logo全球能源互联网期刊信息服务平台

目录

图片（0）

    表格（0）

      基金信息
      出版信息

      相关论文：

      全球能源互联网

      第9卷 第1期 2026年01月；页码：85-100
      EN 引

      面向新型电力系统的电力设备状态感知关键技术及其应用展望

      Key Technologies and Development Trends of Power Equipment State Perception for New Type Power System

      王勇1 ,陈义龙1 ,陈俊1 ,孔令明1 ,陈勉之1 ,李晓1 ,蔡谦2 ,盛戈皞2*
      WANG Yong1 , CHEN Yilong1 , CHEN Jun1 , KONG Lingming1 , CHEN Mianzhi1 , LI Xiao1 , CAI Qian2 , SHENG Gehao2*
      • 1.广东电网有限责任公司广州供电局，广东省 广州市 510000
      • 2.上海交通大学电气工程系，上海市 闵行区 200240
      • WANG Yong1, CHEN Yilong1, CHEN Jun1, KONG Lingming1, CHEN Mianzhi1, LI Xiao1, CAI Qian2, SHENG Gehao2* (1. Guangzhou Power Supply Bureau of Guangdong Power Grid Co., Ltd., Guangzhou 510000, Guangdong Province, China
      • 2. Department of Electrical Engineering, Shanghai Jiao Tong University, Minhang District, Shanghai 200240, China
      DOI:10.19705/j.cnki.issn2096-5125.20249028

      关键词

      Keywords

      摘 要

      Abstract

      新型电力系统对电网安全稳定运行和灵活可控的要求越来越高，提高电力设备状态智能感知的水平，实现设备关键状态的全面、精准、可靠感知是设备智能运维发展的必然趋势。结合电力设备状态感知技术的研究和应用现状，提出了新型电力系统背景下电力设备状态感知的特征和需求，详细阐述了电力设备新型传感器、传感器可靠性保障、设备状态边缘计算和实时智能分析等设备状态感知关键技术的研究现状和发展趋势，探讨了相关技术在研究和应用中面临的主要问题，并对相关技术未来的应用前景进行了展望。

      The new power system has increasingly high requirements for the safe and stable operation and flexible controllability of the power grid. Improving the level of intelligent perception of power equipment status and achieving comprehensive, accurate, and reliable perception of key equipment states is an inevitable trend in the development of intelligent operation and maintenance of equipment. Based on the research and application status of state perception technology of power equipment, the characteristics and requirements of state perception of power equipment in the context of new power systems are proposed, and the research status and development trend of key technologies of state perception of power equipment are elaborated, such as new sensors, sensor reliability assurance, edge computing of equipment state and real-time intelligent analysis. Furthermore, the main problems faced by related technologies in research and application are discussed. Finally, the future application prospects of related technologies are illustrated.

      0 引言

      电力设备的安全稳定是保障电网可靠运行的基石。与传统电力系统相比，新能源主导的新型电力系统具有很强的不确定性和波动性，增加了电网调峰调频、电压控制和稳定控制的难度，也使电力设备工况变化更为复杂和剧烈。以山东省为例，2024年风电日均出力最高达到19 533 MW，最低仅270 MW，风电接入线路和变电设备的输送功率变化非常大。为支撑系统电压，蒙西、新疆等电网风电基地的接入曾使沿线变电站220 kV母线电压全年维持在额定电压的1.1倍以上。这些电力设备运行特性的变化严重威胁输变电设备运行安全，对电力设备的维护和管理提出了前所未有的挑战，要求采用先进的技术手段和策略来确保电网设备的高效和可靠运行[1]。近年来，带电检测、在线监测以及机器人/无人机巡检等设备状态感知技术手段获得了大量的推广应用。这些手段在设备运维技术的研究与应用中取得了良好的成效，有效地提高了电力设备智能运维的水平。但是，从实际应用情况来看，仍然存在设备感知状态量偏少、传感器长期运行的可靠性不高、设备内部状态精准评估困难、状态异常预警漏报和误报较多等问题[2]。总的来看，当前的电力设备状态监测技术尚未完全适应新型电力系统对设备运行的高可靠性和高灵活性标准，也制约着设备数字化和智能化技术发展，距离新型电力系统建设和发展的要求还有不小差距。

      2020—2023年，国家相继发布有关文件[3-7]，旨在构建一个以安全、可靠、清洁、高效、智能化和开放性为特点的能源节约型社会。这些文件强调了新型电力系统的建设，其核心特征包括高比例的可再生能源渗透和电力电子设备的广泛应用。这标志着电力行业在技术革新和能源结构转型方面迈出了重要步伐，以适应可持续发展的要求和应对全球气候变化的挑战。

      在建设新型电力系统背景下，确保电力设备安全运行的关键在于实现对设备状态的全面、及时和精准感知，以及具备自适应控制能力。近年来，微机电系统（micro-electro-mechanical system，MEMS）、光纤等新型传感技术以及物联网、边缘计算、人工智能、集成电路等信息处理技术的迅速发展，为提高电力设备状态的智能感知技术水平提供了关键技术支撑。考虑到提高电力设备状态感知水平的迫切性和必要性，本文聚焦于新型电力系统中电力设备状态感知技术的研究与应用，探讨其基本特性和核心需求。文章总结当前技术发展的现状，包括关键技术的研究进展和存在的挑战，并展望未来技术的发展方向和前景。

      1 新型电力系统背景下电力设备状态感知的特征和需求

      随着新型电力系统的建设和发展，电网的结构更加复杂，设备更加多样，技术更加多元。电力设备状态的全面、精准和灵敏感知，成为确保新型电力系统设备安全运行的关键[1]。电力设备状态的基本特征和需求主要体现在以下四个方面。

      1）新型电力系统背景下大量新能源电源和电力电子装置的广泛接入，电网运行呈现强波动性、随机性、间歇性和不确定性并引入大量谐波，导致现有电力设备的运行工况可能更为复杂、极端、变化剧烈。为保障电力设备安全可靠运行，对电力设备状态感知的全面性、实时性和准确性的要求越来越高。

      2）新型电力系统背景下能源供应和负荷主体数量激增，传统电力设备大量应用的同时，各类电力电子转换装置、柔性交直流设备、绿色环保设备、大规模储能装置等新型电力设备数量也迅速增长，保证设备安全运行的压力越来越大，提高设备状态感知的智能化水平、提升设备运维的效率成为必然趋势。

      3）新型电力系统的源网荷储规模将显著增大，如此复杂庞大系统的安全、稳定、高效管理和运行需要深度融合数字化、信息化和智能化技术，构建连接发、输、变、配、用、储等各环节电力设备的智慧物联系统，依托分布式传感网络和智能化电力设备实现电力系统全环节状态的全面观测、智能感知和灵活调控，支撑新型电力系统灵活智能运行。

      4）电力设备的高效节能运行是电网实现“双碳”目标的重要组成部分，为充分利用现有设备的负载能力，提高设备的利用效率，有效延长其使用寿命并实现绿色高效的运作，关键在于更精准地监控和管理设备的健康状态、运行环境状态和过负载能力，准确预测设备未来的故障概率和使用寿命。

      总的看来，新型电力系统对设备状态的监测要求更为深入和全面。利用先进的数字化和智能化技术构建新一代的电力设备全要素、全过程状态感知系统，全面、实时、精准地掌握设备运行状态，是新型电力系统在复杂运行状态下保障设备安全、稳定、高效运行的关键前提，也是新型电力系统复杂运行条件下，利用先进的数字化、智能化技术，构建新一代电力设备全要素、全过程状态感知系统的重要保障。

      基于新型电力系统的核心特点，电力设备状态感知的关键技术架构如图1所示。该架构主要聚焦于数字化和智能化两个核心目标，结合智能传感、高性能通信、物联网、人工智能、集成电路等信息处理软硬件技术的发展，在电力设备状态新型传感技术、传感器可靠性保障、智能感知边缘计算等方面开展关键技术研究，构建新型电力系统下的设备状态感知技术体系。

      图1 面向新型电力系统的设备状态感知关键技术体系架构
      Fig. 1 Key technology architecture for equipment state perception for new power systems

      2 电力设备状态新型传感技术

      先进可靠的传感器是实现电力设备状态感知的基础。近年来，多种电力设备状态监测传感器，如可见光图像、红外热像、局部放电、热点温度、泄露电流、振动、声音等，已被广泛采用并积累了宝贵的应用经验。然而，目前广泛使用的状态监测传感器通常难以适应多样化的设备应用场景，传感器缺少针对环境的专门设计，面临诸如可靠性不足、一致性差、运维负担重、性价比低以及难以在一次设备内进行安装等问题。相较于通用传感器，电力设备专用传感器需要能够适应电力设备独特的运行环境和结构特点，同时传感系统也需要较高的绝缘性能。结合近年来发展的一些新型传感器的技术特点和电力设备状态感知的需求，未来在电力设备状态感知领域具备应用前景的技术如表1所示，包括光学传感技术、低功耗无源无线传感器及传感网络、微机电系统（micro-electromechanical system，MEMS） /芯片化传感器和基于新材料的先进传感技术等。

      表 1 电力设备状态传感新技术
      Table 1 New technology for power equipment condition sensing

      传感技术 主要特点 应用范围 存在问题光学传感抗干扰能力强、绝缘性高、灵敏度高、可内置。利用光学干涉、光纤光栅等原理局部放电、温度、压力、振动、应变等设备状态监测光的采集和传播问题，传感器的灵敏度受光线传播遮挡的影响低功耗无源无线传感器及传感网络无需外部电源，依赖环境能量采集；数据传输可靠性受环境能量波动影响高压环境、设备内部、城市郊区等难以更换电池的场景能量获取不稳定、节点可靠性差、数据采集算法优化不足MEMS/芯片化传感传感器小型化、集成化、批量生产；具有高精度和可靠性电力设备内部电场、振动、声音等监测传感器集成度和成本优化问题；特定设备状态（如局部放电）监测技术尚不成熟

