卷积神经网络的电力检修票智能识别研究

叶华,赵明,王国平,赵川

（云南电力调度控制中心，云南昆明 650217）

1 引言

电力检修票的识别是电网调度运行管理时的主要内容，检修票对电网安全、运行状态及优质供电都存在至关重要的作用。人工编制检修票工作量多而繁琐，且要求精准度非常高，检修票的编制，必须通过经验丰富的调度人员和运行管理人员严格审核[1]，但是随着电网规模和设备不断扩大增加，人工编制的漏洞和疏忽无法完全避免。目前电力检修票智能识别的方法有很多，如刘彤等人研究的基于文本挖掘的电网检修工作票辅助决策方法，通过分析检修票的特征之后，采用文本预处理对检修票预处理，完成智能识别[2]，但该方法的开票环境不真实，且实时电网图形不易维护；胡绍谦等人研究的基于检修态切换的智能变电站保护设备检修辅助安全措施，通过二次设备检修态转换的方法，保护检修辅助安措系统，辅助生成检修票操作过程[3]，但此过程转供电操作不易正确计算，操作票正确性校核机理尚未解决。

卷积神经网络(Convolutional Neural Networks，CNN)是一种包含卷积计算且具有特殊深度结构的前馈神经网络，是深度学习的代表算法之一[4]。由于其神经元是局部链接，且一部分神经元之间的连接权重能够共享，非常接近生物神经网络，可使网络模型繁琐程度和权重值数量降低和减少。为此本文提出基于卷积神经网络的电力检修票智能识别方法，提升电力检修票智能识别率，为电网调度运行管理提供保障。

2 电力检修票智能识别方法

2.1 卷积神经网络的电力检修票智能识别原理

整合了使用SCADA/EMS 的功率网格操作顺序系统，利用SCADA/EMS支持平台建立了便于访问的操作顺序系统的数据库，实现了来自数据库的智能识别。维护调度人员和电源网格发送人员也可以在与SCADA 完全一致的输电网和车站布线图上执行操作，并不需要从SCADA 系统复制实时环境，数据库和SCADA/EMS 的画面也需要根据要求进行开发。综合设计的另一个优点是不需要特别的硬件设备，原则上，软件包可以安装在SCADA/EMS 的任何工作站中。编译维护计划表和分销动作顺序的第一步是建立开票环境。在该设计中，从SCADA 数据库和SCADA/EMS 的网络数据库复制实时部分，形成包含数据库和画面的收费数据环境。如果需要改变环境，将在更改后复制到SCADA侧以保持数据环境的一致性，从而完成卷积神经网络的电力检修票智能识别。

2.2 检修票特征匹配点对提取

为实现电力检修票智能识别，需通过匹配检修票图像的特征点，使检修票图像满足智能识别标准[5]。为此，采用一种高匹配度和高识别度的射影变换约束准则，依据特征点之间的整体稳定性来消除噪声干扰，保证检修票图像智能识别的准确性。若特征点集和匹配点集分别为T和F；T和F间存在M对特征点，则集合T 中的特征点(x，y)与集合F中特征点分别至其它特征点的距离(xi，yj)和符合下述条件：

式中，(xi，yj)和为集合T和F中的特征点与其他特征点之间距离；s为缩放因子，可取某个常数。在运算时，符合距离相等的条件为距离差值小于某个阈值，且满足上述式(1)条件的距离数量超过一半，就判断其为正确距离匹配点[6]。匹配点配准精度会受到噪声的干扰，导致经过式(1)的条件过滤后，移位焦点的现象也无法完全避免，为保证调整后的仿射变换参数和图像匹配，需要获取经过了式(1)条件过滤后的匹配点集中的最佳匹配点对。

为了确保选择的匹配点对是最佳的，除了图像在射影变换时，点与点、线与线、及点与线之间要符合必要的特征关系以外，点和面之间也要符合共面不变点的特征关系，公式表示如下：

式中，A为像素点(x，y)的自相关矩阵。

设6 个匹配点(xi，yj)对应的坐标为，匹配点与对应坐标需要符合下述式(3)关系：

式中，L为梯度值。结合式(3)，获取L1和L2之间的距离为：

式中，B为距离值。特征匹配点对的获取精度受到距离值B的影响，后者值越小，前者精准度越高，值最小的特征点为最优特征匹配点。结合上述计算公式，能够获取出更多的最优特征匹配点对。

2.3 基于卷积神经网络的电力检修票智能识别

2.3.1 卷积神经网络学习过程步骤

卷积神经网络工作过程包括向前学习和向后学习。学习过程需要对样本数据反复计算，直到误差降低到目标范围内。CNN的训练过程分为以下步骤：

(1)设置各层权值向量、训练样本数量、学习速率及给定最小全局误差，四项网络参数。

(2)向量初始化，给各权值向量一个较小的随机不为零向量。

(3)输入获取的检修票最优特征匹配点对。

(4)利用向前学习计算输入的检修票最优特征匹配点对在CNN每层神经元的输入和输出，最后输出信号通过输出端获取。

(5)检修票识别的误差通过实际输出和期望输出获取[7]，已输入所有样本的误差之和为全局误差，若给定的最小全局误差大于全局误差，则直接使用步骤(8)，反之进行下一步。

