AI技術賦能低壓配電運維系統研究

王計斌 陳大龍

南京華蘇科技有限公司

0 引言

低壓配電系統作為與電力設備聯系最為密切的設備之一，其安全質量日益被人們所關注。為保證電力設備的正常運行和人們日常用電的安全性，必須提高相應的檢修技術。

低壓配電網與輸電網相比存在不少問題：運維人員水平參差不齊，對重要設備運行狀態和臺區內用戶用電情況缺乏主動感知的手段，運維工作停留在計劃檢修形式；由于缺乏數據收集的手段，無法建立信息化、智能化的運維體系；在配變側，變壓器、開關接點、綜合配電柜（JP柜）等缺乏負荷、動環監控方法，存在一定安全隱患，且設備運行壽命難以最優化；在線路側，低壓配電網線路故障難以有效排查和定位，缺乏智能化手段，人工巡檢工作量大、效率低，因多為事后響應，導致故障處理及時性效果有限；對于數據的處理缺乏現場一次設備的感知和狀態數據收集，因此無法對低壓配電線路/設備的狀態感知及異常進行精確定位；上層的生產管理系統無法實現運檢營銷數據的融合貫通，導致無法實現基于多元數據的故障研判、故障定位，在應用層加強大數據分析及應用，從傳統“被動搶修”變“主動運維”；目前低壓臺區拓撲還多以固定登記為主，沒有動態識別和分析。此外，配電房的安全管控也是以人工管理為主，并沒有引入先進的人工智能（Artificial Intelligence，AI）技術輔助決策和判斷。因此，低壓配電網運維體系的信息化、智能化改造需要更先進的技術手段來支撐，通過引進AI技術，結合物聯網監測、大數據分析、云計算等各種技術，為電力系統運維智能化提供相關技術支撐，實現供電服務能力和供電服務質量的提升。

1 方法論

1.1 基于AMI數據采集的拓撲識別AI算法

高級計量架構（Advanced Metering Infrastructure，AMI）是智能電網的一個重要組成部分，它是集測量、采集、監控、存儲、分析、管理為一體的自動化及智能化的完整網絡和系統。系統支持國際電工委員會（International Electro technical Commission，IEC）國際標準的通信規約及轉發協議，涵蓋電網各種計量點及采集終端信息。通過對計量點（單三相智能電表）、智能開關、智能變壓器等的數據進行采集及用電監控，實時智能監控電網的電壓、電流、電能質量等供電可靠性的重要指標。

采用基于AMI系統采集的數據進行戶表關系拓撲識別，并在此基礎上開展線損分析及其它需求的管理應用，為整個電網的優化提供數據參考。通過AI算法對低壓配電臺區側各電力設備的拓撲關系識別。圖1為電力設備級聯關系圖，拓撲識別AI算法通過設備級聯關系實現拓撲識別過程。

圖1 電力設備級聯關系圖

出線柜與下級分支箱的拓撲識別算法如下：

步驟1：出線柜、分支箱、電表箱電流數據合集A，各分支箱采集的電流和的合集B；

步驟2：合集A中刪除分支箱電流以及小于合集B中最小值的電流數據形成合集C；

步驟3：合集C中各電流值依次與合集B電流值求差，并取最小的三個差值；

步驟4：依次反復求合集C與合集B最小差值形成方差合集D；

步驟5：按15min采集頻率，每天可采集96個點，先求方差合集D中平均值，再求取均方差；

步驟6：根據均方差中最小值確定該分支箱對應的上級出線柜（或分支箱）；

步驟7：根據上下級關系，取某一時刻該分支箱進線電流值和對應上級電流值，若上級電流值為某分支箱分項電流值，則判定兩個分支箱級聯；若上級電流值不屬于任一分支箱分項電流值，則判定上級為出線柜。

分支箱與下級電表箱拓撲識別算法如下：

步驟1：合集A中刪除所有分支箱對應的上級出線柜（或分支箱）電流值，形成合集E；

步驟2：合集E中任意兩個電流輪流求差，E1、E2、EK差值合集數組；

步驟3：按15min采集頻率，每天可采集96個點，先求差值合集數組平均值，再求取均方差；根據均方差中最小值確定分支箱出線與電表箱的上下級關系。

1.2 基于XGBoost機器學習算法的單向電表相位識別

如何識別單向電表是從屬于總表的哪個相位，這個問題在用戶集中的臺區尤待解決。通過不斷的設計和實驗，發現極端梯度提升（eXtreme Gradient Boosting，XGBoost）機器學習算法能夠有效解決這一問題。XGBoost是在梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）的基礎上對boosting方法進行的改進，內部決策樹使用的是回歸樹，特點在于能夠自動利用CPU的多線程進行并行計算，同時在算法上加以改進提高精度。

