基于遷移學(xué)習(xí)的電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知研究

吳守尊，張婧菲，臺樹杰，邴騫

（國網(wǎng)甘肅省電力公司臨夏供電公司，臨夏 731199）

引言

電網(wǎng)圖像數(shù)據(jù)是電力大數(shù)據(jù)的重要組成部分，是電網(wǎng)自主態(tài)勢感知的主要信息載體，為電網(wǎng)調(diào)度自動化、電網(wǎng)運(yùn)行智慧化、電網(wǎng)管理科學(xué)化提供數(shù)據(jù)交互保障[1]，為電網(wǎng)運(yùn)行態(tài)勢精準(zhǔn)感知提供判讀依據(jù)，開展電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型研究對促進(jìn)智慧電網(wǎng)實際落地實施具有重要的現(xiàn)實意義。隨著電網(wǎng)管控目標(biāo)數(shù)據(jù)量迅速增長，對運(yùn)行態(tài)勢自主感知的依賴性越來越強(qiáng)[2]，電網(wǎng)內(nèi)部邏輯規(guī)模呈指數(shù)增長，由于內(nèi)部邏輯混亂或者外部條件突變觸發(fā)故障發(fā)生的概率大大提高，電網(wǎng)核心進(jìn)程一旦發(fā)生故障，造成的損失往往具有歸零屬性，開展電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型研究具有重要的學(xué)術(shù)與工程價值[3]。本文基于遷移學(xué)習(xí)算法構(gòu)建了電網(wǎng)圖像自主判讀模型，基于此進(jìn)行電網(wǎng)運(yùn)行態(tài)勢感知，利用臨夏供電公司所屬的某22萬伏高壓線運(yùn)維圖像數(shù)據(jù)集開展了模型先驗環(huán)境下的仿真驗證，選取臨夏供電公司所屬的某22萬伏高壓線為工程實踐分析載體，開展了電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型工程應(yīng)用實踐驗證，基于國網(wǎng)甘肅省電力公司臨夏供電公司現(xiàn)有軟硬件設(shè)備，采用軟件進(jìn)程擴(kuò)展的方式搭建了驗證環(huán)境[4]，從定性與定量兩個層面開展模型工程實踐效能對比分析，多維度驗證了模型的可行性及優(yōu)越性。

1 模型邏輯框架設(shè)計

把電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型完整控制流邏輯進(jìn)行目標(biāo)導(dǎo)向下的任務(wù)分解，著重關(guān)注電網(wǎng)圖像特征數(shù)據(jù)池構(gòu)建、時間正序下的電網(wǎng)圖像異常特征全息感知機(jī)制構(gòu)建、電網(wǎng)圖像自主判讀前提下的電網(wǎng)運(yùn)行態(tài)勢有效感知等三個耦合子架構(gòu)，基于遷移學(xué)習(xí)算法對電網(wǎng)圖像自主判讀與運(yùn)行態(tài)勢感知展開研究，模型架構(gòu)如圖1所示。其中，電網(wǎng)圖像特征數(shù)據(jù)池構(gòu)建子架構(gòu)主要完成目標(biāo)電網(wǎng)運(yùn)行態(tài)勢圖像的采集、傳輸、暫存、計算、池化處理，對數(shù)據(jù)池進(jìn)行訓(xùn)練集和測試集分區(qū)劃分[5]，為時間正序下的電網(wǎng)圖像異常特征全息感知機(jī)制構(gòu)建提供統(tǒng)一的數(shù)據(jù)集支撐；時間正序下的電網(wǎng)圖像異常特征全息感知子架構(gòu)主要完成較長周期內(nèi)的電網(wǎng)圖像異常特征全息感知，利用深度殘差收縮網(wǎng)絡(luò)對數(shù)據(jù)池預(yù)先訓(xùn)練集進(jìn)行電網(wǎng)圖像異常特征知識學(xué)習(xí)辨識，構(gòu)建時間正序下的電網(wǎng)圖像異常特征全息感知機(jī)制，實現(xiàn)電網(wǎng)圖像異常信息精準(zhǔn)發(fā)現(xiàn)，為生成電網(wǎng)運(yùn)行態(tài)勢感知核心支撐要素提供數(shù)據(jù)支撐；電網(wǎng)圖像自主判讀前提下的電網(wǎng)運(yùn)行態(tài)勢有效感知子架構(gòu)主要利用GoogLeNet深度神經(jīng)網(wǎng)絡(luò)模型Inception V3開展電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知遷移學(xué)習(xí)，動態(tài)調(diào)整遷移網(wǎng)絡(luò)多維參數(shù)實現(xiàn)訓(xùn)練過程的最優(yōu)化，實現(xiàn)電網(wǎng)圖像自主判讀前提下的電網(wǎng)運(yùn)行態(tài)勢有效感知。

