基于深度学习的电网三维设计智能辅助评审研究

陈红 管维亚 秦加林 陈建飞

摘  要：随着电网建设难度、竞争激烈程度的增加，迫切要求采用更先进的技术来解决好电网工程中涉及的相关问题，提高电网工程设计的水平和服务质量。三维设计是新一代数字智能设计平台的基础，电网三维设计有利于提高设计质量和效率。但三维设计的评审具有更多的机械性重复工作，专家的评审效率低下且存在评审尺度不一的问题。为此，文章设计了电网三维设计辅助评审系统，可以帮助专家更好地完成评审工作，提高评审效率和质量。

关键词：深度学习;电网三维设计;智能辅助评审

中图分类号：TP181                    文献标识码：A文章编号：2096-4706（2021）15-0105-05

Abstract： With the increasing difficulty and fierce competition of power grid construction， it is urgent to adopt more advanced technology to solve the relevant problems involved in power grid engineering and improve the level of power grid engineering design and service quality. 3-D design is the basis of the new generation of digital intelligent design platform. power grid 3-D design is conducive to improve design quality and efficiency. However， the review of 3-D design has more mechanical repetitive work， the review efficiency of experts is low， and there are problems of different review scales. Therefore， this paper designs an auxiliary evaluation system for power grid 3-D design， which can help experts better complete the evaluation work and improve the evaluation efficiency and quality.

Keywords： deep learning; power grid 3-D design; intelligent aided review

0  引  言

项目评审是工程建设的关键环节之一，对提高工程建设质量具有显著影响。为适应三维设计的发展，贯彻落实国家电网公司对输变电工程三维设计评审管理工作的要求，推动审查方式由传统二维方式向三维方式的转变，三维设计辅助评审的应用可进一步提升数字化协同设计手段，将评审人员从重复劳动中解放出来，集中更多的精力投入到变电站接线及布置方案的优化，精细化设计，设计创新及对业主服务等方面上去[1]。

因此，本文基于电网三维智能评审系统的具体需求，采用深度学习方法完成了模型数据质量检验、指标智能比对、指标智能预测的具体功能。

1  三维设计智能辅助系统

1.1  三维评审现状

相比于二维设计评审，三维评审增加了对三维设计模型数据和三维测量数据（影像、电网专题数据、电网空间数据、现场测量数据）的审核[2]，审核内容更加全面，专家评审工作量更大。三维评审的主要环节包括资料上传、预评审、正式评审、评审意见编制等，在预评审阶段。按照以往的经验，专家需要查阅大量的资料对三维模型的完整性和合規性进行检查[3]。在正式评审阶段，需要设计人员进行展示和解释。受限于不同评审专家的知识背景、工作经验和实践经历，在预评审和正式评审中容易产生以下问题：（1）专家在评审过程中需要进行大量机械性重复工作，查阅大量资料，进行比对计算，工作效率低下。同时，由于比对量大、比对过程容易出现错误、遗漏和误判等。（2）在正式评审过程中，需要技术人员进行现场展示和解释，这种方法依赖于技术人员的文字表达能力和问题回避能力。（3）不同专家的现场经验、评审尺度不同，对指标的判断和预测存在一定的差距。

1.2  三维设计智能辅助功能

三维评审过程中遇到的新问题，基于电网三维设计数据结构和评审环节，配套设计了电网三维设计智能辅助评审工具。具体具有以下功能[5]：（1）自动对项目提交的三维数据进行质量合规性检测，并自动输出GIM文件检测报告，辅助评审专家判别三维成果文件的完整性和合规性。（2）基于国网公司通用设计指标和江苏地区典型工程指标，提取待评审工程的评审指标与标准设计、典型造价、同类工程及同一工程不同设计阶段的智能比对，自动填写对比分析报表。（3）基于专家知识库，并通过海量评审指标数据的智能分析以及机器自主学习技术，建立逻辑推理机制，为变电站及架空线路设计指标提供智能判断服务，辅助评审专家做出判断。并根据判断结果，智能提出三维设计建议方案，作为对比方案，实现与提交的设计方案之间的对比分析，辅助评审专家做出设计评价结果，提升评审效率和评审质量。

