基于人工智能的電力工程施工數(shù)據(jù)融合研究

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

關鍵詞：電力工程施工；多模態(tài)；數(shù)據(jù)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(shù)字經濟發(fā)展規(guī)劃》和不斷推進的能源轉型規(guī)劃[1-2]，數(shù)據(jù)在企業(yè)的發(fā)展中起著越來越重要的作用，是企業(yè)的核心生產要素[3]。電力系統(tǒng)發(fā)展至今已由獨立、單一的數(shù)據(jù)源發(fā)展至不同類型數(shù)據(jù)深度融合的信息流，其分析必須由傳統(tǒng)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(shù)據(jù)就是與電力工程施工業(yè)務相關，來自不同環(huán)節(jié)，具有不同形式、結構的數(shù)據(jù)，用來表示不同形態(tài)的數(shù)據(jù)形式，或者同種形態(tài)不同的格式，一般表示文本、圖片、視頻和混合數(shù)據(jù)等[7]，對數(shù)據(jù)進行關聯(lián)和對齊的數(shù)據(jù)融合分析，是實現(xiàn)電力工程施工各環(huán)節(jié)和各場景的準確、統(tǒng)一和全面感知的重要基礎支撐。

1" 國內外研究現(xiàn)狀

目前，數(shù)據(jù)融合是電力行業(yè)的熱點研究內容。2022年，王波等[8]對網內和網間電力物聯(lián)網和和數(shù)字化建設的數(shù)據(jù)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(shù)據(jù)融合在業(yè)務中的應用進行了具體研究[10-14]。

當前，電力的數(shù)據(jù)融合研究主要集中在物聯(lián)網和系統(tǒng)產生的數(shù)據(jù)進行融合，缺少對實際存在的文字、圖片、流媒體類數(shù)據(jù)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(shù)據(jù)開展深度的數(shù)據(jù)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(lián)和對齊，重點是以圖片為中心開展與文字和視頻的關聯(lián)，從而建立起三者的關聯(lián)關系，詳細如圖1所示。首先建立文字和圖片的關聯(lián)關系，之后開展圖片與視頻融合，建立起多類型深度關聯(lián)的綜合數(shù)據(jù)。

總體技術架構分為3層，數(shù)據(jù)源、融合層和存儲層，數(shù)據(jù)源包括文本、圖片、視頻等數(shù)據(jù)，通過數(shù)據(jù)采集進入融合層，融合層數(shù)據(jù)基于云計算進行數(shù)據(jù)融合計算，融合后的數(shù)據(jù)依托云存儲進行數(shù)據(jù)存儲，詳細技術架構如圖2所示。

3" 數(shù)據(jù)采集

電力工程施工的文本數(shù)據(jù)來自文檔、操作手冊和書籍等，圖片數(shù)據(jù)來自工藝流程圖和現(xiàn)場施工圖片等，視頻數(shù)據(jù)來自現(xiàn)場施工視頻。實施過程中圖片和文字的關聯(lián)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(tǒng)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(lián)和對齊，實現(xiàn)視頻數(shù)據(jù)的融合，進而達到文字、圖片和視頻的集成。

4" 數(shù)據(jù)融合

開發(fā)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(huán)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(huán)境

基于Python開發(fā)人工智能算法，提高計算效率，通過Winform開發(fā)可視化界面，打通與Python的數(shù)據(jù)通道，便于用戶交互，實現(xiàn)集成軟件。

Python環(huán)境基于torch、torchvision.transforms、torchvision.models包進行人工智能算法實現(xiàn)支持。

Winform環(huán)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(shù)進行數(shù)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(xù)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(xù)性：識別的連續(xù)視相關的頻幀是否混入不相關視頻幀，按照比例計算。連續(xù)性指標=1-（不相關的視頻幀/連續(xù)相關的視頻幀）。

4.3" 傳統(tǒng)算法

基于傳統(tǒng)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(jù)提取結果計算相似度，以上2種方法是目前常用的傳統(tǒng)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(xù)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(xù)的視頻幀有18個，完整性與HOG算法一致，但連續(xù)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(shù)，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(shù)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(xù)的視頻幀個數(shù)范圍是25～51個，增加神經網絡的層深度連續(xù)性不會變化，但增加神經網絡寬度會導致連續(xù)的幀數(shù)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(wěn)定性均優(yōu)于傳統(tǒng)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(xiàn)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(shù)據(jù)融合研究建立起了多維度數(shù)據(jù)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(yōu)選了ResNet18人工智能模型進行電力工程施工的數(shù)據(jù)融合。依托人工智能技術的數(shù)據(jù)融合技術能夠實現(xiàn)電力工程施工的協(xié)同分析，提高系統(tǒng)中各環(huán)節(jié)可觀可控性，提升電力系統(tǒng)運行安全性及可靠性。

以上研究成果為電力系統(tǒng)其他類型的數(shù)據(jù)融合提供參考，尤其是電力物聯(lián)網[15]和數(shù)字電網[16]的建設多種形態(tài)數(shù)據(jù)融合具有一定的借鑒意義，促進電力建設的數(shù)字化發(fā)展，提高企業(yè)創(chuàng)新模式和提高績效[17]。

參考文獻：

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

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

[3] 李輝，梁丹丹.企業(yè)數(shù)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(tài)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(tài)及多模態(tài)數(shù)據(jù)的多模態(tài)學習[D].南京：南京大學，2020.

[6] 趙亮.多模態(tài)數(shù)據(jù)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(tǒng)多模態(tài)數(shù)據(jù)融合模式及關鍵技術問題[J].電力系統(tǒng)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(zhí)行系統(tǒng)的研究和開發(fā)[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(lián)網發(fā)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(shù)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(yè)績效：知識管理能力與商業(yè)模式創(chuàng)新的鏈式中介作用[J].科技進步與對策，2024，41（8）：117-128.