基于改进区域全卷积网络的电网图像 自主识别及运行态势感知模型研究

陈嘉, 周婧, 林朝哲, 周瑾瑜

(中国南方电网深圳供电局有限公司,广东 深圳 518020)

0 引 言

电网运行图像真实还原了某一时刻目标电网的运行态势,对电网运行异常态势具有良好的敏感性,可以精准感知电网运行细微异常[1］,是开展电网运行异常态势感知的有效技术手段。由于电网运行环境的复杂动态性,锁定电网运行异常态势往往需要研读超过300幅的电网运行图像,给电网一线运维工作者带来了很大的工作压力[2］。由于电网一线运维工作者水准存在差异性,也一定程度上制约了电网运行异常态势的锁定效率,开展基于改进区域全卷积网络的电网图像自识别及运行态势感知模型研究具有重要的工程实用意义。传统基于先验特征的电网图像自主判读机制在电网运行异常态势感知实践中逐渐暴露出人为偶发事件、异常标记滞后和异常覆盖率低等先天性缺陷[3］。为此,本文提出了一种基于改进的区域全卷积。网络的网格图像自主识别和运行态势感知模型。基于深圳供电局所属换流站现有软硬件设备,通过软件流程扩展的方式搭建验证环境[4］,并从两个层面进行平台工程实践有效性对比分析定性和定量两个方面,对平台进行了多维度的验证可行性和优越性。

1 模型逻辑框架设计

在面向目标的任务下分解出电网图像自识别与运行态势感知模型的完整控制流程逻辑,构建了电网图像自识别与运行态势感知模型的架构,如图1所示。网络运行图像特征数据池构建子架构主要完成目标电网运行图像的采集、传输、暂存、计算和池化,并将数据池分为训练集和测试集[5］,这就是时间序列。构建电网运行图像异常特征的全息感知机制,提供统一的数据集支撑;该训练集用于学习和识别电网运行图像异常特征,构建正时序下电网运行图像异常特征的全息感知机制,实现电网运行图像异常信息的精准发现,并提供准确感知电网运行异常情况的数据支撑;电网运行异常精准态势感知子架构主要利用GoogLeNet深度神经网络模型Inception V3进行电网运行图像自主判读和电网运行异常态势感知,动态调整和迁移电网运行异常的多维参数网络优化训练过程,实现电网在自主识别电网运行图像的前提下,对异常运行情况的精准感知。

图1 电网图像自主识别及运行态势感知模型逻辑架构示意图

2 模型关键算法设计

2.1 电网运行图像异常特征全息感知子算法

根据电网运行图像特征数据池载体参数复杂多变且多源异构的特点,使用网络表征目标电网运行图像异常特征感知策略,使用价值网络来拟合(s,a)函数并表征感知策略的评价因子。将融合经验缓冲因子的R-FCN的电网运行图像异常特征全息感知函数定义为如式(1)所示。

J(θμ)=Eθμ[r1+γr2+γ2r3+…]

(1)

式中:E为期望;γ为折扣系数;r为策略网络的即时奖励值;θ为Actor网络的跟随变量。

此时Q函数表征为在采用确定性策略μ下选择动作的奖励期望值,算法迭代收敛速度跨数量级提升,从经验缓冲因子池中随机采样Mini-batch数据。由于不同子策略将会在不同回合执行,因此,针对每一个训练回合,可以得到一个记忆回放池。最后针对每一个训练回合的子策略参数求解电网运行图像异常特征感知函数的梯度。电网运行图像异常特征全息感知物理映射自生成机制表征如式(2)所示。

(2)

式中:∇为梯度符号;J为梯度期望;S为随机采样Mini-batch数据数量;x为记忆回放池;a为图像异常集;j为图像异常标记;o为异常观测值。

引入隐性映射经验池概念,经验池的功能主要是解决隐性映射相关性及非静态分布问题,把每个时间步执行过程中与电网运行图像特征数据池交互得到的转移样本(st,at,rt,st+1)储存到回放记忆单元[6］,要训练时就随机拿出一些(Mini-batch)来训练。为电网运行图像异常特征全息感知机制表征如式(3)所示。

(3)

式中:ρ为感知系数;Ss、Se分别为转移样本的取值下限及上限;β为转移率。

2.2 电网运行异常态势精准感知子算法

网运行异常态势精准感知策略通过下式计算获得:

(4)

式中:P为态势感知概率;v为抽取速率;h为抽取限制;sigm为激活函数;b为态势策略集;w为特征提取集。

为了降低深度Inception V3神经网络的误差累计,提高Inception V3神经网络的训练效率。在此基础上,利用改进的Inception V3神经网络对数据池后置测试集进行电网运行图像异常自主判读,利用异常特征数据集对电网运行图像异常判读结果进行逻辑修正。定义修正过的数据池测试集分区电网运行图像异常自主判读函数为X(j,k),Inception V3神经网络的激活函数采用Sigmoid函数并定义为f,则有:

(5)

