基于遷移學習的電網圖像自主判讀及運行態勢感知研究

吳守尊，張婧菲，臺樹杰，邴騫

（國網甘肅省電力公司臨夏供電公司，臨夏 731199）

引言

電網圖像數據是電力大數據的重要組成部分，是電網自主態勢感知的主要信息載體，為電網調度自動化、電網運行智慧化、電網管理科學化提供數據交互保障[1]，為電網運行態勢精準感知提供判讀依據，開展電網圖像自主判讀及運行態勢感知模型研究對促進智慧電網實際落地實施具有重要的現實意義。隨著電網管控目標數據量迅速增長，對運行態勢自主感知的依賴性越來越強[2]，電網內部邏輯規模呈指數增長，由于內部邏輯混亂或者外部條件突變觸發故障發生的概率大大提高，電網核心進程一旦發生故障，造成的損失往往具有歸零屬性，開展電網圖像自主判讀及運行態勢感知模型研究具有重要的學術與工程價值[3]。本文基于遷移學習算法構建了電網圖像自主判讀模型，基于此進行電網運行態勢感知，利用臨夏供電公司所屬的某22萬伏高壓線運維圖像數據集開展了模型先驗環境下的仿真驗證，選取臨夏供電公司所屬的某22萬伏高壓線為工程實踐分析載體，開展了電網圖像自主判讀及運行態勢感知模型工程應用實踐驗證，基于國網甘肅省電力公司臨夏供電公司現有軟硬件設備，采用軟件進程擴展的方式搭建了驗證環境[4]，從定性與定量兩個層面開展模型工程實踐效能對比分析，多維度驗證了模型的可行性及優越性。

1 模型邏輯框架設計

把電網圖像自主判讀及運行態勢感知模型完整控制流邏輯進行目標導向下的任務分解，著重關注電網圖像特征數據池構建、時間正序下的電網圖像異常特征全息感知機制構建、電網圖像自主判讀前提下的電網運行態勢有效感知等三個耦合子架構，基于遷移學習算法對電網圖像自主判讀與運行態勢感知展開研究，模型架構如圖1所示。其中，電網圖像特征數據池構建子架構主要完成目標電網運行態勢圖像的采集、傳輸、暫存、計算、池化處理，對數據池進行訓練集和測試集分區劃分[5]，為時間正序下的電網圖像異常特征全息感知機制構建提供統一的數據集支撐；時間正序下的電網圖像異常特征全息感知子架構主要完成較長周期內的電網圖像異常特征全息感知，利用深度殘差收縮網絡對數據池預先訓練集進行電網圖像異常特征知識學習辨識，構建時間正序下的電網圖像異常特征全息感知機制，實現電網圖像異常信息精準發現，為生成電網運行態勢感知核心支撐要素提供數據支撐；電網圖像自主判讀前提下的電網運行態勢有效感知子架構主要利用GoogLeNet深度神經網絡模型Inception V3開展電網圖像自主判讀及運行態勢感知遷移學習，動態調整遷移網絡多維參數實現訓練過程的最優化，實現電網圖像自主判讀前提下的電網運行態勢有效感知。

圖1 模型邏輯架構示意圖

2 模型核心算法設計

依據上述基于遷移學習算法的電網圖像判讀與運行態勢感知的模型邏輯，本文分階段設計其核心算法，其包括電網圖像異常特征的全息感知與電網運行態勢的有效感知，以臨夏供電公司所屬的某22萬伏高壓線為背景進行仿真分析，全景還原自主判讀下的海量電網圖像并有效感知電網的運行態勢，為工程化效能分析提供理論支撐。

2.1 電網圖像異常特征全息感知子算法

利用CMOS相機集群快速獲取的電網圖像構建形成涵蓋預先訓練集和遷移測試集的電網圖像特征數據池，利用深度殘差收縮網絡對數據池預先訓練集進行電網圖像異常特征知識學習辨識，構建時間正序下的電網圖像異常特征全息感知機制。電網圖像特征數據池載體參數復雜多變，具有多源異構的特點[6]，利用網絡μ表征異常特征感知策略，利用價值網絡擬合函數并表征感知策略的評價因子，因此，基于融合經驗緩沖因子深度殘差收縮網絡算法的電網圖像異常特征全息感知函數定義為：

