张春辉,陈君,李邦源
(玉溪供电局,云南 玉溪 653399)
作为我国经济的基础动力,电力行业的发展对中国经济产生了巨大的推进作用。然而,随着行业的不断升级,电网电压等级以及复杂程度不断提高[1]。在此背景之下,电网控制的自动化水平不断提升,我国逐步进入了智能电网时代[2]。作为电网运营输配电中的关键一环,调度的智能化受到了越来越多的关注[3]。
各地区电网快速发展,新建的变电站投产以及原有厂站改造新增了大量的调试,对调度工作造成了巨大压力。现有电网调度通常是按照主站建模、绘制图形、模型入库、通信联调和数据接入联调[4]等步骤进行。然而现有技术流程繁琐,工作效率低下,无法满足进一步膨胀的需求。随着近些年来人工智能的发展,深度学习逐渐在语音识别[5-6]和图像识别[7-8]等领域显示出强大实力,各个行业已经逐步向无人值守时代过渡。机器学习的一系列成功应用为解决上述问题提供了思路,本文从电网的具体需求出发,搭建了一整套新型调试系统。该调试系统采用人工智能,主要关注电网运行状态及工作人员操作指令信息的智能提取和故障点的快速定位以及人机智能交互。
图1 智能调试系统整体架构
智能调试系统的整体架构如图1所示。系统通过人工智能算法达成信息提取和决策等功能的智能化,实现系统自主调试和运维。通过一系列软件算法的使用,建立调度自动化厂站信息接入智能高效的调试技术支持手段,在不影响现有厂站功能的前提下,不仅能够提高配电调试的准确率和效率,降低后期配电造成的故障以及次生故障,还能够有效缩短调试时间,加快新设备投产和复电进度。整个系统融合人工智能算法,主要在两个层面对原有技术进行突破。
首先对原有工作流程重新优化,提前进行在线计费统计(OCS)订阅的预处理,调试结束后,通过电子工作单,生成统一、规范的调试结果报告,实现厂站接入调试的闭环管理。而后对系统中各种人工和自动生成的信息进行准确的智能读取和解析,为智能决策打下基础。该信息提取方式与以往最大的区别是利用了模糊模式识别,对来自文本、语音、图像及信号的指令做出相应响应,并根据指令内容进行对应操作,最终将操作结果以适用的方式进行反馈,过程如图2所示。
该技术的核心包括语音识别、图像识别和语义识别三个主要部分。
语音识别流程如图3所示,包含预处理、波形分帧、声学特征提取以及模式匹配四个主要步骤。预处理主要用于消除干扰和突出语音特征;波形分帧主要通过使用移动窗函数将时域波形切成小段;声学特征提取主要将每一帧波形的声学特征(如MFCC特征)变成多维向量,从而生成包含这帧语音内容信息的观察序列;而模式匹配主要是采用隐马尔可夫模型(HMM)及高斯混合模型(GMM)完成语音与模块库的匹配,从而完成语音识别。
图2 基于模糊模式识别的信息提取
图3 语音识别流程图
图像识别流程如图4所示,分为图像处理和图像识别两个部分。项目图像处理主要通过图像采样、图像增强、图像复原、图像编码与压缩和图像分割去除干扰和噪声,将原始图像变成适于计算机进行特征提取的形式。而图像识别采用“模板匹配法”和“几何变换方法”将图像处理的结果进行特征提取和分类。
图4 图像识别流程图
项目通过对多种媒体发送给值守机器人的交互信息进行语义分析,得到其真实目的。主要基于知识图谱的语义网络进行句法分析(包括分词、词性标注和依存句法分析),并使用深度学习作为重要补充手段。基于电力语义网络知识库,较为快捷地实现句子级的语义分析。结合中文的特点,基于连接依存树的标注实现篇章级语义分析。基于语义分析成果,对语义连接依存树上的实体对象及关联规则进行信息抽取(抽取规则是开放且支持自动学习的,依据已有抽取规则可派生新的规则)。
