王計(jì)斌 陳大龍

南京華蘇科技有限公司

0 引言

低壓配電系統(tǒng)作為與電力設(shè)備聯(lián)系最為密切的設(shè)備之一，其安全質(zhì)量日益被人們所關(guān)注。為保證電力設(shè)備的正常運(yùn)行和人們?nèi)粘Ｓ秒姷陌踩?，必須提高相?yīng)的檢修技術(shù)。

低壓配電網(wǎng)與輸電網(wǎng)相比存在不少問題：運(yùn)維人員水平參差不齊，對重要設(shè)備運(yùn)行狀態(tài)和臺區(qū)內(nèi)用戶用電情況缺乏主動(dòng)感知的手段，運(yùn)維工作停留在計(jì)劃檢修形式；由于缺乏數(shù)據(jù)收集的手段，無法建立信息化、智能化的運(yùn)維體系；在配變側(cè)，變壓器、開關(guān)接點(diǎn)、綜合配電柜（JP柜）等缺乏負(fù)荷、動(dòng)環(huán)監(jiān)控方法，存在一定安全隱患，且設(shè)備運(yùn)行壽命難以最優(yōu)化；在線路側(cè)，低壓配電網(wǎng)線路故障難以有效排查和定位，缺乏智能化手段，人工巡檢工作量大、效率低，因多為事后響應(yīng)，導(dǎo)致故障處理及時(shí)性效果有限；對于數(shù)據(jù)的處理缺乏現(xiàn)場一次設(shè)備的感知和狀態(tài)數(shù)據(jù)收集，因此無法對低壓配電線路/設(shè)備的狀態(tài)感知及異常進(jìn)行精確定位；上層的生產(chǎn)管理系統(tǒng)無法實(shí)現(xiàn)運(yùn)檢營銷數(shù)據(jù)的融合貫通，導(dǎo)致無法實(shí)現(xiàn)基于多元數(shù)據(jù)的故障研判、故障定位，在應(yīng)用層加強(qiáng)大數(shù)據(jù)分析及應(yīng)用，從傳統(tǒng)“被動(dòng)搶修”變“主動(dòng)運(yùn)維”；目前低壓臺區(qū)拓?fù)溥€多以固定登記為主，沒有動(dòng)態(tài)識別和分析。此外，配電房的安全管控也是以人工管理為主，并沒有引入先進(jìn)的人工智能（Artificial Intelligence，AI）技術(shù)輔助決策和判斷。因此，低壓配電網(wǎng)運(yùn)維體系的信息化、智能化改造需要更先進(jìn)的技術(shù)手段來支撐，通過引進(jìn)AI技術(shù)，結(jié)合物聯(lián)網(wǎng)監(jiān)測、大數(shù)據(jù)分析、云計(jì)算等各種技術(shù)，為電力系統(tǒng)運(yùn)維智能化提供相關(guān)技術(shù)支撐，實(shí)現(xiàn)供電服務(wù)能力和供電服務(wù)質(zhì)量的提升。

1 方法論

1.1 基于AMI數(shù)據(jù)采集的拓?fù)渥R別AI算法

高級計(jì)量架構(gòu)（Advanced Metering Infrastructure，AMI）是智能電網(wǎng)的一個(gè)重要組成部分，它是集測量、采集、監(jiān)控、存儲、分析、管理為一體的自動(dòng)化及智能化的完整網(wǎng)絡(luò)和系統(tǒng)。系統(tǒng)支持國際電工委員會（International Electro technical Commission，IEC）國際標(biāo)準(zhǔn)的通信規(guī)約及轉(zhuǎn)發(fā)協(xié)議，涵蓋電網(wǎng)各種計(jì)量點(diǎn)及采集終端信息。通過對計(jì)量點(diǎn)（單三相智能電表）、智能開關(guān)、智能變壓器等的數(shù)據(jù)進(jìn)行采集及用電監(jiān)控，實(shí)時(shí)智能監(jiān)控電網(wǎng)的電壓、電流、電能質(zhì)量等供電可靠性的重要指標(biāo)。