      续表

      传感技术 主要特点 应用范围 存在问题基于新材料的先进传感新型材料提升传感器性能，如磁敏材料、柔性压电复合材料等电流、振动、局部放电等监测，适用于非侵入式状态监测材料稳定性、长时间使用的可靠性以及大规模应用的成本问题磁敏材料电流传感基于巨磁阻（GMR）/隧穿磁电阻（TMR）效应，灵敏度高、温度稳定性好、测量范围宽电力设备中电流精密测量，尤其是直流电流和高频电流测量需要进一步提高器件稳定性，及适用性与大规模应用的兼容性问题柔性压电复合材料传感灵敏度高、适应性强，可安装于曲面；能够捕捉微小振动，响应广泛频率范围电力设备振动监测、结构健康监测等材料老化、长期使用稳定性差，灵敏度受外界噪声影响较大

      2.1 电力设备专用光学传感技术

      光学传感器抗干扰能力强、绝缘强度高、灵敏度高、可内置，可直接感知设备内部多种状态参量，如局部放电、温度、压力、振动、应变等。目前用于电力设备的光学传感技术主要利用光学干涉、光谱吸收、光纤光栅等原理[8]。

      当前常用的光学传感器主要包括法布里-珀罗 （Fabry-Perot，F-P） 干涉传感器和迈克尔逊（Michelson） 干涉传感器。F-P传感器的原理为利用两个平行的半透明反射镜之间的多次反射和干涉，当光波在两镜片之间来回反射时，形成干涉图案，其间距与被测量的物理量相关，可以用于监测变压器油中的气泡和微小颗粒，也可以用于气体绝缘组合电器（gas insulated switchgear，GIS）设备内部的超声信号检测，但是电力设备内部的空间限制对传感器的尺寸和结构提出严格要求。F-P传感器的光学组件通常较为精密且体积较大，可能无法适应狭小或复杂的设备空间，同时F-P传感器的安装需要非常精确的光学对准。电力设备中的复杂环境（如高压、振动、温度波动等）可能导致光学系统产生偏移，影响测量精度。Michelson传感器的原理为利用分束镜将入射光分为两束，其中一束光线被反射回原路径，另一束光线被反射并与原光线相交。当这两束光线再次汇聚时，会形成干涉图案，可以用于监测电力设备表面的微小振动或应变，但是电力设备表面可能具有复杂的形态和振动模式，如何准确捕捉和解析微小的振动或应变变化是需要解决的一大难题。光谱吸收的原理是利用特定气体分子对特定波长的光吸收的原理。当光穿过气体时，被吸收的波长与气体浓度为正比关系。基于气体的光声效应的光声光谱法（photoacoustic spectroscopy，PAS） 采用的是光谱吸收传感技术，用于检测特定气体的浓度。光线中的折射率呈周期性变化，这就是光线光栅的原理。当外界环境有温度、压力、应力等变化时，这些变化会导致光纤中折射率的周期性变化，进而改变光的传播。目前使用最广泛的传感器是基于光纤布拉格光栅（fiber Bragg grating，FBG）原理的传感器，用于监测电力设备内部的温度、应力、振动等参数，通过监测光纤布拉格光栅的中心波长变化来判断设备的工作状态和健康状况。需要注意的是光纤本身比较脆弱，容易受到外部物理冲击、弯曲以及温度变化的影响。因此，在电力设备中敷设光纤时，需要特别关注其保护措施，以防止物理损伤。

      除了上述光学效应，基于光电效应的光电传感器同样得到关注。目前研究最多的光电传感器是光电倍增管（photomultiplier tube，PMT）和雪崩光电二极管（avalanche diode，APD）及硅光电倍增管（silicon photomultiplier，SiPM）。雪崩光电二极管与硅光电倍增管都采用了内光电效应的APD元件，成品雪崩光电二极管往往只有一个APD单元，工作在雪崩模式，大小为mm级别；而硅光电倍增管是由成千上万的APD阵列组成，工作在盖革模式，APD单元通常为μm级别。上述光电传感器主要用于检测电力设备的异常放电的微光信号，具备响应快、灵敏度高、抗干扰能力强等优点，但是对于光的采集是目前需要解决的难题。由于设备异常时放电初期光线较为微弱，一旦光路传播存在遮挡，传入光电传感器的光将不足，则会大大降低光电传感器的灵敏度。因此对于这种基于直接测量发光的光电传感技术，光的收集、传播特性是需要重点研究的问题。

      2.2 低功耗无源无线传感器及传感网络

      无线传感器可以从真实的物理世界采集一维数据如电流、电压、温度、声音、气压，或者二维数据（如图片）等，并将这些数据无线传输至服务器。每个无线传感器可以看作是一个节点，服务器则是汇聚节点，无线数据以一跳或者多跳的方式传输，共同构成无线传感器网络。传统的无线传感器网络依靠自身电池供电，长时间运行下电池必然需要人为更换。然而电力设备使用的无线传感器往往布置在高压环境、设备内部、城市郊区等，更换电池的过程是异常艰难甚至不被允许的。因此，学者们提出研制可从环境中获取能量的传感器，形成无源节点。众多无源节点便可组成在能量上自给自足的无源网络，极大推动了无源无线传感网络的普及。然而传感器所处环境中的能量往往是微弱、间歇、难以预计的，导致无源节点难以像有源节点一样稳定地传输数据，存在获能速率慢且不稳的休眠现象、节点调用时的可靠性不足、网络内各节点功率存在差异等问题，因此有源网络的数据采集策略往往是不适用于无源网络的。针对无源传感网络数据采集问题的研究，可以分为以下两类：一是针对静态汇聚节点的数据收集算法，包括单跳网络算法和多跳网络算法；二是针对可移动汇聚节点的数据收集算法。总之无源无线传感网络数据的收集既要考虑无线传输冲突，又要考虑每个节点能量的变化与余量，所以对于无源无线传感网络的数据收集应采用分布式的算法，同时还需要每个节点有效利用自身环境的能量以提升网络整体的性能[9]。电力设备所处外部环境的能量密度通常较低，特别是电磁场或温度场的能量密度往往无法满足传感器稳定工作的能量需求。此外，环境变化频繁，传感器的能量收集过程可能受到天气、设备状态等多种因素的影响，导致能量获取的效率较低。针对这种低效能量收集的情况，如何提高能量转换效率，延长传感器的工作时间，是需要重点解决的难点问题。

      除了无源无线传感网络的数据收集算法研究，每个无源节点自身的能量收集研究也是需要关注的。不同类型的电力设备的自身结构不同、所处环境不同，相应的无源无线传感器节点获取能量的方式必然是不同的。环境中的电场能、磁场能、温度场的变化以及外界太阳能、风能的输入都可作为节点获取能量的方式。如前所述，环境中这些能量往往是变化波动不稳定的，因此一般节点会选择多种形式的能量作为输入，比如风-光复合能量收集[10]。同时，节点自身能量收集完毕后，如何进行能量储存、如何搭建拓扑结构管理节点能量的供给，都是有待研究的关键问题。可以预见，未来电力设备采用的专用传感技术将尽可能实现无需外部电源或者低功耗，以降低自身能耗为前提提升传感器的可靠性和耐用性。多类型的无源传感器能够实时感知电力设备的局部放电、温度、应力、振动等多种参数，并将这些信息转化为数字化的电信号。

      2.3 设备状态感知芯片化及MEMS传感技术

      当前电力设备状态感知使用的传感器大都存在体积较大、批量生产成本较高、安装困难等问题，因此需要研究小型化/微型化、批量生产成本低、安装简便、芯片化的传感技术[11]。芯片化传感技术是指将传感采集、信号处理、数据分析、信息传输等设备状态感知主要功能进行芯片化设计，通过SoC（system on chip）或SiP（system in package）等芯片封装技术实现功能的集成和整合[12]，从而大幅提高状态感知的经济性、可靠性和一致性，显著减小感知模块的体积，为设备数字化和智能化提供基础器件。将传感、采集、信号处理、数据分析等多个功能集成到一个芯片中需要攻克诸多技术难题，特别是在高集成度和低功耗方面。对于局部放电、振动和声波等设备状态量的检测，传感器的集成设计需要保证其在微型化的同时，还能有效地传输和处理信号。这对材料、封装技术和电路设计提出了较高要求。目前适用于电力设备状态感知的边缘计算芯片和安全通信芯片有一些研究报道，但针对局部放电、振动、声音等典型设备状态量的传感采集和信号处理集成感知专用芯片还较少有研究报道，未见成熟的产品。

      MEMS是用于传感器微型化、批量化和集成化制造的技术，可实现电场、振动/声学等常用设备状态参量的检测。MEMS电场传感器能够在非接触的条件下精准测量电场强度，还具有尺寸小、灵敏度高、响应快速、多功能集成、大规模成本效益、可靠性高等优点，具有较好的应用前景[13-15]。通过安装MEMS电场传感器于电力设备的关键部位，可以实时捕捉到电场信号的微弱变化，包括设备内部的电场分布和外部干扰，察觉电力设备是否存在电流、电压异常等情况，同时MEMS电场传感器也能探测绝缘材料的状况，一旦发现绝缘材料出现老化或损坏，即可提前预警，避免因绝缘故障引发的事故。尽管MEMS电场传感器具有良好的应用前景，但在电力设备中的应用仍然存在一些挑战。例如，如何在强电磁环境下确保MEMS传感器的稳定性，如何减少传感器误差和提高测量精度。而且在实际应用中，需考虑如何将多个MEMS传感器集成到电力设备的监测系统中，保持系统的高效性和兼容性，此外，还需要解决多种传感器的集成可能会引发的相互干扰问题。

      光学MEMS传感器是MEMS技术与光学检测技术的结合，其中光学MEMS声传感器是电力设备状态感知值得关注的重要研究方向。结合光纤的宽带工作频率和低传输损耗特性以及MEMS的制造工艺，光学MEMS声传感器实现了微型化、阵列化、批量生产和高一致性。这些传感器具有高灵敏度、宽频带、大动态范围和高信噪比等卓越的声波探测能力。在智能物联网时代，光学MEMS声传感器因其微小的体积、低能耗、高集成度和成本效益，展现出巨大的发展潜力[16]。光学MEMS声传感器可根据不同的声波敏感结构分为三类：光学干涉仪型、微结构光纤光栅型和微谐振腔型。目前针对电力设备的状态感知，F-P干涉光纤声传感器是研究最为广泛的。采用MEMS技术制备的硅凹槽膜片型光纤F-P超声传感器可用于GIS和变压器内部局部放电信号的检测，与传统的压电陶瓷（PZT）传感器相比，检测灵敏度至少提高了3.75倍[17]。

