人工智能算法在無人值守變電站中的應(yīng)用

鄭天齊　鄔軍軍　趙德基　高玉寶

摘要：隨著人們對(duì)電力需求的不斷增加、變電設(shè)備不斷增多，對(duì)變電運(yùn)檢技術(shù)提出了更高的要求，不僅要保證對(duì)運(yùn)檢數(shù)據(jù)處理的準(zhǔn)確性，還要盡可能提高數(shù)據(jù)處理的效率。本文提出建設(shè)基于人工智能的變電站智能運(yùn)檢管控系統(tǒng)，增強(qiáng)變電站對(duì)運(yùn)行數(shù)據(jù)的分析、處理能力，實(shí)現(xiàn)數(shù)據(jù)的采集、識(shí)別、處理，達(dá)到“自動(dòng)采集、自動(dòng)識(shí)別、智能預(yù)警、智能決策”的高效運(yùn)檢的目標(biāo)。

關(guān)鍵詞：變電運(yùn)檢;人工智能;智能預(yù)警;智能決策

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）08-0116-05

0 引言

當(dāng)今社會(huì)，電力在人們的生產(chǎn)生活中有著不可或缺的作用，變電運(yùn)行是電網(wǎng)運(yùn)行管理、倒閘操作和事故處理的執(zhí)行機(jī)構(gòu)，是保障電網(wǎng)安全運(yùn)行不可或缺的一環(huán)。將人工智能技術(shù)引入變電運(yùn)行勢在必行，當(dāng)前電力調(diào)度系統(tǒng)的信息和數(shù)據(jù)量在不斷增長，對(duì)信息和數(shù)據(jù)的處理速度的要求也在不斷增加，如何快速、準(zhǔn)確地分析故障信息并給變電運(yùn)行人員提供智能輔助是當(dāng)今十分重要的課題。

1 課題背景

變電作為的電網(wǎng)的樞紐環(huán)節(jié)，直接影響著電能的質(zhì)量。變電運(yùn)行處在電網(wǎng)的樞紐位置，承擔(dān)著連接整個(gè)電網(wǎng)的重要職責(zé)。然而，如今的變電運(yùn)行工作仍存在著諸多問題。

（1）變電設(shè)備的操作不規(guī)范。供電部門已經(jīng)下發(fā)了變電運(yùn)行工作的相關(guān)規(guī)范，在安全運(yùn)行方面的操作規(guī)范深入較好，但是維護(hù)作業(yè)的操作規(guī)范落實(shí)并不是很好，許多以操作人員會(huì)根據(jù)工作經(jīng)驗(yàn)進(jìn)行一定的改動(dòng)。也就是說，很多操作人員都有自己的操作方法，在維護(hù)時(shí)雖然也達(dá)到了維護(hù)的目的，沒有完全遵守規(guī)范流程。這樣的工作方式固然更加快捷也更加實(shí)用， 但是不規(guī)范的操作方式很容易給設(shè)備造成損壞，這種損壞是不明顯的，但是在一定的程度上成為了事故發(fā)生的誘因。 而且不規(guī)范的操作方式也給維護(hù)人員帶的人身安全造成威脅。

（2）對(duì)變電設(shè)備的監(jiān)測不準(zhǔn)確?，F(xiàn)有的變電設(shè)備的監(jiān)測水平不高，經(jīng)常會(huì)出現(xiàn)誤報(bào)和漏報(bào)的問題，不僅沒有達(dá)到預(yù)期的效果，還影響了給正常的變電設(shè)備維護(hù)工作帶來了負(fù)擔(dān)，也造成極大的人力物力的浪費(fèi)。

由于存在上述問題，促使了無人值守變電站的發(fā)展，而無人值守變電站中的信息處理系統(tǒng)則要依托人工智能技術(shù)的輔助。本文就人工智能技術(shù)為變電運(yùn)行提供信息的收集、處理，幫助運(yùn)行人員進(jìn)行智能預(yù)警、輔助決策展開論述。

