基于人工智能技術的智能變電運維軟件設計研究

吳 謙

（國網無錫供電公司， 江蘇 無錫 214000）

0 引言

隨著近年來電力系統建設要求和規模的不斷擴大，對變電站運行的穩定性和安全性等方面的要求也不斷提升。變電站在建設中應用智能化和信息化等方面的技術有利于進一步優化變電站內的各項資源，提高變電站內的電網建設效率，推動變電站的運維管理升級。結合人工神經網絡等人工智能技術實現變電站的故障預測、診斷以及決策的智能化，有利于進一步提升變電站電力系統的建設效率，推動變電站的智能化管理，全面提高變電站設備運行的安全性和穩定性，為變電站的運行提供有效保障。

1 人工智能分析

人工智能主要用于對人類思維、理論、方法和技術等方面的智能模擬和拓展，以深度學習為主要核心，有效提高工作效率，降低人工工作成本。近年來，隨著科學技術的進步以及國民經濟的飛速發展，人們對電力資源管理的需求量以及質量等方面的要求也越來越高。對此，電力企業以及企業工作人員必須重視對變電站內設備運維管理的智能化建設，結合人工智能技術進一步改進和創新變電站的運維管理策略[1]。變電站中的人工智能主要包含專家系統、智能優化系統和計算機學習系統等三種形式。目前，主流的應用主要包含算法、算力和數據三個方面，如表1 所示。隨著近年來人工智能技術的不斷發展和進步，變電站運維管理中人工智能的應用途徑逐漸擴大，進一步改善了人們的生活和社會生產方式。

表1 人工智能主流應用方向

2 軟件設計

2.1 整體架構

基于人工智能設計的智能變電站運維軟件的管理包括電網調度、管理和運維三個方面，能實現對變電站設備的智能化操作管理、對設備運行情況進行監控和告警、遠程協調控制設備運行、分析并管理設備的異常運行情況等。在資源方面，本文設計的軟件包含了變電站內大量資源的統一管理和傳輸。在調度控制方面，本文設計的軟件能有效使用調度、監控和運維操作系統進行變電站內所有設備以及變電站周邊環境的調度。從總體上看，本文研究的軟件系統涵蓋三個方面的架構，分別是基層、中間層和頂層[2]。

2.2 運維管理平臺的人工智能運行分析

和傳統的智能管理平臺不同，本文研究的變電站智能運維管理軟件主要從故障感知、應對和決策分析三方面實現功能的應用。首先，利用機器學習技術對大量已經產生的監控數據進行分析，找出其中的異常節點，針對異常情況繪制異常曲線，通過對比，實現對故障信息的預警，為運維管理人員提前發現和解決變電站運行中出現的安全隱患提供依據，降低變電站故障發生率。隨后，對變電站運維過程中產生的事件進行問題的分析和整理，按照事件包括運行案例和運行故障等進行剖析，明確產生的原因、現象、類型、解決措施、經驗、難度以及解決問題花費的時間等，利用人工智能技術對其進行整理和歸納，形成運維數據庫。當變電站出現設備運行故障后，及時從數據庫中找出相應的記錄，并篩選合適的應對措施，結合設置好的故障處理腳本進行故障處理[3]。最后，利用平臺中的大量運維數據和運行數據建立系統的評價標準，對設備的性能和運行狀況進行分析，為工作人員及時對設備進行維修保養提供依據。

2.3 數據庫設計

軟件開發尤其是人工智能軟件開發中，數據庫占據著重要的地位，直接決定著軟件的運維和監控功能。本文研究的變電站智能運維系統的數據庫為Oracle 數據庫，這一數據庫能保持在運行過程中的安全性和穩定性，具有更好的監測性能。同時，考慮到數據庫的存儲容量問題，數據庫的存儲采用MySQL，開發了C 與C++語言，保證數據庫具有良好的兼容性。綜合Java、C#和VB 等工作接口，為歷史數據的查詢提供良好條件。最后，設計了Id、TaskName、TaskNum、WorkMode、Status 和Timestamp 等字段，能維護變電站各個設備良好運維條件以及運維的環境，保證本數據庫能有效符合變電站的運行需要。