1.3  辅助评审体系的建立

为具体实现智能辅助评审工具的功能，需要建立智能辅助评审体系，从而可以进一步确定实现的技术途径。

1.3.1  数据质量校核

电网三维设计具体分为变电站三维设计和架空线三维设计，变电站和架空线三维设计数据质量校核具有一致性，因此，本文以变电站为例进行智能评审体系建立的说明。依据三维数据审查指标，自动对项目提交的三维变电站三维数据进行质量合规性检测。检测内容包括：GIM文件格式、工程模型（*.cbm）、物理模型（*.dev）、组合模型（*.phm）等。具体的审核体系如表1所示。

1.3.2  指标智能比对

通过指标智能比对，辅助专家进行指标分析和评审，提高评审效率和质量。下文详细讲解具体的比对内容。

1.3.2.1  关键技术经济指标比对

提取评审要点中可量化的技术与标准库中的数据进行分析比对，自动形成报表，并结合图表展示分析结果，系统可自动勾选量化的技术指标，自动形成不同维度表格对比，快速设置表格样式。

1.3.2.2  同工程不同阶段比对

基于提取架空线路单公里塔数、基础、基础钢筋量，土方量，导地线、接地钢材、绝缘子、金具、土建材料量、场地平整、无功补偿配置、短路电流等输变电工程各个单项工程的关键指标，系统可记录同工程不同阶段的指标数据，可自动勾选阶段的数据内容，辅助专家横向比对工程。

1.3.2.3  同类工程比对

基于提取的关键评审指标内容，专家可使用同类工程比对功能，系统自动推送指标类似内容的工程，与当前评审工程进行对比，通过颜色区分出指标的差异，辅助评审专家判断当前评审工程的合理性。

1.3.2.4  典型设计比对

基于标准方案与标注模块的设计内容智能搭建出与实际工程一致的虚拟工程，让虚拟工程与典设设计指标内容进行快速比对，快速展现其差异内容，通过图表的方式可直观查看到设计差异，快速输出评审报告。

1.3.3  指标智能预测

指标的智能预测主要针对变电站及架空线，两者具体的评审体系略有不同。变电站的评审体系包括：设备选型、防雷设计、电气主接线、导体选择、中性点接地方式、建构筑物智能指标和地基处理方案等。架空线路的评审体系包括杆塔型号、风速覆冰、绝缘配合、绝缘子串强度、重要交叉跨越等。

2  基于深度学习的网三维设计智能辅助评审工具

2.1  深度学习算法设计

通过对智能辅助评审工具三种功能的特点进行分析，发现功能一二主要涉及关键词的提取和语义分析，功能三主要涉及机器自主学习，因此为实现上述三种功能，可以分别采用基于深度学习的光学字符识别技术 、文本匹配和机器学习技术。

2.1.1  基于Tesseract光学字符识别技术

为了实现三维电网设计模型数据质量校核，需要对提交的三维模型关键词和交互文件关键词进行识别提取，因此实现该辅助评审功能的关键是对文字的自动识别，数据质量校核流程如图1所示。本文采用基于Tesseract的光学字符识别技术，可以得到较高的识别准确率[6]。

Tesseract字符识别技术总体上可以分为两部分，分别为图片布局分析、字符分割和识别。Tesseract字符识别的具体流程如图2所示，可以分为以下四步[7]。

在识别图像中，字符的连通域会被识别为文本行，文本行通过不同的字符间隔被分成不同的字符。查找块区域指的是寻找文本行基线的像素点集合，在Tesseract中，通过调用pixFindBaselines（）函数来寻找文本行基线。通过文本行区域的寻找，能识别倾斜的图片而无需进行倾斜矫正处理，确保了图像的质量，还可以过滤连通域中的下浮或者带有下划线的字体。文本行基线找到后，需要利用二次样条曲线对基线再次拟合，这样可以将连通区域划分为多组来拟合基线，并将原始基线进行移位，通过最小二乘法，用二次样条曲线拟合得到最密集的区域。最小二乘法的计算公式如式（1）和式（2）所示。

