电网厂站接线图人工智能识别关键方法.pdfVIP

第47卷 第2期2023年1月25日 电力系统自动化 Vol.47No.2Jan.25,2023 DOI:10.7500/AEPS20220223008 AutomationofElectricPowerSystems 电网厂站接线图人工智能识别关键方法 王梓耀1.2，罗庆全12，萧文聪1.2，王艺澎1.2，余涛1.2 （1.华南理工大学电力学院，广东省广州市510640； 2.广东省电网智能量测与先进计量企业重点实验室，广东省广州市510640） 摘要：矢量化的电网厂站接线图需要调度运维人员参考设计图纸进行人工绘制及导入，工作量巨 大且极易出错。针对电网厂站接线图中图元、文字以及接线关系3个核心的识别问题，提出一套基 于人工智能的完整电网厂站接线图识别方法，显著提升识别的效率和准确性。通过结合分级预处 理的重叠滑窗机制与YOLOv4算法，解决电网厂站接线图的“大图像小图元检测”问题；通过迁移 学习与卷积循环神经网络结合，提升包含中文电气文本的识别率；通过嵌入电气领域知识与规则， 提升接线识别的准确率。最后，根据获取的电气元件信息、文本信息、连接线信息，完成其他下游任 务。采用实际调度系统导出的电网接线图数据集，设计了图元、文字、接线识别三方面的对比实验， 验证了所提方法的有效性。 关键词：电网厂站接线图；图元识别；文本识别；接线识别；迁移学习；知识融合；人工智能 0 引言 接线图信息自动化提取的首要任务，也是计算机视 觉识别领域典型的目标检测任务19-10)。得益于深度 电网厂站接线图是调度控制系统中用于描述电 学习领域的蓬勃发展，多种性能优异的目标检测算 气设备及其拓扑结构的图形，目前需要调度运维人 法被提出，包括以区域卷积神经网络（regional 员参考图纸进行人工识别和分析后，将其中的电气 convolutional neural network,RCNN)、Faster- 元件、图文信息以及拓扑关系进行手动录人。随着 RCNN,SPPNet(spatial pyramid pooling network)为 电网规模的扩大，网络拓扑、电网设备的快速更新送 代表的两阶段算法，以及以YOLO(youonlylook 代，仅依赖人工识别极易出现属性缺失、关联错误、 once) 为代表的 连接线虚接等问题，更难以满足电网运行调度系统 单阶段算法[11-14]。然而，直接使用传统的目标检测 的实时更新要求。 算法解决具体的电网厂站接线识别时仍存在一系列 为了满足“电网一张图”以及“数字电网的建设 的问题：不同接线图的大小、清晰度、规范差别较大， 要求，电力系统信息可视化和一体化成为必然趋势， 难以用统一的算法进行识别；图元种类众多、大小不 图模一体化的发展进人了崭新的时代1-2]。结合近 一、方向各异，且部分图元在整张图中所占的比例极 年来迅速发展的人工智能技术，特别是图像识别技 小；不同图元、连线、文本混叠对识别目标图元造成 术的巨大突破[3]，一些研究机构开始尝试将其应用