电力电子应用现状研究方向电力电子技术的主要应用领域|上海羊羽卓进出口贸易有限公司

电力电子技术的主要应用领域

电源设计中的电力电子技术

现代计算机和通信等都依赖于开关模式变换器的直流电源，这些电源装置可以是笔记本电脑的电池管理变换器，也可以是服务器簇的冗余供电的多变换器电源，或是程控交换机的电源。它们具有多路独立输出、多电压等级的特点，以供给计算机及其外设和显示屏之需。这种小功率电源系统的设计也处处渗透着电力电子技术的最新成就。

分布式供电技术。给计算机系统供电的分布式结构电源.包括个离线式有源功率因数校正（PFC）电路和后级的不同负载点的多个DC/DC.变换器。这种结构因使用中间电压级来进行功率分N而不同干传统的隆压功率变换结构。近期会采用12V的电压总线或 48V 的电压总线，通过各 DC/DC. 变换器把能量传递到各独立的功能板或子系统中。

高动态响应、低电压（2 V以下，甚至1V以下）输出的高性能计算机电源系统正在开发之中。这就需要高功率密度、低功耗、高效率的性能指标，以及同步整流、多相多重、板上功率变换以及板级互联等新技术。到 2004年初，国外实验室已开发出70 A/1.2V、效率87%的局性能电源。在不久的将来，一种更先进的芯片级的互联技术和功率变换技术将会出现在世人面前。

通信工业是供电电源和电池的最大用户之一，使用范围从无绳电话的小电源到超高可靠性的后备电源系统。例如，维持中央办公区电话网络通信的典型电源系统是一个5kW的功率变换器，它由一个前端离线功率因数矫正（PFC）升压变换器和两个2.5kW 的前向变换器组成。前端离线 PFC升压变换器确保电源系统的可靠供电.后端的前向变换器给电话系统直流48V的配电总线提供大电流输出。该领域甚至有其自己主要的年会——国际通信能源会议（INternational TELecommunication Energy Conference，INTELEC）。

太空中电能的产生和储存都很困难，电源在设计上的限制，诸如重量、效率和可靠性等的严格要求，可以说把对电力电子技术研究的努力推向了极致。

太阳能申池、料申池、执申核能，申池组和飞轮，是卫屋和太空探测器的主要电源和储能装置。在绝大多数情况下，因这些电源功率小日电特性不稳定，因此必须应用电力电子技术把这些能源转换成可用的形式，才能满足使用的要求。

现代太空电源系统非常庞大。例如，一个典型的通信卫星就装备有数百个独立直流电源，为每个网络节点提供最可靠的电能;国际太空站上，用以维持科学探索任务和生命支持系统的冗余电源和馈电设备异常复杂。在太空上。因为所有电能损耗的热量都通过辐射冷却的形式散发到太空中，这些电源系统在高温差和强辐射的环境下要确保其可靠性，其挑战性是巨大的.所以电源系统的热管理尤其重要。当今许多基本的由力由子变换由路最初都是为太空系统设计的，如早期的DC/DC变换器和燃料电池，就是为20 世纪 60年代的太空计划而开发的.其中包括阿波罗登月计划。当今.美国航空航天局.欧洲的大空署，以及它们的主要技术供货商，都是先进电力电子技术的国际巨头。

电机传动中的电力电子技术

在 20世纪 90年代中期以前，大多数调速系统都由采用晶闸管和双向晶闸管器件的变换器供电，最典型的是晶闸管-直流电机调速系统。20世纪 70年代功率晶体管问世后，在功率等级较低的电机中逐步采用了功率晶体管变换器.以获得较好的申电机调速性能。20世纪 90年代中期以来，大功率IGBT的应用，以及 IGBT逆变技术的成熟和发展，迅速在相关功率等级的应用领域取代了晶闸管和双向晶闸管。早期的逆变器，主要用于步进电机.打印机，机器人以及磁盘驱动器等小功率应用中。在大中功率段常用的交一直一交逆亦器有两类。

