人工智能在變電站運維管理中的應(yīng)用探討

張 靈

（國網(wǎng)邯鄲供電公司， 河北 邯鄲 056002）

1 人工智能

人工智能技術(shù)是基于計算機程序?qū)崿F(xiàn)的，主要用于開發(fā)和研究、實現(xiàn)拓展、延伸和模擬等的智能技術(shù)。在我國現(xiàn)代社會的高速發(fā)展中，人工智能技術(shù)正在逐步完善，具有廣泛的應(yīng)用范圍。人工智能在我國經(jīng)歷了60 多年的發(fā)展歷程，形成了多種技術(shù)和方法。在早期發(fā)展中形成了專家系統(tǒng)，后續(xù)又形成了機器系統(tǒng)。深度學(xué)習(xí)是人工智能技術(shù)最為重要的應(yīng)用方式，可以對生物特性、視覺和語言進行綜合分析，得到了廣泛的應(yīng)用。隨著在線檢測系統(tǒng)和視頻監(jiān)控系統(tǒng)的不斷發(fā)展，并應(yīng)用于變電站運維管理，更是充分發(fā)揮了人工智能的作用，提升了管理效率。

2 遙測系統(tǒng)在變電站運維管理中的應(yīng)用

2.1 變壓器/電抗器

在以往進行變壓器診斷時，普遍選擇閾值判斷、比值編碼和橫縱向比較等方法，但是設(shè)備故障具有現(xiàn)場干擾故障、類型繁多、故障機理復(fù)雜等特點，使其診斷方法缺乏準確率。遙測系統(tǒng)在監(jiān)測變壓器時，具有極其豐富的參量。因此，結(jié)合機器學(xué)習(xí)專家系統(tǒng)等人工智能，可以對變壓器進行更為高效的故障診斷，而監(jiān)測參量可以為其故障診斷提供更大的數(shù)據(jù)基礎(chǔ)。人工智能診斷具體是指分析變壓器狀態(tài)和監(jiān)測參量的映射關(guān)系，通過該種方法，可以對變壓器狀態(tài)進行科學(xué)判別。

通過全面整合實際經(jīng)驗法、統(tǒng)計學(xué)習(xí)方法和傳統(tǒng)三比值法中判別故障的各項規(guī)則，科學(xué)建立專家系統(tǒng)。相關(guān)單位在開展具體工作時，可以利用專家系統(tǒng)建立映射關(guān)系，雖然具有極強的解釋性，但是對知識庫具有較高的依賴性，容差能力相對較差，具有較高的維修難度。變壓器結(jié)構(gòu)復(fù)雜，發(fā)生系統(tǒng)故障的因素相對較多，利用油色譜等狀態(tài)參量進行判斷，具有片面性。因此，相關(guān)單位需要結(jié)合專家系統(tǒng)處理變壓器的各項信息，使故障診斷結(jié)果具有更高的準確度。

相對于專家系統(tǒng)而言，機器學(xué)習(xí)算法可以從樣本中進行有效學(xué)習(xí)，對數(shù)據(jù)和故障之間的映射關(guān)系進行有效擬合，具有較高的魯棒性和容錯性。在現(xiàn)階段具體應(yīng)用的算法中，訓(xùn)練時長、參數(shù)選取和樣本數(shù)量之間具有較高的差異性。支持向量機通常擅長于高維數(shù)和小樣板場景，在出現(xiàn)深度學(xué)習(xí)之前，支持向量機具有較為普遍的應(yīng)用，但是在以往進行設(shè)備故障診斷時，機器學(xué)習(xí)算法需要由人工設(shè)計特征量。在故障診斷中應(yīng)用機器學(xué)習(xí)算法時，特征選擇和數(shù)據(jù)預(yù)處理是可選步驟，而提取特征具有一定的關(guān)鍵性價值，和業(yè)務(wù)知識具有密切的聯(lián)系。在進行故障診斷時，無法直接將振動信號和局部放電信號作為診斷模型，需要進行有效的特征提取。局部放電信號包括混沌特征、脈沖序列分布、相位分布和脈沖波形等特征模式?？梢詫植糠烹娦盘栠M行具體特征參數(shù)的科學(xué)構(gòu)造，例如分形參數(shù)、統(tǒng)計特征參數(shù)，提取過程非常復(fù)雜。對于振動信號，研究人員需要結(jié)合具體情況進行特征量的科學(xué)設(shè)計，特征缺乏通用性。當特征維數(shù)高時，還需要利用降維、聚類等方法選擇具體特征，使其后續(xù)模型訓(xùn)練所具有的復(fù)雜度得到有效降低，進一步提升診斷性能。