式中：vi记为残差，最小二乘法就是在式（2）取得的值最小，在此条件下用极值法求得参数a1，a2，…，ak。

对分割后得字符，以字体的几何顶点作為字符分割点，利用识别得置信度来判断字符。Tesseract本身提供了丰富的字库，有英文、中文、法文等，但是三维模型的关键词既包含了中文，也有数字、字符等混合组成，因此识别效率得不到保证[8]。本文使用了jTesBoxEditor工具，结合Tesseract引擎命令行进行三维模型常用字符训练，以便提高模型训练精度。

2.1.2  文本匹配方法

由于中文语言表达的复杂性，相同的规定具有不同的表达形式，关键词提取后并不能直接进行比对，需要进行语义识别并进行文本匹配。本文采用基于多语义特征融合的文本匹配方法，可以实现三维电网设计标准的比对。模型的框架如图3所示。

模型主要包括多粒度嵌入层、多粒度编码层、推理预测层。输入的文本经过多粒度嵌入层处理后，字和词两种粒度映射成具有文本特征的表达向量。字粒度和词粒度文本嵌入表示作为输出，传输到多粒度编码层，分别提取字符和单词粒度的文本语义特征表示，同时将相同文本的不同语义特征进行融合，融合后的多粒度表达式将会作为输出输入到推理预测层，计算两种文本之间语义的相似度从而判断两者之间的匹配程度[9，10]。

基于多语义的文本匹配方法结合光学字符识别技术可以实现电网三维设计辅助评审功能一和二的主体内容。从而辅助专家对电网三维设计进行评审。

2.1.3  机器学习

智能指标的预测功能实现路线如图4所示。

通过对海量评审数据的预处理，并作为聚类分析算法的输入数据，进行大量聚类分析。分别对不同聚类的元素进行深度学习，自动学习三维电网模型和评审指标之间的内在关系，完成深度网络模型的训练。将待预测的工程指标进行预处理，然后进行分类。以数据作为深度网络模型的输入，从而得到指标的预测。

2.1.3.1  数据预处理

数据预处理消除数据量纲对结果的影响，并将数据进行标准化处理。

式中，x位标准化前的数据为标准化后的数据;xmax和xmin分别为该类数据的最大值和最小值。

2.1.3.2  聚类分析

聚类分析算法主要采用K均值聚类算法。MacQueen提出的K均值算法也称作为K-Means算法[11]，属于动态聚类方法，是一种无监督学习算法，主要作用是将相似的样本自动归为一类，采用欧氏距离作为相似性指标。算法的流程图如图5所示。

首先随机确定k个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的欧氏距离，把每个对象分配给距离它最近的聚类中心，对调整后的新类重新计算聚类中心，如果相邻迭代之间的聚类中心没有变化，说明数据对象调整结束，聚类准则函数已经收敛。K值均值算法的准则函数如式（4）所示[12]。

式中，k为类数，U为类中的样本，x是类中的样本的位置矢量，Cj是类的中心点位置矢量。

2.1.3.3  深度学习

深度学习模块采用多层受限玻波兹曼机堆叠形成，其网络模型如图6所示，其能够自动学习并提取数据样本之间的内在关系，且可以处理大规模的数据集。深度学习主要包括两个过程：正向逐层的无监督预训练与反向误差传播调参数。

2.2  数据库设计

2.2.1  三维评审模型库

三维评审模型库采用江苏省变电和架空线路通用级、产品及通用设备模型和整站设计方案模型，并实现设计单位提交的单体设计模型和整站方案模型管理维护，为模型和设计方案的智能比对提供标准支撑，也为模型共享提供模型基础。

