人工智能AI技术对电力系统的应用论文
人工智能AI技术对电力系统的应用论文
摘要：随着人工智能技术的兴起，人工智能技术应用在电力系统的运行、控制、管理等领域。人工智能技术在电力系统中的应用不仅拓展了人工智能技术的应用范围，而且扩展了人工智能技术凭借自动化和智能化程度高等优势，提升了电力产业的智能化升级。人工智能技术使电力系统真正实现决策智能和管理智能。通过分析和总结人工智能技术在电力系统中的应用现状，对电力系统中人工智能的发展方向进行了展望。
关键词：电力系统；人工智能；AI。
1引言
近年来,随着人工智能技术在生活中的普及，人工智能技术被人们熟知。国家发改委将这项技术纳入发展规划与战略，并强调要将人工智能技术应用到各行业。在“电力发展十三五规划”中着重强调，必须将人工智能技术与电力系统相结合，构建“智能电网”造福人民。为响应国家政策，国内一些科研单位首当其冲，尝试将人工智能技术与电力系统结合，2015年谷歌将AI技术引入数据中心，依托AI技术谷歌探索出了有效的管理设备和平衡电力供应的方法，节省了公司巨大的能源开支。紧随其后2016年百度公司建立了人工智能楼宇来节省电力资源，而百度未来将聚焦于以人工智能核心技术为基础，将涉足电力系统的每个环节。作为人工智能在电力行业中应用的领军者，美国通用电气公司（GE）在电力系统的客户服务、信息化建设、能源服务、生产运营、电力调度和科学研究领域运用人工智能技术。因此，AI技术在电力系统中具有广阔的应用前景。
2人工智能技术
AI（ArticialIntelligence）是人工智能技术的缩写，AI是一门新科技，它是研究用于模拟、延伸和扩展人的智能的理论和方法的技术。AI技术的发展包括三个重要阶段：技术驱动、数据驱动和情境驱动。AI技术在技术驱动阶段取得了最大的动力。特别是在达特茅斯会议召开之后，算法程序语言逐渐被人们所熟知，越来越多的开发人员对其投入了极大热情，第一波人工智能开发已经掀起。AI技术三个发展阶段如图1所示。目前AI技术也取得了显著的成就。如：1997年IBM“深蓝”击败了国际象棋冠军，2011年苹果公司发布了手机语音助手Siri，2016年AlphaGo战胜围棋世界冠军李世石等。此外在基于AI的模式识别方面：人脸识别、文本识别、车牌识别和指纹识别等功能也逐渐成熟。在自动工程方面的成就主要有自动驾驶技术、印钞工厂流水线生产和猎鹰系统的自动绘图。从功能结构上来分析，AI产业布局可以分为三个层面：第一是基础层面，在这个层面上主要有事视频内容识别、情景感知计算、语音识别和自然语言处理等操作，这些操作作为人工智能技术的底层支撑。二是理论层面，以机器学习算法为主，它为AI技术应用奠定了理论基础。第三个是应用层面，主要以人工智能技术应用的方面为主，如机器学习应用，计算机视觉应用，手势控制应用、语音翻译应用、智能机器人应用。人工智能技术产品布局如图2所示。人工智能技术的优势体现在我们的工作、生活、学习等各个方面，在工作方面它可以帮助我们提高生产效率，帮助我们摆脱沉重，重复的任务，帮助我们摆脱复杂的数据整理，统计和应用程序。随着技术的发展，人工智能技术也将取得重大突破，彻底改变我们的生活。
3电力系统的现状
中国电力工业的发展经历艰难的67年，它的成长分为五个阶段分别是：萌芽期、成长期、发展期、上升期。具体每个发展阶段如表1所示。电力工业的`快速发展使得国家对电力系统自动化的需求不断增加。同时，电力系统自动化和智能化也是电力系统的发展方向。随着我国全社会用电量的不断增长，国家电网在2009年7月制定了智能电网的发展规划，全面建成统一的智能化电网，届时电网优化配置资源将大幅提升，如表2所示为2009年至今我国在智能电网方面投资情况。我们可以由数据看出，随着时间的增长，我国在智能化电网投资占比也越来越大，这也表明我国电网的发展正在朝着智能化方向发展。我国电力发展的基本方针是：提高能源效率，保护生态环境，加强电网建设，大力开发水电，优化发展煤电，积极推进核电建设，鼓励新能源发电，深化体制改革。在此方针的指导下，未来我国电力发展将呈现自动化水平高、经济高效和环保、技术进步和产业升级步伐加快的显著特点。
4人工智能AI在电力系统中的应用现状
随着电力行业和AI技术的发展，将AI技术应用到电力行业中，不仅是电力行业发展的必然选择，也是能源电力转型的重要战略支撑。人工智能技术有助于解决非线性的电力系统问题，如：人工神经网络在继电保护中的应用、人工智能算法在电力系统运行中的应用、模糊理论在电力系统运行中的应用和专家系统在电力系统运行中的应用。国内的学者也将AI技术同电力相结合并应用，如章熙、黄育松[1]等人，开展了对人工智能技术应用到电力调度自动化系统研究，研究结果表明AI技术可以稳定和科学的完成电力调度。赵启纯[2]将基于AI技术的电力系统故障诊断同常规的电路系统诊断方法进行比对，发现AI技术可以精准的定位电路故障位置，并给出最优的诊断方案。孙秋野[3]等人对AI技术在电力系统中的应用现状进行分析，发现人工智能技术是解决复杂系统决策和控制的必要手段。梁纯[4]等人针对船舶电力系统故障诊断的复杂问题，为达到快速诊断的目的，基于AI技术设计了神经网络模型，给出了推理机的故障诊断流程。陶玉波等人[5]利用人工智能技术提出了对短期风电功率预测的模型和方法。总之，人工智能技术在电力系统中的应用已经很普遍。因此，人工智能在能源和电力领域的应用可归纳如下：传统方法的智能化，关键技术的延伸和创新，以及多种因素的智能化融合。
5电力系统发展展望
新一代电力系统的发展应伴随着人工智能技术的稳定性，同步性和长期发展。基于无处不在的传感技术为基础，以深度学习、物联网和大数据区块链等新兴技术为依托，人工智能技术正在不断成熟。在新一代的电力系统未来终将是智能化的电力系统，AI技术将会遍布于电力系统设备管理和系统控制、能量管理和交易等领域。全新的电力系统具备自动、自主的新模式，以电力系统的安全、经济和稳定运行为基础，提供电力系统的运行效率，减少运行成本。所以快速发展的人工智能技术，对未来能源电力系统各环节发展形态，系统整体效率，运行控制方式和运营模式带来革命性、颠覆性影响，也是针对新一代电力系统前瞻性研究的重要方向。
6结语
随着AI技术的不断发展，将人工智能技术与电力系统相结合的应用也越来越多，在应用中取得了良好的效果。目前电能已经成为人类生活不可或缺的一部分，伴随着电力系统的飞速发展，其产生了海量的电力系统数据。面对这些海量的数据，人工管理复杂程度呈指数上涨。在这些背景下，人工智能技术以其高度自动和智能化脱颖而出，因此人工智能技术在电力系统中的应用前景十分广阔。将人工智能技术和电力系统相结合不但加强了智能科学在电网中的科研和应用，而且能更加确保电网系统持续、稳定、安全和经济运行。
参考文献
[1]章熙,姬源,黄育松.人工智能技术在电力调度自动化系统中的应用研究[J].信息与电脑(理论版),2017(22):132-133.
