張 靈

（國(guó)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(jì)算機(jī)程序?qū)崿F(xiàn)的，主要用于開發(fā)和研究、實(shí)現(xiàn)拓展、延伸和模擬等的智能技術(shù)。在我國(guó)現(xiàn)代社會(huì)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(guó)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(jī)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(duì)生物特性、視覺和語言進(jìn)行綜合分析，得到了廣泛的應(yīng)用。隨著在線檢測(cè)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(yùn)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(cè)系統(tǒng)在變電站運(yùn)維管理中的應(yīng)用

2.1 變壓器/電抗器

在以往進(jìn)行變壓器診斷時(shí)，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(chǎng)干擾故障、類型繁多、故障機(jī)理復(fù)雜等特點(diǎn)，使其診斷方法缺乏準(zhǔn)確率。遙測(cè)系統(tǒng)在監(jiān)測(cè)變壓器時(shí)，具有極其豐富的參量。因此，結(jié)合機(jī)器學(xué)習(xí)專家系統(tǒng)等人工智能，可以對(duì)變壓器進(jìn)行更為高效的故障診斷，而監(jiān)測(cè)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(cè)參量的映射關(guān)系，通過該種方法，可以對(duì)變壓器狀態(tài)進(jìn)行科學(xué)判別。

通過全面整合實(shí)際經(jīng)驗(yàn)法、統(tǒng)計(jì)學(xué)習(xí)方法和傳統(tǒng)三比值法中判別故障的各項(xiàng)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(shí)，可以利用專家系統(tǒng)建立映射關(guān)系，雖然具有極強(qiáng)的解釋性，但是對(duì)知識(shí)庫具有較高的依賴性，容差能力相對(duì)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(duì)較多，利用油色譜等狀態(tài)參量進(jìn)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(xiàng)信息，使故障診斷結(jié)果具有更高的準(zhǔn)確度。

相對(duì)于專家系統(tǒng)而言，機(jī)器學(xué)習(xí)算法可以從樣本中進(jìn)行有效學(xué)習(xí)，對(duì)數(shù)據(jù)和故障之間的映射關(guān)系進(jìn)行有效擬合，具有較高的魯棒性和容錯(cuò)性。在現(xiàn)階段具體應(yīng)用的算法中，訓(xùn)練時(shí)長(zhǎng)、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(jī)通常擅長(zhǎng)于高維數(shù)和小樣板場(chǎng)景，在出現(xiàn)深度學(xué)習(xí)之前，支持向量機(jī)具有較為普遍的應(yīng)用，但是在以往進(jìn)行設(shè)備故障診斷時(shí)，機(jī)器學(xué)習(xí)算法需要由人工設(shè)計(jì)特征量。在故障診斷中應(yīng)用機(jī)器學(xué)習(xí)算法時(shí)，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(jià)值，和業(yè)務(wù)知識(shí)具有密切的聯(lián)系。在進(jìn)行故障診斷時(shí)，無法直接將振動(dòng)信號(hào)和局部放電信號(hào)作為診斷模型，需要進(jìn)行有效的特征提取。局部放電信號(hào)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。可以對(duì)局部放電信號(hào)進(jìn)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(jì)特征參數(shù)，提取過程非常復(fù)雜。對(duì)于振動(dòng)信號(hào)，研究人員需要結(jié)合具體情況進(jìn)行特征量的科學(xué)設(shè)計(jì)，特征缺乏通用性。當(dāng)特征維數(shù)高時(shí)，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(jìn)一步提升診斷性能。

應(yīng)用傳統(tǒng)方法進(jìn)行故障診斷，提取過程復(fù)雜，對(duì)專業(yè)知識(shí)的依賴性較強(qiáng)，而特征也具有一定的全面性，無法對(duì)其狀態(tài)信息進(jìn)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(jìn)行特征信息的自動(dòng)學(xué)習(xí)，有效避免特征手動(dòng)設(shè)計(jì)的主觀性和復(fù)雜性，有效簡(jiǎn)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(chǎng)景中進(jìn)行遷移應(yīng)用[1]。在對(duì)變壓器進(jìn)行故障診斷時(shí)，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(dòng)信號(hào)，局部放電信號(hào)和油中溶解氣體中學(xué)習(xí)特征，在具體實(shí)現(xiàn)深度學(xué)習(xí)時(shí)，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(duì)電力設(shè)備進(jìn)行故障診斷的同時(shí)，還可以進(jìn)行有效的狀態(tài)檢測(cè)，深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)的擬合能力相對(duì)較強(qiáng)，通過學(xué)習(xí)豐富的歷史時(shí)序樣本，能夠科學(xué)預(yù)測(cè)變壓器中振動(dòng)基頻幅值、油溫以及溶解氣體等狀態(tài)參量的發(fā)展趨勢(shì)。