應(yīng)用傳統(tǒng)方法進行故障診斷，提取過程復(fù)雜，對專業(yè)知識的依賴性較強，而特征也具有一定的全面性，無法對其狀態(tài)信息進行全面表述。通過科學(xué)應(yīng)用深度學(xué)習(xí)方法，能夠從高維、海量的數(shù)據(jù)中進行特征信息的自動學(xué)習(xí)，有效避免特征手動設(shè)計的主觀性和復(fù)雜性，有效簡化故障診斷流程，使其診斷模型具有較高的通用性，可以在相似場景中進行遷移應(yīng)用[1]。在對變壓器進行故障診斷時，深度學(xué)習(xí)方法已經(jīng)得到了一定的應(yīng)用，主要用于從振動信號，局部放電信號和油中溶解氣體中學(xué)習(xí)特征，在具體實現(xiàn)深度學(xué)習(xí)時，具有不同的網(wǎng)絡(luò)輸入和網(wǎng)絡(luò)模型。利用人工智能技術(shù)，在對電力設(shè)備進行故障診斷的同時，還可以進行有效的狀態(tài)檢測，深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)、支持向量機等機器學(xué)習(xí)的擬合能力相對較強，通過學(xué)習(xí)豐富的歷史時序樣本，能夠科學(xué)預(yù)測變壓器中振動基頻幅值、油溫以及溶解氣體等狀態(tài)參量的發(fā)展趨勢。

2.2 電容型設(shè)備

在對電容型設(shè)備進行在線監(jiān)測時，通常需要關(guān)注介質(zhì)損耗因數(shù)和電容等可以對其絕緣性能進行有效反應(yīng)的各項參數(shù)。介質(zhì)損耗容易受到外界環(huán)境因素的影響，相關(guān)單位需要有效提升計算精度。在我國現(xiàn)階段，普遍選擇數(shù)值分析方法，人工智能方法的應(yīng)用相對較少?？梢岳米钚《酥С窒蛄繖C針對介質(zhì)損耗因素建立修正模型，同時利用遺傳算法進行波形參數(shù)的合理優(yōu)化，有效排除環(huán)境因素對其造成的影響。與此同時，可以利用深度學(xué)習(xí)辨識電容器介損角，通過多次訓(xùn)練形成的多層神經(jīng)網(wǎng)絡(luò)，可以有效辯識介損角變化量并合理修正。相關(guān)單位可以有效組合支持向量機和BP 神經(jīng)網(wǎng)絡(luò)，提升其辨識準確率。

2.3 斷路器/GIS

斷路器/GIS 和變壓器具有相似的局部放電特性，可以對其內(nèi)部絕緣缺陷進行有效反應(yīng)，應(yīng)用的模式識別方法和特征提取方法具有一定的相通性，能夠?qū)崿F(xiàn)有效遷移。相關(guān)單位通過深度學(xué)習(xí)方法，能夠有效提取和識別GIS 的電信號。網(wǎng)絡(luò)模型和深度網(wǎng)絡(luò)模型具有不同的輸入數(shù)據(jù)形式，和傳統(tǒng)人工特征相比較，具有更高的準確率和更強的魯棒性，但是普遍缺乏可解釋性。在變電站現(xiàn)場，利用放電模型進行信號訓(xùn)練仿真實驗，可以對GIS 放電進行更為有效的識別，具有更高的可信度和準確性。在應(yīng)用高壓斷路器時，開合過程會產(chǎn)生劇烈振動，通過分析振動信號能夠及時發(fā)現(xiàn)斷路器所產(chǎn)生的機械故障，利用振動信號對斷路器進行故障診斷，具體包括提取振動信號特征和基于特征量進行故障分類。構(gòu)造特征量具有更高的價值，在進行具體工作，首先需要分解信號，然后基于熵理論為分解結(jié)果進行特征構(gòu)造，此時，分類模型缺乏統(tǒng)一性[2]。在現(xiàn)階段對斷路器進行機械故障診斷時，深度學(xué)習(xí)的應(yīng)用相對較少。對于診斷對象，單一的診斷方法、特征和來源信號具有較高的局限性，科學(xué)應(yīng)用融合診斷，可以使其診斷結(jié)果具有更高的可信度和準確率。根據(jù)不同融合層次，可以將信息融合分為決策融合、特征融合和數(shù)據(jù)融合。通過統(tǒng)一提取振動器動作時的振動信號與聲音，基于證據(jù)理論實現(xiàn)融合決策。相關(guān)人員還可以針對多路振動信號降維篩選特征值。利用BP 神經(jīng)網(wǎng)絡(luò)進行故障判斷，實現(xiàn)特征融合。

