0  引言

    隨著深度神經(jīng)網(wǎng)絡(luò)的推廣，以深度學(xué)習(xí)技術(shù)為代表的人工智能技術(shù)在各行各業(yè)得到了前所未有的發(fā)展,，近期國家發(fā)改委發(fā)布了新一代人工智能發(fā)展規(guī)劃,，國家電網(wǎng)公司更發(fā)布了關(guān)于新一代人工智能技術(shù)在電力行業(yè)的發(fā)展應(yīng)用。為推動電網(wǎng)的生產(chǎn)方式變革,，提升大電網(wǎng)生產(chǎn)運行水平,，促進(jìn)國家電網(wǎng)公司瘦身健體,、提質(zhì)增效,，提升業(yè)務(wù)創(chuàng)新能力，需要開展以深度學(xué)習(xí)為代表的電力人工智能基礎(chǔ)共性技術(shù),、模型優(yōu)化訓(xùn)練方案以及現(xiàn)有研究成果對電網(wǎng)巡檢,、用電客服以及安全監(jiān)控等重要領(lǐng)域服務(wù)技術(shù)的研究，全方位推動以深度學(xué)習(xí)為代表的新一代人工智能技術(shù)在電網(wǎng)的應(yīng)用普及,。

    冀北電力公司信息通信專業(yè)作為承擔(dān)冬奧賽區(qū)電力供應(yīng)的重要支撐部分,，全力推動建設(shè)全業(yè)務(wù)泛在電力物聯(lián)網(wǎng)“一網(wǎng)”，打造全景全息智慧智慧平臺“一平臺”,，以張家口“零碳冬奧”為契機(jī),，大力推進(jìn)以全業(yè)務(wù)數(shù)據(jù)中心為基礎(chǔ)，以深度學(xué)習(xí)技術(shù)為代表的人工智能技術(shù)的“二次水平化”,，支撐全景全息智慧,。同時基于國網(wǎng)云打造數(shù)據(jù)平臺，深化深度學(xué)習(xí),、機(jī)器學(xué)習(xí)技術(shù),，多數(shù)據(jù)源綜合分析,，支撐全業(yè)務(wù)云上運行。

1  深度學(xué)習(xí)的概念

1.1  深度學(xué)習(xí)的背景

    從被認(rèn)定為全球人工智能研究起點的1956年達(dá)特茅斯學(xué)術(shù)會議到2017年期間,，國外以Facebook,、Google、Microsoft,、斯坦福等公司和學(xué)校為代表進(jìn)行了深度學(xué)習(xí)在圖像,、語音以及文本等方面的應(yīng)用，以CNN和RNN為兩大方向的深度神經(jīng)網(wǎng)絡(luò)在圖像識別,、語音識別,、機(jī)器翻譯等方向取得了很大的成功。國內(nèi)百度,、科大訊飛,、Face++、南京大學(xué)等企業(yè)和公司分別在無人駕駛,、語音識別,、深度神經(jīng)網(wǎng)絡(luò)壓縮以及級聯(lián)學(xué)習(xí)等方面取得了顯著成績，比如ShuffleNet很大程度上推動了深度神經(jīng)網(wǎng)絡(luò)在移動端的應(yīng)用,；周志華教授提出的gcForest模型以傳統(tǒng)決策樹為基礎(chǔ),，結(jié)合級聯(lián)學(xué)習(xí)將傳統(tǒng)模型擬合能力提上了新的高度。在過去的十余年中計算機(jī)視覺以及自然語言處理領(lǐng)域都得到了很大的成功,，甚至在某些應(yīng)用上已經(jīng)超過人類,，比如人臉識別、圍棋等,。

