林金山
（华北电力大学电力工程系 河北 保定 071003）
摘要：状态分析与预测是保证发电机组稳定运行的一个不可或缺的环节。随着大数据时代的到来，人工智能技术飞速发展，利用人工智能技术实现电力设备状态监测的智能化与自动化，对于智能电网的建设有着重要意义。为此，本文首先论述了以数据分析为主导的人工智能技术，阐述了人工智能技术现阶段的发展趋势及其应用前景；然后结合发电机组在状态分析、故障诊断及预测所存在的技术需求，分析讨论了人工智能技术在发电机组状态监测的多重场景下的应用现状。最后，探讨了目前人工智能技术在电力行业中设备状态分析与检修领域还存在的技术难点，并对相关技术未来的发展研究方向提出了展望。
关键词：人工智能；发电机组；状态监测；故障诊断；深度学习
0.引言
发电机组是现代电力系统的一大组成部分。由于发电机组结构复杂，其工作时各类信号干扰大、耦合性强，因此，导致发电机组发生故障的因素纷繁复杂，且不同因素之间还存在复杂的耦合关系[1]。通过对发电机组的运行状态进行实时监测，及时提取机组故障信息并对其进行信号分析等处理，可判断出机组故障发生的原因，并进一步制定行之有效的解决办法，降低部分损失[2]。这对提高发电机组运行的稳定性，促进电力行业发展具有重要的作用。
1.基于大数据的人工智能技术
1.1基于专家系统(ES)的诊断方法
ES的应用原理指的是结合电力专业知识，再整合电力设备状态评估专家和实地工作人员的工作经验来对各种电力设备故障诊断问题进行综合评估与处理[4]。该方法已有很多年的应用，但仍然存在一些问题:①知识库的建立所需工作量较大；②抗干扰能力较差； ③知识库难以维护；④推理延迟，难以满足实际应用需要。
1.2 不确定性推理
不确定性推理主要是指除确定性推理以外的其他各种推理问题。设备的故障诊断经常具有不确定性，这是因为设备信号存在或缺失的现象。为此，往往需要利用这些不确定信息来进行故障诊断。在不确定性推理过程中，知识和信息都会存在不同程度的不确定性，这就对推理机设计和实现增加了很大难度。推理机不仅需要衡量不确定性大小、组合不确定信息，还需要确定推力方向及方法。
1.3 机器学习
机器学习作为人工智能的重要分支，能够使计算机模拟人类的分析行为，通过学习来获取知识，并提高自身的性能。深度学习是由Hinton等人在2006年首次提出的一种基于深层网络的模型。深度学习和传统机器学习的最大区别在于其能够模拟神经系统，通过深度多层的网络结构更加全面地描述原始数据。目前较为公认的深度学习模型有深度置信网络(DBN)、自编码网络(AE)、卷积神经网络(CNN)、循环神经网络(RNN)等。其中卷积神经网络主要用于处理图像数据，而循环神经网络则用于处理时序数据居多，如何将设备状态信息表征为深度网络所能理解的数据成为关键技术难题。
1.4智能优化算法
智能优化算法是一种基于自然界与生物界规律并模仿其原理设计求解问题的算法。其中包括遗传算法，粒子群优化算法，蚁群优化算法，模拟退火算法等。和经典数学方法相比较，智能优化算有着很好鲁棒性与稳定性，能直接对原始数据进行处理，能够解决很多常规算法无法有效解决的问题。
启发式智能算法在发电机组故障诊断问题中，主要用于寻找出有着更好性能的分类模型和对发电机组的智能检修进行策略的优化处理。此外，智能优化算法也被引入到机器学习方法中对其参数进行优化，从而充分发挥两种算法的优势，进一步提高发电机故障诊断的能力。
2．人工智能技术在发电机状态检修中的应用