IGRT变频器和GTO变额器。这些逆变器开始主要用于20~100kW等级的由机传动系统中。如电动汽车电机传动系统、电力机车的辅助传动系统。随着器件容量和装置功率的增加，逐步应用于容量为300~1 000 kW 及其以上的电机传动中，如地铁列车和高速电动车组的牵引传动系统中。由于装置功率大，低压时电流很大不经济，所以一般用中压（1~10kV）。这两种器件各有优缺山.IGBT开关频率高.但导通压隆和损耗大;GTO电压高，电流大，导通压降小.但开关损耗大、开关频率低。

但考虑到驱动等因素，总体上IGBT要受欢迎得多。针对IGBT和 GTO的优缺点，取长补短，开发出了IGCT（集成门极换向晶闸管），它的电压、电流、导通压降和 GTO相近，门极电压驱动，开关快、频率高，像IGBT。目前，商品化的IGBT逆变器已经做到1 000 kW以上，而像舰船潜艇一类的数千千瓦等更高容量的电机传动系统逆变器仍然须采用GTO 或 IGCT。IGCT逆变器在俄国和韩国已有应用，我国也已试验成功。三相逆变器在大功率电机中的真正实用化，极大地推动了交流电机调速的发展。

电力系统中的电力电子技术

电力系统是电力电子技术应用的一个重要领域。近年来电力电子器件和计算机技术的快速发展，使已有的研究成果和技术不断得到改善。最早成功应用于电力系统的大功率电力电子技术是高压自流输电（HVDC））。

1986年美国电力科学研穿院提出了灵活交流输由（FACTS）概念，相继出现了统一潮流控制器等多种设备。

1988年提出了定制电力（Customer Power）的概念。电力电子技术在电力系统中的应用，如在发电环节中的应用，包括大型发电机的静止励磁控制，水力、风力发申机的变速恒频励磁等。在输电环节中高压直流输电（HVDC）和轻型高压直流输电（HVDC Light）技术。近年来，轻型直流输电采用IGBT组成换流器应用在脉宽调制技术进行无源逆变;灵活交流输电（FACTS）技术是"一项基于电力电子技术与现代控制技术对交流输电系统的阻抗、电压及相位实施灵活、快速调节的输电技术"。

在配电系统中的应用，如动态无功发生器、电力有源滤波器等，以加强供电可靠性和提高电能质量。电能质量控制既要满足对电压形率，谐波和不对称度的要求。又要抑制各种瞬态的波动和十扰。电力电子技术和现代控制技术在配申系统中的应用.是在FACT各项成敦技术的基础上发展起来的电能质量控制新技术。

汽车工业中的电力电子技术

汽车工业领域已成为电力电子技术的主要增长占之—。现在人们习惯上说的治车由子实际上就是汽车工业中的电力电子技术。电力电子在新一代汽车上主要应用于以下方面;用电力电子开关器件替代传统的机械开关和继电器;用电力电子控制系统对车上负载进行精密控制∶利用电力电子技术改造原有的12V电源系统，使之成为多电压系统;使用适合电力申千控制的、更先进的驱动申动机。预计在不久的将来.从小功率的车窗座椅控制。到大功率电传动系统，都蕴涵着电力电子技术的最新成就。

电子点火器，电压调节器，电动机驱动控制和音响系统是当前电力电子技术在汽车工业中最普遍的应用。现代汽车采用电子点火系统，要点燃气缸里的混合气体需要几千伏的电压，应用升压变换器和耦合变压器正在取代传统的火花塞。全电子控制的电助力驾驶系统正在某些车型上采用、这种系统应用电力电子技术控制电机，协助转动驾驶杆，改进了驾驶响应速度，降低了能耗，并消除了皮带传动的噪声，正在取代传统的皮带传动的液压泵。

