人工智能技术在电力设备运维检修中的研究及应用 .pdfVIP

人工智能技术在电力设备运维检修中的研究及应用

摘要：智能技术作为时代发展的产物,其优越性不言而喻。现如今，电力设备的

运行状态与电力系统的稳定及安全密切相关。全面、准确地掌握电力设备的内外

部多源数据，并通过科学的手段进行信息汇总和融合，从而对设备的运行状态与

变化趋势做出准确的评估和预测，并安排合理的运维检修计划，是整个电力系统

可靠、经济运行的关键前提和重要基础。人工智能技术在识别、预测、优化、决

策任务中的效率、精度、自学习能力等方面的发展和突破，为电力设备的运维检

修提供了一种全新的技术手段与研究思路。

关键词：电力设备；人工智能；运维检修；电力大数据

引言

人工智能在电力系统中的广泛应用，提高了电力设备的安全性、可靠性和运行能力。按

早期、中期和后期3个阶段对相关工作进行了总结，包括20世纪八九十年代专家系统、神

经网络等的应用情况，并重点介绍了21世纪初出现的相关向量机的特点、原理及其在电力

系统中的应用研究现状。

概述1

人工智能是一门研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用

系统的前沿技术科学，其目标是用机器实现人类的部分智能，替代人类实现识别、认知、分

类与决策等多种功能。本文针对电力变压器状态检修的智能化需求，对人工智能的典型技术

分支进行了总结归纳。

不确定性1.1推理。不确定性推理泛指除确定性推理以外的其他各种推理问题，包括不

完备、不精确知识的推理，模糊知识的推理，非单调性推理等。不确定性推理是指以不确定

的初始证据为基础，依据不确定性知识进行推理，最终推出具有一定不确定性但却又是合理

或基本合理的结论的思维过程。在不确定性推理中，知识和证据均有不同程度的不确定性，

这就增加了推理机设计与实现的难度。它既需解决推理方向、推理方法、控制策略等基本问

题，也需解决不确定性的表示与度量、不确定性匹配、不确定性的传递算法以及不确定性的

合成等重要问题。

专家1.2系统。作为早期人工智能的典型代表，专家系统是一种模拟专家决策能力的计

算机系统，其核心组成部分为知识库与推理机。知识库由某领域专家提供的大量知识与经验

构成，推理机则是通过模拟该领域专家的思维过程，控制并执行对相关问题的求解。专家系

统依据特性与功能可划分为诊断型专家系统、预测型专家系统、修理型专家系统以及规划型

专家系统等。

数据2情况

输2.1变电设备数据。输变电设备的结构化数据主要包括本体数据、在线监测数据、试

验数据、气象与地理环境数据等，其中本体数据是指设备的台账、设计参数等，在设备出厂

或并网时录入系统，数据通常较为完整准确；在线监测数据是指在不停电情况下对电力设备

状况进行连续或周期性的自动监视检测，监测频率高、数据体量大；试验数据来源于例行试

验与诊断性试验，例行试验是指为获取设备状态量而定期进行的各种带电检测和停电试验，

诊断性试验是指通过巡检、在线监测、例行试验等发现设备不良状态，或经受了不良工况和

受家族缺陷警示的情况，是为了进一步评估设备状态而进行的试验，试验数据一般较为准确，

但是受人工量测与录入的影响，数据完整性与记录频率难以保证。其中，诊断性试验面向疑

似状态不良的设备开展，因此数据量极其稀少。

数据现存问题2.2

数据融合问题。数据融合困难主要体现在两方面，一是早期不同业务系统实行独立2.2.1

开发建设，导致其设备结构化数据难以有效匹配；二是文档、图像等数据往往来自不同人员、

厂家、设备，特征差异极大，难以实现有效识别与融合学习。因此，在应用人工智能技术进

行设备运维检修时，一方面需要采用数据补全、修复、增广等方式，尽量保持数据集的完备

性和平衡性；另一方面，需要根据具体问题的类型、数据规模和结构、算力、计算精度与效

率要求等各个方面进行综合考虑，选择和设计合适的算法模型。对于极其稀少的数据，采用

规则判断往往比机器学习模型更为有效，而支持向量机、k-近邻等方法在数据量适中的训练

集中表现优异，深度学习则在图像、文本或大量量测数据的处理中更具优势。

状态数据的特2.3点

状态数据具有以下3方面的特点：

）体量大、1增长快、类型多。随着监测设备的大量部署，状态监测数据呈现较快增长

趋势。例如，采样周期5min，每100台状态监测装置，每天约产生4.3GB数据，每年约产生

1.5TB数据。此外，状态数据包括数字、文本、视频、图像等结构化、半结构化和非结构化

数据，数据类型多样，且非