黄 毅
(贵州电网有限责任公司凯里供电局,贵州 凯里 556000)
变电站作为电力传输、配置以及调度系统的重要枢纽,其安全性与电力系统的稳定运行具有十分紧密的联系。从过去的变电站运维工作可以看出,一般采取的都是人工巡查,由于电网所覆盖的面积庞大,因此,无法达到现阶段变电站工作的开展进度。在实际的运用中,有关工作人员应该充分掌握该技术,了解智能变电站与传统变电站运维模式的区别,确保运维系统可以稳定运行。在运维系统中与智能控制结合进而提升图像监控、安全警示以及火灾警报等系统工作效率。伴随科学技术水平的不断提高,变电站也在向智能化、信息化的方向发展。人工智能在变电站运用中,有助于实现电力资源配置的灵活化、高效化,是电网改革的关键。
早在20世纪80年代,以专家系统和人工神经网络为主的人工智能技术就引起了电力系统的广泛关注,主要集中于故障诊断、在线监测等场景,但由于当时数据、算法及算力等因素的限制,其应用效果较差。近年来,随着物联网、云计算、大数据技术的快速发展,以深度学习为代表的新一代人工智能技术得到突破性进展,在医疗、交通及制造业等领域已有应用。国务院于2017年颁布的《新一代人工智能发展规划》已将人工智能发展作为国家战略。人工智能技术的突破为变电站智能化发展带来新的机遇,开展人工智能技术在变电站运维数据分析中的应用研究,有利于保障变电站内设备、环境和人员的安全,提高变电站的运维管理水平。目前,已有文献对人工智能在能源及电力系统领域中的应用场景进行了探讨,其中电网运检,尤其是变电站的运维管理一直是人工智能技术应用的重要场景。因此,本文聚焦于变电站,结合基于传感器的监测系统和基于摄像头的监控系统的高级功能需求,梳理人工智能技术在变电站运维管理场景中的应用研究现状,并对当前人工智能技术应用存在的问题和未来的应用方向及重点突破领域进行探讨。
在国民经济的发展中,人们对电力资源的需求量以及质量要求也越来越高,电力产业以及工作人员必须要顺应时代的发展,进一步完善变电站的人工智能技术,人工智能主要对人类的智能实行方法、理论方面的延伸,以深度学习为主,将其应用于变电站中能够获得显著的进展。该技术在长期的发展历程中,出现了专家系统、智能优化以及计算机学习3类。虽然现阶段社会各个领域汇总正在不断加深人工智能技术的应用深度,但与此同时也面临着更多的挑战。针对深度学习而言,依然存在问题,由于需要很高的样本量以及计算量,而模型构建以及训练技术无理论指导,同时伴有黑箱问题。一部分运用场景复杂,体现出碎片化特征。近些年,人工智能技术正在不断走向成熟,在变电站运维管理中发挥着核心作用,使得人工智能技术更好地服务于民生[1]。但需要注意的是,在人们生活的巨大便利背后,人工智能已经改变了人们原有的生活方式。当日常生活中智能设备越来越多的时候,人与人之间的交流也开始使用智能手段,人与人之间的距离也越来越大。
目前,人工智能已进入新的发展时期,并呈现出以下特点:(1)深度学习成为主流方法。自然语言处理、计算机视觉、生物特征识别等技术领域以及安防、医疗、交通、金融、能源等产业领域已经出现大量应用。(2)新型算法和模型不断涌现。一方面,深度学习算法及模型不断更新,如深度强化学习、生成式对抗网络、胶囊网络等;另一方面,部分传统方法重新受到关注,如贝叶斯网络、知识图谱等。(3)计算框架、平台及数据集逐渐开源。前者有TensorFlow、Caffe、PyTorch等,支持深度学习模型;后者有ImageNet、WikiText、TED-LIUM、CASIA等,涵盖了图像、自然语言、语音及步态等领域。
虽然以深度学习为主的新一代人工智能技术在某些领域取得了突破性进展,但随着应用深度和广度的不断拓展,也面临诸多挑战:(1)深度学习方法缺陷明显。它对样本量和计算量有较高要求,其模型构建、参数调试、训练技巧等都缺乏理论指导,并且存在黑箱问题。(2)某些领域缺乏基础数据集。如医疗、交通、能源等传统领域虽有数据积累,但数据质量较差,不能满足模型训练的需求。(3)计算框架、平台的功能和性能有待改善。人工智能应用场景非常繁多,呈现碎片化、专业化的特点,对计算框架、平台的功能和性能要求逐渐提高。
