史 琳，劉豐威，潘 煒

（廣東電網(wǎng)有限責任公司廣州供電局，廣東 廣州 510000）

0 引 言

人工智能（Artificial Intelligence，AI）技術(shù)自20世紀50年代被定義、認知、深度研究以及推廣應用以來，已經(jīng)融入日常生活的各個領域。AI技術(shù)高度集成了數(shù)學、神經(jīng)學、計算機網(wǎng)絡、自動控制理論以及博弈理論等眾多學科和技術(shù)理論，賦予了計算機等機器強大的感知、推理、計算以及學習能力，具有人類求解、邏輯推理以及思維功能。目前，AI技術(shù)已經(jīng)廣泛運用到電力、通信、交通、醫(yī)療、家居、教育、工業(yè)、農(nóng)業(yè)以及軍事等各個領域。

1 國內(nèi)AI技術(shù)的發(fā)展現(xiàn)狀

20世紀以來，隨著電力電子技術(shù)、網(wǎng)絡技術(shù)以及信息技術(shù)等的高速發(fā)展，智慧電網(wǎng)概念快速普及并應用推廣，使得電網(wǎng)運行更加安全穩(wěn)定。目前，我國智能電網(wǎng)技術(shù)已經(jīng)領先世界，高度集成了計量數(shù)據(jù)管理系統(tǒng)（MDMS）、高級輸配電運行（ATO&ADO）、AMI測量系統(tǒng)、復雜網(wǎng)絡系統(tǒng)、AAM資產(chǎn)管理系統(tǒng)、大數(shù)據(jù)信息挖潛以及應用系統(tǒng)等技術(shù)。圖1為我國智慧電網(wǎng)技術(shù)架構(gòu)[1]，已經(jīng)逐步向規(guī)模化、集成化以及高度智能化方向發(fā)展。

圖1 我國智慧電網(wǎng)技術(shù)架構(gòu)組成

2 AI識別與算法研究

2.1 模式識別

模式識別技術(shù)主要對不同研究對象進行定量、結(jié)構(gòu)等模式的分類和描述，從而得到實體對象的特征信息，并采用不同方式處理和分析特征數(shù)據(jù)信息。傳統(tǒng)模式識別方法和算法主要有臨分類算法、聚類算法以及成分分析算法等。工業(yè)4.0時代，機器視覺技術(shù)和計算機視覺技術(shù)不斷成熟。利用圖像信息處理技術(shù)，實現(xiàn)了各種視覺檢測、視覺定位、視覺測量、二維碼識別、人臉識別、商業(yè)支付、智能交通識別以及醫(yī)學圖像處理和檢測等。伴隨著網(wǎng)絡和數(shù)據(jù)挖潛等技術(shù)的快速發(fā)展，智能信息檢索系統(tǒng)和數(shù)據(jù)處理、挖潛、分析以及同化等，使得人們可以便捷地獲取各種信息。由于大量智能電力設備的應用，電能計量及質(zhì)量管理越來越復雜。人工智能識別通過計算機和網(wǎng)絡技術(shù)建立起良好的非線性映射，強化記憶和學習，具有自診斷和自適應的功能。另外，綜合運用人工神經(jīng)網(wǎng)絡深度學習、魚群效應以及模糊聚類等分析方法進行模式識別分析，建立了多種分析模型。

2.2 深度學習算法模型

深度學習最早由Hinton等科學家研究提出，是基于傳統(tǒng)神經(jīng)網(wǎng)絡而逐漸興起的一種人工智能算法模型。機器學習是建立在機器學習基礎上的深層神經(jīng)網(wǎng)絡算法模型。深度學習采用多個非線性變換，獲取復雜數(shù)據(jù)抽象特征信息并訓練，通過神經(jīng)元分層網(wǎng)絡，訓練學習獲取深層數(shù)據(jù)抽象特征，并聚合到分類器實現(xiàn)數(shù)據(jù)的分類和識別。深度學習神經(jīng)元結(jié)構(gòu)如圖2所示。

圖2 深度學習神經(jīng)元結(jié)構(gòu)

2.3 卷積神經(jīng)網(wǎng)絡算法模型

20世紀80年代，人們首次提出了卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）認知機理，隨后逐漸發(fā)展成包含卷積層（C層）、池化層（S層）以及全連接層（FC層）的卷積神經(jīng)網(wǎng)絡算法模型，如圖3所示。

