至顶网CIO与CTO频道 06月10日 北京消息:电力是关系国计民生的重要行业之一,涵盖了发电、输电、变电、配电和用电等多个环节,随着高压、大容量、长距离输电等工程的发展,电力系统的复杂性越来越高。保障电网正常运行,维护电力系统稳定就成了国家能源安全的一个必然要求。
去年,国家标准化管理委员会下发了《关于推广国家技术标准创新基地(智能电网)建设经验做法》,提出要建立先进技术标准应用机制,推动关键核心技术标准加快实施,以先进标准引领带动相关产业升级。
“新基建”这一国家战略的提出,更是突显了电网建设的重要地位,在政策的带动下,我国电力行业智能化速度加快,未来人工智能和大数据等先进技术在电力行业的应用潜力巨大。
平稳用电背后的不易
随着电力系统的迅速发展,对电力线路的安全运行和供电可靠性的要求也越来越高。为了保障电力系统的平稳高效运转,电力巡检已经成为电力从业人员的重要工作之一。
而我国拥有世界上最庞大、最复杂的输电系统。截至2020年,我国国内110千伏及以上输电线路总长度就达到159万公里,其中80%以上分布在崇山峻岭之中,这些线路每个月都需要进行一次巡检。
传统巡检一直是以人工为主、直升机配合为辅,不仅效率低、成本高、作业危险性高,而且获取的图像质量极不稳定。从2013 年起,无人机和可视化设备逐渐得到规模化应用,但随之而来生成的海量图片,需要耗费巨大的人力逐一查看。
有没有一种方法,能够帮助我们在几秒钟的时间清晰地找出巡检图片中的缺陷所在,甚至是那些小到肉眼都无法检出的缺陷?这是眼下电力巡检急需解决的挑战之一。
人工排查的难点显而易见。例如,某网省公司每年产生约120万张图片,数量庞大令人咋舌,人工每天8小时阅片,每年需要92人全职参与。而且,人员容易疲劳,人工漏检率高,某些微小的缺陷很难用肉眼检出。
解决之道:AI阅片+人工校验双擎驱动
人工智能(AI)在工业领域以高效著称。以电力巡检阅片为例,AI能让单片速度提升2个数量级,更可以并行批量处理,不用担心因人为疲劳而产生的误检,比人类更容易寻找和定位图片中的细小缺陷。
联想数据智能业务集团(DIBG)在此基础上,提出了一种更加创新的解决方案,那就是打造一种AI智能阅片与人工校验有机结合的双擎系统,实现电力巡检阅片的智能化和自动化,有效解决海量阅片带来的各种难题。
该方案的核心是两大功能模块:智能阅片和人工校验。
智能阅片:利用内嵌的高质量AI模型进行自动化阅片,充分发挥计算机并行处理的优势,实现批量、高速阅片。后台AI平台功能支持自动化计算机视觉模型开发、训练、评估、部署,并具备自主学习与模型迭代训练能力,自动完成模型的自主进化,授人以渔。
人工校验:利用完善的标注工具(通用工具和专业工具包)对智能阅片筛选出的图片进行校验或修改。校验完成后可一键生成报表、一键保存样本图片,为客户积累高价值数据资产。
输电线路巡检图片人工校验环节
不仅如此,该方案承载在联想企业级人工智能平台LeapAI上,这个一站式的企业级统一AI平台全面内置了主流AI技术,通过端到端的数据、算法、算力管理,自动化模型训练与交互式使用体验,可以降低电力企业应用AI技术的门槛,全面支持AI作用于业务流程,发挥在电力行业中的价值。
联想企业级人工智能平台LeapAI功能全景图
AI成为电力巡检的“重要生产力”
电力巡检阅片AI的应用,对保障电网安全运行具有重要意义。
联想数据智能提出的“AI+人工”双擎驱动创新方案,可以极大地提高阅片速度,提升缺陷识别的查全率与查准率。该方案采用的高可扩展性软件架构设计,可以自主开发也可以整合业界最高准确率的智能识别模型,更具弹性。
国家电网某分公司电力输电线路巡检图片智能识别系统
该模型在自主进化的同时,识别准确率也会随之持续提升,配套的软件产品提供全生命周期运维与更新,可以按需提供定制化开发服务。
特别值得一提的是,巡检阅片过程中,对于销钉(输电线必须使用的一种小型金具)的缺陷检测是极为关键的。联想数据智能的这一解决方案在离线测试中,能够将销钉识别准确率从基准模型的48.5%,大幅提升至95%,避免了小钉子酿成大灾难的安全隐患。
销钉缺陷检测
目前,该方案已经在国家电网某网省公司成功部署试点应用,输电线路巡检的缺陷识别技术获得供电公司认可,未来将在全电力系统推广应用,助力全国电力安全输送。
电力行业智能化未来可期
2020年将是电力行业降本增效的关键之年,展望未来,电力行业与智能技术的融合将进一步加速。
联想数据智能致力于推动我国电力行业的转型升级,现已在集团内部率先成立了电力行业专业服务团队,基于自身技术优势和持续积累的行业经验,逐步形成了联想电力行业知识体系。同时,通过数据智能生态布局,协同上下游合作伙伴,深入探索技术与产业实践的最佳融合,全力推动数据智能核心技术在电力行业的应用。
电力行业成功实现智能化转型,保障国家民众的稳定供电和安全供电,让未来可期。
好文章,需要你的鼓励
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。