新一代人工智能在配电网智能感知与故障诊断中的应用

俞小勇，秦丽文，桂海涛，欧世锋，吴丽芳

(1. 广西电网有限责任公司电力科学研究院，南宁530000；2. 广西电网有限责任公司桂林供电局，广西 桂林541002)

0 引言

配电网作为联系能源生产与消费的关键枢纽，是构建清洁低碳安全高效的能源体系、实施可再生能源替代、构建以新能源为主的新型电力系统、服务国家实现“双碳”目标的基础平台。在“双碳”目标下，配电网呈现出高渗透可再生能源、高比例电力电子设备、高增长电力负荷需求等特征，未来配电网的关键特性将发生深刻变化，需要通过配电网智能感知提供全景信息支撑、通过故障诊断与故障定位为安全稳定运行保驾护航。配电网感知是对配电网的一二次设备及关联的环境、设施、人员等对象的状态参数等属性的量测，存在设备数量庞大、业务种类繁多、通信环境恶劣、部分设备无法远程量测等问题，严重影响配电网全景精确感知。基于感知数据的配电网故障诊断则存在数据规模庞大、故障机理复杂、干扰信号多样等问题带来的挑战。

配电网的智能感知与故障诊断相辅相成。配电网智能感知可以为故障诊断与故障定位提供更加全面、准确、及时的运行状态数据与未来趋势数据，使得配电网故障诊断的方法与手段更加多样、故障诊断的精度得以提升。而故障诊断则为配电网智能感知提供了建设需求与发展方向，配电网故障的机理复杂、信号幅值小、干扰信号多等问题，促使了配电网感知设备在分布式协同、高频采集、人工智能消除扰动信号等方向的发展。因此，在配电网故障诊断平台建设时，通常也会或多或少地含有配电网智能感知的建设内容。有鉴于此，本文将综合评述人工智能在配电网智能感知与故障诊断中的应用，为基于人工智能技术的配电网故障诊断平台建设提供参考。

以深度学习为代表的新一代人工智能技术在数据处理特别是特征自学习、强非线性拟合、端到端建模等方面具有较强的优势[1 - 3]。同时，新一代信息技术特别是云计算、大数据处理等技术的发展，使机器学习和深度学习等人工智能技术具备了强大的大规模数据处理能力，新一代人工智能技术可以更好地契合新态势下配电网智能感知与故障诊断平台建设所需的信息处理方法：1)配电网智能感知平台建设为故障诊断与故障定位提供了大量数据，而基于分布式计算和云平台的新一代人工智能技术具有强大的大数据分析和挖掘能力[4]，可以很好地应对大规模配电网数据处理的挑战；2)大量分布式新能源、储能和电力电子装备的广泛接入，使得电力系统故障的随机性和非线性性大大增强[5 - 6]，而以深度学习为典型代表的新一代人工智能技术具备强大的非线性拟合与特征表达能力，可以从多源异构或非结构化的数据中提取出配电网故障的判别信息，实现更加精准的故障诊断和故障定位；3)分布式新能源广泛接入下的配电网，其电力系统建模更加困难，基于物理模型的配电网感知与故障诊断方法误差偏大。而新一代人工智能技术具备的端到端学习模式和端-边-云协同计算架构，可以更好地处理局部与全局之间的信息共享，避免误差积累，有利于提升配电网故障诊断与故障定位的精度[7]。新一代人工智能技术在电力系统调控、故障诊断等多个方面获得了应用[8 - 9]，然而，现有的应用主要面向中高压传输网络，对中低压配电网中人工智能应用的研究相对滞后。

有鉴于此，本文在广西电网有限责任公司电力科学研究院2020年基于人工智能的配电网智能感知与诊断平台的研发与建设工作的基础上，从配电线路运行故障诊断、配电网态势推演、配电网感知与故障诊断、配电网边缘侧数据处理与智能感知设备、配电网评估与主动防御、配电网设备智能巡检与管控等层面来介绍新一代人工智能技术在配电网中的应用，进一步提升配电网精细化管理水平。旨在通过研究新一代人工智能的技术体系与特点，分析在配电网智能感知与故障诊断平台建设中的应用方法，为基于人工智能的配电网智能感知与故障诊断平台建设提供参考。

1 人工智能在配电网智能感知中的应用

1.1 配电网智能感知的需求

配电网智能感知是对与配电网有关的环境、设备、设施等对象的资产、状态、行为等属性的精确量测与趋势预估，是实现配电网全息全景感知的基础，其感知需求如图1所示。

图1 配电网智能感知需求Fig.1 Requirements of intelligent sensing for power distribution network