圖3 卷積神經(jīng)網(wǎng)絡

CNN網(wǎng)絡通過二維圖像數(shù)據(jù)的多層卷積獲取特征，提取并不斷池化后進行全連接輸出，從而達到圖像分類和識別的目的。因為卷積訓練過度擬合，很難實現(xiàn)測試集的泛化，造成識別準確率不高。為此，引入Dropout優(yōu)化方法，強化訓練網(wǎng)絡節(jié)點，增強了對局部特征的網(wǎng)絡適應性和泛化能力。結(jié)合對人類大腦無監(jiān)督學習的研究，人們隨后提出了棧式稀疏自編碼網(wǎng)絡算法模型，利用無監(jiān)督學習模式，通過編碼器和分析器的自動提取和分類圖像稀疏特征，極大地提高了分類精度和準確度[2]。

3 AI算法電能計量識別的實現(xiàn)

采用深度學習CNN網(wǎng)絡模型智能識別電能計量，并在學習訓練過程中逐層提取電能計量圖特征，在輸出層利用分類器進行分類。識別流程如圖4所示。目前，智能電表上自帶圖像采集系統(tǒng)，可以自動采集電表圖像，利用GPIB接口或者RS485數(shù)據(jù)接口實現(xiàn)數(shù)據(jù)傳遞，利用AI算法模型實現(xiàn)圖像識別處理，最終實現(xiàn)電表信息的自動識別和用電管理[3]。

圖4 AI電能計量識別流程

圖4中，把電能計量數(shù)據(jù)歸一化處理成圖像，再對圖像進行二值優(yōu)化處理后輸入到深度學習模型中，利用邊緣分布函數(shù)（Marginal Distribution Function，MDF）和CNN神經(jīng)元網(wǎng)絡自動學習圖像特征形成圖形字符集，最后輸入分類器實現(xiàn)分類識別。

在結(jié)構(gòu)上，系統(tǒng)主要由電能計量模塊（智能電表）、電流互感器、校準儀器、監(jiān)控攝像設備、電源、GPIB接口、通信模塊以及控制器等構(gòu)成。為保證AI數(shù)據(jù)采樣時間的準確性，需要對采集單元進行時間同步處理。計量數(shù)據(jù)識別主要通過預處理、特征提取以及分類等環(huán)節(jié)實現(xiàn)，其中預處理步驟如表1所示。

表1 電能計量數(shù)據(jù)圖像預處理

通過預處理后，利用邊緣分布函數(shù)將分離后的字符骨架圖像進行網(wǎng)格化處理，利用CNN棧式稀疏自編碼神經(jīng)網(wǎng)絡進行特征提取，最后輸入分類器進行分類和識別[4]。CNN棧式稀疏自編碼神經(jīng)網(wǎng)絡電能計量特征提取識別方法如圖5所示。

圖5 CNN棧式稀疏自編碼神經(jīng)網(wǎng)絡電能計量特征提取識別

4 提升AI算法效果

由于有許多儀表的外觀會與電能表外觀類似，因此會存在一定的誤識別率，即將非計量裝置圖片識別為計量裝置。如何降低它的誤識別率是提升該算法實用性的重要研究課題。首先，需要使用人工智能學習算法中的監(jiān)督學習算法，將大量標注為電能表的圖片輸入算法模型進行訓練，提取出電能表特征。其次，仍然使用大量電能表圖片進行訓練，僅標注電能表部分，后續(xù)使用訓練好的算法定位電能表四角。再次，在完成電能表圖片識別及四角坐標定位后，利用已經(jīng)定制好的電能表內(nèi)部識別內(nèi)容的位置模板進行模板匹配，模板如圖6所示。最后，完成模板匹配。由于電能表均符合企業(yè)特定標準，因此在特定位置需要出現(xiàn)特定的標識，如企業(yè)標志、唯一資產(chǎn)碼以及電量信息等，以判斷是否為電能表圖片。通過該智能算法模板匹配可以大幅提升識別率[5]。

圖6 定制電能表內(nèi)部識別內(nèi)容的位置模板

5 結(jié) 論

我國智能電網(wǎng)建設已經(jīng)開始實施，通過AI智能算法自動識別電能電量，有助于提高用電可靠性、用電效率以及電能質(zhì)量。隨著技術(shù)的不斷進步，利用電力大數(shù)據(jù)挖潛技術(shù)和云計算技術(shù)，有利于提高電網(wǎng)的安全性和電網(wǎng)利用率，實現(xiàn)電能優(yōu)化分配和精準計費等，也有助于進一步降低電力企業(yè)運營成本，為顧客提供更加便捷和優(yōu)質(zhì)的用電體驗。