0  引言

    隨著深度神經(jīng)網(wǎng)絡(luò)的推廣，以深度學(xué)習(xí)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(dòng)電網(wǎng)的生產(chǎn)方式變革，提升大電網(wǎng)生產(chǎn)運(yùn)行水平，促進(jìn)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(xué)習(xí)為代表的電力人工智能基礎(chǔ)共性技術(shù)、模型優(yōu)化訓(xùn)練方案以及現(xiàn)有研究成果對(duì)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(dòng)以深度學(xué)習(xí)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(dān)冬奧賽區(qū)電力供應(yīng)的重要支撐部分，全力推動(dòng)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(tái)“一平臺(tái)”，以張家口“零碳冬奧”為契機(jī)，大力推進(jìn)以全業(yè)務(wù)數(shù)據(jù)中心為基礎(chǔ)，以深度學(xué)習(xí)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(shí)基于國網(wǎng)云打造數(shù)據(jù)平臺(tái)，深化深度學(xué)習(xí)、機(jī)器學(xué)習(xí)技術(shù)，多數(shù)據(jù)源綜合分析，支撐全業(yè)務(wù)云上運(yùn)行。

1  深度學(xué)習(xí)的概念

1.1  深度學(xué)習(xí)的背景

    從被認(rèn)定為全球人工智能研究起點(diǎn)的1956年達(dá)特茅斯學(xué)術(shù)會(huì)議到2017年期間，國外以Facebook、Google、Microsoft、斯坦福等公司和學(xué)校為代表進(jìn)行了深度學(xué)習(xí)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(shí)別、語音識(shí)別、機(jī)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(xué)等企業(yè)和公司分別在無人駕駛、語音識(shí)別、深度神經(jīng)網(wǎng)絡(luò)壓縮以及級(jí)聯(lián)學(xué)習(xí)等方面取得了顯著成績(jī)，比如ShuffleNet很大程度上推動(dòng)了深度神經(jīng)網(wǎng)絡(luò)在移動(dòng)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(jí)聯(lián)學(xué)習(xí)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(jì)算機(jī)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(shí)別、圍棋等。

1.2  深度學(xué)習(xí)的原理分析

    通過對(duì)人腦皮層處理信息的方式進(jìn)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(diǎn)”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(xué)習(xí)是通過多層級(jí)神經(jīng)網(wǎng)絡(luò)提取并且表示信息數(shù)據(jù)，實(shí)現(xiàn)監(jiān)控、分類等復(fù)雜任務(wù)的算法體系。深度學(xué)習(xí)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(gè)隱藏層，使得深度學(xué)習(xí)算法可以完成許多復(fù)雜的數(shù)據(jù)分類工作。

1.3  深度學(xué)習(xí)的實(shí)現(xiàn)過程

    深度學(xué)習(xí)算法需要通過大量的數(shù)據(jù)進(jìn)行訓(xùn)練，這一點(diǎn)類似機(jī)器學(xué)習(xí)算法，例如，比如想非常準(zhǔn)確地識(shí)別素材中的“CAT”，那么需要使用成千上萬的圖片來訓(xùn)練并識(shí)別它。訓(xùn)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(jià)爭(zhēng)奪第一手用戶數(shù)據(jù)，甚至爭(zhēng)先提供免費(fèi)的服務(wù)以換取用戶使用數(shù)據(jù)?？梢哉f測(cè)試數(shù)據(jù)越多，可以采用的深度學(xué)習(xí)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(jìng)爭(zhēng)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(xué)習(xí)的主要網(wǎng)絡(luò)模型

2.1  自動(dòng)編碼器

    自動(dòng)編碼器（Auto Encoder）最開始作為一種數(shù)據(jù)的壓縮方法，其特點(diǎn)有:（1）跟數(shù)據(jù)相關(guān)程度很高，這意味著自動(dòng)編碼器只能壓縮與訓(xùn)練數(shù)據(jù)相似的數(shù)據(jù)，這個(gè)其實(shí)比較顯然，因?yàn)槭褂蒙窠?jīng)網(wǎng)絡(luò)提取的特征一般是高度相關(guān)于原始的訓(xùn)練集，使用人臉訓(xùn)練出來的自動(dòng)編碼器在壓縮自然界動(dòng)物的圖片時(shí)表現(xiàn)就會(huì)比較差，因?yàn)樗粚W(xué)習(xí)到了人臉的特征，而沒有能夠?qū)W習(xí)到自然界圖片的特征；（2）壓縮后數(shù)據(jù)是有損的，這是因?yàn)樵诮稻S的過程中不可避免地要丟失掉信息。

