图像识别技术在电力运维中的应用

图像识别技术在电力运维中的应用

史双岭

聊城市光明电力服务有限责任公司临清分公司 山东 临清 252600

摘要：由于配电设备缺陷素材与外破画面素材较少，利用传统人工智能图像识别技术，容易因样本数据过少而导致容易出现过拟合的现象。为解决这个瓶颈，本文探索使用VGG迁移学习网络作为训练网络。深度学习的巨大成功可以认为是表征学习的巨大成功。计算机图像识别技术在应用过程中存在一些缺陷,在一定程度上阻碍了智能化技术的发展。而通常当任务数据集上的数据不足以支持学习到足够多样化又有用的表征时，可以利用其他更大的数据集学到的表征并且视其为通用表征，使用这些表征并且使用任务数据集的数据来微调，可以减少对目标数据集数据量的要求。计算机图像识别要求系统高效准确地进行图像识别,智能化处理方法的应用可以显著提升计算机图像识别的性能,提升其识别的准确性及效率。

关键词：图像识别技术；电力运维；应用措施

引言

在大数据时代背景下，加快构建关键信息基础设施安全保障体系，是互联网行业人员的当务之急。随着数字经济的飞速发展，数据资产在某种程度上已经成为我国经济增长的重要引擎，这也间接凸显了网络安全保障工作的基石作用。客观来说，网络入侵和攻击方式也在随技术创新而不断变化，对电力企业乃至社会造成严重的安全隐患。所以，互联网行业必须尽快借助人工智能技术建立起全方位、多层次、全维度的网络安全“运维”服务体系，为网络安全树立坚实防线。

1VGG结构模型

VGG模型可根据卷积核大小以及卷积层数目的不同，区分为A，A-LRN，B，C，D，E共6个配置(ConvNetConfiguration)，其中以D，E两种配置较为常用，分别称为VGG16和VGG19。因卷积层和全连接曾具有权重系数，而VGG16具有13个卷积层和3个全连接层，这也正是VGG16名字的来源。在这里本文介绍一下VGG的网络结构。VGG16网络一共由16个可学习的网络层组成。网络的特征提取部分由13个堆叠而成的卷积层组成，在卷积层后接上3个全连接层。可以把卷积核数量相同的分为一个小模块，那么整个网络可以认为是5个模块组成的，分别对应卷积核为64，128，256，512。注意最后两个模块的卷积核数量相同，是为维持计算量。VGG16的突出特点是简单，体现在卷积核的尺寸小，卷积层均表示为conv3-XXX，其中conv3说明该卷积层采用的卷积核的尺寸(kernelsize)是3，即宽（width）和高（height）均为3。

2配电设备的运行和维护

配电设备的运行简单来说就是通过运行的巡视和检查来对整条线路的运行情况进行了解，并及时的对线路中出现为问题进行查找，防止问题的出现导致整体线路运行故障。配电设备的维护主要就是指对已经发生了不正常运行情况和缺陷情况的设备进行的检查，在检查完成之后采取相应的措施进行改正，维护就是通过对已经发生的事故进行处理，并找出导致该事故出现的原因进行解决，以此来使设备能够正常的进行工作和避免设备故障的进一步扩大导致更加危险的事故发生。不论是在配电设备的运行方面还是维护方面都应该依据标准的条例和制度进行实施以及执行，为了加强对线路保护工作的进行，也要通过适当的宣传来提升沿线员工对于安全的重视度。在电力系统中一般新建或者检验验收合格之后，在配电网中接入设备线路以及其他设备就可以正式的进行运行，而为了保障运行过程的顺利，应该在设备故障发生之前就做好预防工作，并根据当地的实际情况进行巡视和防护、维护工作的进行，这样才能提升设备的性能，也能在设备出现故障时及时的进行发现，进而有效的降低设备故障带来的线路损坏维护费用和运维费用。

3我国电力配网运维管理中存在的问题

3.1管理体统不健全

现阶段，我国电力企业在配电网运维管理工作中仍然存在很多问题，究其原因主要是因为管理者未设立明确的管理目标，未细化各项管理内容，在实际管理中会对员工的情绪造成一定的影响。另外，许多管理体系不健全，制度内容有缺陷，在工作中容易出现安全隐患，对员工的生命健康造成一定的威胁，同时也不利于稳定供电。

