AI技术赋能低压配电运维系统研究

王计斌 陈大龙

南京华苏科技有限公司

0 引言

低压配电系统作为与电力设备联系最为密切的设备之一，其安全质量日益被人们所关注。为保证电力设备的正常运行和人们日常用电的安全性，必须提高相应的检修技术。

低压配电网与输电网相比存在不少问题：运维人员水平参差不齐，对重要设备运行状态和台区内用户用电情况缺乏主动感知的手段，运维工作停留在计划检修形式；由于缺乏数据收集的手段，无法建立信息化、智能化的运维体系；在配变侧，变压器、开关接点、综合配电柜（JP柜）等缺乏负荷、动环监控方法，存在一定安全隐患，且设备运行寿命难以最优化；在线路侧，低压配电网线路故障难以有效排查和定位，缺乏智能化手段，人工巡检工作量大、效率低，因多为事后响应，导致故障处理及时性效果有限；对于数据的处理缺乏现场一次设备的感知和状态数据收集，因此无法对低压配电线路/设备的状态感知及异常进行精确定位；上层的生产管理系统无法实现运检营销数据的融合贯通，导致无法实现基于多元数据的故障研判、故障定位，在应用层加强大数据分析及应用，从传统“被动抢修”变“主动运维”；目前低压台区拓扑还多以固定登记为主，没有动态识别和分析。此外，配电房的安全管控也是以人工管理为主，并没有引入先进的人工智能（Artificial Intelligence，AI）技术辅助决策和判断。因此，低压配电网运维体系的信息化、智能化改造需要更先进的技术手段来支撑，通过引进AI技术，结合物联网监测、大数据分析、云计算等各种技术，为电力系统运维智能化提供相关技术支撑，实现供电服务能力和供电服务质量的提升。

1 方法论

1.1 基于AMI数据采集的拓扑识别AI算法

高级计量架构（Advanced Metering Infrastructure，AMI）是智能电网的一个重要组成部分，它是集测量、采集、监控、存储、分析、管理为一体的自动化及智能化的完整网络和系统。系统支持国际电工委员会（International Electro technical Commission，IEC）国际标准的通信规约及转发协议，涵盖电网各种计量点及采集终端信息。通过对计量点（单三相智能电表）、智能开关、智能变压器等的数据进行采集及用电监控，实时智能监控电网的电压、电流、电能质量等供电可靠性的重要指标。

采用基于AMI系统采集的数据进行户表关系拓扑识别，并在此基础上开展线损分析及其它需求的管理应用，为整个电网的优化提供数据参考。通过AI算法对低压配电台区侧各电力设备的拓扑关系识别。图1为电力设备级联关系图，拓扑识别AI算法通过设备级联关系实现拓扑识别过程。

图1 电力设备级联关系图

出线柜与下级分支箱的拓扑识别算法如下：

步骤1：出线柜、分支箱、电表箱电流数据合集A，各分支箱采集的电流和的合集B；

步骤2：合集A中删除分支箱电流以及小于合集B中最小值的电流数据形成合集C；

步骤3：合集C中各电流值依次与合集B电流值求差，并取最小的三个差值；

步骤4：依次反复求合集C与合集B最小差值形成方差合集D；

步骤5：按15min采集频率，每天可采集96个点，先求方差合集D中平均值，再求取均方差；

步骤6：根据均方差中最小值确定该分支箱对应的上级出线柜（或分支箱）；

步骤7：根据上下级关系，取某一时刻该分支箱进线电流值和对应上级电流值，若上级电流值为某分支箱分项电流值，则判定两个分支箱级联；若上级电流值不属于任一分支箱分项电流值，则判定上级为出线柜。

分支箱与下级电表箱拓扑识别算法如下：

步骤1：合集A中删除所有分支箱对应的上级出线柜（或分支箱）电流值，形成合集E；

步骤2：合集E中任意两个电流轮流求差，E1、E2、EK差值合集数组；

步骤3：按15min采集频率，每天可采集96个点，先求差值合集数组平均值，再求取均方差；根据均方差中最小值确定分支箱出线与电表箱的上下级关系。

1.2 基于XGBoost机器学习算法的单向电表相位识别

如何识别单向电表是从属于总表的哪个相位，这个问题在用户集中的台区尤待解决。通过不断的设计和实验，发现极端梯度提升（eXtreme Gradient Boosting，XGBoost）机器学习算法能够有效解决这一问题。XGBoost是在梯度提升决策树（Gradient Boosting Decision Tree，GBDT）的基础上对boosting方法进行的改进，内部决策树使用的是回归树，特点在于能够自动利用CPU的多线程进行并行计算，同时在算法上加以改进提高精度。

