摘要：近年来，随着我国社会的发展，电力系统规模不断扩大，使得电力设备出现各种故障的几率逐渐提升，因而采取更加有效的诊断方案，智能机器人是其中较为关键的一个环节。因此，对人工智能技术在电力设备故障诊断中的应用进行研究具有重要意义，为进一步提升电力设备故障诊断效率奠定良好基础。
关键词：人工智能技术；电力设备；运维检修；应用；
引言
人工智能技术作为当前最具颠覆性的前沿技术，正在形成一套新的数据科学方法论，并深刻影响和改变着整个世界包括交通、金融、医疗、工业、法律、电子商务等各个领域的商业模式乃至行业形态。目前，各国纷纷制定人工智能发展战略以抢占新一轮科技革命的制高点，我国也已经将新一代人工智能技术上升为国家战略。在此背景下，推进人工智能技术在输变电设备状态评估、故障诊断、健康管理等业务中的创新应用，是提升电网运维检修智能化、集约化水平，促进设备状态运维检修向全面、精准、高效方向迈进的重要技术手段。
1人工智能技术的电力设备故障诊断方式
1.1模糊理论诊断
对于电力设备故障诊断来说，是一项系统化工程，其中涉及很多内容，如数据的采集、整理、分析，基于数据分析的决策制定等，整个流程当中，均具有非精确化的特点，正是这一特点的存在，可以在故障诊断时，应用模糊理论手段。一般来说，利用专家的经验，以故障特点为基础，结合故障的引发原因，构建出相关的模糊矩阵，并以此为基础，通过相应的逻辑关系的判断，最终确定出电力设备是否出现故障，或者是出现故障的类型。在这一理论快速发展的今天，加之云数据的不断更新与完善，对变量表述产生了较大的影响，使得模拟矩阵更符合现代社会的需求，相关人员能够利用相应的技术手段，设计出专业的软件程序，制定出合理选择方案，从模糊程度强度的角度出发，确定出最佳的决策。
1.2专家模块诊断
人工智能技术的又一体现—智能机器人。目前，对智能机器人进行应用时，存在很多诊断方式，专家模块诊断是最为常见，且应用最为广泛的一种。在智能机器人内部，安装了相应的专家计算机，其中含有大量电力设备故障信息数据，同时设置出特定的程序，在该程序的控制下，自动对电力设备信息进行采集，并通过与数据库内的信息对比，确定出设备是否出现故障，以及故障的引发原因与类型等，进而确定出合理的处理方案，使故障可以在第一时间得到解决。对于专家模块来说，由很多子系统构成，如数据库子系统、人机交互子系统等，每个子系统具备不同的功能，正是在这些系统各个功能的配合下，才可完成故障的诊断。
2人工智能技术在电力设备故障诊断中存在的问题及优化
1）信息识别。电力设备故障诊断对人工智能技术进行应用时，信息识别方面也存在一定问题。诊断过程中，拍摄范围较为狭窄，只可拍摄出设备的整体，而难以对设备的具体数值进行识别，需要在获取设备图像后，由人员进行分析，以确定出具体情况，并传递相应指令。针对这一问题，则需要在现有结构基础上，优化信息识别系统，设置出更加准确的参数，增加自动识别指针以表的模式及其配置，改进语音识别系统，同时，在指令库内，增加更多复杂的指令，安装性能更强的扩音器，确保智能机器人运行时，能够准确对信息识别，并在最短的时间内作出行动，及时发现电力设备中出现的故障。
