总769期第三十五期2021年12月
河南科技
Henan Science and Technology
（南方电网能源发展研究院广东广州510663）
摘要：从机器感知、机器思维、机器行为３个方面介绍了人工智能技术研究体系，总结了当前比较成熟的人工智能应用领域，归纳了人工智能技术发展存在的问题。针对电力行业，阐述了人工智能在故障诊断、负荷预测、设备巡检、智能客服等业务领域的研究现状和取得的成果，指出电力行业后续需进一步结合行业基础，挖掘应用场景，寻突破点，利用新技术改造传统电网，推动产业智能化升级。
关键词：人工智能；电力；故障诊断；负荷预测；设备巡检
中图分类号：TP18；F407.61文献标识码：A文章编号：1003-5168（2021）35-0012-05 Application of Artificial Intelligence Techniques in Electric
Power Industry
CHEN Yue HE Shuangbai YANG Chun ZHANG Yidong
（Energy Development Research Institute,China Southern Power Grid,Guangzhou Guangdong510663）
Abstract:This paper introduces the artificial intelligence techniques(AI)from tree aspects:machine perception,ma⁃chine cognition and machine behavior,and summarizes the current mature applications and the problems in AI devel⁃opment.In view of the electric power industry,this paper expounds AI researches and achievements in application areas such as fault diagnosis,load forecasting,equipment inspection,intelligent customer service and so on.It further points out that the power industry should combine with its technology basis to exploit the application scenarios of AI, search for breakthrough points,transform traditional grid by the new information technologies,and promote industrial upgrading.
固定床反应器
Keywords:artificial intelligence；electric power industry；fault diagnosis；load forecasting；equipment inspection
人工智能（Artificial Intelligence，AI）也称机器智能，斯坦福大学Nilsson教授将其定义为［1］：“人工智能是关于知识的学科，即怎样表示知识以及怎样获得知识并使用知识的科学。”而麻省理工学院的
Winston教授则认为［2］：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”虽然人工智能的定义尚未统一，但普遍认为人工智能是计算机科学中涉及研究、设计和应用智能机器的一个分支［3-5］，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学［5-6］。
