基于人工智能的某管理平臺(tái)架構(gòu)設(shè)計(jì)

陳太雷，張全升，王亞男

（河南送變電建設(shè)有限公司輸電運(yùn)檢分公司，河南 鄭州 450007）

1.引言

隨著現(xiàn)代電力行業(yè)的不斷發(fā)展，電力網(wǎng)架構(gòu)成愈發(fā)豐富，隨之而來(lái)的是輸配電網(wǎng)絡(luò)安全問(wèn)題的不斷呈現(xiàn)，如長(zhǎng)期運(yùn)行在強(qiáng)電場(chǎng)及復(fù)雜環(huán)境中的承受機(jī)械應(yīng)力的復(fù)合絕緣子，容易發(fā)生絕緣電阻值降低及絕緣擊穿的情況，劣化絕緣子的存在使得絕緣子串更容易發(fā)生閃絡(luò)以及掉串事故[1-2]，嚴(yán)重影響電力系統(tǒng)的穩(wěn)定安全運(yùn)行，造成重大的社會(huì)影響。目前針對(duì)復(fù)合絕緣子劣化情況的在線監(jiān)測(cè)裝置大多以可見(jiàn)光圖像、傳感器類(lèi)為主，檢測(cè)主要依托停電登塔和非停電紅外成像儀兩種方式。受環(huán)境、距離等因素影響，人工檢測(cè)精準(zhǔn)性無(wú)法得到保證，故需針對(duì)性開(kāi)發(fā)診斷工具用于線路巡檢，及時(shí)發(fā)現(xiàn)絕緣子缺陷隱患，保障電網(wǎng)安全穩(wěn)定運(yùn)行。從建設(shè)現(xiàn)狀來(lái)看，單純?cè)黾映Ｒ?guī)紅外設(shè)備配備的數(shù)量，并不能有效提升巡檢測(cè)溫覆蓋率與質(zhì)量，人員缺口的不足要遠(yuǎn)遠(yuǎn)滯后于設(shè)備補(bǔ)充速度。因此，開(kāi)發(fā)一套能夠針對(duì)桿塔進(jìn)行自主巡檢的先進(jìn)硬件設(shè)備，并配套智能化算法及分析處理軟件、后臺(tái)信息化平臺(tái)建設(shè)，解放人力，才是從根本上解決紅外測(cè)溫巡檢問(wèn)題的關(guān)鍵。故此篇文章提出以人工智能技術(shù)支撐的輸電線路巡檢管理平臺(tái)架構(gòu)設(shè)計(jì)方案。

2.人工智能技術(shù)分析

2.1 人工智能技術(shù)介紹

人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，通過(guò)了解人類(lèi)智慧的實(shí)質(zhì)，生產(chǎn)出一種新的類(lèi)人化的智能判斷系統(tǒng)，該領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和知識(shí)圖譜等。人工智能可以對(duì)人的意識(shí)、思維的信息過(guò)程進(jìn)行模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過(guò)人的智能。

2.2 人工智能在巡檢管理平臺(tái)的技術(shù)分析

利用人工智能的技術(shù)手段，是基于紅外場(chǎng)景下的混合識(shí)別能力，通過(guò)樣本積累、模型訓(xùn)練等生產(chǎn)流程，通過(guò)算法模型來(lái)識(shí)別絕緣子這一目標(biāo)物及太陽(yáng)、飛鳥(niǎo)等干擾物，最終呈現(xiàn)絕緣子異常溫度的展示告警。模型本身可以提供開(kāi)發(fā)API/SDK的接口能力，支持GPU服務(wù)器部署，以及NVIDIA Jetson、百度Edgeboard、華為Atlas等邊緣計(jì)算平臺(tái)部署[3]，具有良好的擴(kuò)展性和可移植性。其具體架構(gòu)如下：

圖1 深度學(xué)習(xí)應(yīng)用概念架構(gòu)

其中樣本加工、模型生產(chǎn)、工作平臺(tái)展示主要內(nèi)容如下：（1）樣本加工：通過(guò)樣本采集、樣本清洗、樣本標(biāo)注，生成可以供給建模工作的樣本數(shù)據(jù)集；（2）模型生產(chǎn)：利用已有樣本數(shù)據(jù)集進(jìn)行特征提取、網(wǎng)絡(luò)選用、算法選用、算法調(diào)參、模型遷移、模型壓縮等模型生產(chǎn)；（3）工作平臺(tái)展示：進(jìn)行轄區(qū)內(nèi)絕緣子數(shù)據(jù)綜合展現(xiàn)，提供數(shù)據(jù)檢索、分析工具[4]。