      2.4 基于新材料的先进传感技术

      2.4.1 磁敏材料电流传感器

      1988年，法国科学家Baibich等人发现了(001)Fe/(001)Cr超晶格体存在巨磁阻（giant magneto resistance，GMR）效应[18]，引起了各行各业的广泛关注。GMR效应是指材料的电阻会在外部磁场作用下发生巨大改变。GMR传感器的核心是其nm级多层膜结构的磁性和非磁性层的交替排列，受到外加磁场的影响，电阻值显著减低，性能远超传统金属的磁阻效应[19]。对于电力系统，GMR传感器可被应用于电力设备非侵入式的状态监测和故障诊断。由于GMR传感器可以测量微弱磁场的变化，可以对各种旋转电机进行状态监测和故障诊断，定位和定量分析电机绕组潜在的高电阻连接 （HRC） 故障[20]。针对输变电设备，GMR传感器可以通过测量电流引起的磁场变化，主要实现对电流的高精度测量，克服了传统的电磁式电流互感器无法测量直流电流、测量范围窄、体积大等缺点，同时相比新型的霍尔电流传感器体积更小、测量频带更宽、抗温度影响，相比新型的光纤电流传感器构造更为简单、价格更低[21]。GMR传感器可用于检测微弱的电流，也可用于检测设备内部的局部放电信号[22-23]。在实际应用中，它仍然容易受到外界环境的噪声干扰，尤其是在电力设备的强电磁干扰环境中；同时对温度变化较为敏感，因此，在电力设备长期运行中，温度变化可能导致传感器的电阻值波动，影响其测量精度和稳定性。

      1995年，日本东北大学、美国麻省理工大学的学者在以非晶AlOx为势垒的磁性隧道结中分别观察到了约20%的室温隧穿磁电阻（tunnel magneto resistance，TMR）效应，开启了关于磁性多层膜材料TMR效应的研究工作。近年来，TMR器件方面的突破为高性能电流传感器的研制开辟了新的途径。TMR器件相比于GMR传感器具有更好的温度稳定性，但在极端高温或低温环境下的可靠性仍需要进一步验证。和其他磁敏器件相比，TMR器件具有更高的灵敏度、更好的温度稳定性、更低的功耗和更好的线性度，在电力设备宽频带电流传感方面具有广阔的应用前景。

      2.4.2 新型柔性压电复合材料传感器

      新型柔性压电复合材料传感器是基于压电效应的传感器。压电效应是指某些材料在受到外部机械应力时会产生电荷。该类传感器通常由柔性基底、压电复合材料和电极组成。当传感器受到外部振动或压力作用时，压电材料产生形变，从而在电极间生成电荷，实现压力或振动信号的转换。与传统的石英晶体和陶瓷等压电效应传感器相比，基于柔性材料的压电传感器有着以下优点[24]：传感器非常灵敏，能够捕捉更加微小的振动信号；由于采用柔性基底，传感器可以适应各种曲面，安装使用非常灵活；能够在较宽的频率范围内响应振动信号，包括高频振动；能够迅速响应外部振动或压力，适用于实时监测。

      柔性压电复合材料传感器能够高度敏感地捕捉到电力设备的微小振动信号，如发电机、变压器等设备的振动[25]。通过实时监测设备的振动情况，可以预测设备的运行状况，及时发现异常振动，从而预防设备故障，延长设备寿命。除了振动监测，柔性压电传感器还可以用于监测电力设备结构的健康状况。它能够感知设备结构的损伤、确定损伤程度与损伤位置，帮助预防由于结构疲劳或老化引起的设备损坏[26]。

      3 电力设备状态传感器可靠性保障技术

      当前，电力设备状态传感器的应用表明，现有传感器技术仍存在一些问题，这些问题在实际使用中表现为物理量测量的不精确、信息传输的不顺畅、防护性能的不足以及稳定性的欠缺[1]。这些缺陷导致传感器在整个生命周期内的可靠性尚未达到电力设备状态监测的实际需求，亟须开展电力设备状态传感器现场校验、性能评估和可靠性提升技术的研究，如表 2所示。

      表 2 电力设备状态传感器可靠性保障技术
      Table 2 Reliability assurance technology for power equipment condition sensors

      技术类别 主要特点 应用范围 存在问题传感器性能现场测试与校正技术●现场校验设备逐步研发●高稳定度直流标准试验电源●局部放电特高频传感器校验●溶解气体在线监测装置●直流互感器●瓦斯继电器●局部放电检测●溶解气体在线监测●现场校验技术尚不成熟●功能单一，覆盖范围有限●测试效率低传感器在线性能评估与故障诊断技术●基于系统模型诊断●基于信号处理诊断●基于数据驱动诊断●小波变换与神经网络诊断●电流传感器●速度传感器●其他电力设备传感器●故障诊断方法针对性不足●系统模型的准确性依赖于模型质量●信号处理受干扰信号影响大●数据驱动方法依赖于残差阈值，可靠性差传感器可靠性提升技术●研究恶劣环境对传感器的影响●温湿度分布对凝露的影响●加热器优化布置●PID控制的自适应模糊算法●高压开关设备●电气设备内部监测●装置的长期运行●研究较少●可靠性提升方法较为初步●对新型传感器的适应性研究不足

      3.1 传感器性能现场测试与校正技术

      对电力设备状态传感器进行现场测试和在线校验已有一些初步的研究。文献[27]研制了直流互感器数字校验仪和外置式高稳定度直流标准试验电源，实现对0.2级及以下直流互感器现场校验校准以及暂态特性试验。文献[28]介绍了一种利用压电转换法来验证瓦斯继电器动作流速值的方法，并进一步发展了瓦斯继电器的现场校验技术。在此基础上，一些研究提出基于时域脉冲和双端插入损耗的局部放电特高频传感器现场校验与评估技术[29-30]。文献[31]开发了一套绝缘油中溶解气体的在线监测装置，该系统具备自动校验评估及校准功能。

      从现有研究及应用情况来看，设备状态在线监测传感器的现场校验技术目前还不成熟，传感器性能现场检测装置还存在着功能较为单一，覆盖范围有限，测试效率亟待提高等问题，相关研究工作亟待开展。

      3.2 传感器在线性能评估与故障诊断技术

      目前对于电力专用传感器本身的状态评估研究较少，并且缺乏关键的技术指标。国内外学者对传感器故障诊断技术应用主要集中于汽车工业、空调系统等。传感器常见故障类型可以分为：冲击故障、偏移故障、漂移故障以及噪声故障[32]。对于传感器故障诊断的主要方法可以概括为三种：基于系统模型、基于信号处理以及基于数据驱动的方法[33]。

      基于系统模型的方法通常根据物理原理或者通过系统辨识得到系统模型，通过模型输出和传感器测量的比较产生残差，并对残差进行监测。文献[34]对霍尔式运动传感器故障诊断方法进行了研究，将霍尔传感器简化成线性时不变系统。通过将传感器实际输出和线性时不变系统模拟的结果做残差，利用迭代学习的方法对残差进行处理从而诊断传感器故障，本质上是利用某些方法得到系统输出的预测值，但该方法对于所有的传感器不具有普遍适用性。文献[35]设计了基于模糊动态模型的故障观测器，将输入分为若干个线性子模块分别进行模糊处理来逼近系统的非线性特征，将故障观测器的输出和测量值进行对比，计算故障残差，通过设定阈值判断传感器是否发生故障。

      基于信号处理的方法是根据故障信号的特征的提取对传感器进行检测的手段。文献[36]针对永磁同步发电机中的电流传感器进行故障诊断研究，由于电流传感器仅测量相电流，传统基于状态观测器的方法需要系统模型和相应参数，因此通过对归一化后电流信号的处理识别传感器故障，但该方法仅能判断故障，并不能对故障类型进行诊断。文献[37]对于磁场感应电机中的速度和电流传感器进行研究，根据相电流之间的不对称性来检测异步电机中电流传感器的故障，并基于定子电流的场分量和转矩分量信号分析速度传感器的故障。文献[38]对于小波变换在传感器故障诊断中的应用进行了较为详细的讨论。

      当前，基于数据驱动的方法已成为有效的传感器故障诊断和性能评估手段。文献[39]将基于模型的方法拓展成基于数据驱动的方法，利用最小二乘支持向量机（support vector machine，SVM）生成系统残差，通过对残差的小波变换处理进行故障诊断。文献[40]基于神经网络预测给出了一种传感器故障诊断方法，对传感器输出信号进行小波变换判断是否可能出现故障，进而利用神经网络预测对传感器输出信号进行分析以及故障诊断。文献[41-42]分别利用BP（back propagation）神经网络和RBF（radial basis function）神经网络对传感器数据进行预测，计算预测值与实际测量值的残差。文献[43]针对测距传感器设定固定阈值，当残差超过阈值，即判定传感器出现故障，文献[44]则通过分析残差信息来判断传感器故障类型。文献[45]基于XGBoost集成学习算法提出了一种基于物联网的传感器故障诊断方法，能够准确判断传感器是否出现偏差、漂移、完全故障或精度下降的情况，并利用人工智能（artificial intelligence，AI）技术对其诊断结果进行可解释说明。

      总体而言，当前研究和应用中的传感器故障诊断方法主要是基于系统模型的，其原因是该类方法运行速度快且与负载无关，缺点是其准确率取决于模型的准确性。基于信号处理的方法与系统模型参数无关，但易受干扰信号影响且诊断速度慢。而基于数据驱动的方法当前主要侧重于对传感器故障进行诊断，其诊断依据多为基于残差设定的阈值，可靠性不佳。