目前来看,人工智能技术的发展还是围绕着算法、算力和数据3个要素进行:(1)算法方面。一方面围绕深度学习开展优化以提高性能,包括降低功耗,提升可解释性、泛化能力及迁移能力等,其中,深度学习与传统人工智能方法的结合将成为热点;另一方面,继续探索新型理论和算法。(2)算力方面。考虑到业务、数据安全及已有数据平台的固有特点,包括传统领域在内的大型企业将致力于自主研究人工智能的计算框架、平台及芯片。(3)数据方面。基础数据集的建设将继续成为热点,包括图像、视频、语音等通用数据集及行业领域的专业数据集,数据标注工具也将智能化。
人工智能在变电站运维管理中的合理应用是实现电网智能配网的重要环节。无论是日常生活还是企业生产,都需要以电能为基础的支持。目前,电网企业采用由专门运维人员定期检查的方式,会导致工作内容增加,完成电网维护时间较长,效率低下。并且变电站电力系统提供电力时,在长期工作状态下,会因设备损坏、线路老化而引起相应的故障。工作人员在缺少有关数据的情况下进行操作,很容易引起安全问题。同时,分布结构复杂多样,单个员工难以使用标准并完成所有设备的操作和维护。智能控制技术可以有效收集和整理电力系统中设备层、站控层的状态信息。通过对获得的信息进行分析和预警,及时提醒员工故障所在,使电力系统管理变得非常简单,从根本上提高了电力系统的管理效率。另外,应用自动智能控制技术可以实时收集、整理和分析电力系统中所有设备和线路的状态。如果出现任何异常,它会自动发出警告,协助工作人员快速处理,或自动进行智能处理,从而将问题造成的损失降到最低,提高管理操作的安全性[2]。
人工智能技术在变电站运维管理中的应用主要体现在对变电站中设备、环境和人员状态信息的分析上,它能够实现对设备的状态评估、故障诊断及预测告警,对环境的智能感知与预警,对人员行为的智能判别和管控。从状态信息的来源上看,现有变电站的状态信息系统可以分为基于传感器的监测系统(以下简称遥测)和基于摄像头的监控系统(以下简称遥视)。因此,本节主要围绕上述两种系统,归纳出变电站运维管理中需要人工智能做技术支撑的业务场景,并对其应用研究现状进行综述和分析。
遥测系统可以实现变电站设备的远程监控和设备运行状态的实时诊断。该系统主要用于监测变压器、气体绝缘开关柜和电容性设备,能够及时准确地获得全面的数据信息。一般情况下利用人工智能构建数据设备的运行状态反馈,同时实行对应的分类以及回归任务。专家系统通常需要数据库提供支持,机器学习需输入人工设计的特征值,最后获得结果主要来自特征的准确度。由于现阶段并没有一套完善的变电站设备运转数据集,则无法对这些人工智能算法的特性展开对比。总的来看深度学习算法具有很好的效果,应该考虑网络模型的监理以及超参数设置问题[3]。从上述分析中可以看出,专家系统、传统机器学习、深度学习3个发展阶段的人工智能技术应用于变电站遥测系统信息分析中呈现出了不同的优势,也存在相应的问题。由于目前缺乏统一的设备状态基础数据集,因此无法对上述人工智能算法的性能进行量化比较。本文仅做如下定性分析:(1)专家系统是基于规则的,可解释性强,计算量小,但受限于知识库,其容错性差,缺乏自学习能力。(2)传统机器学习可解释性减弱,计算量适中,所需样本量适中,容错性适中,但输入特征量需要人工设计,结果准确性依赖于特征的质量。应用时需要选择具体算法,必要时还需要考虑特征选择、模型参数优化等问题。(3)深度学习可解释性差,计算量大,所需样本量大,但容错性强,具备自动学习特征的能力,简化了特征构造过程,应用时需要考虑网络模型构造及超参数初始化问题。
遥视系统可以实现对变电站周围环境以及变压器周围的环境进行全面监测,利用该技术可以避免由于人员因素以及自然因素进而导致变电站功能故障问题。该技术监测系统仅仅使用与被动监测变电的有关信息,在图像的生成以及筛选过程中,面对突发事件不具备灵活性与主动性。利用人工智能技术能够更好地对实践实行有效操作。现阶段大部分人工智能在遥视系统中的运用得到了广泛重视,尤其是对专业技术人员而言,并且也获得了有效的成果。同时,遥视技术不仅可以完成对设备表面特性和信号灯指示的视觉监测,还可以利用红外感应技术实现对设备运行温度的动态监测,从而最大限度地保证设备的正常运行,提前发现潜在的风险[4]。总体上看,变电站遥视系统的高级功能需求较为碎片化,受到的关注并不多,其中以设备相关的红外热成像分析、开关/刀闸状态识别、信号灯状态识别、表计状态识别方面的研究相对较多。目前,大部分功能需求的实现还非常依赖于图像处理技术,传统机器学习方法的应用水平还较浅,仅仅是根据图像处理后的特征量进行状态分类,还远远达不到智能水平。深度学习能自动从视频和图像中学习特征,对传统图像处理技术依赖降低,为变电站遥测系统信息分析提供了有效的新方案。但深度学习目前还处于初步研究阶段,仅在设备及元件本体识别、安全帽佩戴识别、作业人员人脸识别等样本获取较容易的应用场景能取得较好的应用效果,而其他大多数场景还处于应用空白。
