电力设备是电网最重要的核心部分，电力设备输变电侧包括：高压输电线路；大型电力变压器；控制设备等。从智能电网的建设成效分析，尽管欧美及日本等发达国家早在20世纪中后期就开始了电力设备的在线监测研发工作，并已取得了一系列成果、发展了多个版本，但对输变电侧的研究相对较少。近年来，国内输变电主设备开发和应用人工智能在线监测的方法，加快了我国电力设备状态维修体系的建设，电力设备在线监测的大力发展对电力系统而言是十分迫切需要的。
2.电力设备在线监测系统
在电网中，各类电力设备必须严格遵循电网的运行规则，引入人工智能，实现高集成化、高自动化、高智能化的在线监测系统，确保电力设备的安全运行。
2.1.电力设备在线监测系统结构
Figure1.Structurediagramofpowerequipmentonlinemonitoringsystem
电力设备在线监测系统结构由两部分组成，①由数据采集的前端(包括太阳能电源、各类传感器、信号处理器、无线通信传输等)；②由数据分析处理的后端(人工智能诊断系统)组成。前端作用主要是由高性能的智能传感器和视频探头采集的信号，经放大、转换处理后，由无线通信网络的传输至监控中心。后端的人工智能用来处理相应数据，得出监测电力设备的实时诊断结论。
2.2.传感技术的应用
传感器是一种检测装置，用于监测和控制电力设备运行中的各项参数，促使电力设备运行在正常状态或最佳状态。传感器特性在电力设备在线监测系统中的关键作用[1]，是十分明显的，世界各国都十分重视这一领域的发展，是一个长盛不衰的研究热点。随着新型智能传感器的问世[2]，智能传感器具有信息采集处理和自动交换信息的能力，智能传感器的优势集中显示出以下三点：通过软件技术可实现高精度的信息采集，而且成本低；具有一定的编程自动化能力；功能的多样化，可以完成图象识别、特征检测、多维检测等复杂任务。近十年来，国内外一些大型电力设备制造商，纷纷将各类智能传感器直接安装在监测电力设备的敏感部位，以获取电力设备现场监测数据，取得了很大的成功。
2.3.通信技术的应用
电力设备在线监测系统中，针对电力设备不同检测的需要，使用各类智能传感器，获取实时监测信号，再经由无线通信网络GPRS/CDMA/4G，传输至监控平台，同时可实现远程设备的无人化巡视。GPRS/CDMA具有数据传递快，抗干扰能力强，数据更安全可靠、网络覆盖广等优势；再则，无线数据通信设备可直接与PLC、RTU等数据终端相连接，可用于遥测系统中数据采集、检测、报警、控制、监视等环节，有效地解决了对电力设备进行数据的采集、监控在线监测信号的远程传输问题。
2.4.人工智能(AI)的应用
半个世纪以来，人工智能应用研究取得了显著的进展[3]，专家系统(ES)的知识管理、智能决策；人工神经网络(ANN)的模糊集合、遗传算法理论，使人工智能显示出强大的生命力。人工智能在电力领域的应用主要集中在：逻辑推理、模式识别、智能控制、智能检索、智能调度等方面。电力设备人工智能诊断系统由专家系统(ES)和人工神经网络(ANN)组成，基于智能化诊断电力设备故障的应用程序的开发，采用ES和ANN诊断电力设备故障和老化状况[4]，分别得出的结论可相互印证，确保其诊断的准确性。
人工智能应用于电力设备的在线监测、故障诊断和寿命评估具有非常重大的意义。人工智能诊断系统具有以下优点：
(1)人工智能充分模仿和执行人脑的智力功能，利用计算机语言的特点，实现目标驱动的判断、推理、设别和学习机制。
(2)人工智能建立强大的数据库，有利于向管理部门提供信息检索和决策依据。
(3)人工智能采用模块化结构，有利于功能扩展，方便融入领域的新知识。
(4)人工智能的实现除了硬件保证，软件是核心，它在电力领域的应用是一个长期的渐进式过程，创新和成功，将在实践中得到检验。
3.电力设备诊断的专家系统
电力设备故障诊断专家系统是一门新兴的边缘学科，得到了电力领域专家的高度重视。
3.1.专家系统(ES)
Figure2.Simplifiedstructurediagramofexpertsystem