      3.3 传感器可靠性提升技术

      影响传感器性能及测量准确性的重要因素是监测装置所处的环境。高温、极寒、高湿等恶劣环境所引起的温升和凝露是长期以来影响传感器及装置运行可靠性的重要因素。研究表明，在高压开关设备运行过程中，由于设备自身的温升和热惯性，其内部环境温度往往高于表面温度[46]。当设备表面温度低到一定程度时，就将形成凝露。长期的凝露积累可能导致设备表面锈蚀，影响设备的正常使用，并且可能因为传感器和电子元件受潮而增加短路和烧毁的风险。温湿度的分布对于电气设备表面是否形成凝露具有显著影响[47-50]，凝露的形成总是需要温差的存在，温度分布不同，导致凝露产生的位置、产生的时间都会有差异，因此研究封闭空间内的温度特性也尤其重要[51-53]。目前对于凝露形成过程探究主要分为实验和仿真两方面：实验方面，文献[47]探讨相对湿度和温差对高压开关柜内壁凝露起始时间的影响；在仿真方面，许多研究者采用三维多物理场耦合仿真模型来分析电气设备内部的温度分布特性[54-57]。

      电力传感器的工作环境普遍存在着强电磁和机械振动，强电磁会对传感器的电路元件及信号传输产生干扰，体现为输出信号发生突变。而机械振动可能会导致传感器部件产生金属疲劳或者出现传感器材料的冷变形，特别是机械冲击则会造成材料的位移或再分布，均会影响传感器性能。

      对应用于室外的电力专用传感器，在夏季长期暴露在高温环境，传感器材料的物理、化学特性受到影响进而导致密封处破损、风干等问题。另外，由于高低温的温度循环变化导致传感器材料的膨胀与收缩，会引起材料应力和应变。因此，温度与应力长期作用下也对传感器的性能造成一定的影响，表现在输出信号产生漂移。

      虽然有研究开始关注恶劣环境对电力设备检测装置及其传感器的影响，但相应的装置可靠性提升方法研究较少。文献[58]提出了一种加热器优化布置的方法，这种方法兼顾了温升的均匀性、温升的高低、除湿效果以及总功耗等因素。在对不同加热器的加热均匀性和有效加热空间进行比对后，选取最优加热器布置方案，最后对结果进行试验验证。文献[59]采用自适应模糊算法改进PID控制器，实现对电气设备温度的合理控制，解决炎热季节电气设备的有效散热问题。

      对电力专用传感器及各类监测装置的可靠性提升技术研究仍处于起步阶段，随着越来越多的新型传感器在电力设备状态感知中的应用，以传感器现场测试数据分析为基础的方法是未来提升其可靠性的重要技术路线之一。针对电力专用传感器的在线性能评估与故障诊断，图2给出了融合信号处理和数据学习算法的电力专用传感器在线性能评估与故障诊断流程。通过对现场传感器数据的综合分析与智能学习，实现对传感器性能的在线评估与故障诊断，提升其长期运行可靠性。

      4 电力设备状态感知边缘计算技术

      边缘计算是一种分布式计算模式，它将数据处理和存储从云端或中心节点转移到网络边缘的设备上，从而减少网络延迟，提高数据安全性和隐私性，节省带宽资源，支撑实时分析和低功耗的应用场景。随着各类电力设备状态感知装置和电力物联网技术的加速应用，电网中输电、变电、配电各个环节都产生了海量的状态感知数据，将给服务器带来巨大的压力。边缘计算可以根据应用需求和网络状况，动态地协同工作，实现数据的本地处理，有效地解决云计算面临的一些挑战，例如网络拥塞、数据安全、用户体验等，同时也为新兴的人工智能、大数据、5G等技术提供了应用场景。边缘计算的主要应用场景和优势包括：

      1）设备的状态数据可以在采集后得到迅速处理，减少了数据在网络中传输和在数据中心服务器排队处理的时间，适用于对实时性要求较高的场景。

      2）设备的海量状态数据得以在传感器端进行初步的筛选，无效数据或者无异常数据将不再上传数据中心服务器，避免了网络中无效的数据流动，减少了系统的硬件需求，同时可以降低系统的误报警率，增强可靠性。

      3）边缘计算的部署使得电力设备状态感知终端具备了数据实时分析和异常快速辨识的能力，支撑电力设备提升数字化和智能化水平。

      电力设备状态感知边缘计算发展的关键是适用于电力设备状态实时分析的边缘计算节点技术以及轻量化人工智能技术，如表3所示。

      表 3 电力设备状态感知边缘计算技术
      Table 3 Edge computing technology for power equipment condition perception

      技术类别 主要特点 应用范围 存在问题边缘计算节点技术●支持数据采集、接入、汇聚、计算、存储等功能●边缘节点包括传感器、摄像头、智能终端、微数据中心等设备●电力设备监测终端●微数据中心和边缘服务器●节点计算能力有限，难以处理复杂数据●节点部署复杂、成本较高轻量化人工智能技术●支持机器学习、深度学习算法●增强系统响应速度和智能化●需调整算法和模型以适应边缘计算平台的限制●电力视觉领域（设备缺陷、监控识别）●局部放电数据分析●油色谱检测等●边缘计算设备资源有限，无法运行复杂的AI模型●模型压缩/剪枝需平衡精度与计算负载

      4.1 边缘计算节点技术

      边缘计算技术的核心之一是边缘节点，在电力设备状态感知边缘计算中，它们可以是传感器、摄像头、智能终端等各种感知设备，也可以是边缘服务器、微数据中心等专用硬件。最初在边缘节点的研究上，相关研究机构和人员首先设计研发了具有扩展功能的数据网关[60-63]，主要基于数据网络的通信传输功能，增加了对电力相关数据的采集、接入、汇聚等功能。随着电力设备边缘计算需求的扩展，边缘节点的功能设计重点逐步转移到了边缘计算和边缘服务上面。除了一些通用的商业边缘计算平台，如华为ATLAS、英伟达EGX平台、树莓派[64]等产品开始在电力设备状态感知领域应用，还有一些研究机构和人员也设计研发了应对具体需求的专用边缘节点。与通用的边缘计算平台相比，专用的边缘节点针对特定应用场景优化，通过定制处理器和算法逻辑显著提升计算效率和数据处理速度，尽管这在一定程度上牺牲了其应用的成本与灵活性，但面对恶劣的设备运行环境具有更好的适应性和稳定性。文献[65]设计的边缘计算装置的硬件模块基于TI公司的中央处理芯片，配备了存储、通信、模拟量数据采集和报警等功能模块，软件基于Linux操作系统实现支持设备交互、算法平台、边缘计算等多种服务，其软硬件平台架构如图3所示。文献[66]分析了当前主要的边缘计算框架，认为通用的边缘计算框架对电网业务场景适应较差，因此分析了输电、变电、配电典型业务场景的边缘计算需求，提出了电力物联网感知层的边缘计算框架设计原则。文献[67]针对集中式配电网难以对预测难度大、分布广泛的分布式能源实现灵活和实时能源供应的问题，采用边缘节点路由器的能量缓存和能量多重寻址来消除可再生能源的间歇性并加快能量响应，设计了一种边缘计算驱动的能源缓存编排机制，实验证明该方法响应时间大大缩短，能满足实际的服务质量要求。文献[68]设计了一种面向发电设备异常检测服务的云边协同系统，利用事件驱动机制实现各服务之间的动态协作，并自适应调整数据流处理的逻辑，实验证明该系统能有效减少流数据处理的延迟，提高服务效率。未来在边缘节点的研究上，更可靠的云边协同能力、更强大的计算能力是研究人员关注的重点。此外电力设备边缘计算专用芯片的发展方向还包括实现更低的成本、更高的可靠性和更低的功耗。

      图2 电力专用传感器性能评估与故障诊断流程
      Fig. 2 The process of performance evaluation and fault diagnosis for power specific sensors

      图3 面向设备检测的模块化边缘计算节点软硬件平台
      Fig. 3 Modular edge computing node hardware and software platform for equipment detection

      4.2 适用于设备状态实时分析的轻量化人工智能与边缘计算技术

      边缘计算通过在数据源附近执行计算任务，为电力设备提供实时智能处理能力，支持机器学习和深度学习等算法，增强系统响应速度和智能化。然而，由于边缘侧设备的资源和性能有限，智能算法和模型往往因复杂性而难以在边缘设备上直接运行，这限制了它们在实时数据处理和决策支持方面的应用，因此需要将相关算法和模型进行调整，以满足业务需求。当前对电力设备状态感知边缘计算的相关研究涉及到了多种常用的状态量，包括：视频、红外热像、局部放电、油色谱、电压电流波形等[69]。

      电力设备边缘计算技术最主要应用在电力视觉领域。通过使用卫星、无人机、机器人、直升机和监控摄像头等设备获取电力视觉影像，并对图像进行语义分割、目标检测等识别和处理，提取和理解影像中的信息，实现影像中设备异常或者缺陷的智能辨识。电力视觉领域边缘计算的总体框架如图4所示。

      图4 电力视觉领域边缘计算的总体框架
      Fig. 4 The overall framework of edge computing in the field of power vision

      目前对于电力视觉影像的处理主要在数据中心服务器，但由于视觉影像数据量极大，占用网络资源极高，因此边缘计算的方式具有极大的优势[70-71]。电力视觉领域边缘计算技术的关键技术和研究热点在于模型的轻量化，传统上应用于电力视觉影像处理的主流算法主要有R-CNN（region-based convolutional neural network）系列算法、YOLO（you only look once）系列算法与SSD（single shot multibox detector）系列算法，但是这些模型通常较为复杂，需要的计算资源较多而不适于直接移植到边缘计算平台上[72]。在通用人工智能领域，模型轻量化研究主要有采用轻量型深度学习框架、轻量化网络设计、对现有网络模型压缩或剪枝等方法[73]。在电力视觉领域研究方面，研究者主要采用了对现有网络模型压缩或剪枝的方法，如文献[74]开发了一种针对电力绝缘子边缘检测的轻量级YOLOv3网络。这种设计在略微降低检测精度的情况下，显著减少了YOLOv3算法的计算负担。文献[75]融合了单阶目标检测算法SSD，提出了一种结合MobileNet架构的轻量化目标检测方法。文献[76]提出了一种基于YOLOv4的轻量级电力设备检测网络，在确保其具有较高检测速度的同时，提升模型对设备红外图像的故障诊断精度。文献[77]利用R-D（RepVGGdiverse branch block）模块及空间金字塔池化方法对YOLOv5算法进行改进，而后采用ResRep进行剪枝实现了推理速度的大幅提升。文献[78]提出了一种轻量级电力设备仪表识别方法，该方法部署了自适应锚点和全局上下文模块，在提高轻量级骨干网的特征提取能力的同时又不会增加额外的计算成本。在应用目标上，电力视觉领域的边缘计算针对的问题主要是输电线路的缺陷检测，此外也涉及到输电线路覆冰监测、变电站设备目标识别和外观缺陷辨识、红外热缺陷识别、人员风险安全管控、无人机/机器人巡视等方面[79-81]。

