變電站二次接線圖紙連接關(guān)系智能識別算法研究

石恒初，楊橋偉，游 昊，楊遠(yuǎn)航，陳曉帆

（云南電力調(diào)度控制中心，昆明 650011）

0 引言

變電站中二次系統(tǒng)裝置眾多，各類線纜種類繁多，包括繼電保護(hù)裝置、安全自動裝置、故障錄波裝置、繼電保護(hù)故障信息系統(tǒng)子站、網(wǎng)絡(luò)交換機(jī)、智能終端裝置等。變電站內(nèi)的二次接線非常復(fù)雜，而二次接線的準(zhǔn)確與否關(guān)系著電網(wǎng)運(yùn)行安全，因而具有非常重要的地位。如此復(fù)雜的接線結(jié)構(gòu)必將定期對回路接線進(jìn)行校核。面對復(fù)雜龐大的校核，給工作人員造成了巨大的工作量。

當(dāng)前的端子排校核工作中，以人工校核為主，通常以獲取的CAD圖紙（通常為紙質(zhì)文件）為基礎(chǔ)，去現(xiàn)場面對實(shí)際端子排接線情況，通過圖紙一一對比現(xiàn)場端子排所在的屏柜、端子號、回路號、電纜編號，以及端子的對向端子情況。在此過程中，圖紙的審查尤為重要，是其基礎(chǔ)工作，此項(xiàng)工作費(fèi)工耗時，往往需要多人多次審核才能避免因?yàn)槿藛T工作疏忽造成的隱患。從工作流程不難看出，二次回路的圖紙的校核工作多是基于固有規(guī)則開展，具有重復(fù)性、機(jī)械性、規(guī)則性的特點(diǎn)，這給人工智能技術(shù)的應(yīng)用提供了便利條件。

本文在研究了變電站二次接線圖現(xiàn)有圖紙[1]的繪圖規(guī)則的基礎(chǔ)上[9-10]，對將單位信息欄、通用圖紙連接關(guān)系拐角、特殊圖紙A連接管腳等進(jìn)行標(biāo)簽整理[2-6]，在分類的數(shù)據(jù)集上用k-means聚類方式得出適合操作檢測的參數(shù)，并基于YOLO目標(biāo)檢測算法進(jìn)行目標(biāo)檢測，訓(xùn)練得到最佳的圖形檢測模型，通過圖像檢測檢測圖紙質(zhì)量，基于OCR識別算法進(jìn)行文字識別，訓(xùn)練得到最佳的檢測模型，進(jìn)一步識別獲取圖紙中的端子排號以及端子號。利用語義分割[7-8]判斷出圖紙中的端子間的連接關(guān)系，從而建立圖紙中的端子排信息的數(shù)據(jù)臺賬，為工作人員檢索和現(xiàn)場識別提供了準(zhǔn)確的接線信息，避免了重復(fù)的人工勞動，保障電網(wǎng)接線及校核工作的高效運(yùn)行。

1 變電站二次接線圖紙連接關(guān)系智能識別算法流程

利用AI圖像深度學(xué)習(xí)技術(shù)對二次回路涉及的圖紙（CAD、PDF、圖片、紙質(zhì)等格式的圖紙）進(jìn)行一致性、規(guī)范性檢驗(yàn)，其流程圖如圖1所示，以實(shí)現(xiàn)機(jī)器代替部分人力工作，達(dá)到降低工作量的目的，同時提升核對工作質(zhì)量。

圖1 二次回路連接關(guān)系智能識別流程圖

圖2 K均值算法流程圖

圖3 二次回路設(shè)計(jì)圖

圖4 二次回路端子排設(shè)計(jì)圖

圖5 識別準(zhǔn)確率分析圖

步驟1：根據(jù)業(yè)需要，收集電氣二次回路歷史圖紙；

步驟2：根據(jù)歷史電力圖紙，收集歷史電力圖紙，并對歷史電力圖紙進(jìn)行分析；

步驟3：針對變電站內(nèi)圖紙按照繪制方式、所屬設(shè)計(jì)院進(jìn)行統(tǒng)計(jì)分類，根據(jù)所述圖紙類型和/或繪圖方式，對歷史電力圖紙進(jìn)行場景標(biāo)記；