3 人工智能軟件模塊分析

3.1 機器學習

機器學習是指對大量歷史數據的學習，實現對特定目標的識別和歸納，機器學習的工作主要分為數據選擇、模型訓練、模型驗證、模型測試、模型使用和模型優化等步驟，通過尋找相關數據并使用一定的數據挖掘模式對事件進行分析和預測，是數據發現和挖掘的前提條件，如表2 所示。本軟件通過對歷史故障的發生數據等建立故障預警模型，結合設備監控數據的預警情況以及預警趨勢等進行分析，為運維人員提供故障警報信息，方便運維人員及時發現并采取有效應對措施，對可能發生的故障進行檢修排查，降低設備故障為變電站帶來的損失。

表2 機器學習步驟

3.2 網絡拓撲

本文研究的變電站智能運維管理軟件將整個變電站類的各個運行設備的狀態和運維特征等建立了相關的數據庫，構成了設備的網絡拓撲結構，能及時發現和分析相關的運行故障，并利用拓撲網絡圖回溯故障發生的鏈路，確定故障發生的節點，分析故障可能會影響的范圍并對故障進行精準定位，提高了故障的準確率和故障排查效率，如圖1 所示。

圖1 網絡拓撲結構

3.3 故障智能感應

傳統的變電站故障感應技術主要通過相關的閾值或固定的檢測算法對變電站設備中固定的監測控制項目進行檢測和管理，當遇到故障和檢測過程較為復雜并突發性較強的故障問題時，往往會面臨較大的局限。本文研究的軟件主要利用Splunk 機器數據引擎對軟件的程序、服務器以及設備的監控數據等進行搜索和整理，能在較短的時間內發現和解決問題，降低軟件的運維成本，提高軟件運維效率。

值得注意的是，Splunk 訓練數據會受到訓練曲線偏差的影響，故每晚對閾值進行重新計算，避免產生誤報。

3.4 維修決策

維修決策作為設備維修管理的重要內容，能為變電站高效、穩定運行提供良好的作業環境，保證變電站的運行效益。人工智能在維修決策方面的應用主要通過專家系統建立人工神經網絡，對相關信息進行學習，建立設備維修決策相關模型，實現設備的智能運維，是變電站進行設備維修和保養的重要依據。

在具體的設備維修決策中，變電站相關人員首先將相關維修信息輸入至系統中，隨后選擇系統提供的維修方案。這一維修決策能有效克服傳統維修決策中經驗、水平等方面的限制，利用數據庫中的維修案例和專家專業知識等相關信息制定復雜設備的維修管理方案，提高維修決策的科學性。

4 基于人工智能技術的智能變電運維軟件應用

4.1 遙測系統

遙測系統通常應用于對變電站一次設備工作情況的監督。變壓器作為遙測系統的重要組成部分，是出現故障診斷難題的主要設備環節，為了進一步提高故障診斷效率，可以利用人工智能對變壓器的相應檢測參數以及變壓器的運行狀態等建立映射學習管理，及時準確掌握變壓器的實際運行情況，確保變電站設備安全穩定運行[4]。

4.2 遙視系統

變電站內遙視系統是實現對變電站內相關設備、工作環境和工作人員全面監督的重要保障。在遙視系統中應用人工智能技術，能進一步提高變電站的管理水平。通過人工智能技術能實現智能化的遠程監控，準確分析監控視頻中設備運行狀態等信息，同時，結合熱成像技術還能對設備的內部運行溫度進行監控，進一步提高了設備監控的準確性，如圖2 所示。此外，利用人工智能技術對變電站內厭惡特征進行學習和分析，還能實現煙霧自動報警功能，進一步提高設備運行效率。

圖2 基于人工智能的紅外熱成像技術

5 結語

將人工智能技術應用在變電站的智能運維軟件建設中，已經成為提高變電站內設備運維管理效率的重要措施。通過人工智能技術的學習模仿功能，可以實現遙測和遙視系統，提高變電站內運行的穩定性和安全性。同時，通過拓撲、深度學習和神經網絡等人工智能技術，還能夠實現故障的預測、診斷和決策等功能，降低變電站故障發生頻率，確保變電站安全、穩定運行。