基于群体智能算法的电力设备现场智能化运维检修研究

摘要：常规的电力设备运维检修方法以故障特征分析处理为主，但是多源数据融合降低了运维检修效率，不利于智能化运检场景的应用。因此，文章设计了基于群体智能算法的电力设备现场智能化运维检修方法。此方法基于群体智能算法构建电力设备运维检修模型，利用狼群、蚁群等群体智能算法，均衡检修工作量、设备可靠性、经济性三者之间的关系，生成最优目标函数。在求解电力设备智能化运维检修全局更新参数时，利用电力设备现场智能化运维检修的正反馈方式，寻求运维检修最优解，从而满足智能化运维检修需求。通过实例分析，验证了该方法的运维检修效率更高，经济性更高并能够应用于实际生活中。

关键词：群体智能算法；电力设备；现场；智能化；运维检修方法

中图分类号：TM247.3 文献标志码：A

0 引言

电力设备在变电站和电力系统中起着至关重要的作用，负责输配电、电压变换、保护和控制等功能。这些设备根据类别分为发电与供电2种设备；根据性能分为一次与二次2种设备。一旦这些设备发生故障，将会影响电力系统的正常运行。为了提升运维检修的效果，采用现场智能化运维（通过实时监控、自动化管理、预测性维护等）的手段被广泛应用。但是，在运维检修的过程中，存在检修工作量不均衡的问题，影响了运维检修效果。针对此类问题，研究人员设计了多种运维检修方法。

其中，黄简等［1］提出了基于知识图谱的电力设备现场智能化运维检修方法，主要是利用多知识融合的知识图谱系统，在电力设备知识检索、问答、设备故障辅助分析等方面实现了智能化并通过知识图谱融合了多源数据，提高了运维检修效果。该方法在故障缺陷信息分析方面存在优势，但是无法通过历史信息分析电力设备的故障类别，降低了运维检修效率。李智威等［2］提出了基于改进GM（1，1）模型的电力设备现场智能化运维检修方法，主要是在传统GM（1，1）模型基础上，结合了灰色预测模型的优势，建立现场智能化运维检修模型。但是，该方法适用于中长期预测，短期内的电力设备故障难以估计，会影响最终的运维检修效果。因此，本文结合了群体智能算法的优势，设计了电力设备现场智能化运维检修方法。

1 电力设备现场智能化群体智能运维检修方法设计

1.1 基于群体智能算法构建电力设备运维检修模型

群体智能算法是一类基于群体相互协作和信息共享的算法，包括粒子群、狼群、蚁群等算法。本文根据电力设备现场运行情况，选择狼群、蚁群等群体智能算法，均衡检修工作量、设备可靠性以及经济性三者之间的关系，来生成最优的运维检修目标函数。首先将电力设备划分为几个部分。然后狼群搜索队伍负责在电力设备内部空间中发现设备故障节点并向群体发送信号［3］。一旦发现故障节点，信号沿着狼群构建的数据链逐层传递。最后，支援部队接收到信号后，同时向多个故障目标或单个目标前进并根据不同目标的资源消耗与收益，确定运维检修的优先级，提高设备运维检修的经济性［4］。在此过程中，狼群遵循守恒定律，假设电力设备故障目标为T={T1，T2，…，Tn}，共有n个故障目标，共有m匹“狼”参与运维检修任务，则：

∑ni=1s（Ti）=m（1）

式（1）中，s（Ti）为须要执行运维检修任务的电力设+niBqcXwaijPCQC4ooSbEQ==备故障目标。当故障目标与执行目标数量一致时，制定运维检修任务分配计划并以执行检修任务的“狼”的数量最少为原则，建立运维检修模型的目标函数，公式如下：

s（Tk）=min_s（Ti）（2）

式（2）中，s（Tk）为运维检修模型的目标函数；Tk为执行检修任务的“狼”的最少数量［5］。由此构建出电力设备运维检修模型，表达式如下：

Pkij（t）=［τij（t）］α［κij（t）］β∑k∈ns（Tk）［τij（t）］α［κij（t）］β0（3）

式（3）中，Pkij（t）为电力设备运维检修模型表达式；τij（t）为t时刻（i，j）的信息素浓度；κij（t）为t时刻（i，j）路段启发信息；α为信息启发因子；β为期望启发因子。当Pkij（t）=0时，运维检修模型陷入局部最优，重复上述步骤，直至Pkij（t）≠0［6］。结合狼群算法的目标函数，与蚁群算法的启发信息，构建出的智能化运维检修模型，能够提高模型的收敛速度，进入全局最优状态。

1.2 求解电力设备智能化运维检修全局更新参数

在蚁群算法完成一次运维检修路径规划之后，通过全局更新参数的形式，确保电力设备运维检修效果，能够达到最优条件［7］。利用电力设备现场智能化运维检修的正反馈方式，寻求运维检修最优解，从而满足智能化运维检修需求。全局更新参数表示为：

τ（i，j）=（1-ρ）τij（t）+ρκij（t）（4）

式（4）中，τ（i，j）为i、j线路上的全局更新参数；ρ为运维检修规划路径上的信息素挥发因子。将τ（i，j）输入Pkij（t）重新训练，得出全局最优检修方案［8］。电气设备运维检修方案如表1所示，针对不同电气设备元件，进行不同的运维测试，确定具体故障元件之后，再进行更换、维修等操作，降低运维检修成本。

