人工智能 (AI) 高压电力设备运维管理

作者姓名：黄智明

作者单位：国家电投集团江西电力有限公司高新清洁能源分公司

邮 编：330000

中国·江西·南昌市

摘 要

高压电力设备在露天室内等运行过程中；随时间、雷电、雨水、灰尘和自身运行发热等状况导致设备的故障或运行隐患等诸多问题，而现在社会工业化程度越来越高由高压设备故障引发的停电事故造成的经济损失上亿来计算；针对这类现论述人工智能深度神经网络算法监督学习、半监督学习技术系统性可视化综合监管高压电力设备的运行系统；综合管理、提前预警、故障判断、故障解决，面到点的实时监控，提升设备安全运行减少设备故障带来的经济的损失。

关键词：神经算法；综合管理；故障管理

人工智能(AI)高压电力设备运维管理

1. 技术前言

从AlphaGo到无人驾驶，从语音识别到人脸识别，人工智能已经成为当代最重要的技术之一，人工智能（Ai）技术已广泛应用于科学发现、经济建设、社会生活等各个领域，随着大数据、云计算、物联网等信息技术的不断升级发展，人工智能应用以进入各个行业，基础能源电力系统安全运行对整个国家经济越来越重要，如何应用人工智能技术提升电力高压设备运行安全杜绝故障和隐患作出论述。

2. 神经网络（AI）算法

1. 通过Long Short Term 神经网络“（LSTM是一种含有LSTM区块（blocks）或其他的一种类神经网络，文献或其他资料中LSTM区块可能被描述成智能网络单元，因为它可以记忆不定时间长度的数值，区块中有一个gate能够决定input是否重要到能被记住及能不能被输出output。四个S函数单元，起始函数依情况可能成为区块的input，三个会经过gate决定input是否能传入区块，第二个为input gate，如果这里产出近似于零，将把这里的值挡住，不会进到下一层。第三个是forget gate，当这产生值近似于零，将把区块里记住的值忘掉。第四个也就是的input为output gate，他可以决定在区块记忆中的input是否能输出）”；根据高压电力设备测试数据，电力设备预试规程数据、电力历史设备故障数据、经典案例数据、天气运行工况数据；建立神经网络算法数据云服务器，使高压电力设备每次测试的参数，给出国标标准判读数据合格不合格功能退化等数据，同时利用神经网络算法模拟出设备存在的隐患和可运行时长等问题。

2、 构建初始分析预测模型深度训练集，历史行业分析数据、高压电力设备故障经典案例、电力设备预防性试验规程数据、进行去重去噪处理，整理出集合数据，按2:3:5的比例划分为训练集、验证集、测试集。使用Long Short Term神经网络构建基准诊断预测模型，损失函数使用交叉熵，为降低过拟合，在隐藏层与输出层之间使用进化神经元。基准分析预测模型训练集，使用随机梯度下降对基准诊断预测模型完成训练，并完成模型部署，模型部署在云服务器上。

3. 神经网络（AI）算法系统具体实现方法

结合Long Short Term 神经网络云服务器、可视化电力管理系统应用软件、试验数据采集端移动APP来论述本方法。

试验数据采集端移动无线网络与Long Short Term 神经网络云服务器实现输入输出；试验数据采集端通过高压电力设备试验数据测试参数获取上传至Long Short Term 神经网络云服务器，实现高压电力设备运行安全健康状况分析。

所述Long Short Term 神经网络云服务器由采集模块、存储模块、神经网络分析模块、模拟模块、诊断模块、输入模块和输出模块组成；

依据中华人民共和国电力行业标准载入；电力设备预防性试验规程、电力安全工器具预防性试验规程、电气装置安装工程电气设备交接试验标准，国家电网电力设备预示标准、南方电网设备预示标准、电力行业经典故障案例；进行去重去噪处理，整理出集合数据构架Long Short Term 神经网络算法，按2:3:5的比例划分为训练集、验证集、测试集。

应用计算机电力综合管理软件，载入Long Short Term 神经网络算法，生成点到面的电力高压设备可视化监控图像，实时反映区域内每台电力高压设备的健康状况和历史试验数据指标的运行状态。

实现步骤：技术人员现场通过扫描电力高压设备二维码→上传至Long Short Term 神经网络算法云服务器→服务器分析诊断设备运行指标是否合格同时结合工况和历史数据现有数据模拟设备的运行情况分析出是否存在后期隐患→结果下发现场技术员；云服务器通过算法整合整个区域内全部高压设备的运行健康状况通过算法分析给出区域运行的健康状况和提供工作维护计划的安排的参考数据→管理层做出决策→下发工作任务计划。

其中：管理人员终端：向AI云端服务器输入工作任务、考试、新技术学习、视频会议指令下发到操作人员终端；同时，AI云端服务器向管理人员终端输入操作人员预防试验测试数据，生成全区域面到点的监控数据曲线。

管理人员通过AI云服务器输入获取操作终端高压电力一二次试验设备预防试验测试数据生成面到点的监控图，通过AI人工智能数据分析调整工作任务重点、管理生产、专业知识考试、优化年度工作结构、组织在线视频会议和在线专业技术培训学习输入到AI云服务器，再输出到操作人员终端。

测试周期年度安排计划监督管理、全区域高压电力设备测试运行状态监控和风险预警、全区域操作人员考试、在线新技术学习、在线技术交流、为管理人员终端的功能项。

管理人员终端为管理人员提供智能化管理参考数据，优化全区域电力高压设备运行健康状态情况，从面到点的给出综合性的工作任务重点安排，提升生产绩效，减低全区域面到点的高压电力次设备故障发生率。

四、人工智能(AI)高压电力设备运维管理系统功能结论

1、实现标准化试验报告即时生成、与历史试验数据即时生成直观的变化趋势图，以《电力设备预防性试验规程》和AI智能算法为标准即时判断各类试验项目是否合格，同时给出试验结论，完全健康的电力设备显示绿色健康标识；试验参数濒临压线的电力设备显示黄色警惕标识；试验参数超标的电力设备显示红色警告标识。

2、以《电力设备预防性试验规程》为标准，通过AI算法即时生成下一次试验时间，并提前提醒运行单位组织试验检测，随着时间的临近提醒强度相应增大。

3 、一级综合可视化平台，实时监控下级单位每一个点的不同电力设备的健康情况和预试数据，下达工作任务、远程工作交流、实时人工在线技术交流、专业知识考试。

4、试验人员通过可视化AAP程序或直插数据接收编译器（USB/RS232）实时上传试验数据到后台分析诊断、记录、试验报告生成打印。

5、新技术员提供可靠分析诊断工具和在线学习功能。

6、通过AI算法模拟高压电力设备在复杂工况下运行状态和缺陷故障点。

7、实时对每台高压电力设备试验数据记录生成可视化的历史曲线，为试验管理人员提供分析对比数据及时发现老化和故障隐患。

8、AI人工智能算法面到点的全面监控发现故障隐患，给出优化的解决方案和分析诊断数据。

参考文献：

① Supervised Sequence Labelling with Recurrent Neural Networks

② 用Scikit-Learn和TensorFlow进行机器学习

③ TensorFlow进行专业深度学习（Pro Deep Learning with TensorFlow）