从遥测系统和遥视系统2个信息系统出发,对人工智能技术在变电站运维管理中的应用现状进行了分析,从中可以看出,现有研究仍存在很多问题,应用水平还有待提高,变电站智能化任重而道远。因此,就人工智能技术在变电站的未来应用方向和重点突破领域提出几点建议。
由于电力系统的不断发展,电力物联网的构建也在迅猛发展,利用传感器对变电设备以及运行环境实时状态进行监测,对关键设备的实时状态提供有效的数据参考。
(1)与技术层面结合,在进行设备实时监测的过程中会形成大量的数据,其中,需要人工智能与大数据技术有机融合,主要研究内容就是分布式机器学习、在线学习以及增量学习,进一步提高扩展性与实时性。另外,将人工智能与边缘计算机技术结合,对轻量化的算法以及模型展开研究,实现一些信息就地化处理,缓解通信压力。
(2)方法层面的融合,变电设备的状态信息的物理意义非常明确,所以说具有很强的故障诊断专业性,需要加以关注人工智能的可解释性、交互性以及可操作性。可以试着借助其他方式与专家系统进行深度结合,建立基于知识图谱且具备咨询能力的专家系统[5]。
经过半个多世纪的发展,人工智能产业取得了很多突破。人工智能具有主动学习的能力,基础深度学习的人工智能技术被广泛应用于教育、医疗、金融等领域。而变电站的三维全景可视化作为遥视系统的一种表现方式,可以更加快速直观地呈现变电站内的设备环境以及人员的实时情况。
(1)变电站三维建模技术,三维空间技术是后续为了实现人员及设备的定位,同时也是变电站状态可视化的重要介质。首先利用无人机摄像机以及建筑施工图纸共同构建变电站模型,之后从微观上分别建立设备的单位可视化形式模型库,最后依照平面布置图对设备的位置进行准确定位。
(2)在运行过程中,设备发生异常情况可以采取定位技术以及设备异常识别技术,通常情况下设备的异常情况都是来自遥测系统和遥视系统两方面的状态信息,遥视系统一般需要借助视频信息进行实时分析,对温度、外观以及烟雾进行识别。发生异常情况时,通过设备与摄像头的位置实现定位以及预警,有利于巡查机器人准确快速的检查确认。另外,设备的外观被破坏,设备明火等状态识别的可靠性有待进一步提高。
(3)运动物体的识别及轨迹跟踪技术,变电站内运动物体主要指人员、车辆及不明物体,依靠深度学习对视频信息进行实时分析,实现对人员、车辆及不明物体的目标检测、身份识别、行为分析及全程跟踪,当出现异常状态时实时告警。其中,目标检测及跟踪和基于人脸的身份识别技术已较为成熟,可迁移到变电站场景,而基于姿态、步态、体态等特征的身份识别及行为分析属于难点,仍需进行深入研究和场景验证[6]。
智能预警:管控系统基于变电站全业务“数据池”,综合利用大数据分析技术,在海量视频、图像、在线监测数据以及巡视、检修、缺陷记录数据进行多维数据挖掘、分析,结合智能预警模型,可实现运行异常、设备异常、作业行为、运行环境的智能预警功能。
智能决策:智能决策通过各类设备故障特征和处理策略,建立故障判断库、故障决策库、故障案例库,依托智能分析和决策模型,实现预警信息多源数据与智能决策库快速匹配,自动判断可能的故障类型,主动推送处理措施和策略,进而提升故障处理的及时性和有效性,减少故障处理时间。
管控系统可采用基于激光点云数据的变电站全景三维模型,叠加设备信息、运行信息、监测信息、辅助信息等业务实时数据,实现三维与实时数据可视化的融合,构建符合变电运维人员习惯的三维全景变电站展示平台。通过三维可视化展示平台可以直观地查询设备属性、当前状态、实时视频等信息,同时可以实现三维告警联动、测距、检修作业推演等扩展功能。
总而言之,随着科学技术的不断进步与发展,使得人工对智能技术的需求不断提升。当前虽然人工智能技术在变电站运维管理中广泛使用,然而,依然存在一些问题需要解决,伴随电力物联网的迅猛发展,人工智能将实现变电设备的监测更加完善。就此,电力系统工作人员还需要不断积累实践经验,更新技术,在未来,人工智能技术与其他领先技术的融合将会在变电站运维管理中体现更多优势。