步驟4：將圖紙進(jìn)行冗余切割；

步驟5：將上述數(shù)據(jù)集進(jìn)行標(biāo)簽整理，分別為單位信息欄、通用圖紙連接關(guān)系拐角、特殊圖紙A連接管腳等。在分類的數(shù)據(jù)集上用k-means聚類方式得出適合操作檢測的參數(shù)，并基于YOLO[9-12]改進(jìn)目標(biāo)檢測算法進(jìn)行目標(biāo)檢測，訓(xùn)練得到最佳的圖形檢測模型，基于OCR識別算法進(jìn)行文字識別，訓(xùn)練得到最佳的文字檢測模型；

步驟6：對分類后的電力圖紙通過文字識別算法進(jìn)行文字識別，得到圖紙文字?jǐn)?shù)據(jù)，且對分類后的電力圖紙通過目標(biāo)檢測算法進(jìn)行目標(biāo)檢測，得到圖紙連接線數(shù)據(jù)和圖紙電氣元件數(shù)據(jù)；

步驟7：基于預(yù)訓(xùn)練模型，對所述圖紙文字?jǐn)?shù)據(jù)、圖紙連接線數(shù)據(jù)和圖紙電氣元件數(shù)據(jù)進(jìn)行訓(xùn)練，得到不同圖紙類型和/或繪圖方式的文字檢測模型和圖形檢測模型。

步驟8：根據(jù)所述目標(biāo)檢測模塊，對欲檢測的電力圖紙進(jìn)行分析，提取該電力圖紙所包含的文字信息、電氣元件信息以及連接線信息；

步驟9：根據(jù)所述文字信息、電氣元件以及連接線信息，生成電力圖紙臺賬數(shù)據(jù)。

1.1 場景標(biāo)記方法

對圖紙進(jìn)行場景標(biāo)記時，首先對不同設(shè)計(jì)院的圖紙進(jìn)行收集整理，將通用的端子排之間的關(guān)系與不同的圖紙進(jìn)行融合（可包括：針對不同單位的圖紙，實(shí)現(xiàn)圖紙模式與單位關(guān)聯(lián)綁定，并將關(guān)聯(lián)結(jié)果動態(tài)寫入識別算法，然后對圖紙中出現(xiàn)的關(guān)聯(lián)管理鏈接圖像進(jìn)行標(biāo)，并進(jìn)行訓(xùn)練，其目的是方法在使用過程中，一旦導(dǎo)入圖紙即可知道該圖紙為某種模板的圖紙，并在后期圖紙解析的方法中調(diào)用該模板對應(yīng)的圖紙解析方法）。

同時，在圖紙中對圖紙中的單位區(qū)域進(jìn)行標(biāo)注。標(biāo)注采用模型檢測標(biāo)注方法，即通過矩形標(biāo)注圖紙中單位出現(xiàn)的位置，例如：設(shè)起始點(diǎn)坐標(biāo)為（x,y），寬度為w，高度為h，從圖紙信息中標(biāo)注此處單位信息欄以及連接關(guān)系進(jìn)行標(biāo)記；提取上述標(biāo)記過程的關(guān)鍵內(nèi)容，包括（x,y,w,h），其中，（x,y）為標(biāo)記邊界框的左上角坐標(biāo)，w,h分別為標(biāo)記邊界框的寬和高，經(jīng)過計(jì)算擴(kuò)大后的標(biāo)記邊界框區(qū)域?yàn)?其中，為左上角坐標(biāo)，為擴(kuò)大后邊界框的寬和高。至此，關(guān)于不同場景的數(shù)據(jù)集處理完成。

