基于人工智能的某管理平台架构设计

陈太雷，张全升，王亚男

（河南送变电建设有限公司输电运检分公司，河南 郑州 450007）

1.引言

随着现代电力行业的不断发展，电力网架构成愈发丰富，随之而来的是输配电网络安全问题的不断呈现，如长期运行在强电场及复杂环境中的承受机械应力的复合绝缘子，容易发生绝缘电阻值降低及绝缘击穿的情况，劣化绝缘子的存在使得绝缘子串更容易发生闪络以及掉串事故[1-2]，严重影响电力系统的稳定安全运行，造成重大的社会影响。目前针对复合绝缘子劣化情况的在线监测装置大多以可见光图像、传感器类为主，检测主要依托停电登塔和非停电红外成像仪两种方式。受环境、距离等因素影响，人工检测精准性无法得到保证，故需针对性开发诊断工具用于线路巡检，及时发现绝缘子缺陷隐患，保障电网安全稳定运行。从建设现状来看，单纯增加常规红外设备配备的数量，并不能有效提升巡检测温覆盖率与质量，人员缺口的不足要远远滞后于设备补充速度。因此，开发一套能够针对杆塔进行自主巡检的先进硬件设备，并配套智能化算法及分析处理软件、后台信息化平台建设，解放人力，才是从根本上解决红外测温巡检问题的关键。故此篇文章提出以人工智能技术支撑的输电线路巡检管理平台架构设计方案。

2.人工智能技术分析

2.1 人工智能技术介绍

人工智能是计算机科学的一个分支，通过了解人类智慧的实质，生产出一种新的类人化的智能判断系统，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和知识图谱等。人工智能可以对人的意识、思维的信息过程进行模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

2.2 人工智能在巡检管理平台的技术分析

利用人工智能的技术手段，是基于红外场景下的混合识别能力，通过样本积累、模型训练等生产流程，通过算法模型来识别绝缘子这一目标物及太阳、飞鸟等干扰物，最终呈现绝缘子异常温度的展示告警。模型本身可以提供开发API/SDK的接口能力，支持GPU服务器部署，以及NVIDIA Jetson、百度Edgeboard、华为Atlas等边缘计算平台部署[3]，具有良好的扩展性和可移植性。其具体架构如下：

图1 深度学习应用概念架构

其中样本加工、模型生产、工作平台展示主要内容如下：（1）样本加工：通过样本采集、样本清洗、样本标注，生成可以供给建模工作的样本数据集；（2）模型生产：利用已有样本数据集进行特征提取、网络选用、算法选用、算法调参、模型迁移、模型压缩等模型生产；（3）工作平台展示：进行辖区内绝缘子数据综合展现，提供数据检索、分析工具[4]。

2.3 人工智能绝缘子识别算法模型

针对多种复合绝缘子采集数据，着重从算法层面优化，使用开源算法（如Faster R-CNN等），以达到多尺度目标的准确识别。将电力常用的四种红外调色板下成像的统一采集，分别训练。模型训练完成后分别应用于识别拍摄与缺陷分析中[5]。在进行模型训练之前我们需要建立模型训练所需要的数据集，数据集的格式我们采用Pascal VOC2007数据集格式，通过数据扩充的方法丰富数据集，并将数据集按照训练集：测试集=7∶3的比例划分。绝缘子由于温度不同于背景会在颜色上有差异，可以根据色彩差异准确识别出绝缘子的边缘，从而为无人机识别定位和绝缘子劣化诊断提供模型基础。

2.4 人工智能绝缘子劣化判别算法模型

Faster R-CNN算法由两大模块组成：1)PRN候选框提取模块；2)Fast R-CNN检测模块。其中，RPN是全卷积神经网络，用于提取候选框；Fast R-CNN基于RPN提取的proposal检测并识别proposal中的目标。模型训练之后将最小Loss值的权重替换模型中的原始权重，利用训练好的Faster R-CNN模型对测试集进行预测，测试中利用模型得到测试集上同一绝缘子片最高温度和最低温度的预测框，并通过选择预测框上温度值的最高置信度得到最终温度值，最后通过对比同一绝缘子串上不同绝缘子的极端温度差值来进行算法的智能识别。

