人工智能驱动的数据分析技术在电力变压器状态检修中的应用综述

发布时间：2020-10-27 01:23

　　 状态检修为电力变压器的稳定运行与优质电力的正常供应提供了重要保障。随着智能电网建设的不断推进,包括状态监测、生产管理、运行调度、气象环境等在内的电力变压器运行状态相关信息已逐步呈现出体量大、种类多、增长快的典型大数据特征。因此,在电力大数据的时代背景下,开展结合人工智能技术的电力变压器状态数据综合挖掘与分析研究,对于进一步提升设备状态检修的全面性、高效性与准确性具有十分重要的意义。鉴于此,首先概述了面向数据分析的人工智能技术,涵盖专家系统、不确定性推理、机器学习及智能优化计算等研究内容;然后,结合电力变压器状态检修各阶段任务的智能化需求,论述了人工智能驱动的数据分析技术在数据清洗、文本挖掘、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场景中的应用研究现状;最后,探讨了现阶段影响基于人工智能的数据分析技术在状态检修领域应用效果的关键问题,并对未来的主要研究方向进行了展望。
【部分图文】：

刘云鹏，许自强，李刚，等：人工智能驱动的数据分析技术在电力变压器状态检修中的应用综述339专家系统等[9]。1.2不确定性推理不确定性推理泛指除确定性推理以外的其他各种推理问题，包括不完备、不精确知识的推理，模糊知识的推理，非单调性推理等[10]。不确定性推理是指以不确定的初始证据为基础，依据不确定性知识进行推理，最终推出具有一定不确定性但却又是合理或基本合理的结论的思维过程。在不确定性推理中，知识和证据均有不同程度的不确定性，这就增加了推理机设计与实现的难度。它既需解决推理方向、推理方法、控制策略等基本问题，也需解决不确定性的表示与度量、不确定性匹配、不确定性的传递算法以及不确定性的合成等重要问题。1.3机器学习作为现代人工智能的重要组成，机器学习使计算机能够模拟人类的学习行为，自动通过学习来获取知识与技能，并不断改善系统自身的性能。应用较为广泛的机器学习方法主要包括传统机器学习、集成学习及深度学习等。1.3.1传统机器学习传统机器学习依据数据是否被标识，可划分为监督学习、无监督学习和半监督学习3类。常见的传统机器学习算法如表1所示。1.3.2集成学习集成学习是一种集众多个体学习器学习结果为一体的机器学习方法。其基本思想是通过训练一系列解决相同问题的个体学习器，并结合某种规则对各个学习结果进行整合，从而获得比单一学习器显著优越的泛化性能。根据个体学习器生成方式以及个体学习器间依赖关系的不同，集成学习可分为Boosting算法与Bagging算法2类。以前者为例，其算法原理如图1所示[20]。首先，从初始训练集开始，为每个训练样本平均分配初始权重，并训练出弱学习器1；然后，

340高电压技术2019,45(2)图2深度学习回归预测模型Fig.2Forecastingregressionmodelofdeeplearning2人工智能驱动的数据分析技术在变压器状态检修中的应用在长期运行的过程中，电力变压器会受到电应力、热应力、机械应力以及运行工况、气象环境等多种内外部因素的综合作用与影响，进而破坏绝缘性能，导致产生缺陷甚至故障。而这一过程中的设备运行状态变化与故障演变规律蕴含在巡检试验、带电检测、在线监测以及运行工况、环境气候、电网运行等众多状态信息中。随着输变电设备状态监测管理系统、生产管理系统、能量管理系统、地理信息系统及气象信息系统等电力信息化平台的逐步完善与应用，电力变压器运行状态的相关信息呈现出多源、异构的数据特征。其中，多源性表现为变压器状态数据来源多样化，涵盖设备数据、监测数据、外部数据3个方面；异构性则表现为变压器状态数据结构多样化，包括数值、文本、图像、视频等结构化、半结构化及非结构化数据[28]。综上，海量多源异构数据的综合处理与挖掘有助于全面、及时、准确地掌握电力变压器的运行状态及发展趋势。同时，多维度、精细化的状态评估及预测结果可为设备检修决策优化提供更为可靠的参考依据，从而进一步提升变压器的状态管理水平。因此，本节围绕状态检修的3个阶段性任务，归纳了包括数据清洗、文本挖掘、图像识别、状态评估、故障诊断、状态预测及检修决策优化在内的7个典型场景，并就人工智能驱动的数据分析技术在其中的应用研究现状进行总结与分析，其应用技术框架如图3所示。2.1数据清洗应用场景状态监测信息的数据质量是影响电力变压器状态评估及预测模型准确度的重要因素[29-30]。由于复杂的现场运行环境会