2 無人值守變電站

隨著人工智能技術(shù)的推廣和廣泛運(yùn)用，越來越多的供電企業(yè)選擇了無人值守變電站，由于其工作效率高，現(xiàn)場用電安全，以及極大程度地減少了在監(jiān)測過程中可能會(huì)出現(xiàn)的失誤，減小了企業(yè)的損失。由于不同的集控中心所負(fù)責(zé)的日常工作有所差異，加之值班人員無法長期始終堅(jiān)守在各變電站，無人值守變電站是未來變電站的主要發(fā)展方向。就常規(guī)意義上來說，三遙或者四遙系統(tǒng)均是實(shí)現(xiàn)調(diào)度自動(dòng)化中非常重要的內(nèi)容，同時(shí)也是變電站實(shí)現(xiàn)無人值守或者無人值班的關(guān)鍵條件。但缺少智能預(yù)警、輔助決策系統(tǒng)來實(shí)現(xiàn)變電站是無人值守，是非常不安全、也不完善的。這主要是由于變電站作為電力供應(yīng)的主要場所，其對(duì)安全性的要求非常高，針對(duì)變電站較為密集的情況，監(jiān)控設(shè)備分布非常廣、數(shù)量非常多，若在各個(gè)變電站分別安裝各自的模擬視頻監(jiān)控系統(tǒng)，再安排專門的人員來負(fù)責(zé)管理，是極度耗費(fèi)人力物力的，也不符合變電站智能化的發(fā)展趨勢。通過網(wǎng)絡(luò)構(gòu)建起以環(huán)境監(jiān)控遠(yuǎn)程視頻監(jiān)控系統(tǒng)，使變電站能夠通過集中式管理，實(shí)現(xiàn)無人值班，實(shí)現(xiàn)實(shí)時(shí)、自動(dòng)化監(jiān)控的目的，以便可以及時(shí)地對(duì)現(xiàn)場的具體情況做出各種反應(yīng)。

3 人工智能技術(shù)

人工智能技術(shù)最早應(yīng)用在計(jì)算機(jī)技術(shù)中，隨著第三次科技革命的到來，人工智能技術(shù)應(yīng)用的領(lǐng)域越來越廣泛，目前已在計(jì)算機(jī)科學(xué)，金融貿(mào)易，醫(yī)藥，診斷，重工業(yè)，運(yùn)輸，遠(yuǎn)程通訊，在線和電話服務(wù)，法律，科學(xué)發(fā)現(xiàn)，玩具和游戲，音樂等諸多方面。在電力方面的應(yīng)用仍處在起步階段，但由于其自動(dòng)化程度高、數(shù)據(jù)處理精度高、以及具有簡單的學(xué)習(xí)能力的優(yōu)點(diǎn)，與無人值守變電站的理念相契合，使人工智能技術(shù)在變電運(yùn)行方面由廣闊的應(yīng)用前景。

目前的人工智能技術(shù)大多采用人工神經(jīng)網(wǎng)絡(luò)算法，本文所采用的BP神經(jīng)網(wǎng)絡(luò)法是一種雙向的人工神經(jīng)網(wǎng)絡(luò)，具有較高的計(jì)算精度。

3.1 神經(jīng)網(wǎng)絡(luò)

存在于動(dòng)物身體里的神經(jīng)網(wǎng)絡(luò)叫做生物神經(jīng)網(wǎng)絡(luò)，而用現(xiàn)代科技手段實(shí)現(xiàn)的，通過向生物上學(xué)習(xí)而創(chuàng)造出的，具有類似功能的神經(jīng)網(wǎng)絡(luò)被人們叫做人工神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)不僅能夠向大腦一樣進(jìn)行學(xué)習(xí)，還能像大腦一樣在掌握一定知識(shí)后，總結(jié)事物內(nèi)部規(guī)律，從而實(shí)現(xiàn)對(duì)復(fù)雜問題的解答。正因?yàn)檫@些原因，人工神經(jīng)網(wǎng)絡(luò)現(xiàn)在已被廣泛應(yīng)用在生活的各個(gè)方面，例如組合優(yōu)化、負(fù)荷預(yù)測、目標(biāo)跟蹤、模式識(shí)別等。神經(jīng)網(wǎng)絡(luò)有以下幾個(gè)主要特點(diǎn)：

（1）分布式儲(chǔ)存信息。神經(jīng)網(wǎng)絡(luò)的海量信息被其儲(chǔ)存在不同的位置上，當(dāng)被調(diào)用時(shí)，它們通過神經(jīng)元之間的權(quán)重與閾值了控制，實(shí)現(xiàn)信息的傳播。得益于這種結(jié)構(gòu)，當(dāng)神經(jīng)網(wǎng)絡(luò)受到小的擾動(dòng)或者波動(dòng)時(shí)，系統(tǒng)仍然有一定的能力使得輸出在可以接受的范圍內(nèi)。

