人工智能如何影响中国智能电网发展人工智能电力

发表时间：2023-07-05 17:31:53

人工智能如何影响中国智能电网发展

■林伯强

作为革命性技术，人工智能为智能电网的发展提供了广阔前景。它在负荷预测和管理、能源调度和交互、故障监测和维护等方面均发挥重要作用。

负荷预测是电力系统管理的关键环节之一。通过对历史数据和实时数据的监测与分析，人工智能可以更准确地预测负荷的变化趋势，帮助电网管理者作出相应的调度决策。同时，它还可以优化负荷分配，提高电网的运行效率和稳定性。人工智能在负荷预测和管理中的应用可以极大程度地避免供需失衡，显著提高电力系统的可靠性和效率。

除了电力需求侧的负荷预测，人工智能在电力供给侧也将有所作为。根据能源供应的不确定性，人工智能可以优化能源分配和利用，确保能源供应的稳定性和可靠性。智能电网还可以通过实时数据监测和分析，优化发电设备的运行参数，提高能源转换效率。在用电高峰时段，人工智能可以通过优化和调整电力分配，避免过载和电力故障。

人工智能可以根据电力系统的实时运行状况和需求情况，智能调度发电机组、储能设备和负荷之间的能量交互，实现电力系统的优化调度，提高电网的可持续性和灵活性。人工智能通过对各种能源资源的集成和管理，最大程度地消纳可再生能源，优化储能系统的运行和管理。在能源调度和交互方面，人工智能也有极大的发挥空间。传统的电力系统通常采用静态的能源调度方案，无法灵活应对能源供需的变化。而智能电网利用人工智能技术，可以实时监测和分析能源供应和需求的情况，根据实时数据实现动态化调度能源。

智能电网的人工智能技术还可以促进能源交互与共享。通过智能电网的连接和数据交换，不同的能源系统可以实现互联互通，以及能源的共享和协同。人工智能可以分析不同能源系统的供需情况，制定合理的能源交互方案。通过人工智能的调度，智能电网可以将多余的可再生能源分配给电动汽车充电，提高能源的利用效率，实现能源的共享和平衡。

人工智能可以通过对电网各个节点的数据进行检测和分析，实时监测故障，准确诊断故障类型和位置，实现故障的自我修复，极大提高了电网的可靠性和安全性。

在故障监测方面，人工智能可以监测电网中各种设备和组件的工作与运行情况，包括发电机、变压器和传感器等。

在故障预测方面，人工智能可以预测设备的寿命和故障发生概率，从而实现前瞻性的故障定位，帮助电力系统管理者制订有效的维护计划。这样可以避免计划外的设备故障和停机时间，减少维修成本，提高设备的可用性。

在故障自愈方面，当电力设备发生故障时，人工智能通过对故障模式和故障特征的学习，自动进行故障诊断和定位，并在有限范围内自行处理故障。随着故障处理数据积累程度的提高，人工智能对故障的处理能力还将得到不断提升。

然而，人工智能在发挥重要作用的同时也存在一些潜在威胁。

人工智能应用于电网智能决策时主要面临两个问题。一是无法保障100%的安全性；二是即使达到99.99%的验证效果，也难以对决策过程作出可信的解释。

在其他场景中，人工智能或许只是好与坏的区别，但在电网中却是行与不行的差异，所以提高人工智能的准确率至关重要。而这就需要不断对人工智能进行训练，并需要大量电网数据的支撑。通过学习电网的历史数据，人工智能可以实现自我迭代，进一步提高智能电网的可靠性和安全性。此外，人工智能技术的发展也面临着安全和隐私的挑战，需要进一步加强研究和应用实践，要在确保数据安全的前提下，实现智能电网的可持续发展和安全运行。

为了更好地在智能电网的建设和发展中应用人工智能技术，防范人工智能可能会带来的潜在威胁，我们提出如下发展建议。

第一，提高智能决策的可解释性和透明度，人工智能的决策过程必须有可信的解释。无论在负荷预测、电网调度还是故障自愈的过程中，人工智能所作出的任何智能决策必须要有详细的解释和操作说明，并形成操作日志，以备事中及时调整和修改。事后，监管机构需要对人工智能决策的合理性进行评价，做到在人类控制范围内高效合理地使用人工智能。

第二，加强数据安全和隐私保护，用人工智能来解决其应用于电网所带来的数据安全问题，达到以“AI”制“AI”的效果。可以利用人工智能自行开发数据加密技术，避免未经授权的数据访问和窜改。利用人工智能形成类似区块链形式的去中心化数据存储结构是保障数据安全的另一途径。必要时可以采用数据脱敏处理，将敏感数据分离。

第三，建立考虑人工智能的电网标准和规范，强化监管和治理机制。在人工智能时代，各行各业的标准和规范都需更新以适应人工智能技术的应用，对于电网而言更是如此，因此必须对人工智能作出的决策加强监督和管理，明确人工智能在智能电网中的责任和义务。人工智能决策带来的影响和后果，责任归属于谁务必明晰。与此同时，建立透明的人工智能决策信息披露机制，提高公众参与度，形成全社会共同监督管理的新模式。

（作者系厦门大学中国能源政策研究院院长）

科学网—人工智能如何影响中国智能电网发展

人工智能如何影响中国智能电网发展

■林伯强

作为革命性技术，人工智能为智能电网的发展提供了广阔前景。它在负荷预测和管理、能源调度和交互、故障监测和维护等方面均发挥重要作用。

在故障监测方面，人工智能可以监测电网中各种设备和组件的工作与运行情况，包括发电机、变压器和传感器等。

然而，人工智能在发挥重要作用的同时也存在一些潜在威胁。

人工智能应用于电网智能决策时主要面临两个问题。一是无法保障100%的安全性；二是即使达到99.99%的验证效果，也难以对决策过程作出可信的解释。

为了更好地在智能电网的建设和发展中应用人工智能技术，防范人工智能可能会带来的潜在威胁，我们提出如下发展建议。

（作者系厦门大学中国能源政策研究院院长）

《中国科学报》(2023-07-05第3版领域)

人工智能技术在电力设备运维检修中的研究及应用

0引言

电力设备是电力系统中的重要组成内容,变压器、输电线路、断路器等关键设备在运行中产生的不同类型、不同程度的故障都会直接影响整个电力系统的安全稳定运行。全面掌握、分析、预测电力设备的运行状态与健康水平,提升故障诊断水平,及合理地安排状态检修或预测性维护,是为用户提供安全、优质、经济的电力供应的必要基础。开展电力设备检修运维相关技术的研究具有重要的基础理论意义和实际应用价值[1-3]。

我国电网的输变电设备呈现出设备种类多、分布范围广、结构参数各异等特点,在长期运行的过程中,电力设备出现故障几乎不可避免,引起故障的原因包括制造过程中遗留的设备缺陷,安装检修维护中存在的问题,长期运行后导致的绝缘老化及结构劣化等因素。然而,输变电设备本身是也一个极其复杂的系统,表征其状态的特征量众多,如运行工况、检修历史、工作环境、监测数据、家族质量史等,这些状态信息具有不确定性和模糊性,且各参量间关系复杂、相互耦合影响,因此实现对电力设备运行状态有效、准确评估存在很大的困难[4-6]。目前,我国输变电设备的运维检修业务主要在导则、规程[7-11]、专家经验或传统的比值、波形特性分析法[12]等方式的指导下开展,这种方式难以满足电力设备海量化、差异化、精细化的运维需求,可能使设备存在“过修”或“欠修”状态,从而造成巨大的人力、物力资源浪费[13]。

随着电力系统规模的不断扩大,各类传感器的广泛部署以及电力信息化水平的迅速提升,能量管理系统、设备管理系统以及各类信息平台等积累了大量多源异构的电力设备数据,包括数字、文字、图像、声音等,且呈现出显著的“4V”特征[3],即量(volume)、类(variety)、速(velocity)、值(value)。一方面,随着输变电设备及其数据量的爆炸式增长,传统方法在评估准确度、诊断效率、知识更新等方面逐渐显现出一些不足;另一方面,海量数据为大数据、数据挖掘、人工智能等技术的发展和应用提供了数据基础[14-16]。深度学习、知识图谱等新兴人工智能算法的理论突破以及以GPU、TPU为代表的高计算力技术的发展,为人工智能在输变电设备运维检修的落地应用提供了技术支撑。

人工智能技术作为当前最具颠覆性的前沿技术,正在形成一套新的数据科学方法论,并深刻影响和改变着整个世界包括交通、金融、医疗、工业、法律、电子商务等各个领域的商业模式乃至行业形态。目前,各国纷纷制定人工智能发展战略以抢占新一轮科技革命的制高点[17-18],我国也已经将新一代人工智能技术上升为国家战略[19]。在此背景下,推进人工智能技术在输变电设备状态评估、故障诊断、健康管理等业务中的创新应用,是提升电网运维检修智能化、集约化水平,促进设备状态运维检修向全面、精准、高效方向迈进的重要技术手段。

本文结合人工智能技术及输变电设备运维检修的具体业务,按照数据层、算法层与应用层逐层展开论述。其中,数据层包括外部数据、本体数据、监测数据、试验数据、巡视数据与导则规章等内容;算法层包括传统机器学习、启发式智能算法、计算机视觉、自然语言处理、知识推理与多模态学习等技术;应用层包括运维检修知识库的建立、输变电设备健康状态综合评估、设备运行状态预测、设备缺陷识别与故障诊断、设备寿命评估与运检策略智能推荐等场景。本文首先介绍了输变电设备的数据情况与现状问题,其次阐述了业务相关的人工智能关键技术,最后总结了目前人工智能技术在设备运维检修中的应用场景与探索实践,并提出了人工智能研究中面临的挑战与未来发展趋势。

1数据情况

我国交流、直流电网建设规模、电压等级、复杂程度的不断增加,对核心高压电气设备全方位、全周期的可测可控与智能运检工作提出了更高的要求。传感器、计算机、网络通信等技术被广泛应用于输变电设备领域,并出现了大量新型试验手段和非电量测量仪器,为输变电设备提供了良好的大数据与深层人工智能技术应用基础,本节将阐述目前的输变电设备数据情况及其现存问题。

1.1输变电设备数据

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,如图1所示。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。

输变电设备的非结构化数据主要包括图像/视频数据与文本数据,来源于巡检记录、紫外/红外/可见光检测或监控、消缺报告、情况说明等。其中巡检记录是指在设备运行期间,按规定的巡检内容和巡检周期对各类设备进行巡检后获得的书面或电子文档记录,往往为文字、图像混合的多模态数据;紫外/红外/可见光检测或监控往往为图像或视频形式,并按照检测/监控装置设备不同,标有温度等重要检测信息;消缺报告是指各网省运检公司根据巡

图1基于人工智能技术的输变电设备运维检修框架Fig.1Generalframeworkofoperationandmaintenanceforpowerequipmentusingartificialintelligencetechnology

检情况对设备缺陷进行处理的记录报告,同样为文字、图像混合的多模态数据,且缺少统一的标准格式;情况说明是指各网省运检公司发现缺陷设备后,临时性编制的缺陷情况说明文档。此外,标准导则、管理规章(五通管理规定及细则)也提供了大量经过验证的通用输变电设备运检知识。

1.2数据现存问题

随着传感器件、监测装置、检测手段水平的不断提升,常态化采集传输的输变电设备多模态数据从体量、频率、质量、范畴上都在不断发展。然而当前输变电设备数据还存在着以下显著问题：

1）数据质量问题。输变电设备相关数据质量在采集、传输、存储等环节会受到不同程度的影响,造成量测误差大、数据异常、数据丢失或重复、存储格式不标准等问题,使得有效数据样本体量过小。

2）数据不均衡问题。输变电设备所积累的故障数据与案例数量稀少,与不断增长的正常运行监测数据相比,呈现出极端的数据不均衡现象。直接应用人工智能算法难以刻画全局样本。