      局部放电是电力设备绝缘表征的重要状态量，电力设备局部放电监测感知装置在长期运行中也会产生大量的图谱数据需要上传至数据中心服务器处理，占用大量的网络资源。此外由于局部放电监测易受到各类干扰的影响，上传的数据中经常存在大量的各类干扰数据，造成监测系统误报警并影响数据中心的数据质量，因此利用边缘智能在电力设备传感器端对局部放电数据进行预处理，判断数据类型并筛出部分干扰数据可以大幅提升对电力设备绝缘状态感知的准确性。文献[82]提出了一种基于边缘计算的局部放电模式识别方法，将识别算法的训练放在云端，识别过程加载在边缘端，特征提取放在终端设备上，提高了计算资源的灵活性。文献[83]针对脉冲型干扰数据导致的局部放电监测系统误报警问题，采用多边传感器边边协同的方式，利用均值漂移聚类的方法检测外部脉冲型干扰信号，减少局部放电监测系统的网络资源占用并减少脉冲型干扰导致的误报警。文献[84]利用自适应神经模糊系统（ANFIS）对电缆接头局部放电中产生的紫外和红外信号进行综合分析，开发了一种基于边缘计算的检测单元，该单元能够更准确地评估电缆接头的运行状态，通过融合两种类型的信号提高了检测的准确性。

      在其他的电力设备状态量边缘智能应用方面，文献[85]针对变压器油色谱检测，开发了一种能够与光声光谱检测传感器配合使用的光声光谱边缘检测装置。其在边缘计算设备上运行支持向量机算法，用于变压器的故障诊断。文献[86]针对开关柜的全状态量感知，设计了开关柜温升评估等方面的应用微服务。文献[87]针对低压配电网的故障检测，基于随机矩阵理论提出了一种云-边协同的配电网故障检测方法，利用边缘计算平台对配电网量测数据进行处理，无需配电网物理结构信息可以实现对配电网常见故障的快速判定和准确定位。

      5 研究和应用展望

      随着新型电力系统的进一步发展，电力设备的运维模式将迎来根本性的转变和创新性的提升，数字化智慧电力设备也将广泛应用。电力设备状态感知技术是电力设备数字化和智能化发展的基础，也是新型电力系统建设过程中需要重点解决的关键问题，相关研究和应用的发展趋势包括以下方面。

      1）符合新型电力系统需求的电力专用传感器及芯片化传感器广泛应用。

      新型电力系统对传感器提出了响应速度快、动态范围宽、灵敏度高、随机性强等要求，亟须利用新的传感原理、传感材料、微系统技术以及轻量化人工智能技术研究满足要求的电力设备状态智能感知传感器。值得重点研究的方向包括量子传感技术、光学/分布式光纤传感技术、微纳传感技术、化学传感技术等，为高频电磁场测量、高动态变化温度测量、局部放电抗干扰检测、绝缘气体组分/油中气体快速准确在线监测、设备内部状态测量等状态感知等难点问题，提供新的解决方案和技术手段。此外，对现有成熟传感器及其信号处理电路（如电压、电流、局部放电、温度、振动、声音等）和状态数据实时分析算法（如视频图像、局部放电、振动、声音等异常状态实时辨识的智能诊断模型等）进行芯片化升级是电力设备状态传感技术的重要发展趋势之一。通过研制设备状态智能感知系列芯片，特别是感存算一体化的微纳传感器，可以大幅降低功耗和成本、提高可靠性和集成度、提升传感器的数据处理能力和设备的智能化水平。

      2）支撑电力设备数字化的传感器融合设计与集成技术不断发展。

      数字化电力设备融合了物理实体与数字孪生技术，其核心目标是通过数字化技术实现设备全生命周期的精确监测和预测。为了提高电力设备状态感知的有效性和可靠性，为设备数字孪生提供基础数据，安装在设备内部的状态传感器将获得较多应用。通过声、光、电、热、力等多参量传感器与电力设备的融合设计与集成能够直接监测设备内部的运行状态以及在运行过程中涉及的多种物理和化学参数的变化。目前，支撑电力设备数字化的传感器与电力设备一体化集成设计和制造技术以及多参量融合感知技术的研究在逐步开展，相关技术的发展将为设备全景状态感知以及一二次深度融合的数字化电力设备广泛应用提供支撑。在未来的应用实践中，必须综合考量各种电力设备的经济价值、重要性、风险等级和可靠性标准，根据应用场景优化选择关键的设备状态参量，制定出经济合理的传感器部署方案，满足多样化的电力设备状态感知需求。

      3）云边协同的电力设备状态智能感知技术日趋完善。

      边缘端的电力设备状态智能感知终端能够集成并处理来自各种传感器的数据、状态监测数据和环境气象信息。在此基础上，利用多参数融合分析和边缘计算技术，这些终端能够在复杂环境中实现设备的实时异常检测、故障预警、智能控制，甚至主动保护设备，从而提高电力系统的可靠性和安全性。轻量级人工智能算法是实现图像、声音、局部放电等数据实时分析的基础，为降低模型占用空间、减少识别精度损失，并提升模型的推理速度，研究适合电力设备状态检测的深度神经网络模型压缩技术及高性能硬件加速技术变得至关重要。同时，针对电力设备智能终端的边缘计算需求，开发成本低、可靠性高、功耗低的专用边缘计算芯片，也是当前研究的关键方向。在云端服务器可接入调度、生产管理、气象环境等其他专业系统数据，同时具备大量的案例样本和历史数据，一方面可通过数据驱动、机理模型和知识引导相结合，构建安全、可信、可靠的设备状态人工智能分析系统，实现设备状态的精准评估和设备故障的可靠预测，另一方面可通过深度训练迭代和更新，不断优化边缘端的智能诊断模型，提高计算的准确性。通过设备云边协同实现设备物理实体和数字孪生、人工智能技术相结合，形成具备自我状态精准感知、主动预警保护和优化运行控制功能于一体的新一代数字化智慧电力设备。

      6 结论

      1）在新型电力系统建设和发展的背景下，为确保电力设备的安全稳定运行和推动设备的数字化及智能化，研究工作需聚焦于电力设备状态专用传感器与芯片、传感器的可靠性保障以及状态感知的边缘计算等关键技术。通过这些研究，将构建起一套适应新型电力系统需求的技术体系，全面而深入地感知设备状态，并为智能运维提供坚实的技术基础。

      2）先进可靠的传感器是实现电力设备状态感知的基础。结合近年来发展的一些新型传感器的技术特点和电力设备状态感知的需求，未来在电力设备状态感知领域具备应用前景的技术包括：光学传感技术、低功耗无源无线传感器及传感网络、MEMS/芯片化传感器和基于新材料的先进传感技术等。

      3）目前电力设备状态传感器及监测装置的稳定性和可靠性还没有完全达到电力设备向数字化和智能化转型所需的标准，亟须开展电力传感器现场校验、综合性能评估及可靠性提升技术的研究，保障传感器在长期运行过程中的有效性。

      4）随着各类电力设备状态感知装置和电力物联网技术的加速应用，边缘计算可以根据应用需求和网络状况动态地协同工作，实现设备状态感知数据的本地实时处理和分析，提高状态数据处理的实时性和海量数据传输效率。设备状态感知边缘计算发展的关键是适用于电力设备状态实时分析的边缘计算节点技术以及轻量化人工智能技术。

      5）随着新型电力系统的逐步构建与进步，电力设备的运维策略将经历根本性的转变和创新性的提升，数字化智慧电力设备也将广泛应用，重点发展的技术包括符合新型电力系统需求的电力专用传感器及其芯片化技术、支撑电力设备数字化的传感器融合设计与集成技术、云边协同的电力设备状态智能感知技术等。

      参考文献

      1. [1]

        盛戈皞，钱勇，罗林根，等. 面向新型电力系统的数字化电力设备关键技术及其发展趋势[J]. 高电压技术，2023，49(5)：1765-1778.SHENG Gehao, QIAN Yong, LUO Lingen, et al. Key technologies and development trends of digital power equipment for new type power system[J]. High Voltage Engineering, 2023, 49(5): 1765-1778(in Chinese). [百度学术]

      2. [2]

        盛戈皞，钱勇，罗林根，等. 面向新型电力系统的电力设备运行维护关键技术及其应用展望[J]. 高电压技术，2021，47(9)：3072-3084.SHENG Gehao, QIAN Yong, LUO Lingen, et al. Key technologies and application prospects for operation and maintenance of power equipment in new type power system[J].High Voltage Engineering, 2021, 47(9): 3072-3084(in Chinese). [百度学术]

      3. [3]

        国有资产监督管理委员会. 关于加快推进国有企业数字化转型工作的通知[EB/OL]. (2020-09-21)[2024-09-26]. http://www.sasac.gov.cn/n2588020/n2588072/n2591148/n2591150/c15517908/content.html?ivk_sa=1024320u. [百度学术]

      4. [4]

        中国南方电网有限责任公司. 南方电网建设新型电力系统行动方案（2021—2030年）白皮书[R]. 广州：中国南方电网有限责任公司，2020. [百度学术]

      5. [5]

        中国南方电网有限责任公司. 数字电网推动构建以新能源为主体的新型电力系统白皮书[R]. 广州：中国南方电网有限责任公司，2021. [百度学术]

      6. [6]

        国家电网有限公司. 新型电力系统数字化支撑技术体系白皮书[R]. 北京：国家电网有限公司，2022. [百度学术]

      7. [7]

        国家能源局. 关于加快推进能源数字化智能化发展的若干意见[EB/OL]. (2023-04-02)[2024-09-26]. https://www.gov.cn/zhengce/zhengceku/2023-04/02/content_5749758.htm. [百度学术]

      8. [8]