    自動(dòng)編碼器可以學(xué)習(xí)輸入原始數(shù)據(jù)的隱式特征，即編碼（Coding），學(xué)習(xí)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(dòng)編碼器（AutoEncoder）可以實(shí)現(xiàn)特征的縮減，有點(diǎn)類似于主成分分析（PCA），但卻遠(yuǎn)強(qiáng)于PCA的性能。這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)（Neural Network）可以自動(dòng)提取非常有效的新能力。自動(dòng)編碼器（AutoEncoder）作為一種無監(jiān)督的深度學(xué)習(xí)模型，也可以用來產(chǎn)生不同的訓(xùn)練樣本的新數(shù)據(jù)，因此自動(dòng)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(shí)別方法。20世紀(jì)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(shí)發(fā)現(xiàn)其獨(dú)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(fù)雜性，繼而提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks-簡(jiǎn)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(duì)原始特征信號(hào)進(jìn)行抽象，從而大大減少訓(xùn)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(jì)，CNN是由卷基層及次采樣層交叉堆疊而成的。當(dāng)前向計(jì)算開始時(shí)，輸入數(shù)據(jù)經(jīng)常利用多個(gè)卷積核開展卷積方式計(jì)算，從而形成多個(gè)不同的特征圖，特征圖的維度屬性對(duì)比輸入的維度屬性已經(jīng)有所下降，再通過次采樣層進(jìn)行緯度降低，經(jīng)過多次的卷積計(jì)算降低緯度后，再通過全連接層，從而到達(dá)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(yàn)證函數(shù)作為CNN的激活函數(shù)，激活函數(shù)（Activation functions）對(duì)于人工神經(jīng)網(wǎng)絡(luò)模型去學(xué)習(xí)、理解非常復(fù)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(gè)節(jié)點(diǎn)的輸入信號(hào)轉(zhuǎn)換成一個(gè)輸出信號(hào)，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(jī)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(gè)計(jì)算層在每個(gè)體基后面，用于局部平均和二次特征提取，這是由于其獨(dú)特的二階特征提取結(jié)構(gòu)導(dǎo)致了降低特征分辨率的優(yōu)勢(shì)。

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(jiǎn)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(rèn)為所有的輸入（和輸出）彼此之間是互相獨(dú)立的。循環(huán)神經(jīng)網(wǎng)絡(luò)之所以稱之為循環(huán)，就是因?yàn)樗鼈儗?duì)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(jì)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(jì)算過的信息。與CNN不同，RNN主要在序列方面存在優(yōu)勢(shì)。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(huì)對(duì)前面的輸入信息進(jìn)行記憶并應(yīng)用于當(dāng)前的輸出信息，因此特別適合于計(jì)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(duì)于RNN來說，是一個(gè)非常重要的理念，每次RNN的輸入結(jié)合模型的當(dāng)前狀態(tài)給出一個(gè)輸出，從圖中可以看出這個(gè)規(guī)則，圖片左邊是RNN的神經(jīng)元，右邊是按時(shí)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(gè)非常有效的表示方法，用于延長(zhǎng)同一神經(jīng)元的時(shí)間，對(duì)比CNN來說可以保存更多的參數(shù)。

3  深度學(xué)習(xí)在電力信息化的研究現(xiàn)狀

    雖然深度學(xué)習(xí)已經(jīng)在圖像識(shí)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(duì)人工智能技術(shù)在輸變電線路巡檢圖像故障識(shí)別和自然語言處理等領(lǐng)域進(jìn)行了深入的研究，現(xiàn)階段在輸電線路圖像物體識(shí)別、定位以及圖像主題識(shí)別等方面取得了很好的成績(jī)，比如輸電線路鳥巢識(shí)別準(zhǔn)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(dǎo)航、少數(shù)民族語言分析、語音識(shí)別以及智能化工單質(zhì)檢等方面取得很大成果，項(xiàng)目成果能夠快速進(jìn)行客服中心工單質(zhì)檢，并很大程度上改善了客服導(dǎo)撥系統(tǒng)等。