3）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。

2关键技术

输变电设备智能运维检修的核心是针对海量在线、离线的多源异构数据进行深度融合分析,抽取映射关系、关键信息与判断规则,建立基于数据驱动的预测、评价与诊断模型,以提高设备状态评价、故障诊断和预测的实时性和准确性。

机器学习(machinelearning,ML)是在计算机上从数据中产生模型的算法,即“学习算法”。例如对电力设备的故障类型进行分类,ML基于经验数据的模型进行训练,找到一个合适的函数f,根据误差最小的原则,使其成为输入变量X(如气象、设备本体数据、运行数据、故障信息等)到输出变量Y(故障类别)之间的最优映射Y=f(X)。

国内外学者与研究机构在电力设备状态评价与故障诊断的机器学习方法上已经开展了大量研究。近年来,随着大数据技术、计算机算力以及学习算法理论水平的大幅提升,基于深度学习的人工智能技术也得到了快速发展和广泛使用。本节将主要阐述输变电设备运维检修各环节所涉及到的人工智能关键技术,包含监督与无监督机器学习、启发式智能算法、知识推理等传统方法,以机器学习、深度学习为底层支撑技术的计算机视觉与自然语言处理两类高级应用,以及融合各类算法和数据的多模态学习等。针对输变电设备的数据清洗、异常值检测、数据补全等大数据技术,已在众多文献中进行了讨论[20-23],本文不再进行过多论述。

2.1传统机器学习2.1.1监督学习

监督学习(supervisedlearning)是从已标记的数据中训练具有某种推断功能模型的机器学习,主要包含分类和回归2类任务。其中分类方法最为广泛的应用是电力设备的故障诊断,常见的分类方法包括朴素贝叶斯[24]、k-近邻[25]、决策树[26]、Logistic(Softmax)回归[27]、支持向量机[28-29]、人工神经网络[30]等方法。

回归(预测)方法最常见的模型为线性回归,通过引入罚项的正则化方法解决过拟合问题,如岭回归、最小绝对收缩及算子选择以及弹性网络

等[31]。对于非线性回归问题常用方法为多项式回归,除此之外,上述的很多分类方法也可用于回归分析,如k-近邻法、分类与回归树、支持向量回归以及人工神经网络(包括全连接层模型、长短时记忆神经网络)等。机器学习回归方法被广泛应用于电力设备的状态预测[32-33]和故障预测[34]问题之中。

随着机器学习的不断发展,逐渐产生了将多个弱学习器进行组合的方法,称为集成学习[35-36],该方法使模型具有更强的泛化能力。常见的集成思想构架主要分为3类：Bagging、Boosting和Stacking,其中Stacking方法的基本原理如图2所示,通过增加一层学习器,将训练集弱学习器的学习结果作为输入,重新训练一个学习器来得到最终结果。

随机森林是集成学习的典型代表,通过自助采样的方式生成多个训练集,最终对结果进行集成,从而有效解决单个决策树容易产生过拟合的问题。目前,随机森林法已应用于电力设备的故障诊断之中,并取得了良好的效果[37-38]。

2.1.2无监督学习

无监督学习(unsupervisedlearning)是在无类标信息(或预期输出值)的情况下训练模型。目前无监督学习主要指聚类方法。典型的聚类方法包括K-means聚类、基于密度的聚类方法、高斯混合模型、层次聚类等。聚类方法可以在没有设备样本标注的情况下进行状态评估[39]、异常检测[40]、故障诊断[41]等任务。

广义的无监督学习还包含降维方法,通过特征抽取减少数据集中特征的数量,从而降低“维数灾难”,提高计算效率。主成分分析法(principalcomponentanalysis,PCA)是最为常见的降维方法,一般应用在机器学习模型前期的数据预处理阶段,用于分析影响设备状态或引起故障的主要因素[42]。

图2Stacking算法的基本原理Fig.2PrincipleofStackingalgorithm

2.1.3启发式智能算法

启发式智能算法主要指受自然界某些规律启发而设计的算法,主要包含群体智能算法(swarmintelligence,SI)和进化算法(evolutionaryalgorithm,EA)两大类[43]。SI的理论是指具有简单智能的个体通过相互协作和组织而表现出超越个体能力的群体智能行为的特性,代表算法包括粒子群算法、人工蜂群算法、蚁群算法等。EA则是从进化理论发展而来,典型算法包括遗传算法、进化策略、进化规划等。除此之外,广义的启发式算法还包括禁忌搜索算法、模拟退火法等。启发式智能算法是一种较为成熟的具有高鲁棒性和广泛适用性的全局优化方法,能有效地处理传统优化算法难以解决的非凸、非线性问题。

在电力设备的故障诊断问题中,启发式智能算法主要应用于2类问题,一类是优化其他分类器的超参数,从而寻找出具有最优性能的分类模型[44-45];另一类是求解最优化问题,特别是进行电力设备的智能检修策略优化[46]。

2.1.4知识推理

人工智能推理技术目标在于模拟人的思维模式,并结合相关经验和专业理论来进行具有逻辑性的推理。推理技术能够寻找设备的不良工况、异常征兆、故障模式等之间的因果关系,诸如专家系统(expertsystem)、模糊理论(fuzzytheory)等技术已成功应用于电力设备故障诊断中并取得了较好成效。

专家系统通常指一类具有专门知识和经验的计算机智能程序系统[47],在采集被诊断对象的信息后,综合运用各种规则(专家经验)进行一系列的推理,在运行过程中向用户索取必要的信息后,就可快速地找到电力设备最有可能的故障[48]。

模糊推理是以模糊集合论为基础描述工具,根据规则库建立模糊推理机实现模糊推理的过程[49]。在设备故障诊断领域,模糊属性经常出现,故障与征兆的关系往往也是模糊的[50]。模糊推理能准确地表示具有模糊特性的征兆和故障,且适用于证据间出现冲突的情况[51]。

作为新兴的人工智能技术,知识图谱(knowledgegraph,KG)揭示了实体之间关系的语义网络,是结构化的语义知识库[52],可以对现实世界的事物及其相互关系进行形式化的描述。知识图谱能够将信息聚集为知识,使信息资源更易于计算、理解以及评价,通过知识图谱构建的关系与逻辑特征非常适用于电力设备的运维检修与故障推理。虽然知识图谱为知识推理提供了更多的可能,但目前相关研究仍处于起步阶段。通过知识图谱进行电力设备缺陷记录的检索是相关领域的有益探索[53]。

2.2计算机视觉

早期的计算机视觉(computervision,CV)需要凭借大量的经验来手工设计特征,框架的通用性不强。随着深度学习理论的突破,卷积神经网络(convolutionalneuralnetworks,CNN)大幅提升了图像识别的准确率,甚至在某些场景的识别中超越了人类水平,目前已大规模应用于图像分类、目标识别、目标检测、语义分割等任务中[54-55]。卷积神经网络是由输入层、卷积层、池化层、全连接层及Softmax层等组合而成的深度神经网络[56],该方法采用卷积核自动提取图像特征,通过感受野和权值共享大幅减少了网络参数,避免了参数过多引起过的拟合问题。基于卷积网络的典型图像处理电站等高危环境下作业的危险性,提高危险环境下的巡检质量和效率。

然而,各类物体具有不同的外观、形状、姿态,且由于缺陷样本稀少造成数据不平衡问题,加之成像时光照、遮挡等因素的干扰,设备的目标检测以及缺陷识别任务的精度与效率尚未完全达到生产需求的要求。

2.3自然语言处理

自然语言处理(naturallanguageprocessing,NLP)是以一种智能、高效的方式对文本数据进行系统化分析、理解与信息提取的技术[57-58]。通过使用NLP及其组件,可以管理非常大块的电力文本数据,或者执行大量的自动化任务[59-60]。自然语言处理的相关技术包括分词、命名实体识别、词性标注、依存句法分析、词向量表示技术、语义相似度计算、篇章分析等。从技术角度看,文本信息挖掘还存在诸多困难：一方面,文本属于非结构化数据,没有清晰明确的表达形式,需要转化为可计算的、便于机器理解的结构化数据;另一方面,自然语言本身具有模糊性和歧义性,对于结果的准确度也没有统一的判断标准(即损失函数)。另外,文本知识本身包含了逻辑、情感、推测等复杂的人类思维内容,准确理解和使用难度较大。

在电力设备的长期运行、检修与维护过程中,积累了大量缺陷故障报告、试验巡检记录以及检修消缺文档等非结构化文本数据,这些数据蕴含了丰富的故障问题信息、故障原因及检修方法等关键特征,挖掘其中的语义信息与因果联系,对于指导设备的状态评价与运维检修具有重要的意义。

2.4多模态机器学习

输变电设备运维检修业务相关数据来源广泛、种类繁多,包括物理信号、图像、视频、文本、音频等多源异构数据,每一种信息的来源和形式,都可以称为一种模态。将各类模态进行综合分析,就构成了多模态机器学习(multimodalmachinelearning,MMML)。多模态学习旨在通过机器学习的方法提升处理和理解多源模态信息的能力。多模态机器学习将多模态信息进行融合,从而更好地进行特征表示、提取与识别。需要注意的是,多模态的学习模型并不是简单地将不同模型进行拼接,在不同场景开启各自“开关”,而是真正从模型机理上将多源特征进行融合学习。

相比于单模态学习,多模态学习通过多模态之间的互补性,剔除了模态间的冗余性,从而达到了更好的学习效果。迁移学习(transferlearning,TL)就是一种典型的多模态学习方法,该方法使用一个资源丰富的模态信息来辅助另一个资源相对贫瘠的模态进行学习,在小样本学习中具有良好的发展前景。图3为一种典型的深度适配网络迁移学习原理图。在设备运维检修业务中,由于设备、技术、资源、规程等各方面的因素,采集到的部分状态变量数据资源较为丰富,而另外一些信息则较为稀少。若能进行模态互补,从不同侧面对设备状态或故障进行综合分析,则会进一步提高判断的准确率。目前,部分学者在多时段[61]、多信息[62-63]、多判据[64]等层面进行了设备运维信息融合技术的探索,且取得了不错的效果,但真正意义上的多模态机器学习仍处于起步阶段。

图3深度适配网络迁移学习基本原理Fig.3Principleofdeepadaptationnetworkfortransferlearning

3应用场景

基于第1章中所分析的输变电设备数据情况与第2章的人工智能关键技术,本节梳理了7个主要应用场景组成的输变电设备智能运维体系。其中运维检修信息抽取与知识库建立为后续应用提供了知识图谱关系与设备故障案例,设备健康状态评估、设备状态预测、缺陷识别与故障诊断、设备巡检影像分析、设备寿命评估、运检策略智能推荐等应用模块通过层级递进来定位、分析和处理状态不佳的设备。

3.1运维检修信息抽取与知识库建立

目前电力公司已面向输变电设备在站内、沿线、杆塔等区域部署了大量传感装置,同时按需安排人工定期或不定期地进行巡视、检测与试验,形成了大量信息化系统、文档图像类记录,并通过长期规则总结与经验归纳,制定了大量国际、行业、公司级别的标准与规章。需要从这些多模态数据中收集历史累积的故障案例,并抽取其中蕴含的行业知识与专家经验。

一方面,先按照不同类型设备的故障案例标准模板,通过梳理设备基本信息、发生缺陷或故障时的相关异常信息以及试验数据,形成结构化的案例库,从而为后续健康状况综合评估、缺陷识别与故障预警、寿命预测等应用模块提供模型学习的正样本。

另一方面,运用自然语言处理技术从标准导则、管理规章、消缺报告等非结构化、多模态资料中抽取设备的运维检修信息,建立不同概念或实体之间的关系,然后运用知识图谱技术构建知识库,为不同状态设备提供运检策略的智能搜索与推荐基础。例如,基于油浸式变压器相关导则[9]中的部分语料,如“纸绝缘降解的结果,首先为纤维素大分子的断裂,表现为聚合度的下降和机械强度的降低;其次是伴随降解过程,可得到溶解在油中的多种老化产物,如CO、CO2和糠醛等”,抽取其中的纸绝缘、标志产物等实体及其之间的关系,设计如图4所示的知识库。