(6)判断检修票训练是否达到最大迭代次数，若达到最大迭代次数，直接使用步骤(8)，若没有达到最大迭代次数，则进入网络向后学习，并获取网络每层误差信号。

(7)权值向量根据各层误差信号调整。

(8)判断是否学习完所有的检修票最优特征匹配点对[8]，若全部学习完，则结束，反之进入步骤(3)，再次按照步骤顺序执行。

2.3.2 向前学习

完成不同层的卷积和池化操作是CNN 向前学习的主要作用，其通过前一层的数据和若干个可学习的滤波器卷积获取卷积层输出的特征，在卷积层中，将上一层的特征与卷积核完成卷积运算之后的结果作为激活函数的输入，并经过激活函数作用之后，才能够成为供下一层所使用的一组新特征图，卷积层计算公式为：

向前学习计算过程中还有一部分是池化层计算，将卷积得到的特征图作抽样处理，池化层计算公式为：

式中，r()、cl-1分别为一个子采样函数和l-1层获取的卷积结果。

卷积层的输出计算是通过不同的滤波器卷积前一层的输出结果而得到，全连接层输出计算与其相同，如公式(5)。输出层的数据集的类别有多少，最终的输出就需要有多少，因此输出层一般使用回归函数计算，其表达式为：

2.3.3 向后学习

由于向前学习得到的结果与实际结果会存在误差，即计算值和真实值之间的误差，向后学习的计算过程就是将此误差从输出层传送至上一层，并在此过程中，按照误差值实时修正各项参数。用代价函数计算计算值和实际值之间的误差，其表达式为：

式中，y(i)和分别为真实输出和计算输出；M和d分别为权重参数和偏置参数。向后学习的目的是将函数J(M，d)最小化。参数向量初始化完成后，利用梯度下降算法完成参数优化。

M的偏导数计算公式为：

利用梯度下降法进行权重和偏置更新，公式为：

式中，υ为学习率值。

采用向后学习计算训练数据中特征点的计算值与真实值的总误差(即全局误差)，如果全局误差小于期望的最小全局误差，利用向后学习对神经网络各项权值实施修正，修正结束后，继续计算训练数据中特征点全局误差，如此反复，直至满足训练终止条件，迭代结束。

3 仿真测试

以某电力检修公司提供的1000张电力检修票为实验对象，将其分成10份，每份包含100张。实验环境为：CPU为i7-8700，处理器4．6GHZ，内存为4GB，64为操作系统，CNN 程序采用Deep Learning Software 深度学习算法软件包。

3.1 特征点匹配性能测试

通过测试特征点匹配性能验证本文方法优势，为此展开如下实验，随机抽取1份实验对象当中不同数量的检修票实行测试，每次抽取数量分别为10～100 张依次增加，测试10次。测试正常条件下、复杂光线条件下以及存在重叠区域条件下的匹配时间、匹配点对值及匹配率，对比结果分别用图1、图2、图3描述。

图1 三种情况的匹配所需时间对比

图2 三种情况的匹配点对值对比

通过图1～图3可以看出，相对于正常情况，复杂光线条件下以及存在重叠区域条件下的特征点匹配所需要的时间相差不大，匹配点对值的差异也较小，匹配率的浮动在2%以内，实验结果表明，即使在复杂光线条件下和存在重叠区域条件下，本文方法的匹配结果与正常情况下的匹配结果相差较小，本文方法均具备较好特征点匹配性能。

图3 三种情况的匹配率对比

3.2 智能识别性能测试

为了验证本文方法的检修票智能识别准确率和识别时间，将完成特征匹配点对提取的实验对象平均划分为10组，进行10次实验，在前5次实验图像中添加信噪比为50dB 的高斯噪声，在后5 次实验图像中添加信噪比为60dB的椒盐噪声进行测试，统计本文方法与基于文本挖掘方法(文献[2])和基于检修态切换方法(文献[3])的智能识别准确率和识别时间，结果如表1和表2所示。

表1 识别准确率对比结果%

表2 智能的训练和识别时间(ms)对比结果

通过表1可以看出，本文方法识别添加不同类型噪声的电力检修票图像时，识别准确率均在99．96%以上，另外两种对比方法的识别准确率均值分别为95．2%、90．72%，说明本文方法的电力检修票识别率高。通过表2可以看出，针对添加不同类型噪声的电力检修票图像，本文方法的电力检修票识别所需时间均低于基于文本挖掘方法和基于检修态切换方法，结果说明，本文方法的电力检修票识别效率高。

为进一步验证本文方法的识别性能，选取召回率和F-measure 均值作为三种识别方法的评估指标，召回率越大表明识别到的图像特征越精准，识别效果越好；Fmeasure均值越大，识别效果越好。随机选取1份实验对象进行10次识别测试。测试结果如图4、图5所示。

图4 三种方法召回率对比

图5 三种方法F-measure均值对比

分析图4、图5可知，本文方法的识别召回率和识别Fmeasure均值分别高于97．5%、97．0%，相较于基于文本挖掘方法和基于检修态切换方法优势显著。实验结果表明本文方法的电力检修票智能识别效果好，原因在于本文方法在特征匹配点对提取时，依据特征点之间的整体稳定性消除了图像中的噪声干扰，利用卷积神经网络训练识别时，向后学习过程可按照向前学习过程产生的误差值实时修正各项参数，有效提升了识别效果。

4 结束语

本文提出卷积神经网络的电力检修票智能识别方法，利用射影变换约束准则完成检修票的特征点匹配，射影变换约束准则能够充分利用局部仿射不变性原理，对复杂光线情况下及存在重叠区域的情况下的特征检修票图像都可以完成很好的特征匹配，且能够保证特征点之间的整体稳定性，特征点的匹配效率和准确率都较高。将提取到的特征匹配点对最为卷积神经网络的输入，采用向前和向后学习，实现电力检修票的智能识别。实验结果表明本文方法具备良好识别效果。