电力安全生产管理中深度卷积网络研究_吴迪.pdf

/电力安全生产管理中深度卷积网络研究吴迪（国网陕西西安临潼供电公司）摘要：本文以电力生产管理为落脚点，首先介绍深度卷积网络，其次对卷积网络运用方向进行说明，指出卷积网络在入侵检测、安全检测领域具有无法被替代的作用，最后结合电力企业需求，围绕卷积网络的实际运用展开讨论，内容主要涉及预测态势、管理要点还有仿真测试等方面。希望能给人以启发，通过合理运用深度卷积网络的方式，使电力供应更加稳定且安全，为行业发展助力。关键词：深度卷积网络；检测模型；电力生产；安全管理 引言随着信息时代的到来，科技发展速度有所加快，将信息技术用于电力行业成为大势所趋，可使电力生产质效得到大幅度提高，与此同时，电力企业发生安全事故的概率也会有所降低。对深度卷积网络加以运用，能够确保安全监控系统得到优化，通过快速识别电力生产潜在风险的方式，有效规避安全事故，使电力供应过程更加稳定且可靠。由此可见，对深度卷积网络进行研究很有必要，基于此所搭建管理系统，可在极大程度上推动电力行业的发展。深度卷积网络介绍作为前馈神经网络的代表，卷积网络现已在语义分割、图像分类等领域得到广泛运用，其优点在于能够省略图像处理工序，基于初始图像得出较为准确的结论 。该网络的结构如下图所示，其中，第一层负责对图片进行卷积、获得特征图，第二层强调通过池化的方式，对特征图深度进行加深，最终得到完整的神经网络 。图卷积网络结构深度学习则是由人工神经网络所延伸出的学习方法，以卷积神经网络为代表的深度学习架构，现已被用在包括图像分析和语音识别在内的多个领域 。卷积网络所涉及内容主要集中在四个方面，分别是网络架构、开源方案、数据增强和迁移学习。一般来说，无论是图片矩阵，还是卷积核，其所对应特征图矩阵均以方阵的形式存在，相关计算公式如下：（）（）式中，代表卷积特征图尺寸；代表输入矩阵尺寸；代表补零层数；代表卷积核大小；代表步幅。深度卷积网络运用方向.入侵检测新时期，受信息技术发展影响，计算机在诸多领域得到运用，虽然计算机的出现，为人们工作及生活提供了便利，却也带来一定的隐患。诸多电力企业选择利用相关技术对电力生产过程进行管理，希望能够使电力得到稳定且高效的供应，在此期间应重点关注非法入侵等问题，以免企业蒙受不必要的损失。作为网络安全领域极为重要的一环，入侵检测的目的是通过检测网络状况的方式，了解网络所存在异常。在神经网络趋于完善的当下，有关人员决定将神经网络与入侵检测相结合，神经网络的优势在于其能够模拟人脑，对输入数据、输出信息的关系进行构建，经由自学习的方式，对异常数据进行分离并及时给出反馈。由神经网络所衍生出深度学习的特点，主要是以逐层特征学习为依托，将数据深度学习映射至全新空间，在保证数据提取准确的前提下，最大程度缩短数据提电气技术与经济 研究与开发/取时间。对深度学习、入侵检测进行结合，可加快入侵检测的发展，为检测质效提供有力保证。信息安全防护所涵盖内容较多，包括但不限于信息检测、数据恢复，以往为信息安全提供保护的技术，主要有信息加密、防火墙和各种杀毒软件，上述技术所能发挥作用十分有限，入侵检测的出现，有效弥补了传统技术存在的漏洞，使实时检测的设想成为现实。事实证明，以既有安全技术为基础，对入侵检测进行灵活运用，可使网络安全系数得到提高，通过全面防护的方式，降低潜在风险所带来的影响。.安全检测基于卷积网络对网络安全进行检测，可使分类、处理安全攻击的能力得到显著提升。安全检测所用卷积网络，通常包括连接层、卷积层和池化层等部分，其中，卷积是指在诸多领域得到运用的、对数学积分进行变换的形式，而进行卷积操作的初衷，主要是提取、增强初始特征，将外界环境给检测结果带来的影响降至最低，一般来说，卷积操作所形成特征图谱能够在卷积核的加持下，与原始图谱充分结合。卷积层所输出数据往往会直接写入池化层，这样设计的目的是控制神经元总数，只需要确定输入图像的像素，便能够获得输出图像各维度减少值。