（身份证号码：11010819690722XXXX 北京 100086）
摘要：智能技术作为时代发展的产物，其优越性不言而喻。现如今，电力设备的运行状态与电力系统的稳定及安全密切相关。全面、准确地掌握电力设备的内外部多源数据，并通过科学的手段进行信息汇总和融合，从而对设备的运行状态与变化趋势做出准确的评估和预测，并安排合理的运维检修计划，是整个电力系统可靠、经济运行的关键前提和重要基础。人工智能技术在识别、预测、优化、决策任务中的效率、精度、自学习能力等方面的发展和突破，为电力设备的运维检修提供了一种全新的技术手段与研究思路。
关键词：电力设备；人工智能；运维检修；电力大数据
引言
人工智能在电力系统中的广泛应用，提高了电力设备的安全性、可靠性和运行能力。按早期、中期和后期3个阶段对相关工作进行了总结，包括20世纪八九十年代专家系统、神经网络等的应用情况，并重点介绍了21世纪初出现的相关向量机的特点、原理及其在电力系统中的应用研究现状。
1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，其目标是用机器实现人类的部分智能，替代人类实现识别、认知、分类与决策等多种功能。本文针对电力变压器状态检修的智能化需求，对人工智能的典型技术分支进行了总结归纳。
1.1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。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。
1.2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。
2数据情况
2.1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，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。
2.2数据现存问题
2.2.1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。
2.3状态数据的特点
状态数据具有以下3方面的特点：
1）体量大、增长快、类型多。随着监测设备的大量部署，状态监测数据呈现较快增长趋势。例如，采样周期5min，每100台状态监测装置，每天约产生4.3GB数据，每年约产生1.5TB数据。此外，状态数据包括数字、文本、视频、图像等结构化、半结构化和非结构化数据，数据类型多样，且非结构化数据占比不断增加。
2）故障/缺陷的样本数少。输变电设备总体运行状态良好，故障/缺陷率较低。因此，海量的设备状态监测数据中，反映设备故障或异常的数据十分稀少，数据的价值密度低。
3）状态数据往往存储于不同数据库管理系统中，数据库之间的交互性、共享性较低。同时，由于状态数据增长较快，其体量已经超越了传统数据库的管理能力，亟待解决多源异构数据获取、传输和存储所面临的问题。
3关键技术
3.1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，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。
3.2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。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。
4应用场景
4.1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。
4.2设备寿命评估
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。
结语
综上所述，智能技术是电力设备安全、稳定运行的基础和重要保证。而先进的智能技术，一方面可以提高电力设备的运行效率，另一方面丰富了未来电力设备自动化控制技术。对于电力设备来说，随着科学技术的不断发展，需要开发新的自动化、智能化技术，将更先进的智能技术运用到电力设备中，最大限度地确保电力设备运行的安全性、稳定性，进而更好地服务于人民。
参考文献：
[1]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.
[2]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.
[3]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.