù)挖掘體系建設(shè)綜述及數(shù)據(jù)驅(qū)動(dòng)認(rèn)知框架探究[J].電器與能效管理技術(shù)，2019（19）：1-14.

國網(wǎng)信通產(chǎn)業(yè)集團(tuán)北京中電普華信息技術(shù)有限公司，北京海淀?100107