从感知的对象类别方面，可以分为源、网、荷、储和其他等类别[10]。其中，源是指配电网的电源侧，主要以分布式的风力发电机组和光伏电站等新能源生产单元为主，侧重于感知并网逆变器、发电单元等的运行状态以及温度、湿度、风速、风向等局部气象数据，用于支撑发电设备的状态监测、预测性维护和提升发电效率等；网是指配电网的网络侧，主要以中低压架空线路、变电站、配电房等设施的设备状态监测为主，用于配电网运行状态监测、故障诊断、故障定位与运行维护等。荷是指配电网的负荷侧，主要以用能监测、能效监测等为主，用于分析负荷特性、用能习惯和需求响应等。储是指配电网中的储能，主要用于监测储能运行状态及剩余寿命、损耗等，用于储能优化调度以及源-网-荷-储优化协调控制等。其他的感知需求还包括对参与配电网运行维护的人员进行视频监控、安全监测等。

从感知的传感类型方面，可以分为电气量、状态量、环境量和其他量，所用的传感器及感知数据格式各不相同。电气量主要利用电磁传感器等传感设备获取电力设备的电流、电压等数据。状态量主要是对开关柜、变压器等设备的运行状态监测数据。环境量主要是利用本地部署的微气象传感装置获取局部范围内的温度、湿度、光照强度等数据。其他量包括利用摄像头、操作日志等来获取的参与配电网运行的行为人的动作行为等数据。

从感知数据的格式方面，可以分为数值数据、文本数据、振动数据、图像视频数据、混合数据以及多源异构数据等。复杂设备的智能感知通常需要用到多种传感器从不同角度、不同层面采集多种类型的多源异构数据。例如，对变压器的智能感知，不仅需要对其电气参数如电流、电压等进行感知，还需要对其油色谱、气体成分、红外图像等进行感知，从而更好的对变压器状态与故障进行分析。

1.2 配电网智能感知技术

随着大量分布式新能源、电动汽车和电力电子器件等的接入，配电网的关键特征发生了深刻变化，需要借助更多智能传感与量测的新机理、新技术来支撑配电网全景感知。配电网中使用的传感器，通常由敏感元件、转换元件、处理单元、通信单元和供电单元等构成，其典型结构如图2所示。其中敏感元件主要是感应设备的“电、声、光、化、热”等[10 - 11]特征信息的材料或器件，转换元件用于将敏感元件状态信息转化成可识别的电平信号，并通过处理单元进行变换、计算或处理后生成感知结果。现有的基于电气量感知、声振感知、光电感知、化学感知和热学感知等技术的传感器产品，已可实现对配电网设备的基本属性、运行状态、环境状况等的感知以及对油中溶解气体、电容型设备介损、红外热成像和紫外检测等，为配电网智能感知与故障诊断提供了基础数据采集支撑。

图2 传感器典型结构Fig.2 Typical structure of sensor

1.3 配电网智能感知存在的问题

随着新型传感材料、微纳米传感器设计加工等技术的不断进步，磁阻传感、光纤传感、MEMS等技术的快速发展，电力智能感知设备获得了极大发展。然而，当前配电网智能感知还存在一些问题：

1)部分老旧设备不支持遥测和遥控，仍需要人工巡检来读取设备表计读数；

2)部分待量测的参量变化小，对数据采集的精度和采集频率要求高；

3)传感设备只能获取到历史和当前的量测值，没有未来的趋势值；

4)部分设备结构复杂，感知数据不够全面；

5)部分传感器质量不可靠、传感信息与感知状态的关系不清晰。

随着人工智能技术的发展，利用计算机视觉、机器学习等人工智能技术来解决配电网智能感知中存在的问题，获得了越来越多的重视和研究。

1.4 人工智能在配电网智能感知中的应用

以回归算法与分类算法为典型代表的机器学习是人工智能技术中用于解决配电网智能感知问题最主要也是研究最多的分支之一。回归类算法主要用于连续值或概率区间预测，广泛用于发电功率预测、负荷预测等问题。分类算法主要用于离散类别预测，可用于故障检测、分类识别等问题。在基于计算机视觉的电力表计读数识别、电力设备图像分类与识别、电力工人行为安全监测等问题中都不同程度的使用了分类算法。作为分类算法与回归算法应用于配电网的典型代表，本文分别分析了基于计算机视觉的电力表计读数识别和基于回归算法的负荷预测与新能源发电功率预测。