在长期运行的过程中，发电机组会受到很多复杂情况的影响，出现性能下降甚至会发生生故障。发电机组的运行状态的相关数据信息来源多样，数据结构复杂。发电机状态数据来源多样，包括了设备自身运行数据、监测得到的数据等；数据结构复杂表现在数据包含数值、文字、图片、视频等不同类型的数据。通过以上分析我们得知对发电机组的数据进行全面综合的处理，能够有利于我们掌握其运行状态和故障诊断。
2.1数据处理应用场景
信息的数据质量是对发电机状态评估和模型的精确度有着重要的影响。而由于发电机组的工作环境复杂和信息传输技术的限制，采集到的数据通常噪声点以及缺失值。数据处理就是对异常数据的识别和修复。传统的统计学方法在数据的处理中，准确率不高且纠错能力差。而现在大部分手段都利用了机器学习中的聚类方法，对原始数据流进行初步的聚类分析，对异常数据进行识别。其后，利用神经网络进行异常数据的去除和缺失数据的填补，能够更好的为发电机故障诊断提供可靠的数据保障。
2.2文本分析应用场景
发电机组运行的文本信息所蕴含的设备健康信息和运行状态信息，对于故障诊断和运行状态检修有着重要指导意义。中文文本的处理流程有以下几个阶段：1）文本预处理，包括分段、分句等；2）文本转换，将文本转换为计算机语言；3）分类器的选择训练。文本信息挖掘还存在诸多困难，文本结构复杂，没有固定的转换方式。另外，中文文本有着模糊性甚至于有歧义，这对文本分析带来很多困难。而将深度学习模型作为分类器对文本进行训练及和分类，能够实现了文本中故障信息自动提取，且分类准确率也比常规的机器学习方法提升很多。在电力设备的长期运行、检修与维护过程中，积累了大量缺陷故障报告、利用深度神经网络挖掘文本中的信息，对设备的状态评价与故障诊断有着重要作用。
3.挑战与展望
目前，随着人工智能的发展，其在各行各业之中都大放光彩，人工智能技术在当代大数据背景下，对电力行业的诊断技术难题引入了新的思路。但是目前还存在着以下问题需要解决。
3.1 数据质量问题
目前大多数的数据都是在理想实验环境下采集数据，但发电机组的实际运行环境很是复杂，存在大量的噪声干扰，将极大影响实际采集的数据质量。如何利用采集到的实验数据训练出更好的故障诊断模型，保证诊断的准确性，是目前需要解决的问题。为了提高模型的鲁棒性，迁移学习技术被大多学者采用，利用其构造了不同的域自适应深度学习模型，也尽可能模拟不同运行状态下设备的参数特点。然而如何获取更为准确的原始数据问题还有待进一步研究。
3.2 新型监测手段的研究与应用
随着机器人越来越精密化，越来越多的机器人技术在设备运行监测中得以应用。如何利用机器人作为主体，内嵌精密仪器对设备进行自主的状态分析，是未来电力事业智能化实现的重要一步。
4.结论
（1）在大数据背景下，专家系统、不确定性推理、机器学习、智能优化算法等人工智能技术在发电机组运行状态的分析和故障诊断中的应用，对设备的管理和维护有重要的意义。
（2）人工智能技术在发电机状态分析中主要应用于数据处理、文本分析、图像识别、状态评估、故障诊断、状态预测及检修决策优化等典型应用场景。
（3）由于目前还存在发电机故障诊断场景中还存在数据质量、异常样本匮乏等客观因素的限制，人工智能技术在发电机组的状态分析中应用还不够成熟，其在发电机组中的应用还需进一步分析。
参考文献：
[1]刘力宇,崔江.基于深度学习的发电机整流器诊断系统研究[J].微特电机,2020,48(04):39-42.
[2]李春林,熊建斌,苏乃权,张清华,梁琼,叶宝玉.深度学习在故障诊断中的应用综述[J].机床与液压,2020,48(13):174-184.
[3]叶洪海.风力发电机组状态监测和故障诊断技术研究[J].佳木斯大学学报(自然科学版),2020,38(02):52-54.
[4]李勇.电力系统故障判断现状及发展趋势[J].低碳世界,2018(08):107-108.