电制冷空调系统也开始在汽车上装备。汽车头灯的强光灯和尾灯的高亮度LED灯也需要电力电子技术以有效的形式传递电能。一个重大的技术进步是要提高汽车电控系统的电压等级，近期将采用40-50 V等级取代目前的 10~15V等级。比如，汽车音响系统立体声功率放大器通常能传递 40W甚至更大的功率，但12V的供电电源在8 Q的扬声器上最大只能产生18 W的输出，采用电力电子升压变换器可给功率放大器电路提供更高的电压，使之达到家用音响的效果。

在电动汽车和混合动力汽车的主电气系统中.电力申子都起着决定件的作用。纯电动汽车具有高性能、零排放，低成本的优点.但目前仍受电池的阳限制。混合动力汽车采用各种各样的设计方案，把发动机和电驱动系统结合在一起，充分发挥各自的优点。两种汽车的能量控制单元都是逆变器和 DC/DC. 变换器，其容量在千瓦级以上。

采用更高电压、传递更大电流的新型充电器已经诞生。比如一种称为 Hughes 的感应充电器就很有新意。它使用一种类似乒乓球拍的不导电磁性拍板进行感应充电。该磁性拍板相当于变压器的一次侧，它把工频电压转变为80 kHz 的交流电。电动汽车中的充电埠相当于变压器的二次侧，它把高频交流电进行整流和调节.然后对汽车里的电池组进行充电电力电子技术更是电动汽车的核心技术之一，最为主要的是驱动电动机的电传动系统。汽车电传动系统通常由电力电子变换器、电池和控制系统构成。目前新型的电动汽车采用感应电动机，无刷永磁电动机开关磁阳电动机等多种形式.容量从几十到几百干瓦不等，正在逐步取代传统的直流电动机驱动。电力电子变换技术的发展为汽车的新型传动方式提供了坚实的技术保障。

绿色照明中的电力电子技术

照明是人类文明的永恒需求。电光源在 100多年里经历了"白炽灯一直管荧光灯—高压放电灯—节能荧光灯—无灯丝灯"等几代产品。

20世纪 80年代，随着电力电子变频技术的发展成熟，高频应用又促成某些更新一代电光源的诞生，从此，电力电子在绿色照明中开始占有重要的一席之地。可以说，照明技术的迅速变革，是电力电子技术在其中起了主要作用。

一个典型的例子是，紧凑型节能灯和电子镇流器的问世，吹响了以照明节能为核心的绿色照明的前奏曲。采用不同成分的稀土荧光粉可制成各种色温的气体放电节能灯，发光率比常规荧光灯提高一一倍，可以做成各种形状便干紧率安装，替代白炽灯T。可节电75%~80%采用电力电子技术做成的电子镇流器实际上是一个电子变频器（从50 Hz变换到30 kHz以上）加一个高频电感镇流器。

由于频率提高，di/dt 高，不再需要配置起辉器，在供电电压降低或环境温度较低的场合也能使灯管正常工作，此外，在几十千赫频率下消除了气体放电灯的烁和音颗噪声。采用申子镇流器后，高频电感比工频电感重量减轻几十倍，节省材料 80%左右，灯管的实际工作寿命延长3~5倍.同时能提供更好的可靠性、更低的损耗、更高的亮度。由于电子镇流器体积小、反应快，它可以在照相机闪光灯和汽车灯等应用领域中使用。应该说，电子镇流器是电力电子高频化应用中的一个典型产品，许多的电力电子新技术——功率因数校正、谐波抑制、零电压开关、多种保护等都可以在高性能电子镇流器中得到应用而提高其可靠性和改善运行参数。

新能源开发中的电力电子技术

在全球气候变化和世界石油、煤炭等化石能源日益紧缺的今天，低耗高效和寻找开发新能源是根本出路，因而，可再生能源以及燃料电池受到世界各国的高度重视。再生能源是指可自行再生的能源，如日光能、风能、潮汐能、地热能以及生物废料能等。从燃料电池、微燃气轮机.风能，太阳能和潮汐能等新能源中得到的一次电能，难以直接被标准的电气负载使用.所以.将其高数而经济地转换为民生用电。已成为先进科技国家兼环保和发电的重要产业政策。电力电子是解决能源问题的关键技术，它对新能源的开发、转换、输送、储存和利用等各方面发挥着重要作用。