[2]赵启纯.人工智能技术在电力系统故障诊断中的运用分析[J].电脑知识与技术,2017,13(02):183-185.
[3]孙秋野,杨凌霄,张化光.智慧能源—–人工智能技术在电力系统中的应用与展望[J].控制与决策,2018,33(05):938-949.
[4]梁纯,仇文宁.人工智能技术在船舶电力系统故障诊断中的应用[J].舰船科学技术,2018,40(16):52-54.
[5]陶玉波,陈昊,秦晓辉,孟昭军.短期风电功率预测概念和模型与方法[J].电力工程技术,2018(05):7-13.
【人工智能AI技术对电力系统的应用论文】相关文章：
电气自动化技术对电力系统的应用论文07-28
电力系统调度自动化技术的应用论文07-30
谈电力系统自动化技术的应用论文07-27
电气自动化技术对电力系统的运用论文08-26
电力系统及其自动化技术的应用能力分析论文11-27
电力系统及其自动化技术的应用探讨论文07-19
电气自动化技术对电厂的应用论文07-28
生物技术对有机农业种植的应用论文08-06
策论电气自动化技术在电力系统中的应用论文12-08
电力系统自动化技术应用以及前景分析论文12-08
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.2PrincipleofStackingalgorithm2.1.3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.3Principleofdeepadaptationnetworkfortransferlearning3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
0引言电力变压器作为电力系统的关键枢纽设备,其安全稳定运行是保障优质电力正常供应以及社会生活正常运作的必要基础。不同于传统的计划检修方式,电力变压器状态检修是一种以评估设备状态为基础、以预测状态发展趋势为依据的新型检修方式,这种检修方式能够在提高设备可靠性的同时,有效规避检修不足及检修过度等问题[1]。依据实施流程,变压器状态检修可归纳为3个阶段性任务[2]。
1）数据采集及处理阶段。数据采集主要是通过停电试验、不停电检测及人工巡检等方式获取能够反映电力变压器运行状态的相关参数信息。数据处理主要是对原始采集数据进行清洗、修复以及挖掘和提取关键信息,从而为后续评估及预测模型提供可靠的数据支持。
2）状态评估及预测阶段。状态评估主要是通过对不同来源、不同类型的状态信息进行融合分析,以确定电力变压器的运行状态等级,并依据评估结果进一步实现设备的故障识别、故障定位及严重程度判定等细化诊断功能。状态预测是以当前设备的运行状态为起点,结合已知预测对象的监测数据、结构特性、历史记录、运行工况及环境等关键要素,对状态的未来发展趋势进行分析预测,从而为后续检修策略的制定提供依据。
3）检修决策优化阶段。检修决策是以电力变压器的运行状态评估及预测结果为依据,结合检修技术、检修资源与系统运行等约束条件,建立综合考虑运行可靠性与经济性的优化目标函数,从而对包括检修时间与检修方式等项目在内的综合检修策略进行智能优化与推荐。
随着智能电网建设的不断推进,先进的传感监测技术在电力变压器运行维护中的应用愈发广泛和深入,与设备状态相关联的信息已逐步呈现出体量大、种类多、增长快等典型大数据特征[3]。然而,状态数据规模的持续扩张在给电力变压器全方位监测带来便利的同时,也极大地增加了状态检修各阶段性任务的技术难度,主要体现在以下3方面：1）多源异构数据的综合处理及挖掘;2）设备运行状态的多维度、精细化评估及预测;3）多目标多约束检修决策优化模型的构建及应用。人工智能驱动的数据分析方法为上述问题提供了一种全新的解决思路与技术手段。
近年来,计算机与互联网产业发展迅速,高性能计算集群的普及与海量数据资源的累积为人工智能技术的新一轮发展热潮奠定了坚实的研究与应用基础。目前,人工智能技术已被广泛应用于交通、医疗及制造业等领域[4-7],并取得了较好的应用成效。国务院于2017年先后颁布的《新一代人工智能发展规划》与《促进新一代人工智能产业发展三年行动计划（2018—2020年）》更是将人工智能上升至国家战略层面。因此,在电力大数据的背景下,推动基于人工智能的数据分析技术在设备状态检修领域中的全面应用,实现数据驱动与知识引导的有机结合,是变压器运行维护迈向精细化、智能化管理的重要基石。
鉴于此,本文结合电力变压器状态检修的发展需求,总结人工智能在设备状态数据综合挖掘与分析中的应用现状与发展方向。首先,概述了面向数据分析的人工智能技术框架与内容;然后,结合电力变压器状态检修各阶段任务的智能化需求,论述了人工智能驱动的数据分析技术在数据清洗、文本挖掘、图像识别、状态评估、故障诊断、状态预测及检修决策优化等典型场景中的应用研究现状;最后,探讨了现阶段影响基于人工智能的数据分析技术在状态检修领域应用效果的关键问题,并对未来的研究方向进行了展望。
1面向数据分析的人工智能技术概述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[8],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。面向数据分析的人工智能技术主要包括专家系统、不确定性推理、机器学习、智能优化计算、自然语言处理及计算机视觉等。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。
1.1专家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[9]。
1.2不确定性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[10]。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。
1.3机器学习作为现代人工智能的重要组成,机器学习使计算机能够模拟人类的学习行为,自动通过学习来获取知识与技能,并不断改善系统自身的性能。应用较为广泛的机器学习方法主要包括传统机器学习、集成学习及深度学习等。
1.3.1传统机器学习传统机器学习依据数据是否被标识,可划分为监督学习、无监督学习和半监督学习3类。常见的传统机器学习算法如表1所示。
1.3.2集成学习集成学习是一种集众多个体学习器学习结果为一体的机器学习方法。其基本思想是通过训练一系列解决相同问题的个体学习器,并结合某种规则对各个学习结果进行整合,从而获得比单一学习器显著优越的泛化性能。
根据个体学习器生成方式以及个体学习器间依赖关系的不同,集成学习可分为Boosting算法与Bagging算法2类。以前者为例,其算法原理如图1所示[20]。首先,从初始训练集开始,为每个训练样本平均分配初始权重,并训练出弱学习器1;然后,以学习错误率为依据更新训练样本的权重分布,并基于此训练出弱学习器2;逐轮迭代,直至最大迭代轮数T;最后,依据结合策略对全部弱学习器进行整合形成强学习器。
1.3.3深度学习深度学习是一种基于深层网络模型,面向低层数据对象,采用逐层抽象机制,最终形成高层概念的机器学习方法。深度学习区别于传统机器学习的
表1传统机器学习算法Table1Traditionalmachinelearningmethods
图1Boosting算法原理Fig.1PrincipleofBoostingalgorithm关键点在于其能够模拟人脑神经系统的深层结构以及人脑认知过程的逐层抽象、逐次迭代机制。具有代表性的深度学习模型主要包括深度置信网络（deepbeliefnetwork,DBN）[21]、卷积神经网络（convolutionneuralnetwork,CNN）[22]、长短期记忆神经网络（long-shorttermmemory,LSTM）[23]以及堆叠自动编码器（stackedautoencoder,SAE）[24]等。图2为一种基于深度置信网络的回归预测模型。