此外,随着红外/紫外/可视光等电力设备监测装置在系统中的普及,基于图像识别、深度学习等人工智能技术分析图像与视频,提取电力设备信息的研究也在不断深入,积累的大量图像及相关识别信息也应纳入知识库中。

3.2设备健康状态评估

为有效保障电网的供电可靠性,降低定期检修带来的人力物力浪费,国内外电力行业已广泛开展电力变压器、电抗器、互感器、断路器等交直流输变电设备的健康状态评估与检修工作,并制定了相关的工作导则,形成了大量的专家经验。然而,以电力变压器为代表的设备构造复杂、成本高昂、作用关键,且其分布地域、工作特性各异,表征其状态的量也较多,具有高度的不确定性与模糊性,而业务工作开展过程中则缺少普适、客观、综合考量的评价标准。

为解决传统的依赖导则与专家经验开展业务评价工作的弊端,学术界基于多源设备状态数据,应用数学分析方法与机器学习算法开展了设备状态评价模型研究工作,期望能够全面准确地反映电力变压器的真实状态。这些模型主要分为2类：一是利用数学模型客观化计算评价权重,通过分析各种状态量指标与变压器状态之间的关系,确定其中密切相关的关键特征指标、相对重要性以及评价权重,再对变压器状态进行评价,目前常用的数学分析方法包括层次分析法[65-66]、熵权法[67]等;二是基于训练样本,利用机器学习算法直接构建状态量与变压器状态评价之间的预测模型,目前常用的机器学习算法包括人工神经网络[68]、贝叶斯概率[69]、聚类分析[70]等。例如,文献[71]提出了一种基于人工智能的高压SF6断路器健康评估方法,通过K-means聚类方法和聚类树,对检测到的高压断路器进行状态相似和故障概率相似的分组;文献[72]则基于贝叶斯概率和神经网络构建断路器2级递进状态评估方法,并计算出设备的运行状态综合分数。

需要注意的是,设备健康状态评估是由典型的正样本(异常状态数据)绝对数量稀缺引起的非均衡样本与小样本问题,越是造价高昂、作用关键的设备,如大型电力变压器,电力公司在日常运维过程

图4油浸式变压器绝缘老化知识库设计示意图Fig.4Designsketchofknowledgebaseforinsulationagingofoilimmersedtransformers

中越是注重其健康状态,为了保证供电可靠甚至会采取提早退役、高频更新设备的策略。因此,非正常状态变压器历史案例样本数量极其稀缺,这给机器学习模型的训练过程带来了严重的过拟合隐患,需要进一步发展非均衡样本学习、小样本学习等方法。

3.3设备运行状态预测

设备状态预测是从设备状态监测和状态评价上进一步发展而来的,它能够从设备的历史和实时状态数据出发,同时结合与设备相关联的电网运行数据和外部环境信息,发现设备运行指标或关键参数的变化规律,从而预测设备未来的运行情况[73-77]。考虑到输变电设备运行工况复杂、指标参数众多,目前设备状态预测通常是以某些关键指标为预测目标,借助人工智能在处理高度非线性和多重关联性问题中的技术优势,可以建立时序或关联预测模型,常见的方法包括支持向量机、深度信念网络、循环神经网络、长短期记忆网络(longshort-termmemory,LSTM)等。根据预测目标不同,目前基于人工智能的输变电设备状态预测研究对象包括绕组状态、绝缘油色谱、油温、负载水平等。例如,文献[74]通过变压器不同时间序列对应的电抗及振动历史数据,采用支持向量机建立了绕组电抗和振动特征的回归预测模型;文献[76]采用一种用于架空配电线路地下中压电缆失效风险预测的人工神经网络方法;文献[77]运用人工神经网络和差分进化算法及遗传算法对高压线缆保护套电流进行了预测。

负荷电流预测能够预知设备负荷水平,设备负荷水平又直接影响到电能的稳定安全输送,对于降低输送的成本也具有重要参考价值。LSTM在模型原理上具有较强的中期或长期数据的学习能力,适合于实现时序型数据的预测。文献[78]对LSTM进行改进,提出了一种短期高压负荷电流预测方法。该模型在时间序列方面引入自循环权重,使细胞彼此循环连接,从而动态改变时间尺度,进而增强长短期记忆功能。

目前,针对单一指标的时序型数据预测在设备状态预测中的应用最为广泛,少有对设备内部参数之间变化关系和相互影响的深入挖掘,导致预测模型的性能过度依赖于模型的参数调优和输入变量的设计。未来可考虑在预测模型环节中配合聚类分析、关联关系挖掘等手段,以提高预测模型的优化效率和精度。

3.4缺陷识别与故障诊断

目前输变电设备的故障案例与先兆案例主要记录设备的基本信息、缺陷/故障的相关异常信息及试验数据,并可按照故障类型、部位、诱因等进行分类。大量研究利用人工智能技术对电力设备进行故障诊断,包括电力变压器[79-81]、高压电缆[82-83]、高压断路器[84-85]、继电保护[86-87]等设备。例如,文献[79]对基于油中溶解气体来诊断油浸式变压器故障的传统人工智能方法进行了调研与总结;文献[82]应用神经网络识别高压电缆中不同类型的绝缘缺陷所引起的局部放电。

然而,电力设备的故障诊断目前仍然存在数据来源单一、样本数据失衡、分类规则粗糙、知识利用不足等问题。为此,首先需要基于当前输变电设备案例数据,结合设备家族性缺陷、运行数据、气象数据等多源信息,采用生成对抗网络、样本合成等方法进行数据增殖,以平衡正负样本的比例;之后按照数据是否有标注、时序记录是否完整等情况,尝试分类、聚类、预测等算法,并引入运检知识库中的相关经验规则进行学习引导。最终给出缺陷的分级识别与诊断,第1级主要判断设备缺陷类别,第2级主要判断设备缺陷部位,根据疑似缺陷的概率排序进行故障预警。

3.5电力设备巡检影像分析

随着计算机视觉技术的跨越式发展,电力设备影像的智能分析技术也逐步实现了新的突破。作为设备运维的重要组成部分,本节将对基于深度学习的巡检影像分析进行重点介绍。

输变电设备巡检的影像数据分析主要是结合无人机、巡检机器人等装备的巡检图像、视频,对输电线路、杆塔、变电站等外观进行缺陷识别,重点包括导线、绝缘子、金具、杆塔、地线、接地装置、基础类等,从而解决电网规模日益增长与运检人员配置不足之间的矛盾。巡检无人机上一般安装稳定的可见光检测仪与成像仪等设备,可以通过悬停、定点拍照等功能对输电线路,尤其是重要设备进行特写拍摄,从而实现对杆塔的损坏、变形、被盗,绝缘子的破损和污秽,线夹松脱,销钉脱落,异物悬挂,导线断股,接头接触不良,局部热点等故障的检查;或在线路侧上方沿线飞行,自上而下对通道进行拍摄,一般可发现线路走廊违建房、覆冰倒塔等故障。

目前许多研究机构开始使用计算机视觉技术对巡检影像进行分析[88-89],从而实现缺陷与故障的检测,并实现报表自动发布,应用范围包括输变电设备识别[90-93]、图像分割[94-95]、状态监测[96-97]、故障诊断[98-100]、绝缘子覆冰[101]、灰密识别[102]、图像自然语言描述[103]等领域。例如,文献[89]等基于输电线路航拍图像,构建了CNN模型对航拍图像中的绝缘子、塔材、防振锤和背景进行检测;文献[93]开发了脉冲耦合神经滤波器以消除背景噪声并生成边缘图,并使用改进的Hough变换完善了检测结果;文献[88]采用J2EE技术开发了基于Faster-RCNN算法的输电线路无人机巡检智能管理系统。

近年来,变电站巡检机器人的图像与视频识别技术也得到了迅速发展。巡检机器人一般携带可见光摄像仪、超声波传感器、红外热像仪、音频采集等设备,具有巡检效率高、雨雪等恶劣环境下可开展巡检等优点[104]。其中影像检测对象包括设备缺陷、分合执行机构状态、外观异常、异物、仪表读数与油位计位置与道路场景识别等[105-107]。例如,文献[108]提出一种智能变电站悬挂异物识别算法,对有无异物的正负样本图像识别率超过95%;文献[109]基于标记分水岭模型与Krawtchouk不变矩相结合的改进算法,实现了巡检图像中设备存在遮挡物情况下的目标分割与特征提取。此外,计算机视觉在电力电缆缺陷识别中也逐步得到应用[110-111]。

输变电设备的巡检过程中,由于天气条件、环境因素、检测手段等原因,采集到的图像有可能分辨率较低,且有故障缺陷的图像样本量较少,加之复杂多变的背景,给目标识别和故障检测判断任务带来了很大挑战。一方面,需要逐步积累电力设备巡检影像,尤其是加强缺陷样本的采集整理,并通过图像增强、图像去雾/去雨技术提高样本质量;另一方面,需要进一步发展迁移学习、小样本学习等图像识别技术,提升不平衡样本下的识别精度。

3.6设备寿命评估

考虑到电网整体的经济性,在保证电力系统可靠运行的基础上,延长电力变压器的运行时间可以最大限度地提高电力设备的使用价值。电力设备的寿命取决于其自身老化程度、负荷水平及运行环境等因素的综合作用,寿命类型主要分为3类：物理(或自然)寿命、技术寿命、经济寿命。

如何经济合理地制定检修与更新计划,已成为世界各国电力企业及相关研究机构的关注重点。美国电力研究院采用“三级评估法”,并制定出了较为完整的“综合寿命管理程序”作为对企业电气设备寿命评估作业的通用导则;日本参照自然资源与能源署与国际贸易工业部定制的导则评估电气设备的剩余寿命;国内相关机构关于电力设备剩余寿命评估的相关研究也在逐步推进[112-113]。

目前,已用于电力设备寿命评估的机器学习方法包括贝叶斯模型[114-115]、人工神经网络法[116-117]、模糊推理[118-119]、支持向量机[120]、集成学习[121]等。这些算法在设备出厂信息、运行期间的在线监测信息、定期检修的记录信息、预防试验统计信息等各类损耗因素数据构成的样本集基础上训练模型,从而分析电力设备结构部件的损耗情况与使用寿命。例如,文献[117]使用人工神经网络预测变压器的健康指数,为变压器建立可靠的健康指标预测其寿命;文献[121]将不确定性模型、数据驱动的预测模型和基于模型的实验模型进行集成,以提高寿命预测的准确性。

基于人工智能技术的寿命评估研究仍处于起步阶段,由于影响设备寿命的因素众多,因此未来机器学习模型需要整合在运设备全寿命周期的多源异构数据来进行健康状况评估及寿命预测,从而差异化地制定输变电设备的更换方案。

3.7检修策略智能推荐

随着电网的快速发展,其规模越来越大,复杂性越来越高,检修计划安排时受到的制约条件也越来越多,越来越复杂,给电力系统生产运行部门带来了新的挑战。当前,电网生产运行部门检修计划决策的模式仍较为粗放,传统的检修决策方式和相关技术已经不能完全满足电网发展新形势下的诸多要求,需要开发有效的自动化辅助软件和系统。

电力设备智能检修是以设备状态评估及预测结果为基础,并根据一定的优化目标,通过智能算法推荐包括检修时间、检修次序及检修方式等项目在内的最佳检修策略。检修决策优化本质上是一个多目标多约束优化的问题,优化目标主要有可靠性、经济性、实用性等指标。该优化问题的求解方法包括数学规划方法和启发式智能算法。数学规划方法包含整数规划、线性规划方法等。然而对于维数高、非线性强和不确定因素多的问题,传统的数学优化算法存在较大的局限性,而启发式智能算法因其强大的通用性,被广泛运用于设备检修决策环节。