具體實現步驟如下：

（1）定義樹的復雜度。首先把樹拆分成結構部分q和葉子節點權重部分w，在這里w是一個向量，表示各葉子節點中的輸出值。

引入正則化項 來控制數的復雜度，從而實現有效的控制模型的過擬合。

（2）XGBoost中的Boosting Tree模型。與GBDT方法一樣，XGBoost的提升模型也是采用殘差，不同的是分裂結點選取的時候不一定是最小平方損失，其損失函數如下，較GBDT其根據樹模型的復雜度加入了一項正則化項：

（3）對目標函數進行改寫。在XGBoost中直接用泰勒展開式將損失函數展開成二項式函數（前提是損失函數一階、二階；連續可導），假設我們的葉節點區域為：

則我們的目標函數可以轉換成：

（4）樹結構的打分函數。上面的Obj值代表當指定一個樹結構時，在目標上面最多減少多少，我們可以把它稱為結構分數。對于求得Obj分數最小的樹結構，我們可以枚舉所有的可能性，然后對比結構分數來獲得最優的樹結構。然而這種方法計算消耗太大，更常用的是貪心法，每次嘗試對已經存在的葉節點（最開始的葉節點是根節點）進行分割，然后獲得分割后的增益為：

其中，L和R代表左右。

在這里以Gain作為判斷是否分割的條件，如果Gain＜0，則此葉節點不做分割，然而這樣對于每次分割還是需要列出所有的分割方案。而實際中我們先將所有樣本按照從小到大排序，然后進行遍歷，查看每個節點是否需要分割，這樣的分割方式，我們就只要對樣本掃描一遍，就可以分割出、，然后根據Gain的分數進行分割。

1.3 圖像識別的AI算法

圖像識別算法（詳見圖2算法流程）是對配電房內的圖形圖像、文字表單等進行識別，核心技術集成了模板匹配、字符位置可感知的文本檢測（Character Region Awareness For Text detection，CRAFT）字符檢測、表格檢測等多種方式，實現對字符的精確定位，Vgg16+BLSTM+CTC模型對字符進行識別，提升配電房運維安全管控措施以及工作效率。

具體實現步驟如圖2所示。

圖2 圖像識別業務流程圖

光學字符識別（Optical Character Recognition，OCR）是以圖像識別為基礎，通過計算機識別圖像中的信息來完成辨識任務，一般包含4個部分：

（1）圖像預處理。在進行圖像信息識別前，首先要對圖像進行預處理，過濾噪聲和干擾。如果圖像信息無法辨識，則需要對圖像進行處理，比如增強處理、顏色矯正等。

（2）圖像分割。對圖像進行分割，定位和分離需要識別的文字和圖形。

（3）圖像特征提取。從分割出來的文字中提取需要的特征，進行相關的參數計算和測量，并根據測量的結果進行分類。

（4）圖像識別。根據提取的特征量進行識別分類，確定對應的文字和圖像內容。

圖像識別采用卷積循環神經網絡（Convolutional Recurrent Neural Network，CRNN）網絡架構，主要包括三部分：（1）卷積層：從輸入圖像中提取特征序列；（2）長 短 期 記 憶（Long short-term memory，LSTM）層：預測每一幀的標簽分布，從卷積層獲取的特征序列的標簽（真實值）分布；（3）轉譯層：將每一幀的預測變為最終的標簽序列。

卷積循環神經網絡（Convolutional Recurrent Neural Network，CRNN）借助語音識別中解決不定長語音序列的思路。對于序列問題的解決，通常使用循環神經網絡（Rerrent Neural Network，RNN），為了消除RNN網絡常見的梯度爆炸問題，引出LSTM，這些算法在語音識別領域都已相當成熟，有很好的表現，現在就是設計特征，讓圖像特征可以有近似于語音的特征表達。

