王 娜，傅國剛

（1.山東怡力電業(yè)有限公司，山東龍口 265718；2.南山鋁業(yè)股份有限公司，山東龍口 265713）

人工智能是通過研究人類的生活規(guī)律利用技術(shù)手段模擬人類的智能行為。人工智能具有綜合性較強(qiáng)，交叉性較多的學(xué)科特點(diǎn)，與心理學(xué)、政治學(xué)、社會學(xué)等都有著交叉關(guān)系。我國目前利用人工智能技術(shù)應(yīng)用的領(lǐng)域在不斷擴(kuò)大，從計(jì)算機(jī)、社會學(xué)、智能機(jī)器人、神經(jīng)網(wǎng)絡(luò)等領(lǐng)域都有所涉獵。最初人工智能技術(shù)是從20世紀(jì)40年代開始研發(fā)，主要應(yīng)用在神經(jīng)網(wǎng)絡(luò)、模糊邏輯中，近些年隨著人工智能的深入研發(fā)，技術(shù)已經(jīng)在突飛猛進(jìn)地增長，得到全球的廣泛重視，人工智能發(fā)展歷程如下圖1所示，在我國多領(lǐng)域中也開始引入人工智能技術(shù)，尤其針對現(xiàn)階段需要量越來越大的電力行業(yè)，人工智能技術(shù)開始融入電力工程數(shù)據(jù)處理的研究當(dāng)中。

圖1 人工智能的發(fā)展歷程

1 電力工程數(shù)據(jù)處理中存在的問題與不足

最近幾年隨著分布式電源、儲能設(shè)施等具有特性終端的設(shè)備大量的融入，讓電力系統(tǒng)變得非常復(fù)雜與不穩(wěn)定性。而傳統(tǒng)的人工智能技術(shù)在電力系統(tǒng)中的應(yīng)用普遍又呈現(xiàn)了數(shù)據(jù)薄弱、數(shù)據(jù)不穩(wěn)定、數(shù)據(jù)質(zhì)量低、計(jì)算能力不足等缺點(diǎn)，這些都是現(xiàn)階段人工智能技術(shù)在電力工程數(shù)據(jù)處理中存在的問題。

1.1 基礎(chǔ)數(shù)據(jù)較為薄弱

現(xiàn)階段，隨著各行各業(yè)對電力系統(tǒng)數(shù)據(jù)的不斷增多，造成數(shù)據(jù)系統(tǒng)內(nèi)部比較復(fù)雜。而在人工智能技術(shù)的應(yīng)用上又往往沒有單一性的場景數(shù)據(jù)處理系統(tǒng)，基礎(chǔ)數(shù)據(jù)處理比較薄弱。

1.2 數(shù)據(jù)質(zhì)量較低

數(shù)據(jù)整體質(zhì)量是人工智能能否成功應(yīng)用的決定性環(huán)節(jié)，但是在現(xiàn)階段，從設(shè)備調(diào)試、設(shè)備運(yùn)行等在數(shù)據(jù)的保存形式都有所不同，造成數(shù)據(jù)整條質(zhì)量有較大差異，常常會發(fā)生數(shù)據(jù)重復(fù)或者缺失遺漏的問題，對電力工程系統(tǒng)數(shù)據(jù)運(yùn)算的準(zhǔn)確性造成影響。

1.3 異常樣本匱乏

加高性能的樣本訓(xùn)練模型對數(shù)量有著嚴(yán)苛要求，但在實(shí)際應(yīng)用中，由于大多數(shù)電力故障是因概率產(chǎn)生，相關(guān)案例信息的錄入不全面，在電力系統(tǒng)運(yùn)行出現(xiàn)問題時(shí)，樣本數(shù)量就顯得較少，導(dǎo)致非均衡數(shù)據(jù)采集，約束了人工智能機(jī)器的效果。

1.4 數(shù)據(jù)算法較弱

最近幾年隨著人工智能學(xué)習(xí)的強(qiáng)化，在電力工程系統(tǒng)規(guī)劃和安全控制上得到了廣泛應(yīng)用。但是在對人工智能的調(diào)度和電力交易、故障等較為復(fù)雜的場景計(jì)算上，人工智能的計(jì)算能力還比較薄弱，無法對計(jì)算做疊加處理，計(jì)算方法的適應(yīng)性較弱，導(dǎo)致建模和計(jì)算需要耗費(fèi)大量的時(shí)間。