2.2 電容型設(shè)備

在對(duì)電容型設(shè)備進(jìn)行在線監(jiān)測(cè)時(shí)，通常需要關(guān)注介質(zhì)損耗因數(shù)和電容等可以對(duì)其絕緣性能進(jìn)行有效反應(yīng)的各項(xiàng)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(jì)算精度。在我國(guó)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(duì)較少?？梢岳米钚《酥С窒蛄繖C(jī)針對(duì)介質(zhì)損耗因素建立修正模型，同時(shí)利用遺傳算法進(jìn)行波形參數(shù)的合理優(yōu)化，有效排除環(huán)境因素對(duì)其造成的影響。與此同時(shí)，可以利用深度學(xué)習(xí)辨識(shí)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(shí)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(jī)和BP 神經(jīng)網(wǎng)絡(luò)，提升其辨識(shí)準(zhǔn)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(duì)其內(nèi)部絕緣缺陷進(jìn)行有效反應(yīng)，應(yīng)用的模式識(shí)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(shí)別GIS 的電信號(hào)。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(zhǔn)確率和更強(qiáng)的魯棒性，但是普遍缺乏可解釋性。在變電站現(xiàn)場(chǎng)，利用放電模型進(jìn)行信號(hào)訓(xùn)練仿真實(shí)驗(yàn)，可以對(duì)GIS 放電進(jìn)行更為有效的識(shí)別，具有更高的可信度和準(zhǔn)確性。在應(yīng)用高壓斷路器時(shí)，開合過程會(huì)產(chǎn)生劇烈振動(dòng)，通過分析振動(dòng)信號(hào)能夠及時(shí)發(fā)現(xiàn)斷路器所產(chǎn)生的機(jī)械故障，利用振動(dòng)信號(hào)對(duì)斷路器進(jìn)行故障診斷，具體包括提取振動(dòng)信號(hào)特征和基于特征量進(jìn)行故障分類。構(gòu)造特征量具有更高的價(jià)值，在進(jìn)行具體工作，首先需要分解信號(hào)，然后基于熵理論為分解結(jié)果進(jìn)行特征構(gòu)造，此時(shí)，分類模型缺乏統(tǒng)一性[2]。在現(xiàn)階段對(duì)斷路器進(jìn)行機(jī)械故障診斷時(shí)，深度學(xué)習(xí)的應(yīng)用相對(duì)較少。對(duì)于診斷對(duì)象，單一的診斷方法、特征和來源信號(hào)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(zhǔn)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(dòng)器動(dòng)作時(shí)的振動(dòng)信號(hào)與聲音，基于證據(jù)理論實(shí)現(xiàn)融合決策。相關(guān)人員還可以針對(duì)多路振動(dòng)信號(hào)降維篩選特征值。利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障判斷，實(shí)現(xiàn)特征融合。

3 遙視系統(tǒng)在變電站運(yùn)維管理中的應(yīng)用

3.1 設(shè)備方面

利用遙視系統(tǒng)進(jìn)行設(shè)備監(jiān)控時(shí)，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(jì)狀態(tài)、信號(hào)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(jìn)行檢測(cè)。在我國(guó)現(xiàn)階段，紅外技術(shù)已經(jīng)實(shí)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(duì)設(shè)備發(fā)熱故障進(jìn)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(duì)設(shè)備狀態(tài)進(jìn)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(yán)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(jī)器學(xué)習(xí)技術(shù)。相關(guān)人員在開展具體工作時(shí)，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(jìn)行紅外圖像的聚類，并對(duì)各區(qū)域的面積信息和溫度信息進(jìn)行有效提取，為支持向量機(jī)提供輸入特征，分為緊急故障、嚴(yán)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(duì)支持向量機(jī)的各項(xiàng)參數(shù)進(jìn)行合理優(yōu)化，使其準(zhǔn)確率達(dá)到97.8%以上。