1.4智能优化计算智能优化计算是一种受自然界与生物界规律的启迪并根据其原理模仿设计求解问题的算法,主要分为进化计算与群智能计算2类。其中,进化计算以遗传算法[25]为典型代表,群智能算法主要包括粒子群优化算法[26]以及蚁群优化算法[27]等。相较于经典数学方法,智能优化计算具备强大的通用性与稳定性,且无需建立相关的数学或逻辑模型,甚至无需知识表示,能直接对输入信息进行处理,在解决非线性复杂问题上表现突出,适用于难以建立形式化模型、传统算法无法快速有效解决的问题。
图2深度学习回归预测模型Fig.2Forecastingregressionmodelofdeeplearning2人工智能驱动的数据分析技术在变压器状态检修中的应用在长期运行的过程中,电力变压器会受到电应力、热应力、机械应力以及运行工况、气象环境等多种内外部因素的综合作用与影响,进而破坏绝缘性能,导致产生缺陷甚至故障。而这一过程中的设备运行状态变化与故障演变规律蕴含在巡检试验、带电检测、在线监测以及运行工况、环境气候、电网运行等众多状态信息中。随着输变电设备状态监测管理系统、生产管理系统、能量管理系统、地理信息系统及气象信息系统等电力信息化平台的逐步完善与应用,电力变压器运行状态的相关信息呈现出多源、异构的数据特征。其中,多源性表现为变压器状态数据来源多样化,涵盖设备数据、监测数据、外部数据3个方面;异构性则表现为变压器状态数据结构多样化,包括数值、文本、图像、视频等结构化、半结构化及非结构化数据[28]。
综上,海量多源异构数据的综合处理与挖掘有助于全面、及时、准确地掌握电力变压器的运行状态及发展趋势。同时,多维度、精细化的状态评估及预测结果可为设备检修决策优化提供更为可靠的参考依据,从而进一步提升变压器的状态管理水平。因此,本节围绕状态检修的3个阶段性任务,归纳了包括数据清洗、文本挖掘、图像识别、状态评估、故障诊断、状态预测及检修决策优化在内的7个典型场景,并就人工智能驱动的数据分析技术在其中的应用研究现状进行总结与分析,其应用技术框架如图3所示。
2.1数据清洗应用场景状态监测信息的数据质量是影响电力变压器状态评估及预测模型准确度的重要因素[29-30]。由于复杂的现场运行环境会对传感器的监测性能造成干扰,且监测信号在传输过程中也会存在通信异常及信道噪声等问题,因此采集到的原始数据中通常会含有部分噪声点及缺失值。数据清洗即识别并修复上述无效异常数据的过程[31]。需要特别注意的是,电力变压器缺陷或故障所造成的异常数据包含着重要的状态信息,被称为有效异常数据[32],并不属于数据清洗的范畴。
传统的统计学方法在处理异常识别问题时会存在准确性较低及实时性较差等问题,通过引入机器学习中的无监督聚类方法[33],基于信息相似度原则对监测数据流信息进行集聚处理,可实现异常点与缺失值的快速、有效辨识。常用的聚类算法包括K-means聚类算法[34]、模糊C均值（fuzzyc-means,FCM）聚类算法[35]及DBSCAN（density-basedspatialclusteringofapplicationswithnoise）聚类算法[36]等。在异常识别结果的基础上,通过利用人工神经网
图3人工智能驱动的数据分析技术应用框架Fig.3Applicationframeworkofartificialintelligencedrivendataanalysistechnology络模型进行噪声点修正及缺失值填补[36],能够有效避免有用信息的丢失,为后续电力变压器状态评估及预测环节的顺利进行提供数据质量的可靠保障。
针对区分有效异常数据与无效异常数据的技术难点问题,除了引入多元时间序列进行关联分
析[31,36]的解决方法以外,文献[37]结合深度学习理论,提出一种基于栈式降噪自编码器（stackeddenoisingautoencoder,SDAE）的清洗方法,能够自动重构修复噪声点及缺失值,并在辨识设备异常运行状态的同时有效过滤干扰数据。
2.2文本挖掘应用场景电力变压器的文本信息主要包括其在长期运行过程中积累的大量试验/巡检记录、缺陷/故障报告以及检修/消缺文档等,其中所蕴含的设备健康信息对于状态检修工作具有重要的指导意义。目前,国外已有通过故障工单等进行电力设备故障风险预测的相关研究[38],但中文文本与英文文本在词性及语法结构等方面存有明显的差异[39],因此需要开展针对电力中文文本特点的关键信息挖掘研究。为此,文献[40]通过引入自然语言处理技术,结合电力领域的专业知识,建立了适用于电网的自然语言处理框架;在此基础上,文献[41]构建了基于语义框架的变压器缺陷文本挖掘模型,解决了电力中文文本挖掘中存在的句中成分难以划分及数字信息无法准确提取等问题,其所提取出的精确缺陷信息可被应用于设备可靠性统计等方面。
中文文本分类问题的处理流程主要包括3个阶段：1）文本预处理,包括分段、分句、分词、停用词过滤等;2）文本表示,即将文本转换为计算机可识别和处理的形式;3）分类器的选择、构造、训练及测试。针对传统机器学习分类器存在的数据处理与特征提取能力不足等问题[39,42],相关文献以电力设备故障案例[43]与缺陷记录[44]为研究对象,通过引入长短期记忆神经网络、卷积神经网络等深度学习模型作为文本分类器进行训练及测试,实现了故障文本中故障因果关系的自动提取以及缺陷记录中缺陷严重等级的自动判定,且分类准确率相较于传统机器学习模型有显著提升。图4所示为一种基于注意力机制的双向LSTM神经网络模型结构,可用于电力变压器缺陷记录文本的等级分类。
2.3图像识别应用场景随着数码摄像与计算机视觉技术的快速发展和广泛应用,高清视频监视、红外热像等智能化监
图4基于注意力机制的双向LSTM神经网络结构Fig.4StructureofBi-LSTMneuralnetworkbasedonattentionmechanism测技术手段在变电站运维巡检中的应用也愈发普及[45-46]。通过人工巡检与智能巡检手段采集到的可见光、红外、紫外等设备图像信息具有体量大、增长快且价值密度低的数据特征,人工筛查的效率低下,且其结果存在主观性、模糊性等问题[47-48]。因此,结合人工智能技术对电力变压器非结构化图像数据进行自动分析,提取其中的关键信息,对于及时、准确地掌握设备运行状况,提高运维管理水平具有重要的技术价值。
作为电力设备图像识别的关键前提,图像分割是指将原始图像分割为若干个互不相交区域的过程,其目的是将目标区域与背景区域分离,以减少背景干扰并提升处理速度。基于无监督聚类算法的分割技术是将图像中具有信息特征的像素点映射至多维特征空间,并通过多维特征空间中点的聚类分析实现图像的多层分割。常用聚类算法包括K-means聚类算法[49-50]、FCM聚类算法[51-52]等。针对传统聚类分割方法所存在的噪声敏感问题,文献[53]以电力设备红外图像作为研究对象,在结合K-means聚类算法的基础上,通过引入密度相似因子对信息点进行评估,从而实现噪声的有效滤除,并改善了图像的分割效果。
在图像分割处理的基础上,传统图像识别技术主要采用尺度不变特征变换[54]与方向梯度直方图[55]等人工特征提取方法,然后将提取出的特征输入至支持向量机[56]等机器学习分类器中进行识别。由于上述方法难以提取出复杂特征,且特征选取的难度较大,因此,传统识别模型的泛化能力难以得到保证[57]。近年来,深度学习技术的快速发展解决了自动化、自适应特征提取的关键难点。作为一种端对端的机器学习系统,深度学习能够直接作用于像素级的原始数据,并自动逐层地进行特征学习,具备强大的自动特征提取、复杂模型构建以及高效的特征表达能力。文献[58-59]在结合卷积神经网络的基础上,对其网络拓扑结构等方面进行改进,相较于传统算法,显著提升了变压器等电力设备图像的识别准确率。
2.4状态评估应用场景状态评估作为电力变压器状态检修工作中的基础问题,其评估结论可为后续故障诊断、状态预测乃至检修决策环节提供重要的参考依据。目前在运维现场应用最为普遍的仍是基于导则[60-61]的累计扣分制评价方法,该方法虽然具备简单易行的优势,但却忽视了状态信息的不确定性问题以及气象环境与电网运行等外部因素对设备运行状态的影响。因此,结合人工智能中的不确定性推理技术对于实现多维度、精细化的电力变压器状态评估具有重要的推进作用。