在確定性策略μ下，函數Q表征選擇動作的獎勵期望，算法迭代收斂速度將得到跨量級的提升，隨機采樣經驗緩沖因子池中的Mini-batch數據，訓練不同策略下的執行回合[7]，得到一個記憶回放池，針對每個訓練回合的策略參數，求解電網圖像異常特征感知函數的梯度，從而得到其物理映射自生成機制，如公式（2）所示：

基于公式（2）的融合共享效應，多重Q網絡中的參數Qθ能夠自主生成異常特征集合的物理映射信息并進行標記，在大數據量級多源異構電網圖像異常數據特征的物理映射自生成機制中表現出較好的進化性能[8]，連續空間內，其期望可用積分求解，則有：

引入隱性映射經驗池解決隱性映射相關性與非靜態分布問題，將每個時間步執行過程中與電網圖像特征數據池交互得到的轉移樣本儲存到回放記憶單元，并隨機采集Mini-batch數據進行訓練，則電網圖像異常特征全息感知機制表征為公式（4）：

2.2 電網運行態勢有效感知子算法

GoogLeNet深度神經網絡模型Inception V3算法具備強大的自我感知能力[9]，本文利用其進行電網運行態勢感知的算法設計，通過動態調整遷移網絡的多維參數，實現多維差異性電網圖像特征的有效提取、有序重組與共享計算[10]，利用正反饋機制修正共享過程中的誤差優化訓練過程，在自主判讀的前提下構建全局協同控制的電網運行態勢有效感知機制。從公式（4）中抽取∈{1，2}，可視層的所有的單元i=1，2，…，n，則電網運行態勢有效感知的概率通過下式計算獲得：

2.3 模型典型環境下的仿真驗證

選取臨夏供電公司所屬的某22萬伏高壓線開展模型訓練與試驗結果分析，利用Geatpy開源工具箱的Pycharm集成開發環境仿真驗證所提模型的有效性，為模型的工程實踐效能評估提供理論支撐。利用2020年01月-2021年01月期間某22萬伏高壓線圖像數據構建仿真數據集，選取仿真數據集中的15000例、12000例數據分別作為算法的前置訓練集、后置測試集，鑒于電網圖像自主判讀及運行態勢感知屬于連續動作空間下的感知與決策問題[12]，本文引入16層深度信念神經網絡框架并利用緩沖池機制改善GoogLeNet深度神經網絡模型Inception V3的感知收斂遲滯問題。仿真中保證Inception V3處于激活狀態，通過設置Target-action Value與Action Value神經網絡實現電網圖像異常特征的全息感知，在Target-action Value神經網絡中輸入當前狀態s可輸出Next Q值[13]，將狀態s輸入Action value神經網絡中可輸出eval Q值，從而實現電網運行態勢的有效感知，具體仿真結果如圖2和3所示。