        ZHOU H Y, MA G M, WANG Y, et al. Optical sensing in condition monitoring of gas insulated apparatus: a review[J].High Voltage, 2019, 4(4): 259-270. [百度学术]

      9. [9]

        陈昆仪. 无源传感器网络中高效数据收集算法研究[D]. 哈尔滨：哈尔滨工业大学，2022.CHEN Kunyi. Research on efficient data collection algorithm in passive sensor networks[D]. Harbin: Harbin Institute of Technology, 2022(in Chinese). [百度学术]

      10. [10]

        李刚. 风-光复合微能源无线无源传感网络系统研究[D]. 太原：中北大学，2023.LI Gang. Research on wireless passive sensing network system with wind-light hybrid micro energy harvesting[D]. Taiyuan:North University of China, 2023(in Chinese). [百度学术]

      11. [11]

        李鹏，毕建刚，于浩，等. 变电设备智能传感与状态感知技术及应用[J]. 高电压技术，2020，46(9)：3097-3113.LI Peng, BI Jiangang, YU Hao, et al. Technology and application of intelligent sensing and state sensing for transformation equipment[J]. High Voltage Engineering, 2020,46(9): 3097-3113(in Chinese). [百度学术]

      12. [12]

        秦潘昊，陈威宇，胡秦然，等. 新型电力系统设备状态监测与故障诊断传感芯片关键技术与展望[J]. 电力系统自动化，2024，48(6)：83-95.QIN Panhao, CHEN Weiyu, HU Qinran, et al. Key technologies and prospect of equipment condition monitoring and diagnosis sensor chips for new power systems[J].Automation of Electric Power Systems, 2024, 48(6): 83-95(in Chinese). [百度学术]

      13. [13]

        侯杰，吴桂芳，崔勇，等. 硅基微型静电谐振式直流电场传感器建模与仿真分析[J]. 中国电机工程学报，2021，41(1)：374-382.HOU Jie, WU Guifang, CUI Yong, et al. Modeling and simulation analysis of silicon-based miniature electrostatic resonant DC electric field sensor[J]. Proceedings of the CSEE,2021, 41(1): 374-382(in Chinese). [百度学术]

      14. [14]

        韩志飞，胡军，李立浧，等. 面向新型电力系统的微型电场传感技术[J]. 中国电机工程学报，2023，43(1)：399-414.HAN Zhifei, HU Jun, LI Licheng, et al. Progress of micro electric field sensing technology for new power system[J].Proceedings of the CSEE, 2023, 43(1): 399-414(in Chinese). [百度学术]

      15. [15]

        MOU Y, YU Z Q, HUANG K T, et al. Research on a novel MEMS sensor for spatial DC electric field measurements in an ion flows field[J]. Sensors, 2018, 18(6): 1740. [百度学术]

      16. [16]

        郑永秋，陈佳敏，赵馨瑜，等. MEMS光学声传感器[J]. 激光与光电子学进展，2023，60(3)：273-289.ZHENG Yongqiu, CHEN Jiamin, ZHAO Xinyu, et al. MEMS optical acoustic sensor[J]. Laser & Optoelectronics Progress,2023, 60(3): 273-289(in Chinese). [百度学术]

      17. [17]

        陈起超，李琪，李中原，等. 高灵敏度高一致性非本征光纤法-珀局部放电声发射传感器[J]. 高电压技术，2023，49(11)：4747-4756.CHEN Qichao, LI Qi, LI Zhongyuan, et al. High-sensitivity and high-consistency extrinsic fiber Fabry-Perot partial discharge induced acoustic emission sensor[J]. High Voltage Engineering, 2023, 49(11): 4747-4756(in Chinese). [百度学术]

      18. [18]

        BAIBICH M N, BROTO J M, FERT A, et al. Giant magnetoresistance of (001)Fe/(001)Cr magnetic superlattices[J].Physical Review Letters, 1988, 61(21): 2472-2475. [百度学术]

      19. [19]

        王立乾，胡忠强，关蒙萌，等. 基于巨磁阻效应的磁场传感器研究进展[J]. 仪表技术与传感器，2021(12)：1-12.WANG Liqian, HU Zhongqiang, GUAN Mengmeng, et al.Research progress of magnetic field sensors based on GMR effect[J]. Instrument Technique and Sensor, 2021(12): 1-12(in Chinese). [百度学术]

      20. [20]

        CAO W P, LI H H, HU C G, et al. Diagnosis of high-resistance connection faults in PMSMs based on GMR and deep learning[J]. IEEE Transactions on Industrial Electronics, 2024,71(7): 7915-7923. [百度学术]

      21. [21]

        何金良，嵇士杰，刘俊，等. 基于巨磁电阻效应的电流传感器技术及在智能电网中的应用前景[J]. 电网技术，2011，35(5)：8-14.HE Jinliang, JI Shijie, LIU Jun, et al. Review of current sensor technology based on giant magneto resistive effect and possible applications for smart grids[J]. Power System Technology,2011, 35(5): 8-14(in Chinese). [百度学术]

      22. [22]

        LI Y T, QIAN Z. The application of GMR sensor in the partial discharge detection[C]//2016 International Conference on Condition Monitoring and Diagnosis (CMD). September 25-28, 2016, Xi’an, China. IEEE, 2016: 924-927. [百度学术]

      23. [23]

        马建军，李岩松，李雪洋，等. 基于巨磁阻效应的电流传感器密封式聚磁环设计[J]. 电子测量与仪器学报，2022，36(5)：39-46.MA Jianjun, LI Yansong, LI Xueyang, et al. Design of sealed magnetic concentrating ring of current sensor based on giant magnetoresistance effect[J]. Journal of Electronic Measurement and Instrumentation, 2022, 36(5): 39-46(in Chinese). [百度学术]

      24. [24]

        曹经錡. 柔性压电复合材料应变传感器无线测量机理研究[D]. 绵阳：西南科技大学，2021.CAO Jingqi. Research on wireless measurement mechanism of flexible piezoelectric composite strain sensor[D]. Mianyang:Southwest University of Science and Technology, 2021(in Chinese). [百度学术]

      25. [25]

        翁晶. 基于柔性压电传感的螺栓松动超声导波检测方法[D].湘潭：湖南科技大学，2022.WENG Jing. Ultrasonic guided wave detection method for bolt loosening based on flexible piezoelectric sensing[D]. Xiangtan:Hunan University of Science and Technology, 2022(in Chinese). [百度学术]

      26. [26]

        李卉. 基于0-3型压电复合材料的曲面板裂纹Lamb波检测方法[D]. 湘潭：湖南科技大学，2019.LI Hui. Lamb wave detection method for cracks in curved panel based on 0-3 piezoelectric composite material[D].Xiangtan: Hunan University of Science and Technology,2019(in Chinese). [百度学术]

      27. [27]

        张杰，胡媛媛，刘飞，等. 高压直流互感器现场校验关键技术[J]. 高电压技术，2016，42(9)：3003-3010.ZHANG Jie, HU Yuanyuan, LIU Fei, et al. Critical technology of on-site calibration system for DC electronic instrument transformer[J]. High Voltage Engineering, 2016, 42(9): 3003-3010(in Chinese). [百度学术]

      28. [28]

        曾伟，樊金泽，杨帆，等. 基于压电转换法的瓦斯继电器现场校验方法分析[J]. 云南电力技术，2018，46(3)：114-117.ZENG Wei, FAN Jinze, YANG Fan, et al. Analysis of gas relay field calibration method based on pressure-electric conversion system[J]. Yunnan Electric Power, 2018, 46(3):114-117(in Chinese). [百度学术]

      29. [29]

        唐志国，王海青，何宁辉，等. 局部放电特高频传感器及系统现场校验与评估技术[J]. 高压电器，2018，54(11)：48-54.TANG Zhiguo, WANG Haiqing, HE Ninghui, et al. Field calibration and evaluation of partial discharge UHF sensors and detection system[J]. High Voltage Apparatus, 2018, 54(11):48-54(in Chinese). [百度学术]

      30. [30]

        李楠，李松原，尚学军，等. 基于交叉比对的UHF-PD在线监测装置现场校验方法[J]. 中国电力，2022，55(4)：100-107.LI Nan, LI Songyuan, SHANG Xuejun, et al. A field calibration method for UHF partial discharge on-line monitoring system based on cross-check algorithm[J]. Electric Power, 2022, 55(4): 100-107(in Chinese). [百度学术]

      31. [31]

        明菊兰，钱洲亥，余璐静，等. 绝缘油中溶解气体在线监测装置自动校验评估及校准系统的研制[J]. 电测与仪表，2022，59(9)：169-175.MING Julan, QIAN Zhouhai, YU Lujing, et al. Research and development of the auto testing, estimating and calibrating system for on-line monitoring device of gases dissolved in transformer oil[J]. Electrical Measurement & Instrumentation,2022, 59(9): 169-175(in Chinese). [百度学术]

      32. [32]

        JAN S U, LEE Y D, SHIN J, et al. Sensor fault classification based on support vector machine and statistical time-domain features[J]. IEEE Access, 2017, 5: 8682-8690. [百度学术]

      33. [33]

        GOU B, XU Y, XIA Y, et al. An intelligent time-adaptive datadriven method for sensor fault diagnosis in induction motor drive system[J]. IEEE Transactions on Industrial Electronics,2019, 66(12): 9817-9827. [百度学术]

      34. [34]

        张翔，温熙圆，曹宏发，等. 基于迭代学习的速度传感器故障诊断研究[J]. 铁道科学与工程学报，2021，18(11)：3006-3012.ZHANG Xiang, WEN Xiyuan, CAO Hongfa, et al. Research on fault diagnosis of speed sensor based on iterative learning[J]. Journal of Railway Science and Engineering, 2021,18(11): 3006-3012(in Chinese). [百度学术]

      35. [35]

        黄孝彬，牛玉广，刘吉臻，等. 基于模糊动态模型的传感器故障诊断方法[J]. 中国电机工程学报，2003，23(3)：183-187.HUANG Xiaobin, NIU Yuguang, LIU Jizhen, et al. Fault diagnosis for sensors baesd on fuzzy dynamical model[J].Proceedings of the CSEE, 2003, 23(3): 183-187(in Chinese). [百度学术]