太阳能发电站一般有两种方式。一种方式是把太阳能转换为热液体后再发电，如太阳能热电厂。由液体加热系统产生蒸汽以推动涡轮或发电机热厂中的热能位储存装置可保证连续发电;另一种方法是直接把太阳能转换为电能，太阳能光伏变频器把太阳能电池板获得的原始低电压直流电变换为所需要的交流电，或直接供负载使用，或将电能馈入市电。光伏发电有广大的市场发展潜力，先进国家不仅政策性地发展太阳能技术，而且立法制定法规来规范产业安全标准。太阳能电池板获得的电压大小和功率与许多因素有关，如太阳照射角度、云层遮挡水平、季节气候变化等，所以要对光伏发电的中间直流电压进行可调的升压变换处理。

随着再生能源技术的发展，"分布式发电系统"将得到事大的发展空间。所谓分布式发电系统是指∶借由诸如风力发电、太阳能发电.天然气发电等区域性发电系统连接而成的公共发电系统。微电子技术、电力电子技术应用于电力网络与输配电系统，形成一个智能型分布式再生能源网络。讲一步的发展是再生能源网络与信息网络结合形成个整合信自和电力网络的未来生活环境，实现电能的网络化。

深度学习在电力信息化领域的研究现状及展望

随着深度神经网络的推广，以深度学习技术为代表的人工智能技术在各行各业得到了前所未有的发展，近期国家发改委发布了新一代人工智能发展规划，国家电网公司更发布了关于新一代人工智能技术在电力行业的发展应用。为推动电网的生产方式变革，提升大电网生产运行水平，促进国家电网公司瘦身健体、提质增效，提升业务创新能力，需要开展以深度学习为代表的电力人工智能基础共性技术、模型优化训练方案以及现有研究成果对电网巡检、用电客服以及安全监控等重要领域服务技术的研究，全方位推动以深度学习为代表的新一代人工智能技术在电网的应用普及。

冀北电力公司信息通信专业作为承担冬奥赛区电力供应的重要支撑部分，全力推动建设全业务泛在电力物联网“一网”，打造全景全息智慧智慧平台“一平台”，以张家口“”为契机，大力推进以全业务数据中心为基础，以深度学习技术为代表的人工智能技术的“二次水平化”，支撑全景全息智慧。同时基于国网云打造数据平台，深化深度学习、机器学习技术，多数据源综合分析，支撑全业务云上运行。

1 深度学习的概念

1.1 深度学习的背景

从被认定为全球人工智能研究起点的1956年达特茅斯学术会议到2017年期间，国外以Facebook、Google、Microsoft、斯坦福等公司和学校为代表进行了深度学习在图像、语音以及文本等方面的应用，以CNN和RNN为两大方向的深度神经网络在图像识别、语音识别、机器翻译等方向取得了很大的成功。国内百度、科大讯飞、Face++、南京大学等企业和公司分别在无人驾驶、语音识别、深度神经网络压缩以及级联学习等方面取得了显著成绩，比如ShuffleNet很大程度上推动了深度神经网络在移动端的应用；周志华教授提出的gcForest模型以传统决策树为基础，结合级联学习将传统模型拟合能力提上了新的高度。在过去的十余年中计算机视觉以及自然语言处理领域都得到了很大的成功，甚至在某些应用上已经超过人类，比如人脸识别、围棋等。

