智能诊断

以数字化和自动化为基础的信息化与智能化技术发展为智慧电厂的建设创造了条件,主要体现在大数据、物联网、可视化、先进测量与智能控制等技术在发电厂生产运行与管理维护中的系统化应用。智能巡检、智能检测与闭环优化、智能燃料、智能诊断、网源协调、决策支持、可视化仿真与运维辅助等是智慧电厂的典型技术研究方向,部分关键技术正逐步形成应用成果。

2023年4月26日，我国首个大规模抽水蓄能人工智能数据分析平台——南方电网抽水蓄能人工智能数据分析平台XS-1000D投入运行。该平台的投运实现了装机容量为1028万千瓦的7座抽水蓄能电站、34台机组设备的数据智能巡检、状态智能诊断和运维模式变革，标志着我国近1/4在运装机容量的抽水蓄能设备由传统线下人工管理向线上智能管理转变，每年可创造经济效益约1760万元。

近年南方电网公司全力推进数字电网建设，在配网领域也将配网一二次设备标准化、模块化和融合作为配网数字化建设重点工作之一。为了加强配网主要设备本体的状态感知和装备运行环境的监测，主要针对柱上开关、环网柜、变压器等关键设备，设计一二次深度融合传感器配置与布置方案，并按照结构集成化、功能模块化、接口标准化、易于检修运维等要求开展配电一二次装备深度融合设计与优化。同时，针对配电网一二次融合装备智能运维要求，开展配电网融合监测信息筛选和布点优化，提出设备智能诊断方法和区域配电网状态评估方法，最终实现一二次融合装备“一键运维”和区域配电网“一键管控”的智能分析诊断和智能辅助决策目标。

单相接地故障具有特征提取困难、工况环境复杂、高阻信号微弱等挑战、所以提高配电网单相接地判断准确率，需要从传感器的精度和单相接地的算法、抗干扰等多方面着手解决配电设备的问题。

报告首先指出目前容量电力变压器健康状态在线监测和故障诊断方面所面临的挑战，其次介绍了适用于复杂多物理场环境的高可靠多参量无源感知技术研究现状，及设备状态智能评估技术的研究进展，最后指出融合高可靠无源感知技术及智能评估技术，革新现有设备状态评价和预警体系，形成变压器“在线监测-评价预测-运维检修-故障切除”的先进智能诊断体系是未来重要研究方向。

4月1日，北京市人民政府印发《北京市“十四五”时期能源发展规划》，规划提出，建设智能电力系统。推进新一代信息技术与电力系统融合创新，提升全自愈配电网、柔性输电、精准电网末端感知等智能电网技术水平，示范建设智能微网。探索远程集控、智慧巡检、智能诊断等电力智能运维新模式。

聚焦开关设备运行状态评估、故障原因分析中的重点、难点环节，深度融合大、小模型，通过阈值判断、逻辑分析、图谱识别等方式对运行、监测、试验、检测、历史等设备全量数据进行分析诊断,给出初步结论供光明大模型进行综合研判。着力打造开关设备状态智能评估及故障智能研判场景，形成"监测-分析-预警-处置"的闭环诊断机制，提升设备异常状态识别效率和预警准确率，为电网安全运行提供实时监控保障。

电力数字化红外测温仪内置电力数字化测温软件，经专网4G直连电力内网，集成PMS台账、缺陷标准。贯通电力测温全流程、图谱自动归档、缺陷智能诊断、报告一键生成。

本项目面向配电网规划、投资计划、开工建设到生产运行全链条，从数据融合与深度挖掘、动态评价与智能诊断、差异化与标准化规划、项目优选及管控等多个层面开展关键技术研究。其中，数据融合与深度挖掘技术用于解决数据质量不能满足规划深度要求的问题；动态评价与智能诊断技术用于解决电网发展评估问题；差异化与标准化规划及其决策系统用于提升配电网规划水平；项目优选及管控技术及其决策系统主要用于提升项目管理水平，实现配网精准投入。 本项目成果将在国家电网公司经营区内全面推广，通过总部、省公司、地市公司三级应用，有效支撑110千伏及以下电网规划、用户接入等工作。项目研究成果的应用将大大提高公司的规划和项目管理水平，节约和延缓投资成本，带来巨大经济效益。电网发展评价指标体系与标准化规划设计模式，可以加强省公司配电网规划工作的质量与效率，实现更加精细的配电网规划；通过投资决策与风险监控的闭环反馈机制，构建出全链条电网投资项目管控体系，实现项目风险实时捕捉，使总部可以更有效地进行项目优选及动态全过程管控；项目研究的数据融合与深度挖掘技术，不仅可以提高配电网海量数据实时处理能力，还可以加快数据处理效率，实现复杂电网数据模型的成功化简，同时研发配电网全过程规划设计决策支持系统，通过总部、省公司、地市公司三级应用，实现配电网全过程规划和项目精益化管理。

作为掌握设备运行状态的重要手段之一一，红外检测技术不仅可以快速地诊断出设备的各类外部过热缺陷，更重要的是可以根据设备的温度分布来判断设备内部可能存在的各种缺陷。 传统的带电检测会采集大量的红外图像，仅2018年山东公司带电检测就产生红外检测图像51.5万张，随着现场移动作业和带电检测标准化作业的开展，红外图像的检测数量将进一- 步增加。这些图像利用率极低，分析存在主观性、易漏检和误检等问题，且无法形成快速的 反馈机制，丧失最佳发现和处理时机。显然，传统的人工分析模式已无法满足信息化时代对红外图像的智能化分析和诊断。 本成果响应国家和国网公司人工智能发展需求，针对电力设备非结构化红外图像数据，建立主要变电设备的红外检测图像样本库，利用图像处理和深度学习技术，研究形成基于深度学习的设备及部件自动检测模型:通过融合被测设备基础台账及检测时刻气象、负载等多业务系统数据，形成基于大数据分析的红外检测图像智能化诊断算法，实现红外电流致热及电压致热型缺陷的自动识别诊断。