1.4.1 基于计算机视觉的智能感知

配电网状态感知的核心是配变电设备现场量测数据，而现有的配电网感知体系存在信息采集点布局欠完备、配电设备型号多样且部分设备无法远程读取等问题，导致配电网状态感知与评估、配电网故障检测与故障分析的难度增大。因此，有必要借助人工智能技术特别是计算机视觉技术来提升配电网配变电设备的智能感知水平。

电力设备表计识别是一个计算机视觉技术用于配电网状态感知的典型应用，考虑到成本与电磁干扰等问题，配电网中大量使用了结构简单的指针式压力表、电流表、油温表等电力仪器[12]，为减少人力资源浪费和提升巡检频率，近年来越来越多的无人巡检机器人被用来自动化的读取和谐电力仪表的读数，提升变电站的自动化水平[13 - 14]。变电站巡检机器人的关键挑战之一是基于人工智能技术来识别巡检拍摄图像中的电力仪表的指针读数。文献[12]基于区域快速卷积神经网络(faster region-based convolutional neural network, Faster R-CNN)目标检测和U-Net图像分割技术来进行指针式仪表的读数识别，精度达到了94.12%。文献[15]通过将Faster R-CNN网络与自适应Canny算法等进行结合的方式来实现电力机房巡检机器人指针式仪表的读数识别。文献[16]通过利用灰度化、中值滤波、二值化、提取感兴趣区域等图像处理技术，经过一系列的图像处理步骤，在实验室环境下对10种不同状态电力仪表的读数识别准确率达到了99%以上。

除了电力表计读数识别，以深度学习和图像处理技术为基础的计算机视觉技术还广泛用于配电网中的配电房、变电站等的无人巡检机器人、电力架空线路的无人机巡检以及电力工人的行为安全监测中，并取得了较好的效果。

1.4.2 基于回归预测的智能感知

负荷预测和新能源发电功率预测是支撑配电网安全稳定经济运行的基础功能之一，为配电网的状态估计与运行优化提供基础数据支撑。负荷预测与新能源发电功率预测都属于回归预测问题的范畴，然而，其最主要的影响因素分别是社会群体行为与自然环境变化。因此，负荷预测和新能源发电功率预测虽然可以共用一些回归预测算法，但是又在数据预处理、特征工程等方面存在很大差异。配电网智能感知中涉及的负荷预测以超短期预测为主，其预测算法可以大致分为基于传统机器学习方法的负荷预测和基于深度学习方法的负荷预测两种：基于传统机器学习方法的负荷预测主要侧重于探索负荷数据的分布特性和变化规律，根据领域知识和数据分布来构建特征集，再借助梯度提升决策树或其他回归算法来实现负荷预测[16]；由于深度学习方法具有很强的特征自提取能力，因此基于深度学习方法的负荷预测主要侧重于研究深度学习算法的网络结构、模型参数以及不同的模型组合等。常用于负荷预测的深度学习算法有LSTM[17]、CNN[17 - 18]、GRU[18]和ResNet[19]等。

相较于负荷主要受社会群体行为的影响，新能源发电功率则主要受光照强度、温度、湿度、风速、风向等气候环境以及季节、设备特性等的影响，具有更强的自相关性。因此，新能源发电功率预测可以采用基于相似日的预测方法：从历史数据中找到与待预测时间的气候环境最接近的相似日，以其发电曲线为基础来进行预测[20 - 21]。此外，新能源发电功率预测本质上是回归问题，因此可以借助长短期记忆(long short-term memory, LSTM)、门循环单元(gate recurrent unit, GRU)等深度学习算法，以气象数据和历史发电数据作为输入来进行预测[22 - 24]。

2 人工智能在配电网故障诊断与故障定位中的应用

2.1 故障诊断与故障定位的难点

配电网智能感知与故障诊断平台建设，在信息、机理与建模方面都存在着诸多难点。

1)在信息方面，配电网智能感知需要从数量庞大且类型繁多的电力仪表中采集状态数据和故障数据，由于环境和数据采集需求不同，可能还需要采集红外热成像仪、巡检机器人等设备拍摄的图片数据、录波仪等采集的故障数据等，数据类型多样且规模庞大；