目前,用于电力设备检修策略优化的启发式算法包括遗传算法[46]、禁忌搜索算法[122-123]、粒子群算法[124]、进化算法[125]等。例如,文献[46]考虑故障间相互关联引起的风险对设备检修决策的影响,构建设备机会维修决策模型,并基于遗传算法进行了求解;文献[123]通过风险经济性量化对设备与电网运行风险进行综合评判,采用禁忌搜索算法求解技术经济综合最优的状态检修决策方案。

构建电力设备运维检修领域的知识图谱是进行检修策略推荐的另一种思路,具有广阔的应用前景,典型的设备运维知识图谱构建思路如图5所示。知识图谱构建主要基于自然语言处理技术,挖掘设备运维有关的实体、属性及关系,从而构建知识网络。目前已有部分学者在设备运维领域进行了文本知识挖掘的探索,具体包括：基于电力设备相关文本的新词发现技术和词义网络挖掘技术,进行电力文本特征的提取及电力主题词表的构建[126],设备缺陷信息的精确提取[127],故障文本中案例信息的自动

图5设备运维知识图谱构建基本流程Fig.5Basicprocedureofknowledgegraphconstructionforpowerequipmentmaintenance

挖掘[128],设备状态评价[129],缺陷文本质量提升[130],设备缺陷分类[131],设备全寿命状态评价[132]等。文献[53]利用自然语言处理技术,基于电力设备缺陷记录语料构建了电力设备缺陷知识图谱,从而提升了缺陷记录检索的效果。

未来,需要基于电力设备运维知识系统,结合领域专家经验与机器学习模型的自动化构建技术,将历史运维检修数据与文本转化为知识,并对设备数据不断进行筛选和知识验证,以修正和优化需要存储的知识,进而实现检修知识库的自主更新、智能推荐与运行闭环。

4面临挑战与未来趋势

早期的机器学习技术在输变电设备运维检修领域已开展多年,以深度学习为代表的新兴人工智能技术则在数据、算法、算力都显著提升的契机下,为解决电力业务问题提供了新的思路和方法。然而,目前人工智能技术的应用落地仍然面临着诸多困难,不少学者从数据质量、样本稀缺、数据壁垒、数据获取来源、传感技术等角度进行了深入探讨[2,16-20],这些讨论主要集中于数据、环境、制度等外部客观条件因素。本文试图从人工智能技术本身的内部因素出发,总结目前人工智能技术在电力设备运维业务中应用存在的技术问题与研究方向,主要包含以下几个方面：

1）目前,绝大部分机器学习模型(尤其是深度神经网络)都是典型的“黑箱”模型,算法无法对其结果给出具有说服力的解释,这一方面使得业务人员无法完全信任人工智能技术,另一方面可能会由于解释性、透明性不足而导致机器发生决策风险。未来,可解释机器学习的研究和发展将成为推动人工智能技术应用落地的重要技术动力之一。

2）故障情况下的设备信息本身就具有天然的正负样本不均衡性,即使增加数据采集量,也无法从根本上解决这一问题。今后需要发展多模态机器学习、迁移学习等技术,从算法机理上解决样本匮乏的问题,例如研究Zero-ShotLearning、Few-ShotLearning等机器学习方法。

3）目前设备的状态评估、故障诊断与检修等业务或基于专家知识与经验公式,或基于纯数据驱动的机器学习模型,而将两者相融合的方法还没有进行过深入的讨论和研究。研究知识与数据双驱模型,从而减少对数据的过度依赖,进而增强机器学习的鲁棒性,是未来的一个发展方向。

5结论

1）先进的信息通信、广泛部署的传感器以及各类管理系统和平台积累了大量输变电设备相关数据。以此为基础,数据驱动的人工智能技术可以为设备状态评价、检修和全寿命周期管理等环节提供更为准确、高效和差异化的决策依据。

2）基于运维检修业务的多源异构特性,需要根据数据特点及业务需求,采用传统机器学习、启发式智能算法、知识推理、计算机视觉、自然语言处理等各类人工智能技术进行分析,且逐渐向多模态融合学习方向发展。

3）人工智能技术的应用贯穿设备信息提取与知识库建立、设备健康状态评价、设备运行状态预测、缺陷识别与故障诊断、电力设备巡检影像分析、设备寿命预测、检修策略推荐等各个业务环节,具有广阔的应用前景。

4）人工智能技术在输变电设备中的应用目前仍然处于起步阶段,未来应重点向可解释机器学习、多模态学习、知识-数据融合模型等方向发展。

参考文献[1]中国电机工程学会信息化专委会.中国电力大数据发展白皮书[M].北京:中国电力出版社,2013.ChineseSocietyforElectricalEngineeringInformationCommttee.Chineseelectricpowerbigdatadevelopmentwhitepaper[M].Beijing,China:ChinaElectricPowerPress,2013.

[2]李刚,于长海,刘云鹏,等.电力变压器故障预测与健康管理:挑战与展望[J].电力系统自动化,2017,41(23):156-167.LIGang,YUChanghai,LIUYunpeng,etal.Challengesandprospectsoffaultprognosticandhealthmanagementforpowertransformer[J].AutomationofElectricPowerSystems,2017,41(23):156-167.

[3]薛禹胜,赖业宁.大能源思维与大数据思维的融合(一):大数据与电力大数据[J].电力系统自动化,2016,40(1):1-8.XUEYusheng,LAIYening.Integrationofmacroenergythinkingandbigdatathink:partonebigdataandpowerbigdata[J].AutomationofElectricPowerSystems,2016,40(1):1-8.

[4]严英杰,盛戈皞,王辉,等.基于高维随机矩阵大数据分析模型的输变电设备关键性能评估方法[J].中国电机工程学报,2016,36(2):435-445.YANYingjie,SHENGGehao,WANGHui,etal.Thekeystateassessmentmethodofpowertransmissionequipmentusingbigdataanalyzingmodelbasedonlargedimensionalrandommatrix[J].ProceedingsoftheCSEE,2016,36(2):435-445.

[5]廖瑞金,王有元,刘航,等.输变电设备状态评估方法的研究现状[J].高电压技术,2018,44(11):3454-3464.LIAORuijin,WANGYouyuan,LIUHang,etal.Researchstatusofconditionassessmentmethodforpowerequipment[J].HighVoltageEngineering,2018,44(11):3454-3464.

[6]李刚,张博,赵文清,等.电力设备状态评估中的数据科学问题:挑战与展望[J].电力系统自动化,2018,42(21):10-21.LIGang,ZHANGBo,ZHAOWenqing,etal.Datascienceissuesinstateevaluationofpowerequipment:challengesandprospects[J].AutomationofElectricPowerSystems,2018,42(21):10-21.

[7]输变电设备状态评估导则汇编:Q/GDW171—2008[S].北京:国家电网公司,2008.Guideforconditionevaluationofpowerequipment:Q/GDW171–2008[S].Beijing,China:StateGridCorporationofChina,2008.

[8]35kV~500kV油浸式电力变压器(高抗)状态评价导则:Q/CSG11001—2014[S].广州:中国南方电网公司,2014.35kV~500kVguideforconditionevaluationofoil-immersedpowertransformers(reactors):Q/CSG11001—2014[S].Guangzhou,China:ChinaSouthernPowerGridCorporation,2014.

[9]油浸式变压器绝缘老化判断导则:DL/T984—2005[S].北京:中华人民共和国国家发展和改革委员会,2005.Guideforthediagnosisofinsulationaginginoil-immersedpowertransformer:DL/T984—2005[S].Beijing,China:NationalDevelopmentandReformCommission,2005.

[10]国家电网公司生产技术部.输变电设备状态检修技术标准汇编(第二分册)[M].北京:中国电力出版社,2011.StateGridCorporationofProductionTechnology.Summaryoftechnicalstandardsforthemaintenanceofpowertransmissionequipment(secondvolume)[M].Beijing,China:ChinaElectricPowerPress,2011.

[11]中国南方电网有限责任公司生产设备管理部.输变电一次设备风险评估导则[M].南宁:中国南方电网公司,2014.ProductionEquipmentManagementDepartment,ChinaSouthernPowerGridCorporation.Guidelinesforriskassessmentofpowerequipment[M].Nanning,China:ChinaSouthernPowerGridCorporation,2014.

[12]邱志斌,阮江军,黄道春,等.基于电机电流检测的高压隔离开关机械故障诊断[J].中国电机工程学报,2015,35(13):3459-3466.QIUZhibin,RUANJiangjun,HUANGDaochun,etal.Mechanicalfaultdiagnosisofhighvoltagedisconnectorbasedonmotorcurrentdetection[J].ProceedingsoftheCSEE,2015,35(13):3459-3466.

[13]贾京苇,侯慧娟,杜修明,等.基于Markov决策过程的输变电设备最佳检修决策[J].高电压技术,2017,43(7):2323-2330.JIAJingwei,HOUHuijuan,DUXiuming,etal.OptimummaintenancepolicyforpowerdeliveryequipmentbasedonMarkovdecisionprocess[J].HighVoltageEngineering,2017,43(7):2323-2330.

[14]周志华.机器学习[M].北京:清华大学出版社,2016.ZHOUZhihua.Machinelearning[M].Beijing,China:TsinghuaUniversityPress,2016.

[15]戴彦,王刘旺,李媛,等.新一代人工智能在智能电网中的应用研究综述[J].电力建设,2018,39(10):1-11.DAIYan,WANGLiuwang,LIYuan,etal.Abriefsurveyonapplicationsofnewgenerationartificialintelligenceinsmartgrids[J].ElectricPowerConstruction,2018,39(10):1-11.

[16]刘云鹏,许自强,李刚,等.人工智能驱动的数据分析技术在电力变压器状态检修中的应用综述[J].高电压技术,2019,45(2):7-18.LIUYunpeng,XUZiqiang,LIGang,etal.Reviewonapplicationsofartificialintelligencedrivendataanalysistechnologyinconditionbasedmaintenanceofpowertransformers[J].HighVoltageEngineering,2019,45(2):7-18.

[17]NationalScienceandTechnologyCouncil.Nationalartificialintelligenceresearchanddevelopmentstrategicplan(2016)[R].America:NationalScienceandTechnologyCouncil,2016.

[18]GovernmentOfficeforScience.Artificialintelligence:opportunitiesandimplicationsforthefutureofdecisionmaking(2016)[R].UK:GovernmentOfficeforScience,2016.

[19]国务院.新一代人工智能发展规划(2017)[R].北京:国务院,2017.StateDepartment.Planforthedevelopmentofthenewgenerationofartificialintelligence(2017)[R].Beijing,China:StateDepartment,2017.

[20]江秀臣,盛戈皞.电力设备状态大数据分析的研究和应用[J].高电压技术,2018,44(4):1041-1050.JIANGXiuchen,SHENGGehao.Researchandapplicationofbigdataanalysisofpowerequipmentcondition[J].HighVoltageEngineering,2018,44(4):1041-1050.

[21]严英杰,盛戈皞,陈玉峰,等.基于时间序列分析的输变电设备状态大数据清洗方法[J].电力系统自动化,2015,39(7):138-144.YANYingjie,SHENGGehao,CHENYufeng,etal.Cleaningmethodforbigdataofpowertransmissionandtransformationequipmentstatebasedontimesequenceanalysis[J].AutomationofElectricPowerSystems,2015,39(7):138-144.

[22]严英杰,盛戈皞,陈玉峰,等.基于大数据分析的输变电设备状态数据异常检测方法[J].中国电机工程学报,2015,35(1):52-59.YANYingjie,SHENGGehao,CHENYufeng,etal.Anmethodforanomalydetectionofstateinformationofpowerequipmentbasedonbigdataanalysis[J].ProceedingsoftheCSEE,2015,35(1):52-59.

[23]林峻,严英杰,盛戈皞,等.考虑时间序列关联的变压器在线监测数据清洗[J].电网技术,2017,41(11):3733-3740.LINJun,YANYingjie,SHENGGehao,etal.Onlinemonitoringdatacleaningoftransformerconsideringtimeseriescorrelation[J].PowerSystemTechnology,2017,41(11):3733-3740.

