基于深度神经网络的电网设备铭牌识别方法

杨东宁， 张志生， 赵智勇， 曾婷， 邹璞玉

(1. 云南电网有限责任公司 信息中心， 云南 昆明 650214；2. 云南云电同方科技有限公司， 云南 昆明 650214)

0 引言

现有技术手段以提取字符特征作为铭牌字符识别的模板主体。深度神经网络常以局部极值点作为检测应用的切入位置，能够在获取足量电网标记样本的同时，分布所有未占用的识别节点[1]。

为解决电网组织结构内部出现严重的全局路径规划混乱问题，OpenCV识别手段通过二值化电网设备连接参数的方式，确定相邻铭牌设备间的校正误差，但在单位时间内累积所得的电子数据总量始终不能达到预期数值，且对于节点的定位精准性也达不到理想水平。故需建立一种新型的电网设备铭牌识别方法，并通过设置比照实验的方式，评估该识别方法的应用可行性。

1 基于深度神经网络的电网架构匹配

电网架构匹配处理需同时连接主要网络体系、调节电网编码器、电力卷积层结构3类执行模块，具体搭建方法可按如下步骤施行。

1.1 主要网络体系

深度神经网络由电子输入层、中间电网结构体、电子输出层3部分结构组成，如图1所示。

图1 深度神经网络主体结构

图1输入层结构最少包含2个电子节点组织。中间电网结构体具备较强的神经性变阻能力，以确保同一检测时间内，电力网络的平均负载水平始终不超过预期数值[2-3]。电子输出层是整个深度神经网络的最下级架构组织。

1.2 调节电网编码器

调节电网编码器是深度神经网络的下属硬件结构，由电子传输线、铭牌信息导入体、识别接线装置、电网屏障设备、旋调螺丝5部分组成[4-5]，如图2所示。

图2 调节电网编码器结构图

1.3 电力卷积层结构

电力卷积层由AT42QT4120芯片、JMF组件、卷积层组织、电网铭牌电阻、调控元件、上下部神经端口6部分结构组成[6]，如图3所示。

图3 电力卷积层结构图

2 电网设备铭牌识别方法的实现

在深度神经网络的支持下，按照电网架构匹配原则，通过铭牌字符预处理、候选字符识别排列等步骤，完成电网设备铭牌识别方法的建立。

2.1 铭牌字符预处理

(1)

2.2 候选字符的识别与排列

(2)

2.3 集中识别规则建立

(3)

式中，b1、b2分别代表两个不同的电子信息执行向量；C代表铭牌数据的常性识别系数；ω0代表电网识别区域的下限阻碍条件；ω1代表电网识别区域的上限阻碍条件。

3 实际检测与应用

本研究实验是在具有 16 GB 内存的 NVIDIA GeForce GTX 1080Ti的GPU工作站上进行。利用虚拟化监测系统，记录电网设备体的具体执行数据，以一台运行稳定的干式变压器作为实验对象，其型号为SCB10-1000KVA/10KV/0.4KV。分别以搭载电网设备铭牌识别方法、OpenCV识别手段的物理计算机作为记录设备，分析相关识别参数的具体变化情况，其中前者作为实验组，后者作为对照组。

3.1 检测物理环境搭建

因电网设备表面很难附加电子传输线路，故电网设备铭牌的准确信息只能依靠人工抄录获得，以对比不同识别方法的识别准确度，如图4、图5所示。

图4 电网设备识别检测环境

图5 电网设备铭牌信息

3.2 单位时间内的电子数据累积量

以10 min作为一个单位时间长度，分别记录6个单位时间长度内，应用实验组、对照组识别方法后，电子数据累积量的具体变化情况。实验对比详情如表1、表2所示。

表1 实验组单位时间内的电子数据累积量

分析表1可知，在前4组单位时间长度内，实验组电子数据累积量始终保持不断上升的变化趋势，从第5组单位时间开始，开始逐渐趋于稳定，整个实验过程中的最大值水平仅达到2.8×109T。

分析表2可知，在前3组单位时间长度内，对照组电子数据累积量始终保持不断上升的变化趋势，第4组单位时间内，维持稳定趋势，从第5组单位时间开始，又呈现逐渐增长的变化状态，整个实验过程中的最大值水平达到5.6×109T，与实验组最大值2.8×109T相比，上升了2.8×109T。综上可知，随着基于深度神经网络电网设备铭牌识别方法的应用，单位时间内电子数据累积量的增加趋势得到了有效控制。

3.3 铭牌信息定位精准性

截取50 min作为检测时长，分别记录应用实验组、对照组识别方法后，铭牌信息定位精准性的变化情况。实验对比详情如图6所示。

图6 铭牌信息定位精准性对比图

分析图6可知，随着检测时间的增加，实验组、对照组铭牌信息定位精准性均呈现波动性变化趋势，但在前10 min检测时间内，对照组铭牌信息定位精准性因数值水平过低，说明在前10 min内，无法在图像中得到清晰显示。第10-50 min的检测时间内，对照组铭牌信息定位精准性最大值仅达到66%，实验组的铭牌信息定位精准性最大值可达90%，由所得实验数据可知对照组的铭牌信息定位精度远低于实验组数值水平。综上可知，随着基于深度神经网络电网设备铭牌识别方法的应用，铭牌信息的定位精准性确实得到一定程度的提升。

4 总结

电网设备铭牌识别方法在深度神经网络的支持下，重新连接了调节电网编码器与电力卷积层结构，又通过排列候选字符信息的方式，严格控制电子数据累积量的增长趋势。从实用性角度来看，铭牌信息定位精准性出现了较大程度的提升，从根本上解决了电网组织结构的全局路径规划问题。

但是，从实验结果中可以看出，在铭牌信息识别精度指标实验过程中，所提方法在前10 min无法得出高准确度的识别结果，即所提方法具有较长的应用延迟，为进一步提高电网设备铭牌信息的识别效率，在日后的研究中，需对该方法的实时性进行深入研究。