基于人工智能的某管理平臺架構設計

陳太雷，張全升，王亞男

（河南送變電建設有限公司輸電運檢分公司，河南 鄭州 450007）

1.引言

隨著現代電力行業的不斷發展，電力網架構成愈發豐富，隨之而來的是輸配電網絡安全問題的不斷呈現，如長期運行在強電場及復雜環境中的承受機械應力的復合絕緣子，容易發生絕緣電阻值降低及絕緣擊穿的情況，劣化絕緣子的存在使得絕緣子串更容易發生閃絡以及掉串事故[1-2]，嚴重影響電力系統的穩定安全運行，造成重大的社會影響。目前針對復合絕緣子劣化情況的在線監測裝置大多以可見光圖像、傳感器類為主，檢測主要依托停電登塔和非停電紅外成像儀兩種方式。受環境、距離等因素影響，人工檢測精準性無法得到保證，故需針對性開發診斷工具用于線路巡檢，及時發現絕緣子缺陷隱患，保障電網安全穩定運行。從建設現狀來看，單純增加常規紅外設備配備的數量，并不能有效提升巡檢測溫覆蓋率與質量，人員缺口的不足要遠遠滯后于設備補充速度。因此，開發一套能夠針對桿塔進行自主巡檢的先進硬件設備，并配套智能化算法及分析處理軟件、后臺信息化平臺建設，解放人力，才是從根本上解決紅外測溫巡檢問題的關鍵。故此篇文章提出以人工智能技術支撐的輸電線路巡檢管理平臺架構設計方案。

2.人工智能技術分析

2.1 人工智能技術介紹

人工智能是計算機科學的一個分支，通過了解人類智慧的實質，生產出一種新的類人化的智能判斷系統，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和知識圖譜等。人工智能可以對人的意識、思維的信息過程進行模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。

2.2 人工智能在巡檢管理平臺的技術分析

利用人工智能的技術手段，是基于紅外場景下的混合識別能力，通過樣本積累、模型訓練等生產流程，通過算法模型來識別絕緣子這一目標物及太陽、飛鳥等干擾物，最終呈現絕緣子異常溫度的展示告警。模型本身可以提供開發API/SDK的接口能力，支持GPU服務器部署，以及NVIDIA Jetson、百度Edgeboard、華為Atlas等邊緣計算平臺部署[3]，具有良好的擴展性和可移植性。其具體架構如下：

圖1 深度學習應用概念架構

其中樣本加工、模型生產、工作平臺展示主要內容如下：（1）樣本加工：通過樣本采集、樣本清洗、樣本標注，生成可以供給建模工作的樣本數據集；（2）模型生產：利用已有樣本數據集進行特征提取、網絡選用、算法選用、算法調參、模型遷移、模型壓縮等模型生產；（3）工作平臺展示：進行轄區內絕緣子數據綜合展現，提供數據檢索、分析工具[4]。

2.3 人工智能絕緣子識別算法模型

針對多種復合絕緣子采集數據，著重從算法層面優化，使用開源算法（如Faster R-CNN等），以達到多尺度目標的準確識別。將電力常用的四種紅外調色板下成像的統一采集，分別訓練。模型訓練完成后分別應用于識別拍攝與缺陷分析中[5]。在進行模型訓練之前我們需要建立模型訓練所需要的數據集，數據集的格式我們采用Pascal VOC2007數據集格式，通過數據擴充的方法豐富數據集，并將數據集按照訓練集：測試集=7∶3的比例劃分。絕緣子由于溫度不同于背景會在顏色上有差異，可以根據色彩差異準確識別出絕緣子的邊緣，從而為無人機識別定位和絕緣子劣化診斷提供模型基礎。

2.4 人工智能絕緣子劣化判別算法模型

Faster R-CNN算法由兩大模塊組成：1)PRN候選框提取模塊；2)Fast R-CNN檢測模塊。其中，RPN是全卷積神經網絡，用于提取候選框；Fast R-CNN基于RPN提取的proposal檢測并識別proposal中的目標。模型訓練之后將最小Loss值的權重替換模型中的原始權重，利用訓練好的Faster R-CNN模型對測試集進行預測，測試中利用模型得到測試集上同一絕緣子片最高溫度和最低溫度的預測框，并通過選擇預測框上溫度值的最高置信度得到最終溫度值，最后通過對比同一絕緣子串上不同絕緣子的極端溫度差值來進行算法的智能識別。