具体实现步骤如下：

（1）定义树的复杂度。首先把树拆分成结构部分q和叶子节点权重部分w，在这里w是一个向量，表示各叶子节点中的输出值。

引入正则化项 来控制数的复杂度，从而实现有效的控制模型的过拟合。

（2）XGBoost中的Boosting Tree模型。与GBDT方法一样，XGBoost的提升模型也是采用残差，不同的是分裂结点选取的时候不一定是最小平方损失，其损失函数如下，较GBDT其根据树模型的复杂度加入了一项正则化项：

（3）对目标函数进行改写。在XGBoost中直接用泰勒展开式将损失函数展开成二项式函数（前提是损失函数一阶、二阶；连续可导），假设我们的叶节点区域为：

则我们的目标函数可以转换成：

（4）树结构的打分函数。上面的Obj值代表当指定一个树结构时，在目标上面最多减少多少，我们可以把它称为结构分数。对于求得Obj分数最小的树结构，我们可以枚举所有的可能性，然后对比结构分数来获得最优的树结构。然而这种方法计算消耗太大，更常用的是贪心法，每次尝试对已经存在的叶节点（最开始的叶节点是根节点）进行分割，然后获得分割后的增益为：

其中，L和R代表左右。

在这里以Gain作为判断是否分割的条件，如果Gain＜0，则此叶节点不做分割，然而这样对于每次分割还是需要列出所有的分割方案。而实际中我们先将所有样本按照从小到大排序，然后进行遍历，查看每个节点是否需要分割，这样的分割方式，我们就只要对样本扫描一遍，就可以分割出、，然后根据Gain的分数进行分割。

1.3 图像识别的AI算法

图像识别算法（详见图2算法流程）是对配电房内的图形图像、文字表单等进行识别，核心技术集成了模板匹配、字符位置可感知的文本检测（Character Region Awareness For Text detection，CRAFT）字符检测、表格检测等多种方式，实现对字符的精确定位，Vgg16+BLSTM+CTC模型对字符进行识别，提升配电房运维安全管控措施以及工作效率。

具体实现步骤如图2所示。

图2 图像识别业务流程图

光学字符识别（Optical Character Recognition，OCR）是以图像识别为基础，通过计算机识别图像中的信息来完成辨识任务，一般包含4个部分：

（1）图像预处理。在进行图像信息识别前，首先要对图像进行预处理，过滤噪声和干扰。如果图像信息无法辨识，则需要对图像进行处理，比如增强处理、颜色矫正等。

（2）图像分割。对图像进行分割，定位和分离需要识别的文字和图形。

（3）图像特征提取。从分割出来的文字中提取需要的特征，进行相关的参数计算和测量，并根据测量的结果进行分类。

（4）图像识别。根据提取的特征量进行识别分类，确定对应的文字和图像内容。

图像识别采用卷积循环神经网络（Convolutional Recurrent Neural Network，CRNN）网络架构，主要包括三部分：（1）卷积层：从输入图像中提取特征序列；（2）长 短 期 记 忆（Long short-term memory，LSTM）层：预测每一帧的标签分布，从卷积层获取的特征序列的标签（真实值）分布；（3）转译层：将每一帧的预测变为最终的标签序列。

卷积循环神经网络（Convolutional Recurrent Neural Network，CRNN）借助语音识别中解决不定长语音序列的思路。对于序列问题的解决，通常使用循环神经网络（Rerrent Neural Network，RNN），为了消除RNN网络常见的梯度爆炸问题，引出LSTM，这些算法在语音识别领域都已相当成熟，有很好的表现，现在就是设计特征，让图像特征可以有近似于语音的特征表达。