3 遙視系統(tǒng)在變電站運維管理中的應(yīng)用

3.1 設(shè)備方面

利用遙視系統(tǒng)進行設(shè)備監(jiān)控時，主要用于監(jiān)控設(shè)備漏油、元件缺失、破損等異常情況及表計狀態(tài)、信號燈狀態(tài)和開關(guān)狀態(tài)等狀態(tài)信息。利用紅外成像技術(shù)，能夠?qū)囟犬惓＿M行檢測。在我國現(xiàn)階段，紅外技術(shù)已經(jīng)實現(xiàn)了較為成熟的應(yīng)用，相關(guān)人員可以利用紅外圖像對設(shè)備發(fā)熱故障進行有效診斷。先找出工作區(qū)域，然后在區(qū)域內(nèi)提取特征，并對設(shè)備狀態(tài)進行科學(xué)分類，根據(jù)圖像分析是否存在設(shè)備故障及其嚴重程度[3]。其中，找工作區(qū)并提取特征需要合理應(yīng)用圖像分割技術(shù)，故障分類則需要利用機器學(xué)習(xí)技術(shù)。相關(guān)人員在開展具體工作時，可以通過分水嶺分割算法分析避雷器的工作區(qū)域，然后利用模糊神經(jīng)網(wǎng)絡(luò)構(gòu)造集成學(xué)習(xí)模式，將其熱狀態(tài)劃分為可疑、輕微、正常和故障四種類型?？梢岳肒-means 算法進行紅外圖像的聚類，并對各區(qū)域的面積信息和溫度信息進行有效提取，為支持向量機提供輸入特征，分為緊急故障、嚴重故障、一般故障和正常四種狀態(tài)。科學(xué)引入混沌序列，對支持向量機的各項參數(shù)進行合理優(yōu)化，使其準確率達到97.8%以上。

在對變電設(shè)備進行外觀檢測時，主要在于識別元件和設(shè)備本體，而在漏油、部件缺失和破損情況的識別方面，還需要進行深入研究。但是在識別輸電線路的線路斷股、絕緣子破損和鳥巢方面，具有豐富的研究成果，可以將其用于識別設(shè)備外觀情況，但是缺乏有效樣本[4]。對于設(shè)備狀態(tài)信息，在識別標記狀態(tài)、信號燈狀態(tài)、刀閘狀態(tài)和開關(guān)狀態(tài)時，對圖像處理法具有較強的依賴性，可以結(jié)合應(yīng)用簡單模板匹配和圖像處理，同時還可以組合應(yīng)用機器學(xué)習(xí)識別和提取圖像處理特征。在對深度學(xué)習(xí)方法進行具體應(yīng)用時，也應(yīng)有效結(jié)合圖像處理技術(shù)。在利用卷積神經(jīng)網(wǎng)絡(luò)識別刀閘狀態(tài)和指針式表計狀態(tài)時，前者用于刀閘和絕緣子位置的識別，而后者用于儀表位置的識別，但是其本質(zhì)都是識別元件本體和設(shè)備，基于圖像處理結(jié)果顯示刀閘開閉狀態(tài)和指針讀數(shù)。信號燈、刀閘和開關(guān)的所屬狀態(tài)、外觀和形狀具有較高的繁雜性，只有基于限定范圍才可以得出少量類型，其模型只能用于限定范圍，缺乏具有較強魯棒性的方法。指針式表計可以實現(xiàn)連續(xù)讀數(shù)，但無法識別問題并進行科學(xué)轉(zhuǎn)化，使其形成機器學(xué)習(xí)問題。現(xiàn)階段，普遍選擇圖像處理技術(shù)，為有效避免誤差，對拍攝圖像的距離和角度有較高要求。

