论文部分内容阅读
摘要：本文围绕人工智能技术在电力设备运维检修中的应用议题进行了探讨，通过对电力设备相关数据分析，以及人工智能技术的发展现状阐述，论述了人工智能技术在电力设备运维检修中的应用，供相关人士参考。
关键词：电力运维;人工智能;技术应用
1引言
电力系统中包括多种类型的设备，这些设备运行工况是否良好时刻影响到电力系统运行的安全稳定。随着人工智能技术的发展，电力设备运维检修中对人工智能技术的应用也越来越多，为用户提供可靠的电力供应创建良好基础。
2电力设备相关数据分析
随着电力设备的更新升级，尤其是在传感器、監测设备的支持下，电力设备数据无论在数量上、频率上、质量上的范围都在扩大。一方面，必须要保障数据质量。对数据采集、数据传输以及数据存储等环节中可能出现的数据丢失、数据不标准、数据重复等数据异常的问题进行解决。另一方面，要使电力设备数据得到更好地开发和利用还要解决数据均衡性问题。尤其是电力设备故障等极端数据，如果没有多维度较为均衡的数据，难以更好全面地分析电力设备故障原因，并做好电力设备故障防控。此外，电力数据的融合程度较弱也是电力设备运维检修过程中的问题。由于设备的业务系统不同，导致设备之间的初始数据存在匹配性差的现象，继而导致数据之间的融合性差，不能更好地发挥出数据的潜能。
3人工智能关键技术
启发式智能算法：该技术是一种较为成熟的全局优化算法，主要包括群体算法和进化算法两类。群体算法的代表技术包括人工蜂群算法、粒子群算法，是通过个体的协作和组织来找出群体智能行为特征。进化算法包括进化策略、遗传算法，其本质是进化理论。在电力设备运维检修中，启发式智能算法适用于优化性能分类模型，还可以用来求解最优问题，帮助找到电力设备检修的最优策略。
人工智能推理：该技术是根据经验和理论来进行逻辑性推理，主要包括专家系统、模糊理论等技术。专家系统是将采集到的信息经过专家经验进行推理。模糊理论是根据规则库建立推理模型进行模糊推理。在电力设备运维检修中，人工智能推理适用于分析设备故障与征兆之间的关系，适用于设备故障证据分析，帮助电力设备运维人员快速找到最可能的故障。
计算机视觉：在深度学习理论的支持下，卷积神经网络技术成为计算机视觉技术的典型代表。卷积神经网络包括输入层、卷积层、池化层、全连接层，通过卷积核自动提取图象特征，减少网络参数，避免参数过多造成的拟合问题。电力设备运维检修中，计算机视觉技术适用于设备外观缺陷识别，提高电力设备目标缺陷识别或检测的精准度，同时也减少人员高危作业频次，提高电力设备运维检测效率。
自然语言处理：该技术是通过智能化的方式来对信息进行分析，从中提取出有效信息，自然语言处理技术可以在专业软件的支持下管理非常大块的电力运维数据，同时可以自动化的方式来执行任务。在电力设备的运维检修中，由于电力设备的缺陷、故障以及检修记录及报告中含有很多的数据信息，这些非结构化的数据中存在内在的关联和规律特征，通过自然语言处理技术可以从这些数据中挖掘出更多的语义信息，找到深层因果关系，从而为电力设备状态检测及评价提供参考。
多模态机器学习：该技术是通过机器学习的方法对来源广泛、类型各异的数据进行综合分析，通过多模态信息的融合，更好地对信息进行特征提取和规律识别。与单模态学习相比，多模态机器学习具有多个模态之间的互补性，具有更好地学习效果。多模态学习中的典型方式是迁移学习，该方式是使用一个资源丰富的模态信息来辅助另一个资源贫瘠的模态进行学习，具有较好的发展前景。在电力设备运维检修中，由于设备、技术等方面因素的制约，采集的数据资源是不同的，有些状态信息较丰富，而另一些状态信息较贫瘠，此时可以通过多模态机器学习技术来实现模态互补，从多个维度对设备状态进行综合分析，提高设备故障诊断的准确度。
4人工智能技术在电力设备运维检修中的应用