电力变压器状态信息的不确定性主要表现为评估等级界限存在的模糊性与随机性特征、以专家经验为依据的评估指标权重存在主观随机性问题等多个方面[29]。相关文献通过引入模糊理论[62]、云理论[63-64]、集对理论[65-66]等不确定性推理方法,利用其在处理定性概念与定量描述间不确定性转换方面的优势,有效避免了评估判据边界绝对化的问题;在此基础上,通过进一步结合主客观相结合的组合赋权方法[67],能够有效提升评估结论对状态信息不确定性的抗干扰能力。
另一方面,设备数据、监测数据及外部数据等不同数据源信息均与电力变压器运行状态呈现直接或间接关联的关系。因此,通过构建涵盖不同类型状态参量的评估指标体系,并采用D-S证据理论[62]、贝叶斯理论[68]等不确定性推理方法对上述多源信息进行融合,可有效提高电力变压器状态评估的全面性与准确性。当前的研究主要是围绕设备的动静态信息融合[69]、内外部信息融合[70]及多时段信息融合[71]等目标展开,并取得了不错的应用成效。
除此以外,部分学者尝试通过利用支持向量机[72]、人工神经网络[73]等机器学习模型,来挖掘关键参量与变压器运行状态间复杂的非线性映射关系。但由于非正常状态设备样本的匮乏,造成训练样本集的不均衡程度过高,模型性能不理想,因此,相关研究仍有待进一步完善与改进。
2.5故障诊断应用场景电力变压器故障诊断是根据状态评估结果,结合相关参量信息进一步实现设备故障识别、故障定位及严重程度判定等细化功能。传统的故障诊断方法主要依据局部放电、油中溶解气体及其他相关电气与化学试验等指标参量,采用横向比较、纵向比较、比值编码及阈值判断等数值分析方法进行诊断[28,30],但由于变压器内部结构与故障机理复杂,其诊断准确率与效率并不理想。因此,通过结合专家系统、机器学习等人工智能技术实现电力变压器智能化故障诊断是近年来的研究热点。
1）专家系统诊断方法。专家系统是一类具有专家经验与领域知识的计算机智能程序系统,主要包括人机接口、推理机、知识库、数据库、知识获取机构与解释机构6个组成部分[28]。尽管诊断型专家系统在电力系统中广泛应用,但其仍存在一定的局限性,譬如推理能力不足、容错能力较差以及完备知识库的获取难度较大等问题。
2）传统机器学习诊断方法。机器学习诊断方法本质上就是建立变压器状态信息空间到故障类型空间的映射模型,再利用该模型判别未知样本故障类型的过程,整个过程无需建立任何物理模型与人工干预。常用于变压器故障诊断的传统机器学习算法包括神经网络[74]、决策树[75]、支持向量机[76]等。除此以外,还能利用粒子群算法、遗传算法等智能计算方法[77-78]来优化机器学习模型的相关参数,从而提升其训练效率与整体泛化性能。
3）集成学习诊断方法。集成学习方法通过将多个机器学习模型进行有机地结合,从而获得在准确性、泛化性及鲁棒性方面表现更优的集成诊断模型[79],常见的算法主要包括AdaBoost算法[80]、Bagging算法[81]等。与此同时,为提高模型诊断效率,通过利用高性能服务器集群实现集成学习模型的并行化处理,将会大幅度降低诊断模型构建及训练的时间成本。图5所示为一种基于AdaBoost_RBF与DSmT的电力变压器故障诊断模型,它通过AdaBoost_RBF搭建并行的诊断模块并利用DSmT进行决策级融合,实现了设备的故障定位与诊断功能。
4）深度学习诊断方法。变压器状态数据规模的迅速扩张对故障诊断模型的效率及准确率提出了更高的要求,而传统浅层机器学习方法在特征提取、学习能力以及处理效率等方面存在一定的不足。因此,通过利用深度学习在处理海量、高维数据问题中的显著优势,可以进一步提升模型的诊断性能。目前,应用于变压器故障诊断中的深度学习算法主要包括深度置信网络[82-83]、卷积神经网络[84]等。
2.6状态预测应用场景电力变压器状态预测是以当前的设备运行状态为起点,结合已知预测对象的监测信息、结构特性、历史记录、运行工况及环境等关键要素,对设备未来的状态进行分析及预测。目前,主流的预测方法一般是针对单一或少数监测参量,譬如油中溶解气体含量,通过构建统计分析模型或人工智能模型来外推时间序列未来的发展趋势。统计分析模型主要包括时间序列分析模型[85]和灰色模型[86],其预测精度受限于监测序列本身的数据分布规律,因而在应用场景方面存在一定的局限性。随着人工智能技术的发展与传感监测设备的大量部署,利用机器学习模型强大的非线性拟合能力来对大量的历史数据进行分析训练,能够较为准确地预测时序发展趋势,其典型代表为支持向量机、人工神经网络等[87]。传统机器学习预测模型仅依靠监测参量本身的历史数据,忽略了众多关联因素的影响。因此文献[88]以变压器油中溶解气体体积分数为预测对象,利用灰关联分析法从设备多维度数据中挖掘强关联规则,以此为依据提取关键输入参量,并结合K-最近邻法建立了多参量智能预测模型,相较于传统方法显著提升了预测精度。
考虑到以监测量为输出的预测模型对于变压器状态发展趋势的反映不够直观,部分学者选择将能够代表设备运行状态的健康指数及故障率等指标作为预测模型输出[89-90],为检修决策环节提供了动态且直观的状态预测信息。其中,文献[91]以状态等级隶属度函数作为数据标签,并综合油中气体含量、检修记录、运行工况及运行时间等关键要素,构建了基于LSTM神经网络的变压器状态预测模型,其预测准确率相较于传统方法有所提升。
2.7检修决策优化应用场景电力变压器检修决策是以设备状态评估及预
图5基于AdaBoost_RBF与DSmT的故障诊断模型Fig.5TransformerfaultdiagnosismodelbasedonAdaBoost_RBFandDSmT测结果为基础,并根据一定的优化目标,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。检修决策优化是体现设备状态检修价值的核心环节,其本质是一个多目标多约束优化的问题。其中,优化目标主要涉及可靠性与经济性等方面;约束条件依据约束性质的不同通常可划分为检修技术约束、检修资源约束以及系统运行约束3种类型[92]。
由于电力变压器检修决策优化问题具有维数高、非线性强和不确定因素多的特点,传统的数学优化算法在解决此类问题时存在较大的局限性,而智能优化算法因其强大的通用性与稳定性,被广泛运用于设备检修决策环节。常见的智能优化算法包括禁忌搜索算法[93]、粒子群优化算法[94]以及遗传算法[95]等。其中,文献[93]建立了一种计及设备故障风险及电网运行风险的输变电设备状态检修决策优化模型,并采用禁忌搜索算法对待修设备的检修时序进行优化,为调度人员合理编排检修计划提供了科学决策依据;文献[94]以设备状态为基础,将检修方式和检修时间同时作为决策变量,建立了综合考虑电网运行总风险和设备检修收益的复合优化模型,采用粒子群优化算法进行求解,并结合算例验证了此方法能够兼顾可靠性与经济性,实现了整体优化。
3挑战与展望目前,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已逐步开展。人工智能的引入为解决电力大数据背景下的技术难题提供了新思路、新方法。但现阶段依然存在着诸多关键问题亟待解决。笔者将当前面临的挑战主要概括为以下几个方面。
3.1数据质量问题数据质量是决定电力变压器状态检修效果的关键因素。然而,现阶段设备状态相关数据的存储形式各异、质量参差不齐,数据重复、异常及缺失等现象时有发生,严重影响了评估预测环节的工作效率与结果准确性。未来应重点加强数据质量评价与数据治理的相关研究,解决原始数据端的质量问题,从源头保证评估工作的顺利开展。
3.2数据壁垒问题电力变压器状态检修所需的数据多来源于不同的业务部门与信息管理平台,且无法实现跨平台的数据交互及共享,导致数据壁垒的出现,使得获取完备数据样本的难度大大增加,难以满足评估环节大体量、多源化的数据需求。因此,后续应研究不同地点、类型和功能数据库间的交互机制,实现数据跨部门、跨系统的高效存取,打破数据壁垒,为变压器状态检修工作的开展提供充足、全面的数据。
3.3异常样本匮乏问题高性能机器学习模型对于训练样本的数量存在较高的要求。在实际工作中,由于输变电设备运维管理状况良好,电力变压器故障多为小概率事件,加之相关案例报告记录信息不全面,导致非正常状态的设备样本数量十分匮乏,并进一步造成非均衡数据集的出现,制约着机器学习模型的训练效果。
为解决训练样本类别不均衡问题,一方面,需要收集、补充及完善电力变压器故障案例库的相关信息,并尝试建立统一的故障样本信息化采集手段;另一方面,需要进一步深入研究适用于非均衡数据集的机器学习方法。