1.2 深度学习的原理分析

通过对人脑皮层处理信息的方式进行抽象、归纳和仿真，提出了神经网络（Neural Network）的概念。没有经过处理的信息(声音、图像以及文本信息)被输入到输出层的“输入单元”，输出层的“输出节点”到输入的信息被映射。映射算法是基于用户自定义的，例如，输入图像中有CAT，输入音频材料中有“hello”。深度学习是通过多层级神经网络提取并且表示信息数据，实现监控、分类等复杂任务的算法体系。深度学习算法中深度神经网络作为核心部分，在输入层和输出层之间包含了多个隐藏层，使得深度学习算法可以完成许多复杂的数据分类工作。

1.3 深度学习的实现过程

深度学习算法需要通过大量的数据进行训练，这一点类似机器学习算法，例如，比如想非常准确地识别素材中的“CAT”，那么需要使用成千上万的图片来训练并识别它。训练采用的数据越多，算法模型的精度就越高。包括国内BAT等很多大公司不惜一切代价争夺第一手用户数据，甚至争先提供免费的服务以换取用户使用数据。可以说测试数据越多，可以采用的深度学习算法算法就越多，那么为用户提供的服务就越高效，也就能越来越吸引用户使用它的服务，这就形成了慢慢良性的竞争循环，使得在人工智能的赛道上取得领先地位。

2 深度学习的主要网络模型

2.1 自动编码器

自动编码器（Auto Encoder）最开始作为一种数据的压缩方法，其特点有:（1）跟数据相关程度很高，这意味着自动编码器只能压缩与训练数据相似的数据，这个其实比较显然，因为使用神经网络提取的特征一般是高度相关于原始的训练集，使用人脸训练出来的自动编码器在压缩自然界动物的图片时表现就会比较差，因为它只学习到了人脸的特征，而没有能够学习到自然界图片的特征；（2）压缩后数据是有损的，这是因为在降维的过程中不可避免地要丢失掉信息。

自动编码器可以学习输入原始数据的隐式特征，即编码（Coding），学习到新的特征可以用来重新形成原始输入数据，即解码（Decoding），如图1所示。从非常直观的角度来看，自动编码器（AutoEncoder）可以实现特征的缩减，有点类似于主成分分析（PCA），但却远强于PCA的性能。这是因为神经网络（Neural Network）可以自动提取非常有效的新能力。自动编码器（AutoEncoder）作为一种无监督的深度学习模型，也可以用来产生不同的训练样本的新数据，因此自动编码器是一种生成算法模型。

2.2 卷积神经网络

卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。CNN中主要有两种类型的网络层，分别是卷积层和池化/采用层（Pooling）。卷积层的作用是提取图像的各种特征；池化层的作用是对原始特征信号进行抽象，从而大大减少训练参数，另外还可以减轻模型过拟合的程度。CNN之所以流行，这将归功于算法的特殊网络设计，CNN是由卷基层及次采样层交叉堆叠而成的。当前向计算开始时，输入数据经常利用多个卷积核开展卷积方式计算，从而形成多个不同的特征图，特征图的维度属性对比输入的维度属性已经有所下降，再通过次采样层进行纬度降低，经过多次的卷积计算降低纬度后，再通过全连接层，从而到达输出网络的目的。

CNN的结构基本分为两层。第一层是提取特征层。所有神经元的输入数据与连接的前一层的宿主数据接受域连接，目的用于提取局部特征。特征映射常常利用影响函数结果的验证函数作为CNN的激活函数，激活函数（Activation functions）对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。其主要目的是将ANN模型中一个节点的输入信号转换成一个输出信号，使得其具有位移和不变形的特性。此外，由于映射表面上神经元的共享机理，参数的数量在网络自由选择中逐渐减少。在CNN中都有一个计算层在每个体基后面，用于局部平均和二次特征提取，这是由于其独特的二阶特征提取结构导致了降低特征分辨率的优势。