3.1  直升機(jī)、無人機(jī)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(gè)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(zhǎng)度達(dá)175.6萬公里，其中，220 kV及以上輸電線路長(zhǎng)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(gè)整體一年投資約1 000億元人民幣，費(fèi)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(kuò)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(gè)工作日完成，且巡線人員擔(dān)負(fù)著巨大的人身安全風(fēng)險(xiǎn)，因此直升機(jī)、無人機(jī)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(fù)雜性、多干擾因素(光照、遮擋、尺度及旋轉(zhuǎn)等)、相對(duì)運(yùn)動(dòng)隨機(jī)性及相似目標(biāo)難判別，缺陷難表達(dá)，和深度模型泛化能力弱等難點(diǎn)問題。通過采集設(shè)備的相關(guān)特征量作為訓(xùn)練集合，得出最終的判斷模型用于檢測(cè)，智能算法包括支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)等神經(jīng)網(wǎng)絡(luò)算法，而深度學(xué)習(xí)可以利用電力信息通信設(shè)備中大量無標(biāo)簽的數(shù)據(jù)，對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)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(dòng)化遙測(cè)系統(tǒng)具有在線監(jiān)測(cè)報(bào)警功能，但主要集中在自動(dòng)化傳感器的報(bào)警數(shù)據(jù)分析上。視頻檢測(cè)主要是輔助裝置。隨著監(jiān)測(cè)點(diǎn)的增多，傳統(tǒng)的視頻監(jiān)控暴露出諸多不足：過度依賴對(duì)異常的人工檢測(cè)和對(duì)異常視頻數(shù)據(jù)的自動(dòng)判斷。智能視頻監(jiān)控技術(shù)可以克服上述缺點(diǎn)。它是一種自動(dòng)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(duì)高清攝像機(jī)拍攝到的攝像機(jī)圖像序列進(jìn)行自動(dòng)分析，無需人工檢測(cè)，能夠?qū)崿F(xiàn)自動(dòng)定位、識(shí)別和跟蹤動(dòng)態(tài)場(chǎng)景中的目標(biāo)?；诖朔治?，變電站視頻監(jiān)控視覺分析系統(tǒng)給出可疑行為或異常的實(shí)時(shí)警告。

    現(xiàn)有的國家電網(wǎng)公司變電站監(jiān)控圖像計(jì)算機(jī)識(shí)別方法都是采用“對(duì)監(jiān)控圖像進(jìn)行預(yù)處理—人為設(shè)計(jì)提取特征—提前計(jì)算人工特征—采用深度學(xué)習(xí)模型”的方法，從而利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等算法對(duì)變電站視頻監(jiān)控畫面進(jìn)行識(shí)別，提高變電站監(jiān)控圖像中異常狀況智能識(shí)別的準(zhǔn)確率和魯棒性。

3.3  信息通信機(jī)房視頻監(jiān)控視覺分析

    電力系統(tǒng)信息通信運(yùn)維作為電網(wǎng)企業(yè)的核心業(yè)務(wù)之一，對(duì)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(yùn)行起著異常重要的作用。電網(wǎng)企業(yè)關(guān)于“智能化運(yùn)維（AIOps）”的需求越來越強(qiáng)烈，需要利用人工智能技術(shù)（AI）實(shí)現(xiàn)電力信息通信設(shè)備運(yùn)維的數(shù)字化和智能化。作為電力信息通信運(yùn)維的重要內(nèi)容之一，信息通信機(jī)房基礎(chǔ)設(shè)施運(yùn)維為電力營(yíng)銷、調(diào)度、運(yùn)行、檢修等重要業(yè)務(wù)提供了基礎(chǔ)的信息通信保障。