1.2  深度學(xué)習(xí)的原理分析

    通過對人腦皮層處理信息的方式進(jìn)行抽象,、歸納和仿真，提出了神經(jīng)網(wǎng)絡(luò)（Neural Network）的概念,。沒有經(jīng)過處理的信息(聲音,、圖像以及文本信息)被輸入到輸出層的“輸入單元”，輸出層的“輸出節(jié)點”到輸入的信息被映射,。映射算法是基于用戶自定義的,，例如，輸入圖像中有CAT,，輸入音頻材料中有“hello”,。深度學(xué)習(xí)是通過多層級神經(jīng)網(wǎng)絡(luò)提取并且表示信息數(shù)據(jù)，實現(xiàn)監(jiān)控,、分類等復(fù)雜任務(wù)的算法體系,。深度學(xué)習(xí)算法中深度神經(jīng)網(wǎng)絡(luò)作為核心部分，在輸入層和輸出層之間包含了多個隱藏層，使得深度學(xué)習(xí)算法可以完成許多復(fù)雜的數(shù)據(jù)分類工作,。

1.3  深度學(xué)習(xí)的實現(xiàn)過程

    深度學(xué)習(xí)算法需要通過大量的數(shù)據(jù)進(jìn)行訓(xùn)練,，這一點類似機(jī)器學(xué)習(xí)算法，例如,，比如想非常準(zhǔn)確地識別素材中的“CAT”,，那么需要使用成千上萬的圖片來訓(xùn)練并識別它。訓(xùn)練采用的數(shù)據(jù)越多,，算法模型的精度就越高,。包括國內(nèi)BAT等很多大公司不惜一切代價爭奪第一手用戶數(shù)據(jù)，甚至爭先提供免費的服務(wù)以換取用戶使用數(shù)據(jù),?？梢哉f測試數(shù)據(jù)越多，可以采用的深度學(xué)習(xí)算法算法就越多,，那么為用戶提供的服務(wù)就越高效,，也就能越來越吸引用戶使用它的服務(wù)，這就形成了慢慢良性的競爭循環(huán),，使得在人工智能的賽道上取得領(lǐng)先地位,。

2  深度學(xué)習(xí)的主要網(wǎng)絡(luò)模型

2.1  自動編碼器

    自動編碼器（Auto Encoder）最開始作為一種數(shù)據(jù)的壓縮方法，其特點有:（1）跟數(shù)據(jù)相關(guān)程度很高,，這意味著自動編碼器只能壓縮與訓(xùn)練數(shù)據(jù)相似的數(shù)據(jù),，這個其實比較顯然，因為使用神經(jīng)網(wǎng)絡(luò)提取的特征一般是高度相關(guān)于原始的訓(xùn)練集,，使用人臉訓(xùn)練出來的自動編碼器在壓縮自然界動物的圖片時表現(xiàn)就會比較差,，因為它只學(xué)習(xí)到了人臉的特征，而沒有能夠?qū)W習(xí)到自然界圖片的特征,；（2）壓縮后數(shù)據(jù)是有損的,，這是因為在降維的過程中不可避免地要丟失掉信息。

    自動編碼器可以學(xué)習(xí)輸入原始數(shù)據(jù)的隱式特征,，即編碼（Coding）,，學(xué)習(xí)到新的特征可以用來重新形成原始輸入數(shù)據(jù),，即解碼（Decoding）,，如圖1所示。從非常直觀的角度來看,，自動編碼器（AutoEncoder）可以實現(xiàn)特征的縮減,，有點類似于主成分分析（PCA），但卻遠(yuǎn)強(qiáng)于PCA的性能,。這是因為神經(jīng)網(wǎng)絡(luò)（Neural Network）可以自動提取非常有效的新能力,。自動編碼器（AutoEncoder）作為一種無監(jiān)督的深度學(xué)習(xí)模型，也可以用來產(chǎn)生不同的訓(xùn)練樣本的新數(shù)據(jù)，因此自動編碼器是一種生成算法模型,。

2.2  卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來,，并引起廣泛重視的一種高效識別方法。20世紀(jì)60年代,，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經(jīng)元時發(fā)現(xiàn)其獨特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性,，繼而提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks-簡稱CNN）。CNN中主要有兩種類型的網(wǎng)絡(luò)層,，分別是卷積層和池化/采用層（Pooling）,。卷積層的作用是提取圖像的各種特征；池化層的作用是對原始特征信號進(jìn)行抽象,，從而大大減少訓(xùn)練參數(shù),，另外還可以減輕模型過擬合的程度。CNN之所以流行,，這將歸功于算法的特殊網(wǎng)絡(luò)設(shè)計,，CNN是由卷基層及次采樣層交叉堆疊而成的。當(dāng)前向計算開始時,，輸入數(shù)據(jù)經(jīng)常利用多個卷積核開展卷積方式計算,，從而形成多個不同的特征圖，特征圖的維度屬性對比輸入的維度屬性已經(jīng)有所下降,，再通過次采樣層進(jìn)行緯度降低,，經(jīng)過多次的卷積計算降低緯度后，再通過全連接層,，從而到達(dá)輸出網(wǎng)絡(luò)的目的,。