2)在机理方面，影响电力系统运行的因素众多且相互耦合，环境与外部因素存在随机性和不确定性，导致配电网运行状态呈现出非线性动态演化的特性，使得配电网机理复杂多变；

3)在建模方面，配电网感知的数据规模庞大且多样，配电网机理复杂且特性多变，导致配电网建模难度大、模型精度不够且模型参数难以求解，使得配电网智能感知与故障诊断变得更加困难。

新一代人工智能技术的多源异构数据处理、不确定性数据处理与数据驱动建模的能力可以很好地匹配解决配电网智能感知与故障诊断需求。

1)多源异构与大规模数据处理能力。以深度学习为典型代表的新一代人工智能技术在发展过程中非常重视大规模数据处理能力和分布式计算架构的研究，具备了快速挖掘大规模异构数据的能力；

2)不确定性数据处理能力。新一代人工智能技术利用无监督学习、半监督学习、自动特征提取等技术处理复杂且不确定性强的问题。基于数据驱动的机器学习模型，可以充分利用新一代人工智能技术非线性拟合能力强的优势，将配电网智能感知与故障诊断中的不确定性科学合理地表征出来[1]，从而提升故障诊断与故障定位的精度；

3)数据驱动建模能力。新一代人工智能技术基于机器学习、深度学习、强化学习等技术，可以实现基于数据驱动的配电网建模或者数据与机理融合的配电网建模，并在此基础上实现参数估计。

2.2 故障诊断

配电网的故障诊断是利用SCADA、WAMS和故障录波系统等采集的数据，识别出故障仪器和故障类型等，其核心问题是识别出故障元件[25]。随着配电网建设的发展，配电网规模越来越大，其结构与运行特性也越来越复杂，现有依赖人工判定和经验知识进行故障诊断的方式愈加不足。此外，配电网故障数据包含大量设备资产、运行状态、录波数据、图像数据等多源异构数据，传统方法难以快速分析出故障设备与故障类型。而深度学习方法不仅可以从大量数据中自动提取潜在分布特性，而且可以将学到的特征融入模型建立过程，解决依赖经验知识人工提取特征的不足。同时，深度学习方法还能有效克服传统方法对经验知识的依赖和对多源异构数据处理的难题，具有更好的通用性和自适应性。

人工智能在配电网故障诊断中的应用可以大致分为基于图像数据的故障诊断与基于非图像数据的故障诊断两种。在基于图像数据的故障诊断方面，主要借助深度学习对图像数据强大的特征自提取与深层学习能力来识别图像数据中的故障类型。文献[26]将深度学习算法用于输电线路航拍图像的故障诊断，并取得了较好的效果。文献[27]则将深度学习算法用于基于红外热成像仪拍摄的图像的故障诊断中，实现了对异常发热区的识别和故障类型的识别。在基于非图像数据的故障诊断方面，文献[28]提出了一种基于线性判别分析的特征提取方法来构建基于分步机器学习的变压器故障诊断模型，以16组油中溶解气体体积分数比值作为输入数据，取得了97.27%的准确率。

2.3 故障定位

配电网故障定位是指在故障发生后，根据收集的录波数据、SCADA数据等，检测出故障发生的线路和区段。新一代人工智能技术在配电网故障定位中的应用可以大致分为两类：基于智能算法的故障定位方法和基于机器学习算法的故障定位方法。在基于智能算法的故障定位方面，文献[29]提出了基于遗传算法的直流配电网线路故障定位方法，仿真结果表明该方法抗过渡电阻能力强、定位精度高且鲁棒性强。文献[30]则研究了基于改进蚁群算法的配电网故障定位，并取得了较好的效果。基于深机器学习算法的故障定位方法则借助深度学习算法强大的非线性拟合能力，从历史数据中学习故障。文献[31]提出了一种基于迁移学习和深度卷积神经网络的故障区域定位方法，以迁移学习来解决中小样本下深度学习算法效果差的问题。文献[32]提出了一种基于深度学习的智能变电站二次设备的故障定位方法，根据二次设备不同模块故障时的特征与自检信息等提出故障断面的特征表征方法，利用深度学习算法来训练故障定位模型并给出故障定位步骤，实验仿真证明了该方法的有效性和精度。

3 案例分析

电力传输线路局部放电(partial discharge，PD)故障是电力系统最常见的故障之一，线路局部放电故障无法得到及时检测与解决，将会造成持续的电力损耗，并进一步引起线路发热、火灾甚至停电等更为严重的故障。本节以人工智能技术在10 kV中压配电网架空线路局部放电故障检测中的应用为例，分析其检测方法、感知方法、数据分析算法、取得的效果和存在的问题等，为人工智能技术在配电网智能感知与故障诊断平台中的应用提供参考。