采用基于AMI系統(tǒng)采集的數(shù)據(jù)進(jìn)行戶表關(guān)系拓?fù)渥R別，并在此基礎(chǔ)上開展線損分析及其它需求的管理應(yīng)用，為整個(gè)電網(wǎng)的優(yōu)化提供數(shù)據(jù)參考。通過AI算法對低壓配電臺區(qū)側(cè)各電力設(shè)備的拓?fù)潢P(guān)系識別。圖1為電力設(shè)備級聯(lián)關(guān)系圖，拓?fù)渥R別AI算法通過設(shè)備級聯(lián)關(guān)系實(shí)現(xiàn)拓?fù)渥R別過程。

圖1 電力設(shè)備級聯(lián)關(guān)系圖

出線柜與下級分支箱的拓?fù)渥R別算法如下：

步驟1：出線柜、分支箱、電表箱電流數(shù)據(jù)合集A，各分支箱采集的電流和的合集B；

步驟2：合集A中刪除分支箱電流以及小于合集B中最小值的電流數(shù)據(jù)形成合集C；

步驟3：合集C中各電流值依次與合集B電流值求差，并取最小的三個(gè)差值；

步驟4：依次反復(fù)求合集C與合集B最小差值形成方差合集D；

步驟5：按15min采集頻率，每天可采集96個(gè)點(diǎn)，先求方差合集D中平均值，再求取均方差；

步驟6：根據(jù)均方差中最小值確定該分支箱對應(yīng)的上級出線柜（或分支箱）；

步驟7：根據(jù)上下級關(guān)系，取某一時(shí)刻該分支箱進(jìn)線電流值和對應(yīng)上級電流值，若上級電流值為某分支箱分項(xiàng)電流值，則判定兩個(gè)分支箱級聯(lián)；若上級電流值不屬于任一分支箱分項(xiàng)電流值，則判定上級為出線柜。

分支箱與下級電表箱拓?fù)渥R別算法如下：

步驟1：合集A中刪除所有分支箱對應(yīng)的上級出線柜（或分支箱）電流值，形成合集E；

步驟2：合集E中任意兩個(gè)電流輪流求差，E1、E2、EK差值合集數(shù)組；

步驟3：按15min采集頻率，每天可采集96個(gè)點(diǎn)，先求差值合集數(shù)組平均值，再求取均方差；根據(jù)均方差中最小值確定分支箱出線與電表箱的上下級關(guān)系。

1.2 基于XGBoost機(jī)器學(xué)習(xí)算法的單向電表相位識別

如何識別單向電表是從屬于總表的哪個(gè)相位，這個(gè)問題在用戶集中的臺區(qū)尤待解決。通過不斷的設(shè)計(jì)和實(shí)驗(yàn)，發(fā)現(xiàn)極端梯度提升（eXtreme Gradient Boosting，XGBoost）機(jī)器學(xué)習(xí)算法能夠有效解決這一問題。XGBoost是在梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）的基礎(chǔ)上對boosting方法進(jìn)行的改進(jìn)，內(nèi)部決策樹使用的是回歸樹，特點(diǎn)在于能夠自動(dòng)利用CPU的多線程進(jìn)行并行計(jì)算，同時(shí)在算法上加以改進(jìn)提高精度。

具體實(shí)現(xiàn)步驟如下：

（1）定義樹的復(fù)雜度。首先把樹拆分成結(jié)構(gòu)部分q和葉子節(jié)點(diǎn)權(quán)重部分w，在這里w是一個(gè)向量，表示各葉子節(jié)點(diǎn)中的輸出值。

引入正則化項(xiàng) 來控制數(shù)的復(fù)雜度，從而實(shí)現(xiàn)有效的控制模型的過擬合。

（2）XGBoost中的Boosting Tree模型。與GBDT方法一樣，XGBoost的提升模型也是采用殘差，不同的是分裂結(jié)點(diǎn)選取的時(shí)候不一定是最小平方損失，其損失函數(shù)如下，較GBDT其根據(jù)樹模型的復(fù)雜度加入了一項(xiàng)正則化項(xiàng)：