2.2.2  三维评审指标库

三维评审指标库主要是管理及更新江苏经研院体系管理特性的输变电三维设计评审标准化应用指标，为输变电工程三维设计智能辅助评审提供数据基础和应用参考，进而实现三维设计智能辅助评审。

2.2.3  基础地理信息庫

用于存储江苏省全省电网工程数据（提交评审的历史三维设计成果数据），基础地理信息数据（影像及数字高程数据），电网专题数据（包含风、覆冰、污秽、雷害、地震裂度、鸟害数据），电网空间数据（包含各类发电厂（场）站、线路、变电站等数据），输电线路通道数据（包含通道范围内重要的规划区、环境敏感点、交叉跨越和通道清理等准确数据），工程测量数据（包含工程测量、水文、气象、地质等专业数据）等。为三维评审场景渲染、设计输入条件判定以及江苏省电网基建数字地图的建设提供数据支撑。

3  基于深度学习的电网三维设计智能辅助评审工具功能测试

3.1  数据库设计

为对电网三维设计智能辅助系统进行测试，测试硬件环境为服务器一台，软件环境为Windows10平台。

3.2  数据库设计

3.2.1  智能辅助评审工具功能测试

本文针对该系统的主要功能和相应的应用模块，设计了部分的测试内容。各部分测试内容的结果如图7所示。

3.2.2  智能辅助评审工具性能测试

为了测试智能辅助评审工具的性能，选取10位具有经验的评审专家，对比分析电网三维设计智能辅助评审系统的结果，从图8中可以看出，电网三维设计辅助评审系统的三种功能都具有一定的准确性，可以替代专家的部分工作，从而提高工作效率。

4  结  论

本文基于电网三维设计评审中遇到的问题，提出了电网三维设计辅助系统，该系统具有的主要功能为：数据质量检验、指标智能比对、指标智能预测。为实现电网三维智能辅助评审的相应功能，采用了基于深度学习的光学字符识别技术、文本匹配方法和机器学习，经过实际测试，该系统可以准确地实现辅助评审，可以大大提高专家的评审效率。

参考文献：

[1] 彭博，李锦川，张育臣，等.基于三维设计成果的电网基建工程数字化管理模式的研究 [J].工程管理学报，2021，35（3）：94-99.

[2] 王波，陈建飞，秦加林，等.输变电工程三维设计评审要点研究 [J].中国电力企业管理，2020（18）：26-27.

[3] 郭磊，肖明.电网三维设计系统在输电线路勘测设计中的应用 [J].江西电力，2020，44（4）：24-32.

[4] 方明，张双萍，陆秋云，等.浅谈电力工程设计评审及技术经济评价信息系统 [J].中国管理信息化，2019，22（12）：56-57.

[5] 刘迪.电网全息数字地图系统辅助输变电工程设计评审方法 [J].中国科技信息，2018（23）：96+98.

[6] 叶子卿.基于Tesseract-OCR的古代汉语文字识别方法的设计与实现 [D].南京：南京邮电大学，2020.

[7] 张婷婷.基于Tesseract_OCR文字识别系统的研究 [D].南京：南京邮电大学，2020.

[8] 郭室驿.基于OpenCV和Tesseract-OCR的英文字符算法研究 [J].电脑编程技巧与维护，2019（6）：45-49.

[9] 张旭.基于深度学习的文本匹配方法研究 [D].山东：齐鲁工业大学，2021.

[10] 刘崇宇，陈晓雪，罗灿杰，等.自然场景文本检测与识别的深度学习方法 [J].中国图象图形学报，2021，26（6）：1330-1367.

[11] 谭若洋.基于改进的PSO的BP神经网络模型的建立及在空气质量预测中的应用[D].重庆工商大学，2021.

[12] MACQUEEN J. A Test for Suboptimal Actions in Markovian Decision Problems [J]. Operations Research，1967，15（3）：559-561.

作者简介：陈红（1990—），女，汉族，安徽合肥人，中级工程师，硕士研究生，研究方向：电网工程变电土建技术。

3386500338274