2.3 循环神经网络

循环神经网络（recurrent neural network，简称RNN）背后的思想就是使用序列信息。在传统的神经网络中，我们认为所有的输入（和输出）彼此之间是互相独立的。循环神经网络之所以称之为循环，就是因为它们对于所有序列中所有元素都执行完全相同的任务，输出的结果依赖于输入的计算结果。另一种思考循环神经网络的方法是，RNN存在记忆，记忆可以捕获迄今为止所有已经计算过的信息。与CNN不同，RNN主要在序列方面存在优势。RNN与传统的神经网络模型有区别，RNN的每层隐藏层神经元之间都存在着相互连接的关系。该结构的具体表现为神经网络会对前面的输入信息进行记忆并应用于当前的输出信息，因此特别适合于计算数据序列类型的数据，此外，采用RNN和CNN相结合使用，非常适合处理样本数据之间的相关性问题。

典型的RNN结构如图2所示，对于RNN来说，是一个非常重要的理念，每次RNN的输入结合模型的当前状态给出一个输出，从图中可以看出这个规则，图片左边是RNN的神经元，右边是按时间轴展开后的情况。两条消息分别输入输出两条消息，每条消息处理隐藏状态，这是一个非常有效的表示方法，用于延长同一神经元的时间，对比CNN来说可以保存更多的参数。

3 深度学习在电力信息化的研究现状

虽然深度学习已经在图像识别以及自然语言处理等方面取得重大突破，但在电力系统中信息化技术的研究与应用还比较少，近年来，国家电网公司对人工智能技术在输变电线路巡检图像故障识别和自然语言处理等领域进行了深入的研究，现阶段在输电线路图像物体识别、定位以及图像主题识别等方面取得了很好的成绩，比如输电线路鸟巢识别准确度≥95%，电网客服领域应用人工智能技术在语音导航、少数民族语言分析、语音识别以及智能化工单质检等方面取得很大成果，项目成果能够快速进行客服中心工单质检，并很大程度上改善了客服导拨系统等。

3.1 直升机、无人机输电线路巡检视觉分析

目前，国家电网公司共有华北、东北、华东、华中、西北、华南地区6个区域电网，截至2016年年底，国家电网公司35 kV及以上输电线路回路长度达175.6万公里，其中，220 kV及以上输电线路长度64.5万公里。根据相关数据显示，我国电力行业作为一个整体一年投资约1 000亿元人民币，费用包括硬件设施是73%，传输设备在国家电网建设的比重是越来越大，比例的扩大电网巡逻的工作也越来越多，100公里的巡逻工作需要巡逻人员20个工作日完成，且巡线人员担负着巨大的人身安全风险，因此直升机、无人机巡线方式越来越受到电网公司的重视。

输电线路巡检普遍存在：图像视频背景复杂性、多干扰因素(光照、遮挡、尺度及旋转等)、相对运动随机性及相似目标难判别，缺陷难表达，和深度模型泛化能力弱等难点问题。通过采集设备的相关特征量作为训练集合，得出最终的判断模型用于检测，智能算法包括支持向量机、BP神经网络等神经网络算法，而深度学习可以利用电力信息通信设备中大量无标签的数据，对深度神经网络进行初始化权值，得到更好的数据支持。

3.2 变电站视频监控视觉分析

虽然电网公司变电站内自动化遥测系统具有在线监测报警功能，但主要集中在自动化传感器的报警数据分析上。视频检测主要是辅助装置。随着监测点的增多，传统的视频监控暴露出诸多不足：过度依赖对异常的人工检测和对异常视频数据的自动判断。智能视频监控技术可以克服上述缺点。它是一种自动视频分析技术在现有的数字视频监控系统中的应用。通过对高清摄像机拍摄到的摄像机图像序列进行自动分析，无需人工检测，能够实现自动定位、识别和跟踪动态场景中的目标。基于此分析，变电站视频监控视觉分析系统给出可疑行为或异常的实时警告。

现有的国家电网公司变电站监控图像计算机识别方法都是采用“对监控图像进行预处理—人为设计提取特征—提前计算人工特征—采用深度学习模型”的方法，从而利用卷积神经网络（CNN）等算法对变电站视频监控画面进行识别，提高变电站监控图像中异常状况智能识别的准确率和鲁棒性。