（3）對目標(biāo)函數(shù)進(jìn)行改寫。在XGBoost中直接用泰勒展開式將損失函數(shù)展開成二項(xiàng)式函數(shù)（前提是損失函數(shù)一階、二階；連續(xù)可導(dǎo)），假設(shè)我們的葉節(jié)點(diǎn)區(qū)域?yàn)椋?/p>

則我們的目標(biāo)函數(shù)可以轉(zhuǎn)換成：

（4）樹結(jié)構(gòu)的打分函數(shù)。上面的Obj值代表當(dāng)指定一個(gè)樹結(jié)構(gòu)時(shí)，在目標(biāo)上面最多減少多少，我們可以把它稱為結(jié)構(gòu)分?jǐn)?shù)。對于求得Obj分?jǐn)?shù)最小的樹結(jié)構(gòu)，我們可以枚舉所有的可能性，然后對比結(jié)構(gòu)分?jǐn)?shù)來獲得最優(yōu)的樹結(jié)構(gòu)。然而這種方法計(jì)算消耗太大，更常用的是貪心法，每次嘗試對已經(jīng)存在的葉節(jié)點(diǎn)（最開始的葉節(jié)點(diǎn)是根節(jié)點(diǎn)）進(jìn)行分割，然后獲得分割后的增益為：

其中，L和R代表左右。

在這里以Gain作為判斷是否分割的條件，如果Gain＜0，則此葉節(jié)點(diǎn)不做分割，然而這樣對于每次分割還是需要列出所有的分割方案。而實(shí)際中我們先將所有樣本按照從小到大排序，然后進(jìn)行遍歷，查看每個(gè)節(jié)點(diǎn)是否需要分割，這樣的分割方式，我們就只要對樣本掃描一遍，就可以分割出、，然后根據(jù)Gain的分?jǐn)?shù)進(jìn)行分割。

1.3 圖像識別的AI算法

圖像識別算法（詳見圖2算法流程）是對配電房內(nèi)的圖形圖像、文字表單等進(jìn)行識別，核心技術(shù)集成了模板匹配、字符位置可感知的文本檢測（Character Region Awareness For Text detection，CRAFT）字符檢測、表格檢測等多種方式，實(shí)現(xiàn)對字符的精確定位，Vgg16+BLSTM+CTC模型對字符進(jìn)行識別，提升配電房運(yùn)維安全管控措施以及工作效率。

具體實(shí)現(xiàn)步驟如圖2所示。

圖2 圖像識別業(yè)務(wù)流程圖

光學(xué)字符識別（Optical Character Recognition，OCR）是以圖像識別為基礎(chǔ)，通過計(jì)算機(jī)識別圖像中的信息來完成辨識任務(wù)，一般包含4個(gè)部分：

（1）圖像預(yù)處理。在進(jìn)行圖像信息識別前，首先要對圖像進(jìn)行預(yù)處理，過濾噪聲和干擾。如果圖像信息無法辨識，則需要對圖像進(jìn)行處理，比如增強(qiáng)處理、顏色矯正等。

（2）圖像分割。對圖像進(jìn)行分割，定位和分離需要識別的文字和圖形。

（3）圖像特征提取。從分割出來的文字中提取需要的特征，進(jìn)行相關(guān)的參數(shù)計(jì)算和測量，并根據(jù)測量的結(jié)果進(jìn)行分類。

（4）圖像識別。根據(jù)提取的特征量進(jìn)行識別分類，確定對應(yīng)的文字和圖像內(nèi)容。

圖像識別采用卷積循環(huán)神經(jīng)網(wǎng)絡(luò)（Convolutional Recurrent Neural Network，CRNN）網(wǎng)絡(luò)架構(gòu)，主要包括三部分：（1）卷積層：從輸入圖像中提取特征序列；（2）長 短 期 記 憶（Long short-term memory，LSTM）層：預(yù)測每一幀的標(biāo)簽分布，從卷積層獲取的特征序列的標(biāo)簽（真實(shí)值）分布；（3）轉(zhuǎn)譯層：將每一幀的預(yù)測變?yōu)樽罱K的標(biāo)簽序列。