人工智能诞生于1956年的达特茅斯会议［5-7］，经历了两次繁荣与两次寒冬的跌宕式发展。2016年人工智能程序Alpha Go战胜围棋世界冠军李世石［8-10］，使人们受到了人工智能技术的冲击，也使人们意识到人工智能是引领未来的战略性技术。美国在2016年10月发布《国家人工智能研究与发展策略规划》［11］，制定了国家人工智能发展路线和策略。我国于2016—2017年先后印发了《“互联网+”人工智能三年行动实施方案》［12］、《新一代人工智能发展规划》［13］、《促进新一代人工智能产业发展三年行动计划（2018—2020年）》［14］等文件，积极谋划人工智能产业发展布局，构筑我国人工智能发展的先发优势。
传统电力行业正抢抓人工智能发展机遇，积极探索人工智能应用，推进产业智能化升级。例如，国家电网和南方电网公司分别进行了许多有效尝试［15-16］，并与互联网企业合作［17］，深化人工智能应用创新。
1人工智能技术研究体系
人工智能技术的基本出发点是模拟人的智能。人的智能包括感知能力、思维能力和行为能力，智能表现为知识获取能力、知识处理能力和知识运用能力。因此，人工普通注塑机射咀头
收稿日期：2021-11-15
作者简介：陈岳（1980—），男，硕士，高级工程师，研究方向：计算机、通信、电力系统自动化、企业管理。
信息技术
生活垃圾处理器
智能研究主要分为3个方面［18］。
1.1机器感知
机器感知方面主要研究机器如何直接或间接获取知识、使机器具有感知能力，即将输入的文字、语音、图像、视频等自然信息转化为机器语言。具体技术包括语音识别、图像识别等识别技术。 1.1.1语音识别。语音识别让机器通过识别和理解过程把语音信号转变为相应的文本，包括学习训练和识别两个阶段［19-20］（如图1所示），涉及特征参数提取、模型训练、 模式匹配等方面的技术。
图1语音识别原理
语音识别的学习训练和识别两个阶段均包括预处理和特征提取两个过程。预处理是对原始语音信息进行去噪、端点检测、分帧加窗、预加重等处理；特征提取是计算语音的声学参数，提取反映语音特征的关键参数信息，如基于时域的幅度、过零率、能量、基于频域的线性预测倒谱系数（Linearity Predicts Cepstrum Coefficients，LPCC）、线谱对（Line Spectrum Pair，LSP）参数等。
声学模型表示一种语言的发音，反映声学、语音学、环境的变量、说话人性别差异、口音差异等，体现语音的声学特征到音素或字词的映射关系。声学模型通过对语音语料提取特征参数后训练而得到，隐马尔可夫模型（Hidden Markov Model，HMM）是声学模型构建的主要方法。而语言模型表示一种语言的规则或语法结构，体现字词到句子的映射关系，需使用文本语料训练得到。常用的语言模型为
N-gram统计语言模型，该模型主要是根据已知前（N-1）个词，预测第N个词的发生概率。
学习训练阶段的目的是构建声学模型和语言模型，识别阶段则是通过搜索算法和匹配策略，将语音信号的特征参数与声学模型库、语言模型库匹配，并输出相似度最高的结果。语音识别方法包括模板匹配法、随机模型法、人工神经网络法等，其中隐马尔可夫模型（HMM）是目前最主流、效果最好的语音识别算法［21-22］。
HMM是一种用参数来描述随机过程统计特征的概率模型，可看作是一种双重随机过程，模型结构如图2所示。一个是基本的Markov链随机过程，描述状态的转移；另一个是描述语音信号统计特性变化的隐含随机
过程。导电碳浆
图2HMM结构示意图
1.1.2图像识别。图像识别是对输入图像进行处理、分析和理解的过程，用于识别各种不同模式的目标和对象，如人脸识别、指纹识别、静脉识别、虹膜识别、文字识别、人体动作识别、步态识别等。类似于语音识别，图像识别也分为学习训练和识别两个阶段，如图3所示［23］
。
图3图像识别原理图
学习训练阶段对训练样本进行预处理、特征提取，形成样本图像特征库；图像识别阶段对输入的待识别图像进行预处理、特征提取后，与样本图像特征库进行特征匹配，获得识别结果。图像预处理过程去除图像噪声、干扰信息等，将原始图像处理为适合特征提取的形式，包括图像采样、图像增强、图像恢复、图像编码压缩、图像分割、图像分析描述等［24-25］。图像特征提取是为了提取到唯一标识图像特性的特征，包括颜、纹理、边缘、区域形状、轮廓、空间关系、像素统计、代数特征、动态特征等［26-29］。
