智能識別技術在電力現場作業管控中的應用研究

李敏

摘要：進入二十一世紀以來，在我國高速發展下，科學技術水平不斷進步，其中，智能識別技術屬于科技發展的重要產物，它廣泛應用于社會生活的各個領域，由于電力現場運行的危險系數較高，有必要利用智能識別技術對其開展有效的管控。在電力現場作業中，極為容易產生事故問題，不斷提升電力現場作業的規范性與標準性是保證電力作業安全生產和管理的重要根基。

關鍵詞：智能識別技術;電力現場;作業管控

引言

電力企業中的客戶繳費信息在業務系統中存有記錄，電費核查是將客戶繳費轉賬憑證中的電費賬務數據與業務系統數據進行比對，檢查電費到賬數據的真實性、準確性。傳統的電費核查手段主要依靠人力逐戶檢查憑證信息并與業務系統記錄數據進行比對，但由于數據量大、信息龐雜，該手段的人力成本很高，且效率無法滿足現實工作要求。

1緒論

隨著我國智能技術的不斷發展，電力智能化系統日益完善。變壓器是整個電力系統運行樞紐，變壓器的運行效率直接關系整個電網的運行質量。由于變壓器在日常運行中受環境、具體工況以及人為破壞等因素的影響而導致其容易誘發故障。

2電力現場作業管理和控制的現狀

2.1不能確保現場視頻違章判定的準確性

由于電力建筑現場范圍較大，操作人員數量較多并且十分復雜，施工現場通常包括了項目管理者、技術人員、監理者、施工人員等，在傳統的視頻監控和現場采集中包括了多專業與類型的工作人員，其信息極為復雜，僅僅依靠人工遠程不能對其操作的違法性進行正確、全面的判斷。

2.2視頻監控數量較多，監管者利用視頻收集對現場進行檢查

通常在對現場查看完成后的10分鐘以后，由于疲勞和注意力不集中，將會導致工作人員錯過90%的視頻信息，使得遠程視頻監控失去了自身的可操作性。例如在省級電力公司中，三千多臺視頻終端設備通常每個月平均產生的視頻容量為150T，視頻時長可達768小時。這些數據通常是依靠人工進行整理，因此工作量較大并且容易出現差錯。

3智能識別技術在電力運行現場控制中的應用

3.1圖像識別

圖像識別是人工智能的一個重要領域，是利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對象的技術，最大的特點是速度快、信息量大，在導航、自然資源分析、環境監測等許多領域具有廣泛應用。

圖像識別是采用OCR技術識別繳費轉賬憑證圖像中的文字、數字等內容。圖像識別主要包括圖片布局分析、字符分割和識別，圖片布局分析是通過基于制表位檢測的頁面布局分析方法，對圖像中的表格、文本、圖片等內容進行區分。字符分割和識別是利用字符間隔對文本進行切分得到字符，通過字符區域類型判定，根據判定結果對比字符庫識別字符。基于開源的OCR引擎Tesseract框架構建圖像識別模塊，實現繳費轉賬憑證圖像種類判定以及憑證圖像文字內容的自動識別，圖像識別流程如圖1所示。

圖像識別處理流程如下：

（1）分析連通區域：檢測出字符區域的字符輪廓和子輪廓。（2）查找塊區域：連通區域分析得到的輪廓線集成為塊區域，大致確定文本區域和文本尺寸。（3）查找文本行和單詞：采用最小二乘法擬合文本行的形狀，通過間隔識別出單詞。（4）分類器識別單詞：采用自適應分類器依次對每個單詞進行分析，分類器具有學習能力，先分析且滿足條件的單詞也作為訓練樣本，所以后面的字符識別更準確。對于識別不準確的字符，分類器會再次識別使其精度得到提高。（5）得出文本：對識別出的文本進行組合并輸出。采用基于Tesseract框架的圖像識別方法對繳費轉賬憑證進行識別存在兩個問題，一是無法兼容識別所有類型的憑證圖像、對于個別憑證圖像出現部分內容識別錯誤的情況，二是對于大體積圖像的識別速度較慢。神經網絡算法在計算機視覺領域比較有影響力，為繳費轉賬憑證圖像的識別提供了新的思路。考慮到不同類型憑證圖像的內容排版差異，基于神經網絡設計圖像識別模塊對某一類憑證圖像進行內容識別，以提高內容識別的準確性。神經網絡識別憑證圖像內容的流程主要分為3個階段：（1）基于卷積神經網絡模型VGG16訓練文本方向檢測網絡，可以對文本進行0、90、180、270°檢測。（2）基于CTPN文字檢測算法設計文字區域檢查網絡，CTPN結合CNN與LSTM深度網絡能夠定位文字的位置，檢測出復雜場景的橫向分布的文字。