卷積循環(huán)神經(jīng)網(wǎng)絡(luò)（Convolutional Recurrent Neural Network，CRNN）借助語音識別中解決不定長語音序列的思路。對于序列問題的解決，通常使用循環(huán)神經(jīng)網(wǎng)絡(luò)（Rerrent Neural Network，RNN），為了消除RNN網(wǎng)絡(luò)常見的梯度爆炸問題，引出LSTM，這些算法在語音識別領(lǐng)域都已相當(dāng)成熟，有很好的表現(xiàn)，現(xiàn)在就是設(shè)計(jì)特征，讓圖像特征可以有近似于語音的特征表達(dá)。

2 實(shí)施效果

為驗(yàn)證AI技術(shù)應(yīng)用于低壓配電運(yùn)維的效果，對相位識別、人員著裝識別、表單識別進(jìn)行數(shù)據(jù)收集和實(shí)際測試。驗(yàn)證上述AI算法的準(zhǔn)確性和可用性。

2.1 拓?fù)渥R別實(shí)施效果

為驗(yàn)證本文提出的拓?fù)渥R別算法的可行性。以省內(nèi)某臺區(qū)為例，安裝28臺采集終端，將設(shè)備通信地址配置到采集終端應(yīng)用程序（Application，App）內(nèi)，用于采集終端與管理系統(tǒng)的數(shù)據(jù)通信。采集終端采集出線柜出線電流、分支箱出線電流和電表箱進(jìn)線電流等47組電流數(shù)據(jù)。利用算法模型輸出通信地址的級聯(lián)關(guān)系，再結(jié)合通信地址對應(yīng)的電力設(shè)備關(guān)系表，最終得出電力設(shè)備的拓?fù)潢P(guān)系，下面為輸入輸出的參數(shù)信息。

采集輸入：

// 出線柜出線電流集合，通信地址 A相電流 B相電流 C相電流

{ "8197"， 3.666， 3.6， 3.6 }， { "8198"， 7.665， 7.5， 7.5 }，

{ "8199"， 11.664， 11.4， 11.4 }， { "8200"， 6.066， 6.0， 6.0 }，

{ "8201"， 15.265， 15.1， 15.1 }， { "8202"， 42.843， 42.3， 42.3 }

// 分支箱出線電流集合，通信地址 A相電流 B相電流 C相電流

{ "8203"， 1.111， 1.1， 1.1 }， { "8204"， 1.222， 1.2， 1.2 }， { "8205"， 1.333， 1.3， 1.3 }，

{ "8206"， 2.444， 2.4， 2.4 }， { "8207"， 2.555， 2.5， 2.5 }， { "8208"， 2.666， 2.6， 2.6 }，

{ "8209"， 3.777， 3.7， 3.7 }， { "8210"， 3.888， 3.8， 3.8 }， { "8211"， 3.999， 3.9， 3.9 }，

{ "8212"， 1.011， 1.0， 1.0 }， { "8213"， 2.022， 2.0， 2.0 }， { "8214"， 3.033， 3.0， 3.0 }，

{ "8215"， 4.044， 4.0， 4.0 }， { "8216"， 5.055， 5.0， 5.0 }， { "8217"， 6.166， 6.1， 6.1 }，

{ "8218"， 7.077， 7.0， 7.0 }， { "8219"， 8.088， 8.0， 8.0 }， {"8220"， 27.678， 27.3， 27.3 }，

{ "8221"， 9.099， 9.0， 9.0 }， { "8222"， 9.123， 9.1， 9.1 }， { "8223"， 9.456， 9.2， 9.2 }

// 電表箱進(jìn)線電流集合，通信地址 A相電流 B相電流 C相電流

{ "0004"， 1.111， 1.1， 1.1 }， { "0005"， 1.222， 1.2， 1.2 }， { "0006"， 1.333， 1.3， 1.3 }，