在识别图片中绝缘子的不同温度差时，将Faster R-CNN模型输出得到的图片进行处理，根据图片上预测框的位置进行Bounding Box，将我们感兴趣的区域提取出来，最后放入OCR网络中，然后由计算机智能提取出每个文字的图像，并将其转换成汉字的算法。最后通过对不同绝缘子上温度值进行提取，进行文本校对自动得出温度差值。当温度差值在1℃范围内时，我们认为复合绝缘子没有出现故障；当温度差值1℃≤△t≤4℃时，我们认为复合绝缘子出现疑似缺陷；当温度差值4℃≤△t≤10℃时，我们认为复合绝缘子出现严重缺陷；当温度差值△t≥10℃时，我们认为复合绝缘子出现危急缺陷。

2.5 智能红外无人机自主飞行检测

高像素红外热成像仪配合AI识别模块，在飞行器定点悬停状态下可对绝缘子进行主动识别定位，并通过云台自动调整对准目标拍摄。将用于识别拍摄的模型部署于含Hi3559C的计算平台上，进行辅助拍摄，将用于缺陷分析的模型部署于Atlas200中，先识别目标，后提取关键像素，再分析测温。飞行平台能够按照预先规划的路径进行自主飞行，并在指定航点完成姿态调整，触发智能红外识别载荷进行拍摄。该自主飞行复用云台相机内的计算单元，通过OSDK直接控制飞行器飞控单元，确保在环绕绝缘子串拍摄时杆塔本体造成的通信干扰不会中断巡检过程或酿成失联撞塔事故[6]。

3.基于人工智能的某平台架构设计

3.1 平台网络架构核心思想

此平台网络架构主要有接入层、平台管理和服务器组成。通过无人机采取到数据样本，通过构建巡检系统并对海量数据进行查询，在搭建好人工智能模型的基础上通过平台对模型进行分发，最后构建数据采集、应用和数据库服务器[7]。其基本架构思想如图2所示。

图2 巡检智能识别平台的网络架构思想

3.2 智能识别平台应用整体架构

智能识别平台整体框架由数据层，并行平台层，应用层3个层次组成，如图3所示。

图3 智能识别平台整体框架

从逻辑结构上方案可分为四部分，分别是设备层，数据层、平台层、应用层。其主要内容如下：

设备层包括前端AI算法和无人机机载运算平台，其中前端AI算法为无人机提供轻量、高效的算法模型；运算平台通过搭载最优算法达到全自动巡检、智能数据记录、智能前端分析、智能识别目标物的目的。数据层以自建的时序数据库这一物联网专用数据库为基础，对接各采样设备、巡线班组排班系统、电力GIS地图系统的结构化数据、半结构化数据、非结构化数据。平台层包括海量数据查询、人工智能模型边缘分发、数据可视化分析三大模块引擎，分别实现系统的数据检索、模型管理、研判分析服务。应用层包括模型管理、权限管理、日志管理、巡检历史及进度、数据显示、专家复审等功能。

4.结语

该文章根据输电线杆塔绝缘子特点和人工智能技术的优点，提出基于人工智能的输电线路巡检管理平台架构。通过温度识别进行绝缘子智能标注，利用Faster R-CNN算法模型进行特征提取和目标框回归，并将AI算算法植入前端硬件中，通过在可见光实时画面中对绝缘子的定位，辅助红外云台相机对准抓拍。再将采集到的红外图像原始照片进行二次识别，找到绝缘子的准确位置，并剔除背景等干扰因素，对绝缘子上的像素点进行温度分析，可根据预设的温差阈值进行告警，最终完成了电力巡检智能识别平台完整架构的设计。