    對(duì)信息通信機(jī)房設(shè)備的監(jiān)控可以歸結(jié)為目標(biāo)檢測(cè)問題，而目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域里面一個(gè)非常重要的研究方法。目標(biāo)檢測(cè)的任務(wù)主要用于：針對(duì)視頻或者截取畫面，分析出某一個(gè)特定物體在圖片中的具體方位；可以將目標(biāo)檢測(cè)分解為物體定位和物體識(shí)別問題。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)里面場(chǎng)景的數(shù)據(jù)網(wǎng)絡(luò)模型，它由很多層隱層組成，每一個(gè)隱層提取不同深層次的特征數(shù)據(jù)在訓(xùn)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(diǎn)，利用這種技術(shù)可以有效減少神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度，降低神經(jīng)網(wǎng)絡(luò)訓(xùn)練復(fù)雜程度和測(cè)試時(shí)間。通過采用深度學(xué)習(xí)算法可以使得目標(biāo)檢測(cè)的誤檢率大大降低。

3.4  電力資產(chǎn)管理和智能化運(yùn)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(yùn)行和發(fā)展；電網(wǎng)網(wǎng)絡(luò)龐雜、設(shè)備點(diǎn)多面廣、運(yùn)行特征各異，傳統(tǒng)的運(yùn)維檢修方法難以對(duì)設(shè)備狀態(tài)進(jìn)行精準(zhǔn)評(píng)價(jià)和針對(duì)性地投資、改造和運(yùn)維。

    通過基于深度學(xué)習(xí)算法的人工智能技術(shù)，可以實(shí)現(xiàn)對(duì)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(shí)現(xiàn)電力設(shè)備的健康狀態(tài)綜合評(píng)價(jià)與診斷；給出針對(duì)性的運(yùn)維方案和投資建議，實(shí)現(xiàn)故障處理方案的輔助決策，將事后處理變事前預(yù)防；利用智能化的手段進(jìn)行資產(chǎn)運(yùn)維，對(duì)電力資產(chǎn)進(jìn)行狀態(tài)實(shí)時(shí)感知、監(jiān)控和自動(dòng)處理，提高工作效率；提高偶發(fā)事件預(yù)測(cè)和辨識(shí)水平，包括故障和地址、自然災(zāi)害等；實(shí)現(xiàn)電力資產(chǎn)的全面監(jiān)測(cè)、實(shí)時(shí)在線、科學(xué)管理和智能運(yùn)維。

3.5  營(yíng)業(yè)廳智能機(jī)器人

    針對(duì)當(dāng)前電力營(yíng)業(yè)廳內(nèi)服務(wù)人員專業(yè)人員逐步減少、人員知識(shí)結(jié)構(gòu)要求高、高端服務(wù)人員運(yùn)行管理成本較高等現(xiàn)實(shí)問題，通過采用智能機(jī)器人、隨機(jī)學(xué)習(xí)、深度學(xué)習(xí)、圖像視頻辯識(shí)等人工智能技術(shù)，構(gòu)建營(yíng)業(yè)廳智能機(jī)器人應(yīng)用系統(tǒng)。實(shí)現(xiàn)系統(tǒng)與用戶對(duì)話交互式業(yè)務(wù)辦理，結(jié)合用電申請(qǐng)/業(yè)擴(kuò)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(kuò)報(bào)裝的自助辦理、供電方案輔助審核，實(shí)現(xiàn)營(yíng)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(yíng)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(xué)習(xí)、數(shù)據(jù)智能分析技術(shù)，實(shí)現(xiàn)營(yíng)業(yè)廳業(yè)擴(kuò)報(bào)裝資料的自動(dòng)輸入、申請(qǐng)材料和供電方案輔助核查提高業(yè)擴(kuò)報(bào)裝供電方案核查質(zhì)量，減少企業(yè)員工勞動(dòng)強(qiáng)度。

4  深度學(xué)習(xí)在電力信息化的展望

4.1  深度學(xué)習(xí)在異構(gòu)集群上的計(jì)算和優(yōu)化

    深度學(xué)習(xí)任務(wù)在異構(gòu)集群上的計(jì)算和優(yōu)化技術(shù)，在模型訓(xùn)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(jì)網(wǎng)絡(luò)模型在異構(gòu)平臺(tái)和嵌入式終端上的移植方法，從而實(shí)現(xiàn)低功耗并且高效率的推理方案。