平均池化技术强调以各特征突破点为依托，对特征进行提取，最大池化技术则更倾向于将最大像素作为图谱特征。模型分类层创造性地引入了 ，该分类器的优势在于能够对多类别进行划分，基于假设函数确定数据类别概率。研究表明，卷积网络结构与神经网络有所不同，对其加以运用，可在简化训练流程的前提下，达到权值共享的目的，其优越性十分显著。要想在控制时间复杂性的前提下，对模型深度进行加深，关键是要以分离卷积、卷积分解等技术为依托，对模型加以调整。本文所讨论深度卷积结构，便通过优化卷积网络的方式，使卷积核对特征进行提取的能力得到增强，而池化层、激活函数的加入，无形中提高了模型容忍数据畸变的能力，使模型所表现出泛化能力达到预期。从网络连接的角度看，卷积层所具有局部连接性带来的积极影响主要体现在三个方面，首先是使模型参数总数得到控制，其次是使训练难度得到降低，最后是有效规避了过拟合的情况，使计算质效最大程度接近预期 。在放大数据集的前提下，对重建图像 平均值、平均值进行计算，最终结果如表 、表 所示。表 平均值放大比例 深度卷积网络 （续）放大比例 深度卷积网络 表 平均值放大比例 深度卷积网络.深度卷积网络在电力安全生产管理中的运用.预测态势随着科技的发展，卷积神经网络结构变得更加完善，合理运用卷积分解技术，可以极大程度降低计算难度，使卷积计算价值得到最大程度实现。有关人员指出，以非对称结构为抓手，对卷积进行分解，能够得到与二维卷积核相近的两层卷积结构，二者的功能、输入感受域完全一致。需要注意的是，卷积分解只能分解卷积核，而不具备调整剪辑过程的功能，若输入通道数与输出通道数之比过高，仅使用该技术并不能改善模型复杂程度，通常需要经过长时间计算，才能得出最终结果。虽然深度分离技术同样以分解卷积过程为落脚点，但其所遵循思路与卷积分解明显不同。该项技术由分离卷积、点卷积构成，其中，分离卷积要求输入通道数、输出通道数等于卷积核数，目的是确保信息得到完整输出，同时其感受域不发生改变。另外，该项技术还将通道、区域改变给特征提取环节带来的影响纳入考虑范围，强调先提取区域特征，再对通道问题加以解决，通过有序提取各部分特征的方式，对参数类型、需求量加以控制。当然，该项技术仍然存在较为明显的不足，即对其加以运用时，通常要用到学习特征、多维卷积等因素，无形中增加了对大规模卷积核进行计算的难度，计算速度也会受到影响。针对既有技术存在不足，有关人员决定引入复合卷积结构，在分离卷积核的前提下，为检测效果、卷积效果提供保证。具体做法：以卷积分解为导向，先对卷积层进行拆分，再借助卷积核完成点卷积操作，在融合特征面输入的基础上，向特征图谱进行输出，通过加深数据深度的方式，降低提取抽象特征的难度，使提取速度和准确度达到预期 。研究表明，该做法既能够保证神经元总数相同、输入向量完全相电气技术与经济 研究与开发 /同，还能够降低空间的复杂程度并改善模型深度，在保证计算准确的前提下，最大程度压缩计算时间，为后续工作的开展预留更加充足的时间。.管理要点多数电力企业均利用固定摄像机开展定点监测工作，该做法的特点是监测背景通常不会出现明显变化，可借助现有技术去除背景并改善数据清晰度，由此达到减少计算量的目的。先通过线上识别特征，再通过线下对特征进行分类，获得电力生产目标，基于自动分割背景的算法，强化分割效果，根据卷积神经网络所提供目标及背景，对偏移量进行计算，在此基础上，通过更改参数的方式，对特征区域加以确定，随后，工作人员便可以根据区域特征，对项目所属类别进行划分。另外，还可以选择对建议偏移量进行重复回归，从而获得更加精准的位置坐标，以所抽取特征向量为依据，对自动标识图像的准确度进行改善。在条件允许的情况下，同样可以对训练集、已公开数据集加以运用，基于视觉计算对样本进行扩充，准确掌握不同类别所具有特征，确保训练模型可最大程度满足日常训练所提出需求，以提取特征的设备和分类设备为依托，通过反向传播的方式，使上述设备始终处于理想运行状态，为确定对象特征等工作的开展提供支持。