    CNN的結(jié)構(gòu)基本分為兩層。第一層是提取特征層,。所有神經(jīng)元的輸入數(shù)據(jù)與連接的前一層的宿主數(shù)據(jù)接受域連接,，目的用于提取局部特征。特征映射常常利用影響函數(shù)結(jié)果的驗證函數(shù)作為CNN的激活函數(shù),，激活函數(shù)（Activation functions）對于人工神經(jīng)網(wǎng)絡(luò)模型去學(xué)習(xí),、理解非常復(fù)雜和非線性的函數(shù)來說具有十分重要的作用。它們將非線性特性引入到我們的網(wǎng)絡(luò)中,。其主要目的是將ANN模型中一個節(jié)點的輸入信號轉(zhuǎn)換成一個輸出信號,，使得其具有位移和不變形的特性。此外,，由于映射表面上神經(jīng)元的共享機(jī)理,，參數(shù)的數(shù)量在網(wǎng)絡(luò)自由選擇中逐漸減少。在CNN中都有一個計算層在每個體基后面,，用于局部平均和二次特征提取,，這是由于其獨特的二階特征提取結(jié)構(gòu)導(dǎo)致了降低特征分辨率的優(yōu)勢,。

2.3  循環(huán)神經(jīng)網(wǎng)絡(luò)

    循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，簡稱RNN）背后的思想就是使用序列信息,。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中,，我們認(rèn)為所有的輸入（和輸出）彼此之間是互相獨立的。循環(huán)神經(jīng)網(wǎng)絡(luò)之所以稱之為循環(huán),，就是因為它們對于所有序列中所有元素都執(zhí)行完全相同的任務(wù),，輸出的結(jié)果依賴于輸入的計算結(jié)果。另一種思考循環(huán)神經(jīng)網(wǎng)絡(luò)的方法是,，RNN存在記憶,，記憶可以捕獲迄今為止所有已經(jīng)計算過的信息。與CNN不同,，RNN主要在序列方面存在優(yōu)勢,。RNN與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型有區(qū)別，RNN的每層隱藏層神經(jīng)元之間都存在著相互連接的關(guān)系,。該結(jié)構(gòu)的具體表現(xiàn)為神經(jīng)網(wǎng)絡(luò)會對前面的輸入信息進(jìn)行記憶并應(yīng)用于當(dāng)前的輸出信息,，因此特別適合于計算數(shù)據(jù)序列類型的數(shù)據(jù)，此外,，采用RNN和CNN相結(jié)合使用,，非常適合處理樣本數(shù)據(jù)之間的相關(guān)性問題。

    典型的RNN結(jié)構(gòu)如圖2所示,，對于RNN來說,，是一個非常重要的理念，每次RNN的輸入結(jié)合模型的當(dāng)前狀態(tài)給出一個輸出,，從圖中可以看出這個規(guī)則,，圖片左邊是RNN的神經(jīng)元，右邊是按時間軸展開后的情況,。兩條消息分別輸入輸出兩條消息,，每條消息處理隱藏狀態(tài)，這是一個非常有效的表示方法,，用于延長同一神經(jīng)元的時間,，對比CNN來說可以保存更多的參數(shù)。