对电力设备状态进行评估：借助人工智能技术对电力设备运行状态进行科学诊断和评估。比如对电力变压器的状态进行评估可采用以下方式：一种是建立数学模型，客观计算评价指标的权重。通过对电力变压器运行状态量的指标和变压器状态之间的关系进行分析，确定所有指标中对电力变压器运行状态带来关键性影响的指标，设置更高的评价权重，大大提高电力变压器状态评价的准确性。另一种是采用机器学习算法建立电力变压器状态量和变压器状态之间的评估模型。由于电力设备运行状态评价是典型的异常状态数据引起的非均衡样本和小样本问题，因此，对于机器学习算法来说历史案例样本数量稀缺，容易在模型训练的过程中出现过拟合问题，这也预示着必须进一步发展非均衡样本学习方法，以提高电力变压器状态评价的准确度。
对电力设备故障进行诊断：比如将历史电力设备数据进行整理，结合电力设备家族性缺陷数据、电力设备运行数据、外界环境数据等信息，利用样本合成方法、生产对抗网络方法进行数据增值，更好地平衡电力设备正负样本的比例。通过数据的时序记录完整性情况对不同的数据进行分类、预测，并引入设备运行检修的经验进行机器学习引导，从而对电力设备的缺陷进行分类，并判断缺陷所在的部位，根据缺陷概率排序做出相应的故障警报提示。另外，采用计算机视觉技术可以对电力设备进行巡检影像的人工智能分析。在无人机、巡检机器人等装备采集来的电力设备巡检视频及图象的基础上，对电力设备的外观进行缺陷识别，能够更好地应对复杂多变的巡检环境，提高电力设备巡检效率。
对电力设备检修策略进行优化：面对电力系统越来越复杂的情况，电力设备检修策略必须更加科学高效，才能满足电力设备运维需求。通过人工智能技术，如采用启发式智能算法为电力运维人员推荐更加科学的设备检修时间、检修频率、检修方式，优化电力设备检修策略，提高电力设备检修的安全性、经济性和时效性。
5结语
只有将人工智能技术与电力设备的运维检修工作紧密融合起来，才能更好地发挥出智能技术的潜在效能，才能更好地突破传统运维检修瓶颈，推动电力系统运行越来越安全、经济、高效。
参考文献
[1]王佳兴.人工智能技术在电力系统机电保护中的应用[J].电子乐园，2019（32）：0003-0003
关键词：电力运维;人工智能;技术应用
1引言
电力系统中包括多种类型的设备，这些设备运行工况是否良好时刻影响到电力系统运行的安全稳定。随着人工智能技术的发展，电力设备运维检修中对人工智能技术的应用也越来越多，为用户提供可靠的电力供应创建良好基础。
2电力设备相关数据分析
随着电力设备的更新升级，尤其是在传感器、監测设备的支持下，电力设备数据无论在数量上、频率上、质量上的范围都在扩大。一方面，必须要保障数据质量。对数据采集、数据传输以及数据存储等环节中可能出现的数据丢失、数据不标准、数据重复等数据异常的问题进行解决。另一方面，要使电力设备数据得到更好地开发和利用还要解决数据均衡性问题。尤其是电力设备故障等极端数据，如果没有多维度较为均衡的数据，难以更好全面地分析电力设备故障原因，并做好电力设备故障防控。此外，电力数据的融合程度较弱也是电力设备运维检修过程中的问题。由于设备的业务系统不同，导致设备之间的初始数据存在匹配性差的现象，继而导致数据之间的融合性差，不能更好地发挥出数据的潜能。
3人工智能关键技术
启发式智能算法：该技术是一种较为成熟的全局优化算法，主要包括群体算法和进化算法两类。群体算法的代表技术包括人工蜂群算法、粒子群算法，是通过个体的协作和组织来找出群体智能行为特征。进化算法包括进化策略、遗传算法，其本质是进化理论。在电力设备运维检修中，启发式智能算法适用于优化性能分类模型，还可以用来求解最优问题，帮助找到电力设备检修的最优策略。
人工智能推理：该技术是根据经验和理论来进行逻辑性推理，主要包括专家系统、模糊理论等技术。专家系统是将采集到的信息经过专家经验进行推理。模糊理论是根据规则库建立推理模型进行模糊推理。在电力设备运维检修中，人工智能推理适用于分析设备故障与征兆之间的关系，适用于设备故障证据分析，帮助电力设备运维人员快速找到最可能的故障。