{ "0007"， 2.444， 2.4， 2.4 }， { "0008"， 2.555， 2.5， 2.5 }， { "0009"， 2.666， 2.6， 2.6 }，

{ "0010"， 3.777， 3.7， 3.7 }， { "0011"， 3.888， 3.8， 3.8 }， { "0012"， 3.999， 3.9， 3.9 }，

{ "0013"， 1.011， 1.0， 1.0 }， { "0014"， 2.022， 2.0， 2.0 }， { "0015"， 3.033， 3.0， 3.0 }，

{ "0016"， 4.044， 4.0， 4.0 }， { "0017"， 5.055， 5.0， 5.0 }， { "0018"， 6.166， 6.1， 6.1 }，

{ "0019"， 7.077， 7.0， 7.0 }， { "0020"， 8.088， 8.0， 8.0 }， { "0021"， 9.099， 9.0， 9.0 }，

{ "0022"， 9.123， 9.1， 9.1 }， { "0023"， 9.456， 9.2， 9.2 }

輸出關(guān)系：

出線柜===＞＞＞分支箱

8197 （10.865999） ===＞＞＞ 423A （10.865999） ；8198 （22.665001） ===＞＞＞ 423B （22.664999）

8199 （34.463997） ===＞＞＞ 423C （34.464001） ；8200 （18.066000） ===＞＞＞ 423D （18.066002）

8201 （45.465004） ===＞＞＞ 423E （45.465000）；8202 （127.442993） ===＞＞＞ 423F （127.443001）

分支箱 ===＞＞＞ 電表箱

8203 （3.311000） ===＞＞＞ 0004 （3.311000） ；8204 （3.622000） ===＞＞＞ 0005 （3.622000）

8205 （3.933000） ===＞＞＞ 0006 （3.933000） ；8206 （7.244000） ===＞＞＞ 0007 （7.244000）

8207 （7.555000） ===＞＞＞ 0008 （7.555000） ；8208 （7.866000） ===＞＞＞ 0009 （7.866000）

8209 （11.177000） ===＞＞＞ 0010 （11.177000） ；8210 （11.488000） ===＞＞＞ 0011 （11.488000）

8211 （11.799000） ===＞＞＞ 0012 （11.799000） ；8212 （3.011000） ===＞＞＞ 0013 （3.011000）

8213 （6.022000） ===＞＞＞ 0014 （6.022000） ；8214 （9.033000） ===＞＞＞ 0015 （9.033000）

8215 （12.044001） ===＞＞＞ 0016 （12.044001） ；8216 （15.055000） ===＞＞＞ 0017 （15.055000）

8217 （18.365999） ===＞＞＞ 0018 （18.365999） ；8218 （21.077000） ===＞＞＞ 0019 （21.077000）

8219 （24.088001） ===＞＞＞ 0020 （24.088001） ；8221 （27.098999） ===＞＞＞ 0021 （27.098999）

8222 （27.323000） ===＞＞＞ 0022 （27.323000） ；8223 （27.855999） ===＞＞＞ 0023 （27.855999）

選取其中一臺出線柜及其下級設(shè)備數(shù)據(jù)，在平臺中輸出并呈現(xiàn)圖3所示的拓?fù)鋱D關(guān)系頁面。

圖3 出線柜-分支箱-電表箱拓?fù)鋱D

2.2 相位識別實(shí)施效果

收集省內(nèi)某臺區(qū)72塊電表數(shù)據(jù)，并且對72塊電表進(jìn)行勘站，獲取用電真實(shí)信息數(shù)據(jù)，以驗(yàn)證上述聯(lián)合算法預(yù)測結(jié)果的準(zhǔn)確性、穩(wěn)定性。

為了確保數(shù)據(jù)的完整性，需要對數(shù)據(jù)進(jìn)行異常值處理，對用戶電表數(shù)據(jù)進(jìn)行檢驗(yàn)，刪除采樣點(diǎn)中識別異常的數(shù)據(jù)和重復(fù)的識別數(shù)據(jù)。首先分別輸入臺區(qū)內(nèi)1、3、4、5、6、7、8天的關(guān)口表和用戶電表數(shù)據(jù)，再分別輸出對應(yīng)1、3、4、5、6、7、8天的相位識別數(shù)據(jù)。得到如下結(jié)論。

