0  引言

    隨著深度神經(jīng)網(wǎng)絡(luò)的推廣，以深度學習技術(shù)為代表的人工智能技術(shù)在各行各業(yè)得到了前所未有的發(fā)展，近期國家發(fā)改委發(fā)布了新一代人工智能發(fā)展規(guī)劃，國家電網(wǎng)公司更發(fā)布了關(guān)于新一代人工智能技術(shù)在電力行業(yè)的發(fā)展應(yīng)用。為推動電網(wǎng)的生產(chǎn)方式變革，提升大電網(wǎng)生產(chǎn)運行水平，促進國家電網(wǎng)公司瘦身健體、提質(zhì)增效，提升業(yè)務(wù)創(chuàng)新能力，需要開展以深度學習為代表的電力人工智能基礎(chǔ)共性技術(shù)、模型優(yōu)化訓練方案以及現(xiàn)有研究成果對電網(wǎng)巡檢、用電客服以及安全監(jiān)控等重要領(lǐng)域服務(wù)技術(shù)的研究，全方位推動以深度學習為代表的新一代人工智能技術(shù)在電網(wǎng)的應(yīng)用普及。

    冀北電力公司信息通信專業(yè)作為承擔冬奧賽區(qū)電力供應(yīng)的重要支撐部分，全力推動建設(shè)全業(yè)務(wù)泛在電力物聯(lián)網(wǎng)“一網(wǎng)”，打造全景全息智慧智慧平臺“一平臺”，以張家口“零碳冬奧”為契機，大力推進以全業(yè)務(wù)數(shù)據(jù)中心為基礎(chǔ)，以深度學習技術(shù)為代表的人工智能技術(shù)的“二次水平化”，支撐全景全息智慧。同時基于國網(wǎng)云打造數(shù)據(jù)平臺，深化深度學習、機器學習技術(shù)，多數(shù)據(jù)源綜合分析，支撐全業(yè)務(wù)云上運行。

1  深度學習的概念

1.1  深度學習的背景

    從被認定為全球人工智能研究起點的1956年達特茅斯學術(shù)會議到2017年期間，國外以Facebook、Google、Microsoft、斯坦福等公司和學校為代表進行了深度學習在圖像、語音以及文本等方面的應(yīng)用，以CNN和RNN為兩大方向的深度神經(jīng)網(wǎng)絡(luò)在圖像識別、語音識別、機器翻譯等方向取得了很大的成功。國內(nèi)百度、科大訊飛、Face++、南京大學等企業(yè)和公司分別在無人駕駛、語音識別、深度神經(jīng)網(wǎng)絡(luò)壓縮以及級聯(lián)學習等方面取得了顯著成績，比如ShuffleNet很大程度上推動了深度神經(jīng)網(wǎng)絡(luò)在移動端的應(yīng)用；周志華教授提出的gcForest模型以傳統(tǒng)決策樹為基礎(chǔ)，結(jié)合級聯(lián)學習將傳統(tǒng)模型擬合能力提上了新的高度。在過去的十余年中計算機視覺以及自然語言處理領(lǐng)域都得到了很大的成功，甚至在某些應(yīng)用上已經(jīng)超過人類，比如人臉識別、圍棋等。

1.2  深度學習的原理分析

    通過對人腦皮層處理信息的方式進行抽象、歸納和仿真，提出了神經(jīng)網(wǎng)絡(luò)（Neural Network）的概念。沒有經(jīng)過處理的信息(聲音、圖像以及文本信息)被輸入到輸出層的“輸入單元”，輸出層的“輸出節(jié)點”到輸入的信息被映射。映射算法是基于用戶自定義的，例如，輸入圖像中有CAT，輸入音頻材料中有“hello”。深度學習是通過多層級神經(jīng)網(wǎng)絡(luò)提取并且表示信息數(shù)據(jù)，實現(xiàn)監(jiān)控、分類等復雜任務(wù)的算法體系。深度學習算法中深度神經(jīng)網(wǎng)絡(luò)作為核心部分，在輸入層和輸出層之間包含了多個隱藏層，使得深度學習算法可以完成許多復雜的數(shù)據(jù)分類工作。