3  深度學(xué)習(xí)在電力信息化的研究現(xiàn)狀

    雖然深度學(xué)習(xí)已經(jīng)在圖像識別以及自然語言處理等方面取得重大突破,，但在電力系統(tǒng)中信息化技術(shù)的研究與應(yīng)用還比較少,，近年來，國家電網(wǎng)公司對人工智能技術(shù)在輸變電線路巡檢圖像故障識別和自然語言處理等領(lǐng)域進(jìn)行了深入的研究,，現(xiàn)階段在輸電線路圖像物體識別,、定位以及圖像主題識別等方面取得了很好的成績,，比如輸電線路鳥巢識別準(zhǔn)確度≥95%,，電網(wǎng)客服領(lǐng)域應(yīng)用人工智能技術(shù)在語音導(dǎo)航,、少數(shù)民族語言分析、語音識別以及智能化工單質(zhì)檢等方面取得很大成果,，項目成果能夠快速進(jìn)行客服中心工單質(zhì)檢,，并很大程度上改善了客服導(dǎo)撥系統(tǒng)等。

3.1  直升機(jī),、無人機(jī)輸電線路巡檢視覺分析

    目前,，國家電網(wǎng)公司共有華北、東北,、華東,、華中、西北,、華南地區(qū)6個區(qū)域電網(wǎng),，截至2016年年底，國家電網(wǎng)公司35 kV及以上輸電線路回路長度達(dá)175.6萬公里,，其中,，220 kV及以上輸電線路長度64.5萬公里。根據(jù)相關(guān)數(shù)據(jù)顯示,，我國電力行業(yè)作為一個整體一年投資約1 000億元人民幣,，費用包括硬件設(shè)施是73%，傳輸設(shè)備在國家電網(wǎng)建設(shè)的比重是越來越大,，比例的擴(kuò)大電網(wǎng)巡邏的工作也越來越多,，100公里的巡邏工作需要巡邏人員20個工作日完成，且巡線人員擔(dān)負(fù)著巨大的人身安全風(fēng)險,，因此直升機(jī),、無人機(jī)巡線方式越來越受到電網(wǎng)公司的重視。

    輸電線路巡檢普遍存在：圖像視頻背景復(fù)雜性,、多干擾因素(光照,、遮擋、尺度及旋轉(zhuǎn)等),、相對運動隨機(jī)性及相似目標(biāo)難判別,，缺陷難表達(dá)，和深度模型泛化能力弱等難點問題,。通過采集設(shè)備的相關(guān)特征量作為訓(xùn)練集合,，得出最終的判斷模型用于檢測，智能算法包括支持向量機(jī),、BP神經(jīng)網(wǎng)絡(luò)等神經(jīng)網(wǎng)絡(luò)算法,，而深度學(xué)習(xí)可以利用電力信息通信設(shè)備中大量無標(biāo)簽的數(shù)據(jù)，對深度神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化權(quán)值,，得到更好的數(shù)據(jù)支持,。

3.2  變電站視頻監(jiān)控視覺分析

    雖然電網(wǎng)公司變電站內(nèi)自動化遙測系統(tǒng)具有在線監(jiān)測報警功能,，但主要集中在自動化傳感器的報警數(shù)據(jù)分析上。視頻檢測主要是輔助裝置,。隨著監(jiān)測點的增多,，傳統(tǒng)的視頻監(jiān)控暴露出諸多不足：過度依賴對異常的人工檢測和對異常視頻數(shù)據(jù)的自動判斷。智能視頻監(jiān)控技術(shù)可以克服上述缺點,。它是一種自動視頻分析技術(shù)在現(xiàn)有的數(shù)字視頻監(jiān)控系統(tǒng)中的應(yīng)用,。通過對高清攝像機(jī)拍攝到的攝像機(jī)圖像序列進(jìn)行自動分析，無需人工檢測,，能夠?qū)崿F(xiàn)自動定位,、識別和跟蹤動態(tài)場景中的目標(biāo)?；诖朔治?，變電站視頻監(jiān)控視覺分析系統(tǒng)給出可疑行為或異常的實時警告。

    現(xiàn)有的國家電網(wǎng)公司變電站監(jiān)控圖像計算機(jī)識別方法都是采用“對監(jiān)控圖像進(jìn)行預(yù)處理—人為設(shè)計提取特征—提前計算人工特征—采用深度學(xué)習(xí)模型”的方法,，從而利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等算法對變電站視頻監(jiān)控畫面進(jìn)行識別,，提高變電站監(jiān)控圖像中異常狀況智能識別的準(zhǔn)確率和魯棒性。