计算机视觉：在深度学习理论的支持下，卷积神经网络技术成为计算机视觉技术的典型代表。卷积神经网络包括输入层、卷积层、池化层、全连接层，通过卷积核自动提取图象特征，减少网络参数，避免参数过多造成的拟合问题。电力设备运维检修中，计算机视觉技术适用于设备外观缺陷识别，提高电力设备目标缺陷识别或检测的精准度，同时也减少人员高危作业频次，提高电力设备运维检测效率。
自然语言处理：该技术是通过智能化的方式来对信息进行分析，从中提取出有效信息，自然语言处理技术可以在专业软件的支持下管理非常大块的电力运维数据，同时可以自动化的方式来执行任务。在电力设备的运维检修中，由于电力设备的缺陷、故障以及检修记录及报告中含有很多的数据信息，这些非结构化的数据中存在内在的关联和规律特征，通过自然语言处理技术可以从这些数据中挖掘出更多的语义信息，找到深层因果关系，从而为电力设备状态检测及评价提供参考。
多模态机器学习：该技术是通过机器学习的方法对来源广泛、类型各异的数据进行综合分析，通过多模态信息的融合，更好地对信息进行特征提取和规律识别。与单模态学习相比，多模态机器学习具有多个模态之间的互补性，具有更好地学习效果。多模态学习中的典型方式是迁移学习，该方式是使用一个资源丰富的模态信息来辅助另一个资源贫瘠的模态进行学习，具有较好的发展前景。在电力设备运维检修中，由于设备、技术等方面因素的制约，采集的数据资源是不同的，有些状态信息较丰富，而另一些状态信息较贫瘠，此时可以通过多模态机器学习技术来实现模态互补，从多个维度对设备状态进行综合分析，提高设备故障诊断的准确度。
4人工智能技术在电力设备运维检修中的应用
对电力设备状态进行评估：借助人工智能技术对电力设备运行状态进行科学诊断和评估。比如对电力变压器的状态进行评估可采用以下方式：一种是建立数学模型，客观计算评价指标的权重。通过对电力变压器运行状态量的指标和变压器状态之间的关系进行分析，确定所有指标中对电力变压器运行状态带来关键性影响的指标，设置更高的评价权重，大大提高电力变压器状态评价的准确性。另一种是采用机器学习算法建立电力变压器状态量和变压器状态之间的评估模型。由于电力设备运行状态评价是典型的异常状态数据引起的非均衡样本和小样本问题，因此，对于机器学习算法来说历史案例样本数量稀缺，容易在模型训练的过程中出现过拟合问题，这也预示着必须进一步发展非均衡样本学习方法，以提高电力变压器状态评价的准确度。
对电力设备故障进行诊断：比如将历史电力设备数据进行整理，结合电力设备家族性缺陷数据、电力设备运行数据、外界环境数据等信息，利用样本合成方法、生产对抗网络方法进行数据增值，更好地平衡电力设备正负样本的比例。通过数据的时序记录完整性情况对不同的数据进行分类、预测，并引入设备运行检修的经验进行机器学习引导，从而对电力设备的缺陷进行分类，并判断缺陷所在的部位，根据缺陷概率排序做出相应的故障警报提示。另外，采用计算机视觉技术可以对电力设备进行巡检影像的人工智能分析。在无人机、巡检机器人等装备采集来的电力设备巡检视频及图象的基础上，对电力设备的外观进行缺陷识别，能够更好地应对复杂多变的巡检环境，提高电力设备巡检效率。
对电力设备检修策略进行优化：面对电力系统越来越复杂的情况，电力设备检修策略必须更加科学高效，才能满足电力设备运维需求。通过人工智能技术，如采用启发式智能算法为电力运维人员推荐更加科学的设备检修时间、检修频率、检修方式，优化电力设备检修策略，提高电力设备检修的安全性、经济性和时效性。
5结语
只有将人工智能技术与电力设备的运维检修工作紧密融合起来，才能更好地发挥出智能技术的潜在效能，才能更好地突破传统运维检修瓶颈，推动电力系统运行越来越安全、经济、高效。
参考文献
[1]王佳兴.人工智能技术在电力系统机电保护中的应用[J].电子乐园，2019（32）：0003-0003