1.3  深度學習的實現(xiàn)過程

    深度學習算法需要通過大量的數(shù)據(jù)進行訓練，這一點類似機器學習算法，例如，比如想非常準確地識別素材中的“CAT”，那么需要使用成千上萬的圖片來訓練并識別它。訓練采用的數(shù)據(jù)越多，算法模型的精度就越高。包括國內(nèi)BAT等很多大公司不惜一切代價爭奪第一手用戶數(shù)據(jù)，甚至爭先提供免費的服務(wù)以換取用戶使用數(shù)據(jù)?？梢哉f測試數(shù)據(jù)越多，可以采用的深度學習算法算法就越多，那么為用戶提供的服務(wù)就越高效，也就能越來越吸引用戶使用它的服務(wù)，這就形成了慢慢良性的競爭循環(huán)，使得在人工智能的賽道上取得領(lǐng)先地位。

2  深度學習的主要網(wǎng)絡(luò)模型

2.1  自動編碼器

    自動編碼器（Auto Encoder）最開始作為一種數(shù)據(jù)的壓縮方法，其特點有:（1）跟數(shù)據(jù)相關(guān)程度很高，這意味著自動編碼器只能壓縮與訓練數(shù)據(jù)相似的數(shù)據(jù)，這個其實比較顯然，因為使用神經(jīng)網(wǎng)絡(luò)提取的特征一般是高度相關(guān)于原始的訓練集，使用人臉訓練出來的自動編碼器在壓縮自然界動物的圖片時表現(xiàn)就會比較差，因為它只學習到了人臉的特征，而沒有能夠?qū)W習到自然界圖片的特征；（2）壓縮后數(shù)據(jù)是有損的，這是因為在降維的過程中不可避免地要丟失掉信息。

    自動編碼器可以學習輸入原始數(shù)據(jù)的隱式特征，即編碼（Coding），學習到新的特征可以用來重新形成原始輸入數(shù)據(jù)，即解碼（Decoding），如圖1所示。從非常直觀的角度來看，自動編碼器（AutoEncoder）可以實現(xiàn)特征的縮減，有點類似于主成分分析（PCA），但卻遠強于PCA的性能。這是因為神經(jīng)網(wǎng)絡(luò)（Neural Network）可以自動提取非常有效的新能力。自動編碼器（AutoEncoder）作為一種無監(jiān)督的深度學習模型，也可以用來產(chǎn)生不同的訓練樣本的新數(shù)據(jù)，因此自動編碼器是一種生成算法模型。

2.2  卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來，并引起廣泛重視的一種高效識別方法。20世紀60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經(jīng)元時發(fā)現(xiàn)其獨特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復雜性，繼而提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks-簡稱CNN）。CNN中主要有兩種類型的網(wǎng)絡(luò)層，分別是卷積層和池化/采用層（Pooling）。卷積層的作用是提取圖像的各種特征；池化層的作用是對原始特征信號進行抽象，從而大大減少訓練參數(shù)，另外還可以減輕模型過擬合的程度。CNN之所以流行，這將歸功于算法的特殊網(wǎng)絡(luò)設(shè)計，CNN是由卷基層及次采樣層交叉堆疊而成的。當前向計算開始時，輸入數(shù)據(jù)經(jīng)常利用多個卷積核開展卷積方式計算，從而形成多個不同的特征圖，特征圖的維度屬性對比輸入的維度屬性已經(jīng)有所下降，再通過次采樣層進行緯度降低，經(jīng)過多次的卷積計算降低緯度后，再通過全連接層，從而到達輸出網(wǎng)絡(luò)的目的。

    CNN的結(jié)構(gòu)基本分為兩層。第一層是提取特征層。所有神經(jīng)元的輸入數(shù)據(jù)與連接的前一層的宿主數(shù)據(jù)接受域連接，目的用于提取局部特征。特征映射常常利用影響函數(shù)結(jié)果的驗證函數(shù)作為CNN的激活函數(shù)，激活函數(shù)（Activation functions）對于人工神經(jīng)網(wǎng)絡(luò)模型去學習、理解非常復雜和非線性的函數(shù)來說具有十分重要的作用。它們將非線性特性引入到我們的網(wǎng)絡(luò)中。其主要目的是將ANN模型中一個節(jié)點的輸入信號轉(zhuǎn)換成一個輸出信號，使得其具有位移和不變形的特性。此外，由于映射表面上神經(jīng)元的共享機理，參數(shù)的數(shù)量在網(wǎng)絡(luò)自由選擇中逐漸減少。在CNN中都有一個計算層在每個體基后面，用于局部平均和二次特征提取，這是由于其獨特的二階特征提取結(jié)構(gòu)導致了降低特征分辨率的優(yōu)勢。