[24]庄晟.基于朴素贝叶斯的电力变压器故障诊断[D].上海:上海交通大学,2015.ZHUANGSheng.TransformerfaultdiagnosismethodbasedonBayesiannetworks[D].Shanghai,China:ShanghaiJiaoTongUniversity,2015.

[25]WANGG,LIUJ,LIY.FaultdiagnosisusingkNNreconstructiononMRIvariables[J].JournalofChemometrics,2015,29(7):399-410.

[26]董明,屈彦明,周孟戈,等.基于组合决策树的油浸式电力变压器故障诊断[J].中国电机工程学报,2005,25(16):35-41.DONGMing,QUYanming,ZHOUMengge,etal.Faultdiagnosisofoil-immersedpowertransformerusingcombinatorialdecisiontree[J].ProceedingsoftheCSEE,2005,25(16):35-41.

[27]钟鑫.基于逻辑回归和高斯混合模型的设备故障诊断技术研究与应用[D].北京:北京化工大学,2010.ZHONGXin.ResearchandapplicationofequipmentfaultdiagnosistechnologybasedonLRandGMM[D].Beijing,China:BeijingUniversityofChemicalTechnology,2010.

[28]ZHENGHB,LIAORJ,GRZYBOWSKIS,etal.Faultdiagnosisofpowertransformersusingmulti-classleastsquaresupportvectormachinesclassifierswithparticleswarmoptimization[J].IETElectricPowerApplications,2011,5(9):691-696.

[29]ASHKEZARIAD,MAH,SAHATK,etal.Applicationoffuzzysupportvectormachinefordeterminingthehealthindexoftheinsulationsystemofin-servicepowertransformers[J].IEEETransactionsonDielectricsandElectricalInsulation,2013,20(3):965-973.

[30]TAMILSELVANP,WANGP.Failurediagnosisusingdeepbelieflearningbasedhealthstateclassification[J].ReliabilityEngineeringSystemSafety,2013,115:124-135.

[31]何晓群,刘文卿.应用回归分析[M].北京:中国人民大学出版社,2011.HEXiaoqun,LIUWenqing.Appliedregressionanalysis[M].Beijing,China:ChinaRenminUniversityPress,2011

[32]SONGH,DAIJJ,LUOLG,etal.PowertransformeroperatingstatepredictionmethodbasedonanLSTMnetwork[J].Energies,2018,11(4):914-928.

[33]代杰杰,宋辉,盛戈皞,等.采用LSTM网络的电力变压器运行状态预测方法研究[J].高电压技术,2018,44(4):1099-1106.DAIJiejie,SONGHui,SHENGGehao,etal.PredictionmethodforpowertransformerrunningstatebasedonLSTMnetwork[J].HighVoltageEngineering,2018,44(4):1099-1106.

[34]吴星.输变电设备故障率预测及状态检修[D].西安:西安科技大学,2018.WUXing.Failureratepredictionandcondition-basedmaintenanceoftransmissionandtransformationequipments[D].Xi’an,China:Xi’anUniversityofScienceandTechnology,2018.

[35]SENOUSSAOUIMEA,BRAHAMIM,FOFANAI.Combiningandcomparingvariousmachine-learningalgorithmstoimprovedissolvedgasanalysisinterpretation[J].IETGeneration,TransmissionDistribution,2018,12(15):3673-3679.

[36]周湶,王时征,廖瑞金,等.基于AdaBoost优化云理论的变压器故障诊断方法[J].高电压技术,2015,41(11):3804-3811.ZHOUQuan,WANGShizheng,LIAORuijin,etal.PowertransformerfaultdiagnosismethodbasedoncloudmodelofAdaBoostalgorithm[J].HighVoltageEngineering,2015,41(11):3804-3811.

[37]陶栋琦,薄翠梅,易辉.基于随机森林的变压器故障检测方法的研究[J].电子器件,2015(4):840-844.TAODongqi,BOCuimei,YIHui.FaultdiagnosisfortransformerBasedonrandomforests[j].ChineseJournalofElectronDevices,2015(4):840-844.

[38]SHAHAM,BHALJABR.Faultdiscriminationschemeforpowertransformerusingrandomforesttechnique[J].IETGeneration,TransmissionDistribution,2016,10(6):1431-1439.

[39]罗伟明,吴帆,黄业广,等.基于局部密度聚类算法的变压器故障状态评估[J].广东电力,2018,39(8):81-90.LUOWeiming,WUfan,HUANGYeguang,etal.Transformerfaultstateevaluationmethodbasedonmulti-localdensityclusteringalgorithm[J].GuangdongElectricPower,2018,39(8):81-90.

[40]严英杰,盛戈皞,刘亚东,等.基于滑动窗口和聚类算法的变压器状态异常检测[J].高电压技术,2016,42(12):4020-4025.YANYingjie,SHENGGehao,LIUYadong,etal.Anomalousstatedetectionofpowertransformerbasedonalgorithmslidingwindowsandclustering[J].HighVoltageEngineering,2016,42(12):4020-4025.

[41]史丽萍,宋朝鹏,李明泽,等.基于SAAFSA优化加权模糊聚类算法的变压器故障诊断[J].电测与仪表,2017,55(11):12-18.SHILiping,SONGChaopeng,LIMingze,etal.TransformerfaultdiagnosisbasedonweightedfuzzyclusteringalgorithmimprovedbySAAFSA[J].ElectricalMeasurementInstrumentation,2017,55(11):12-18.

[42]彭在兴,王颂,易林,等.基于SVM主成分分析的高压断路器分合闸线圈故障诊断研究[J].高压电器,2019,55(7):39-46.PENGZaixing,WANGSong,YILin,etal.Researchonfaultdiagnosisofhighvoltagecircuitbreakeropening/closingcoilsbasedonSVMprincipalcomponentanalysis[J].HighVoltageApparatus,2019,55(7):39-46.

[43]孙家泽,王曙燕.群体智能优化算法及其应用[M].北京:科学出版社,2017.SUNJiaze,WANGShuyan.Swarmintelligencealgorithmanditsapplication[M].Beijing,China:SciencePress,2017.

[44]黄新波,李文君子,宋桐,等.采用遗传算法优化装袋分类回归树组合算法的变压器故障诊断[J].高电压技术,2016,42(5):1617-1623.HUANGXinbo,LIWenjunzi,SONGTong,etal.Applicationofbagging-CARTalgorithmoptimizedbygeneticalgorithmintransformerfaultdiagnosis[J].HighVoltageEngineering,2016,42(5):1617-1623.

[45]陈小青,刘觉民,黄英伟,等.采用改进人工鱼群优化粗糙集算法的变压器故障诊断[J].高电压技术,2012,38(6):1403-1409.CHENXiaoqing,LIUJuemin,HUANGYingwei,etal.Transformerfaultdiagnosisusingimprovedartificialfishswarmwithroughsetalgorithm[J].HighVoltageEngineering,2012,38(6):1403-1409.

[46]徐波,韩学山,李业勇,等.电力设备机会维修决策模型[J].中国电机工程学报,2016,36(23):6379-6388,6603.XUBo,HANXueshan,LIYeyong,etal.Opportunisticmaintenancedecision-makingmodelforpowerequipment[J].ProceedingsoftheCSEE,2016,36(23):6379-6388,6603.

[47]PANDITM.Expertsystem-areviewarticle[J].InternationalJournalofEngineeringSciencesResearchTechnology,2013,2(6):1583-1585.

[48]刘守明,胡志坤,王美玲.基于知识库的电力变压器故障诊断专家系统[J].计算机测量与控制,2011,19(7):1569-1571.LIUShouming,HUZhikun,WANGMeiling.Expertsystemofpowertransformerfaultdiagnosisbasedonknowledgebase[J].ComputerMeasurementControl,2011,19(7):1569-1571.

[49]廖瑞金,孟繁津,周年荣,等.基于集对分析和证据理论融合的变压器内绝缘状态评估方法[J].高电压技术,2014,40(2):474-481.LIAORuijin,MENGFanjin,ZHOUNianrong,etal.Assessmentstrategyforinnerinsulationconditionofpowertransformerbasedonset-pairanalysisandevidentialreasoningdecision-making[J].HighVoltageEngineering,2014,40(2):474-481.

[50]CASTROARG,MIRANDAV.Knowledgediscoveryinneuralnetworkswithapplicationtotransformerfailurediagnosis[J].IEEETransactionsonPowerSystems,2005,20(2):717-724.

[51]王有元,周立玮,梁玄鸿,等.基于关联规则分析的电力变压器故障马尔科夫预测模型[J].高电压技术,2018,44(4):1051-1058.WANGYouyuan,ZHOULiwei,LIANGXuanhong,etal.Markovforecastingmodelofpowertransformerfaultbasedonassociationrulesanalysis[J].HighVoltageEngineering,2018,44(4):1051-1058.

[52]刘峤,李杨,段宏,等.知识图谱构建技术综述[J].计算机研究与发展,2016,53(3):582-600.LIUQiao,LIYang,DUANHong,etal.Knowledgegraphconstructiontechniques[J].JournalofComputerResearchandDevelopment,2016,53(3):582-600.

[53]刘梓权,王慧芳.基于知识图谱技术的电力设备缺陷记录检索方法[J].电力系统自动化,2018,42(14):158-164.LIUZiquan,WANGHuifang.Retrievalmethodfordefectrecordsofpowerequipmentbasedonknowledgegraphtechnology[J].AutomationofElectricPowerSystems,2018,42(14):158-164.

[54]KRIZHEVKSYA,SUTSKEVERI,HINTONG.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C]∥Advancesinneuralinformationprocessingsystems.Laketahoe,USA:CurranAssociatesInc,2012:1097-1105.

[55]HEK,ZHANGX,RENS,etal.Deepresiduallearningforimagerecognition[C]∥ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.LasVega,USA:InstituteofElectricalandElectronicsEngineers,2016:770-778.

[56]LINTY,GOYALP,GIRSHICKR,etal.Focallossfordenseobjectdetection[C]∥ProceedingsoftheIEEEInternationalConferenceonComputerVision.[S.l.]:IEEE,2017:2980-2988.

[57]EVERINGHAMM,VANGoolL,WILLIAMSCKI,etal.Thepascalvisualobjectclasses(VOC)challenge[J].InternationalJournalofComputerVision,2010,88(2):303-338.

[58]BORDESA,GLOROTX,WESTONJ,etal.Asemanticmatchingenergyfunctionforlearningwithmulti-relationaldata[J].MachineLearning,2014,94(2):233-259.

[59]XUB,XUY,LIANGJ,etal.CN-DBpedia:anever-endingchineseknowledgeextractionsystem[C]//InternationalConferenceonIndustrial,EngineeringandOtherApplicationsofAppliedIntelligentSystems.Arras,France:IEEE,2017:428-438.

[60]LINY,SHENS,LIUZ,etal.Neuralrelationextractionwithselectiveattentionoverinstances[C]//ProceedingsofAssociationforComputationalLinguistics.Berlin,Germany:AssociationforComputationalLinguistics,2016:2124-2133.

[61]孙莹,高贺,李可军,等.基于多时段信息融合的配电变压器运行状态评估模型[J].高电压技术,2016,42(7):2054-2062.SUNYing,GAOHe,LIKejun,etal.Conditionassessmentmodelofdistributiontransformerbasedonmulti-periodinformationfusion[J].HighVoltageEngineering,2016,42(7):2054-2062.

[62]阮羚,谢齐家,高胜友,等.人工神经网络和信息融合技术在变压器状态评估中的应用[J].高电压技术,2014,40(3):822-828.RUANLing,XIEQijia,GAOShengyou,etal.Applicationofartificialneuralnetworkandinformationfusiontechnologyinpowertransformerconditionassessment[J].HighVoltageEngineering,2014,40(3):822-828.

[63]WANGY,LIUH,BIJ,etal.Anapproachforconditionbasedmaintenancestrategyoptimizationorientedtomulti-sourcedata[J].ClusterComputing,2016,19(4):1951-1962.