2 实施效果

为验证AI技术应用于低压配电运维的效果，对相位识别、人员着装识别、表单识别进行数据收集和实际测试。验证上述AI算法的准确性和可用性。

2.1 拓扑识别实施效果

为验证本文提出的拓扑识别算法的可行性。以省内某台区为例，安装28台采集终端，将设备通信地址配置到采集终端应用程序（Application，App）内，用于采集终端与管理系统的数据通信。采集终端采集出线柜出线电流、分支箱出线电流和电表箱进线电流等47组电流数据。利用算法模型输出通信地址的级联关系，再结合通信地址对应的电力设备关系表，最终得出电力设备的拓扑关系，下面为输入输出的参数信息。

采集输入：

// 出线柜出线电流集合，通信地址 A相电流 B相电流 C相电流

{ "8197"， 3.666， 3.6， 3.6 }， { "8198"， 7.665， 7.5， 7.5 }，

{ "8199"， 11.664， 11.4， 11.4 }， { "8200"， 6.066， 6.0， 6.0 }，

{ "8201"， 15.265， 15.1， 15.1 }， { "8202"， 42.843， 42.3， 42.3 }

// 分支箱出线电流集合，通信地址 A相电流 B相电流 C相电流

{ "8203"， 1.111， 1.1， 1.1 }， { "8204"， 1.222， 1.2， 1.2 }， { "8205"， 1.333， 1.3， 1.3 }，

{ "8206"， 2.444， 2.4， 2.4 }， { "8207"， 2.555， 2.5， 2.5 }， { "8208"， 2.666， 2.6， 2.6 }，

{ "8209"， 3.777， 3.7， 3.7 }， { "8210"， 3.888， 3.8， 3.8 }， { "8211"， 3.999， 3.9， 3.9 }，

{ "8212"， 1.011， 1.0， 1.0 }， { "8213"， 2.022， 2.0， 2.0 }， { "8214"， 3.033， 3.0， 3.0 }，

{ "8215"， 4.044， 4.0， 4.0 }， { "8216"， 5.055， 5.0， 5.0 }， { "8217"， 6.166， 6.1， 6.1 }，

{ "8218"， 7.077， 7.0， 7.0 }， { "8219"， 8.088， 8.0， 8.0 }， {"8220"， 27.678， 27.3， 27.3 }，

{ "8221"， 9.099， 9.0， 9.0 }， { "8222"， 9.123， 9.1， 9.1 }， { "8223"， 9.456， 9.2， 9.2 }

// 电表箱进线电流集合，通信地址 A相电流 B相电流 C相电流

{ "0004"， 1.111， 1.1， 1.1 }， { "0005"， 1.222， 1.2， 1.2 }， { "0006"， 1.333， 1.3， 1.3 }，

{ "0007"， 2.444， 2.4， 2.4 }， { "0008"， 2.555， 2.5， 2.5 }， { "0009"， 2.666， 2.6， 2.6 }，

{ "0010"， 3.777， 3.7， 3.7 }， { "0011"， 3.888， 3.8， 3.8 }， { "0012"， 3.999， 3.9， 3.9 }，

{ "0013"， 1.011， 1.0， 1.0 }， { "0014"， 2.022， 2.0， 2.0 }， { "0015"， 3.033， 3.0， 3.0 }，

{ "0016"， 4.044， 4.0， 4.0 }， { "0017"， 5.055， 5.0， 5.0 }， { "0018"， 6.166， 6.1， 6.1 }，

{ "0019"， 7.077， 7.0， 7.0 }， { "0020"， 8.088， 8.0， 8.0 }， { "0021"， 9.099， 9.0， 9.0 }，

{ "0022"， 9.123， 9.1， 9.1 }， { "0023"， 9.456， 9.2， 9.2 }

输出关系：

出线柜===＞＞＞分支箱

8197 （10.865999） ===＞＞＞ 423A （10.865999） ；8198 （22.665001） ===＞＞＞ 423B （22.664999）

8199 （34.463997） ===＞＞＞ 423C （34.464001） ；8200 （18.066000） ===＞＞＞ 423D （18.066002）

8201 （45.465004） ===＞＞＞ 423E （45.465000）；8202 （127.442993） ===＞＞＞ 423F （127.443001）

分支箱 ===＞＞＞ 电表箱

8203 （3.311000） ===＞＞＞ 0004 （3.311000） ；8204 （3.622000） ===＞＞＞ 0005 （3.622000）

8205 （3.933000） ===＞＞＞ 0006 （3.933000） ；8206 （7.244000） ===＞＞＞ 0007 （7.244000）

8207 （7.555000） ===＞＞＞ 0008 （7.555000） ；8208 （7.866000） ===＞＞＞ 0009 （7.866000）

8209 （11.177000） ===＞＞＞ 0010 （11.177000） ；8210 （11.488000） ===＞＞＞ 0011 （11.488000）

