1三峡大学电气与新能源学院 湖北省宜昌市 4430002国网天台县供电公司 浙江省台州市天台县 317200
摘要：电力系统发展日新月异，同时电力系统故障规模巨大，复杂的故障机制、多样化建模等问题也得到了突出。而新一代的人工智能技术则体现出数据处理的优点，如特性自我学习，强大的非线性拟合，终端建模等，提供了电力系统的故障分析与定位新想。首先，本文对电力系统的新态势中故障分析与定位的问题，以及可行性的新一代人工智能技术进行分析。其次，将对故障的分析与定位进行详细整理，对新一代人工智能技术应用于故障分析与定位的优势和现行问题解决的方法作出说明。
关键词：故障分析及定位；新一代人工智能；故障识别故障测距；故障确定
引言
如今，智能电网技术逐渐成熟，电力系统发展也日新月异。本文以新形势下电力系统故障分析和定位新特征为起点，阐述了新一代人工智能技术的应用难点和必要性以及新一代人工智能在故障系列中的应用情况和人工智能新一代技术将应用于电力系统的故障分析和定位等问题。
1应用新一代人工智能的难点分析
如今，主要通过识别电力线和电力设备故障、测距、定位等方式对电力系统进行故障的分析和定位[1]。智能电网技术逐渐成熟，电力系统发展也日新月异：电网规模扩大，内部结构更加复杂；电力系统倾向于更加电子化；更先进的感知技术和信息集成使数据的规模有了很大的增加。电力系统故障的情况较多，需要对故障进行分析的问题还包括许多方面。下面就2个方面，分别对新一代人工智能应用于电力系统故障的分析和定位中的难点进行了分析。
1.1故障机理复杂
传统电力系统以干路和地方电网为主。随着直流链络的加入，网络拓扑结构、供电等方面的网络结构也发生了改变。在故障的分析和定位性能上存在着不足。
新一代的人工智能技术善于使用无监测学习，概率理论等分析法可以处理复杂的、不确定的问题。可以充分发挥系统故障的不确定性。期望达到精确、有效地描述故障特点的目标。
1.2模型需求难以兼顾
电力系统的故障分析和定位依赖于对故障类型的准确分类，由于系统结构复杂度日益提高，物理模型精度不高。缺乏精确的物理模型，对算法模式的分析与诊断相应的特征选择及算法设计困难较大，对算法模式的分析与定位快速、可靠度和准确度等多种需求较难考虑。各环节误差易累累，导致终诊和鉴定结果不准确。新一代的人工智能技术可以提供一个端到端学习模式，避免了人工设计环节的误差，解决了类似或相似的方案，一般用于故障定位和类型识别等功能。回归模型用于故障诊断等。
2新一代人工智能故障分析及定位
新一代人工智能技术的机器学习模型主要包括堆栈自编码器、深度置信网络、卷积神经网络等。其在故障分析及定位中常将被研究的问题转化为分类或者回归问题，并建立相应的模型。
2.1故障测距
指发生故障后第一时间能找到发生故障的地方，缩短检修时间，使用户能够正常使用电力。建立一个回归模式，建立直流线衰减特性，实现故障探测。将行波频谱用作输入定位[2]，利用离散小波转换得到线路故障精确的位置[3]。随着线路长度的增长，线路结构也更加复杂，配电网的测距方法与输电网相似。
2.2故障定位
在故障发生后，依靠故障的特性进而判断故障的位置。例如，构建和联CNN利用迁移学习训练网络来确定直流电路的故障位置[4]。在配电电路中，通常采用短路故障等故障分析，采用不同的配电网母线测量，获得更高的故障判断精度。
3新一代人工智能在故障分析及定位中的应用探讨
虽然在故障分析和定位研究方面，新一代人工智能技术有较佳的表现，并具有许多优势，但在其电力系统的故障分析和定位上，还有一些需要进行探讨和解决的问题，包括小样本和计算性能的提高两个方面。
3.1小样本问题的解决方式
尽管可用于故障分析和定位的数据种类很多，规模也在不断扩大。但大部分数据是正常工作的，故障数据很少，模型训练的样本也很少。
为了改善故障分析和定位样品的问题，从强化模型迁移和增加训练样品的规模开始，建立了以移动学习为基础的数据挖掘模型，对不同类型的模式进行相应的调整，提高了故障数据使用率和网络培训的效率。
此外，扩大样品集的多样性也是一种解决方法。将物理模型与相似或故障性较近的样品进行整合，扩大样本覆盖面，再结合机器学习模型表明，尽可能缩小样本误差，达到训练模型的目标。构建各参数不同的线路故障样本，用于练习堆栈的去噪码器，以实现对线路故障进行测距，在提高网络泛化的同时增加对数据的利用。
伴随着新一代人工智能科技学习方式的改进，以及大数据电力系统的应用，电力系统故障分析和小样本定位的问题有望得到改进。
3.2计算效率提升的途径
机器学习模型的应用程序分为两个阶段：训练和应用。训练过程从本质上也以标注数据为依赖，寻找网络参数过程耗时更长。而在使用阶段，仅仅利用了培训模型对输入向量进行了计算。与训练阶段相比，使用的时间更短。
迁移学习的微调网也是提高计算效率的一种重要方式。在深度网络训练的基础上，结合故障分析和定位具体应用情况，更新网络参数，以实现判断故障。
无论采用哪种办法来缩短机器学习培训和使用的时间，提高了新一代人工智能的计算效率，都有助于其在实际中的运用。
4结论
随着近十年人工智能技术在数据驱动研究和应用中的发展，其在数据驱动研究和应用中的性能也不断提高。在不同的领域，新一代人工智能技术有两个主要分类与回归的方式。对故障进行分析、定位，包括识别、测距和定位，并根据不同的需要，应用模式各异，取得良好效果。新一代人工智能技术也能够满足新形势电力系统的要求，更好地促进新一代人工智能的故障分析、定位研究和应用进程。随着物联网、5G通信和云计算的发展，新一代的人工智能有可能应用于电力系统故障的分析和定位。
参考文献
[1]Guo Moufa，Yang N C，Chen Weifan．Deep-learning-
based fault classification using Hilbert-Huang transform and convolutional neural network in power distribution systems[J] ． IEEE Sensors Journal ， 2019 ， 19(16) ： 6905-6913．
[2] Lan Sheng，Chen Moujie，Chen Duanyu．A novel HVDC double-terminal non-synchronous fault location method based on convolutional neural network[J] ． IEEE Transactions on Power Delivery，2019，34(3)：848-857．
[3] Luo Guomin，Tan Yingjie，Li Meng，et al．Stacked auto-encoder-based fault location in distribution network [J]．IEEE Access，2020，8：28043-28053．
[4] Wang Hao，Yang Dongsheng，Zhou Bowen，et al．Fault diagnosis of multi-terminal HVDC transmission line based on parallel convolutional neural network[J]．Automation of Electric Power Systems ， 2020 ， 44(12)： 84-92(in Chinese)．