3.3 信息通信机房视频监控视觉分析

电力系统信息通信运维作为电网企业的核心业务之一，对保障电网信息通信设备的安全与健康，支持智能电网的安全运行起着异常重要的作用。电网企业关于“智能化运维（AIOps）”的需求越来越强烈，需要利用人工智能技术（AI）实现电力信息通信设备运维的数字化和智能化。作为电力信息通信运维的重要内容之一，信息通信机房基础设施运维为电力营销、调度、运行、检修等重要业务提供了基础的信息通信保障。

对信息通信机房设备的监控可以归结为目标检测问题，而目标检测是计算机视觉领域里面一个非常重要的研究方法。目标检测的任务主要用于：针对视频或者截取画面，分析出某一个特定物体在图片中的具体方位；可以将目标检测分解为物体定位和物体识别问题。卷积神经网络是深度学习里面场景的数据网络模型，它由很多层隐层组成，每一个隐层提取不同深层次的特征数据在训练数据中，最后全连接层连接起来隐层的特征和表示图像类别信息。卷积神经网络（CNN）具有局部感受野，池化采样和权值共享等特点，利用这种技术可以有效减少神经网络的复杂程度，降低神经网络训练复杂程度和测试时间。通过采用深度学习算法可以使得目标检测的误检率大大降低。

3.4 电力资产管理和智能化运维

电力行业是资产密集型产业，资产总量庞大、分布广泛，传统方法无法有效管理，将难以支撑电网的运行和发展；电网网络庞杂、设备点多面广、运行特征各异，传统的运维检修方法难以对设备状态进行精准评价和针对性地投资、改造和运维。

通过基于深度学习算法的人工智能技术，可以实现对电力设备状态数据、环境数据、历史数据的深度挖掘，实现电力设备的健康状态综合评价与诊断；给出针对性的运维方案和投资建议，实现故障处理方案的辅助决策，将事后处理变事前预防；利用智能化的手段进行资产运维，对电力资产进行状态实时感知、监控和自动处理，提高工作效率；提高偶发事件预测和辨识水平，包括故障和地址、自然灾害等；实现电力资产的全面监测、实时在线、科学管理和智能运维。

3.5 营业厅智能机器人

针对当前电力营业厅内服务人员专业人员逐步减少、人员知识结构要求高、高端服务人员运行管理成本较高等现实问题，通过采用智能机器人、随机学习、深度学习、图像视频辩识等人工智能技术，构建营业厅智能机器人应用系统。实现系统与用户对话交互式业务办理，结合用电申请/业扩图文资料、视频感知及方案辅助核查技术，完成客户用电业务咨询和业扩报装的自助办理、供电方案辅助审核，实现营业厅服务的智能化、无人化或少人化，将极大提高电力营业厅工作效率和服务水平，展现国网公司一流企业的形象定位。

应用深度学习、数据智能分析技术，实现营业厅业扩报装资料的自动输入、申请材料和供电方案辅助核查提高业扩报装供电方案核查质量，减少企业员工劳动强度。

4 深度学习在电力信息化的展望

4.1 深度学习在异构集群上的计算和优化

深度学习任务在异构集群上的计算和优化技术，在模型训练方面，提高资源利用率，优化任务调度方案和资源配置管理；在任务推理方面，构建深度神经网络模型处理框架，设计网络模型在异构平台和嵌入式终端上的移植方法，从而实现低功耗并且高效率的推理方案。

