《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 嵌入式技術(shù) > 設(shè)計應(yīng)用 > 深度學(xué)習(xí)在電力信息化領(lǐng)域的研究現(xiàn)狀及展望
深度學(xué)習(xí)在電力信息化領(lǐng)域的研究現(xiàn)狀及展望
2018智能電網(wǎng)增刊
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
摘要: 深度學(xué)習(xí)技術(shù),,近些年在學(xué)術(shù)界乃至工業(yè)界得到了廣泛的關(guān)注,,并且在計算機(jī)視覺、自然語言處理等方面取得了令人矚目的成果,,但是在電力系統(tǒng)深度學(xué)習(xí)技術(shù)還沒有得到普及,,本文介紹了深度學(xué)習(xí)的概念、主要網(wǎng)絡(luò)模型,,并對當(dāng)前電力系統(tǒng)中深度學(xué)習(xí)的相關(guān)應(yīng)用進(jìn)行了介紹,,最終結(jié)合冀北電力公司未來關(guān)注的重點"零碳冬奧"、"一網(wǎng)一平臺"等,,對深度學(xué)習(xí)技術(shù)在電力信息化領(lǐng)域的應(yīng)用前景進(jìn)行了展望,。
中圖分類號: TM76
文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.2018.S1.029
Abstract:
Key words :

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,。

nql-t1.gif

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)。

nql-t2.gif

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)

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。