1天：識別出67塊表，錯(cuò)誤識別17塊；

3天：識別出68塊表，錯(cuò)誤識別7塊；

4天：識別出69塊表，無錯(cuò)誤識別；

5天：識別出70塊表，無錯(cuò)誤識別；

6天：識別出71塊表，無錯(cuò)誤識別；

7天：識別出71塊表，無錯(cuò)誤識別；

8天：識別出72塊表，無錯(cuò)誤識別。

經(jīng)過訓(xùn)練測試之后，相位識別準(zhǔn)確率得到了有效提高。

2.3 人員、安全帽識別實(shí)施效果

為驗(yàn)證電力施工人員、安全帽識別的有效性，將安全帽及佩戴安全帽人員圖片作為測試集。在訓(xùn)練時(shí)為減少運(yùn)算量，提高檢出的速度，將原來VOC訓(xùn)練集進(jìn)行重新采樣。采樣中分別對常規(guī)的安全帽進(jìn)行采樣，采集彩色圖片15000張，再轉(zhuǎn)換成灰度圖片15000張。

在大約訓(xùn)練迭代到4000次時(shí)，模型已經(jīng)有一定效果。通過目標(biāo)分類識別，可進(jìn)一步降低非人員誤報(bào)的機(jī)率，大約降低10%以上的誤報(bào)率。最后統(tǒng)計(jì)其在數(shù)據(jù)集上的查準(zhǔn)率、查全率以及每秒識別幀數(shù)。其中查準(zhǔn)率代表預(yù)測框中準(zhǔn)確的數(shù)據(jù)比上預(yù)測框數(shù)據(jù)總數(shù)，查全率代表找到真實(shí)數(shù)據(jù)框數(shù)比上真實(shí)數(shù)據(jù)框總數(shù)。

由表1可知工人和安全帽識別精度在92.1%-94.2%，能夠很好地滿足施工現(xiàn)場識別安全帽佩戴情況，有著很好的識別效果。

表1 測試集實(shí)驗(yàn)結(jié)果

2.4 手寫表格識別

手機(jī)攝像頭拍攝實(shí)驗(yàn)表格后通過OCR算法模型對手寫的數(shù)據(jù)（整數(shù)和帶小數(shù)點(diǎn)數(shù)字）進(jìn)行精準(zhǔn)定位和自動(dòng)識別，識別結(jié)果自動(dòng)存儲，對比手工錄入測試。

經(jīng)測試，利用圖像識別技術(shù)識別表格耗時(shí)為9秒，45組數(shù)據(jù)中識別錯(cuò)誤3個(gè)，正確率93.3%；而手工錄入耗時(shí)達(dá)3分鐘，發(fā)生了錄入錯(cuò)誤。由實(shí)驗(yàn)結(jié)果可以看出，圖像識別錄入比手工錄入效率提高90%以上，正確率也大幅提高。

3 結(jié)束語

運(yùn)用AI技術(shù)對低壓配電運(yùn)維的新賦能，可以實(shí)現(xiàn)臺區(qū)拓?fù)渥詣?dòng)識別，識別率達(dá)100%；單相電表的相位自動(dòng)識別率達(dá)100%；工人和安全帽識別精度達(dá)到92.1%-94.2%，比傳統(tǒng)方式提高6%；AI識別表格速度從人工錄入的3分鐘提高到9秒，且正確率達(dá)到93.3%以上。通過AI技術(shù)賦能低壓配電運(yùn)維，可以減少運(yùn)維成本，提高運(yùn)維效率，加強(qiáng)運(yùn)維安全管控。拓?fù)渥R別分析技術(shù)已經(jīng)成熟運(yùn)用，已在多地試點(diǎn)成功，后期必將全面推廣。安全管控目標(biāo)AI視覺識別今后還有很大提升空間，在可識別目標(biāo)種類及可運(yùn)用場景方面將逐步深入。