（2）并行協(xié)同處理信息。許許多多類似的神經(jīng)元構(gòu)成龐大的神經(jīng)網(wǎng)絡(luò)，每個(gè)獨(dú)立的神經(jīng)元彼此獨(dú)立但又相互聯(lián)系。每個(gè)神經(jīng)元就像一個(gè)個(gè)小型的處理單元。這使得該網(wǎng)絡(luò)擁有良好的并行處理能力，它們彼此協(xié)同工作，就可以完成巨大的任務(wù)。

（3）儲(chǔ)存與處理信息合二為一。系統(tǒng)中的每一個(gè)神經(jīng)元都具備處理信息和儲(chǔ)存信息的能力。神經(jīng)元之間權(quán)值與閾值的變化就表明了，它們既儲(chǔ)存了相關(guān)的信息，又對(duì)其做了處理。

（4）處理信息具有自組織、自學(xué)習(xí)的特點(diǎn)。當(dāng)外部參數(shù)環(huán)境變化時(shí)，很多算法就需要重新進(jìn)行設(shè)計(jì)，但是神經(jīng)網(wǎng)絡(luò)算法卻可以依靠重新學(xué)習(xí)訓(xùn)練來適應(yīng)新的環(huán)境。當(dāng)初始條件變化的時(shí)候，可以根據(jù)新的初始條件，重新對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

3.2 網(wǎng)絡(luò)學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)需要不斷的學(xué)習(xí)訓(xùn)練，才能夠記憶相關(guān)算法。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，簡單的來講，就是不斷改變內(nèi)部函數(shù)關(guān)聯(lián)的過程。根據(jù)人腦的學(xué)習(xí)過程，我們提出了下面三種主要方法：

（1）監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是在有誤差反饋的條件下下進(jìn)行的，如圖1所示。這種學(xué)習(xí)方法，給出了所以輸入對(duì)應(yīng)的輸出，在學(xué)習(xí)過程中輸入輸出過程中對(duì)應(yīng)的集合叫作訓(xùn)練樣本集。網(wǎng)絡(luò)按照訓(xùn)練出來的方法進(jìn)行學(xué)習(xí)，每次學(xué)習(xí)后都會(huì)參考輸出結(jié)果，算出誤差，進(jìn)而調(diào)整學(xué)習(xí)進(jìn)程，反復(fù)的學(xué)習(xí)直至誤差達(dá)到最小的范圍。

（2）無監(jiān)督學(xué)習(xí)。無監(jiān)督學(xué)習(xí)沒有所謂的指導(dǎo)和反饋考察，依據(jù)系統(tǒng)本身的相關(guān)性質(zhì)進(jìn)行，如圖2所示。該學(xué)習(xí)方式?jīng)]有所謂的反饋信息作為參考，它是根據(jù)網(wǎng)絡(luò)特有的結(jié)構(gòu)和一定的學(xué)習(xí)規(guī)則來調(diào)節(jié)的，這是一種自組織，自學(xué)習(xí)的過程。這種學(xué)習(xí)方法可能會(huì)造成大的偏差。

（3）再勵(lì)學(xué)習(xí)。再勵(lì)學(xué)習(xí)具有有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩種學(xué)習(xí)方法的性能，如圖3所示。外部環(huán)境并不直接給出輸出明確的信號(hào)，而是提供一個(gè)對(duì)應(yīng)的激勵(lì)。神經(jīng)網(wǎng)絡(luò)是通過加深正面激勵(lì)，弱化反面激勵(lì)的行為來不斷改變相關(guān)參數(shù)，提高網(wǎng)絡(luò)的準(zhǔn)確度的。

3.3 BP神經(jīng)網(wǎng)絡(luò)的模型

神經(jīng)網(wǎng)絡(luò)模型一般主要有三層：輸入層、中間層和輸出層。不同層中的神經(jīng)元之間都是互相關(guān)聯(lián)的。不過相同層的不同神經(jīng)元之間卻完全不存在連接。下圖是一個(gè)簡單的BP網(wǎng)絡(luò)結(jié)構(gòu)示意圖，如圖4所示。