[64]齐波,张鹏,荣智海,等.基于数据驱动和多判据融合的油色谱监测传感器有效性评估方法[J].电网技术,2017,41(11):3662-3669.QIBo,ZHANGPeng,RONGZhihai,etal.ValidityassessmentmethodofDGAsensorsbasedondatadrivenandmultiplecriterionintegration[J].PowerSystemTechnology,2017,41(11):3662-3669.

[65]王有元,陈璧君.基于层次分析结构的变压器健康状态与综合寿命评估模型[J].电网技术,2014,38(10):2845-2850.WANGYouyuan,CHENBijun.Anintegratedlifeestimationmodelofpowertransformerbasedonhierarchicalarchitectureandhealthindex[J].PowerSystemTechnology,2014,38(10):2845-2850.

[66]宋人杰,刘瑞英,刘耀伟,等.基于层次灰关联分析的变压器状态评估关键指标体系构建及应用[J].高电压技术,2018,44(8):2509-2515.SONGRenjie,LIURuiying,LIUYaowei,etal.Keyindicatorsystemestablishmentandapplicationfortransformerconditionassessmentbasedonhierarchygreyrelationanalysis[J].HighVoltageEngineering,2018,44(8):2509-2515.

[67]吴奕,朱海兵,周志成,等.基于熵权模糊物元和主元分析的变压器状态评价[J].电力系统保护与控制,2015,43(17):1-7.WUYi,ZHUHaibing,ZHOUZhicheng,etal.Transformerconditionassessmentbasedonentropyfuzzymatter-elementandprincipalcomponentanalysis[J].PowerSystemProtectionandControl,2015,43(17):1-7.

[68]张晗,常安,王奇,等.基于多源信息的变压器状态评价方案研究与应用[J].高压电器,2016,52(2):19-27.ZHANGHan,CHANGAn,WANGQi,etal.Researchandapplicationoftransformerconditionevaluationmodelbasedonmulti-sourceinformation[J].HighVoltageApparatus,2016,52(2):19-27.

[69]孙鹏,耿苏杰,王秀利.基于时效评分函数和贝叶斯概率的电力变压器状态实时评估[J].高电压技术,2018,44(4):1069-1077.SUNPeng,GENGSujie,WANGXiuli.Real-timeconditionassessmentofpowertransformersbasedontime-effectscorefunctionandBayesia[J].HighVoltageEngineering,2018,44(4):1069-1077.

[70]胡军,尹立群,李振,等.基于大数据挖掘技术的输变电设备故障诊断方法[J].高电压技术,2017,43(11):3690-3697.HUJun,YINLiqun,LIZhen,etal.Faultdiagnosismethodoftransmissionandtransformationequipmentbasedonbigdataminingtechnology[J].HighVoltageEngineering,2017,43(11):3690-3697.

[71]ŽARKOVICM,STOJKOVICZ.ArtificialintelligenceSF6circuitbreakerhealthassessment[J].ElectricPowerSystemsResearch,2019,175:105912.

[72]GENGS,WANGX,SUNP.Stateestimationof500kVsulphurhexafluoridehigh-voltageCBsbasedonBayesianprobabilityandneuralnetwork[J].IETGeneration,TransmissionDistribution,2019,13(19):4503-4509.

[73]陈敬德,盛戈皞,吴继健,等.大数据技术在智能电网中的应用现状及展望[J].高压电器,2018,54(1):35-43.CHENJingde,SHENGGehao,WUJijian,etal.Applicationstatusandprospectofbigdatatechnologyinsmartgrid[J].HighVoltageApparatus,2018,54(1):35-43.

[74]TRAPPEYAJC,TRAPPEYCV,MAL,etal.Intelligentengineeringassetmanagementsystemforpowertransformermaintenancedecisionsupportsundervariousoperatingconditions[J].ComputersIndustrialEngineering,2015,84(1):3-11.

[75]QIB,WANGY,ZHANGP,etal.AnoveldeeprecurrentbeliefnetworkmodelfortrendpredictionoftransformerDGAdata[J].IEEEAccess,2019,7:80069-80078.

[76]ORILLE-FERNANDEZAL,KHALILN,RODRIGUEZS.FailureriskpredictionusingartificialneuralnetworksforlightningsurgeprotectionofundergroundMVcables[J].IEEETransactionsonPowerDelivery,2006,21(3):1278-1282.

[77]AKBALB.Applicationsofartificialintelligenceandhybridneuralnetworkmethodswithnewbondingmethodtopreventelectroshockriskandinsulationfaultsinhigh-voltageundergroundcablelines[J].NeuralComputingandApplications,2018,29(8):97-105.

[78]张洋,姬波,卢红星,等.基于LSTM神经网络的短期高压负荷电流预测方法[J].计算机科学,2019,46(6):49-54.ZHANGYang,JIBo,LUHongxing,etal.Short-termhighvoltageloadcurrentpredictionmethodbasedonLSTMneuralnetwork[J].ComputerScience,2019,46(6):49-54.

[79]CHENGLF,YUT.Dissolvedgasanalysisprinciple-basedintelligentapproachestofaultdiagnosisanddecisionmakingforlargeoil-immersedpowertransformers:asurvey[J].Energies,2018,11(4):913.

[80]陈欢,彭辉,舒乃秋,等.基于蝙蝠算法优化最小二乘双支持向量机的变压器故障诊断[J].高电压技术,2018,44(11):3664-3671.CHENHuan,PENGHui,SHUNaiqiu,etal.FaultdiagnosisoftransformerbasedonLS-TSVMoptimizedbybatalgorithm[J].HighVoltageEngineering,2018,44(11):3664-3671.

[81]DAIJ,SONGH,SHENGG,etal.Dissolvedgasanalysisofinsulatingoilforpowertransformerfaultdiagnosiswithdeepbeliefnetwork[J].IEEETransactionsonDielectricsandElectricalInsulation,2017,24(5):2828-2835.

[82]PENGX,YANGF,WANGG,etal.Aconvolutionalneuralnetworkbaseddeeplearningmethodologyforrecognitionofpartialdischargepatternsfromhighvoltagecables[J].IEEETransactionsonPowerDelivery,2019,34(4):1460-1469.

[83]CHENB,QIW,YUANJ,etal.Recognitionofhigh-voltagecablepartialdischargesignalbasedonadaptivefuzzyC-meansclustering[J].InternationalJournalofPatternRecognitionandArtificialIntelligence,2017,31(6):1759009.

[84]RUDSARIFN,RAZI-KAZEMIAA,SHOOREHDELIMA.Faultanalysisofhigh-voltagecircuitbreakersbasedoncoilcurrentandcontacttravelwaveformsthroughmodifiedSVMclassifier[J].IEEETransactionsonPowerDelivery,2019,34(4):1608-1618.

[85]MAS,CHENM,WUJ,etal.High-voltagecircuitbreakerfaultdiagnosisusingahybridfeaturetransformationapproachbasedonrandomforestandstackedauto-encoder[J].IEEETransactionsonIndustrialElectronics,2019,66(12):9777-9788.

[86]笃峻,叶翔,葛立青,等.智能变电站继电保护在线运维系统关键技术的研究及实现[J].电力自动化设备,2016,36(7):163-168,175.DUJun,YEXiang,GELiqing,etal.Keytechnologiesofonlinemaintenancesystemforrelayprotectionsinsmartsubstationanditsimplementation[J].ElectricPowerAutomationEquipment,2016,36(7):163-168,175.

[87]孙梦晨,丛伟,余江,等.电网运维大数据背景下的继电保护通信系统故障定位方法[J].电力自动化设备,2019,39(4):147-153.SUNMengchen,CONGWei,YUJiang,etal.Faultlocatingmethodbasedonbigdataofpowergridoperationandmaintenanceforrelayprotectioncommunicationsystem[J].ElectricPowerAutomationEquipment,2019,39(4):147-153.

[88]郑仟,李宁.输电线路无人机巡检智能管理系统的研究与应用[J].电子设计工程,2019,27(9):74-77,82.ZHENGQian,LINing.ResearchandapplicationofintelligentmanagementsystemfortransmissionlineUAVinspection[J].ElectronicDesignEngineering,2019,27(9):74-77,82.

[89]白洁音,赵瑞,谷丰强,等.多目标检测和故障识别图像处理方法[J].高电压技术,2019,45(11):3504-3511.BAIJieyin,ZHAORui,GUFengqiang,etal.Multi-targetdetectionandfaultrecognitionimageprocessingmethod[J].HighVoltageEngineering,2019,45(11):3504-3511.

[90]李军锋.基于深度学习的电力设备图像识别及应用研究[D].广州:广东工业大学,2018.LIJunfeng.Researchonelectricequipmentimagerecognitionanditsapplicationbasedondeeplearning[D].Guangzhou,China:GuangdongUniversityofTechnology,2018.

[91]李军锋,王钦若,李敏.结合深度学习和随机森林的电力设备图像识别[J].高电压技术,2017,43(11):3705-3711.LIJunfeng,WANGQinruo,LIMin.Electricequipmentimagerecognitionbasedondeeplearningandrandomforest[J].HighVoltageEngineering,2017,43(11):3705-3711.

[92]ZHAOZ,XXG,QIY,etal.Multi-patchdeepfeaturesforpowerlineinsulatorstatusclassificationfromaerialimages[C]//2016InternationalJointConferenceonNeuralNetworks.Vancouver,Canada:IEEE,2016:3187-3194.

[93]LIZ,LIUY,WALKERR,etal.TowardsautomaticpowerlinedetectionforaUAVsurveillancesystemusingpulsecoupledneuralfilterandanimprovedHoughtransform[J].MachineVisionandApplications,2010,21(5):677-686.

[94]余彬,万燕珍,陈思超,等.基于密度相似因子的电力红外图像分割方法[J].红外技术,2017,39(12):1139-1143.YUBin,WANYanzhen,CHENSichao,etal.Adensity-similarity-factor-basedsegmentationmethodforinfraredimagesofelectricequipment[J].InfraredTechnology,2017,39(12):1139-1143.

[95]ZHANGH,YANGW,YUH,etal.DetectingpowerlinesinUAVimageswithconvolutionalfeaturesandstructuredconstraints[J].RemoteSensing,2019,11(11):1342.

[96]张浩,王玮,徐丽杰,等.图像识别技术在电力设备监测中的应用[J].电力系统保护与控制,2010,38(6):88-91.ZHANGHao,WANGWei,XULijie,etal.Applicationofimagerecognitiontechnologyinelectricalequipmenton-linemonitoring[J].PowerSystemProtectionandControl,2010,38(6):88-91.

[97]漆灿,李庆武,郑云海,等.基于智能视觉物联网的变电站红外监测系统[J].电力系统保护与控制,2018,46(15):135-141.QICan,LIQingwu,ZHENGYunhai,etal.Infraredmonitoringsystemforsubstationbasedonintelligentvisualinternetofthings[J].PowerSystemProtectionandControl,2018,46(15):135-141.

[98]胡洛娜,彭云竹,石林鑫.核猫群红外图像异常检测方法在电力智能巡检中的应用[J].红外技术,2018,40(9):908-914.HULuona,PENGYunzhu,SHILinxin.Anomalydetectionmethodofinfraredimagesbasedonkernelcatswarmoptimizationclusteringwithapplicationinintelligentelectricalpowerinspection[J].InfraredTechnology,2018,40(9):908-914.

[99]李鑫,崔昊杨,许永鹏,等.电力设备IR图像特征提取及故障诊断方法研究[J].激光与红外,2018,48(5):659-664.LIXin,CUIHaoyang,XUYongpeng,etal.Researchoninfraredimagefeatureextractionandfaultdiagnosisofpowerequipment[J].LaserInfrared,2018,48(5):659-664.

[100]HANJ,YANGZ,ZHANGQ,etal.Amethodofinsulatorfaultsdetectioninaerialimagesforhigh-voltagetransmissionlinesinspection[J].AppliedSciences,2019,9(10):2009.