3.2 環(huán)境方面

通常情況下，由于變電站環(huán)境特殊，出現(xiàn)火災(zāi)事故的概率相對較高，消防安全對變電站的電網(wǎng)安全和設(shè)備安全具有直接的影響，科學(xué)應(yīng)用遙視系統(tǒng)，可以確保監(jiān)控系統(tǒng)具有較高的安全性，能夠?qū)崟r監(jiān)測小動物入侵、煙霧以及明火等情況。在進行火災(zāi)預(yù)警時，與明火識別相比，煙霧識別具有更高的應(yīng)用價值[5]。在進行煙霧識別時，主要是描述和提取煙霧特征，具體包括運動特征、紋理特征、形狀特征和顏色特征，相關(guān)人員可以通過圖像處理技術(shù)提取各項特征。而在具體進行煙霧判別時，人工智能技術(shù)的研究相對較少?；谏疃葘W(xué)習(xí)的煙霧識別，可以實現(xiàn)自動學(xué)習(xí)，應(yīng)用該種方法，可以簡化特征構(gòu)造過程，但是，需要大量樣本支持。在現(xiàn)代工業(yè)建設(shè)中，智能識別煙霧和明火是其視頻監(jiān)測系統(tǒng)必須具備的通用性功能，而基于手動設(shè)計特征實現(xiàn)的識別方式具有較高的針對性，如果將其直接用于變電站中，則無法保證其應(yīng)用性能。

3.3 人員方面

在我國現(xiàn)代變電站日常運行時，運維管理工作通常是采取人工核查的方式對現(xiàn)場工作人員進行管理。視頻監(jiān)控也需要人工進行判斷，無法及時發(fā)現(xiàn)施工現(xiàn)場的違章行為和安全隱患。因此，在對變電站進行視頻監(jiān)控時，基于機器視覺實現(xiàn)的識別技術(shù)具有較高的應(yīng)用需求，受到相關(guān)部門的廣泛關(guān)注。在進行人員監(jiān)控時，主要涉及異常行為識別、目標跟蹤檢測、身份識別驗證和安全著裝檢驗等多個方面。現(xiàn)階段，對識別安全帽佩戴情況具有較高的準確率，以深度學(xué)習(xí)為基礎(chǔ)實現(xiàn)的目標檢測模型具有較高的適用性，將其用于變電站場景，所需的成本相對較低。在進行安全著裝檢測時，對高空作業(yè)正確使用安全帶、工作時穿著背心、短褲、裙子、高跟鞋、拖鞋以及未將長頭發(fā)盤入安全帽的違規(guī)情況，具有和安全報警識別相似的識別思路，缺乏豐富的有效樣本進行目標檢測模型，相關(guān)工作人員可以針對具體需求進行相應(yīng)著裝樣本的科學(xué)構(gòu)造，用于模型研究[6]。與此同時，以人臉識別為基礎(chǔ)的身份識別驗證具有較為成熟的應(yīng)用和較高的識別率，所產(chǎn)生的遷移成本也相對較低，但是變電站的應(yīng)用場景具有較高的復(fù)雜性，很難有效獲取人臉。因此，可以利用體態(tài)、步態(tài)、姿態(tài)等新型特征進行身份識別。即使是對于以深度學(xué)習(xí)為基礎(chǔ)的自動學(xué)習(xí)方法，也需要利用大量有效樣本進行充分訓(xùn)練和科學(xué)驗證，在對變電站進行異常行為識別時，可以利用人工模擬的方式科學(xué)構(gòu)造異常行為樣本。

4 結(jié)語

在對變電站進行運維管理時，遙測系統(tǒng)和遙視系統(tǒng)是人工智能技術(shù)應(yīng)用的主要方向，相關(guān)單位通過有效結(jié)合人工智能技術(shù)和電力技術(shù)，利用智能設(shè)備有效指揮系統(tǒng)運行，使電力系統(tǒng)具有更高的安全性。通過科學(xué)應(yīng)用智能化設(shè)備，可以使技術(shù)部門及時發(fā)現(xiàn)系統(tǒng)存在的問題，并得到有效解決，大大降低電網(wǎng)風(fēng)險，有效保障了電網(wǎng)系統(tǒng)的有序運行。