本文算法的目标是基于人工智能理论,通过数据的智能化处理,对配电网络设备的故障种类和具体位置进行高准确率的自动化定位判定及隔离,采用故障诊断型专家系统对故障进行分类及定位。
图5 故障诊断型专家系统算法流程
如图5所示,通过对OCS进行电网数据的全部订阅,发现以及锁定数据的异常值。首先对相同设备其他测点进行检测,并逐级扩大检测范围,采用设备投切对电路进行观测的方式进行故障点位置的锁定和隔离,而后将故障点的位置和种类信息进行汇总并发出警报。
故障诊断型专家系统算法流程如图6所示。系统中人工智能知识采用的产生式规则为:如果前提条件得到满足,就产生相应的动作或结论,以IF+THEN的形式出现,类似多种编程语言里的条件语句,IF后面的是条件(前件),THEN后面的是结论(后件),条件与结论均可以通过逻辑运算AND、OR、NOT进行复合。
图6 故障诊断型专家系统算法流程
采用专家系统进行决策的前提必须具有相应的知识库,而模拟专家进行决策的思维过程则需要用到推理机的技术。
知识库是从非结构化/半结构化文本中提取指定类型的信息,并通过信息归并、冗余消除和冲突消解等手段将非结构化文本转换为结构化信息的一项综合技术。例如,本文从调度日志文本中抽取调度事件的主要信息包括:发生时间、发生地点(厂站、线路)、事件名称、事件类型、处理内容和后果等。
知识图谱则主要描述客观世界的概念、实体、事件及其之间的关系。其中,概念是指人们在认识世界过程中形成对客观事物的概念化表示,如调控员、运维人员、巡线员、变电站、线路和杆塔等。实体是客观世界中的具体事物,如项目中的宝峰变电站、小湾发电厂和某某调控员等。事件是客观事件的活动,如故障、检修和消缺行为等。关系描述概念、实体和事件之间客观存在的关联关系,如间隔描述了开关、刀闸等设备在变电站内部的关系,开关和GIS开关、变压器和三绕组变压器之间的关系是概念和子概念之间的关系等。
而推理机针对当前问题的条件或已知信息,反复匹配知识库中的规则,获得新的结论,得到问题求解结果。推理方式分为正向和反向推理两种。正向推理是从条件匹配到结论,反向推理则先假设一个结论成立,看它的条件有没有得到满足。推理机就如同专家解决问题的思维方式,知识库的价值只有通过推理机进行决策才能够实现,否则再多的知识也是无用信息。图7以宝和线为例,展示了该项目在知识库构建完备的基础上,推理机的决策流程。
图7 宝和线推理机决策流程图
专家系统除了利用人工智能进行决策之外,还需要采用语音合成技术完成人机交互。语音合成技术即文语转换技术,能将任意文字信息实时转化为标准流畅的语音朗读出来。它涉及声学、语言学、数字信号处理和计算机科学等多个学科技术,解决的主要问题就是如何将文字信息转化为可听的声音信息。
此处文语转换系统先通过语言学处理,例如分词、字音转换以及一整套有效的韵律控制规则将文字序列转换成音韵序列等。再采用先进的语音合成技术,由系统根据音韵序列生成语音波形,按要求实时合成高质量的语音流,将决策信息传达给操作人员。
本文针对传统配电系统及其调试过程中效率低下,失误率较高的问题,在智能成票基础上完成海量信息智能提取以及专家系统决策和人机交互。不仅提高了调试过程的效率,而且在减少了操作人员的情况下,扩大了调试范围和速度,同时增强了配电系统的鲁棒性。在当今配电网络层级逐渐增多,供电终端构成愈发复杂的大背景下,人工智能在配电调试系统上的应用,将会替代采用传统算法和人工进行调试的传统工作模式,成为未来的大势所趋。