人工智能技术在电力工程数据处理中的研究与应用

王 娜，傅国刚

（1.山东怡力电业有限公司，山东龙口 265718；2.南山铝业股份有限公司，山东龙口 265713）

人工智能是通过研究人类的生活规律利用技术手段模拟人类的智能行为。人工智能具有综合性较强，交叉性较多的学科特点，与心理学、政治学、社会学等都有着交叉关系。我国目前利用人工智能技术应用的领域在不断扩大，从计算机、社会学、智能机器人、神经网络等领域都有所涉猎。最初人工智能技术是从20世纪40年代开始研发，主要应用在神经网络、模糊逻辑中，近些年随着人工智能的深入研发，技术已经在突飞猛进地增长，得到全球的广泛重视，人工智能发展历程如下图1所示，在我国多领域中也开始引入人工智能技术，尤其针对现阶段需要量越来越大的电力行业，人工智能技术开始融入电力工程数据处理的研究当中。

图1 人工智能的发展历程

1 电力工程数据处理中存在的问题与不足

最近几年随着分布式电源、储能设施等具有特性终端的设备大量的融入，让电力系统变得非常复杂与不稳定性。而传统的人工智能技术在电力系统中的应用普遍又呈现了数据薄弱、数据不稳定、数据质量低、计算能力不足等缺点，这些都是现阶段人工智能技术在电力工程数据处理中存在的问题。

1.1 基础数据较为薄弱

现阶段，随着各行各业对电力系统数据的不断增多，造成数据系统内部比较复杂。而在人工智能技术的应用上又往往没有单一性的场景数据处理系统，基础数据处理比较薄弱。

1.2 数据质量较低

数据整体质量是人工智能能否成功应用的决定性环节，但是在现阶段，从设备调试、设备运行等在数据的保存形式都有所不同，造成数据整条质量有较大差异，常常会发生数据重复或者缺失遗漏的问题，对电力工程系统数据运算的准确性造成影响。

1.3 异常样本匮乏

加高性能的样本训练模型对数量有着严苛要求，但在实际应用中，由于大多数电力故障是因概率产生，相关案例信息的录入不全面，在电力系统运行出现问题时，样本数量就显得较少，导致非均衡数据采集，约束了人工智能机器的效果。

1.4 数据算法较弱

最近几年随着人工智能学习的强化，在电力工程系统规划和安全控制上得到了广泛应用。但是在对人工智能的调度和电力交易、故障等较为复杂的场景计算上，人工智能的计算能力还比较薄弱，无法对计算做叠加处理，计算方法的适应性较弱，导致建模和计算需要耗费大量的时间。

2 挖掘数据算法

人工智能技术在电力工程运行过程中挖掘的数据方法主要指的是从大量数据工程的收集中提取有价值的信息，由于该算法作用的对象是实际记录中真实的数据信息，导致数据算法面对的是数据量大、数据噪声多、提取困难等问题。一般情况下，为实现有用信息的提取，完整的数据挖掘过程包括选取抽样、数据处理、预处理数据、数据转换、挖掘模型、数据评估等步骤，具体如图2所示：

图2 数据挖掘技术过程

在实际电力工程应用中，为解决6个步骤中的数据处理和数据信息提取工作，一般采用的数据挖掘算法为决策树方法、神经网络法、遗传算法、模糊逻辑法等。而模糊逻辑法是结合神经网络算法的优势和模糊系统的逻辑容错力。这在电力工程数据处理上有着重要的作用，对电力工程的造价预算也有较高依据。在实际运行中由于情况比较复杂，要想用模糊神经网络算法，就要利用聚类，将数据整体空间分成几个模糊数据参数，在通过训练获得隶属度函数，才能得到输出数据。如图3所示：

图3 模糊神经网络模型示意图

图中从N 一直到NR 代表的都是不同的数据参数，而N 代表的主要功能就是完成每一个网络中子网络的隶属度参数的识别，这其中的网络都分别代表不同的模糊规则。

3 电力工程数据预处理

在对电力工程数据分析是首先要对大量的数据做有效性选取，尽可能在原有数据上保证数据信息的完整性，并在大量选取的数据中找到有效性的数据集合。一般情况下，电力工程数据采用的是数值形式做存储，因此采用贝叶斯分类器作为函数进行评价。贝叶斯分类器的方法主要是通过数学统计学的理论对海量的数据做分析。

假设数据集是S，样本属性采用X1、X2，……Xn 表示，而C1、C2、……Cn 代表现有数据种类，新样板数据在属于其中一类Cj 的概率如下面公式表示：

高斯密度函数用g 表示数据分布概率，均值0，方差1。例如，有100个数据节点需要评估，会最终获得电力工程输入和输出数据的数据集。

4 数据模型建立

从上面的函数公式对电力工程的数据分析可以看出，工程数据是具有多样性的特点，电力工程数据的输出输入都是多元化。因此，数据在分析中处于非线性映射，在人工智能技术应用在电力工程的算法上就可以将模糊神经网络算法看成核心电力工程数据算法，就可以实现建立电工工程造价估计模型。在模糊神经网络算法与常规的神经算法对数据处理结合中可以通过模糊系统的推理能力，获得数据的获取规则，这样可以实现较大的网络容错力，处理复杂的非线性数据有着独特的优势存在。

5 模型仿真建立

在电力工程数据的处理中，原始数据需要预处理达到200条历史数据，含有5个属性的输入数据包，4个属性的输出数据包。在对数据分类后利用模糊神经网络的隶属度函数调整，在计算上会将样本分成4个部分，而所有的样本要按照训练集、测试集、验证集分成3个部分。具体模糊神经网络算法数据集属性见表1。

表1 电力工程输入和输出数据属性集

在上述两表中结果和实际网络输出的结果得出的线性关系见表2、表3。

表2 电力工程数据聚类结果

表3 网络线性回归分析结果

通过这个结果的运算再采用模糊神经网络算法就可以对电力工程的数据做分析和处理功能，模糊神经网络实现了在一定程度上得到数据的规则，提高了电力工程造价预测水平。

6 人工智能技术在电力工程数据处理的发展趋势

6.1 类人机器人研发与应用

通常传统使用的电力工程领域上的电力机器人都是按照设定好的程序与路径达到巡检的任务，并不具备有智能思维。而人工智能的应用有效地将智能传感、数据分析、语言处理编程等技术融入电力工程设计上，开发了具有类人行为的新型机器人，类人机器人突破了传统机器人机械性的操作行为，大规模替代了人员检修工程，为电力工程较少人力资源投入做出了贡献。

6.2 新型监测技术的研发与应用

在电力工程数据处理上大量应用人工智能技术主要目的是实现多源化信息的综合利用。因此，利用研发分布式光纤传感和电力设备内置的机器人的新型监测技术，可以有效提高电力工程设备状态的评估和指标，实现实时动态全景模式的监测，促进人工智能技术在电力工程数据处理中使用的效果提升。

7 结束语

近些年，随着人工智能技术广泛应用在于电力行业系统中，极大为电力工程数据分析做出了贡献，让电力工程数据处理更加稳定。随着高级机器学习理论、大数据、边缘计算等技术的深入研究，新型人工智能技术在电力工程数据中的应用价值越来越高，数据精准度在不断完善，这让人工智能技术在电力工程数据处理上的能力有着突飞猛进的增长，提高了电力系统在运行中的安全性和稳定性。