4.2  人工智能深度學(xué)習(xí)平臺(tái)研究

    研究人工智能平臺(tái)深度學(xué)習(xí)技術(shù)解決具體實(shí)際業(yè)務(wù)問題，根據(jù)數(shù)據(jù)全量樣本和自學(xué)習(xí)機(jī)制，更好發(fā)現(xiàn)知識(shí)找出數(shù)據(jù)潛在規(guī)律，發(fā)揮數(shù)據(jù)最大價(jià)值，改變傳統(tǒng)基于人的經(jīng)驗(yàn)判斷和專家規(guī)則方式研判模式，在提供實(shí)效性前提，提高預(yù)測(cè)和分析能力。如：基于自然語言處理的輿情風(fēng)險(xiǎn)管控監(jiān)測(cè)，通過人工智能的語義分析，改變基于傳統(tǒng)正則表達(dá)式的數(shù)據(jù)內(nèi)容爬取，降低數(shù)據(jù)復(fù)雜性帶來的計(jì)算成本同時(shí)提高內(nèi)容含義精準(zhǔn)性；如：圖像識(shí)別模型算法識(shí)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(jī)APP拍照、視頻回傳到運(yùn)檢指揮中心由人工核查的冗余工作，降低人工成本同時(shí)提高設(shè)備異常識(shí)別率，降低電網(wǎng)風(fēng)險(xiǎn)發(fā)生機(jī)率。如：用神經(jīng)網(wǎng)絡(luò)進(jìn)行并行處理、非線性映射、自適應(yīng)能力和魯棒性、學(xué)習(xí)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(shí)別準(zhǔn)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(jì)算機(jī)視覺

    計(jì)算機(jī)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(biāo)識(shí)別與缺陷檢測(cè)。但目前技術(shù)尚未達(dá)到滿足生產(chǎn)需求的精度與效率。可從電力影像資源庫、電力影像多目標(biāo)檢測(cè)與缺陷識(shí)別、電力視覺芯片、虛擬/增強(qiáng)現(xiàn)實(shí)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(biāo)注技術(shù)、研發(fā)基于領(lǐng)域知識(shí)和深度學(xué)習(xí)的電力信息通信設(shè)備檢測(cè)與計(jì)算機(jī)視覺缺陷識(shí)別算法，形成設(shè)備級(jí)電力信息通信視覺模塊，實(shí)現(xiàn)實(shí)時(shí)電力信息通信設(shè)備識(shí)別和缺陷檢測(cè)。

4.4  自然語言處理

    基于已有的專業(yè)知識(shí)和全系統(tǒng)以文本形式存在的運(yùn)行和操作規(guī)則、調(diào)度指令和報(bào)告、營(yíng)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(shí)加工和推理等技術(shù)，分領(lǐng)域逐步行成電力行業(yè)知識(shí)圖譜，先期構(gòu)建調(diào)控、運(yùn)檢、營(yíng)銷、信息通信等領(lǐng)域知識(shí)圖譜，支撐信息通信調(diào)度機(jī)器人、電網(wǎng)設(shè)備智能運(yùn)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(jī)器人

    電力機(jī)器人，是面向電力巡檢、服務(wù)、作業(yè)和調(diào)控等應(yīng)用場(chǎng)景的機(jī)器人。當(dāng)前電力機(jī)器人上處于實(shí)現(xiàn)“單一模式的自動(dòng)化重復(fù)動(dòng)作”階段，不能滿足公司對(duì)其自主智能行為的需求。智能機(jī)器人在電力AI算法封裝，具備自主行為、自主學(xué)習(xí)、自主識(shí)別、人機(jī)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(xué)習(xí)可以結(jié)合自身特征提取以及模型擬合方面的優(yōu)勢(shì)，針對(duì)當(dāng)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(xué)習(xí)企業(yè)級(jí)服務(wù)能力不足、數(shù)據(jù)驅(qū)動(dòng)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(jìn)等問題，做出一個(gè)科學(xué)的決策方案。

    另外，還可以利用深度學(xué)習(xí)在機(jī)器學(xué)習(xí)以及人工智能方面的優(yōu)點(diǎn)，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(xiàn)

[1] 曹渝昆，何健偉，鮑自安.深度學(xué)習(xí)在電力領(lǐng)域的研究現(xiàn)狀與展望[J].上海電力學(xué)院學(xué)報(bào),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(xué)習(xí)的智能聊天機(jī)器人的研究 [D]． 杭州：浙江理工大學(xué)，2017.

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