2.3  循環(huán)神經(jīng)網(wǎng)絡(luò)

    循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，簡稱RNN）背后的思想就是使用序列信息。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，我們認為所有的輸入（和輸出）彼此之間是互相獨立的。循環(huán)神經(jīng)網(wǎng)絡(luò)之所以稱之為循環(huán)，就是因為它們對于所有序列中所有元素都執(zhí)行完全相同的任務(wù)，輸出的結(jié)果依賴于輸入的計算結(jié)果。另一種思考循環(huán)神經(jīng)網(wǎng)絡(luò)的方法是，RNN存在記憶，記憶可以捕獲迄今為止所有已經(jīng)計算過的信息。與CNN不同，RNN主要在序列方面存在優(yōu)勢。RNN與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型有區(qū)別，RNN的每層隱藏層神經(jīng)元之間都存在著相互連接的關(guān)系。該結(jié)構(gòu)的具體表現(xiàn)為神經(jīng)網(wǎng)絡(luò)會對前面的輸入信息進行記憶并應(yīng)用于當前的輸出信息，因此特別適合于計算數(shù)據(jù)序列類型的數(shù)據(jù)，此外，采用RNN和CNN相結(jié)合使用，非常適合處理樣本數(shù)據(jù)之間的相關(guān)性問題。

    典型的RNN結(jié)構(gòu)如圖2所示，對于RNN來說，是一個非常重要的理念，每次RNN的輸入結(jié)合模型的當前狀態(tài)給出一個輸出，從圖中可以看出這個規(guī)則，圖片左邊是RNN的神經(jīng)元，右邊是按時間軸展開后的情況。兩條消息分別輸入輸出兩條消息，每條消息處理隱藏狀態(tài)，這是一個非常有效的表示方法，用于延長同一神經(jīng)元的時間，對比CNN來說可以保存更多的參數(shù)。

3  深度學習在電力信息化的研究現(xiàn)狀

    雖然深度學習已經(jīng)在圖像識別以及自然語言處理等方面取得重大突破，但在電力系統(tǒng)中信息化技術(shù)的研究與應(yīng)用還比較少，近年來，國家電網(wǎng)公司對人工智能技術(shù)在輸變電線路巡檢圖像故障識別和自然語言處理等領(lǐng)域進行了深入的研究，現(xiàn)階段在輸電線路圖像物體識別、定位以及圖像主題識別等方面取得了很好的成績，比如輸電線路鳥巢識別準確度≥95%，電網(wǎng)客服領(lǐng)域應(yīng)用人工智能技術(shù)在語音導航、少數(shù)民族語言分析、語音識別以及智能化工單質(zhì)檢等方面取得很大成果，項目成果能夠快速進行客服中心工單質(zhì)檢，并很大程度上改善了客服導撥系統(tǒng)等。

3.1  直升機、無人機輸電線路巡檢視覺分析

    目前，國家電網(wǎng)公司共有華北、東北、華東、華中、西北、華南地區(qū)6個區(qū)域電網(wǎng)，截至2016年年底，國家電網(wǎng)公司35 kV及以上輸電線路回路長度達175.6萬公里，其中，220 kV及以上輸電線路長度64.5萬公里。根據(jù)相關(guān)數(shù)據(jù)顯示，我國電力行業(yè)作為一個整體一年投資約1 000億元人民幣，費用包括硬件設(shè)施是73%，傳輸設(shè)備在國家電網(wǎng)建設(shè)的比重是越來越大，比例的擴大電網(wǎng)巡邏的工作也越來越多，100公里的巡邏工作需要巡邏人員20個工作日完成，且巡線人員擔負著巨大的人身安全風險，因此直升機、無人機巡線方式越來越受到電網(wǎng)公司的重視。

    輸電線路巡檢普遍存在：圖像視頻背景復雜性、多干擾因素(光照、遮擋、尺度及旋轉(zhuǎn)等)、相對運動隨機性及相似目標難判別，缺陷難表達，和深度模型泛化能力弱等難點問題。通過采集設(shè)備的相關(guān)特征量作為訓練集合，得出最終的判斷模型用于檢測，智能算法包括支持向量機、BP神經(jīng)網(wǎng)絡(luò)等神經(jīng)網(wǎng)絡(luò)算法，而深度學習可以利用電力信息通信設(shè)備中大量無標簽的數(shù)據(jù)，對深度神經(jīng)網(wǎng)絡(luò)進行初始化權(quán)值，得到更好的數(shù)據(jù)支持。