圖2 電網圖像異常特征全息感知子算法性能仿真圖

3 模型工程實踐效能分析

圖3 電網運行態勢有效感知子算法性能仿真圖

選取臨夏供電公司所屬的某22萬伏高壓線為工程實踐效能分析載體，開展了模型工程應用實踐驗證，基于國網甘肅省電力公司臨夏供電公司現有軟硬件設備，采用軟件進程擴展的方式搭建了驗證環境，具體如圖4所示。在臨夏供電公司所屬的某22萬伏高壓線目前裝備的電網運行態勢可視化實時監測及預警平臺基礎上增加電網圖像特征數據池構建、電網圖像異常特征全息感知、電網運行態勢有效感知等三個軟件子進程，均采用熱觸發方式，三個軟件子進程均與主進程保持時間均衡，共享數據包及內外通信端口，進程數據實時刷新并在人機交互界面顯示。其中，電網圖像特征數據池構建子架構對數據池進行訓練集和測試集分區劃分，為時間正序下的電網圖像異常特征全息感知機制構建提供統一的數據集支撐；電網圖像異常特征全息感知子架構利用深度殘差收縮網絡對數據池預先訓練集進行電網圖像異常特征知識學習辨識[14]，構建時間正序下的電網圖像異常特征全息感知機制；電網運行態勢有效感知子架構利用GoogLeNet深度神經網絡模型Inception V3開展電網圖像自主判讀及運行態勢感知遷移學習，動態調整遷移網絡多維參數實現訓練過程的最優化，實現電網圖像自主判讀前提下的電網運行態勢有效感知。上述三個軟件子進程在數據流層面從屬于電網運行態勢可視化實時監測及預警平臺主進程，在控制流層面具有耦合獨立性，可以對特征數據池構建、電網圖像異常特征全息感知、電網運行態勢有效感知等進行獨立控制。

圖4 模型工程實踐效能分析環境邏輯圖

基于圖4給出的電網圖像自主判讀及運行態勢感知模型工程實踐效能分析環境布置邏輯，本文進一步從定量化層面對比分析不同系統模型的工程實踐效能，選取臨夏供電公司所屬的某22萬伏高壓線日常運行圖像為算例分析數據源頭，分別對電網圖像異常特征全息感知子進程、電網運行態勢有效感知子進程核心參數進行差異化設置，選取臨夏供電公司所屬的某22萬伏高壓線目前裝備的電網運行態勢可視化實時監測及預警平臺為對照系統，選取電網圖像自主判讀及運行態勢感知模型為跟隨系統，利用CMOS相機集群搭建快速電網圖像獲取裝置，形成涵蓋預先訓練集和遷移測試集的電網圖像特征數據池，從電網圖像異常特征全息感知覆蓋率（YC）、電網圖像自主判讀精準率（PD）、電網運行態勢異常感知有效率（TS）3個方面對不同模型進行定量對比，從環境人機交互友好性（YH）、智慧化程度（CH）、態勢異常動態預警信息互聯推送（YJ）3個方面對模型進行定性對比分析，如表1所示。運行結果表明，電網圖像自主判讀及運行態勢感知模型較好改善了傳統基于先驗特征的電網圖像判讀機制在電網運行態勢感知實踐中顯露的諸多不足，電網圖像異常自主判讀均值準確率達98.31 %，電網運行態勢感知均值有效率達97.62 %，符合國家電網公司輸電運檢相關國檢標準要求。

表1 模型工程實踐效能分析對比表

4 結論

研究了利用遷移學習改善基于先驗特征的電網圖像判讀機制存在的若干先天弊端，提出了一種基于遷移學習的電網圖像自主判讀及運行態勢感知模型并進行了典型環境下的仿真驗證。首先把電網圖像自主判讀及運行態勢感知模型完整生命周期運行邏輯進行目標導向下的任務分解，給出了基于遷移學習的電網圖像自主判讀及運行態勢感知模型體系架構；然后利用深度殘差收縮網絡對數據池預先訓練集進行電網圖像異常特征知識學習辨識，構建時間正序下的電網圖像異常特征全息感知機制；最后利用GoogLeNet深度神經網絡模型Inception V3開展電網圖像自主判讀及運行態勢感知遷移學習,動態調整遷移網絡多維參數實現訓練過程的最優化，實現電網圖像自主判讀前提下的電網運行態勢有效感知。采用軟件進程擴展的方式搭建了電網圖像自主判讀及運行態勢感知模型工程實踐效能分析驗證環境，從定性和定量兩個層面對電網圖像自主判讀及運行態勢感知模型進行了多維工程實踐效能分析，分析結果表明，電網圖像自主判讀及運行態勢感知模型較好改善了電網圖像自主判讀及運行態勢感知模型較好改善了傳統基于先驗特征的電網圖像判讀機制在電網運行態勢感知實踐中顯露的諸多不足，電網圖像異常自主判讀均值準確率達98.31 %，電網運行態勢感知均值有效率達97.62 %，符合國家電網公司輸電運檢相關國檢標準要求。