在對(duì)變電設(shè)備進(jìn)行外觀檢測(cè)時(shí)，主要在于識(shí)別元件和設(shè)備本體，而在漏油、部件缺失和破損情況的識(shí)別方面，還需要進(jìn)行深入研究。但是在識(shí)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(shí)別設(shè)備外觀情況，但是缺乏有效樣本[4]。對(duì)于設(shè)備狀態(tài)信息，在識(shí)別標(biāo)記狀態(tài)、信號(hào)燈狀態(tài)、刀閘狀態(tài)和開關(guān)狀態(tài)時(shí)，對(duì)圖像處理法具有較強(qiáng)的依賴性，可以結(jié)合應(yīng)用簡(jiǎn)單模板匹配和圖像處理，同時(shí)還可以組合應(yīng)用機(jī)器學(xué)習(xí)識(shí)別和提取圖像處理特征。在對(duì)深度學(xué)習(xí)方法進(jìn)行具體應(yīng)用時(shí)，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(shí)別刀閘狀態(tài)和指針式表計(jì)狀態(tài)時(shí)，前者用于刀閘和絕緣子位置的識(shí)別，而后者用于儀表位置的識(shí)別，但是其本質(zhì)都是識(shí)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(hào)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(qiáng)魯棒性的方法。指針式表計(jì)可以實(shí)現(xiàn)連續(xù)讀數(shù)，但無法識(shí)別問題并進(jìn)行科學(xué)轉(zhuǎn)化，使其形成機(jī)器學(xué)習(xí)問題?，F(xiàn)階段，普遍選擇圖像處理技術(shù)，為有效避免誤差，對(duì)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(duì)較高，消防安全對(duì)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(shí)監(jiān)測(cè)小動(dòng)物入侵、煙霧以及明火等情況。在進(jìn)行火災(zāi)預(yù)警時(shí)，與明火識(shí)別相比，煙霧識(shí)別具有更高的應(yīng)用價(jià)值[5]。在進(jìn)行煙霧識(shí)別時(shí)，主要是描述和提取煙霧特征，具體包括運(yùn)動(dòng)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(xiàng)特征。而在具體進(jìn)行煙霧判別時(shí)，人工智能技術(shù)的研究相對(duì)較少?；谏疃葘W(xué)習(xí)的煙霧識(shí)別，可以實(shí)現(xiàn)自動(dòng)學(xué)習(xí)，應(yīng)用該種方法，可以簡(jiǎn)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(shí)別煙霧和明火是其視頻監(jiān)測(cè)系統(tǒng)必須具備的通用性功能，而基于手動(dòng)設(shè)計(jì)特征實(shí)現(xiàn)的識(shí)別方式具有較高的針對(duì)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(guó)現(xiàn)代變電站日常運(yùn)行時(shí)，運(yùn)維管理工作通常是采取人工核查的方式對(duì)現(xiàn)場(chǎng)工作人員進(jìn)行管理。視頻監(jiān)控也需要人工進(jìn)行判斷，無法及時(shí)發(fā)現(xiàn)施工現(xiàn)場(chǎng)的違章行為和安全隱患。因此，在對(duì)變電站進(jìn)行視頻監(jiān)控時(shí)，基于機(jī)器視覺實(shí)現(xiàn)的識(shí)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(jìn)行人員監(jiān)控時(shí)，主要涉及異常行為識(shí)別、目標(biāo)跟蹤檢測(cè)、身份識(shí)別驗(yàn)證和安全著裝檢驗(yàn)等多個(gè)方面?，F(xiàn)階段，對(duì)識(shí)別安全帽佩戴情況具有較高的準(zhǔn)確率，以深度學(xué)習(xí)為基礎(chǔ)實(shí)現(xiàn)的目標(biāo)檢測(cè)模型具有較高的適用性，將其用于變電站場(chǎng)景，所需的成本相對(duì)較低。在進(jìn)行安全著裝檢測(cè)時(shí)，對(duì)高空作業(yè)正確使用安全帶、工作時(shí)穿著背心、短褲、裙子、高跟鞋、拖鞋以及未將長(zhǎng)頭發(fā)盤入安全帽的違規(guī)情況，具有和安全報(bào)警識(shí)別相似的識(shí)別思路，缺乏豐富的有效樣本進(jìn)行目標(biāo)檢測(cè)模型，相關(guān)工作人員可以針對(duì)具體需求進(jìn)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(shí)，以人臉識(shí)別為基礎(chǔ)的身份識(shí)別驗(yàn)證具有較為成熟的應(yīng)用和較高的識(shí)別率，所產(chǎn)生的遷移成本也相對(duì)較低，但是變電站的應(yīng)用場(chǎng)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(jìn)行身份識(shí)別。即使是對(duì)于以深度學(xué)習(xí)為基礎(chǔ)的自動(dòng)學(xué)習(xí)方法，也需要利用大量有效樣本進(jìn)行充分訓(xùn)練和科學(xué)驗(yàn)證，在對(duì)變電站進(jìn)行異常行為識(shí)別時(shí)，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(duì)變電站進(jìn)行運(yùn)維管理時(shí)，遙測(cè)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(yùn)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(shí)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(xiǎn)，有效保障了電網(wǎng)系統(tǒng)的有序運(yùn)行。