3.4新型监测手段的研究与应用在电力变压器状态检修领域开展人工智能的应用技术研究,其本质是实现多源化状态信息的综合集成与利用。因此,通过研究分布式光纤传感和变压器内置机器人等新型的监测手段来完善更新变压器状态评估指标体系,对于直观准确地掌握设备健康状况以及进一步提升人工智能技术的应用效果具有十分重要的意义。
4结论1）在电力大数据的时代背景下,通过全面开展以专家系统、不确定性推理、机器学习、智能优化计算等为代表的人工智能技术在电力变压器状态数据综合挖掘与分析中的应用研究,能够为设备的运维管理提供重要的决策支持。
2）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研究主要是围绕多源异构数据的处理与挖掘、全面准确的运行状态评估与预测以及综合检修决策的建模与优化这3个核心任务展开,并可进一步归纳为数据清洗、文本挖掘、图像识别、状态评估、故障诊断、状态预测及检修决策优化7个典型应用场景。
3）由于受到数据质量、数据壁垒以及异常样本匮乏等客观因素的限制,人工智能技术在相关场景中的应用研究尚处于起步阶段。未来,应重点加强状态数据的管理与维护工作,并探索行之有效的新型监测手段,从而进一步推动电力变压器状态检修的智能化发展。
参考文献[1]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.[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]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.[4]杨红雨,杨波,武喜萍,等.智能化空管技术研究与展望[J].工程科学与技术,2018,50(4):12-21.YANGHongyu,YANGBo,WUXiping,etal.Researchandprospectofintellectualizedairtrafficmanagementtechnology[J].AdvancedEngineeringSciences,2018,50(4):12-21.[5]李诗语,王峰,曹彬,等.人工智能在神经医学中的应用综述[J].计算机科学,2017,44(11A):29-32.LIShiyu,WANGFeng,CAOBin,etal.Applicationsurveyofartificialintelligenceinneurology[J].ComputerScience,2017,44(11A):29-32.[6]PARKSH,HANK.Methodologicguideforevaluatingclinicalperformanceandeffectofartificialintelligencetechnologyformedicaldiagnosisandprediction[J].Radiology,2018,286(3):800-809.[7]KUMARSPL.Stateoftheart-intensereviewonartificialintelligencesystemsapplicationinprocessplanningandmanufacturing[J].EngineeringApplicationsofArtificialIntelligence,2017,65:294-329.[8]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.[9]PANDITM.Expertsystem-areviewarticle[J].InternationalJournalofEngineeringSciences&ResearchTechnology,2013,2(6):1583-1585.[10]王万良.人工智能导论(第4版)[M].北京:高等教育出版社,2017.WANGWanliang.Introductiontoartificialintelligence(4thedition)[M].Beijing,China:HigherEducationPress,2017.[11]PERERSONL.K-nearestneighbor[J].Scholarpedia,2009,4(2):1883.[12]QUINLANJR.Introductionofdicisiontrees[J].MachineLearning,1986,11(1):81-106.[13]CORTESC,VAPNIKV.Support-vectornetworks[J].MachineLearning,1995,20(3):273-297.[14]HECHTNR.Theoryofthebackpropagationneuralnetwork[C]∥IEEEInternationalJointConferenceonNeuralNetworks.WashingtonDC,USA:IEEE,1989:445.[15]BROOMHEADDS,LOWED.Multivariablefunctionalinterpolationandadaptivenetworks[J].ComplexSystems,1988,2(3):321-355.[16]HARTIGANJA,WONGMA.AlgorithmAS136:aK-meansclusteringalgorithm[J].JournaloftheRoyalStatisticalSociety,1979,28(1):100-108.[17]JAINAK.Dataclustering:50yearsbeyondK-means[J].PatternRecognitionLetters,2010,31(8):651-666.[18]SCHÖLKOPFB,SMOLAA,MÜLLERK.Nonlinearcomponentanalysisasakerneleigenvalueproblem[J].NeuralComputation,1998,10(5):1299-1319.[19]CHENYS,WANGGP,DONGSH.Learningwithprogressivetransductivesupportvectormachine[J].PatternRecognitionLetters,2003,24(12):1845-1855.[20]董乐红,耿国华,高原.Boosting算法综述[J].计算机应用与软件,2006,23(8):27-29.DONGLehong,GENGGuohua,GAOYuan.Surveyofboosting[J].ComputerApplicationsandSoftware,2006,23(8):27-29.[21]HINTONGE,OSINDEROS,TEHYW.Afastlearningalgorithmfordeepbeliefnets[J].NeuralComputation,2006,18(7):1527-1554.[22]HUB,LUZ,LIH,etal.Convolutionalneuralnetworkarchitecturesformatchingnaturallanguagesentences[J].AdvancesinNeuralInformationProcessingSystems,2015(3):2042-2050.[23]朱乔木,李弘毅,王子琪,等.基于长短期记忆网络的风电场发电功率超短期预测[J].电网技术,2017,41(12):3797-3802.ZHUQiaomu,LIHongyi,WANGZiqi,etal.Short-termwindpowerforecastingbasedonLSTM[J].PowerSystemTechnology,2017,41(12):3797-3802.[24]GEHRINGJ,MIAOY,METZEF,etal.Extractingdeepbottleneckfeaturesusingstackedauto-encoders[C]∥IEEEInternationalConferenceonAcoustics,Speech,andSignalProcessing.Vancouver,Canada:IEEE,2013:3377-3381.