基于人工智能的電力工程施工數據融合研究

摘" 要：隨著能源轉型和數字化發展，數據已經成為企業發展必不可少的生產要素，數據融合能夠實現多種類型數據的集成應用。該文設計電力工程施工數據融合的思路和技術架構，給出電力工程數據獲取途徑，研究基于人工智能的數據融合程序和評價指標，優選完整性大于70%、連續性100%的ResNet18人工智能模型進行電力工程施工數據融合，實現電力工程施工數據的深度關聯，是電力企業轉型發展的重要基礎，能夠為相關工程領域數據融合提供參考。

關鍵詞：電力工程施工；多模態；數據融合；人工智能；ResNet18

中圖分類號：TM505" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）17-0102-04

Abstract： With the development of energy transformation and digitization， data has become an indispensable factor of production for the development of enterprises， and data fusion can realize the integrated application of many types of data. This paper designs the idea and technical framework of power engineering construction data fusion， gives the way of power engineering data acquisition， studies the data fusion program and evaluation index based on artificial intelligence， and selects the ResNet18 artificial intelligence model with more than 70% integrity and 100% continuity for power engineering construction data fusion， which realizes the deep correlation of power engineering data， which is an important foundation for the transformation and development of electric power enterprises and can provide reference for data fusion in related engineering fields.

Keywords： power engineering construction; multimodal; data fusion; artificial intelligence; ResNet18

隨著“十四五”期間國家提出的《“十四五”數字經濟發展規劃》和不斷推進的能源轉型規劃[1-2]，數據在企業的發展中起著越來越重要的作用，是企業的核心生產要素[3]。電力系統發展至今已由獨立、單一的數據源發展至不同類型數據深度融合的信息流，其分析必須由傳統的獨立分析方式向深度融合的方向轉變[4-6]。

電力工程施工領域的數據就是與電力工程施工業務相關，來自不同環節，具有不同形式、結構的數據，用來表示不同形態的數據形式，或者同種形態不同的格式，一般表示文本、圖片、視頻和混合數據等[7]，對數據進行關聯和對齊的數據融合分析，是實現電力工程施工各環節和各場景的準確、統一和全面感知的重要基礎支撐。

1" 國內外研究現狀

目前，數據融合是電力行業的熱點研究內容。2022年，王波等[8]對網內和網間電力物聯網和和數字化建設的數據進行融合存在的問題及關鍵技術提出了解決方案，2021年王紅霞等[9]提出了面向多源電力感知終端的異構多參量特征級融合模式、融合框架與場景驗證，多位學者對數據融合在業務中的應用進行了具體研究[10-14]。

當前，電力的數據融合研究主要集中在物聯網和系統產生的數據進行融合，缺少對實際存在的文字、圖片、流媒體類數據的融合技術進行研究，本文重點對電力工程施工實際存在的上述3種類型數據開展深度的數據融合研究。

2" 技術架構

電力工程施工產生了大量的文字、圖片和視頻，融合的核心思路是建立文字、圖片和視頻三者的關聯和對齊，重點是以圖片為中心開展與文字和視頻的關聯，從而建立起三者的關聯關系，詳細如圖1所示。首先建立文字和圖片的關聯關系，之后開展圖片與視頻融合，建立起多類型深度關聯的綜合數據。

總體技術架構分為3層，數據源、融合層和存儲層，數據源包括文本、圖片、視頻等數據，通過數據采集進入融合層，融合層數據基于云計算進行數據融合計算，融合后的數據依托云存儲進行數據存儲，詳細技術架構如圖2所示。

3" 數據采集

電力工程施工的文本數據來自文檔、操作手冊和書籍等，圖片數據來自工藝流程圖和現場施工圖片等，視頻數據來自現場施工視頻。實施過程中圖片和文字的關聯關系主要基于國家電網有限公司編輯的《國家電網有限公司輸變電工程標準工藝" 變電工程土建分冊》《國家電網有限公司輸變電工程標準工藝" 變電工程電氣分冊》《國家電網有限公司輸變電工程標準工藝" 架空線路工程分冊》《國家電網有限公司輸變電工程標準工藝" 電纜工程分冊》等標準工藝書籍和標準工藝文檔，通過采集系統建立了豐富的圖片和文字描述的內容，重點是對圖片與視頻進行關聯和對齊，實現視頻數據的融合，進而達到文字、圖片和視頻的集成。

4" 數據融合

開發的圖像和視頻融合程序主要通過獲取的視頻進行視頻幀提取，與獲取的圖片進行相似度計算，在這之前需要對提取的視頻幀和獲取的圖片進行預處理，包括圖片像素、尺寸一致化處理和歸一化處理，通過以上預處理確保在同一條件下開展特征提取分析，之后基于提取的特征進行相似度分析，完成分析之后循環對視頻下一幀進行同樣的分析，直至最后一幀，選取視頻中相似的時間段，詳細的程序流程圖如圖3所示。

4.1" 程序環境

基于Python開發人工智能算法，提高計算效率，通過Winform開發可視化界面，打通與Python的數據通道，便于用戶交互，實現集成軟件。

Python環境基于torch、torchvision.transforms、torchvision.models包進行人工智能算法實現支持。

Winform環境，基于Accord.Video.FFMPEG進行視頻讀取和解碼、Drawing進行圖像處理、Math相關函數進行數學運算，軟件界面詳細如圖4所示。