8211 （11.799000） ===＞＞＞ 0012 （11.799000） ；8212 （3.011000） ===＞＞＞ 0013 （3.011000）

8213 （6.022000） ===＞＞＞ 0014 （6.022000） ；8214 （9.033000） ===＞＞＞ 0015 （9.033000）

8215 （12.044001） ===＞＞＞ 0016 （12.044001） ；8216 （15.055000） ===＞＞＞ 0017 （15.055000）

8217 （18.365999） ===＞＞＞ 0018 （18.365999） ；8218 （21.077000） ===＞＞＞ 0019 （21.077000）

8219 （24.088001） ===＞＞＞ 0020 （24.088001） ；8221 （27.098999） ===＞＞＞ 0021 （27.098999）

8222 （27.323000） ===＞＞＞ 0022 （27.323000） ；8223 （27.855999） ===＞＞＞ 0023 （27.855999）

选取其中一台出线柜及其下级设备数据，在平台中输出并呈现图3所示的拓扑图关系页面。

图3 出线柜-分支箱-电表箱拓扑图

2.2 相位识别实施效果

收集省内某台区72块电表数据，并且对72块电表进行勘站，获取用电真实信息数据，以验证上述联合算法预测结果的准确性、稳定性。

为了确保数据的完整性，需要对数据进行异常值处理，对用户电表数据进行检验，删除采样点中识别异常的数据和重复的识别数据。首先分别输入台区内1、3、4、5、6、7、8天的关口表和用户电表数据，再分别输出对应1、3、4、5、6、7、8天的相位识别数据。得到如下结论。

1天：识别出67块表，错误识别17块；

3天：识别出68块表，错误识别7块；

4天：识别出69块表，无错误识别；

5天：识别出70块表，无错误识别；

6天：识别出71块表，无错误识别；

7天：识别出71块表，无错误识别；

8天：识别出72块表，无错误识别。

经过训练测试之后，相位识别准确率得到了有效提高。

2.3 人员、安全帽识别实施效果

为验证电力施工人员、安全帽识别的有效性，将安全帽及佩戴安全帽人员图片作为测试集。在训练时为减少运算量，提高检出的速度，将原来VOC训练集进行重新采样。采样中分别对常规的安全帽进行采样，采集彩色图片15000张，再转换成灰度图片15000张。

在大约训练迭代到4000次时，模型已经有一定效果。通过目标分类识别，可进一步降低非人员误报的机率，大约降低10%以上的误报率。最后统计其在数据集上的查准率、查全率以及每秒识别帧数。其中查准率代表预测框中准确的数据比上预测框数据总数，查全率代表找到真实数据框数比上真实数据框总数。

由表1可知工人和安全帽识别精度在92.1%-94.2%，能够很好地满足施工现场识别安全帽佩戴情况，有着很好的识别效果。

表1 测试集实验结果

2.4 手写表格识别

手机摄像头拍摄实验表格后通过OCR算法模型对手写的数据（整数和带小数点数字）进行精准定位和自动识别，识别结果自动存储，对比手工录入测试。

经测试，利用图像识别技术识别表格耗时为9秒，45组数据中识别错误3个，正确率93.3%；而手工录入耗时达3分钟，发生了录入错误。由实验结果可以看出，图像识别录入比手工录入效率提高90%以上，正确率也大幅提高。

3 结束语

运用AI技术对低压配电运维的新赋能，可以实现台区拓扑自动识别，识别率达100%；单相电表的相位自动识别率达100%；工人和安全帽识别精度达到92.1%-94.2%，比传统方式提高6%；AI识别表格速度从人工录入的3分钟提高到9秒，且正确率达到93.3%以上。通过AI技术赋能低压配电运维，可以减少运维成本，提高运维效率，加强运维安全管控。拓扑识别分析技术已经成熟运用，已在多地试点成功，后期必将全面推广。安全管控目标AI视觉识别今后还有很大提升空间，在可识别目标种类及可运用场景方面将逐步深入。