图像识别和特征匹配是利用模式识别方法对提取的图像特征与图像特征库进行相关处理，判断是否匹配的过程。常用的方法包括基于决策理论的判别法、结构分解法、汉明距离匹配法、欧氏距离匹配法、基于统计模型的方法等。
1.2机器思维
机器思维方面主要研究机器如何表示、存储、组织与管理知识，并进行知识推理和问题求解，包括知识工程、专家系统、机器学习等方向。
专家系统模拟人类专家求解问题的思维过程求解领域内的各种问题，可分为集中式专家系统、分布式专家系统、神经网络专家系统、符号系统与神经网络结合的专家系统，是人工智能研究中成效最多的领域，广泛应用于医疗诊断、文化教育等方面。
机器学习主要是研究人类学习的机理、人脑思维的过程，利用算法去分析数据、学习数据，随后对现实世界情况进行判断和预测。机器学习可分为有监督学习和无监督学习，具体算法包括特征选择、回归算法、决策树、随机森林和提升算法、支持向量机（Support Vector Ma-chine，SVM）、聚类算法、最大期望（Expectation Maximi-zation，EM）算法、贝叶斯算法、隐马尔科夫模型、LDA （Latent Dirichlet Allocation）主题模型等。
深度学习是实现机器学习的技术，深度学习所得到的深度神经网络结构包含大量的神经元，如图4所示。每个神经元与大量其他神经元相连接，神经元间的连接权重在学习过程中进行调整，如图5所示。
图4
神经元模型
图5深度神经网络结构模型示意图
深度神经网络分为3类：①前馈深度网络，只包含编码器部分，由多个编码器层叠加而成，如感知器神经网络、卷积神经网络（Convolutional Neural Networks，CNN）等；
②反馈深度网络，只包含解码器部分，由多个解码器层叠加而成，如层次稀疏编码网络、反卷积神经网络等；③双向深度网络，同时包含编码器和解码器，通过叠加多个编码器层和解码器层构成，如深度玻尔兹曼机、深度信念网络等。
深度学习方法的应用使语音识别、图像识别的准确度提高了10%左右，模式识别能力达到新的高度。Google公司DeepMind团队采用深度学习方法，利用收集到的专业棋手3000万次棋步对Alpha Go系统进行训练，取得了重大成果。
1.3机器行为
机器行为方面主要研究机器如何运用所获取的知识，通过知识信息处理给出反应并付诸行动，包括决策支持系统、机器人学等方向。
决策支持系统运用分析、决策模型进行辅助决策，综合利用数据仓库、联机分析处理、数据挖掘、专家系统等技术，建立综合集成型决策支持系统。机器人学涉及机器人控制、机械运动、机器人工程学
等内容，关注精准控制，即如何在既定时间内完成计算并准确地完成相关动作。
2人工智能技术发展现状
目前，国际上面向特定领域的人工智能取得了突破性进展，比较成熟的应用主要集中在4个领域。
2.1机器人
人工智能机器人有聊天机器人、客服机器人等类型，日本的仿人机器人、美国的猎豹机器人、德国的工业机器人等，都能够理解人的语言语义并进行对话，还能够根据对周围环境的感知调整自己的动作。
2.2语音识别
利用自然语言处理等技术将语音转换成可处理的信息，作为计算机系统的输入。目前国内在该方面的研究处于国际领先水平，已出现语音开锁、语音转换、自动翻译等应用。科大讯飞的语音识别技术已经实现了语音实时转换成文字、模仿真人合成发音、同声传译等功能，未来的配音、速录、翻译领域将面临极大的挑战。
2.3图像识别
利用计算机进行图像处理、分析和理解，匹配不同模式的目标和对象。目前的成熟应用有汽车牌照识别、人脸识别、指纹识别、虹膜识别、智能视频分析等，其在安防、智慧交通等领域已成功应用。例如，杭州推出以人工智能为核心的“城市大脑”，能够自动调配公共资源，修正城市运营中出现的问题。
2.4专家系统
专家系统能应用人类专家的丰富知识，解决人类专家难以解决的问题，而且能帮助人类专家发现推理过程中出现的差错。在矿物勘测、化学分析、规划和医学诊断方面，专家系统几乎已经达到了人类专家的水平。
3存在的问题
尽管经过60年的发展，人工智能在模式识别、知识工程、机器人等领域取得了巨大进步，但当前仍处于弱人工智能阶段，即仅擅长单项能力的确定性（模拟人类的逻辑思维）人工智能，离真正的人类智能还相差甚远。中科院院士谭铁牛认为：“现有的人工智能系统，有智能没智慧，有智商没情商，会计算不会算计，有专能无全能。”