3.1 基于人工智能的架空线路局部放电检测方法

电力线路局部放电故障存在信号微弱容易淹没在环境噪音中且采集传输过程中存在衰减损耗等问题，对局部放电故障检测产生了较大的影响。深度学习算法的快速发展使利用数据分析算法从包含环境噪音的数据中提取微弱的局部放电故障特征，实现局部放电故障检测成为了可能。因此产生了利用线路高频三相电压信号和深度学习算法来检测局部放电故障的检测方法，其流程如图3所示。

该方法用新型高频传感器采集架空线路三相电压信号，借助深度学习算法挖掘出局部放电故障下的故障模式，从而检测出局部放电故障。相较于现有的方法，有着灵敏度高、检测能力强、部署方便等优势，有望成为局部放电故障检测的主流方法。

图3 基于人工智能的10 kV架空线路局部放电检测方法Fig.3 Artificial intelligence based partial discharge fault detection approach for 10 kV overhead lines

3.2 架空线路局部放电信号的感知技术

电力线路发生局部放电的过程中，通常会伴随着电磁波、电流脉冲、超声波、热和光等多种物理现象以及释放气体等化学现象，因此局部放电信号感知方法可以使用电容耦合法、超高频法、温度检测法、超声波法、电磁耦合法等方法，不同局部放电在线检测方法的优劣对比如表1所示[33]。

表1 不同局部放电检测方法的对比Tab.1 Comparison of different PD detection methods

电磁耦合法灵敏度高，有利于提升故障检测精度，然而其抗干扰能力弱，特别是高频采集过程中容易引入环境噪音等干扰信号。在基于人工智能的架空线路局部放电故障检测时，需要利用人工智能技术先对采集的高频信号进行噪声消除。一种典型方法是利用机器学习算法对采集的高频电压信号进行可视化和统计分析，获取不同频段的电压分布，挖掘出噪声消除的阈值，再借助FFT和信号分解等技术来消除环境噪声。利用人工智能技术消除噪声后的信号与原信号的对比如图4所示。

图4 利用人工智能技术消除噪音Fig.4 Denoising signal using AI technology

3.3 架空线路局部放电故障检测算法

电磁耦合法采集的架空线路三相电压的典型高频信号如图5所示。局部放电故障严重程度不一样时，采集的局部放电故障情况下的电压信号的故障特性也存在很大的差异，无法人工简单识别，因此需要借助机器学习算法来从高频电压数据中挖掘出故障模式，实现局部放电故障检测。

图5 10 kV架空线路三相电压信号Fig.5 Three-phase voltage signal for 10 kV overhead line

由于电磁耦合法采集的高频电压信号可以看成是波形信号，又可以看成时序信号，因此在进行局部放电故障检测时，可以利用信号处理算法如信号分解、波峰波谷统计分析、FFT等方法来进行特征提取，又可以借助深度学习算法如LSTM、注意力机制等进行自动化特征提取与分析[34]。不同机器学习算法的故障检测性能如表2所示[35]。

在表2中采用了机器学习二分类算法中常用的F1评价指标，其中精度表示准确率，是指正确的预测数与预测总数的比值，这里表示预测正确的局部放电故障数量除以预测为局部放电故障的样本数的比值；召回率指预测正例数与正例标签总数的比率，这里表示预测正确的局部放电数量除以实际的局部放电故障总数的比值；F1得分是召回率和准确率之间的一个调和平均值，其计算公式为召回率和准确率的乘积的两倍除以召回率与准确率的和。

表2 不同机器学习算法的性能对比Tab.2 Performance comparison of different algorithms of machine learning

3.4 架空线路局部放电故障检测存在的问题

由表2可见，基于电磁耦合法采集架空线路的高频电压数据借助机器学习算法进行局部放电故障检测可以实现比较高的检测精度(91%)，证明了利用人工智能技术来解决局部放电故障检测的有效性；同时，不同机器学习算法的性能差距非常大，说明模型的泛化能力需要关注；此外，局部放电故障检测的召回率最高仅为82%，说明存在不少局部放电故障未检测到，需要通过扩充训练样本、改进检测算法等来进一步提升检测性能。

4 人工智能用于配电网智能感知与故障诊断的评述

虽然新一代人工智能技术在配电网智能感知与故障诊断中的应用方面开展了大量的研究并取得了不错的效果，然而，要在配电网智能感知与故障诊断平台建设中获得应用与推广，仍面临一些亟需解决的挑战，特别是小样本问题与模型泛化性问题。

