下载掌阅APP，畅读海量书库
立即打开
电力设备的安全稳定运行是电力系统正常运转的基础，是提高生产效率、满足社会发展需求的重要生产力保障。自第二次工业革命以来，电力设备可靠性管理始终是工业界与学界关注的重要课题，并形成了涉及设备设计、制造、巡检、维护整个生命周期的一系列理论和方法体系。这些理论和方法有效地降低了电力设备维护及故障停机造成的高额成本，为电力系统运行安全提供了保障。
近年来，随着我国产业升级与技术进步，设备可靠性管理有了许多新的技术和工具，例如：电力系统通过传感器实现设备性能实时监测；电力设备间借助工业互联网进行工作协调；维护人员利用便携式操作平台上传检修信息，分析设备运行状态等。这些新的技术和手段产生了海量的设备状态与环境数据，促进了传统电力设备管理向数字化和智能化方向转型升级，催生数智化设备可靠性管理新模式，推动全面感知、智能协同的智能电网全面建设发展。
智能电网的实时性、智能性、感知性及大数据特征给电力设备巡检与故障管理带来了前所未有的机遇和挑战，使得设备故障个性化在线诊断与预测成为可能。而如何从海量设备监测数据中挖掘有价值的故障特征信息并提供巡检决策支持，是近年来电力系统可靠性研究领域的关键问题。因此，大数据与智能电网时代背景下的数智巡检策略，是工业界与学界共同关注的热点与难点问题。
智能电网是将传感器技术、信息技术、通信技术、计算机技术、人工智能技术和原有的输、配电基础设施高度集成而形成的新型电网，它具有提高能源效率、减少对环境的影响、提高供电的安全性和可靠性、减少输电网的电能损耗等多个优点（王雷，2012）。不同于传统电网，智能电网在电网系统中安装大量监测传感器，实时在线监测电力设备状态，并通过开发和应用一系列可扩展的电网智能化高级应用软件，实现电网设备故障诊断等一系列高级应用功能，如电网安全稳定控制、电力设备故障诊断及电网调度智能决策等（周学斌，2020）。智能电网具备高度信息化和数字化的特点，具备双向流动的能量流和信息流，产生较以往数量庞大、类型多样、结构复杂、分布广泛、速度极快的大数据。电力数据在规模上从GB/TB级别上升至PB/EB/ZB级别，在类型上包含了结构化、半结构化及空间矢量数据，在速率上以“流”的形式存在，数据处理要求实时性（施超，2015），这给智能电网数据分析与处理能力带来了极大的挑战。
为从电网数据中获取更准确、更深刻的理解，近年来，大数据、人工智能、深度学习与数据可视化等分析方法在智能电网领域得到广泛应用，已成为智能电网数据分析的重要技术。这些技术通过深度神经网络、对抗生成网络等新一代模型从电网原始数据中自动提取和选择高层次特征表达，通过有监督式学习、无监督式学习及强化学习等方式学习和训练智能算法，根据智能电网获取的实时数据，为设备管控、维护优化等提供在线决策支持，以实现等同于人类专家甚至超过人类专家的性能（杨延东，2020）。目前，基于人工智能技术的数智管理方法在电力领域已取得众多进展，例如：借助传感器收集到的数据对设备状态进行实时监测分析，根据设备温度、湿度及电压、电流信号对设备故障进行在线智能诊断；结合图像识别与无人机技术构建设备智能巡检算法，实现机器人巡检和无人机巡检；基于智能电表数据识别用户用电负荷特征，实现电网发生故障时的精准负荷控制与智能切负荷等（张执超，2014）。这些新技术和方法极大提升了电网运行效率与智能化水平，提高了电力设备可靠性管理的智能性、实时性和科学性。
基于大数据、人工智能等新一代信息技术的数智巡检策略，通过物联网收集到的实时数据对电力设备状态进行在线监测、诊断和预测，与传统的基于模型和专家经验方法相比，具有动态、实时和成本低等突出优势，解决了传统方法面临的设备故障特征复杂、停电检测成本高等现实问题。然而，此类方法在电力设备管理实践中仍面临一些挑战。一方面，由于传感器本身的测量误差及外部噪声的干扰，设备在线数据可能具有较大的测量误差，由此得到的设备故障诊断和预测结果准确性偏低，无法准确识别设备故障；另一方面，受设备不同运行环境与工作负荷的影响，不同设备的故障形成过程通常具有一定的个体差异性，表现出个性化的故障特征。另外，还存在发挥数智巡检方法的优势以实现智能诊断面临的设备间个体差异、历史故障数据不足等问题。因此，当前已有的很多基于数据的诊断方法存在准确率偏低和故障错报、漏报的现象。在此背景下，本书集结了国家电网重点项目“基于大数据分析的变大设备运维与检修策略优化研究”等项目的部分研究成果，在分析大数据与智能电网环境下电力设备可靠性管理面临的机遇和挑战的基础上，提出了基于大数据分析的电力设备数智巡检策略，并在设备在线监测数据融合校正、设备个性化智能诊断及故障隐患识别等领域进行了深入的研究和应用。