3.3  信息通信機(jī)房視頻監(jiān)控視覺分析

    電力系統(tǒng)信息通信運維作為電網(wǎng)企業(yè)的核心業(yè)務(wù)之一,，對保障電網(wǎng)信息通信設(shè)備的安全與健康,，支持智能電網(wǎng)的安全運行起著異常重要的作用。電網(wǎng)企業(yè)關(guān)于“智能化運維（AIOps）”的需求越來越強(qiáng)烈,，需要利用人工智能技術(shù)（AI）實現(xiàn)電力信息通信設(shè)備運維的數(shù)字化和智能化,。作為電力信息通信運維的重要內(nèi)容之一，信息通信機(jī)房基礎(chǔ)設(shè)施運維為電力營銷,、調(diào)度,、運行、檢修等重要業(yè)務(wù)提供了基礎(chǔ)的信息通信保障,。

    對信息通信機(jī)房設(shè)備的監(jiān)控可以歸結(jié)為目標(biāo)檢測問題,，而目標(biāo)檢測是計算機(jī)視覺領(lǐng)域里面一個非常重要的研究方法。目標(biāo)檢測的任務(wù)主要用于：針對視頻或者截取畫面,，分析出某一個特定物體在圖片中的具體方位,；可以將目標(biāo)檢測分解為物體定位和物體識別問題。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)里面場景的數(shù)據(jù)網(wǎng)絡(luò)模型,，它由很多層隱層組成,，每一個隱層提取不同深層次的特征數(shù)據(jù)在訓(xùn)練數(shù)據(jù)中，最后全連接層連接起來隱層的特征和表示圖像類別信息,。卷積神經(jīng)網(wǎng)絡(luò)（CNN）具有局部感受野,，池化采樣和權(quán)值共享等特點，利用這種技術(shù)可以有效減少神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度,，降低神經(jīng)網(wǎng)絡(luò)訓(xùn)練復(fù)雜程度和測試時間,。通過采用深度學(xué)習(xí)算法可以使得目標(biāo)檢測的誤檢率大大降低,。

3.4  電力資產(chǎn)管理和智能化運維

    電力行業(yè)是資產(chǎn)密集型產(chǎn)業(yè)，資產(chǎn)總量龐大,、分布廣泛,，傳統(tǒng)方法無法有效管理,，將難以支撐電網(wǎng)的運行和發(fā)展,；電網(wǎng)網(wǎng)絡(luò)龐雜、設(shè)備點多面廣,、運行特征各異,，傳統(tǒng)的運維檢修方法難以對設(shè)備狀態(tài)進(jìn)行精準(zhǔn)評價和針對性地投資、改造和運維,。

    通過基于深度學(xué)習(xí)算法的人工智能技術(shù),，可以實現(xiàn)對電力設(shè)備狀態(tài)數(shù)據(jù)、環(huán)境數(shù)據(jù),、歷史數(shù)據(jù)的深度挖掘,，實現(xiàn)電力設(shè)備的健康狀態(tài)綜合評價與診斷；給出針對性的運維方案和投資建議,，實現(xiàn)故障處理方案的輔助決策,，將事后處理變事前預(yù)防；利用智能化的手段進(jìn)行資產(chǎn)運維,，對電力資產(chǎn)進(jìn)行狀態(tài)實時感知,、監(jiān)控和自動處理，提高工作效率,；提高偶發(fā)事件預(yù)測和辨識水平,，包括故障和地址、自然災(zāi)害等,；實現(xiàn)電力資產(chǎn)的全面監(jiān)測,、實時在線、科學(xué)管理和智能運維,。

3.5  營業(yè)廳智能機(jī)器人

    針對當(dāng)前電力營業(yè)廳內(nèi)服務(wù)人員專業(yè)人員逐步減少,、人員知識結(jié)構(gòu)要求高、高端服務(wù)人員運行管理成本較高等現(xiàn)實問題,，通過采用智能機(jī)器人,、隨機(jī)學(xué)習(xí)、深度學(xué)習(xí),、圖像視頻辯識等人工智能技術(shù),，構(gòu)建營業(yè)廳智能機(jī)器人應(yīng)用系統(tǒng)。實現(xiàn)系統(tǒng)與用戶對話交互式業(yè)務(wù)辦理,，結(jié)合用電申請/業(yè)擴(kuò)圖文資料,、視頻感知及方案輔助核查技術(shù),，完成客戶用電業(yè)務(wù)咨詢和業(yè)擴(kuò)報裝的自助辦理、供電方案輔助審核,，實現(xiàn)營業(yè)廳服務(wù)的智能化,、無人化或少人化，將極大提高電力營業(yè)廳工作效率和服務(wù)水平,，展現(xiàn)國網(wǎng)公司一流企業(yè)的形象定位,。