圖1 模型邏輯架構(gòu)示意圖

2 模型核心算法設(shè)計

依據(jù)上述基于遷移學(xué)習(xí)算法的電網(wǎng)圖像判讀與運(yùn)行態(tài)勢感知的模型邏輯，本文分階段設(shè)計其核心算法，其包括電網(wǎng)圖像異常特征的全息感知與電網(wǎng)運(yùn)行態(tài)勢的有效感知，以臨夏供電公司所屬的某22萬伏高壓線為背景進(jìn)行仿真分析，全景還原自主判讀下的海量電網(wǎng)圖像并有效感知電網(wǎng)的運(yùn)行態(tài)勢，為工程化效能分析提供理論支撐。

2.1 電網(wǎng)圖像異常特征全息感知子算法

利用CMOS相機(jī)集群快速獲取的電網(wǎng)圖像構(gòu)建形成涵蓋預(yù)先訓(xùn)練集和遷移測試集的電網(wǎng)圖像特征數(shù)據(jù)池，利用深度殘差收縮網(wǎng)絡(luò)對數(shù)據(jù)池預(yù)先訓(xùn)練集進(jìn)行電網(wǎng)圖像異常特征知識學(xué)習(xí)辨識，構(gòu)建時間正序下的電網(wǎng)圖像異常特征全息感知機(jī)制。電網(wǎng)圖像特征數(shù)據(jù)池載體參數(shù)復(fù)雜多變，具有多源異構(gòu)的特點[6]，利用網(wǎng)絡(luò)μ表征異常特征感知策略，利用價值網(wǎng)絡(luò)擬合函數(shù)并表征感知策略的評價因子，因此，基于融合經(jīng)驗緩沖因子深度殘差收縮網(wǎng)絡(luò)算法的電網(wǎng)圖像異常特征全息感知函數(shù)定義為：

在確定性策略μ下，函數(shù)Q表征選擇動作的獎勵期望，算法迭代收斂速度將得到跨量級的提升，隨機(jī)采樣經(jīng)驗緩沖因子池中的Mini-batch數(shù)據(jù)，訓(xùn)練不同策略下的執(zhí)行回合[7]，得到一個記憶回放池，針對每個訓(xùn)練回合的策略參數(shù)，求解電網(wǎng)圖像異常特征感知函數(shù)的梯度，從而得到其物理映射自生成機(jī)制，如公式（2）所示：

基于公式（2）的融合共享效應(yīng)，多重Q網(wǎng)絡(luò)中的參數(shù)Qθ能夠自主生成異常特征集合的物理映射信息并進(jìn)行標(biāo)記，在大數(shù)據(jù)量級多源異構(gòu)電網(wǎng)圖像異常數(shù)據(jù)特征的物理映射自生成機(jī)制中表現(xiàn)出較好的進(jìn)化性能[8]，連續(xù)空間內(nèi)，其期望可用積分求解，則有：

引入隱性映射經(jīng)驗池解決隱性映射相關(guān)性與非靜態(tài)分布問題，將每個時間步執(zhí)行過程中與電網(wǎng)圖像特征數(shù)據(jù)池交互得到的轉(zhuǎn)移樣本儲存到回放記憶單元，并隨機(jī)采集Mini-batch數(shù)據(jù)進(jìn)行訓(xùn)練，則電網(wǎng)圖像異常特征全息感知機(jī)制表征為公式（4）：

2.2 電網(wǎng)運(yùn)行態(tài)勢有效感知子算法

GoogLeNet深度神經(jīng)網(wǎng)絡(luò)模型Inception V3算法具備強(qiáng)大的自我感知能力[9]，本文利用其進(jìn)行電網(wǎng)運(yùn)行態(tài)勢感知的算法設(shè)計，通過動態(tài)調(diào)整遷移網(wǎng)絡(luò)的多維參數(shù)，實現(xiàn)多維差異性電網(wǎng)圖像特征的有效提取、有序重組與共享計算[10]，利用正反饋機(jī)制修正共享過程中的誤差優(yōu)化訓(xùn)練過程，在自主判讀的前提下構(gòu)建全局協(xié)同控制的電網(wǎng)運(yùn)行態(tài)勢有效感知機(jī)制。從公式（4）中抽取∈{1，2}，可視層的所有的單元i=1，2，…，n，則電網(wǎng)運(yùn)行態(tài)勢有效感知的概率通過下式計算獲得：