专家系统知识库的建立，是ES开发成功的关键，知识库内存放的是问题求解所需要的专家领域知识、知识工程师的经验、基本事实、规则和各类数据的集合；推理机是实施问题求解的核心执行机构，推理机根据知识进行推理并导出结论，使专家系统以逻辑方式协调工作。专家系统具有解释、预测、诊断、设计、规划、监视、控制、决策、维护等功能。目前，专家系统在电力系统中得到广泛应用，尤其在电力设备运行监测、故障诊断、寿命评估等方面取得了很大的成果。
3.2.变压器故障诊断专家系统
电力变压器在线监测系统中传感技术是关键所在，多种智能传感器的联合使用，将产生连锁的复合效应。目前，变压器生产厂商已逐步开始将热辐射光纤传感器、气敏传感器、电流传感器、光纤振动传感器、超声波传感器等的传感探头直接嵌入变压器绕组、铁心等监测部位，以取得运行时的检测信号，再经专家系统处理，得到变压器运行状况的结论。
Figure3.TFDESknowledgeblockdiagram
TFDES知识库中并行的六大模块和综合模块受协调器统一控制。综合分析模块对变压器的运行状况作全面的判断，当变压器内部发生异常时，TFDES除了给出故障性质外[7][8]，还将结合异常气体的产气速率、变压器负荷状况等，向现场运行人员做故障出诊断结论和建议。
3.3.输电线路故障诊断专家系统
输电线路是电网的重要组成部分，为了确保线路的运行安全[9]，本课题组经过多年的研究和探索，依据输电线路途径的各种不同地貌、气候、及电网状况、负荷等情况，提出将测线路温度的红外传感器；测电流的传感器；测环境气象变化的传感器(包括气温、湿度、日照、风速等)；及测绝缘子污闪、覆冰拉力传感器、测避雷器、舞动、鸟害等各类智能传感器和远程视频监测装置[10][11]，直接安装在输电架空线铁塔上，获取现场同步监测数据信号，再通过高速无线通信网络，将获取的被测数据信号传输到信号监控中心，由此建立输电线路安全保障信息共享机制和技术数据平台[12]，最后经专家系统的信息处理[13]，得到监测输电线路的实时信号。
Figure4.TRLESknowledgeblockdiagram
专家系统推理是一个不断运用知识的过程。当ES运作时，首先由协调器控制、协调各模块的运作，启动输电线路远程可视监测模块，获取输电线路现场可视图像数据，接着启动知识库各模块。然由综合分析模块根据各模块分析结果，进行全面的判断，并给出诊断结论。目前，TRLES系统专门用于监视线路的运行状况，可对运行中输电线路的早期故障做出诊断，实现了输电线路安全运行的全天候监控。
4.电力设备诊断的人工神经网络
计算机科学的发展，使人工神经网络技术在电力系统得到了广泛的应用，它具有创新性、前瞻性和实用性。
4.1.人工神经网络法(ANN)
Figure5.BPnetworkstructurediagram
人工神经网络的BP算法具有学习和存储大量的输入、输出模式映射关系，而无须事前揭示描述这种映射关系的数学方程。它的学习规则是：使用梯度下降法，通过反向传播(就是一层一层往前传)不断调整网络的权值和阈值，最后使全局误差系数最小。算法分为两个阶段：(1)(正向传播过程)输入信息从输入层经隐层逐层计算各单元的输值；(2)(反向传播过程)输出误差逐层向前算出隐层各单元的误差，并用此误差修正前层权值(即运用后向反馈的学习机制，来修正神经网中的权重)，最终输出正确的结果。
4.2.变压器故障诊断人工神经网络
电力变压器故障诊断人工神经网络的开发(TFDANN)正成为监测、诊断变压器故障、老化的一种理想工具。本TFDANN的建模，选用误差反传的BP网络，网络结构由输入层、隐含层和输出层三个层面构成。ANN的开发，选用反映故障的采样信息及相应的警报信号作为输入特征矢量，考虑到各类传感器检测特征对应的变压器故障性质；特征气体色谱H2、CH4、C2H6、C2H4、C2H2分析在诊断变压器故障中的特殊地位；糠醛含量(HPLC)对评估变压器老化的意义，将这些因素作为TFDANN对应输入层节点的特征输入元素。输出层节点选定为5个，分别对应变压器运行中五种常见的故障特性：Y1表示正常状况、Y2表示过热故障程度、Y3表示放电故障程度、Y4表示电弧故障程度、Y5表示绝缘老化程度。样本训练选用梯度下降法，样本训练的过程着重分析的因素是输出收敛趋势和误差均方差为小。电力变压器故障诊断人工神经网络输出Yj的值，数值范围在0~1之间，当Yj的值显示>0.5时，则表示变压器已存在早期的故障现象，当输出Yj数值增大而趋近1时，则表示电力变压器某一故障性质的严重程度增加。