3.2個人防護裝備智能識別研究

按照輸變電工程安全文明施工規則，以圖像和監控視頻數據為基礎，對安全帽、安全繩、絕緣手套等防護裝備進行智能識別研究。落實個人防護裝備的模型化管理，使得監控系統了解個人防護裝備，為施工人員操作行為的識別打下良好基礎。卷積神經網絡（CNN）：20世紀中葉，Hubel與Wiesel經過研究貓的腦皮層神經元，首次發現貓大腦皮層具有特色的網絡結構能夠顯著減少反饋神經網絡的復雜度，并在此基礎上提出了卷積神經網絡。CNN在圖像處理與識別、語音識別等各個方面都得到了極大的成就，在人們的實際生活中得到了廣泛的應用。

SSD算法屬于一種多目標檢測算法，可以直接預測目標類別和不同大小的boundingbox的目標檢測。與傳統的分別檢測變換后圖像的大小然后綜合結果（NMS）的方法相比，SSD算法經過各種不同的卷積層對圖像實施卷積和采樣，提取特點圖實施全連接，然后對其進行分類。在電力運行現場經常使用防護設備，采取在深度學習的分類與目標識別相結合的方法的基礎上，對作業場景實行分類，識別現場的安全防護設備。在實踐中，應用了CNN與SSD統一結合的方式：利用攝像頭收集現場的視頻片段，篩選出3.8萬張圖像，其中包括了其中不同的作業現場。按照不同作業現場，將其中的3萬張圖片實行分類，并制作成Caffe數據庫，使用AlexNet網絡數據集開展訓練，完善網絡參數調整，結合中間的結果，得到的最佳使用訓練數據集訓練神經網絡分類模型，使用的模型操作場景圖像實施分類，來劃分各種類型的工作。剩余的八千張圖片被用來測試模型，準確率高達96.7%。各種工作現場所需求的防護用具都是不同是，使用SSD目標識別的方式對各種場景的防護用具開展識別。

首先應對現場工作者進行識別，選選擇3萬張圖片充當訓練集，并對人員進行標記。利用完善后的SSD網絡對數據集的網絡模型開展訓練，利用網絡模型篩選圖像中人員的特征。利用SSD網絡開展對防護裝備數據庫的培訓，按照中間結果對網絡參數實行完善與調整。利用這一網絡來完成對數據集的培訓，提出防護裝備的特點，獲得網絡模型。并利用網絡模型開展圖像識別，并對視頻中的個人防護裝備進行識別。進行效果如圖2所示：

結語

伴隨智能電網建設的不斷發展，將來電力作業現場管理控制的發展將以智能化、網絡化為基礎，實現違章事件的自動識別和報警。上述研究為輸變電工程施工現場的智能監控打下了堅實的基礎，與此同時，智能識別技術處理了復雜電力運行環境的適應性，完善了高效算法，減少了誤報率以及漏報率，有效提高了電力行業智能應用的水準，減少了作業現場的安全隱患與風險，確保電力生產作業能夠安全開展，擁有極為強大的社會效益與經濟效益。

參考文獻

[1]李本鋅.智能算法在油浸式變壓器故障診斷中的應用研究[D].華東交通大學，2015.

[2]王永輝，朱紅岷，賴峰.電力系統作業監護中的視頻智能分析應用研究[J].電力安全技術，2017，019（012）：39-44.