[101]张烨,冯玲,穆靖宇,等.输电线路绝缘子覆冰厚度图像识别算法[J].电力系统自动化,2016,40(21):195-202.ZHANGYe,FENGLing,MUJingyu,etal.Imageidentificationalgorithmoficingthicknessforinsulatorinpowertransmissionlines[J].AutomationofElectricPowerSystems,2016,40(21):195-202.

[102]黄新波,杨璐雅,张烨,等.基于图像增强的瓷质绝缘子灰密程度检测方法[J].电力系统自动化,2018,42(14):157-163.HUANGXinbo,YANGLuya,ZHANGYe,etal.Imageenhancementbaseddetectionmethodpfnon-solubedepositdensitylevelsofporcelaininsulators[J].AutomationofElectricPowerSystems,2018,42(14):157-163.

[103]XIAY,LUJ,LIH.etal.ADeeplearningbasedimagerecognitionandprocessingmodelforelectricequipmentinspection[C]∥20182ndIEEEConferenceonEnergyInternetandEnergySystemIntegration.Beijing,China:IEEE,2018:1-6.

[104]蔡焕青,邵瑰玮,胡霁,等.变电站巡检机器人应用现状和主要性能指标分析[J].电测与仪表,2017,54(14):117-123.CAIHuanqing,SHAOGuiwei,HUJi,etal.Analysisofthemainperformanceindexandapplicationstatusofinspectionrobotinsubstation[J].ElectricalMeasurementInstrumentation,2017,54(14):117-123.

[105]ALLANJF,BEAUDRYJ.Roboticsystemsappliedtopowersubstations-Astate-of-the-artsurvey[C]∥AppliedRoboticsforthePowerIndustry.FozdoIguassu,Brazil:IEEE,2014:1-6.

[106]鲁守银,张营,李建祥,等.移动机器人在高压变电站中的应用[J].高电压技术,2017,43(1):276-284.LUShouyin,ZHANGYing,LIJianxiang,etal.Applicationofmobilerobotinhighvoltagesubstation[J].HighVoltageEngineering,2017,43(1):276-284.

[107]崔昊杨,许永鹏,孙岳,等.基于自适应遗传算法的变电站红外图像模糊增强[J].高电压技术,2015,41(3):902-907.CUIHaoyang,XUYongpeng,SUNYue,etal.Substationinfraredimagefuzzyenhancementalgorithmsbasedonimprovedadaptivegenetictheory[J].HighVoltageEngineering,2015,41(3):902-907.

[108]赵小鱼,徐正飞,付渊.一种适用于智能变电站巡检机器人的异物检测算法研究[J].现代电子技术,2015(10):132-135.ZHAOXiaoyu,XUZhengfei,FUYuan.Aforeignobjectdetectionalgorithmsuitableforinspectionrobotinsmartsubstation[J].ModernElectronicsTechnique,2015(10):132-135.

[109]崔巨勇,曹云东,王文杰.基于分水岭与Krawtchouk不变矩相结合的改进方法在变电站巡检图像处理中的应用[J].中国电机工程学报,2015,35(6):1329-1335.CUIJuyong,CAOYundong,WANGWenjie.ApplicationofanimprovedalgorithmbasedonwatershedcombinedwithKrawtchoukinvariantmomentininspectionimageprocessingofsubstations[J].ProceedingsoftheCSEE,2015,35(6):1329-1335.

[110]唐德谦,李钧,姚保良,等.智能巡检机器人的电缆缺陷检测关键技术研究[J].机械与电子,2019,37(3):78-82.TANGDeqian,LIJun,YAOBaoliang,etal.Researchonkeytechnologiesofcableinspectionforintelligentinspectionrobot[J].MacchineryElectronics,2019,37(3):78-82.

[111]黄志豪,郑盼龙,许新宇,等.基于轻卷积神经网络的电力电缆绝缘损伤图像检测方法[J].电子设计工程,2019,27(13):171-175.HUANGZhihao,ZHENGPanlong,XUXinyu,etal.Apowercabledetectionalgorithmbasedonalightconvolutionalneutralnetwork[J].ElectronicDesignEngineering,2019,27(13):171-175.

[112]孙鹏,陈绍辉,张彩庆.基于全寿命周期成本模型的变电站设备最佳寿命周期评估[J].南方电网技术,2011,5(6):96-100.SUNPeng,CHENShaohui,ZHANGCaiqing.LCCassessmentonthebestlifecycleofsubstationequipments[J].SouthernPowerSystemTechnology,2011,5(6):96-100.

[113]刘有为,马麟,吴立远,等.电力变压器经济寿命模型及应用实例[J].电网技术,2012,36(10):235-240.LIUYouwei,MALin,WULiyuan,etal.Economiclifemodelofpowertransformeranditsapplication[J].PowerSystemTechnology,2012,36(10):235-240.

[114]ZHOUD,LICR,WANGZD.Powertransformerlifetimemodeling[C]∥PrognosticsandSystemHealthManagement.[S.l.]:IEEE,2012:23-25.

[115]赵文清,朱永利,姜波.基于贝叶斯网络的电力变压器状态评估[J].高电压技术,2008,34(5):1032-1039.ZHAOWenqing,ZHUYongli,JIANGBo.ConditionassessmentforpowertransformersbyBayesnetworks[J].HighVoltageEngineering,2008,34(5):1032-1039.

[116]MOKHNACKEL,BOUBAKEURA,FELIACHIA.PredictionofthermalageingintransformeroilandhighvoltagePVCcablesusingartificialneuralnetworks[J].ScienceMeasurementandTechnology,IEEProceedings,2003,150(5):107-112.

[117]KÜBRANURBIRLIK,OZGONENELO,SERAPKARAGÜL.Transformerhealthindexestimationusingartificialneuralnetwork[C]∥2016NationalConferenceonElectrical,ElectronicsandBiomedicalEngineering.Bursa,Turkey:IEEE,2016:1-5.

[118]VAHIDIB,ZEINODDINI-MEYMANDH.Techno-economicallifetimeassessmentofpowertransformersratedover50MVAusingartificialintelligencemodels[J].IETGenerationTransmissionDistribution,2016,10(15):3885-3892.

[119]BAKARNA,ABU-SIADAA.Fuzzylogicapproachfortransformerremnantlifepredictionandassetmanagementdecision[J].IEEETransactionsonDielectricsandElectricalInsulation,2016,23(5):3199-3208.

[120]CAESARENDRAW,WIDODOA,YANGBS.Combinationofprobabilityapproachandsupportvectormachinetowardsmachinehealthprognostics[J].ProbabilisticEngineeringMechanics,2011,26(2):165-173.

[121]IGNACIOAUJ,STEPHENMA,BRIANS,etal.Adaptivepowertransformerlifetimepredictionsthroughmachinelearninganduncertaintymodellinginnuclearpowerplants[J].IEEETransactionsonIndustrialElectronics,2019,66(6):4726-4737.

[122]魏少岩,徐飞,闵勇.输电线路检修计划模型[J].电力系统自动化,2006,30(17):41-44.WEIShaoyan,XUFei,MINYong.Modelingonmaintenanceschedulingoftransmissionlines[J].AutomationofElectricPowerSystems,2006,30(17):41-44.

[123]潘乐真,鲁国起,张焰,等.基于风险综合评判的设备状态检修决策优化[J].电力系统自动化,2010,34(11):28-32,66.PANLezhen,LUGuoqi,ZHANGYan,etal.Decision-makingoptimizationofequipmentcondition-basedmaintenanceaccordingtoriskcomprehensiveevaluation[J].AutomationofElectricPowerSystems,2010,34(11):28-32,66.

[124]刘文颖,谢昶,文晶,等.基于小生境多目标粒子群算法的输电网检修计划优化[J].中国电机工程学报,2013,33(4):141-146.LIUWenying,XIEChang,WENJing,etal.OptimizationoftransmissionnetworkmaintenanceschedulingbasedonNichemulti-objectiveparticleswarmalgorithm[J].ProceedingsoftheCSEE,2013,33(4):141-146.

[125]SHARKHMYE,KEIBAAE.Maintenanceschedulingofgenerationandtransmissionsystemsusingfuzzyevolutionaryprogramming[J].IEEETransactionsonPowerSystems,2003,18(2):862-1068.

[126]王慧芳,曹靖,罗麟.电力文本数据挖掘现状及挑战[J].浙江电力,2019,38(3):1-7.WANGHuifang,CAOJing,LUOLin.Currentstatusandchallengesofpowertextdatamining.ZhejiangElectricPower,2019,38(3):1-7.

[127]曹靖,陈陆燊,邱剑,等.基于语义框架的电网缺陷文本挖掘技术及其应用[J].电网技术,2017,41(2):637-643.CAOJing,CHENLushen,QIUJian,etal.Semanticframework-baseddefecttextminingtechniqueandapplicationinpowergrid[J].PowerSystemTechnology,2017,41(2):637-643.

[128]杜修明,秦佳峰,郭诗瑶,等.电力设备典型故障案例的文本挖掘[J].高电压技术,2018,44(4):1078-1084.DUXiuming,QINJiafeng,GUOShiyao,etal.Textminingoftypicaldefectsinpowerequipment[J].HighVoltageEngineering,2018,44(4):1078-1084.

[129]马润泽,王龙响,余佳文,等.考虑历史缺陷文本信息的断路器状态评价研究[J].机电工程,2015,32(10):1375-1379.MARunze,WANGLongxiang,YUJiawen,etal.Circuitbreakers’conditionevaluationconsideringtheinformationinhistoricaldefecttexts[J].JournalofMechanicalElectricalEngineering,2015,32(10):1375-1379.

[130]邵冠宇,王慧芳,何奔腾.电网设备缺陷文本的质量评价与提升方法[J].电网技术,2019,43(4):1472-1479.SHAOGuanyu,WANGHuifang,HEBenteng.Qualityassessmentandimprovementmethodforpowergridequipmentdefecttext.PowerSystemTechnology,2019,43(4):1472-1479.

[131]刘梓权,王慧芳,曹靖,等.基于卷积神经网络的电力设备缺陷文本分类模型研究[J].电网技术,2018,42(2):644-651.LIUZiquan,WANGHuifang,CAOJing,etal.Aclassificationmodelofpowerequipmentdefecttextsbasedonconvolutionalneuralnework[J].PowerSystemTechnology,2018,42(2):644-651.

[132]邱剑,王慧芳,应高亮,等.文本信息挖掘技术及其在断路器全寿命状态评价中的应用[J].电力系统自动化,2016,40(6):107-112.QIUJian,WANGHuifang,YINGGaoliang,etal.Textminingtechniqueandapplicationoflifecycleconditionassessmentforcircuitbreaker[J].AutomationofElectricPowerSystems,2016,40(6):107-112.