上述模型可被用来对多个目标的位置、类别进行预测，自动生成分辨率符合要求的特征图，通过连续识别目标的方式，为识别所具有科学性、精准性提供保证。除特殊情况外，均可以利用低层间法对分割质效进行提升，结合区域预测结果，对检测准确性、整体力度进行改善，使识别质量达到预期。实践所积累经验表明，对损失函数进行定位所存在误差，通常会给检测结果产生直接影响，鉴于此，有关人员提出要求：对说明置信度损失的函数、定位精确度进行结合，基于图像训练库有序开展预处理工作，以线下所收集数据为依托，通过匹配检测的方式，使跟踪效果达到预期。无论是发生重要 限制区域有无关人员进入，还是发生目标对象随意离开对应区域的情况，本系统均会第一时间发布预警，考虑到管理目标并未对识别精度提出严格要求，出于提高检测时效性的考虑，有关人员决定运用现有技术处理视频，通过降低分辨率的方式，使计算速度达到理想水平。输出特征图时，卷积结构既有卷积核的偏差参数项将有所增加，目的是对神经元进行控制，确保其激活程度符合要求，缺少这一过程不仅会降低模型收敛性，还会影响训练成功率。因此，在初始化环节，工作人员应视情况对偏置项进行设置，增强卷积核参数随机性，确保其能够按照预期计划完成学习、训练活动。虽然增设偏置项会使模型变得更加复杂，但其复杂程度通常不会超过权限数。如果条件允许，还可以对函数激活法加以运用，将卷积结构加入池化层，通过强化其拟合能力的方式，为学习效果提供保证，随着训练参数得到控制，模型所表现出泛化能力将变得更加理想。.仿真测试本文所讨论监控系统的任务，主要是监控电力企业厂房及车间环境，确保工作人员不存在异常，以监控对象为依据，对数据集进行设定，通过增设目标形态的方式，使数据变得更加多样。如果条件允许，还可以参考同类企业的相关数据，对数据采集环节可靠性、多样性进行增强。例如，某电力企业为保证数据集丰富，选择在厂房东北、西北角安装摄像头，经由录像机、摄像头对车间、厂房进行实时拍摄，及时发现安全事故，此外，还通过模拟突发状况并翻转数据图像的方式，有效避免过拟合现象的出现，使尺度、对比度得到充分利用。增强数据的作用主要体现在两个方面，一是使数据集总数得到增加，二是使模型鲁棒性得到增强。确定数据集后，便可以对深度卷积网络加以运用，人工标记识别对象，将其名称和坐标等参数写入对应文件，确保模型能够按照预设指令，对验证、训练和测试所用数据进行科学分配，同时对数据图进行自动生成。基于所建立模型对数据进行离线计算前，先要对参数、各层权重进行初始化处理，再借助梯度下降法完成网络训练与学习。结果表明，经过训练的模型，在识别安全事故方面的准确率能够达到约 ，对员工站立、行走状态进行识别的准确率更是高达 。另外，还应了解一点，基于深度卷积网络所建立模型，在识别员工行走状态方面具有极为突出的表现，但难以做到快速识别已发生故障。要想解决该问题，使检测结果得到直观展示，关键是要引入已经过训练的网络，通过对图像进行反复识别并定位的方式，获得相应的幻灯片，为工作人员了解错误检测情况提供便利。结束语综上，将深度卷积网络用于电力生产管理，可使电力系统得到稳定且安全的运行，确保工作人员能够第一时间发现系统潜在问题并加以解决，为系统运行效率、整体质量提供有力保证。由此可见，未来应将研究重心放在深度卷积网络上，根据电力生产特征和（下转第 页）电气技术与经济 研究与开发 /故障，而现有方法不够灵敏或不够快，无法检测故障。该方法能够检测和定位所有外部故障，从而可以通过 断路器的操作快速将微电网与主电网隔离。所提出的方法是经济的，因为它可以在现有的距离中继平台中实现，而无需任何硬件修改。与其他保护功能一起，所提出的方法可以针对危险过电压提供有效的 保护，减少电弧条件，并增加无缝孤岛的可能性。参考文献 ，.，-，.，.，.，.刘海军，李钢，等.面向中高压智能配电网的电力电子变压器建模方法与控制策略研究 电力系统保护与控制，（）（收稿日期：2 0 2 2-1 1-2 9）（上接第 页）需求，对深度卷积网络运用策略进行调整，使其所具有价值得