强人工智能（即比肩于人类脑力活动的人工智能）的研究处于停滞不前的状态，模拟人类的不确定性智能（形象思维）方面始终没有取得进展。
受限于图灵机与冯·诺依曼体系结构，目前的人工智能系统在感知、认知、行为等多方面都存在瓶颈，几乎所有的人工智能系统都需要对求解的问题进行人工建模，转化为一类特定的计算问题（如搜索、自动推理、机器学习等）后再进行处理，问题求解的自动建模还有待突破。
大数据分析推动了特定领域人工智能的快速发展，但大量的数据是“生数据”，掺杂了很多噪声、虚假信息、垃圾信息等。机器学习方法对于生数据处理的鲁棒性差于预处理后的数据处理。深度学习算法的实现依赖于特定领域大量人工标记的样本或较多的人工干预，系统对新环境与新问题需要建立不同的算法，难以推广到不同
领域，难以自适应和自动迁移。
模式识别与语言理解对图像、视频、语音、自然语言等非结构化数据的分析还存在处理机制、效率等方面的不足。现有视觉识别只能理解简单的场景，识别准确度的提高需要增加深度学习的网络层数，也就需要更多的训练时间和训练样本。语音识别对环境依赖性过强，即在某种环境下采集的语音训练系统只能在该种环境下应用。
4人工智能在电力行业的应用
电力行业比较注重系统的安全、稳定、可靠和及时响应，当前人工智能在电力行业的应用主要集中于传统工作方式和技术的智能化改进、电力系统关键技术的拓展、多元因素的智能化融合等方面。典型的人工智能应用如下。
4.1故障诊断
利用专家系统、人工神经网络诊断输电网络故障是典型的初期人工智能应用，利用保护断路器的动作逻辑以及运行人员的诊断经验，形成故障诊断专家系统的知识库，根据报警信息推理获得故障诊断的结论。人工神经网络主要应用于输电网络故障定位和故障类型识别，如基于三层前馈神经网络、时空神经网络、径向基函数神经网络实现故障定位，基于多层前馈神经网络和Koho-nen网络实现故障类型识别。日本在20世纪90年代开始将人工智能技术应用于电力部门。日本东北电力公司于1987年设立了人工智能研究所，开展了专家系统研究，开发了AI技术应用装置，如水力发电厂引水压力钢管健全度诊断和大修工程选定系统配电设备恢复支撑系统等。
近年来的研究热点在于深度学习等人工智能新技术应用方面，如利用深度强化学习、对抗学习等技术，对海量配电设备与计量装置的健康状况等进行全方位、多视角在线监测、评价与风险预警，实现配用电设备监控状态智能检测与管理。
4.2负荷预测
Google公司在2016年用机器学习算法使其数据中心的用电量减少了15%，利用智能算法预测数据中心的冷却系统并控制设备的负载，从而使用于冷却的电量减少了40%。英国国家电网公司为解决电力供应平衡问题，与Google公司DeepMind实验室合作，通过机器学习技术来预测电力需求和供应的高峰，以提高可再生能源利用率。
4.3设备巡检
针对传统人工巡检方式存在的劳动强度大、工作效率低、安全风险高、监测质量分散等问题，20世纪90年代日本科学家提出了“电力巡检机器人”的构想，日本东芝等公司和欧美科研院所也开展了相关研发工作。相比于国外，国内在电力巡检机器人方面的研发成果则更多，应用也更加广泛，如利用图像识别、深度学习技术处理直升机、无人机、巡线巡检机器人和遥感卫星图像及视频数据，识别设备缺陷和输电线路的潜在风险。南方电网公司实现了输电线路绝缘子破损、鸟巢等机巡图像多类缺陷的自动识别；国家电网公司实现了复杂环境中多种电力监控目标及其位移、状态的识别，研制了电力人工智能硬件模块FPGA，可集成到巡检无人机、机器人及监控摄像头中。
利用深度学习技术对设备状态数据进行学习训练，能够实现对输变电设备故障的智能诊断和状态评估。国家电网公司研发了GDJF-2006/2008数字式局部放电检测系统，能够识别包括自由金属颗粒放
电、悬浮电位体放电、绝缘件内部气隙放电等多种典型放电；2016年，江苏电力公司将深度学习与大数据结合，研发了基于深度学习的局放缺陷诊断系统，在10万余条样本数量基础上，构建局放诊断深度神经网络，实现深度学习分析，诊断准确率可达到95%；天津电力公司通过研究基于深度卷积网络的局放模型，创建了多维度设备状态智能诊断决策平台，实现在现有数据质量下设备状态的自动智能诊断与决策。