4.1 小样本问题

随着人工智能技术的快速发展，数据资产的重要性获得了越来越多的认可，配电网升级建设中对量测数据的采集也愈加重视，配电网数据采集覆盖的设备种类、数据属性和采集频率等都获得了极大提升。与此同时，随着云平台的应用，配电网数据的汇总和整合也越来越受重视，配电网设备资产数据、状态感知数据和故障数据等的来源更加多样化、数据规模也更加庞大。然而，现有的配电网数据价值密度仍然偏低，故障样本的数量和种类还不够充分，仍然存在故障样本不足的情况。以一次设备故障为例，根据文献[36]，2018年国家电网220 kV及以上电压等级的一次设备共发生故障2 360次，但绝大多数为线路的单相接地故障(1 981次)和两相短路(162次)，其他故障发生次数不足30次，线路断线及接地故障、母线短路故障、变压器套管故障等的发生次数不足10次。用这些数据来训练故障检测与故障定位的机器学习模型，将不可避免的遭遇某些故障样本数量太少即小样本问题。另一方面，配电网中一些新出现的设备类型或设备型号在发生故障时，其特性也可能跟之前采集的其他设备的故障数据特征不一致，从而影响故障检测精度。

故障检测与故障定位的小样本问题的改善，可以从生成式对抗网络来提升数据质量着手。在负荷数据方面，文献[37]提出了一种基于生成式对抗网络的空间负荷预测方法，可以基于十分有限的历史负荷数据生成数量充足且兼顾时空分布规律的负荷数据来实现数据增强。在故障数据方面，文献[38]提出了采用改进辅助分类的生成式对抗网络来生成符合真实风机轴承故障样本概率分布特性的故障类型数据。利用生成式对抗网络来提升数据质量的方式，不仅代价小，而且还可以进一步提升现有数据的价值以及融入领域专家的经验知识。缺点是数据质量和故障样本数量的提升幅度有限。

近年来，随着数字孪生技术的发展，通过构建数字孪生模型产生的大量仿真数据来扩充样本数量获得了研究者的关注：借助数字孪生技术构建出物理实体的模型，通过机器学习方法从物理实体中学习模型的仿真参数，从而实现对物理实体的高精度仿真，进而实现借助数字孪生技术来生成不同运行条件、不同运行状况、不同故障程度的样本数据，从而可以更好的建立故障检测的机器学习模型。

4.2 模型泛化性问题

近年来，人工智能算法取得了很大的发展，在诸如图像目标检测、目标识别、目标计数等任务上的性能大幅提升。然而，人工智能算法的模型泛化性方面还存在一些问题：在实际生产或生活中，环境更为复杂多变，采集的数据中可能会存在更多的干扰信息，有可能会让人工智能模型出现严重的误判或出乎意料的差错，从而造成严重的后果。以配电网中配变台区负荷预测为例，一些无法预料的特殊社会事件诸如地质灾害、突发性群体事件等，可能会使得负荷特性发生无法预料的突变，导致负荷预测的误差远超预期，从而对依赖于负荷预测的配电网经济调度算法造成严重影响。

模型的泛化性问题可以从3个方面来解决：利用生成式对抗网络来提升训练数据的质量和多样性；利用迁移学习和集成学习等技术来提升模型的泛化能力和鲁棒性；从业务流程角度，增加对极端情况的应对措施，削弱极端突发情况的影响。

5 结语

随着物联网、大数据、人工智能等技术的快速发展和国家“双碳”战略的推进，人工智能在以新能源为主体的新型电力系统的构建中承担的作用也越来越大，有必要对人工智能在配电网智能感知与故障诊断中的应用情况进行梳理和评述，为面向新型电力系统构建的配电网建设提供参考。本文以广西电网有限责任公司电力科学研究院的配电网智能感知与故障诊断平台建设的现实需求为出发点，分析了国家“双碳”背景下新型电力系统的配电网关键特征演化，对配电网智能感知的技术与需求进行了梳理，对新一代人工智能技术用于配电网感知进行了归纳。接着介绍了配电网故障诊断与故障定位的难点以及研究进展，并以基于人工智能的10 kV架空线路局部放电故障检测为例，阐述了人工智能用于配电网感知与故障诊断的方法、作用与效果。最后，对人工智能技术应用于配电网智能感知与故障诊断中的小样本和模型泛化性问题做了探讨。