2 实例分析

2.1 概况

为了验证本文设计的方法是否能满足电力设备现场智能化运维检修需求，本文以X智能化变电站为例，对上述方法进行了实例分析。X智能化变电站的电压等级为110 kV、10 kV，2台主变，每台容量为50 MVA。110 kV采用内桥接线，10 kV采用单母线接线，能够满足本次分析需求。站内电气设备故障分析情况如图1所示，在电气设备发生故障时，通过故障原因、故障类别、故障位置等层次分析，找出故障原因之后，对其进行针对性的运维检修。

2.2 应用结果

在上述条件下，本文随机选取出多种电力设备类型并将设备检修损失、停电频率、运维检修工作量的均方作为衡量经济性、可靠性和均衡性的关键指标，以评估智能化运维检修的实际效果。在其他条件均已知的情况下，使用本文设计的基于群体智能算法的电力设备现场智能化运维检修方法，分析各个指标的目标期望与实际结果，当实际结果满足目标期望时，智能化运维检修效果较佳。具体的应用结果如表2所示，λcss为经济性指标，意为设备检修损失；αsac为可靠性指标，意为停电频率；εcea为运维检修工作量均衡指标，意为运维检修工作量均方差。m_a为主变压器；m_b为高压开关设备；m_c为数字继电保护装置；m_d为电子式互感器；m_e为智能电表；m_f为智能充电桩；m_g为电容器组；m_h为避雷器；m_i为接地装置；m_j为二次设备。由表中可知，使用本文设计的基于群体智能算法的电力设备现场智能化运维检修方法之后，实际结果中的经济性指标、可靠性指标、工作量均衡指标均能够满足目标期望。其中，εcea处于稳定的状态，能够有效地分配运维检修量，提高智能化运维检修效率，符合本文研究目的。

3 结语

近些年来，随着电力行业不断扩大，电力设备作为电力系统的核心元件，其运维检修工作更加复杂，亟须对其进行优化。传统的定期巡检方式在电力设备运维检修中已显得效率低下，难以适应当前智能化、复杂多变的运行环境。因此，本文利用群体智能算法，设计了电力设备现场智能化运维检修方法。从运维检修模型、全局更新参数等方面，对电力设备运维检修模型进行优化与求解，准确定位出设备故障位置并根据实际故障情况，选择合适的蚁群算法进行求解。

参考文献

［1］黄简，杨程，冯天波，等.面向风电机组运维的知识图谱构建研究与应用［J］.电力系统保护与控制，2024（8）：167-177.

［2］李智威，王依燃，张赵阳，等.基于改进GM（1，1）模型的变电站检修运维费用预测［J］.电力科学与技术学报，2024（1）：218-224.

［3］李豫，张正舟，欧阳鹏，等.动力集中动车组运用检修设施机辆融合的总平面布置方式探讨［J］.铁道机车车辆，2024（2）：124-129.

［4］解嵩博，佘飞，许志祥.基于车辆运维检修计划管理系统的架大修计划预测［J］.电力机车与城轨车辆，2024（2）：127-130.

［5］屈博兴，曾建宏，刘芙伶，等.基于虚拟现实技术的抽水蓄能机组智慧检修仿真系统应用研究［J］.东方电气评论，2024（1）：20-23.

［6］王靖.基于增强现实（AR）、深度学习与大数据技术的分布式水电站智慧检修系统研究［J］.水电与抽水蓄能，2023（6）：55-59，91.

［7］邓朝丞，马世俊，边晓光，等.基于某高端核能发电机安装及运维服务的数字化转型研究［J］.东方电气评论，2023（4）：38-43.

［8］郭卫忠，黄建新.智能“远程运维”平台信息化管理和状态监测及故障诊断技术结合运用案例分析［J］.新疆钢铁，2023（4）：31-33.

（编辑 沈 强）

Research on on-site intelligent operation and maintenance of power equipment based on swarm intelligence algorithms

BAO Tiao， LU Lei

（State Grid Ningbo Power Supply Company Haishu Power Supply Branch， Ningbo 315000， China）

Abstract： Conventional maintenance methods for power equipment mainly focus on fault feature analysis and processing， but multi-source data fusion reduces maintenance efficiency and is not conducive to the application of intelligent maintenance scenarios. Therefore， this article designs an intelligent on-site operation and maintenance method for power equipment based on swarm intelligence algorithms. This method is based on swarm intelligence algorithms to construct a power equipment operation and maintenance model. It utilizes swarm intelligence algorithms such as wolf colony and ant colony to balance the relationship between maintenance workload， equipment reliability， and economy， and generate the optimal objective function. When solving the global update parameters for intelligent operation and maintenance of power equipment， the positive feedback method of on-site intelligent operation and maintenance of power equipment is used to seek the optimal solution for operation and maintenance， thereby meeting the needs of intelligent operation and maintenance. By analyzing examples， it has been verified that this method has higher efficiency and economy in operation and maintenance， and can be applied in practical life.

Key words： swarm intelligence algorithm; power equipment; on site; intelligence; operation and maintenance methods