因?yàn)锽P神經(jīng)網(wǎng)絡(luò)里增加了隱含層，使得輸入和輸出之間可以映射任何函數(shù)關(guān)系，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，包括四個(gè)部分：

（1）模式順序傳播，輸入模式由輸入層經(jīng)過中間層向輸出層方向。

（2）誤差逆序傳播，網(wǎng)絡(luò)的期望輸出與實(shí)際輸出之間的誤差信號(hào)由輸出層經(jīng)過中間層到輸入層逐步修正權(quán)值。

（3）以上兩種傳播方式不斷反復(fù)的進(jìn)行。

（4）使網(wǎng)絡(luò)的誤差趨向極小值，全局實(shí)現(xiàn)收斂的學(xué)習(xí)過程，一直到實(shí)際輸出與期望輸出的誤差達(dá)到要求為止。BP神經(jīng)網(wǎng)絡(luò)所使用的這種算法稱為誤差反向傳播算法，即BP算法。

3.4 BP神經(jīng)網(wǎng)絡(luò)的算法

假設(shè)神經(jīng)網(wǎng)絡(luò)模型是具有三層的網(wǎng)絡(luò)結(jié)構(gòu)，輸入層個(gè)數(shù)為N個(gè);隱含層個(gè)數(shù)一般大于輸入層的2倍即L>2N;輸出層個(gè)數(shù)為M個(gè)。另設(shè)EP是在模式p下的整個(gè)網(wǎng)絡(luò)的誤差函數(shù);tpj是模式p下節(jié)點(diǎn)j的希望輸出值;Opj模式p下節(jié)點(diǎn)j的實(shí)際輸出值;Wij是節(jié)點(diǎn)i到節(jié)點(diǎn)j之間的權(quán)重;θj是節(jié)點(diǎn)j的閾值。定義誤差函數(shù)EP是個(gè)節(jié)點(diǎn)期望輸出值與實(shí)際輸出值的平方和：

（3-1）

在p方式下，j節(jié)點(diǎn)的凈輸入NETpj是

（3-2）

其中對(duì)節(jié)點(diǎn)j的輸出進(jìn)行和運(yùn)算。假設(shè)j節(jié)點(diǎn)是在輸出層，那么Opj可以通過式（3-2）的權(quán)值和閾值函數(shù)確定，即

（3-3）

通常情況下，閾值取（-1，1）的任意常數(shù)。使得式（3-1）的誤差最小，那就要求學(xué)習(xí)時(shí)Ep對(duì)Wij的導(dǎo)數(shù)為負(fù)值，根據(jù)隱函數(shù)求導(dǎo)法則可知：

（3-4）

把式（3-2）帶入式（3-4）中可得：

（3-5）

把公式（3-4）的因子記為：

（3-6）

把公式（3-5）、（3-6）帶入到（3-4）中可得：

（3-7）

要想減少Ep的值，就需權(quán)值的變化量正比于σpjOpk，即：

（3-8）

我們只需得出σpj，就可由公式（3-7）確定權(quán)值的變化量，進(jìn)而對(duì)權(quán)值進(jìn)行調(diào)整，公式（3-6）可以根據(jù)導(dǎo)數(shù)法則寫為：

（3-9）

將公式（3）帶入上式可以得到：

（3-10）

將公式（1）帶入公式（9）可得：

（3-11）

把公式（10）、公式（11）帶入公式（9）中可得

（3-12）

假設(shè)j為輸出，t、O皆為已知，則由公式（3-8）、（3-12）聯(lián)立，求出σ和權(quán)值變化量。假設(shè)j是隱含層，而不是輸出，由于我們希望輸出值未知，那么要用相關(guān)的數(shù)學(xué)知識(shí)接著算下去：

（3-13）

公式中k是與隱含層節(jié)點(diǎn)j連接的輸出節(jié)點(diǎn)，而輸出層節(jié)點(diǎn)k的σpk已得出，由公式（13）可以算出相關(guān)參數(shù)，最后，將公式（3-10）、（3-13）帶入公式（3-9）中可以得到：