2 實施效果

為驗證AI技術應用于低壓配電運維的效果，對相位識別、人員著裝識別、表單識別進行數據收集和實際測試。驗證上述AI算法的準確性和可用性。

2.1 拓撲識別實施效果

為驗證本文提出的拓撲識別算法的可行性。以省內某臺區為例，安裝28臺采集終端，將設備通信地址配置到采集終端應用程序（Application，App）內，用于采集終端與管理系統的數據通信。采集終端采集出線柜出線電流、分支箱出線電流和電表箱進線電流等47組電流數據。利用算法模型輸出通信地址的級聯關系，再結合通信地址對應的電力設備關系表，最終得出電力設備的拓撲關系，下面為輸入輸出的參數信息。

采集輸入：

// 出線柜出線電流集合，通信地址 A相電流 B相電流 C相電流

{ "8197"， 3.666， 3.6， 3.6 }， { "8198"， 7.665， 7.5， 7.5 }，

{ "8199"， 11.664， 11.4， 11.4 }， { "8200"， 6.066， 6.0， 6.0 }，

{ "8201"， 15.265， 15.1， 15.1 }， { "8202"， 42.843， 42.3， 42.3 }

// 分支箱出線電流集合，通信地址 A相電流 B相電流 C相電流

{ "8203"， 1.111， 1.1， 1.1 }， { "8204"， 1.222， 1.2， 1.2 }， { "8205"， 1.333， 1.3， 1.3 }，

{ "8206"， 2.444， 2.4， 2.4 }， { "8207"， 2.555， 2.5， 2.5 }， { "8208"， 2.666， 2.6， 2.6 }，

{ "8209"， 3.777， 3.7， 3.7 }， { "8210"， 3.888， 3.8， 3.8 }， { "8211"， 3.999， 3.9， 3.9 }，

{ "8212"， 1.011， 1.0， 1.0 }， { "8213"， 2.022， 2.0， 2.0 }， { "8214"， 3.033， 3.0， 3.0 }，

{ "8215"， 4.044， 4.0， 4.0 }， { "8216"， 5.055， 5.0， 5.0 }， { "8217"， 6.166， 6.1， 6.1 }，

{ "8218"， 7.077， 7.0， 7.0 }， { "8219"， 8.088， 8.0， 8.0 }， {"8220"， 27.678， 27.3， 27.3 }，

{ "8221"， 9.099， 9.0， 9.0 }， { "8222"， 9.123， 9.1， 9.1 }， { "8223"， 9.456， 9.2， 9.2 }

// 電表箱進線電流集合，通信地址 A相電流 B相電流 C相電流

{ "0004"， 1.111， 1.1， 1.1 }， { "0005"， 1.222， 1.2， 1.2 }， { "0006"， 1.333， 1.3， 1.3 }，

{ "0007"， 2.444， 2.4， 2.4 }， { "0008"， 2.555， 2.5， 2.5 }， { "0009"， 2.666， 2.6， 2.6 }，

{ "0010"， 3.777， 3.7， 3.7 }， { "0011"， 3.888， 3.8， 3.8 }， { "0012"， 3.999， 3.9， 3.9 }，

{ "0013"， 1.011， 1.0， 1.0 }， { "0014"， 2.022， 2.0， 2.0 }， { "0015"， 3.033， 3.0， 3.0 }，

{ "0016"， 4.044， 4.0， 4.0 }， { "0017"， 5.055， 5.0， 5.0 }， { "0018"， 6.166， 6.1， 6.1 }，

{ "0019"， 7.077， 7.0， 7.0 }， { "0020"， 8.088， 8.0， 8.0 }， { "0021"， 9.099， 9.0， 9.0 }，

{ "0022"， 9.123， 9.1， 9.1 }， { "0023"， 9.456， 9.2， 9.2 }

輸出關系：

出線柜===＞＞＞分支箱

8197 （10.865999） ===＞＞＞ 423A （10.865999） ；8198 （22.665001） ===＞＞＞ 423B （22.664999）

8199 （34.463997） ===＞＞＞ 423C （34.464001） ；8200 （18.066000） ===＞＞＞ 423D （18.066002）

8201 （45.465004） ===＞＞＞ 423E （45.465000）；8202 （127.442993） ===＞＞＞ 423F （127.443001）

分支箱 ===＞＞＞ 電表箱

8203 （3.311000） ===＞＞＞ 0004 （3.311000） ；8204 （3.622000） ===＞＞＞ 0005 （3.622000）

8205 （3.933000） ===＞＞＞ 0006 （3.933000） ；8206 （7.244000） ===＞＞＞ 0007 （7.244000）

8207 （7.555000） ===＞＞＞ 0008 （7.555000） ；8208 （7.866000） ===＞＞＞ 0009 （7.866000）

8209 （11.177000） ===＞＞＞ 0010 （11.177000） ；8210 （11.488000） ===＞＞＞ 0011 （11.488000）