4.2" 評價指標

對圖片視頻融合的完整性和連續性進行綜合評估。

完整性：表示識別相似視頻幀的占比，完整性指標=識別的相似視頻幀/所有相關的視頻幀。

連續性：識別的連續視相關的頻幀是否混入不相關視頻幀，按照比例計算。連續性指標=1-（不相關的視頻幀/連續相關的視頻幀）。

4.3" 傳統算法

基于傳統的方向梯度直方圖（HOG）和感知哈希值（Perceptual Hash）對圖片和視頻幀的特征進行計算，HOG特征對于圖像的邊緣、紋理和形狀信息具有較好的表示能力，Perceptual Hash將圖像轉換為一個固定長度的哈希值或特征向量，該向量捕捉了圖像的視覺特征和結構信息，根據提取結果計算相似度，以上2種方法是目前常用的傳統圖像相似度的計算方法。

結果顯示，在圖片視頻進行融合時，HOG算法總體抽取了37個與圖片相似的視頻幀，其中連續的視頻幀有19個，Perceptual Hash算法也抽取了37個與圖片相似的視頻幀，連續的視頻幀有18個，完整性與HOG算法一致，但連續性低于HOG算法。

4.4" 人工智能算法

人工智能算法常用于識別和預測，本文利用人工智能神經網絡的深度作為特征提取算法，寬度做為特征的參數，進行圖片視頻融合的相似度計算。

選用ResNet人工智能模型進行特征提取，抽取了與圖片相似的視頻幀數量范圍是35～51個，通過增加卷積層深度和寬度，提取的視頻幀呈減少趨勢，連續的視頻幀個數范圍是25～51個，增加神經網絡的層深度連續性不會變化，但增加神經網絡寬度會導致連續的幀數減少，詳細見表1。

5" 結果評價

綜上所述，人工智能進行圖片和視頻幀的對齊算法完整性和穩定性均優于傳統算法，然而對CNN的寬度和深度進行加大時，并沒有對結果產生積極的影響，反而起到負面的效果，因此，本文采用合適的人工智能ResNet18模型進行電力施工現場的圖片施工融合，詳細結果見表2。

6" 結束語

基于人工智能的電力工程施工數據融合研究建立起了多維度數據集成的獲取途徑，設計了具體的3層技術架構，基于人工智能網絡結構進行特征提取的手段進行圖片視頻的融合算法，構建了相應的程序，并對不同的方法進行了分析對比，優選了ResNet18人工智能模型進行電力工程施工的數據融合。依托人工智能技術的數據融合技術能夠實現電力工程施工的協同分析，提高系統中各環節可觀可控性，提升電力系統運行安全性及可靠性。

以上研究成果為電力系統其他類型的數據融合提供參考，尤其是電力物聯網[15]和數字電網[16]的建設多種形態數據融合具有一定的借鑒意義，促進電力建設的數字化發展，提高企業創新模式和提高績效[17]。

參考文獻：

[1] 國務院關于印發“十四五”數字經濟發展規劃的通知（國發〔2021〕29號）[S].2021：1-31.

[2] 曾鳴，王永利，張碩，等.“十四五”能源規劃與“30·60”雙碳目標實現過程中的12個關鍵問題[J].中國電力企業管理，2021（1）：41-43.

[3] 李輝，梁丹丹.企業數字化轉型的機制、路徑與對策[J].貴州社會科學，2020（10）：120-125.

[4] 劉建偉，丁熙浩，羅雄麟.多模態深度學習綜述[J]計算機應用研究，2020，37（6）：1601-1614.

[5] 王科濤.基于單模態及多模態數據的多模態學習[D].南京：南京大學，2020.

[6] 趙亮.多模態數據融合算法研究[D].大連：大連理工大學，2018.

[7] LIU J， LI T， XIE P， et al. Urban big data fusion based on deep learning：an overview[J]. Information Fusion，2020（53）：123-133.

[8] 王波，王紅霞，姚良忠，等.電力系統多模態數據融合模式及關鍵技術問題[J].電力系統自動化，2022，46（19）：188-199.

[9] 王紅霞，王波，董旭柱，等.面向多源電力感知終端的異構多參量特征級融合：融合模式、融合框架與場景驗證[J].電工技術學報，2021，36（7）：1314-1323.

[10] FENG C， CUI M J， HODGE B M， et al. A data-driven multimodel methodology with deep feature selection for short-term wind forecasting[J]. Applied Energy，2017（190）：1245-1257.

[11] MA J， WANG S X， QIU Y， et al. Angle stability analysis of power system with multiple operating conditions considering cascading failure[J]. IEEE Transactions on Power Systems，2017，32（2）：873-882.

[12] KIM G G， CHOI J H， PARK S Y， et al. Prediction model for PV performance with correlation analysis of environmental variables[J]. IEEE Journal of Photovoltaics，2019，9（3）：832-841.

[13] ZHAO J B， GMEZ-EXPSITO A， NETTO M， et al. Power system dynamic state estimation： motivations， definitions，methodologiesand future work[J]. IEEE Transactions on Power Systems，2019，34（4）：3188-3198.

[14] 基于知識模型的檢修停復電智能審批和執行系統的研究和開發[D].廣州：華南理工大學，2020.

[15] 趙萌萌，唐平舟，孫堃，等.泛在電力物聯網發展與展望[J].華北電力大學學報（自然科學版），2020，47（5）：63-74.

[16] 中國南方電網有限責任公司.數字電網白皮書[EB/OL].（2020-11-07）.[2021-07-05].http：//www.csg. cn/xwzx/sznw/202011/W020201118349531607140.pdf.

[17] 喻登科，陳淑婷.信息技術與企業績效：知識管理能力與商業模式創新的鏈式中介作用[J].科技進步與對策，2024，41（8）：117-128.