3.2  變電站視頻監(jiān)控視覺分析

    雖然電網(wǎng)公司變電站內(nèi)自動化遙測系統(tǒng)具有在線監(jiān)測報警功能，但主要集中在自動化傳感器的報警數(shù)據(jù)分析上。視頻檢測主要是輔助裝置。隨著監(jiān)測點的增多，傳統(tǒng)的視頻監(jiān)控暴露出諸多不足：過度依賴對異常的人工檢測和對異常視頻數(shù)據(jù)的自動判斷。智能視頻監(jiān)控技術(shù)可以克服上述缺點。它是一種自動視頻分析技術(shù)在現(xiàn)有的數(shù)字視頻監(jiān)控系統(tǒng)中的應(yīng)用。通過對高清攝像機拍攝到的攝像機圖像序列進行自動分析，無需人工檢測，能夠?qū)崿F(xiàn)自動定位、識別和跟蹤動態(tài)場景中的目標?；诖朔治觯冸娬疽曨l監(jiān)控視覺分析系統(tǒng)給出可疑行為或異常的實時警告。

    現(xiàn)有的國家電網(wǎng)公司變電站監(jiān)控圖像計算機識別方法都是采用“對監(jiān)控圖像進行預處理—人為設(shè)計提取特征—提前計算人工特征—采用深度學習模型”的方法，從而利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等算法對變電站視頻監(jiān)控畫面進行識別，提高變電站監(jiān)控圖像中異常狀況智能識別的準確率和魯棒性。

3.3  信息通信機房視頻監(jiān)控視覺分析

    電力系統(tǒng)信息通信運維作為電網(wǎng)企業(yè)的核心業(yè)務(wù)之一，對保障電網(wǎng)信息通信設(shè)備的安全與健康，支持智能電網(wǎng)的安全運行起著異常重要的作用。電網(wǎng)企業(yè)關(guān)于“智能化運維（AIOps）”的需求越來越強烈，需要利用人工智能技術(shù)（AI）實現(xiàn)電力信息通信設(shè)備運維的數(shù)字化和智能化。作為電力信息通信運維的重要內(nèi)容之一，信息通信機房基礎(chǔ)設(shè)施運維為電力營銷、調(diào)度、運行、檢修等重要業(yè)務(wù)提供了基礎(chǔ)的信息通信保障。

    對信息通信機房設(shè)備的監(jiān)控可以歸結(jié)為目標檢測問題，而目標檢測是計算機視覺領(lǐng)域里面一個非常重要的研究方法。目標檢測的任務(wù)主要用于：針對視頻或者截取畫面，分析出某一個特定物體在圖片中的具體方位；可以將目標檢測分解為物體定位和物體識別問題。卷積神經(jīng)網(wǎng)絡(luò)是深度學習里面場景的數(shù)據(jù)網(wǎng)絡(luò)模型，它由很多層隱層組成，每一個隱層提取不同深層次的特征數(shù)據(jù)在訓練數(shù)據(jù)中，最后全連接層連接起來隱層的特征和表示圖像類別信息。卷積神經(jīng)網(wǎng)絡(luò)（CNN）具有局部感受野，池化采樣和權(quán)值共享等特點，利用這種技術(shù)可以有效減少神經(jīng)網(wǎng)絡(luò)的復雜程度，降低神經(jīng)網(wǎng)絡(luò)訓練復雜程度和測試時間。通過采用深度學習算法可以使得目標檢測的誤檢率大大降低。

3.4  電力資產(chǎn)管理和智能化運維

    電力行業(yè)是資產(chǎn)密集型產(chǎn)業(yè)，資產(chǎn)總量龐大、分布廣泛，傳統(tǒng)方法無法有效管理，將難以支撐電網(wǎng)的運行和發(fā)展；電網(wǎng)網(wǎng)絡(luò)龐雜、設(shè)備點多面廣、運行特征各異，傳統(tǒng)的運維檢修方法難以對設(shè)備狀態(tài)進行精準評價和針對性地投資、改造和運維。