在变电站机器人应用方面，2016年10月，国家电网泰州供电公司成功部署了基于机器人平台的变电站安全监控系统，通过基于深度学习的图像识别方法对监控对象进行智能识别，为巡检部门提供技术和管理手段；南方电网中山供电局在2016年研发了“阿童木”变电站智能操作机器人，可以自动完成10kV开关紧急分闸操作。
在电缆隧道无人巡检方面，郑州供电公司于2016年依托监控大屏及VR可视化平台、无人巡检系统，实现了地下管线智能化、自动化、无人化巡检。
4.4智能客服
电力行业服务民生，需要面向客户提供优质服务。营业厅机器人、智能客服是人工智能在电力行业的典型应用。利用语音识别、自然语音处理等技术，实现智能问答服务、语音服务、用户精准化与差异化服务等，以此提升服务质量。例如，国家电网公司智能客服机器人“电博士”，为客户提供专业电力
知识解答；南方电网公司推出营业厅机器人“小智”，帮助客户办理业务。
电力行业是一个涉及环节多、覆盖范围广、不确定性因素强的庞大复杂系统。从发电、输电、变电、配电再到终端的用电，均包含着典型动态的多维特性，导致电力行业控制、运行异常复杂，需要耗费大量的人力、物力、财力。目前我国已进入大电网、大电厂、大机组、高电压输电、高度自动控制的新时代，具备较好的自动化、信息化基础，人工智能技术的应用将推动整个电力行业的技术发展，提高电力系统运行效率，保障电力系统的安全与稳定。
5结语
当前，人工智能进入高速发展期，部分专项人工智能已取得重大突破，并已成功应用于人类生产生活中。随着技术的不断发展，专项人工智能的覆盖面将越来越广，能力将越来越强。
电力行业根据自身的特点和已具备的自动化、信息化基础能力，结合传统电力技术，在人工智能应用方面开展了较多研究和探索，取得了较多有价值的研究成果。目前，电力行业在云计算、大数据等新
技术发展方面形成了较好的积累，具备与人工智能技术同步发展的良好条件。电力行业未来的发展方向主要在于优化和预测，而人工智能正好能够针对资源配置、多源信息融合、能源互联等方面提供独特的解决方案。电力行业需紧跟人工智能技术的研究进展，结合行业基础，挖掘应用场景，利用人工智能技术改造升级传统电网，促进生产方式转变，推动产业结构变革。
参考文献：
［1］NILSSON N J.Artificial Intelligence:A New Synthesis［M］. San Francisco：Morgan Kaufmann Publishers Inc，1998：453-492.
［2］DONNA R.Artificial intelligence:P.H.Winston,(Addison-Wesley,Reading,MA,2nd ed.,1984);527pages［J］.Artificial In-telligence，1985（1）：127-128.
［3］HUTTER M.Universal Artificial Intelligence［J］.Texts in Theoretical Computer Science An Eatcs，2003（2）：278.
［4］POOLE D L，MACKWORTH A K.Artificial Intelligence: Foundations of Computational Agents［M］.Cambridge：Cam-bridge University Press，2017：38-56.
［5］Wikipedia.Artificial intelligence［EB/OL］.（2018-08-30）［2021-10-31］.en.wikipedia.
org/wiki/Artificial_intelligence.
［6］百度百科.人工智能［EB/OL］.（2021-09-30）［2021-10-31］./item/%E4%BA%BA%E5%B7%A 5%E6%99%BA%E8%83%BD/9180?fr=aladdin.
［7］NILSSON N J.The Quest for Artificial Intelligence:A History of Ideas and Achievements［M］.Cambridge：Cambridge University Press，2009：79.