2 挖掘數(shù)據(jù)算法

人工智能技術(shù)在電力工程運(yùn)行過程中挖掘的數(shù)據(jù)方法主要指的是從大量數(shù)據(jù)工程的收集中提取有價(jià)值的信息，由于該算法作用的對象是實(shí)際記錄中真實(shí)的數(shù)據(jù)信息，導(dǎo)致數(shù)據(jù)算法面對的是數(shù)據(jù)量大、數(shù)據(jù)噪聲多、提取困難等問題。一般情況下，為實(shí)現(xiàn)有用信息的提取，完整的數(shù)據(jù)挖掘過程包括選取抽樣、數(shù)據(jù)處理、預(yù)處理數(shù)據(jù)、數(shù)據(jù)轉(zhuǎn)換、挖掘模型、數(shù)據(jù)評估等步驟，具體如圖2所示：

圖2 數(shù)據(jù)挖掘技術(shù)過程

在實(shí)際電力工程應(yīng)用中，為解決6個步驟中的數(shù)據(jù)處理和數(shù)據(jù)信息提取工作，一般采用的數(shù)據(jù)挖掘算法為決策樹方法、神經(jīng)網(wǎng)絡(luò)法、遺傳算法、模糊邏輯法等。而模糊邏輯法是結(jié)合神經(jīng)網(wǎng)絡(luò)算法的優(yōu)勢和模糊系統(tǒng)的邏輯容錯力。這在電力工程數(shù)據(jù)處理上有著重要的作用，對電力工程的造價(jià)預(yù)算也有較高依據(jù)。在實(shí)際運(yùn)行中由于情況比較復(fù)雜，要想用模糊神經(jīng)網(wǎng)絡(luò)算法，就要利用聚類，將數(shù)據(jù)整體空間分成幾個模糊數(shù)據(jù)參數(shù)，在通過訓(xùn)練獲得隸屬度函數(shù)，才能得到輸出數(shù)據(jù)。如圖3所示：

圖3 模糊神經(jīng)網(wǎng)絡(luò)模型示意圖

圖中從N 一直到NR 代表的都是不同的數(shù)據(jù)參數(shù)，而N 代表的主要功能就是完成每一個網(wǎng)絡(luò)中子網(wǎng)絡(luò)的隸屬度參數(shù)的識別，這其中的網(wǎng)絡(luò)都分別代表不同的模糊規(guī)則。

3 電力工程數(shù)據(jù)預(yù)處理

在對電力工程數(shù)據(jù)分析是首先要對大量的數(shù)據(jù)做有效性選取，盡可能在原有數(shù)據(jù)上保證數(shù)據(jù)信息的完整性，并在大量選取的數(shù)據(jù)中找到有效性的數(shù)據(jù)集合。一般情況下，電力工程數(shù)據(jù)采用的是數(shù)值形式做存儲，因此采用貝葉斯分類器作為函數(shù)進(jìn)行評價(jià)。貝葉斯分類器的方法主要是通過數(shù)學(xué)統(tǒng)計(jì)學(xué)的理論對海量的數(shù)據(jù)做分析。

假設(shè)數(shù)據(jù)集是S，樣本屬性采用X1、X2，……Xn 表示，而C1、C2、……Cn 代表現(xiàn)有數(shù)據(jù)種類，新樣板數(shù)據(jù)在屬于其中一類Cj 的概率如下面公式表示：

高斯密度函數(shù)用g 表示數(shù)據(jù)分布概率，均值0，方差1。例如，有100個數(shù)據(jù)節(jié)點(diǎn)需要評估，會最終獲得電力工程輸入和輸出數(shù)據(jù)的數(shù)據(jù)集。

4 數(shù)據(jù)模型建立

從上面的函數(shù)公式對電力工程的數(shù)據(jù)分析可以看出，工程數(shù)據(jù)是具有多樣性的特點(diǎn)，電力工程數(shù)據(jù)的輸出輸入都是多元化。因此，數(shù)據(jù)在分析中處于非線性映射，在人工智能技術(shù)應(yīng)用在電力工程的算法上就可以將模糊神經(jīng)網(wǎng)絡(luò)算法看成核心電力工程數(shù)據(jù)算法，就可以實(shí)現(xiàn)建立電工工程造價(jià)估計(jì)模型。在模糊神經(jīng)網(wǎng)絡(luò)算法與常規(guī)的神經(jīng)算法對數(shù)據(jù)處理結(jié)合中可以通過模糊系統(tǒng)的推理能力，獲得數(shù)據(jù)的獲取規(guī)則，這樣可以實(shí)現(xiàn)較大的網(wǎng)絡(luò)容錯力，處理復(fù)雜的非線性數(shù)據(jù)有著獨(dú)特的優(yōu)勢存在。