2.3 人工智能絕緣子識(shí)別算法模型

針對(duì)多種復(fù)合絕緣子采集數(shù)據(jù)，著重從算法層面優(yōu)化，使用開(kāi)源算法（如Faster R-CNN等），以達(dá)到多尺度目標(biāo)的準(zhǔn)確識(shí)別。將電力常用的四種紅外調(diào)色板下成像的統(tǒng)一采集，分別訓(xùn)練。模型訓(xùn)練完成后分別應(yīng)用于識(shí)別拍攝與缺陷分析中[5]。在進(jìn)行模型訓(xùn)練之前我們需要建立模型訓(xùn)練所需要的數(shù)據(jù)集，數(shù)據(jù)集的格式我們采用Pascal VOC2007數(shù)據(jù)集格式，通過(guò)數(shù)據(jù)擴(kuò)充的方法豐富數(shù)據(jù)集，并將數(shù)據(jù)集按照訓(xùn)練集：測(cè)試集=7∶3的比例劃分。絕緣子由于溫度不同于背景會(huì)在顏色上有差異，可以根據(jù)色彩差異準(zhǔn)確識(shí)別出絕緣子的邊緣，從而為無(wú)人機(jī)識(shí)別定位和絕緣子劣化診斷提供模型基礎(chǔ)。

2.4 人工智能絕緣子劣化判別算法模型

Faster R-CNN算法由兩大模塊組成：1)PRN候選框提取模塊；2)Fast R-CNN檢測(cè)模塊。其中，RPN是全卷積神經(jīng)網(wǎng)絡(luò)，用于提取候選框；Fast R-CNN基于RPN提取的proposal檢測(cè)并識(shí)別proposal中的目標(biāo)。模型訓(xùn)練之后將最小Loss值的權(quán)重替換模型中的原始權(quán)重，利用訓(xùn)練好的Faster R-CNN模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，測(cè)試中利用模型得到測(cè)試集上同一絕緣子片最高溫度和最低溫度的預(yù)測(cè)框，并通過(guò)選擇預(yù)測(cè)框上溫度值的最高置信度得到最終溫度值，最后通過(guò)對(duì)比同一絕緣子串上不同絕緣子的極端溫度差值來(lái)進(jìn)行算法的智能識(shí)別。

在識(shí)別圖片中絕緣子的不同溫度差時(shí)，將Faster R-CNN模型輸出得到的圖片進(jìn)行處理，根據(jù)圖片上預(yù)測(cè)框的位置進(jìn)行Bounding Box，將我們感興趣的區(qū)域提取出來(lái)，最后放入OCR網(wǎng)絡(luò)中，然后由計(jì)算機(jī)智能提取出每個(gè)文字的圖像，并將其轉(zhuǎn)換成漢字的算法。最后通過(guò)對(duì)不同絕緣子上溫度值進(jìn)行提取，進(jìn)行文本校對(duì)自動(dòng)得出溫度差值。當(dāng)溫度差值在1℃范圍內(nèi)時(shí)，我們認(rèn)為復(fù)合絕緣子沒(méi)有出現(xiàn)故障；當(dāng)溫度差值1℃≤△t≤4℃時(shí)，我們認(rèn)為復(fù)合絕緣子出現(xiàn)疑似缺陷；當(dāng)溫度差值4℃≤△t≤10℃時(shí)，我們認(rèn)為復(fù)合絕緣子出現(xiàn)嚴(yán)重缺陷；當(dāng)溫度差值△t≥10℃時(shí)，我們認(rèn)為復(fù)合絕緣子出現(xiàn)危急缺陷。

2.5 智能紅外無(wú)人機(jī)自主飛行檢測(cè)

高像素紅外熱成像儀配合AI識(shí)別模塊，在飛行器定點(diǎn)懸停狀態(tài)下可對(duì)絕緣子進(jìn)行主動(dòng)識(shí)別定位，并通過(guò)云臺(tái)自動(dòng)調(diào)整對(duì)準(zhǔn)目標(biāo)拍攝。將用于識(shí)別拍攝的模型部署于含Hi3559C的計(jì)算平臺(tái)上，進(jìn)行輔助拍攝，將用于缺陷分析的模型部署于Atlas200中，先識(shí)別目標(biāo)，后提取關(guān)鍵像素，再分析測(cè)溫。飛行平臺(tái)能夠按照預(yù)先規(guī)劃的路徑進(jìn)行自主飛行，并在指定航點(diǎn)完成姿態(tài)調(diào)整，觸發(fā)智能紅外識(shí)別載荷進(jìn)行拍攝。該自主飛行復(fù)用云臺(tái)相機(jī)內(nèi)的計(jì)算單元，通過(guò)OSDK直接控制飛行器飛控單元，確保在環(huán)繞絕緣子串拍攝時(shí)桿塔本體造成的通信干擾不會(huì)中斷巡檢過(guò)程或釀成失聯(lián)撞塔事故[6]。