在識別圖片中絕緣子的不同溫度差時，將Faster R-CNN模型輸出得到的圖片進行處理，根據圖片上預測框的位置進行Bounding Box，將我們感興趣的區域提取出來，最后放入OCR網絡中，然后由計算機智能提取出每個文字的圖像，并將其轉換成漢字的算法。最后通過對不同絕緣子上溫度值進行提取，進行文本校對自動得出溫度差值。當溫度差值在1℃范圍內時，我們認為復合絕緣子沒有出現故障；當溫度差值1℃≤△t≤4℃時，我們認為復合絕緣子出現疑似缺陷；當溫度差值4℃≤△t≤10℃時，我們認為復合絕緣子出現嚴重缺陷；當溫度差值△t≥10℃時，我們認為復合絕緣子出現危急缺陷。

2.5 智能紅外無人機自主飛行檢測

高像素紅外熱成像儀配合AI識別模塊，在飛行器定點懸停狀態下可對絕緣子進行主動識別定位，并通過云臺自動調整對準目標拍攝。將用于識別拍攝的模型部署于含Hi3559C的計算平臺上，進行輔助拍攝，將用于缺陷分析的模型部署于Atlas200中，先識別目標，后提取關鍵像素，再分析測溫。飛行平臺能夠按照預先規劃的路徑進行自主飛行，并在指定航點完成姿態調整，觸發智能紅外識別載荷進行拍攝。該自主飛行復用云臺相機內的計算單元，通過OSDK直接控制飛行器飛控單元，確保在環繞絕緣子串拍攝時桿塔本體造成的通信干擾不會中斷巡檢過程或釀成失聯撞塔事故[6]。

3.基于人工智能的某平臺架構設計

3.1 平臺網絡架構核心思想

此平臺網絡架構主要有接入層、平臺管理和服務器組成。通過無人機采取到數據樣本，通過構建巡檢系統并對海量數據進行查詢，在搭建好人工智能模型的基礎上通過平臺對模型進行分發，最后構建數據采集、應用和數據庫服務器[7]。其基本架構思想如圖2所示。

圖2 巡檢智能識別平臺的網絡架構思想

3.2 智能識別平臺應用整體架構

智能識別平臺整體框架由數據層，并行平臺層，應用層3個層次組成，如圖3所示。

圖3 智能識別平臺整體框架

從邏輯結構上方案可分為四部分，分別是設備層，數據層、平臺層、應用層。其主要內容如下：

設備層包括前端AI算法和無人機機載運算平臺，其中前端AI算法為無人機提供輕量、高效的算法模型；運算平臺通過搭載最優算法達到全自動巡檢、智能數據記錄、智能前端分析、智能識別目標物的目的。數據層以自建的時序數據庫這一物聯網專用數據庫為基礎，對接各采樣設備、巡線班組排班系統、電力GIS地圖系統的結構化數據、半結構化數據、非結構化數據。平臺層包括海量數據查詢、人工智能模型邊緣分發、數據可視化分析三大模塊引擎，分別實現系統的數據檢索、模型管理、研判分析服務。應用層包括模型管理、權限管理、日志管理、巡檢歷史及進度、數據顯示、專家復審等功能。

4.結語

該文章根據輸電線桿塔絕緣子特點和人工智能技術的優點，提出基于人工智能的輸電線路巡檢管理平臺架構。通過溫度識別進行絕緣子智能標注，利用Faster R-CNN算法模型進行特征提取和目標框回歸，并將AI算算法植入前端硬件中，通過在可見光實時畫面中對絕緣子的定位，輔助紅外云臺相機對準抓拍。再將采集到的紅外圖像原始照片進行二次識別，找到絕緣子的準確位置，并剔除背景等干擾因素，對絕緣子上的像素點進行溫度分析，可根據預設的溫差閾值進行告警，最終完成了電力巡檢智能識別平臺完整架構的設計。