构化及非结构化数据[28]。综上，海量多源异构数据的综合处理与挖掘有助于全面、及时、准确地掌握电力变压器的运行状态及发展趋势。同时，多维度、精细化的状态评估及预测结果可为设备检修决策优化提供更为可靠的参考依据，从而进一步提升变压器的状态管理水平。因此，本节围绕状态检修的3个阶段性任务，归纳了包括数据清洗、文本挖掘、图像识别、状态评估、故障诊断、状态预测及检修决策优化在内的7个典型场景，并就人工智能驱动的数据分析技术在其中的应用研究现状进行总结与分析，其应用技术框架如图3所示。2.1数据清洗应用场景状态监测信息的数据质量是影响电力变压器状态评估及预测模型准确度的重要因素[29-30]。由于复杂的现场运行环境会对传感器的监测性能造成干扰，且监测信号在传输过程中也会存在通信异常及信道噪声等问题，因此采集到的原始数据中通常会含有部分噪声点及缺失值。数据清洗即识别并修复上述无效异常数据的过程[31]。需要特别注意的是，电力变压器缺陷或故障所造成的异常数据包含着重要的状态信息，被称为有效异常数据[32]，并不属于数据清洗的范畴。传统的统计学方法在处理异常识别问题时会存在准确性较低及实时性较差等问题，通过引入机器学习中的无监督聚类方法[33]，基于信息相似度原则对监测数据流信息进行集聚处理，可实现异常点与缺失值的快速、有效辨识。常用的聚类算法包括K-means聚类算法[34]、模糊C均值（fuzzyc-means，FCM）聚类算法[35]及DBSCAN（density-basedspatialclusteringofapplicationswithnoise）聚类算法[36]等。在异常识别结果的基础上，通过利用人工神经网图3人工智能驱动的数据分析
【参考文献】

