新一代人工智能在電力系統故障分析及定位中的研究綜述

常榮 黃漣漪 鄧益勇

摘 要：隨著我國科學技術與社會經濟的日益發展，電力系統發展極為迅猛。與此同時，隨著電力系統功能越發全面，很多潛藏在電力系統中復雜性故障問題以及多樣化建模問題也逐漸凸顯。而在電力系統故障分析環節，人工智能技術具備得天獨厚的優勢與作用。基于此，本文深度分析在電力系統故障分析與故障定位環節引入人工智能技術的難點，并且提出相應的優化策略，供廣大相關從業人員參考。

關鍵詞：故障分析;故障定位;人工智能技術;電力系統

引言：新時期背景下，智能電網技術逐漸走向成熟，電力系統功能越發全面。而隨著近些年人工智能技術以及數據驅動技術的應用與研究日漸深入，在數據驅動應用領域擁有廣泛的應用空間，性能也有所提升。在電力系統故障分析與故障定位環節合理引入新一代人工智能技術，可以對故障問題展開有效識別、科學測距以及科學定位，并且結合系統實際需求，選擇各種優質應對模式，從而取得良好的應用成效。綜上所述，新時期背景下，新一代人工智能技術可以對電力系統故障展開科學分析、精準定位與深度研究，顯著提升電力系統故障排查效率。

1在電力系統當中應用新一代人工智能技術的難點

新時期背景下，主要借助識別電力線方式、識別電力設備故障方式以及故障測距方式、故障定位方式對電力系統當中的故障問題展開深度分析與科學定位。智能電網技術逐漸走向成熟，電力系統功能有越發全面，涉及范圍廣泛，內部結構相比以往更為復雜，電力系統也逐漸呈現電子化發展趨勢。在此形勢下，電力系統故障問題類型越發多元，對系統故障問題展開深度分析，需要涉及到多個領域、多個專業。首先，傳統電力系統主要以地方電網以及干路為主。而隨著直流鏈絡日漸引入，在網絡供電方面、網絡拓撲結構方面發生不同程度轉變，在故障定位性能與故障分析性能方面，存在巨大差距。而新一代人工智能技術具備監測學習功能，搭配概率理論等高效分析方法，可以科學處理、科學應對各種復雜性問題以及不確定性問題，以更加精準、更加高效的方式描述故障特點，從而起到顯著提升故障排查效率的目標。其次，針對電力系統開展故障分析與故障定位，需要對故障類型展開精準分類與科學判斷。由于電力系統結構越發復雜，物理模型精度有所提升，在缺乏精準模型的情況下，對算法模型開展故障診斷與故障分析，難度較大。在算法模式分析環節，需要滿足多重需求，導致鑒定結果精準度不足，在此形勢下，科學引入、科學應用新一代人工智能技術，可以顯著提升數據與信息的精準性，有效規避人工設計所導致的誤差，有效解決類似方案問題，通常用于故障定位以及故障類型識別環節[1]。

2人工智能故障分析與故障定位分析

新一代人工智能技術設備主要有深度置信網絡以及堆棧自編碼器等構成，在故障定位與故障分析環節，可以將研究性問題順利完成問題歸類與問題總結。構建與之相應模型故障預測，是指在故障發生后，可以精準掌握故障信息找到故障具體位置，最大限度提升故障檢修效率，減少電力系統檢修時間，以此確保系統可以盡快恢復正常運轉，構建更加完善的系統回歸模式。發揮直流線特性優勢，對故障展開深度探索，借助離散小波轉換得出設備內部故障的精確位置。而隨著線路長度的逐漸增長，內部結構也越發復雜，配電網與輸電網的測距方式更加相似。而故障定位是指故障問題發生后，結合故障特性對故障具體位置展開科學判斷。例如：構建遷移學習訓練網絡，可以精準判斷直流電系統故障具體位置。在配電電路當中，經常可以借助短路故障完成故障分析，通過不同配電母線完成測量，從而顯著提升故障判斷精準度，為故障排查工作提供精準的數據與信息支持，這也是故障隱患排查工作的核心參考依據。

3在電力系統故障分析環節與故障定位環節引入新一代人工智能技術的實踐策略

近些年，隨著人工智能技術日益發展以及在數據驅動、數據應用領域的應用，與數據驅動以及數據應用系統的性能契合度隨之提升。人工智能技術主要可以分為回歸方式與分類方式，對電力系統故障展開科學分析與精準定位，發揮自身在數據分析與數據整合環節當中優勢與作用，與5G通信技術、物聯網技術、云計算技術、大數據技術有機融合，共同為電力系統故障分析工作、故障定位工作以及故障排查工作提供助力。需要注意的是，雖然人工智能技術在電力系統故障分析與故障定位環節具有先天優勢，但目前在人工智能技術與電力系統故障分析工作與故障定位工作融合環節，仍然存在些許問題，有待改善。具體措施如下：

3.1科學解決小樣本問題

雖然新時期背景下，可應用于電力系統故障分析與故障定位環節當中的數據信息種類繁多，但多數數據處于正常運轉狀態，真正有效的數據可謂是少之又少，模型訓練樣本也略顯缺失。為有效改善定位樣品問題及故障分析問題，應當加強訓練樣品規模以及模型遷移規模，構建更加完善的數據挖掘模型，對各個關鍵節點的模型開展科學優化與調整，從而顯著提升網絡培訓工作效率以及故障數據利用率。除此之外，拓寬樣品收集范圍也是一種極為優質的解決措施，可以對與物理模型相近的故障樣品開展整合，有效拓寬樣本涉及范圍。結合機器學習模型，可以有效縮小食物與樣本之間的差距，從而起到良好的模型訓練目標，構建更加完善的線路故障樣本，從而對線路故障問題開展科學預測、科學測距，顯著提升數據信息利用率。除此之外，隨著人工智能技術日益發展，人工智能技術逐漸朝向學習領域以及科技領域推進，同時電力系統引入大數據技術，也為電力系統故障分析工作以及小樣本定位工作提供更加精準的數據與信息[2]。

3.2顯著提升計算效率

機器學習模型主要可以分為兩大階段應用流程，即訓練模型與應用模型。在模型訓練環節，主要以標注數據為基礎探索互聯網參數環節耗時更長，而機器學習模型使用階段，只需對培訓模型輸入定量信息展開科學計算，相較于訓練階段而言，使用階段的用時更短、效率更高。與此同時，遷移學習的微調網也是一種極為優質、極為高效的計算方式。在網絡訓練逐漸深入的背景下，結合故障分析情況以及具體定位情況，科學更新互聯網參數，從而實現對電力系統當中的故障展開科學判斷與故障排查。無論采用以上哪種方式，縮短模型使用時間與培訓時間都需要得到新一代人工智能技術助力與加持，方可顯著提升計算率，為電力系統故障分析工作與故障定位工作提供助力。

結語：

總而言之，新時期背景下，在電力系統故障分析與故障定位環節，通過科學解決小樣本問題、顯著提升計算效率等方式合理引入新一代人工智能技術。可以顯著提升故障分析效率、故障定位效率，對電力系統故障排查工作奠定堅實而穩固的基礎，因此需要得到相關從業人員的高度重視有廣泛關注。

參考文獻：

[1]杜慧珺，雷現惠，周佳，等. 基于互聯網技術的智能電力監控系統研究——以泰山景區電力系統為例[J]. 信息記錄材料，2020，21（10）：185-186.

[2]陳熙. 能源互聯網背景下人工智能在電力通信網中的應用探析[J]. 電力信息與通信技術，2021，19（9）：45-50.