（3-14）

上面的推理可得，此算法計(jì)算出的輸出誤差，經(jīng)由公式（3-14）反向回饋到隱含層，在算出隱含層的值即可。以上即為BP神經(jīng)網(wǎng)絡(luò)的一般算法，本文給出了簡單的介紹，我們可能根據(jù)其算法更好的了解原理，并對(duì)其提出相應(yīng)的改進(jìn)。

3.5 模型的建立

對(duì)于神經(jīng)網(wǎng)絡(luò)模型的建立，可以按照以下幾個(gè)步驟進(jìn)行：（1）確定網(wǎng)絡(luò)層數(shù)很多神經(jīng)網(wǎng)絡(luò)都是預(yù)先設(shè)計(jì)好使用層數(shù)的，BP神經(jīng)網(wǎng)絡(luò)可以具有不同的隱含層。雖然從理論上講，隱含層的數(shù)量與神經(jīng)網(wǎng)絡(luò)對(duì)問題的處理能力正相關(guān)，隱含層數(shù)量越多，就越接近真實(shí)的神經(jīng)網(wǎng)絡(luò)，就越能處理復(fù)雜的問題。但是，過多的隱含層將會(huì)導(dǎo)致該種方法的運(yùn)算時(shí)間過長。對(duì)于現(xiàn)在大多數(shù)的問題，單層的隱含層就能解決，且提高層數(shù)的多少對(duì)問題的解決能力的提升很有限。所以，對(duì)于一般的簡單問題，一個(gè)隱含層就能夠解決。本文采用一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)，即包含輸入、輸出層、一個(gè)隱含層的三層神經(jīng)網(wǎng)絡(luò)。（2）確定輸入層節(jié)點(diǎn)數(shù)輸入層是接收外部傳輸?shù)臄?shù)據(jù)的，其到了一定的緩沖儲(chǔ)存作用，所以，輸入層的節(jié)點(diǎn)數(shù)取決于輸入數(shù)據(jù)的個(gè)數(shù)。（3）確定輸出層節(jié)點(diǎn)數(shù)輸出層的節(jié)點(diǎn)數(shù)是根據(jù)輸出數(shù)據(jù)的需要決定的（4）確定隱含層節(jié)點(diǎn)數(shù)隱含層節(jié)點(diǎn)數(shù)的確定不能簡單地利用輸入或輸出等某個(gè)條件確定，這是因?yàn)椋杭僭O(shè)節(jié)點(diǎn)數(shù)太少，系統(tǒng)算法無法充分得到樣本中的信息，就像具有較少神經(jīng)元的螞蟻無法算數(shù)一樣，神經(jīng)網(wǎng)絡(luò)沒有辦法就給出的問題做出合理的解答。假設(shè)節(jié)點(diǎn)數(shù)太多，這又會(huì)引起另一種問題，與生物神經(jīng)網(wǎng)絡(luò)不同，過多的神經(jīng)元可能令神經(jīng)網(wǎng)絡(luò)過于“僵化”。一般沒有對(duì)于的準(zhǔn)確公式，我們可按如下經(jīng)驗(yàn)公式：

公式中：n—隱含層節(jié)點(diǎn)數(shù)ni—為輸入節(jié)點(diǎn)數(shù)n0—輸出節(jié)點(diǎn)數(shù)a∈（1，10）

（5）確定傳輸函數(shù)，傳遞函數(shù)有很多種。但是常用的為S型函數(shù)，公式如下：

在本文我們使用S型函數(shù)作為傳遞函數(shù)那么神經(jīng)網(wǎng)絡(luò)的輸出就會(huì)控制在較小的范圍內(nèi)（0～1的常數(shù)），便于誤差分析和數(shù)據(jù)處理。S型函數(shù)如圖5所示。

3.6 訓(xùn)練的方法

不同的使用目的，我們可以選擇不同的方法手段。在本文中，我們采用批量學(xué)習(xí)方法。把所有的訓(xùn)練數(shù)據(jù)一次性輸入到模型中，通過它的輸出誤差反向回饋調(diào)節(jié)相應(yīng)神經(jīng)網(wǎng)絡(luò)連接處的權(quán)重和閾值，不斷的進(jìn)行訓(xùn)練學(xué)習(xí)，一直到網(wǎng)絡(luò)收斂為止。這種方法的流程圖如圖6所示。