1.2 電氣二次回路歷史圖紙冗余切割

為了更好的對文字進(jìn)行識別，可在根據(jù)所述檢測模型權(quán)重和預(yù)先配置的預(yù)訓(xùn)練模型，在歷史電力圖中進(jìn)行訓(xùn)練之前，將電力圖紙進(jìn)行冗余切割，切割為預(yù)定大小的圖片。具體步驟如下：

1）先將整張圖片進(jìn)行640×640像素的劃分，將一張圖片劃分為多張圖片。

2）為避免在劃分像素后出現(xiàn)的文字不完整的問題，對劃分過程進(jìn)行冗余，即增加像素的冗余寬度和冗余高度，例如：完整圖片的像素為6400×18000。需要對其進(jìn)行640×640像素的切割，冗余像素的寬度和高度分別為40和100，首先切割第一部分的的圖片的起始坐標(biāo)為（0，0），寬度為640，高度為640，切割的第二張圖片的其實(shí)坐標(biāo)為（600，540），寬度和高度分別為640×640；最終得出計(jì)算公式：W0，h0為圖片總寬度，n為當(dāng)前要切割圖片的編號（n＞=0），w1，h1為冗余像素，Wa和Ha為切割后每張圖片的大小，由此可得：單張圖片像素切割的起始位置x坐標(biāo)：x=(n*Wa)-(n*w1)，當(dāng)x＞W(wǎng)0時終止；單張圖片像素切割的起始位置y坐標(biāo)：y=(n*Ha)-(n*h1)，當(dāng)y＞h0時終止。

3）圖片冗余切割完成后，將對圖片中的文字進(jìn)行標(biāo)記，標(biāo)記采用通用的標(biāo)記方法進(jìn)行標(biāo)記，即標(biāo)記方式為在圖片中圈定文字，在標(biāo)記完成后將確定的文字正確的輸入到訓(xùn)練集合中；

4）標(biāo)記生成的數(shù)據(jù)信息包括圖片中文字的正確內(nèi)容，以及該段文字在圖片中的位置坐標(biāo)（x，y，w，h），并利用json數(shù)據(jù)結(jié)構(gòu)暫時保存，對于OCR識別，端子排中的圖紙識別是一個特殊領(lǐng)域，由于字體的不同、特殊字符的加入、英文中文數(shù)字的混淆使用，需要對OCR識別對圖紙的場景進(jìn)行重新的訓(xùn)練。

1.3 圖形電氣元件信息以及圖形連接線信息提取

利用Android終端設(shè)備，通過導(dǎo)入pdf文件或者拍攝現(xiàn)場圖紙高清圖片，Android終端設(shè)備會自動將圖片送入圖像分析隊(duì)列。而Android終端設(shè)備內(nèi)置人工智能圖像分析算法，利用場景分類技術(shù)將圖紙輪廓及邊界進(jìn)行范圍標(biāo)定和修正。然后將圖片進(jìn)行冗余切割，記錄下切割位置，利用OCR算法[13]對切割后圖片的文字進(jìn)行識別。包括識別內(nèi)容及識別坐標(biāo)。對上述切割后的圖片通過目標(biāo)檢測手段進(jìn)行連接節(jié)點(diǎn)檢測。并記錄節(jié)點(diǎn)位置坐標(biāo)。依據(jù)切割后檢測所得節(jié)點(diǎn)坐標(biāo)，識別所得文字坐標(biāo)，結(jié)合切割點(diǎn)坐標(biāo)對坐標(biāo)點(diǎn)進(jìn)行復(fù)原計(jì)算（由于所得是將圖片冗余切割后的實(shí)際信息，其中包含了文本內(nèi)容，以及在切割后圖片的相對坐標(biāo)，此時應(yīng)該將單個圖片的相對坐標(biāo)轉(zhuǎn)換為實(shí)際坐標(biāo)，轉(zhuǎn)換公式如下：