3.基于人工智能的某平臺(tái)架構(gòu)設(shè)計(jì)

3.1 平臺(tái)網(wǎng)絡(luò)架構(gòu)核心思想

此平臺(tái)網(wǎng)絡(luò)架構(gòu)主要有接入層、平臺(tái)管理和服務(wù)器組成。通過(guò)無(wú)人機(jī)采取到數(shù)據(jù)樣本，通過(guò)構(gòu)建巡檢系統(tǒng)并對(duì)海量數(shù)據(jù)進(jìn)行查詢(xún)，在搭建好人工智能模型的基礎(chǔ)上通過(guò)平臺(tái)對(duì)模型進(jìn)行分發(fā)，最后構(gòu)建數(shù)據(jù)采集、應(yīng)用和數(shù)據(jù)庫(kù)服務(wù)器[7]。其基本架構(gòu)思想如圖2所示。

圖2 巡檢智能識(shí)別平臺(tái)的網(wǎng)絡(luò)架構(gòu)思想

3.2 智能識(shí)別平臺(tái)應(yīng)用整體架構(gòu)

智能識(shí)別平臺(tái)整體框架由數(shù)據(jù)層，并行平臺(tái)層，應(yīng)用層3個(gè)層次組成，如圖3所示。

圖3 智能識(shí)別平臺(tái)整體框架

從邏輯結(jié)構(gòu)上方案可分為四部分，分別是設(shè)備層，數(shù)據(jù)層、平臺(tái)層、應(yīng)用層。其主要內(nèi)容如下：

設(shè)備層包括前端AI算法和無(wú)人機(jī)機(jī)載運(yùn)算平臺(tái)，其中前端AI算法為無(wú)人機(jī)提供輕量、高效的算法模型；運(yùn)算平臺(tái)通過(guò)搭載最優(yōu)算法達(dá)到全自動(dòng)巡檢、智能數(shù)據(jù)記錄、智能前端分析、智能識(shí)別目標(biāo)物的目的。數(shù)據(jù)層以自建的時(shí)序數(shù)據(jù)庫(kù)這一物聯(lián)網(wǎng)專(zhuān)用數(shù)據(jù)庫(kù)為基礎(chǔ)，對(duì)接各采樣設(shè)備、巡線班組排班系統(tǒng)、電力GIS地圖系統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)。平臺(tái)層包括海量數(shù)據(jù)查詢(xún)、人工智能模型邊緣分發(fā)、數(shù)據(jù)可視化分析三大模塊引擎，分別實(shí)現(xiàn)系統(tǒng)的數(shù)據(jù)檢索、模型管理、研判分析服務(wù)。應(yīng)用層包括模型管理、權(quán)限管理、日志管理、巡檢歷史及進(jìn)度、數(shù)據(jù)顯示、專(zhuān)家復(fù)審等功能。

4.結(jié)語(yǔ)

該文章根據(jù)輸電線桿塔絕緣子特點(diǎn)和人工智能技術(shù)的優(yōu)點(diǎn)，提出基于人工智能的輸電線路巡檢管理平臺(tái)架構(gòu)。通過(guò)溫度識(shí)別進(jìn)行絕緣子智能標(biāo)注，利用Faster R-CNN算法模型進(jìn)行特征提取和目標(biāo)框回歸，并將AI算算法植入前端硬件中，通過(guò)在可見(jiàn)光實(shí)時(shí)畫(huà)面中對(duì)絕緣子的定位，輔助紅外云臺(tái)相機(jī)對(duì)準(zhǔn)抓拍。再將采集到的紅外圖像原始照片進(jìn)行二次識(shí)別，找到絕緣子的準(zhǔn)確位置，并剔除背景等干擾因素，對(duì)絕緣子上的像素點(diǎn)進(jìn)行溫度分析，可根據(jù)預(yù)設(shè)的溫差閾值進(jìn)行告警，最終完成了電力巡檢智能識(shí)別平臺(tái)完整架構(gòu)的設(shè)計(jì)。