人工智能驱动下的电力系统故障预测与诊断方法研究综述

摘要

在能源转型与数字化深度融合的当下，电力系统作为重要基础设施正遭遇越发繁杂的运行考验。人工智能技术的迅猛发展为故障预测与诊断领域注入了新的理论动力与方法论支撑。本文系统梳理了从传统基于物理模型的诊断机制到数据驱动智能范式的演进脉络，重点剖析了深度学习、图神经网络、迁移学习等前沿人工智能方法在电力设备状态监测、故障特征提取与因果推断中的融合路径。研究表明，人工智能技术能很好地提高高维、非平稳电力系统数据的表征能力，可以实现对潜在故障的早期预警和多源故障的准确识别，对于新能源接入带来的不确定性具有明显的优势。但是目前的研究还存在模型可解释性不好、小样本场景适应性差、跨域知识迁移机制不完善等问题。未来的研究应该构建物理约束与数据驱动相结合的混合智能诊断框架，探索面向边缘计算的轻量化模型部署策略，加强跨学科理论交叉来推动电力系统故障管理向自主化、智能化方向发展。