    應(yīng)用深度學(xué)習(xí)、數(shù)據(jù)智能分析技術(shù),，實現(xiàn)營業(yè)廳業(yè)擴(kuò)報裝資料的自動輸入,、申請材料和供電方案輔助核查提高業(yè)擴(kuò)報裝供電方案核查質(zhì)量，減少企業(yè)員工勞動強(qiáng)度,。

4  深度學(xué)習(xí)在電力信息化的展望

4.1  深度學(xué)習(xí)在異構(gòu)集群上的計算和優(yōu)化

    深度學(xué)習(xí)任務(wù)在異構(gòu)集群上的計算和優(yōu)化技術(shù),，在模型訓(xùn)練方面，提高資源利用率,，優(yōu)化任務(wù)調(diào)度方案和資源配置管理,；在任務(wù)推理方面，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型處理框架,，設(shè)計網(wǎng)絡(luò)模型在異構(gòu)平臺和嵌入式終端上的移植方法,，從而實現(xiàn)低功耗并且高效率的推理方案。

4.2  人工智能深度學(xué)習(xí)平臺研究

    研究人工智能平臺深度學(xué)習(xí)技術(shù)解決具體實際業(yè)務(wù)問題,，根據(jù)數(shù)據(jù)全量樣本和自學(xué)習(xí)機(jī)制,，更好發(fā)現(xiàn)知識找出數(shù)據(jù)潛在規(guī)律，發(fā)揮數(shù)據(jù)最大價值,，改變傳統(tǒng)基于人的經(jīng)驗判斷和專家規(guī)則方式研判模式,，在提供實效性前提，提高預(yù)測和分析能力,。如：基于自然語言處理的輿情風(fēng)險管控監(jiān)測,，通過人工智能的語義分析，改變基于傳統(tǒng)正則表達(dá)式的數(shù)據(jù)內(nèi)容爬取,，降低數(shù)據(jù)復(fù)雜性帶來的計算成本同時提高內(nèi)容含義精準(zhǔn)性,；如：圖像識別模型算法識別輸電線路圖片和視頻發(fā)現(xiàn)桿塔和線路數(shù)據(jù)樣本規(guī)律，發(fā)現(xiàn)線路和桿塔上的異物,、外力破壞,、設(shè)備備件損壞、線路弧垂等異常并告警,，降低現(xiàn)階段通過手機(jī)APP拍照,、視頻回傳到運檢指揮中心由人工核查的冗余工作，降低人工成本同時提高設(shè)備異常識別率，降低電網(wǎng)風(fēng)險發(fā)生機(jī)率,。如：用神經(jīng)網(wǎng)絡(luò)進(jìn)行并行處理,、非線性映射、自適應(yīng)能力和魯棒性,、學(xué)習(xí)和記憶等固有性質(zhì),，改變IEC三比值法和傳統(tǒng)特征氣體分析法，有效提高故障識別準(zhǔn)確率,，降低設(shè)備損耗節(jié)約電網(wǎng)公司設(shè)備資產(chǎn),。

4.3  計算機(jī)視覺

    計算機(jī)視覺在電力領(lǐng)域的應(yīng)用主要集中在電力巡檢和監(jiān)控影像的目標(biāo)識別與缺陷檢測。但目前技術(shù)尚未達(dá)到滿足生產(chǎn)需求的精度與效率,?？蓮碾娏τ跋褓Y源庫,、電力影像多目標(biāo)檢測與缺陷識別,、電力視覺芯片、虛擬/增強(qiáng)現(xiàn)實交互,、三維重構(gòu)等方面開展相關(guān)研究,，研發(fā)基于電力影像的智能輔助標(biāo)注技術(shù)、研發(fā)基于領(lǐng)域知識和深度學(xué)習(xí)的電力信息通信設(shè)備檢測與計算機(jī)視覺缺陷識別算法,，形成設(shè)備級電力信息通信視覺模塊,，實現(xiàn)實時電力信息通信設(shè)備識別和缺陷檢測。