2.3 模型典型環(huán)境下的仿真驗證

選取臨夏供電公司所屬的某22萬伏高壓線開展模型訓(xùn)練與試驗結(jié)果分析，利用Geatpy開源工具箱的Pycharm集成開發(fā)環(huán)境仿真驗證所提模型的有效性，為模型的工程實踐效能評估提供理論支撐。利用2020年01月-2021年01月期間某22萬伏高壓線圖像數(shù)據(jù)構(gòu)建仿真數(shù)據(jù)集，選取仿真數(shù)據(jù)集中的15000例、12000例數(shù)據(jù)分別作為算法的前置訓(xùn)練集、后置測試集，鑒于電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知屬于連續(xù)動作空間下的感知與決策問題[12]，本文引入16層深度信念神經(jīng)網(wǎng)絡(luò)框架并利用緩沖池機(jī)制改善GoogLeNet深度神經(jīng)網(wǎng)絡(luò)模型Inception V3的感知收斂遲滯問題。仿真中保證Inception V3處于激活狀態(tài)，通過設(shè)置Target-action Value與Action Value神經(jīng)網(wǎng)絡(luò)實現(xiàn)電網(wǎng)圖像異常特征的全息感知，在Target-action Value神經(jīng)網(wǎng)絡(luò)中輸入當(dāng)前狀態(tài)s可輸出Next Q值[13]，將狀態(tài)s輸入Action value神經(jīng)網(wǎng)絡(luò)中可輸出eval Q值，從而實現(xiàn)電網(wǎng)運(yùn)行態(tài)勢的有效感知，具體仿真結(jié)果如圖2和3所示。

圖2 電網(wǎng)圖像異常特征全息感知子算法性能仿真圖

3 模型工程實踐效能分析

圖3 電網(wǎng)運(yùn)行態(tài)勢有效感知子算法性能仿真圖

選取臨夏供電公司所屬的某22萬伏高壓線為工程實踐效能分析載體，開展了模型工程應(yīng)用實踐驗證，基于國網(wǎng)甘肅省電力公司臨夏供電公司現(xiàn)有軟硬件設(shè)備，采用軟件進(jìn)程擴(kuò)展的方式搭建了驗證環(huán)境，具體如圖4所示。在臨夏供電公司所屬的某22萬伏高壓線目前裝備的電網(wǎng)運(yùn)行態(tài)勢可視化實時監(jiān)測及預(yù)警平臺基礎(chǔ)上增加電網(wǎng)圖像特征數(shù)據(jù)池構(gòu)建、電網(wǎng)圖像異常特征全息感知、電網(wǎng)運(yùn)行態(tài)勢有效感知等三個軟件子進(jìn)程，均采用熱觸發(fā)方式，三個軟件子進(jìn)程均與主進(jìn)程保持時間均衡，共享數(shù)據(jù)包及內(nèi)外通信端口，進(jìn)程數(shù)據(jù)實時刷新并在人機(jī)交互界面顯示。其中，電網(wǎng)圖像特征數(shù)據(jù)池構(gòu)建子架構(gòu)對數(shù)據(jù)池進(jìn)行訓(xùn)練集和測試集分區(qū)劃分，為時間正序下的電網(wǎng)圖像異常特征全息感知機(jī)制構(gòu)建提供統(tǒng)一的數(shù)據(jù)集支撐；電網(wǎng)圖像異常特征全息感知子架構(gòu)利用深度殘差收縮網(wǎng)絡(luò)對數(shù)據(jù)池預(yù)先訓(xùn)練集進(jìn)行電網(wǎng)圖像異常特征知識學(xué)習(xí)辨識[14]，構(gòu)建時間正序下的電網(wǎng)圖像異常特征全息感知機(jī)制；電網(wǎng)運(yùn)行態(tài)勢有效感知子架構(gòu)利用GoogLeNet深度神經(jīng)網(wǎng)絡(luò)模型Inception V3開展電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知遷移學(xué)習(xí)，動態(tài)調(diào)整遷移網(wǎng)絡(luò)多維參數(shù)實現(xiàn)訓(xùn)練過程的最優(yōu)化，實現(xiàn)電網(wǎng)圖像自主判讀前提下的電網(wǎng)運(yùn)行態(tài)勢有效感知。上述三個軟件子進(jìn)程在數(shù)據(jù)流層面從屬于電網(wǎng)運(yùn)行態(tài)勢可視化實時監(jiān)測及預(yù)警平臺主進(jìn)程，在控制流層面具有耦合獨立性，可以對特征數(shù)據(jù)池構(gòu)建、電網(wǎng)圖像異常特征全息感知、電網(wǎng)運(yùn)行態(tài)勢有效感知等進(jìn)行獨立控制。