    通過基于深度學習算法的人工智能技術(shù)，可以實現(xiàn)對電力設(shè)備狀態(tài)數(shù)據(jù)、環(huán)境數(shù)據(jù)、歷史數(shù)據(jù)的深度挖掘，實現(xiàn)電力設(shè)備的健康狀態(tài)綜合評價與診斷；給出針對性的運維方案和投資建議，實現(xiàn)故障處理方案的輔助決策，將事后處理變事前預防；利用智能化的手段進行資產(chǎn)運維，對電力資產(chǎn)進行狀態(tài)實時感知、監(jiān)控和自動處理，提高工作效率；提高偶發(fā)事件預測和辨識水平，包括故障和地址、自然災害等；實現(xiàn)電力資產(chǎn)的全面監(jiān)測、實時在線、科學管理和智能運維。

3.5  營業(yè)廳智能機器人

    針對當前電力營業(yè)廳內(nèi)服務(wù)人員專業(yè)人員逐步減少、人員知識結(jié)構(gòu)要求高、高端服務(wù)人員運行管理成本較高等現(xiàn)實問題，通過采用智能機器人、隨機學習、深度學習、圖像視頻辯識等人工智能技術(shù)，構(gòu)建營業(yè)廳智能機器人應(yīng)用系統(tǒng)。實現(xiàn)系統(tǒng)與用戶對話交互式業(yè)務(wù)辦理，結(jié)合用電申請/業(yè)擴圖文資料、視頻感知及方案輔助核查技術(shù)，完成客戶用電業(yè)務(wù)咨詢和業(yè)擴報裝的自助辦理、供電方案輔助審核，實現(xiàn)營業(yè)廳服務(wù)的智能化、無人化或少人化，將極大提高電力營業(yè)廳工作效率和服務(wù)水平，展現(xiàn)國網(wǎng)公司一流企業(yè)的形象定位。

    應(yīng)用深度學習、數(shù)據(jù)智能分析技術(shù)，實現(xiàn)營業(yè)廳業(yè)擴報裝資料的自動輸入、申請材料和供電方案輔助核查提高業(yè)擴報裝供電方案核查質(zhì)量，減少企業(yè)員工勞動強度。

4  深度學習在電力信息化的展望

4.1  深度學習在異構(gòu)集群上的計算和優(yōu)化

    深度學習任務(wù)在異構(gòu)集群上的計算和優(yōu)化技術(shù)，在模型訓練方面，提高資源利用率，優(yōu)化任務(wù)調(diào)度方案和資源配置管理；在任務(wù)推理方面，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型處理框架，設(shè)計網(wǎng)絡(luò)模型在異構(gòu)平臺和嵌入式終端上的移植方法，從而實現(xiàn)低功耗并且高效率的推理方案。

4.2  人工智能深度學習平臺研究

    研究人工智能平臺深度學習技術(shù)解決具體實際業(yè)務(wù)問題，根據(jù)數(shù)據(jù)全量樣本和自學習機制，更好發(fā)現(xiàn)知識找出數(shù)據(jù)潛在規(guī)律，發(fā)揮數(shù)據(jù)最大價值，改變傳統(tǒng)基于人的經(jīng)驗判斷和專家規(guī)則方式研判模式，在提供實效性前提，提高預測和分析能力。如：基于自然語言處理的輿情風險管控監(jiān)測，通過人工智能的語義分析，改變基于傳統(tǒng)正則表達式的數(shù)據(jù)內(nèi)容爬取，降低數(shù)據(jù)復雜性帶來的計算成本同時提高內(nèi)容含義精準性；如：圖像識別模型算法識別輸電線路圖片和視頻發(fā)現(xiàn)桿塔和線路數(shù)據(jù)樣本規(guī)律，發(fā)現(xiàn)線路和桿塔上的異物、外力破壞、設(shè)備備件損壞、線路弧垂等異常并告警，降低現(xiàn)階段通過手機APP拍照、視頻回傳到運檢指揮中心由人工核查的冗余工作，降低人工成本同時提高設(shè)備異常識別率，降低電網(wǎng)風險發(fā)生機率。如：用神經(jīng)網(wǎng)絡(luò)進行并行處理、非線性映射、自適應(yīng)能力和魯棒性、學習和記憶等固有性質(zhì)，改變IEC三比值法和傳統(tǒng)特征氣體分析法，有效提高故障識別準確率，降低設(shè)備損耗節(jié)約電網(wǎng)公司設(shè)備資產(chǎn)。