3.2荷载的不均衡分布

在电力系统的运行中荷载分布不均衡的问题是一种常见的问题，导致这种问题出现的原因除了以往设计不够合理之外，也会受到我国不同地区之间发展不平衡的影响，这些原因都会造成荷载区域和无荷载区域不能合理的进行划分。我国实际的电力企业发展中，一些经济发展速度快的地方会面临着供电不足的情况，一些发展慢的地方会出现功率损耗大的情况，当这些情况发生时如果不采用一定的方式进行解决，不但会对电气设备产生影响，还会对供电设备带来较大的威胁。

3.3电力企业的网络安全人力资源

电力企业的网络安全人力资源毕竟比较有限，不可能对所有的内外部流量数据进行人工数据分析，这也就意味着电力企业在发展运营的过程中可能会错失一部分安全信息。所以，电力企业在发展运行过程中常常会面临上一轮网络安全数据特征尚未提取完全，新一轮的攻击已经到来的问题。所以，电力企业在发展网络安全“运维”服务的过程中必须争分夺秒，充分利用人工智能技术的效率和速度优势，对蕴含在内外部流量中的安全信息数据进行挖掘和分析，从而敏锐的把握数据中的异常，实现高效率的风险预警和防御工作，最终实现横向与纵向略微的全面覆盖，为电力企业健康稳定发展保驾护航。

4采用SVM迁移学习的电网设备缺陷检测

深度学习和传统图像识别最大的差异之一就是摆脱了人工设计特征的流程。在过去，人们使用人工设计的特征，即使取得不错的表现，但是难以表达高级的特征和概念。在深度学习时代，特征由卷积层的初始化以及训练过程共同决定，并且整个学习过程是自动的，也就是说人类不再需要设计特征。当图片从像素空间映射到特征空间，可以多多少少认为特征之间已经先行可分，这个时候可以在特征空间使用传统的算法比如SVM。SVM是一种基于决策分类边界距离最大化思想的分类器。最常见的应用问题是在解决线性可分的空间，并且主要支持一对一的分类器构成。根据此可以看出，SVM的效果很大程度上取决于特征空间是否接近线性可分。惯例上，迁移学习使用全连接层的某一层作为特征提取的起点。不同的任务通常伴随着不同的选择，在这里选择第一个全连接层作为特征提取的起点。

5检测异常动态

网络攻击和安全防御的过程实际上也是攻防博弈的过程，信息技术发展进步同时也带动网络信息安全攻击方式的升级，电力企业网络安全“运维”团队必须结合具体的情况做出技术调整，确保电力企业的网络信息系统具有应对威胁的能力。但是，考虑到网络入侵者的攻击方式往往具有较强的隐蔽性和不确定性，所以电力企业信息部门的安全“运维”团队必须时刻防患于未然，运用信息化技术和人工智能手段搭建起以算法和历史数据为框架的合理化模型，从而在不断的学习和运行中对各类异常事件作出可靠的解析，缩减攻击的响应流程，提升电力企业的风险应对能力。

结束语

为持续提升“配电网智能医生”的识别准确率，在使用该系统时，操作人员会记录系统无法识别或错误识别的配电设备缺陷照片，再导入到学习样本库中，重新进行学习。经过三个多月的不断应用、纠错、学习，目前该系统的综合识别准确率可达到95%。

参考文献

[1]唐嘉栋.变电运维技术在电力系统中的应用[J].电子技术与软件工程,2020(01):218-219.

[2]李菊香.浅谈变电运维误操作事故预控措施[J].智能城市,2020,6(01):83-84.

[3]李泊恺,汪宏亮.电力数据中心运维管理的发展研究[J].中国新通信,2020,22(01):135.

[4]陈执中,蔡得志.变电运维安全隐患及解决措施[J].电子技术与软件工程,2019(24):212-213.

[5]谢世利.电网变电运维技术与管理探析[J].中国新技术新产品,2019(24):123-124.