相关期刊论文 前10条

1 崔晓丹;李威;李碧君;方勇杰;宋晓芳;王正风;;输变电设备检修计划决策技术评述[J];电网与清洁能源;2015年12期

2 周湶;王时征;廖瑞金;孙超;解慧力;饶俊星;;基于AdaBoost优化云理论的变压器故障诊断方法[J];高电压技术;2015年11期

3 马润泽;王龙响;余佳文;王慧芳;邱剑;;考虑历史缺陷文本信息的断路器状态评价研究[J];机电工程;2015年10期

4 陈金强;李群湛;;基于灰色TOPSIS和DGA的变压器状态预测[J];高压电器;2015年09期

5 严英杰;盛戈皞;陈玉峰;江秀臣;郭志红;秦少鹏;;基于时间序列分析的输变电设备状态大数据清洗方法[J];电力系统自动化;2015年07期

6 严英杰;盛戈皞;陈玉峰;江秀臣;郭志红;杜修明;;基于大数据分析的输变电设备状态数据异常检测方法[J];中国电机工程学报;2015年01期

7 赵婉芳;王慧芳;邱剑;何奔腾;;基于油色谱监测数据的变压器动态可靠性分析[J];电力系统自动化;2014年22期

8 唐燕;刘艳;;考虑电网总风险和检修收益的设备状态检修计划优化[J];电力系统保护与控制;2014年09期

9 阮羚;谢齐家;高胜友;聂德鑫;卢文华;张海龙;;人工神经网络和信息融合技术在变压器状态评估中的应用[J];高电压技术;2014年03期

10 廖瑞金;孟繁津;周年荣;夏桓桓;张镱议;程涣超;;基于集对分析和证据理论融合的变压器内绝缘状态评估方法[J];高电压技术;2014年02期

相关博士学位论文 前2条

1 李军锋;基于深度学习的电力设备图像识别及应用研究[D];广东工业大学;2018年

2 邱剑;电力中文文本数据挖掘技术及其在可靠性中的应用研究[D];浙江大学;2016年

【共引文献】

相关期刊论文 前10条

1 郭创新;熊世旺;张行;张金江;曹敏;薛武;;输变电设备全景信息的多源异构数据聚合方法[J];高电压技术;2015年12期

2 程建伟;白翠粉;刘通;高文胜;土松江·卡日;马仪;;基于故障模式的输变电设备故障风险分析[J];高电压技术;2015年12期

3 翟少磊;曹敏;沈鑫;王飞;王恩;;变电站在线监测多维信息聚合技术[J];高电压技术;2015年12期

4 张行;李万启;郭创新;张金江;曹敏;薛武;;基于RESTful快捷服务总线的输变电设备全景信息集成平台设计[J];高电压技术;2015年12期

5 于亚丽;周俊;;水电设备运行状态的BP神经网络评估法[J];水电与新能源;2015年12期

6 马草原;孙富华;朱蓓蓓;尹志超;;神经网络算法的改进及其在有源电力滤波器中的应用[J];电力系统保护与控制;2015年24期

7 崔晓丹;李威;李碧君;方勇杰;宋晓芳;王正风;;输变电设备检修计划决策技术评述[J];电网与清洁能源;2015年12期

8 刘利艳;;干式变压器优化设计研究[J];中国新技术新产品;2015年24期

9 王晶;;电力系统异常数据检测辨识方法综述[J];电力与能源;2015年06期

10 孙澄宇;;基于区间层次分析法的电力变压器绝缘状态评估[J];现代电子技术;2015年23期

【二级参考文献】

相关期刊论文 前10条

1 严英杰;盛戈皞;陈玉峰;江秀臣;郭志红;秦少鹏;;基于时间序列分析的输变电设备状态大数据清洗方法[J];电力系统自动化;2015年07期

2 徐波;韩学山;刘长银;侯艳权;姚越;牛志强;;基于关联集分解的系统状态检修决策模型[J];电力系统自动化;2015年02期

3 严英杰;盛戈皞;陈玉峰;江秀臣;郭志红;杜修明;;基于大数据分析的输变电设备状态数据异常检测方法[J];中国电机工程学报;2015年01期

4 宋亚奇;周国亮;朱永利;李莉;王刘旺;王德文;;云平台下输变电设备状态监测大数据存储优化与并行处理[J];中国电机工程学报;2015年02期

5 王奇;张晗;邓军;耿大庆;吴芳慈;;基于状态评价的风力发电设备故障诊断系统的研制[J];电网与清洁能源;2014年11期

6 郭雅娟;陈锦铭;李斌;胡成博;;江苏电网设备状态评价系统的研究与实现[J];电力信息与通信技术;2014年11期

7 周湶;孙超;廖瑞金;李剑;张镒议;王时征;;基于云理论的变压器多重故障诊断及短期预测方法[J];高电压技术;2014年05期

8 谷凯凯;郭江;;紧致融合模糊集和故障树的变压器故障诊断[J];高电压技术;2014年05期

