新一代人工智能在电力系统故障分析及定位中的研究综述

常荣 黄涟漪 邓益勇

摘 要：随着我国科学技术与社会经济的日益发展，电力系统发展极为迅猛。与此同时，随着电力系统功能越发全面，很多潜藏在电力系统中复杂性故障问题以及多样化建模问题也逐渐凸显。而在电力系统故障分析环节，人工智能技术具备得天独厚的优势与作用。基于此，本文深度分析在电力系统故障分析与故障定位环节引入人工智能技术的难点，并且提出相应的优化策略，供广大相关从业人员参考。

关键词：故障分析;故障定位;人工智能技术;电力系统

引言：新时期背景下，智能电网技术逐渐走向成熟，电力系统功能越发全面。而随着近些年人工智能技术以及数据驱动技术的应用与研究日渐深入，在数据驱动应用领域拥有广泛的应用空间，性能也有所提升。在电力系统故障分析与故障定位环节合理引入新一代人工智能技术，可以对故障问题展开有效识别、科学测距以及科学定位，并且结合系统实际需求，选择各种优质应对模式，从而取得良好的应用成效。综上所述，新时期背景下，新一代人工智能技术可以对电力系统故障展开科学分析、精准定位与深度研究，显著提升电力系统故障排查效率。

1在电力系统当中应用新一代人工智能技术的难点

新时期背景下，主要借助识别电力线方式、识别电力设备故障方式以及故障测距方式、故障定位方式对电力系统当中的故障问题展开深度分析与科学定位。智能电网技术逐渐走向成熟，电力系统功能有越发全面，涉及范围广泛，内部结构相比以往更为复杂，电力系统也逐渐呈现电子化发展趋势。在此形势下，电力系统故障问题类型越发多元，对系统故障问题展开深度分析，需要涉及到多个领域、多个专业。首先，传统电力系统主要以地方电网以及干路为主。而随着直流链络日渐引入，在网络供电方面、网络拓扑结构方面发生不同程度转变，在故障定位性能与故障分析性能方面，存在巨大差距。而新一代人工智能技术具备监测学习功能，搭配概率理论等高效分析方法，可以科学处理、科学应对各种复杂性问题以及不确定性问题，以更加精准、更加高效的方式描述故障特点，从而起到显著提升故障排查效率的目标。其次，针对电力系统开展故障分析与故障定位，需要对故障类型展开精准分类与科学判断。由于电力系统结构越发复杂，物理模型精度有所提升，在缺乏精准模型的情况下，对算法模型开展故障诊断与故障分析，难度较大。在算法模式分析环节，需要满足多重需求，导致鉴定结果精准度不足，在此形势下，科学引入、科学应用新一代人工智能技术，可以显著提升数据与信息的精准性，有效规避人工设计所导致的误差，有效解決类似方案问题，通常用于故障定位以及故障类型识别环节[1]。

2人工智能故障分析与故障定位分析

新一代人工智能技术设备主要有深度置信网络以及堆栈自编码器等构成，在故障定位与故障分析环节，可以将研究性问题顺利完成问题归类与问题总结。构建与之相应模型故障预测，是指在故障发生后，可以精准掌握故障信息找到故障具体位置，最大限度提升故障检修效率，减少电力系统检修时间，以此确保系统可以尽快恢复正常运转，构建更加完善的系统回归模式。发挥直流线特性优势，对故障展开深度探索，借助离散小波转换得出设备内部故障的精确位置。而随着线路长度的逐渐增长，内部结构也越发复杂，配电网与输电网的测距方式更加相似。而故障定位是指故障问题发生后，结合故障特性对故障具体位置展开科学判断。例如：构建迁移学习训练网络，可以精准判断直流电系统故障具体位置。在配电电路当中，经常可以借助短路故障完成故障分析，通过不同配电母线完成测量，从而显著提升故障判断精准度，为故障排查工作提供精准的数据与信息支持，这也是故障隐患排查工作的核心参考依据。

3在电力系统故障分析环节与故障定位环节引入新一代人工智能技术的实践策略

近些年，随着人工智能技术日益发展以及在数据驱动、数据应用领域的应用，与数据驱动以及数据应用系统的性能契合度随之提升。人工智能技术主要可以分为回归方式与分类方式，对电力系统故障展开科学分析与精准定位，发挥自身在数据分析与数据整合环节当中优势与作用，与5G通信技术、物联网技术、云计算技术、大数据技术有机融合，共同为电力系统故障分析工作、故障定位工作以及故障排查工作提供助力。需要注意的是，虽然人工智能技术在电力系统故障分析与故障定位环节具有先天优势，但目前在人工智能技术与电力系统故障分析工作与故障定位工作融合环节，仍然存在些许问题，有待改善。具体措施如下：

3.1科学解决小样本问题

虽然新时期背景下，可应用于电力系统故障分析与故障定位环节当中的数据信息种类繁多，但多数数据处于正常运转状态，真正有效的数据可谓是少之又少，模型训练样本也略显缺失。为有效改善定位样品问题及故障分析问题，应当加强训练样品规模以及模型迁移规模，构建更加完善的数据挖掘模型，对各个关键节点的模型开展科学优化与调整，从而显著提升网络培训工作效率以及故障数据利用率。除此之外，拓宽样品收集范围也是一种极为优质的解决措施，可以对与物理模型相近的故障样品开展整合，有效拓宽样本涉及范围。结合机器学习模型，可以有效缩小食物与样本之间的差距，从而起到良好的模型训练目标，构建更加完善的线路故障样本，从而对线路故障问题开展科学预测、科学测距，显著提升数据信息利用率。除此之外，随着人工智能技术日益发展，人工智能技术逐渐朝向学习领域以及科技领域推进，同时电力系统引入大数据技术，也为电力系统故障分析工作以及小样本定位工作提供更加精准的数据与信息[2]。

3.2显著提升计算效率

机器学习模型主要可以分为两大阶段应用流程，即训练模型与应用模型。在模型训练环节，主要以标注数据为基础探索互联网参数环节耗时更长，而机器学习模型使用阶段，只需对培训模型输入定量信息展开科学计算，相较于训练阶段而言，使用阶段的用时更短、效率更高。与此同时，迁移学习的微调网也是一种极为优质、极为高效的计算方式。在网络训练逐渐深入的背景下，结合故障分析情况以及具体定位情况，科学更新互联网参数，从而实现对电力系统当中的故障展开科学判断与故障排查。无论采用以上哪种方式，缩短模型使用时间与培训时间都需要得到新一代人工智能技术助力与加持，方可显著提升计算率，为电力系统故障分析工作与故障定位工作提供助力。

结语：

总而言之，新时期背景下，在电力系统故障分析与故障定位环节，通过科学解决小样本问题、显著提升计算效率等方式合理引入新一代人工智能技术。可以显著提升故障分析效率、故障定位效率，对电力系统故障排查工作奠定坚实而稳固的基础，因此需要得到相关从业人员的高度重视有广泛关注。

参考文献：

[1]杜慧珺，雷现惠，周佳，等. 基于互联网技术的智能电力监控系统研究——以泰山景区电力系统为例[J]. 信息记录材料，2020，21（10）：185-186.

[2]陈熙. 能源互联网背景下人工智能在电力通信网中的应用探析[J]. 电力信息与通信技术，2021，19（9）：45-50.