4.3.输电线路诊断人工神经网络
输电线路(架空线)故障诊断人工神经网络的开发(TRLANN)实现了输电线路的故障监测、故障分类和故障定位，并具有模糊逻辑推理功能[18]。本TRLANN的建模选用了反向传播的BP网络，网络结构由输入层、隐含层和输出层三个层面构成。样本的训练采用BP算法的梯度下降法。考虑到输电线路(架空线)运行的安全，往往受到气象环境、雷电、过载、覆冰、鸟害、风偏舞动、绝缘子污闪等干扰影响，会而产生各种异常和故障，选择了反映故障状况与对应的警报信号作为输入特征矢量。选择了输出层节点为4个Yj(j=1~4)，分别与电力输电线路运行时，四种常见状况和故障特征：Y1正常运行、Y2过热现象、Y3故障状态、Y4寿命老化对应。输出Yj值的范围在0.0 5.电力设备故障诊断实例 下面将二个现场实例来论证：人工智能在电力设备故障诊断中的作用和意义。 5.1.变压器故障诊断实例 我们分析一个变压器在线监测系统诊断实例： Table1.Sampledata 根据油中气体色谱DGA分析：H2超过正常值，H2绝对产气速率ra在正常范围内，CH4占总烃中的主要部分，三对比值为1，1，0。 TFDES综合分析结果：变压器内部异常，故障性质为：存在高能量局部放电故障；且H2=157.5，超过额定值，电流传感器PD测试，PD=820mv(低压侧b相放电)，超声波传感器出现异常信号。变压器寿命老化程度为中度。 TFDANN输出结果：Y1=0.1131，Y2=0.4987，Y3=0.8431，Y4=0.4416，Y5=0.7112。 人工智能诊断结论：变压器内部异常，低压侧b相存在高能量局部放电故障，且伴有过热现象；变压器老化评估中度。AI建议：停机检查。 现场专家处理意见：吊芯检查。实际检查结果为：变压器低压侧b相严重放电故障。 5.2.输电线路故障诊断实例 下面我们分析输电线路人工智能监测系统诊断实例： TRLANN输出结果：塔82259NA相MOAY2值为0.7211，Y3值为0.9175；塔40217NB相MOAY2值为0.5211，Y3值为0.6172；塔45211C相MOAY1值为0.3175。 人工智能诊断结论：塔82259NA相MOA存在问题(故障性质趋严重)应更换；塔40217NB相MOA污染，应清洗；塔45211C相MOA属正常运行范围。 现场专家处理意见：塔82259NA相MOA严重损坏，采取措施：更换避雷器(MOA)；塔40217NB相MOA采取措施：清洗。 Table2.SampledataofMOA 6.结语 近年来，本课题组在开发专家系统软件时，选择采用具有反向逻辑推理的Turboprolog语言；在开发人工神经网络软件时，选择采用Vc++语言和采用反向推理的BP网络，这样既可充分发挥计算机语言功能的特长，同时，妥善解决了人工智能综合分析时出现的接口问题。本课题组从事电力设备在线监测系统的研发工作，研究各类智能传感器性能特征，并大力推广和应用到现场第一线。同时，开发多种人工智能软件应用于电力变压器、高压输电线等电力设备的安全运行、故障诊断、寿命评估、在线监测等方面，取得了很多成果。 电力设备在线监测系统的研发成功，大大提升了电力设备运行的安全性、可靠性和预测能力。随着实时的电力设备在线监测系统日臻完善，在线监测技术在电力行业广泛的应用，为电力设备实行“状态维修”，提供了强有力的支撑[19]。电力设备的监测和维护其根本目的是为了电力设备的可靠性运行、延长设备寿命，全面实现智能电网的特征要求。 目前，人工智能在电力变压器和电力输电线路安全运行中的监测、开发和应用方面取得了非常可喜成果。由于智能电网研究的深入，大幅度提高变压器、输电线路诊断的智能化程度，保障电力设备的安全、可靠，降低事故的发生率，人工智能正显示强大活力。进一步研究表明，电力设备安全运行若要拥有强大的自愈和抗外界干扰的能力，必须加强对变压器、输电线路运行状态实时数据的监测，进行连续的自分析、自诊断，及时发现故障隐患，并用自动控制手段将故障消灭在萌芽状态。总之，电力设备在线监测将在电网中产生巨大的社会效益和经济效益。