［8］DeepMind.Alpha Go-Google DeepMind.［EB/OL］.（2021-09-30）［2021-10-31］./research/alphago/.
假山的堆叠［9］SILVER D，HUANG A，MADDISON C J，et al.Master-ing the game of Go with deep neural networks and tree search［J］. Nature，2016（1）：484-489.
［10］SILVER D，SCHRITTWIESER J，SIMONYAN K，et al. Mastering the game of Go without Human Knowledge［J］.Nature，2017（10）：354-359.
［11］National Science and Technology Council Networking and Information Technology Research and Development Subcom-
mittee.the national artificial intelligence research and develop-ment strategic plan［EB/OL］.（2016-10-30）［2021-10-31］. v/PUBS/national_ai_rd_str ategic_plan.pdf.
［12］国家发展改革委，科技部，工业和信息化部，等.国家发展改革委、科技部、工业和信息化部、中央网信办关于印发《“互联网+”人工智能三年行动实施方案》的通知［EB/OL］.（2016-05-26）［2021-10-31］./2016_zcjd/527622.shtml.
［13］国务院.国务院关于印发新一代人工智能发展规划的通知［EB/OL］.（2017-07-20）［2021-10-31］./ zhengce/content/2017-07/20/content_5211996.htm.
［14］工业和信息化部.工业和信息化部关于印发《促进新一代人工智能产业发展三年行动计划（2018-2020年）》的通知［EB/OL］.（2017-12-14）［2021-10-31］.v/ jgsj/kjs/wjfb/art/2020/art_08d153ee9e9d4676aa69d0aa12676ca1. html.
［15］周瑾，周璇，陈欣.江苏电力公司智能客服机器人在平台上线［EB/OL］.（2017-07-04）［2021-10-31］.www. /dwyxfw/20170704/83067.html.
［16］陈逸，朱婷婷.深圳供电局机器人“小智”贴心服务再也不愁排队办业务［N/OL］.（2017-09-14）［2021-10-31］.poll. /article_poll.php?_appid=iphone&pk=59b9e0801bc8 e0aa610000ae&poll_id=1271&target=web3.
［17］林洁，沈甸.南方电网广东公司牵手百度启动智慧能源行动计划［N/OL］.（2017-12-20）［2021-10-31］.l. com/yuanchuang/2017-12/20/content_16797430.htm.
［18］刘毅.人工智能的历史与未来［J］.科技管理研究，2004（6）：121-124.
［19］马志欣，王宏，李鑫.语音识别技术综述［J］.昌吉学院学报，2006（3）：93-97.
智能抄表［20］侯一民，周慧琼，王政一.深度学习在语音识别中的研究进展综述［J］.计算机应用研究，2017（8）：2241-2246.
［21］靳双燕.基于隐马尔可夫模型的语音识别技术研究［D］.郑州：郑州大学，2013：1-68.
［22］陈晓霖.基于隐马尔可夫模型的语音识别方法的研究［D］.济南：山东大学，2005：1-71.
［23］汪晨，张涛，林为民，等.图像识别综述及在电力信息安全中的应用研究［J］.计算机技术与发展，2012（4）：161-164.
［24］蒋树强，闵巍庆，王树徽.面向智能交互的图像识别技术综述与展望［J］.计算机研究与发展，2016（1）：113-122.
［25］江贵平，秦文健，周寿军，等.医学图像分割及其发展现状［J］.计算机学报，2015（6）：1222-1242.
［26］王志瑞，闫彩良.图像特征提取方法的综述［J］.吉首大学学报（自然科学版），2011（5）：43-47.
［27］吴微，苑玮琦.手掌静脉图像识别技术综述［J］.中国图象图形学报，2013（10）：1215-1224.
［28］梁路宏，艾海舟，徐光，等.人脸检测研究综述［J］.计算机学报，2002（5）：449-458.
［29］胡琼，秦磊，黄庆明.基于视觉的人体动作识别综述［J］.计算机学报，2013（12）：2512-2524.