8211 （11.799000） ===＞＞＞ 0012 （11.799000） ；8212 （3.011000） ===＞＞＞ 0013 （3.011000）

8213 （6.022000） ===＞＞＞ 0014 （6.022000） ；8214 （9.033000） ===＞＞＞ 0015 （9.033000）

8215 （12.044001） ===＞＞＞ 0016 （12.044001） ；8216 （15.055000） ===＞＞＞ 0017 （15.055000）

8217 （18.365999） ===＞＞＞ 0018 （18.365999） ；8218 （21.077000） ===＞＞＞ 0019 （21.077000）

8219 （24.088001） ===＞＞＞ 0020 （24.088001） ；8221 （27.098999） ===＞＞＞ 0021 （27.098999）

8222 （27.323000） ===＞＞＞ 0022 （27.323000） ；8223 （27.855999） ===＞＞＞ 0023 （27.855999）

選取其中一臺出線柜及其下級設備數據，在平臺中輸出并呈現圖3所示的拓撲圖關系頁面。

圖3 出線柜-分支箱-電表箱拓撲圖

2.2 相位識別實施效果

收集省內某臺區72塊電表數據，并且對72塊電表進行勘站，獲取用電真實信息數據，以驗證上述聯合算法預測結果的準確性、穩定性。

為了確保數據的完整性，需要對數據進行異常值處理，對用戶電表數據進行檢驗，刪除采樣點中識別異常的數據和重復的識別數據。首先分別輸入臺區內1、3、4、5、6、7、8天的關口表和用戶電表數據，再分別輸出對應1、3、4、5、6、7、8天的相位識別數據。得到如下結論。

1天：識別出67塊表，錯誤識別17塊；

3天：識別出68塊表，錯誤識別7塊；

4天：識別出69塊表，無錯誤識別；

5天：識別出70塊表，無錯誤識別；

6天：識別出71塊表，無錯誤識別；

7天：識別出71塊表，無錯誤識別；

8天：識別出72塊表，無錯誤識別。

經過訓練測試之后，相位識別準確率得到了有效提高。

2.3 人員、安全帽識別實施效果

為驗證電力施工人員、安全帽識別的有效性，將安全帽及佩戴安全帽人員圖片作為測試集。在訓練時為減少運算量，提高檢出的速度，將原來VOC訓練集進行重新采樣。采樣中分別對常規的安全帽進行采樣，采集彩色圖片15000張，再轉換成灰度圖片15000張。

在大約訓練迭代到4000次時，模型已經有一定效果。通過目標分類識別，可進一步降低非人員誤報的機率，大約降低10%以上的誤報率。最后統計其在數據集上的查準率、查全率以及每秒識別幀數。其中查準率代表預測框中準確的數據比上預測框數據總數，查全率代表找到真實數據框數比上真實數據框總數。

由表1可知工人和安全帽識別精度在92.1%-94.2%，能夠很好地滿足施工現場識別安全帽佩戴情況，有著很好的識別效果。

表1 測試集實驗結果

2.4 手寫表格識別

手機攝像頭拍攝實驗表格后通過OCR算法模型對手寫的數據（整數和帶小數點數字）進行精準定位和自動識別，識別結果自動存儲，對比手工錄入測試。

經測試，利用圖像識別技術識別表格耗時為9秒，45組數據中識別錯誤3個，正確率93.3%；而手工錄入耗時達3分鐘，發生了錄入錯誤。由實驗結果可以看出，圖像識別錄入比手工錄入效率提高90%以上，正確率也大幅提高。

3 結束語

運用AI技術對低壓配電運維的新賦能，可以實現臺區拓撲自動識別，識別率達100%；單相電表的相位自動識別率達100%；工人和安全帽識別精度達到92.1%-94.2%，比傳統方式提高6%；AI識別表格速度從人工錄入的3分鐘提高到9秒，且正確率達到93.3%以上。通過AI技術賦能低壓配電運維，可以減少運維成本，提高運維效率，加強運維安全管控。拓撲識別分析技術已經成熟運用，已在多地試點成功，后期必將全面推廣。安全管控目標AI視覺識別今后還有很大提升空間，在可識別目標種類及可運用場景方面將逐步深入。