2）随着电网的快速发展，其规模越来越大，复杂性越来越高，检修计划安排时受到的制约条件也越来越多，越来越复杂，给电力系统生产运行部门带来了新的挑战。当前，电网生产运行部门检修计划决策的模式仍较为粗放，传统的检修决策方式和相关技术已经不能完全满足电网发展新形势下的诸多要求，需要开发有效的自动化辅助软件和系统。电力设备智能检修是以设备状态评估及预测结果为基础，并根据一定的优化目标，通过智能算法推荐包括检修时间、检修次序及检修方式等项目在内的最佳检修策略。检修决策优化本质上是一个多目标多约束优化的问题，优化目标主要有可靠性、经济性、实用性等指标。该优化问题的求解方法包括数学规划方法和启发式智能算法。数学规划方法包含整数规划、线性规划方法等。然而对于维数高、非线性强和不确定因素多的问题，传统的数学优化算法存在较大的局限性，而启发式智能算法因其强大的通用性，被广泛运用于设备检修决策环节。目前，用于电力设备检修策略优化的启发式算法包括遗传算法、禁忌搜索算法、粒子群算法、进化算法等。构建电力设备运维检修领域的知识图谱是进行检修策略推荐的另一种思路，具有广阔的应用前景，典型的设备运维知识图谱构建思路如图5所示。知识图谱构建主要基于自然语言处理技术，挖掘设备运维有关的实体、属性及关系，从而构建知识网络。
3面临挑战与未来趋势
早期的机器学习技术在输变电设备运维检修领域已开展多年，以深度学习为代表的新兴人工智能技术则在数据、算法、算力都显著提升的契机下，为解决电力业务问题提供了新的思路和方法。然而，目前人工智能技术的应用落地仍然面临着诸多困难，不少学者从数据质量、样本稀缺、数据壁垒、数据获取来源、传感技术等角度进行了深入探讨，这些讨论主要集中于数据、环境、制度等外部客观条件因素。本文试图从人工智能技术本身的内部因素出发，总结目前人工智能技术在电力设备运维业务中应用存在的技术问题与研究方向，主要包含以下几个方面：1）目前，绝大部分机器学习模型(尤其是深度神经网络)都是典型的“黑箱”模型，算法无法对其结果给出具有说服力的解释，这一方面使得业务人员无法完全信任人工智能技术，另一方面可能会由于解释性、透明性不足而导致机器发生决策风险。未来，可解释机器学习的研究和发展将成为推动人工智能技术应用落地的重要技术动力之一。2）故障情况下的设备信息本身就具有天然的正负样本不均衡性，即使增加数据采集量，也无法从根本上解决这一问题。今后需要发展多模态机器学习、迁移学习等技术，从算法机理上解决样本匮乏的问题，例如研究Zero-ShotLearning、Few-ShotLearning等机器学习方法。3）目前设备的状态评估、故障诊断与检修等业务或基于专家知识与经验公式，或基于纯数据驱动的机器学习模型，而将两者相融合的方法还没有进行过深入的讨论和研究。研究知识与数据双驱模型，从而减少对数据的过度依赖，进而增强机器学习的鲁棒性，是未来的一个发展方向。
结束语
人工智能技术的应用贯穿设备信息提取与知识库建立、设备健康状态评价、设备运行状态预测、缺陷识别与故障诊断、电力设备巡检影像分析、设备寿命预测、检修策略推荐等各个业务环节，具有广阔的应用前景。人工智能技术在输变电设备中的应用目前仍然处于起步阶段，未来应重点向可解释机器学习、多模态学习、知识?数据融合模型等方向发展。
参考文献
[1]冯国礼.人工智能技术在电力系统中的实践[J].中国新通信,2020,22(08):142.
[2]蒲天骄,乔骥,韩笑,张国宾,王新迎.人工智能技术在电力设备运维检修中的研究及应用[J].高电压技术,2020,46(02):369-383.
[3]谢佳益,陈一明,曹健,张杉杉,任川.电力设备智能检测系统研究与应用[J].东北电力技术,2019,40(12):16-19+28.
[4]贺远.试论面向智能电网的智能电力设备技术与应用[J].通讯世界,2019,26(03):128-129.
[5]吴俊刚.智能机器人在电力设备故障诊断中的应用研究[J].中国新技术新产品,2018(22):12-13.