      36. [36]

        FREIRE N M A, ESTIMA J O, CARDOSO A J M. A new approach for current sensor fault diagnosis in PMSG drives for wind energy conversion systems[J]. IEEE Transactions on Industry Applications, 2014, 50(2): 1206-1214. [百度学术]

      37. [37]

        SALMASI F R. A self-healing induction motor drive with model free sensor tampering and sensor fault detection,isolation, and compensation[J]. IEEE Transactions on Industrial Electronics, 2017, 64(8): 6105-6115. [百度学术]

      38. [38]

        张伟鹏，李光升，李国强. 基于小波分析的传感器故障诊断方法仿真研究[J]. 计算机测量与控制，2018，26(4)：39-43.ZHANG Weipeng, LI Guangsheng, LI Guoqiang. Simulation research on fault diagnosis method of sensor based on wavelet analysis[J]. Computer Measurement & Control, 2018, 26(4):39-43(in Chinese). [百度学术]

      39. [39]

        HEYDARZADEH M, NOURANI M. A two-stage fault detection and isolation platform for industrial systems using residual evaluation[J]. IEEE Transactions on Instrumentation and Measurement, 2016, 65(10): 2424-2432. [百度学术]

      40. [40]

        赵劲松，李元，邱彤. 一种基于小波变换与神经网络的传感器故障诊断方法[J]. 清华大学学报（自然科学版），2013， 53(2)：205-209.ZHAO Jinsong, LI Yuan, QIU Tong. A method for sensor fault diagnosis based on wavelet transform and neural network[J].Journal of Tsinghua University (Science and Technology),2013, 53(2): 205-209(in Chinese). [百度学术]

      41. [41]

        田宇，高强，李栋，等. 测距传感器性能评估与故障诊断方法研究[J]. 电子测量与仪器学报，2020，34(10)：172-178.TIAN Yu, GAO Qiang, LI Dong, et al. Research on performance evaluation and fault diagnosis methods of distance sensors[J]. Journal of Electronic Measurement and Instrumentation, 2020, 34(10): 172-178(in Chinese). [百度学术]

      42. [42]

        刘甜甜，那文波，何宁，等. 基于RBF神经网络的传感器故障检测方法[J]. 煤矿机械，2017，38(5)：143-145.LIU Tiantian, NA Wenbo, HE Ning, et al. Sensor fault detection method based on RBF neural network[J]. Coal Mine Machinery, 2017, 38(5): 143-145(in Chinese). [百度学术]

      43. [43]

        HEYDARZADEH M, NOURANI M. A two-stage fault detection and isolation platform for industrial systems using residual evaluation[J]. IEEE Transactions on Instrumentation and Measurement, 2016, 65(10): 2424-2432. [百度学术]

      44. [44]

        田宇，高强，李栋，等. 测距传感器性能评估与故障诊断方法研究[J]. 电子测量与仪器学报，2020，34(10)：172-178.TIAN Yu, GAO Qiang, LI Dong, et al. Research on performance evaluation and fault diagnosis methods of distance sensors[J]. Journal of Electronic Measurement and Instrumentation, 2020, 34(10): 172-178(in Chinese). [百度学术]

      45. [45]

        SINHA A, DAS D. XAI-LCS: explainable AI-based fault diagnosis of low-cost sensors[J]. IEEE Sensors Letters, 2023,7(12): 6009304. [百度学术]

      46. [46]

        赵会锋. 解决户内高压开关站凝露和温升的新方案[J]. 电子世界，2020(5)：60-61. [百度学术]

      47. [47]

        刘若溪，白宝军，郭沁，等. 开关柜凝露现象机理分析研究[J]. 高压电器，2018，54(10)：80-84.LIU Ruoxi, BAI Baojun, GUO Qin, et al. Analysis on condensation phenomenon mechanism of switchgear[J]. High Voltage Apparatus, 2018, 54(10): 80-84(in Chinese). [百度学术]

      48. [48]

        刘云鹏，郭沁. 高压开关柜电缆室温湿度场数值计算分析[J]. 高压电器，2017，53(9)：6-10.LIU Yunpeng, GUO Qin. Numerical calculation of temperature and humidity fields in cable room of high-voltage switchgearr[J].High Voltage Apparatus, 2017, 53(9): 6-10(in Chinese). [百度学术]

      49. [49]

        郑跃胜，任建华，舒胜文，等. 空气湿度对非均匀交流电场下短间隙击穿特性的影响[J]. 高电压技术，2019，45(5)：1352-1359.ZHENG Yuesheng, REN Jianhua, SHU Shengwen, et al. Effect of air humidity on breakdown characteristics of short gaps under alternating non-uniform electric fields[J]. High Voltage Engineering, 2019, 45(5): 1352-1359(in Chinese). [百度学术]

      50. [50]

        贾磊，王婷婷，肖微，等. 基于油枕空气湿度感知的变压器套管受潮在线监测方法[J]. 高电压技术，2020，46(9)：3114-3123.JIA Lei, WANG Tingting, XIAO Wei, et al. On-line monitoring method for transformer bushings with moisture based on air humidity perception in conservator[J]. High Voltage Engineering, 2020, 46(9): 3114-3123(in Chinese). [百度学术]

      51. [51]

        张俊民，侯振华，张春朋，等. 27.5 kV GIS母线室三维温度场的数值计算[J]. 电工技术学报，2011，26(12)：62-67.ZHANG Junmin, HOU Zhenhua, ZHANG Chunpeng, et al. Three dimensional thermal field numerical calculation of 27.5 kV gas-insulated switchgear bus bar’s cabinet[J]. Transactions of China Electrotechnical Society, 2011, 26(12): 62-67(in Chinese). [百度学术]

      52. [52]

        王增彬，王睿，姚聪伟，等. 强制对流散热对开关柜温升影响规律的仿真研究[J]. 高电压技术，2021，47(3)：1064-1074.WANG Zengbin, WANG Rui, YAO Congwei, et al. Simulation study on the influence of forced convection heat dissipation on temperature rise of switch-gear[J]. High Voltage Engineering,2021, 47(3): 1064-1074(in Chinese). [百度学术]

      53. [53]

        汪倩，屈建宇，吴刚，等. 配电开关柜温升特性的多物理场仿真和实验[J]. 高电压技术，2016，42(6)：1775-1780.WANG Qian, QU Jianyu, WU Gang, et al. Multi-physical field simulation and experiment of temperature-rise characteristics of switchgear compartment[J]. High Voltage Engineering,2016, 42(6): 1775-1780(in Chinese). [百度学术]

      54. [54]

        彭涛，唐炳南，赵莉华，等. 中压开关柜典型接触故障下的温升特性研究[J]. 高电压技术，2021，47(12)：4331-4345.PENG Tao, TANG Bingnan, ZHAO Lihua, et al. Study on the temperature rise characteristics of medium-voltage switchgear under typical contact failure[J]. High Voltage Engineering,2021, 47(12): 4331-4345(in Chinese). [百度学术]

      55. [55]

        WANG L J, LI X L, LIN J, et al. Studies of modeling and simulation method of temperature rise in medium-voltage switchgear and its optimum design[J]. IEEE Transactions on Components, Packaging and Manufacturing Technology, 2018,8(3): 439-446. [百度学术]

      56. [56]

        阮江军，张宇，张宇娇，等. 电气设备电磁多物理场数值仿真研究与应用[J]. 高电压技术，2020，46(3)：739-756.RUAN Jiangjun, ZHANG Yu, ZHANG Yujiao, et al. Numerical simulation research and applications of electromagnetic multiphysical field for electrical equipment[J].High Voltage Engineering, 2020, 46(3): 739-756(in Chinese). [百度学术]

      57. [57]

        LI S Z, HAN Y, LIU C Z. Coupled multiphysics field analysis of high-current irregular-shaped busbar[J]. IEEE Transactions on Components, Packaging and Manufacturing Technology,2019, 9(9): 1805-1814. [百度学术]

      58. [58]

        舒胜文，许俊炜，占兆璇，等. 高湿环境下40.5 kV开关柜凝露发展特性与加热器布置方法[J]. 高电压技术，2023，49(2)：493-504.SHU Shengwen, XU Junwei, ZHAN Zhaoxuan, et al.Condensation development characteristics and heater arrangement method of 40.5 kV switchgear under highhumidity environment[J]. High Voltage Engineering, 2023,49(2): 493-504(in Chinese). [百度学术]

      59. [59]

        徐留明，吴金文，于磊磊. 基于自适应模糊算法的电气设备温度控制技术[J]. 浙江水利水电学院学报，2021，33(1)：74-78.XU Liuming, WU Jinwen, YU Leilei. Temperature control technology of electrical equipment based on adaptive fuzzy algorithm[J]. Journal of Zhejiang University of Water Resources and Electric Power, 2021, 33(1): 74-78(in Chinese). [百度学术]

      60. [60]

        ZHAO L, MATSUO I B M, SALEHI F, et al. Development of a real-time web-based power monitoring system for the substation of petrochemical facilities[J]. IEEE Transactions on Industry Applications, 2019, 55(1): 43-50. [百度学术]

      61. [61]

        KHAN R, KHAN S U. Design and implementation of UPnPbased energy gateway for demand side management in smart grid[J]. Journal of Industrial Information Integration, 2017, 8:8-21. [百度学术]

      62. [62]

        殳雪城，范平清. 基于边缘计算的物联网网关监控系统的研究[J]. 电子器件，2019，42(6)：1569-1573.SHU Xuecheng, FAN Pingqing. Research on gateway monitoring system of Internet of Things based on edge computing[J]. Chinese Journal of Electron Devices, 2019,42(6): 1569-1573(in Chinese). [百度学术]

      63. [63]

        郭志涛，魏英杰，陈中林，等. 基于树莓派的海上风电环境及设备监测系统设计[J]. 传感器与微系统，2023，42(8)：103-106.GUO Zhitao, WEI Yingjie, CHEN Zhonglin, et al. Design of offshore wind power environment and equipment monitoring system based on Raspberry Pi[J]. Transducer and Microsystem Technologies, 2023, 42(8): 103-106(in Chinese). [百度学术]

      64. [64]