[25]吴杰康,唐利涛,黄奂,等.基于遗传算法和数据包络分析法的水火电力系统发电多目标经济调度[J].电网技术,2011,35(5):76-81.WUJiekang,TANGLitao,HUANGHuan,etal.Multi-objectiveeconomicschedulingforhydrothermalpowersystemsbasedongeneticalgorithmanddataenvelopmentanalysis[J].PowerSystemTechnology,2011,35(5):76-81.[26]杨培宏,刘连光,刘春明,等.基于粒子群优化算法的电网GIC-Q多目标优化策略[J].电力自动化设备,2017,37(3):93-99.YANGPeihong,LIULianguang,LIUChunming,etal.Multi-objectiveoptimizationstrategybasedonPSOalgorithmforGIC-Qofpowergrid[J].ElectricPowerAutomationEquipment,2017,37(3):93-99.[27]陈继开,李浩昱,杨世彦.非广延小波熵及蚁群优化结合的电网暂态电压扰动识别方法[J].中国电机工程学报,2010,30(增刊1):31-36.CHENJikai,LIHaoyu,YANGShiyan.Amethodtorecognizetransientvoltagedisturbanceinpowersystembasedonnon-extensivewaveletentropyandantcolonyoptimization[J].ProceedingsoftheCSEE,2010,30(Supplement1):31-36.[28]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.[29]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.[30]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.[31]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.[32]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.[33]CISZAKL.Applicationofclusteringandassociationmethodindatacleaning[C]∥InternationalMulticonferenceonComputerScienceandInformationTechnology.Wisia,Poland:IEEE,2008:97-103.[34]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.[35]BATUWITAR,PALADEV.FSVM-CIL:fuzzysupportvectormachinesforclassimbalancelearning[J].IEEETransactionsonFuzzySystems,2010,18(3):558-571.[36]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.[37]DAIJJ,SONGH,SHENGGH,etal.Cleaningmethodforstatusmonitoringdataofpowerequipmentbasedonstackeddenoisingautoencoders[J].IEEEAccess,2017,5:22863-22870.[38]RUDINC,WALTZD,ANDERSONRN,etal.MachinelearningfortheNewYorkCitypowergrid[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2012,34(2):328-345.[39]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.[40]邱剑.电力中文文本数据挖掘技术及其在可靠性中的应用研究[D].杭州:浙江大学,2016.QIUJian.Researchonchinesetextualdataminingtechniquesandreliabilityapplicationsinpowersystems[D].Hangzhou,China:ZhejiangUniversity,2016.[41]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.[42]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].JournalofMechanical&ElectricalEngineering,2015,32(10):1375-1379.[43]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.[44]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.Aclassificationmodelofpowerequipmentdefecttextsbasedonconvolutionalneuralnetwork[J].PowerSystemTechnology,2018,42(2):644-651.[45]赵书涛,李宝树,崔桂彦,等.基于计算机视觉的远程变电站状态监测与诊断新策略[J].电网技术,2005,29(6):63-66.ZHAOShutao,LIBaoshu,CUIGuiyan,etal.Remotestatemonitoringanddiagnosisofsubstationbasedoncomputervision[J].PowerSystemTechnology,2005,29(6):63-66.[46]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.[47]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.[48]邹辉,黄福珍.基于改进FAsT-Match算法的电力设备红外图像多目标定位[J].中国电机工程学报,2017,37(2):591-599.ZOUHui,HUANGFuzhen.Multi-targetlocalizationforinfraredimagesofelectricalequipmentbasedonimprovedFAsT-Matchalgorithm[J].ProceedingsoftheCSEE,2017,37(2):591-599.[49]MOHDMRS,HERMANSH,SHARIFZ.ApplicationofK-meansclusteringinhotspotdetectionforthermalinfraredimages[C]∥IEEESymposiumonComputerApplicationsandIndustrialElectronics.Langkawi,Malaysia:IEEE,2017:107-110.[50]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.[51]LINKP.Anovelevolutionarykernelintuitionisticfuzzyc-meansclusteringalgorithm[J].IEEETransactionsonFuzzySystems,2014,22(5):1074-1087.[52]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.[53]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.