4.2 人工智能深度学习平台研究

研究人工智能平台深度学习技术解决具体实际业务问题，根据数据全量样本和自学习机制，更好发现知识找出数据潜在规律，发挥数据最大价值，改变传统基于人的经验判断和专家规则方式研判模式，在提供实效性前提，提高预测和分析能力。如：基于自然语言处理的舆情风险管控监测，通过人工智能的语义分析，改变基于传统正则表达式的数据内容爬取，降低数据复杂性带来的计算成本同时提高内容含义精准性；如：图像识别模型算法识别输电线路图片和视频发现杆塔和线路数据样本规律，发现线路和杆塔上的异物、外力破坏、设备备件损坏、线路弧垂等异常并告警，降低现阶段通过手机APP拍照、视频回传到运检指挥中心由人工核查的冗余工作，降低人工成本同时提高设备异常识别率，降低电网风险发生机率。如：用神经网络进行并行处理、非线性映射、自适应能力和鲁棒性、学习和记忆等固有性质，改变IEC三比值法和传统特征气体分析法，有效提高故障识别准确率，降低设备损耗节约电网公司设备资产。

4.3 计算机视觉

计算机视觉在电力领域的应用主要集中在电力巡检和监控影像的目标识别与缺陷检测。但目前技术尚未达到满足生产需求的精度与效率。可从电力影像资源库、电力影像多目标检测与缺陷识别、电力视觉芯片、虚拟/增强现实交互、三维重构等方面开展相关研究，研发基于电力影像的智能辅助标注技术、研发基于领域知识和深度学习的电力信息通信设备检测与计算机视觉缺陷识别算法，形成设备级电力信息通信视觉模块，实现实时电力信息通信设备识别和缺陷检测。

4.4 自然语言处理

基于已有的专业知识和全系统以文本形式存在的运行和操作规则、调度指令和报告、营销档案等语料，研究基于电力文本的新词发现技术和语意网络挖掘技术，构建电力主题词表；研究电力语音文本特征提取、电网设备本体建模、电力行业知识加工和推理等技术，分领域逐步行成电力行业知识图谱，先期构建调控、运检、营销、信息通信等领域知识图谱，支撑信息通信调度机器人、电网设备智能运维和智能客服等应用；最终，形成新一代电网企业智能搜索和智能问答解决方案。

4.5 智能机器人

电力机器人，是面向电力巡检、服务、作业和调控等应用场景的机器人。当前电力机器人上处于实现“单一模式的自动化重复动作”阶段，不能满足公司对其自主智能行为的需求。智能机器人在电力AI算法封装，具备自主行为、自主学习、自主识别、人机协作等核心技术。

5 结论

在冀北电力公司大力发展张家口零碳冬奥的背景下，深度学习可以结合自身特征提取以及模型拟合方面的优势，针对当前人工智能与电网智能化水平结合不紧密等问题，如深度学习企业级服务能力不足、数据驱动支撑新一代电网能力不足，建设全业务泛在电力物联网尚需人工智能技术推进等问题，做出一个科学的决策方案。

另外，还可以利用深度学习在机器学习以及人工智能方面的优点，结合全业务数据中心的电网数据，开展大数据处理、数据分析挖掘、统一数据模型以及数据安全等技术研究和应用需求及业务模型研究，支撑多专业大数据工作。

参考文献

[1]曹渝昆，何健伟，鲍自安.深度学习在电力领域的研究现状与展望[J].上海电力学院学报,2017,33:341-346.

[2]魏海宏，刘新. 基于深度卷积神经网络的离线手写签名鉴定[J].网络安全技术与应用,2018（3）:40-41.

[3]梁苗苗．基于深度学习的智能聊天机器人的研究 [D]．杭州：浙江理工大学，2017.

[4]肖仕昶．基于计算机视觉的感兴趣人群属性分析系统 [D]．广州：华南理工大学，2017.

作者信息:

那琼澜1，万莹1，张子健2，杨艺西3，赵庆凯1，李环媛1

（1. 国网冀北电力有限公司信息通信分公司，北京 100053；

2. 国网冀北电力有限公司，北京 100052；

3. 国家电网公司信息通信分公司，北京 100761）

电力电子应用现状研究方向电力电子技术的主要应用领域

电力电子技术的主要应用领域

深度学习在电力信息化领域的研究现状及展望