4.3  計算機視覺

    計算機視覺在電力領(lǐng)域的應(yīng)用主要集中在電力巡檢和監(jiān)控影像的目標識別與缺陷檢測。但目前技術(shù)尚未達到滿足生產(chǎn)需求的精度與效率?？蓮碾娏τ跋褓Y源庫、電力影像多目標檢測與缺陷識別、電力視覺芯片、虛擬/增強現(xiàn)實交互、三維重構(gòu)等方面開展相關(guān)研究，研發(fā)基于電力影像的智能輔助標注技術(shù)、研發(fā)基于領(lǐng)域知識和深度學習的電力信息通信設(shè)備檢測與計算機視覺缺陷識別算法，形成設(shè)備級電力信息通信視覺模塊，實現(xiàn)實時電力信息通信設(shè)備識別和缺陷檢測。

4.4  自然語言處理

    基于已有的專業(yè)知識和全系統(tǒng)以文本形式存在的運行和操作規(guī)則、調(diào)度指令和報告、營銷檔案等語料，研究基于電力文本的新詞發(fā)現(xiàn)技術(shù)和語意網(wǎng)絡(luò)挖掘技術(shù)，構(gòu)建電力主題詞表；研究電力語音文本特征提取、電網(wǎng)設(shè)備本體建模、電力行業(yè)知識加工和推理等技術(shù)，分領(lǐng)域逐步行成電力行業(yè)知識圖譜，先期構(gòu)建調(diào)控、運檢、營銷、信息通信等領(lǐng)域知識圖譜，支撐信息通信調(diào)度機器人、電網(wǎng)設(shè)備智能運維和智能客服等應(yīng)用；最終，形成新一代電網(wǎng)企業(yè)智能搜索和智能問答解決方案。

4.5  智能機器人

    電力機器人，是面向電力巡檢、服務(wù)、作業(yè)和調(diào)控等應(yīng)用場景的機器人。當前電力機器人上處于實現(xiàn)“單一模式的自動化重復動作”階段，不能滿足公司對其自主智能行為的需求。智能機器人在電力AI算法封裝，具備自主行為、自主學習、自主識別、人機協(xié)作等核心技術(shù)。

5  結(jié)論

    在冀北電力公司大力發(fā)展張家口零碳冬奧的背景下，深度學習可以結(jié)合自身特征提取以及模型擬合方面的優(yōu)勢，針對當前人工智能與電網(wǎng)智能化水平結(jié)合不緊密等問題，如深度學習企業(yè)級服務(wù)能力不足、數(shù)據(jù)驅(qū)動支撐新一代電網(wǎng)能力不足，建設(shè)全業(yè)務(wù)泛在電力物聯(lián)網(wǎng)尚需人工智能技術(shù)推進等問題，做出一個科學的決策方案。

    另外，還可以利用深度學習在機器學習以及人工智能方面的優(yōu)點，結(jié)合全業(yè)務(wù)數(shù)據(jù)中心的電網(wǎng)數(shù)據(jù)，開展大數(shù)據(jù)處理、數(shù)據(jù)分析挖掘、統(tǒng)一數(shù)據(jù)模型以及數(shù)據(jù)安全等技術(shù)研究和應(yīng)用需求及業(yè)務(wù)模型研究，支撐多專業(yè)大數(shù)據(jù)工作。

參考文獻

[1] 曹渝昆，何健偉，鮑自安.深度學習在電力領(lǐng)域的研究現(xiàn)狀與展望[J].上海電力學院學報,2017,33:341-346.

[2] 魏海宏，劉新. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的離線手寫簽名鑒定[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2018（3）:40-41.

[3] 梁苗苗．基于深度學習的智能聊天機器人的研究 [D]． 杭州：浙江理工大學，2017.

[4] 肖仕昶．基于計算機視覺的感興趣人群屬性分析系統(tǒng) [D]． 廣州：華南理工大學，2017.

作者信息:

那瓊瀾1，萬  瑩1，張子健2，楊藝西3，趙慶凱1，李環(huán)媛1

（1. 國網(wǎng)冀北電力有限公司信息通信分公司，北京 100053；

2. 國網(wǎng)冀北電力有限公司，北京 100052；

3. 國家電網(wǎng)公司信息通信分公司，北京 100761）