假設(shè)，完整圖片的寬高為W，H，切割圖片的寬高為（Wn，Hn），切割圖片為水平第n張，垂直第m張圖片，圖片的冗余寬高為W0，H0；

所識別文字坐標(biāo)為Xn1，Yn1，寬高為Wn1，Hn1。那么該文字所在完整圖片的坐標(biāo)（x，y）以及寬高（w，h）分別為

x=(n*Wn1)-(W0*n)；

y=(m*Hn1)-(H0*n)；

w=Wn1*(W/Wn)；

h=Hn1*(H/Hn)）；

對完整圖片利用語義分割算法[14-16]進(jìn)行連接線檢測，結(jié)合上述復(fù)原后文字坐標(biāo)以及節(jié)點(diǎn)坐標(biāo)進(jìn)行匹配運(yùn)算，最終確定對應(yīng)關(guān)系；依據(jù)對應(yīng)關(guān)系分別找出圖紙中端子兩側(cè)的端子排號、端子號、回路號，以及相關(guān)的電纜編號和電纜編號所接對向回路號。

2 相關(guān)智能算法研究

2.1 k-means聚類分析法

k-means聚類分析(k-means clustering)源于信號處理中的一種向量量化方法，其核心為：以空間中的k個點(diǎn)為聚類中心，對最靠近它們的對象歸類，具體計(jì)算過程通過迭代的方法，逐次更新各聚類中心的值，直到最后收斂得到最優(yōu)的聚類結(jié)果，其目的就是為了使簇內(nèi)數(shù)據(jù)對象之間的相似性盡可能大，而簇間數(shù)據(jù)對象的相似性盡可能小。

2.2 YOLO改進(jìn)目標(biāo)檢測算法

傳統(tǒng)的YOLO網(wǎng)絡(luò)中的anchor參數(shù)是通過VOC數(shù)據(jù)集上聚類得到的，其優(yōu)勢是識別種類較多，但是在對特定識別對象是識別效果較差。這里參考文獻(xiàn)所提方法，在圖紙識別中，以YOLO算法為基礎(chǔ)，引入了細(xì)粒度特征和殘差網(wǎng)絡(luò)對原有網(wǎng)絡(luò)進(jìn)行改進(jìn)。同時，構(gòu)建基于0OU的評價函數(shù)，在聚類過程中，采用類內(nèi)相似度最大差異和類間差異度最大相似度最小的原則進(jìn)行優(yōu)化。

3 算例分析

本文選取某地區(qū)實(shí)際電網(wǎng)二次系統(tǒng)設(shè)計(jì)圖、端子設(shè)計(jì)圖為例，根據(jù)紙質(zhì)、電子版圖紙（PDF、CAD、圖片等格式)，識別端子號、回路號、電纜編號，利用開發(fā)的智能識別算法進(jìn)行識別校核。

通過識別明確回路圖中所標(biāo)注的三個元素與端子排圖中所標(biāo)注的三個元素對應(yīng)。

在樣本總數(shù)為10、20、40、60和80時，圖紙識別準(zhǔn)確率均取得不錯的結(jié)果，隨著支持集圖片數(shù)量的增加，模型的分類準(zhǔn)確率在不斷提升，模型在支持集圖片在60張時分類準(zhǔn)確率達(dá)到了97.16%，之后再增加樣本數(shù)，分類準(zhǔn)確率并沒有明顯的提升。

4 結(jié)語

本文通過目標(biāo)檢測模型檢測獲取圖紙中的端子信息以及連接信息，建立圖紙中的端子排信息的數(shù)據(jù)臺賬，從而實(shí)現(xiàn)了利用人工智能手段對端子排圖紙的自動檢索，大大節(jié)約了工作人員在校核工作中圖紙檢索的時間成本，也規(guī)避了在圖紙檢索中由于人為主觀因素造成的檢索錯誤，為后期的校核工作提供了實(shí)時準(zhǔn)確的一手資料；此外，數(shù)據(jù)臺賬的建立，對于年代久遠(yuǎn)的變電站可能沒有原始文件的情況進(jìn)行了圖紙永久記錄，為后期的圖紙復(fù)原提供了準(zhǔn)確的原始數(shù)據(jù)，也對今后的二次回路研究工作提供了可靠的數(shù)據(jù)支撐。