基于人工智能的城市配電網(wǎng)運維管控新技術(shù)研究

國網(wǎng)天津城東供電公司 天津 300010

1 引言

由于配電設(shè)備缺陷素材較少，利用傳統(tǒng)人工智能圖像識別技術(shù)，容易因樣本數(shù)據(jù)過少而導(dǎo)致容易出現(xiàn)過擬合的現(xiàn)象。為解決這個瓶頸，本文探索使用VGG遷移學習網(wǎng)絡(luò)作為訓(xùn)練網(wǎng)絡(luò)。

深度學習的巨大成功可以認為是表征學習的巨大成功。但是，計算機圖像識別技術(shù)在應(yīng)用過程中存在一些缺陷，在一定程度上阻礙了智能化技術(shù)的發(fā)展[1]。而通常當任務(wù)數(shù)據(jù)集上的數(shù)據(jù)不足以支持學習到足夠多樣化又有用的表征時，可以利用其他更大的數(shù)據(jù)集學到的表征并且視其為通用表征，使用這些表征并且使用任務(wù)數(shù)據(jù)集的數(shù)據(jù)來微調(diào)，可以減少對目標數(shù)據(jù)集數(shù)據(jù)量的要求。計算機圖像識別要求系統(tǒng)高效準確地進行圖像識別，智能化處理方法的應(yīng)用可以顯著提升計算機圖像識別的性能，提升其識別的準確性及效率[2]。在這里，本文使用ImageNet數(shù)據(jù)集上訓(xùn)練好的VGG網(wǎng)絡(luò)來當作初始表征提取器。

2 VGG結(jié)構(gòu)模型

VGG模型可根據(jù)卷積核大小以及卷積層數(shù)目的不同，區(qū)分為A，ALRN，B，C，D，E共6個配置(ConvNet Configuration)，其中以D，E兩種配置較為常用，分別稱為VGG16和VGG19。因卷積層和全連接曾具有權(quán)重系數(shù)，而VGG16具有13個卷積層和3個全連接層，這也正是VGG16名字的來源。在這里本文介紹一下VGG的網(wǎng)絡(luò)結(jié)構(gòu)。VGG16網(wǎng)絡(luò)一共由16個可學習的網(wǎng)絡(luò)層組成。網(wǎng)絡(luò)的特征提取部分由13個堆疊而成的卷積層組成，在卷積層后接上3個全連接層。可以把卷積核數(shù)量相同的分為一個小模塊，那么整個網(wǎng)絡(luò)可以認為是5個模塊組成的，分別對應(yīng)卷積核為64，128，256，512。注意最后兩個模塊的卷積核數(shù)量相同，是為維持計算量。VGG16的突出特點是簡單，體現(xiàn)在卷積核的尺寸小，卷積層均表示為conv3-XXX，其中conv3說明該卷積層采用的卷積核的尺寸(kernel size)是3，即寬(width)和高(height)均為3。

3 VGG遷移學習

遷移學習一般有兩種模式。第一種是在網(wǎng)絡(luò)提取的特征空間之上直接訓(xùn)練一個SVM分類器。這種訓(xùn)練方法可以說是兩步走的訓(xùn)練方法。另一種方法是使用finetune，即只改變Softmax層之前的全連接層數(shù)量，整個訓(xùn)練方式仍然屬于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練并且需要用到反向傳播。

3.1 采用SVM遷移學習的電網(wǎng)設(shè)備缺陷檢測 深度學習和傳統(tǒng)圖像識別最大的差異之一就是擺脫了人工設(shè)計特征的流程。在過去，人們使用人工設(shè)計的特征，即使取得不錯的表現(xiàn)，但是難以表達高級的特征和概念。在深度學習時代，特征由卷積層的初始化以及訓(xùn)練過程共同決定，并且整個學習過程是自動的，也就是說人類不再需要設(shè)計特征。當圖片從像素空間映射到特征空間，可以多多少少認為特征之間已經(jīng)先行可分，這個時候可以在特征空間使用傳統(tǒng)的算法比如SVM。

SVM是一種基于決策分類邊界距離最大化思想的分類器。最常見的應(yīng)用問題是在解決線性可分的空間，并且主要支持一對一的分類器構(gòu)成。根據(jù)此可以看出，SVM的效果很大程度上取決于特征空間是否接近線性可分。慣例上，遷移學習使用全連接層的某一層作為特征提取的起點。不同的任務(wù)通常伴隨著不同的選擇，在這里選擇第一個全連接層作為特征提取的起點。

3.2 端到端的Fine-tuning遷移學習 在介紹完基于SVM的遷移學習后，本文再介紹另一種端到端的遷移學習方法。在前文介紹了基于SVM的遷移學習需要分兩步走，并且對特征空間有一個線性可分的要求。而端到端的做法，也被稱為fine-tuning，是通過保留卷積層然后接入全新的全連接層。因為類別的數(shù)量變化，本文要求最后一層全連接層符合新任務(wù)的類別數(shù)量。

這種端到端的訓(xùn)練仍然使用的是反向傳播。這里需要注意的是，本文不希望重新調(diào)整所有層，而僅限于新加入的全連接層，所以本文會將所有卷積層的權(quán)重設(shè)置成不可訓(xùn)練狀態(tài)。當深度學習的框架檢測到這些設(shè)置，框架將會提前停止反向傳播，使得訓(xùn)練速度能夠加快。但這種做法仍然存在缺陷，因為VGG網(wǎng)絡(luò)的全連接層占據(jù)網(wǎng)絡(luò)總參數(shù)量的一半以上，所以即便只更新全連接層，過程中需要儲存的中間變量仍然很大。這是比起SVM的方法的劣勢。

3.3 SVM使用VGG特征遷移學習的電網(wǎng)設(shè)備缺陷檢測結(jié)果

數(shù)據(jù)集 訓(xùn)練集 測試集準確率 99% 88%

結(jié)果可以看出，使用遷移學習加上SVM分類器可以得到接近100%的訓(xùn)練精度。這可以體現(xiàn)使用了ImageNet的特征并且遷移學習后的VGG網(wǎng)絡(luò)可以被很好的用來提取電網(wǎng)設(shè)備缺陷中關(guān)鍵的特征。

方法 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)SVM遷移學習方法Fine-tuning遷移學習訓(xùn)練集正確率 0.96 0.99 0.98測試集正確率 0.82 0.88 0.90訓(xùn)練模型收斂耗時 2.6h 5.2h 25h測試時間/張 0.15s 0.14 0.18

可以看出，如果不需要考慮訓(xùn)練速度的話，使用ImageNet上預(yù)訓(xùn)練的VGG網(wǎng)絡(luò)總是有更好的效果。相對而言，使用SVM作為分類器，比使用端到端的方法的訓(xùn)練速度要更快一點。如果訓(xùn)練速度是一個重要的指標，那么手工設(shè)計的神經(jīng)網(wǎng)絡(luò)也是一種不錯的方法，只是限于訓(xùn)練數(shù)據(jù)數(shù)量不足，會出現(xiàn)比較嚴重的過擬合現(xiàn)象。