5 模型仿真建立

在電力工程數(shù)據(jù)的處理中，原始數(shù)據(jù)需要預(yù)處理達(dá)到200條歷史數(shù)據(jù)，含有5個屬性的輸入數(shù)據(jù)包，4個屬性的輸出數(shù)據(jù)包。在對數(shù)據(jù)分類后利用模糊神經(jīng)網(wǎng)絡(luò)的隸屬度函數(shù)調(diào)整，在計(jì)算上會將樣本分成4個部分，而所有的樣本要按照訓(xùn)練集、測試集、驗(yàn)證集分成3個部分。具體模糊神經(jīng)網(wǎng)絡(luò)算法數(shù)據(jù)集屬性見表1。

表1 電力工程輸入和輸出數(shù)據(jù)屬性集

在上述兩表中結(jié)果和實(shí)際網(wǎng)絡(luò)輸出的結(jié)果得出的線性關(guān)系見表2、表3。

表2 電力工程數(shù)據(jù)聚類結(jié)果

表3 網(wǎng)絡(luò)線性回歸分析結(jié)果

通過這個結(jié)果的運(yùn)算再采用模糊神經(jīng)網(wǎng)絡(luò)算法就可以對電力工程的數(shù)據(jù)做分析和處理功能，模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了在一定程度上得到數(shù)據(jù)的規(guī)則，提高了電力工程造價(jià)預(yù)測水平。

6 人工智能技術(shù)在電力工程數(shù)據(jù)處理的發(fā)展趨勢

6.1 類人機(jī)器人研發(fā)與應(yīng)用

通常傳統(tǒng)使用的電力工程領(lǐng)域上的電力機(jī)器人都是按照設(shè)定好的程序與路徑達(dá)到巡檢的任務(wù)，并不具備有智能思維。而人工智能的應(yīng)用有效地將智能傳感、數(shù)據(jù)分析、語言處理編程等技術(shù)融入電力工程設(shè)計(jì)上，開發(fā)了具有類人行為的新型機(jī)器人，類人機(jī)器人突破了傳統(tǒng)機(jī)器人機(jī)械性的操作行為，大規(guī)模替代了人員檢修工程，為電力工程較少人力資源投入做出了貢獻(xiàn)。

6.2 新型監(jiān)測技術(shù)的研發(fā)與應(yīng)用

在電力工程數(shù)據(jù)處理上大量應(yīng)用人工智能技術(shù)主要目的是實(shí)現(xiàn)多源化信息的綜合利用。因此，利用研發(fā)分布式光纖傳感和電力設(shè)備內(nèi)置的機(jī)器人的新型監(jiān)測技術(shù)，可以有效提高電力工程設(shè)備狀態(tài)的評估和指標(biāo)，實(shí)現(xiàn)實(shí)時(shí)動態(tài)全景模式的監(jiān)測，促進(jìn)人工智能技術(shù)在電力工程數(shù)據(jù)處理中使用的效果提升。

7 結(jié)束語

近些年，隨著人工智能技術(shù)廣泛應(yīng)用在于電力行業(yè)系統(tǒng)中，極大為電力工程數(shù)據(jù)分析做出了貢獻(xiàn)，讓電力工程數(shù)據(jù)處理更加穩(wěn)定。隨著高級機(jī)器學(xué)習(xí)理論、大數(shù)據(jù)、邊緣計(jì)算等技術(shù)的深入研究，新型人工智能技術(shù)在電力工程數(shù)據(jù)中的應(yīng)用價(jià)值越來越高，數(shù)據(jù)精準(zhǔn)度在不斷完善，這讓人工智能技術(shù)在電力工程數(shù)據(jù)處理上的能力有著突飛猛進(jìn)的增長，提高了電力系統(tǒng)在運(yùn)行中的安全性和穩(wěn)定性。