史 琳，刘丰威，潘 炜

（广东电网有限责任公司广州供电局，广东 广州 510000）

0 引 言

人工智能（Artificial Intelligence，AI）技术自20世纪50年代被定义、认知、深度研究以及推广应用以来，已经融入日常生活的各个领域。AI技术高度集成了数学、神经学、计算机网络、自动控制理论以及博弈理论等众多学科和技术理论，赋予了计算机等机器强大的感知、推理、计算以及学习能力，具有人类求解、逻辑推理以及思维功能。目前，AI技术已经广泛运用到电力、通信、交通、医疗、家居、教育、工业、农业以及军事等各个领域。

1 国内AI技术的发展现状

20世纪以来，随着电力电子技术、网络技术以及信息技术等的高速发展，智慧电网概念快速普及并应用推广，使得电网运行更加安全稳定。目前，我国智能电网技术已经领先世界，高度集成了计量数据管理系统（MDMS）、高级输配电运行（ATO&ADO）、AMI测量系统、复杂网络系统、AAM资产管理系统、大数据信息挖潜以及应用系统等技术。图1为我国智慧电网技术架构[1]，已经逐步向规模化、集成化以及高度智能化方向发展。

图1 我国智慧电网技术架构组成

2 AI识别与算法研究

2.1 模式识别

模式识别技术主要对不同研究对象进行定量、结构等模式的分类和描述，从而得到实体对象的特征信息，并采用不同方式处理和分析特征数据信息。传统模式识别方法和算法主要有临分类算法、聚类算法以及成分分析算法等。工业4.0时代，机器视觉技术和计算机视觉技术不断成熟。利用图像信息处理技术，实现了各种视觉检测、视觉定位、视觉测量、二维码识别、人脸识别、商业支付、智能交通识别以及医学图像处理和检测等。伴随着网络和数据挖潜等技术的快速发展，智能信息检索系统和数据处理、挖潜、分析以及同化等，使得人们可以便捷地获取各种信息。由于大量智能电力设备的应用，电能计量及质量管理越来越复杂。人工智能识别通过计算机和网络技术建立起良好的非线性映射，强化记忆和学习，具有自诊断和自适应的功能。另外，综合运用人工神经网络深度学习、鱼群效应以及模糊聚类等分析方法进行模式识别分析，建立了多种分析模型。

2.2 深度学习算法模型

深度学习最早由Hinton等科学家研究提出，是基于传统神经网络而逐渐兴起的一种人工智能算法模型。机器学习是建立在机器学习基础上的深层神经网络算法模型。深度学习采用多个非线性变换，获取复杂数据抽象特征信息并训练，通过神经元分层网络，训练学习获取深层数据抽象特征，并聚合到分类器实现数据的分类和识别。深度学习神经元结构如图2所示。

图2 深度学习神经元结构

2.3 卷积神经网络算法模型

20世纪80年代，人们首次提出了卷积神经网络（Convolutional Neural Network，CNN）认知机理，随后逐渐发展成包含卷积层（C层）、池化层（S层）以及全连接层（FC层）的卷积神经网络算法模型，如图3所示。

图3 卷积神经网络

CNN网络通过二维图像数据的多层卷积获取特征，提取并不断池化后进行全连接输出，从而达到图像分类和识别的目的。因为卷积训练过度拟合，很难实现测试集的泛化，造成识别准确率不高。为此，引入Dropout优化方法，强化训练网络节点，增强了对局部特征的网络适应性和泛化能力。结合对人类大脑无监督学习的研究，人们随后提出了栈式稀疏自编码网络算法模型，利用无监督学习模式，通过编码器和分析器的自动提取和分类图像稀疏特征，极大地提高了分类精度和准确度[2]。

3 AI算法电能计量识别的实现

采用深度学习CNN网络模型智能识别电能计量，并在学习训练过程中逐层提取电能计量图特征，在输出层利用分类器进行分类。识别流程如图4所示。目前，智能电表上自带图像采集系统，可以自动采集电表图像，利用GPIB接口或者RS485数据接口实现数据传递，利用AI算法模型实现图像识别处理，最终实现电表信息的自动识别和用电管理[3]。

图4 AI电能计量识别流程

图4中，把电能计量数据归一化处理成图像，再对图像进行二值优化处理后输入到深度学习模型中，利用边缘分布函数（Marginal Distribution Function，MDF）和CNN神经元网络自动学习图像特征形成图形字符集，最后输入分类器实现分类识别。

在结构上，系统主要由电能计量模块（智能电表）、电流互感器、校准仪器、监控摄像设备、电源、GPIB接口、通信模块以及控制器等构成。为保证AI数据采样时间的准确性，需要对采集单元进行时间同步处理。计量数据识别主要通过预处理、特征提取以及分类等环节实现，其中预处理步骤如表1所示。

表1 电能计量数据图像预处理

通过预处理后，利用边缘分布函数将分离后的字符骨架图像进行网格化处理，利用CNN栈式稀疏自编码神经网络进行特征提取，最后输入分类器进行分类和识别[4]。CNN栈式稀疏自编码神经网络电能计量特征提取识别方法如图5所示。

图5 CNN栈式稀疏自编码神经网络电能计量特征提取识别

4 提升AI算法效果

由于有许多仪表的外观会与电能表外观类似，因此会存在一定的误识别率，即将非计量装置图片识别为计量装置。如何降低它的误识别率是提升该算法实用性的重要研究课题。首先，需要使用人工智能学习算法中的监督学习算法，将大量标注为电能表的图片输入算法模型进行训练，提取出电能表特征。其次，仍然使用大量电能表图片进行训练，仅标注电能表部分，后续使用训练好的算法定位电能表四角。再次，在完成电能表图片识别及四角坐标定位后，利用已经定制好的电能表内部识别内容的位置模板进行模板匹配，模板如图6所示。最后，完成模板匹配。由于电能表均符合企业特定标准，因此在特定位置需要出现特定的标识，如企业标志、唯一资产码以及电量信息等，以判断是否为电能表图片。通过该智能算法模板匹配可以大幅提升识别率[5]。

图6 定制电能表内部识别内容的位置模板

5 结 论

我国智能电网建设已经开始实施，通过AI智能算法自动识别电能电量，有助于提高用电可靠性、用电效率以及电能质量。随着技术的不断进步，利用电力大数据挖潜技术和云计算技术，有利于提高电网的安全性和电网利用率，实现电能优化分配和精准计费等，也有助于进一步降低电力企业运营成本，为顾客提供更加便捷和优质的用电体验。