人工智能在电力电子中的应用

报告专家

/李欣泽/

李欣泽，新加坡南洋理工大学（NanyangTechnologicalUniversity,Singapore）博士，师从浙江大学张欣教授、南洋理工大学毛可智教授、南洋理工大学JosepPou教授（IEEEfellow)。2018年于山东大学获得电气工程学士学位，2022年于新加坡南洋理工大学获得电气工程博士学位（新加坡政府全额奖学金）。2021年博士期间于新加坡国家电信公司Singtel从事计算视觉项目（computervision）的实习；2021至2022年从事自然语言处理（naturallanguageprocessing）的分类文本风格迁移的前沿研究；2022年至今就职于劳斯莱斯（Rolls-Royce）新加坡全球研发中心，负责燃料电池系统的设计和稳定性分析。以第一作者或通讯作者身份发表SCI/EI论文近20篇，其中IEEETrans期刊论文9篇。担任IEEEPES、PELS等协会期刊审稿人。研究领域包括电力电子变换器和系统的数字孪生、基于数字孪生的功率变换器设计与控制、人工智能在电力电子中的应用等。

/赵帅/

赵帅，丹麦奥尔堡大学能源系（AAUEnergy，AalborgUniversity）助理教授，主要从事人工智能与电力电子可靠性、状态监测与健康评估、退化与剩余寿命预测、数据驱动方法轻量化、面向电力电子的物理信息机器学习方法等方面的应用研究。分别于2011、2014、2018年在西北工业大学信息与通信工程专业获得学士、硕士、博士学位；2014.9-2016.9年为加拿大多伦多大学(UniversityofToronto)联合培养博士生；2018年为美国德州大学达拉斯分校（UniversityofTexas-Dallas）访问学者；2018-2022为丹麦奥尔堡大学能源系博士后。目前，作为子课题负责人参与丹麦自然基金委重大项目“AI-Power：Physics-informedArtificialIntelligenceforNext-GenerationPowerElectronics（2022-2027）”（www.ipower.ai）与丹麦Villum基金会项目“Light-AIforcognitivePowerElectronics”。针对电力电子与人工智能的交叉研究成果多次受邀在国际会议与工业界进行学术专题讲座（ECPE2022,PEDG2022,Ee2021,SDEMPED2021等）。曾获陕西省国防科学技术进步一等奖（位列2/11）；目前为期刊e-Prime与AppliedScience客座编辑。

推荐专家

/张欣/

张欣博士，浙江大学“百人计划”研究员自然科学A类，博导，浙江大学先进技术研究院(国防院)副院长，国家首届海外优青、浙江省杰青、浙江省高层次海外人才、浙江大学启真青年学者，IEEE高级会员。2007年获南京航空航天大学学士学位，2014获得南京航空航天大学电气方向博士学位，2016年获得英国谢菲尔德大学控制方向博士学位，2017-2020年在新加坡南洋理工任助理教授和新能源研究院主任，2020年9月加盟浙江大学。张欣博士研究方向包括：新能源供配电系统的失稳防治问题、人工智能在电力电子技术中的应用、宽禁带半导体器件智能封装和应用。张欣博士主持国防973重点基金项目、国家重点研发计划课题、国家重点自然基金课题、国家区域联合基金课题、国家面上基金项目、装发慧眼行动等项目40余项。张欣博士发表SCI一区期刊论文120余篇(一作/通讯80余篇)，发明专利40余项，1作英文书籍4本(Springer出版社)，任IEEETIE、JESTPE等8本SCI期刊编委，IEEE/电源学会/电工技术学会等7个专委会委员，获得ASEANEnergyAward、CCDC张嗣瀛杰出青年论文、IEEEPRECEDE最佳论文、国家自费留学奖学金特等奖等奖励17次。

/王怀/

王怀，丹麦奥尔堡大学教授，电力电子变换器可靠性（ReliaPEC）研究团队负责人，奥尔堡大学能源（AAUEnergy）数字化转型及人工智能使命计划负责人，该计划致力于在能源、数字化、人工智能等多学科交叉方向的研究和创新。主要从事高效、可靠、可认知的电力电子系统方面的基础和应用研究，与电力电子及能源行业的企业展开了广泛的合作。他在电力电子可靠性和无源元件领域提出了一系列原创性的概念和方法。5篇IEEE及IET获奖论文,100余场受邀讲座。2012年获香港城市大学博士学位，2007年获华中科技大学工学学士学位。2013年和2014年间麻省理工学院和苏黎世联邦理工学院短期访问科学家，2009年博士学习期间于ABB瑞士联合研发中心实习。因对电力电子可靠性领域贡献,于2016年获IEEE电力电子协会颁发的RichardM.Bass杰出青年工程师奖;于2022年获香港城市大学电机工程学系首届杰出青年校友奖。担任IEEEIAS/IES/PELS丹麦联合分会主席(2019-2020)及IEEE、SpringerNature、Elsevier旗下四份期刊的编委。

国网信产：人工智能赋能电网数字化发展

核心提示当前，新一代人工智能正在全球范围蓬勃兴起，为经济社会发展注入新动能，正在深刻改变人们的生产生活方式。为满足国家电网有限公司数字化转型升级的需求，国网信通产业集团牵头持续推进人工智能平台建设和人工智能产品开发应用，赋能电网数字化发展。

截至1月10日，国网信息通信产业集团有限公司自主研发的人工智能平台在国网内蒙古东部电力有限公司上线运行达170天。“国网信通产业集团人工智能平台上线运行后，对电网营销、安监、设备等业务中分散的样本数据、算法模型有效实现统一归集管理和服务调用，实现高性能图形处理服务器的统一管理和调度，为各类人工服务提供算力资源支撑，服务器资源利用率提升约30%。”蒙东电力信通分公司专家袁冬冰说。

2021年，由国网信通产业集团组建的电力人工智能创新中心打造了自主可控的电力人工智能平台以及面向电力生产、信息通信、经营管理、营销服务、综合能源等的5大类35款人工智能产品，有力支撑国网大数据中心以及国网重庆、安徽电力等14家单位的人工智能平台建设及业务应用。

加强电力人工智能顶层设计推进人工智能产业发展

2016年，国网信通产业集团开始布局人工智能产业，2020年加速推进人工智能产业发展，集聚旗下各单位人才、业务、技术等优势资源，组建成立电力人工智能创新中心。

2021年，电力人工智能创新中心贯彻落实国网信通产业集团“1346”卓越提升三年行动计划，组建了包含约300人的人工智能柔性团队，开展人工智能顶层设计、基础能力平台研发、核心技术攻关、业务应用产品研发与推广实施。电力人工智能创新中心已成为支撑公司人工智能基础平台建设的主力军。

2021年3月25日，国网信通产业集团作为组长单位，牵头开展公司人工智能技术应用顶层设计，并全程参与公司两级人工智能“两库一平台”和通用组件建设方案的编制。该顶层设计明确了公司人工智能技术应用体系框架，指导人工智能平台、服务、应用、运营、标准、人才、生态的建设工作，协同推进各专业应用场景落地，助力公司业务数字化、智能化水平持续提升。

2021年7月21日，国网信通产业集团围绕公司“一体四翼”发展布局，在该集团“十四五”发展规划的基础上，制订了“1346”卓越提升三年行动计划。计划明确指出围绕碳达峰、碳中和目标及构建新型电力系统的需求，加快人工智能、移动互联、5G等新技术在企业经营管理、电网生产、客户服务等业务方向的应用场景创新，构建具有前瞻性的集团数字化技术创新应用业务模式，全力支撑公司数字化转型。

打造自主可控电力人工智能平台支撑省级人工智能“两库一平台”建设

国网信通产业集团作为省级人工智能“两库一平台”建设的支撑单位，积极响应公司工作要求，通过整合内部优势资源，引进外部优势资源，在前期研发的人工智能平台基础上，按照公司人工智能技术应用顶层设计要求，打造了自主可控且具有电网特色的电力人工智能平台，支撑国网重庆、安徽、蒙东电力等省级电力公司按时完成省级人工智能“两库一平台”实施部署工作。

国网信通产业集团目前在基础能力模型库、电力专有能力模型库上构建了7大类近100个人工智能识别模型，电力专有能力模型覆盖输变电与电网控制、配用电、信息通信、经营管理等业务领域，基础模型库覆盖语音、人脸、光学字符识别、自然语言处理等领域，基本能支撑所有电力场景人工智能应用需求。

面向电力输变电巡检和现场作业业务场景，该集团开展业务影像数据样本库构建与模型训练优化工作，形成输电线路本体、通道，变电设备，现场作业人员安全和电力变压器声纹识别等4大业务影像数据与模型库，并在安徽、江苏、河北和辽宁等地开展模型算法试点与落地应用；面向输电、变电、安监、变压器监测等典型业务场景，已成功构建4类专业算法库，形成20类输电模型、26类变电识别模型、17类现场作业模型以及6类声纹模型。

下一步，国网信通产业集团将在现有人工智能业务布局的基础上，结合公司及省级电力公司的实际业务需求，统筹做好电力人工智能平台能力提升与核心技术攻关，开展人工智能赋能业务规划与人工智能产品研发及应用，加强人工智能柔性团队建设，推动人工智能产业在公司高质量规模化发展，助力碳达峰、碳中和目标实现和新型电力系统构建。

构建电力人工智能产品体系提升电网业务智能化水平

数字化安全管控智能终端

国网信通产业集团按照国网安监部数字化安全管控智能终端推广工作方案，组织优势力量开展数字化安全管控智能终端产品的研发与推广应用，完成智能终端、边缘智能服务等产品组件研发，实现智能安全帽、移动布控球、智能接地线等10余类智能终端接入，以及登高、有限空间等高危作业的118项人身风险点自动判定和报警。数字化安全管控智能终端在国网北京、浙江、福建电力等14家单位部署应用，覆盖各单位三级以上高风险作业现场。

“数字化安全管控智能终端利用边缘计算技术，在现场直接处理各类数据信息，具有响应速度快、传输延迟小的特点，可以第一时间开展违章判定、风险提醒、违章自动告警和信息推送，极大缩短现场问题和违章情况发现、判定、告知及处理的时间，减轻了安全管控人员工作强度，提升了安全管控时效性。”2021年12月16日，宁夏银川供电公司平吉堡—单晶硅220千伏变电站工作负责人马生明操作数字化安全管控智能终端开展杆塔附件安装时，对终端作用赞不绝口。

小喔机器人流程自动化产品

国网信通产业集团基于机器人流程自动化（RPA）技术开展产品研发，完成RPA工具产品自研并创建“小喔”RPA产品品牌，快速打造基层减负新型赋能工具，解放基层员工劳动力，减轻基层员工工作负担。截至2021年年底，国网信通产业集团通过小喔RPA工具研发的RPA应用超200个，覆盖人资、财务、营销、设备、运检等主要专业，累计节省人工用时超过61万个小时。同时，国网信通产业集团为企业提供基于RPA技术的流程再造解决方案，通过优化运营流程，配合多维度数据统计分析，提升企业运营效率，降低运营成本，推动企业数字化转型，助力增强企业市场竞争力。

以国网冀北电力为例，为提升客户用电体验，基层员工需每天监控费控复电异常情况，以免费控复电指令下发失败，导致客户不能及时复电。人工监控每次耗时约30分钟，使用RPA应用后，每次仅需15分钟，可实现全天候在线监控，发现异常能及时预警，由员工快速处理，有效提升服务水平。自2021年9月起，RPA应用已在国网冀北电力150余个基层班组推广应用。

当前，国网信通产业集团自主研发的小喔RPA产品已成功入选公司指定产品，即将在国网河北、冀北、山西、江苏、安徽、湖北、湖南、河南、江西、吉林、黑龙江、蒙东、青海、宁夏、四川、西藏电力16家单位推广应用。

智能“问数”搜索引擎

国网信通产业集团利用人工智能技术，研发智能“问数”搜索引擎，实现电力数据的交互应用，基于数据中台为电力业务人员提供数据查询服务，提升电网数据管理水平。为解决国网新源公司生产管理系统运行中数据查询复杂、报表生成速度慢、看板展示不灵活等痛点、难点问题，智能“问数”项目组快速响应，以国网新源公司应用场景需求为驱动，依托智能“问数”搜索引擎完成项目本地化应用。

目前，智能“问数”引擎已在国网大数据中心、国网物资公司、国网新源公司和国网河北电力4家单位开展试点应用。“我们平时迎检、接待客户或向领导汇报时，为确保万无一失，需要提前准备大量常用的分析图表，但是难免会有遗漏。应用智能‘问数’搜索引擎后，使用自然语言提问，就可以快速获取最贴切的可视化分析结果。相对于监控大屏采用的传统输入条件、点选查询方式，智能‘问数’能快速展示各电站、各机组运行状态数据，效率提升了10到20倍，实现水电生产数据实时掌握，助推企业动态管理工作开展。”2021年12月20日，国网新源公司运监中心相关业务人员向上门回访智能‘问数’搜索引擎使用情况的国网信通产业集团现场项目经理介绍道。

人工智能如何影响中国智能电网发展 人工智能 电力