[54]LOWEDG.Distinctiveimagefeaturesfromscale-invariantkeypoints[J].InternationalJournalofComputerVision,2004,60(2):91-110.[55]DALALN,TRIGGSB.Histogramsoforientedgradientsforhumandetection[C]∥ConferenceonComputerVisionandPatternRecognition.SanDiego,USA:IEEE,2005:886-893.[56]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].Laser＆Infrared,2018,48(5):659-664.[57]刘飞,张俊然,杨豪.基于深度学习的医学图像识别研究进展[J].中国生物医学工程学报,2018,37(1):86-94.LIUFei,ZHANGJunran,YANGHao.Researchprogressofmedicalimagerecognitionbasedondeeplearning[J].ChineseJournalofBiomedicalEngineering,2018,37(1):86-94.[58]李军锋,何双伯,冯伟夏,等.基于改进CNN的增强现实变压器图像识别技术[J].现代电子技术,2018,41(7):29-32.LIJunfeng,HEShuangbai,FENGWeixia,etal.ImprovedCNNbasedtransformerimagerecognitiontechnologyinaugmentedrealityenvironment[J].ModernElectronicsTechnique,2018,41(7):29-32.[59]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.[60]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.[61]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.[62]KARIT,GAOW,LIUY,etal.Conditionassessmentofpowertransformerusingfuzzyandevidentialtheory[C]∥InternationalConferenceonConditionMonitoringandDiagnosis.Xi’an,China:IEEE,2016:28-31.[63]张镱议,廖瑞金,杨丽君,等.基于云理论的电力变压器绝缘状态评估方法[J].电工技术学报,2012,27(5):13-20.ZHANGYiyi,LIAORuijin,YANGLijun,etal.Anassessmentmethodforinsulationconditionofpowertransformerbaseduponcloudmodel[J].TransactionsofChinaElectrotechnicalSociety,2012,27(5):13-20.[64]郑理科,李帅兵,王晓东,等.基于最优变权正态云模型的电力变压器绝缘状态评估[J].高压电器,2016,52(2):85-92.ZHENGLike,LIShuaibing,WANGXiaodong,etal.Insulationconditionassessmentforpowertransformerbasedonnormalcloudmodelwithoptimalvariableweights[J].HighVoltageApparatus,2016,52(2):85-92.[65]廖瑞金,郑含博,杨丽君,等.基于集对分析方法的电力变压器绝缘状态评估策略[J].电力系统自动化,2010,34(21):55-60.LIAORuijin,ZHENGHanbo,YANGLijun,etal.Apowertransformerinsulationconditionassessmentmethodbasedonsetpairanalysis[J].AutomationofElectricPowerSystems,2010,34(21):55-60.[66]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.[67]周湶,徐智,廖瑞金,等.基于云理论和核向量空间模型的电力变压器套管绝缘状态评估[J].高电压技术,2013,39(5):1101-1106.ZHOUQuan,XUZhi,LIAORuijin,etal.Insulationconditionassessmentofpowertransformerbushingbasedoncloudmodelandkernelvectorspacemodel[J].HighVoltageEngineering,2013,39(5):1101-1106.[68]CUIY,MAH,SAHAT.Multi-sourceinformationfusionforpowertransformerconditionassessment[C]∥IEEEPowerandEnergySocietyGeneralMeeting.Boston,USA:IEEE,2016:1-5.[69]孙鹏,黄绪勇,耿苏杰,等.基于实时监测和例行试验数据的电力变压器状态动态评估方法[J].电力自动化设备,2018,38(3):210-217.SUNPeng,HUANGXuyong,GENGSujie,etal.Dynamicassessmentofpowertransformerstatusbasedonreal-timemonitoringandexperimentaldata[J].ElectricPowerAutomationEquipment,2018,38(3):210-217.[70]张友强,寇凌峰,盛万兴,等.配电变压器运行状态评估的大数据分析方法[J].电网技术,2016,40(3):768-773.ZHANGYouqiang,KOULingfeng,SHENGWanxing,etal.Bigdataanalyticalmethodforoperatingstateassessmentofdistributiontransformer[J].PowerSystemTechnology,2016,40(3):768-773.[71]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.[72]ASHKEZARIAD,MAH,SAHATK,etal.Applicationoffuzzysupportvectormachinefordeterminingthehealthindexoftheinsulationsystemofin-servicepowertransformers[J].IEEETransactionsonDielectricsandElectricalInsulation,2013,20(3):965-973.[73]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.[74]PIOTROWSKIT.ApplicationofANNforthediagnosisoftransformersbasedontheanalysisofgasesdissolvedinoil[J].PrzegladElektrotechniczny,2010,86(11B):158-161.[75]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.[76]BACHAK,SOUAHLIAS,GOSSAM.Powertransformerfaultdiagnosisbasedondissolvedgasanalysisbysupportvectormachine[J].ElectricPowerSystemsResearch,2012,83(1):73-79.