圖4 模型工程實踐效能分析環(huán)境邏輯圖

基于圖4給出的電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型工程實踐效能分析環(huán)境布置邏輯，本文進(jìn)一步從定量化層面對比分析不同系統(tǒng)模型的工程實踐效能，選取臨夏供電公司所屬的某22萬伏高壓線日常運(yùn)行圖像為算例分析數(shù)據(jù)源頭，分別對電網(wǎng)圖像異常特征全息感知子進(jìn)程、電網(wǎng)運(yùn)行態(tài)勢有效感知子進(jìn)程核心參數(shù)進(jìn)行差異化設(shè)置，選取臨夏供電公司所屬的某22萬伏高壓線目前裝備的電網(wǎng)運(yùn)行態(tài)勢可視化實時監(jiān)測及預(yù)警平臺為對照系統(tǒng)，選取電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型為跟隨系統(tǒng)，利用CMOS相機(jī)集群搭建快速電網(wǎng)圖像獲取裝置，形成涵蓋預(yù)先訓(xùn)練集和遷移測試集的電網(wǎng)圖像特征數(shù)據(jù)池，從電網(wǎng)圖像異常特征全息感知覆蓋率（YC）、電網(wǎng)圖像自主判讀精準(zhǔn)率（PD）、電網(wǎng)運(yùn)行態(tài)勢異常感知有效率（TS）3個方面對不同模型進(jìn)行定量對比，從環(huán)境人機(jī)交互友好性（YH）、智慧化程度（CH）、態(tài)勢異常動態(tài)預(yù)警信息互聯(lián)推送（YJ）3個方面對模型進(jìn)行定性對比分析，如表1所示。運(yùn)行結(jié)果表明，電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型較好改善了傳統(tǒng)基于先驗特征的電網(wǎng)圖像判讀機(jī)制在電網(wǎng)運(yùn)行態(tài)勢感知實踐中顯露的諸多不足，電網(wǎng)圖像異常自主判讀均值準(zhǔn)確率達(dá)98.31 %，電網(wǎng)運(yùn)行態(tài)勢感知均值有效率達(dá)97.62 %，符合國家電網(wǎng)公司輸電運(yùn)檢相關(guān)國檢標(biāo)準(zhǔn)要求。

表1 模型工程實踐效能分析對比表

4 結(jié)論

研究了利用遷移學(xué)習(xí)改善基于先驗特征的電網(wǎng)圖像判讀機(jī)制存在的若干先天弊端，提出了一種基于遷移學(xué)習(xí)的電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型并進(jìn)行了典型環(huán)境下的仿真驗證。首先把電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型完整生命周期運(yùn)行邏輯進(jìn)行目標(biāo)導(dǎo)向下的任務(wù)分解，給出了基于遷移學(xué)習(xí)的電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型體系架構(gòu)；然后利用深度殘差收縮網(wǎng)絡(luò)對數(shù)據(jù)池預(yù)先訓(xùn)練集進(jìn)行電網(wǎng)圖像異常特征知識學(xué)習(xí)辨識，構(gòu)建時間正序下的電網(wǎng)圖像異常特征全息感知機(jī)制；最后利用GoogLeNet深度神經(jīng)網(wǎng)絡(luò)模型Inception V3開展電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知遷移學(xué)習(xí),動態(tài)調(diào)整遷移網(wǎng)絡(luò)多維參數(shù)實現(xiàn)訓(xùn)練過程的最優(yōu)化，實現(xiàn)電網(wǎng)圖像自主判讀前提下的電網(wǎng)運(yùn)行態(tài)勢有效感知。采用軟件進(jìn)程擴(kuò)展的方式搭建了電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型工程實踐效能分析驗證環(huán)境，從定性和定量兩個層面對電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型進(jìn)行了多維工程實踐效能分析，分析結(jié)果表明，電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型較好改善了電網(wǎng)圖像自主判讀及運(yùn)行態(tài)勢感知模型較好改善了傳統(tǒng)基于先驗特征的電網(wǎng)圖像判讀機(jī)制在電網(wǎng)運(yùn)行態(tài)勢感知實踐中顯露的諸多不足，電網(wǎng)圖像異常自主判讀均值準(zhǔn)確率達(dá)98.31 %，電網(wǎng)運(yùn)行態(tài)勢感知均值有效率達(dá)97.62 %，符合國家電網(wǎng)公司輸電運(yùn)檢相關(guān)國檢標(biāo)準(zhǔn)要求。