基于AI算法的電能計量識別研究

史 琳，劉豐威，潘 煒

（廣東電網有限責任公司廣州供電局，廣東 廣州 510000）

0 引 言

人工智能（Artificial Intelligence，AI）技術自20世紀50年代被定義、認知、深度研究以及推廣應用以來，已經融入日常生活的各個領域。AI技術高度集成了數學、神經學、計算機網絡、自動控制理論以及博弈理論等眾多學科和技術理論，賦予了計算機等機器強大的感知、推理、計算以及學習能力，具有人類求解、邏輯推理以及思維功能。目前，AI技術已經廣泛運用到電力、通信、交通、醫療、家居、教育、工業、農業以及軍事等各個領域。

1 國內AI技術的發展現狀

20世紀以來，隨著電力電子技術、網絡技術以及信息技術等的高速發展，智慧電網概念快速普及并應用推廣，使得電網運行更加安全穩定。目前，我國智能電網技術已經領先世界，高度集成了計量數據管理系統（MDMS）、高級輸配電運行（ATO&ADO）、AMI測量系統、復雜網絡系統、AAM資產管理系統、大數據信息挖潛以及應用系統等技術。圖1為我國智慧電網技術架構[1]，已經逐步向規模化、集成化以及高度智能化方向發展。

圖1 我國智慧電網技術架構組成

2 AI識別與算法研究

2.1 模式識別

模式識別技術主要對不同研究對象進行定量、結構等模式的分類和描述，從而得到實體對象的特征信息，并采用不同方式處理和分析特征數據信息。傳統模式識別方法和算法主要有臨分類算法、聚類算法以及成分分析算法等。工業4.0時代，機器視覺技術和計算機視覺技術不斷成熟。利用圖像信息處理技術，實現了各種視覺檢測、視覺定位、視覺測量、二維碼識別、人臉識別、商業支付、智能交通識別以及醫學圖像處理和檢測等。伴隨著網絡和數據挖潛等技術的快速發展，智能信息檢索系統和數據處理、挖潛、分析以及同化等，使得人們可以便捷地獲取各種信息。由于大量智能電力設備的應用，電能計量及質量管理越來越復雜。人工智能識別通過計算機和網絡技術建立起良好的非線性映射，強化記憶和學習，具有自診斷和自適應的功能。另外，綜合運用人工神經網絡深度學習、魚群效應以及模糊聚類等分析方法進行模式識別分析，建立了多種分析模型。

2.2 深度學習算法模型

深度學習最早由Hinton等科學家研究提出，是基于傳統神經網絡而逐漸興起的一種人工智能算法模型。機器學習是建立在機器學習基礎上的深層神經網絡算法模型。深度學習采用多個非線性變換，獲取復雜數據抽象特征信息并訓練，通過神經元分層網絡，訓練學習獲取深層數據抽象特征，并聚合到分類器實現數據的分類和識別。深度學習神經元結構如圖2所示。

圖2 深度學習神經元結構

2.3 卷積神經網絡算法模型

20世紀80年代，人們首次提出了卷積神經網絡（Convolutional Neural Network，CNN）認知機理，隨后逐漸發展成包含卷積層（C層）、池化層（S層）以及全連接層（FC層）的卷積神經網絡算法模型，如圖3所示。

圖3 卷積神經網絡

CNN網絡通過二維圖像數據的多層卷積獲取特征，提取并不斷池化后進行全連接輸出，從而達到圖像分類和識別的目的。因為卷積訓練過度擬合，很難實現測試集的泛化，造成識別準確率不高。為此，引入Dropout優化方法，強化訓練網絡節點，增強了對局部特征的網絡適應性和泛化能力。結合對人類大腦無監督學習的研究，人們隨后提出了棧式稀疏自編碼網絡算法模型，利用無監督學習模式，通過編碼器和分析器的自動提取和分類圖像稀疏特征，極大地提高了分類精度和準確度[2]。

3 AI算法電能計量識別的實現

采用深度學習CNN網絡模型智能識別電能計量，并在學習訓練過程中逐層提取電能計量圖特征，在輸出層利用分類器進行分類。識別流程如圖4所示。目前，智能電表上自帶圖像采集系統，可以自動采集電表圖像，利用GPIB接口或者RS485數據接口實現數據傳遞，利用AI算法模型實現圖像識別處理，最終實現電表信息的自動識別和用電管理[3]。

圖4 AI電能計量識別流程

圖4中，把電能計量數據歸一化處理成圖像，再對圖像進行二值優化處理后輸入到深度學習模型中，利用邊緣分布函數（Marginal Distribution Function，MDF）和CNN神經元網絡自動學習圖像特征形成圖形字符集，最后輸入分類器實現分類識別。

在結構上，系統主要由電能計量模塊（智能電表）、電流互感器、校準儀器、監控攝像設備、電源、GPIB接口、通信模塊以及控制器等構成。為保證AI數據采樣時間的準確性，需要對采集單元進行時間同步處理。計量數據識別主要通過預處理、特征提取以及分類等環節實現，其中預處理步驟如表1所示。

表1 電能計量數據圖像預處理

通過預處理后，利用邊緣分布函數將分離后的字符骨架圖像進行網格化處理，利用CNN棧式稀疏自編碼神經網絡進行特征提取，最后輸入分類器進行分類和識別[4]。CNN棧式稀疏自編碼神經網絡電能計量特征提取識別方法如圖5所示。

圖5 CNN棧式稀疏自編碼神經網絡電能計量特征提取識別

4 提升AI算法效果

由于有許多儀表的外觀會與電能表外觀類似，因此會存在一定的誤識別率，即將非計量裝置圖片識別為計量裝置。如何降低它的誤識別率是提升該算法實用性的重要研究課題。首先，需要使用人工智能學習算法中的監督學習算法，將大量標注為電能表的圖片輸入算法模型進行訓練，提取出電能表特征。其次，仍然使用大量電能表圖片進行訓練，僅標注電能表部分，后續使用訓練好的算法定位電能表四角。再次，在完成電能表圖片識別及四角坐標定位后，利用已經定制好的電能表內部識別內容的位置模板進行模板匹配，模板如圖6所示。最后，完成模板匹配。由于電能表均符合企業特定標準，因此在特定位置需要出現特定的標識，如企業標志、唯一資產碼以及電量信息等，以判斷是否為電能表圖片。通過該智能算法模板匹配可以大幅提升識別率[5]。

圖6 定制電能表內部識別內容的位置模板

5 結 論

我國智能電網建設已經開始實施，通過AI智能算法自動識別電能電量，有助于提高用電可靠性、用電效率以及電能質量。隨著技術的不斷進步，利用電力大數據挖潛技術和云計算技術，有利于提高電網的安全性和電網利用率，實現電能優化分配和精準計費等，也有助于進一步降低電力企業運營成本，為顧客提供更加便捷和優質的用電體驗。