[77]ZHENGHB,LIAORJ,GRZYBOWSKIS,etal.Faultdiagnosisofpowertransformersusingmulti-classleastsquaresupportvectormachinesclassifierswithparticleswarmoptimization[J].IETElectricPowerApplications,2011,5(9):691-696.[78]吐松江·卡日,高文胜,张紫薇,等.基于支持向量机和遗传算法的变压器故障诊断[J].清华大学学报(自然科学版),2018,58(7):623-629.KARI·Tusongjiang,GAOWensheng,ZHANGZiwei,etal.Powertransformerfaultdiagnosisbasedonasupportvectormachineandageneticalgorithm[J].JournalofTsinghuaUniversity(ScienceandTechnology),2018,58(7):623-629.[79]SENOUSSAOUIMEA,BRAHAMIM,FOFANAI.Combiningandcomparingvariousmachine-learningalgorithmstoimprovedissolvedgasanalysisinterpretation[J].IETGeneration,Transmission&Distribution,2018,12(15):3673-3679.[80]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.[81]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.[82]TAMILSELVANP,WANGP.Failurediagnosisusingdeepbelieflearningbasedhealthstateclassification[J].ReliabilityEngineering&SystemSafety,2013,115:124-135.[83]李刚,于长海,范辉,等.基于多级决策融合模型的电力变压器故障深度诊断方法[J].电力自动化设备,2017,37(11):138-144.LIGang,YUChanghai,FANHui,etal.Deepfaultdiagnosisofpowertransformerbasedonmultileveldecisionfusionmodel[J].ElectricPowerAutomationEquipment,2017,37(11):138-144.[84]贾京龙,余涛,吴子杰,等.基于卷积神经网络的变压器故障诊断方法[J].电测与仪表,2017,54(13):62-67.JIAJinglong,YUTao,WUZijie,etal.Faultdiagnosismethodoftransformerbasedonconvolutionalneuralnetwork[J].ElectricalMeasurement&Instrumentation,2017,54(13):62-67.[85]邓雨荣,张炜,梁俊斌,等.基于时间序列分析的油中产气数据趋势测度[J].智能电网,2016,4(8):744-748.DENGYurong,ZHANGWei,LIANGJunbin,etal.Predictionofthetrendsinthedataofdissolvedgasproductionintransformeroilbasedontimeseriesanalysis[J].SmartGrid,2016,4(8):744-748.[86]赵文清,朱永利,张小奇.基于改进型灰色理论的变压器油中溶解气体预测模型[J].电力自动化设备,2008,28(9):23-26.ZHAOWenqing,ZHUYongli,ZHANGXiaoqi.Predictionmodelfordissolvedgasintransformeroilbasedonimprovedgreytheory[J].ElectricPowerAutomationEquipment,2008,28(9):23-26.[87]卞建鹏,廖瑞金,杨丽君.应用弱化缓冲算子与最小二乘支持向量机的变压器油中溶解气体浓度预测[J].电网技术,2012,36(2):195-199.BIANJianpeng,LIAORuijin,YANGLijun.Concentrationpredictionofgasesdissolvedintransformeroilbasedonweakeningbufferoperatorandleastsquaresupportvectormachine[J].PowerSystemTechnology,2012,36(2):195-199.[88]刘航,王有元,梁玄鸿,等.基于多因素的变压器油中溶解气体体积分数预测方法[J].高电压技术,2018,44(4):1114-1121.LIUHang,WANGYouyuan,LIANGXuanhong,etal.Predictionmethodofthedissolvedgasvolumefractionintransformeroilbasedonmultifactors[J].HighVoltageEngineering,2018,44(4):1114-1121.[89]陈金强,李群湛.基于灰色TOPSIS和DGA的变压器状态预测[J].高压电器,2015,51(9):39-43.CHENJinqiang,LIQunzhan.Transformerconditionpredictionmodelbasedongray-TOPSISandDGA[J].HighVoltageApparatus,2015,51(9):39-43.[90]赵婉芳,王慧芳,邱剑,等.基于油色谱监测数据的变压器动态可靠性分析[J].电力系统自动化,2014,38(22):38-42.ZHAOWanfang,WANGHuifang,QIUJian,etal.Analysisofdynamicreliabilityoftransformerbasedonmonitoringdataofoilchromatography[J].AutomationofElectricPowerSystems,2014,38(22):38-42.[91]SONGH,DAIJJ,LUOLG,etal.PowertransformeroperatingstatepredictionmethodbasedonanLSTMnetwork[J].Energies,2018,11(4):914-928.[92]崔晓丹,李威,李碧君,等.输变电设备检修计划决策技术评述[J].电网与清洁能源,2015,31(12):18-26.CUIXiaodan,LIWei,LIBijun,etal.Reviewontransmissionequipmentmaintenanceplanningdecision-making[J].PowerSystemandCleanEnergy,2015,31(12):18-26.[93]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.[94]唐燕,刘艳.考虑电网总风险和检修收益的设备状态检修计划优化[J].电力系统保护与控制,2014,42(9):33-39.TANGYan,LIUYan.Optimizationformaintenanceschedulebasedonequipmentconditionconsideringtheoverallriskofgridoperationandthemaintenancerevenue[J].PowerSystemProtectionandControl,2014,42(9):33-39.[95]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.