4 結(jié)論

BP神經(jīng)網(wǎng)絡(luò)是在數(shù)據(jù)預(yù)測上研究較多的一個(gè)課題，它的自適應(yīng)功能對(duì)于非線性、非明確特征的數(shù)據(jù)具有很好的處理性。而變電運(yùn)行過程中數(shù)據(jù)常常都不是呈線性分布的，而且故障數(shù)據(jù)的界限有時(shí)也是模糊的，更重要的是，現(xiàn)階段人們已經(jīng)研究出了接近于實(shí)際應(yīng)用的成果，相信在不久的將來神經(jīng)網(wǎng)絡(luò)在變電運(yùn)行的輔助決策會(huì)有突出的貢獻(xiàn)。

參考文獻(xiàn)

[1] 張海燕，馮天瑾.新的組合激活函數(shù)BP網(wǎng)絡(luò)模型研究[J].青島海洋大學(xué)學(xué)報(bào)（自然科學(xué)版），2002（04）：621-626.

[2] 黃繼紅.基于改進(jìn)PSO的BP網(wǎng)絡(luò)的研究及應(yīng)用[D].長沙理工大學(xué)，2008.

[3] 陳允平.人工神經(jīng)網(wǎng)絡(luò)及其在控制與系統(tǒng)工程中的應(yīng)用第二講人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法（之一）有指導(dǎo)的學(xué)習(xí)[J].電網(wǎng)技術(shù)，2013，37（4）：58-64.

[4] 郭貝，任金霞.基于蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的特征點(diǎn)匹配[J].制造業(yè)自動(dòng)化，2019（08）：68-70+80.

[5] 鄒倩穎，王小芳.粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在步態(tài)識(shí)別中的研究[J/OL].實(shí)驗(yàn)技術(shù)，2019（08）：130-133+138.

[6] 王邦林，沙桐.人工智能與神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用研究[J].山東工業(yè)技術(shù)，2019（17）：144+185.

[7] 鮑偉強(qiáng)，陳娟，熊濤.基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J].電工技術(shù)，2019（11）：46-49.

[8] 陳璞迪.基于深度神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷分析方法的研究與實(shí)現(xiàn)[D].北京郵電大學(xué)，2019.

[9] 林唯賢.嵌入式設(shè)備高效卷積神經(jīng)網(wǎng)絡(luò)的電力設(shè)備檢測[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（05）：238-243.

[10] 李長海.基于支持向量機(jī)的油浸式電力變壓器故障診斷方法研究[J].電氣應(yīng)用，2019，38（05）：67-72.

[11] 李昊宇，李建興，馬瑩，等.基于小波特征的油浸式變壓器電弧光故障診斷[J].福建工程學(xué)院學(xué)報(bào)，2019，17（01）：72-76.

[12] 蘆君藝.油浸式變壓器的故障診斷探究[J].機(jī)械管理開發(fā)，2019，34（01）：108-109.

[13] 廖偉涵，郭創(chuàng)新，金宇，等.基于四階段預(yù)處理與GBDT的油浸式變壓器故障診斷方法[J].電網(wǎng)技術(shù)，2019，43（06）：2195-2203.

[14] 黃靜.基于隨機(jī)向量泛函連接網(wǎng)絡(luò)的油浸式變壓器故障診斷[J].機(jī)電信息，2019（02）：29-31.

[15] 劉冰堯，龐騰，雷菊陽.基于深度信念網(wǎng)絡(luò)的變壓器故障診斷[J].化工自動(dòng)化及儀表，2018，45（11）：873-878.

Application of Artificial Intelligence Algorithm in Unattended Substation

ZHENG Tian-qi， WU Jun-jun， ZHAO De-ji， GAO Yu-bao

（Shanghai Xuji Electric Co.， Ltd.， Shanghai? 200120）

Abstract：With the increasing demand for electric power and the increasing number of substation equipment， higher requirements are put forward for the technology of substation operation inspection. It is not only necessary to ensure the accuracy of operation inspection data processing， but also to improve the efficiency of data processing as much as possible. In this paper， an intelligent substation operation and inspection management and controling system based on artificial intelligence is proposed， which can enhance the analysis and process ability of substation operation data， realize data acquisition，identification and processing， and achieve the goal of "automatic acquisition， automatic identification， intelligent early warning，intelligent decision-making" for efficient operation and inspection.

Key words：substation transportation inspection; artificial intelligence; intelligent early warning; intelligent decision