式(5)给出了修正过的数据池测试集分区电网运行图像异常自主判读函数,为电网运行异常态势精准感知提供异常特征支撑,定义电网运行异常态势感知函数用R表征,为了降低非核心参数对电网运行异常态势感知的干扰,引入多特征的数据融合算法,引入深度层权重概念,根据多源异构参数对电网运行异常态势感知的贡献度[8］。在Inception V3神经网络的全连接层后附加一层各类参数的贡献权重层,则权重层可以表示为式(6)。

电网运行异常态势感知函数可以表征为式(7)。

(6)

(7)

式中:μn为参数n的权重;en为参数n的误差,en越低的参数其权重越高。

2.3 模型典型环境下的仿真验证

在先验环境中进行模型仿真验证,仿真验证的硬件载体为Dell Precision 5530移动工作站,配备4G专用高带宽内存,内置Ubuntu18.04操作系统,仿真验证软件框架基于Tensorflow。 (R-FCN)和Inception V3神经网络被初始化,以确保两个网络被激活[9］。利用目标电网多源CMOS相机集群2021年1月至2021年12月采集的电网运行图像数据构建仿真数据集,选取仿真数据集中的8 600例数据作为预训练数据。 作为算法的训练集, 7 500例数据作为算法的后测试集。鉴于网格图像自主识别与操作态势感知问题属于连续动作空间中的感知与决策问题,引入16层深度卷积神经网络框架,采用缓冲池机制改进 GoogLeNet 深度神经网络。网络模型Inception V3的感知收敛延迟问题。确保Inception V3激活,设置Target-action Value神经网络和Action Value神经网络,实现对电网运行图像异常特征的全息感知。利用Target-action Value神经网络输入当前状态,输出下一个状态Q值,并输入当前状态 由动作值神经网络得到评估Q值,实现对电网异常情况的准确感知。介绍了常用的目标优化算法作为对比,并用Python语言编程实现,并在PyCharm集成环境中进行图形化仿真,仿真结果如图2、图3所示。

图2 电网运行图像异常特征全息感知子算法性能仿真图

图3 电网运行异常态势精准感知子算法性能仿真图

3 模型工程实践效能分析

选取南方电网深圳供电局隶属的某换流站运行图像集开展了模型工程应用实践验证,基于深圳供电局隶属的某换流站现有软硬件设备,采用软件进程扩展的方式搭建了验证环境,具体如图4所示。在南方电网深圳供电局隶属的某换流站采购的电网设备精益化远程图像采集及识别一体化平台基础上增加电网运行图像特征数据池构建、电网运行图像异常特征全息感知和电网运行异常态势精准感知等三个软件子进程,均采用热触发方式[10］,三个软件子进程均与主进程保持时间均衡,共享数据包及内外通信端口,进程数据实时刷新并在人机交互界面显示。上述三个软件子进程在数据流层面从属于电网设备精益化远程图像采集及识别一体化平台主进程,在控制流层面具有耦合独立性,可以对特征数据池构建、电网运行图像异常特征全息感知和电网运行异常态势精准感知等进行独立控制。

图4 模型工程实践效能分析环境逻辑图

进一步从定量化层面对比分析电网图像自主识别及运行态势感知模型的工程化应用效能。选取南方电网深圳供电局隶属的某换流站采购的电网设备精益化远程图像采集及识别一体化平台为对照系统;选取电网图像自主识别及运行态势感知模型为跟随系统;利用多源CMOS相机集群搭建快速电网运行图像获取装置,形成融合前置训练集和后置测试集的电网运行图像特征数据池;从电网运行图像异常特征全息感知覆盖率(GZ)、电网运行图像异常自主识别均值准确率(ZQ)、电网运行异常态势感知均值有效率(YX)等方面进行定量分析;围绕电网图像自主识别及运行态势感知模型工程实践效能分析验证环境人机交互友好性(YH)、电网图像自主识别及运行态势感知模型智慧化程度(ZH)、电网运行异常态势动态预警信息互联推送(TS)等方面进行定性分析。具体如表1所示。

表1 模型工程实践效能分析对比表

4 结束语

本文研究了在电网异常态势感知实践中使用改进的区域全卷积网络改进基于先验特征的自主电网图像判读机制的不足,提出了一种电网自识别与控制系统。基于改进的区域全卷积网络的图像,运行态势感知模型,首先给出了基于改进区域全卷积网络的电网图像自识别及运行态势感知模型的逻辑框架;构建时间正序下电网运行图像异常特征的全息感知机制;最终实现电网运行图像自识别的前提下准确感知电网运行异常情况。对该模型进行了多维工程实践的有效性分析,结果表明自主电网图像识别与运行态势感知模型改善了基于先验特征的电网图像自主判读机制的诸多缺陷。电网运行异常态势感知用于实践表明,换流站运行图像异常自识别平均准确率为93.27%,换流站运行异常情况感知平均效率为96.65%,为电网一线运维人员提供了良好的帮助。