9 张海波;易文飞;;基于异步迭代模式的电力系统分布式状态估计方法[J];电力系统自动化;2014年09期

10 吕志盛;赵渊;万凌云;张煦;宫林;;计及时变故障率的电网计划检修启发式优化模型研究[J];华东电力;2014年05期

相关博士学位论文 前10条

1 蔺丽华;基于红外成像的变电站设备安全预警关键技术研究[D];西安科技大学;2014年

2 谢天;面向操作指引的增强现实系统研究[D];浙江大学;2013年

3 刘亚东;输电线路分布式故障测距理论与关键技术研究[D];上海交通大学;2012年

4 李明;计及电网运行风险的设备状态检修理论研究[D];山东大学;2012年

5 郑元兵;变压器故障诊断与预测集成学习方法及维修决策模型研究[D];重庆大学;2011年

6 仝卫国;基于航拍图像的输电线路识别与状态检测方法研究[D];华北电力大学;2011年

7 张巧荣;视觉注意计算模型及其关键技术研究[D];哈尔滨工程大学;2011年

8 田明辉;视觉注意机制建模及其应用研究[D];中国科学技术大学;2010年

9 何慧;WEB文本挖掘中关键问题的研究[D];北京邮电大学;2009年

10 赵文清;基于数据挖掘的变压器故障诊断和预测研究[D];华北电力大学（河北）;2009年

【相似文献】

相关期刊论文 前10条

1 郑健;安芷瑶;;电力变压器状态检修分析[J];时代农机;2018年06期

2 向海;郭胜海;李晓丽;张海燕;孙琳;;电力变压器状态检修分析[J];化工管理;2014年14期

3 姚元灯;;电力变压器状态检修及故障诊断方法研究[J];科技风;2014年14期

4 缪晓梅;;谈电力变压器状态检修及故障诊断方法研究[J];职大学报;2018年04期

5 常智远;;电力变压器状态检修及故障诊断解决策略[J];中国新通信;2017年24期

6 宋文;;浅谈电力变压器实验重点研究[J];科技创新与应用;2014年02期

7 程保权;;电力变压器的检修策略[J];现代企业教育;2012年06期

8 金文;;电力变压器中的状态检修和故障诊断方法运用[J];产业与科技论坛;2015年05期

9 高伟成;;浅谈电力变压器检修和试验策略[J];中国高新技术企业;2011年02期

10 王晓辉;李璐;;电力变压器状态检修技术研究及应用[J];山东工业技术;2015年20期

相关博士学位论文 前10条

1 田杰;电子电力变压器的控制及10kV工业样机实现[D];华中科技大学;2016年

2 黄辉;电子电力变压器的控制与应用[D];华中科技大学;2015年

3 易杨;电子电力变压器若干关键技术研究与实现[D];华中科技大学;2013年

4 刘海波;电子电力变压器控制策略研究[D];华中科技大学;2009年

5 王丹;配电系统电子电力变压器[D];华中科技大学;2006年

6 李建坡;基于油中溶解气体分析的电力变压器故障诊断技术的研究[D];吉林大学;2008年

7 王利兵;电子电力变压器的控制与应用[D];华中科技大学;2014年

8 桑子夏;电子电力变压器的保护系统研究[D];华中科技大学;2014年

9 张国强;电力变压器绝缘结构优化和电磁方案自动设计的研究[D];华北电力大学;2000年

10 古斌;基于功率量的电力变压器保护新原理及高速算法研究[D];广西大学;2014年

相关硕士学位论文 前10条

1 杨扬;基于状态检修的电力变压器风险评估的研究[D];华北电力大学;2013年

2 许力;电力变压器状态检修与在线监测的实际运用与探索[D];东南大学;2015年

3 娄智奇;基于集对分析的东辛营风电场电力变压器状态评估研究[D];华北电力大学;2016年

4 袭建凯;电力变压器油流温升仿真分析及试验研究[D];山东大学;2018年

5 徐经纬;电力变压器温升试验数据记录系统开发[D];山东大学;2018年

6 岳全有;电子电力变压器的综合损耗分析模型及其应用[D];湖南大学;2018年

7 宋学彬;电力变压器振动特性及绕组状态监测方法研究[D];沈阳工业大学;2018年

8 吴涛;电力变压器绕组短路动态稳定性研究[D];华北电力大学;2018年

9 于长海;基于数据驱动的电力变压器剩余使用寿命预测方法研究[D];华北电力大学;2018年

10 侯增起;基于声音特征的变电设备故障分类与定位方法研究[D];华北电力大学;2018年

本文编号：2857808