        左广安. 基于边缘计算的电容器异常状态监测技术研究[D].哈尔滨：哈尔滨工业大学，2021.ZUO Guang’an. Research on capacitor abnormal condition monitoring technology based on edge computing[D]. Harbin:Harbin Institute of Technology, 2021(in Chinese). [百度学术]

      65. [65]

        江翼，刘正阳，王文瑞，等. 基于边云协同的变电设备多状态量监测系统研究[J]. 电力系统保护与控制，2021，49(6)：138-144.JIANG Yi, LIU Zhengyang, WANG Wenrui, et al. Research on multi-state monitoring system of substation equipment based on edge-cloud collaboration[J]. Power System Protection and Control, 2021, 49(6): 138-144(in Chinese). [百度学术]

      66. [66]

        李世豪，缪巍巍，曾锃，等. 面向电力物联的边缘计算框架设计初探[J]. 电力信息与通信技术，2020，18(12)：51-58.LI Shihao, MIAO Weiwei, ZENG Zeng, et al. Discussion on the design of edge computing framework based on power Internet of Things[J]. Electric Power Information and Communication Technology, 2020, 18(12): 51-58(in Chinese). [百度学术]

      67. [67]

        WANG K, WU J, ZHENG X, et al. Cloud-edge orchestrated power dispatching for smart grid with distributed energy resources[J]. IEEE Transactions on Cloud Computing, 2023,11(2): 1194-1203. [百度学术]

      68. [68]

        YANG Q M, DUAN L, SONG W H, et al. A service-based cloud-edge fusion approach for abnormality detection of power generation equipment[J]. IEEE Access, 2024, 12: 51556-51569. [百度学术]

      69. [69]

        王卓霖，江俊扬，杨耿超，等. 面向边缘计算的神经网络MPS加速算法[J]. 中山大学学报（自然科学版）（中英文），2023，62(5)：67-77.WANG Zhuolin, JIANG Junyang, YANG Gengchao, et al.An MPS algorithm accelerated by neural network on edge computing[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2023, 62(5): 67-77(in Chinese). [百度学术]

      70. [70]

        刘志颖，缪希仁，陈静，等. 电力架空线路巡检可见光图像智能处理研究综述[J]. 电网技术，2020，44(3)：1057-1069.LIU Zhiying, MIAO Xiren, CHEN Jing, et al. Review of visible image intelligent processing for transmission line inspection[J]. Power System Technology, 2020, 44(3): 1057-1069(in Chinese). [百度学术]

      71. [71]

        WANG L J, CHEN Z L, HUA D, et al. Semantic segmentation of transmission lines and their accessories based on UAVtaken images[J]. IEEE Access, 2019, 7: 80829-80839. [百度学术]

      72. [72]

        WEI B Q, XIE Z X, LIU Y D, et al. Online monitoring method for insulator self-explosion based on edge computing and deep learning[J]. CSEE Journal of Power and Energy Systems,2022, 8(6): 1684-1696. [百度学术]

      73. [73]

        马富齐，王波，董旭柱，等. 电力视觉边缘智能：边缘计算驱动下的电力深度视觉加速技术[J]. 电网技术，2020，44(6)：2020-2029.MA Fuqi, WANG Bo, DONG Xuzhu, et al. Power vision edge intelligence: power depth vision acceleration technology driven by edge computing[J]. Power System Technology, 2020, 44(6):2020-2029(in Chinese). [百度学术]

      74. [74]

        吴涛，王伟斌，于力，等. 轻量级YOLOV3的绝缘子缺陷检测方法[J]. 计算机工程，2019，45(8)：275-280.WU Tao, WANG Weibin, YU Li, et al. Insulator defect detection method for lightweight YOLOV3[J]. Computer Engineering, 2019, 45(8): 275-280(in Chinese). [百度学术]

      75. [75]

        王健. 基于卷积神经网络的电力设备识别方法及系统实现[D]. 济南：山东大学，2019.WANG Jian. Research and implementation of power equipment identification based on convolutional neural networks[D]. Jinan: Shandong University, 2019(in Chinese). [百度学术]

      76. [76]

        LI J Q, XU Y Q, NIE K H, et al. PEDNet: a lightweight detection network of power equipment in infrared image based on YOLOv4-tiny[J]. IEEE Transactions on Instrumentation and Measurement, 2023, 72: 5004312. [百度学术]

      77. [77]

        LIU M, LI Z, LI Y C, et al. A fast and accurate method of power line intelligent inspection based on edge computing[J].IEEE Transactions on Instrumentation and Measurement, 2022,71: 3506512. [百度学术]

      78. [78]

        FAN Z Z, SHI L R, XI C, et al. Real time power equipment meter recognition based on deep learning[J]. IEEE Transactions on Instrumentation and Measurement, 2022, 71: 1-15. [百度学术]

      79. [79]

        魏文震，崔冬晓，杨增健，等. 基于边缘计算的变电站视频监控技术[J]. 山东电力技术，2022，49(7)：12-20.WEI Wenzhen, CUI Dongxiao, YANG Zengjian, et al.Video surveillance technology of substation based on edge computing[J]. Shandong Electric Power, 2022, 49(7): 12-20(in Chinese). [百度学术]

      80. [80]

        王干军，江玉欢，丁宗宝，等. 变电站边缘计算多无人机协同避障方法[J]. 计算机仿真，2022，39(7)：396-401.WANG Ganjun, JIANG Yuhuan, DING Zongbao, et al.Substation edge computing based collaborate obstacle avoidance using multiple UAVs[J]. Computer Simulation,2022, 39(7): 396-401(in Chinese). [百度学术]

      81. [81]

        王海鹏，文艳，李建祥，等. 基于全自动跟拍的多功能车载巡检技术[J]. 中国电力，2020，53(5)：18-23.WANG Haipeng, WEN Yan, LI Jianxiang, et al. Multifunctional vehicle inspection technology based on full-automatic tracking[J].Electric Power, 2020, 53(5): 18-23(in Chinese). [百度学术]

      82. [82]

        宋佳骏，刘守豹，熊中浩. 基于边缘计算的局部放电模式识别[J]. 电子技术应用，2022，48(9)：55-58.SONG Jiajun, LIU Shoubao, XIONG Zhonghao. Partial discharge pattern recognition based on edge computing[J]. Application of Electronic Technique, 2022, 48(9): 55-58(in Chinese). [百度学术]

      83. [83]

        田嘉鹏，宋辉，罗林根，等. 基于均值漂移的局部放电边缘计算方法研究[J]. 电网技术，2021，45(6)：2449-2456.TIAN Jiapeng, SONG Hui, LUO Lingen, et al. Edge computing method of partial discharge based on mean-shift[J]. Power System Technology, 2021, 45(6): 2449-2456(in Chinese). [百度学术]

      84. [84]

        曹培，徐鹏，高凯，等. 基于边缘计算的电缆接头运行状态智能传感与监测[J]. 高压电器，2020，56(9)：26-32.CAO Pei, XU Peng, GAO Kai, et al. Intelligent sensing and monitoring of cable joints’ state based on edge computing[J].High Voltage Apparatus, 2020, 56(9): 26-32(in Chinese). [百度学术]

      85. [85]

        毋炳鑫，黄利军，王坤，等. 边缘物联终端在智能化开关柜中的应用[J]. 南方电网技术，2022，16(12)：38-45.WU Bingxin, HUANG Lijun, WANG Kun, et al. Application of edge IoT terminal in intelligent switchgear[J]. Southern Power System Technology, 2022, 16(12): 38-45(in Chinese). [百度学术]

      86. [86]

        刘正阳，石悠旖，王文瑞，等. 基于边缘计算的变压器光声光谱故障诊断系统研究[J]. 电子器件，2022，45(4)：872-877.LIU Zhengyang, SHI Youyi, WANG Wenrui, et al. Research on fault diagnosis system of transformer photoacoustic spectrum based on edge computing[J]. Chinese Journal of Electron Devices, 2022, 45(4): 872-877(in Chinese). [百度学术]

      87. [87]

        李碧桓，李知艺，鞠平. 基于随机矩阵理论的低压配电网边-云协同故障检测方法[J]. 中国电机工程学报，2022，42(1)：25-36.LI Bihuan, LI Zhiyi, JU Ping. An edge-cloud collaborative fault detection method for low-voltage distribution networks based on random matrix theory[J]. Proceedings of the CSEE,2022, 42(1): 25-36(in Chinese). [百度学术]

      基金项目

      南方电网公司科技项目资助（No. GDKJXM202 20236/030111KK52220019）。

      Science and Technology Foundation of China Southern Power Grid (No. GDKJXM20220236/030111KK52220019).

      作者简介

      • 王勇

        王勇（1967），男，博士，教授级高级工程师，从事电力设备状态监测与故障诊断技术研究。

      • 蔡谦

        蔡谦（2000），女，硕士，研究方向为电力设备状态监测。

      • 盛戈皞

        盛戈皞 （1974），男，研究员，博士生导师，研究方向为电力设备状态监测与智能化、新型电力传感技术。通信作者，E-mail：shenghe@sjtu.edu.cn。

      出版信息

      文章编号：2096-5125 (2026) 01-0085-16

      中图分类号：TM407；TM76

      文献标志码：A

      DOI：10.19705/j.cnki.issn2096-5125.20249028

      收稿日期：2024-10-14

      修回日期：

      出版日期：2026-01-25

      引用信息： 王勇,陈义龙,陈俊等.面向新型电力系统的电力设备状态感知关键技术及其应用展望[J].全球能源互联网,2026,9(1):85-100 .WANG Yong, CHEN Yilong, CHEN Jun,et al.Key Technologies and Development Trends of Power Equipment State Perception for New Type Power System[J].Journal of Global Energy Interconnection,2026,9(1):85-100 (in Chinese).

      （责任编辑 李锡）

      ISSN 2096-5125
      CN 10-1550/TK

      地址: 北京市西城区宣武门内大街8号
      版权所有: 全球能源互联网发展合作组织 ® 2021 版权所有
      主办单位: 全球能源互联网集团有限公司
      ICP: 京ICP备2025108140号-1

      分享给微信好友或者朋友圈

      使用微信“扫一扫”功能
      将此文章分享给您的微信好友或者朋友圈