4.4  自然語言處理

    基于已有的專業(yè)知識和全系統(tǒng)以文本形式存在的運行和操作規(guī)則,、調(diào)度指令和報告,、營銷檔案等語料，研究基于電力文本的新詞發(fā)現(xiàn)技術(shù)和語意網(wǎng)絡(luò)挖掘技術(shù),，構(gòu)建電力主題詞表,；研究電力語音文本特征提取、電網(wǎng)設(shè)備本體建模,、電力行業(yè)知識加工和推理等技術(shù),，分領(lǐng)域逐步行成電力行業(yè)知識圖譜，先期構(gòu)建調(diào)控,、運檢,、營銷、信息通信等領(lǐng)域知識圖譜,，支撐信息通信調(diào)度機(jī)器人,、電網(wǎng)設(shè)備智能運維和智能客服等應(yīng)用；最終,，形成新一代電網(wǎng)企業(yè)智能搜索和智能問答解決方案,。

4.5  智能機(jī)器人

    電力機(jī)器人，是面向電力巡檢、服務(wù),、作業(yè)和調(diào)控等應(yīng)用場景的機(jī)器人,。當(dāng)前電力機(jī)器人上處于實現(xiàn)“單一模式的自動化重復(fù)動作”階段，不能滿足公司對其自主智能行為的需求,。智能機(jī)器人在電力AI算法封裝,，具備自主行為、自主學(xué)習(xí),、自主識別,、人機(jī)協(xié)作等核心技術(shù)。

5  結(jié)論

    在冀北電力公司大力發(fā)展張家口零碳冬奧的背景下,，深度學(xué)習(xí)可以結(jié)合自身特征提取以及模型擬合方面的優(yōu)勢,，針對當(dāng)前人工智能與電網(wǎng)智能化水平結(jié)合不緊密等問題，如深度學(xué)習(xí)企業(yè)級服務(wù)能力不足,、數(shù)據(jù)驅(qū)動支撐新一代電網(wǎng)能力不足,，建設(shè)全業(yè)務(wù)泛在電力物聯(lián)網(wǎng)尚需人工智能技術(shù)推進(jìn)等問題，做出一個科學(xué)的決策方案,。

    另外,，還可以利用深度學(xué)習(xí)在機(jī)器學(xué)習(xí)以及人工智能方面的優(yōu)點，結(jié)合全業(yè)務(wù)數(shù)據(jù)中心的電網(wǎng)數(shù)據(jù),，開展大數(shù)據(jù)處理,、數(shù)據(jù)分析挖掘、統(tǒng)一數(shù)據(jù)模型以及數(shù)據(jù)安全等技術(shù)研究和應(yīng)用需求及業(yè)務(wù)模型研究,，支撐多專業(yè)大數(shù)據(jù)工作,。

參考文獻(xiàn)

[1] 曹渝昆，何健偉,，鮑自安.深度學(xué)習(xí)在電力領(lǐng)域的研究現(xiàn)狀與展望[J].上海電力學(xué)院學(xué)報,2017,33:341-346.

[2] 魏海宏,，劉新. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的離線手寫簽名鑒定[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2018（3）:40-41.

[3] 梁苗苗．基于深度學(xué)習(xí)的智能聊天機(jī)器人的研究 [D]． 杭州：浙江理工大學(xué)，2017.

[4] 肖仕昶．基于計算機(jī)視覺的感興趣人群屬性分析系統(tǒng) [D]． 廣州：華南理工大學(xué),，2017.

作者信息:

那瓊瀾1,，萬  瑩1，張子健2,，楊藝西3,，趙慶凱1，李環(huán)媛1

（1. 國網(wǎng)冀北電力有限公司信息通信分公司,，北京 100053,；

2. 國網(wǎng)冀北電力有限公司，北京 100052,；

3. 國家電網(wǎng)公司信息通信分公司,，北京 100761）