CN110543805A - 基于图像识别和智能调配的电力应急物资需求提报平台 - Google Patents

Abstract

本发明公开了一种基于图像识别和智能调配的电力应急物资需求提报移动应用平台，包括现场图像采集模块，物资需求提报APP，物资图像识别及智能调配服务器，其中物资图像识别及智能调配服务器包括：应急物资需求模块、图像智能识别处理模块、应急物资调配优化模块、电力物资特征提取模块、物资调配算法评价校验模块。本发明利用智能图像识别技术和移动通信技术，来对事故现场上传的物资图像进行识别，获得具体物资名称及型号。本发明利用多目标粒子群优化算法，采集电力物资库存数据，以及应急物资需求数据，生成电力物资保障及调配多目标优化方案。

Description

基于图像识别和智能调配的电力应急物资需求提报平台

技术领域：

本发明涉及一种基于图像识别和智能调配的电力应急物资需求提报移动应用平台。

背景技术：

当有电力应急事件发生而产生电力应急物资需求时，需派遣相关人员去事故现场核查物资损害情况，整理成报表文档提交给专责人员进行汇总，再统一向物资管理部门上报需求。此过程主要为现场笔录，再通过电脑进行报表汇总与提交，而在事故现场无法直接提报需求，再加上需要人工汇总，使应急物资的需求无法及时反馈回来，达不到供电安全保障的要求。另外，现场处理人员对某些物资的人工识别度不高，不知道具体物资的名称及型号等，导致上报的物资信息不准确。

在供电安全保障高要求下，电力应急物资需求提报的准确性、及时性要求越来越高，如果能从源头上解决需求提报的问题，优化自下而上提报流程，完善自上而下审批校验流程，使应急物资供应能够及时得到保障，对提高供电可靠性具有积极重要的意义。

发明内容：

本发明就是利用智能图像识别技术，来对事故现场拍照上传的物资图像进行识别，判断出具体物资名称及型号，并利用多目标粒子群优化算法计算出最优物资调配方案，以提高电力应急物资需求提报的准确性、及时性，使电力应急物资的供应能够及时得到保障。

本发明的技术方案：一种基于图像识别和智能调配的电力应急物资需求提报平台，包括手持终端和服务器，手持终端连接现场图像采集模块，图像采集模块拍摄现场物资图像并通过手持终端传到服务器，服务器的图像智能识别处理模块对上报的现场物资图像进行智能识别，获得物资名称及型号，并反馈到手持终端，手持终端的物资需求提报模块向服务器上报应急物资需求信息，服务器的应急物资调配优化模块根据物资需求信息生成物资调配方案。

所述手持终端中的物资需求提报模块为物资需求提报APP，服务器收到物资需求后，应急物资调配优化模块结合电力物资系统导入的物资种类及库存信息，利用多目标粒子群优化算法进行计算，生成电力应急物资保障及调配最优化方案，并返回最优化方案到所述物资需求提报APP。

所述服务器包括：

应急物资需求模块：通过移动通信网络实时接收物资需求提报 APP提交的应急物资需求信息，包括应急抢修灾害类别、紧急程度和上报的现场物资图像等，并写入物资需求信息库；

电力物资特征提取模块：将具体型号电力物资样本图像上传，利用样本图像训练分类器，提取生成电力物资特征，并保存到电力物资特征库；

图像智能识别处理模块：对上报的现场物资图像进行智能识别，通过现场采集的物资图像与系统预存的电力物资特征进行比对，比对成功则将该电力物资具体型号和名称发送到物资需求提报APP，由现场用户确认；

应急物资调配优化模块：提取电力物资系统中库存数据，从物资需求信息库获取物资需求清单数据，利用多目标粒子群优化算法求解最优解集，并将最优解集写入物资储备优化结果库，利用物资储备优化结果库生成电力应急物资保障及调配最优化方案发送到物资需求提报APP；

物资调配算法评价校验模块：确定检验样本数据，检验多目标粒子群优化算法生成的计算结果，对生成的最优解集和检验样本数据进行比较，当计算结果集和样本数据集有较大误差时，可调整多目标权值，训练结束后，将相关多目标权值保存到储备优化结果库。

所述服务器导入算法评价检验样本数据，并通过所述算法评价校验模块将检验样本数据和所述应急物资调配优化模块生成的最优解集进行比较，当计算结果集和样本数据集有较大误差时，调整多目标权值；训练结束后，将相关多目标权值保存到储备优化结果库。

现场采集电力物资图像智能识别方法步骤如下：

1)加载上传的现场采集图像，转换成灰度图，去除图像上的噪声，平滑图像中的高频噪声，然后图像进行二值化处理，执行多次形态学腐蚀与膨胀处理；

2)将处理后的图像与系统预存的电力物资特征资源库中记录进行比对，比对成功则表明存在该具体型号的电力物资，否则不存在，继续进行物资特征资源库下一条记录的比对；

3)将识别成功的电力物资具体型号和名称发送到物资需求提报APP，由现场用户选择确认。

电力物资保障及调配多目标粒子群优化算法步骤如下：

1)初始化粒子群体,包括多目标粒子群算法的控制参数,群体规模, 迭代次数，并从电力物资系统中采集历史数据获得电力应急抢修工作开展的各种物资需求量，以及各种变量因素参数；

2)计算每个粒子所代表物资保障及调配多目标优化方案的两个目标值：最小物资采购费用及最短供货用时；

3)根据Pareto最优概念更新每个粒子的个体最优值，即在粒子的当前位置和历史最优位置中选择一个非劣解作为粒子的个体最优值，如二者无支配关系则保持个体最优值不变；

4)根据粒子的序值挑选当前种群中序值较小的粒子，存入外部档案库,并删除其中供货超时的非劣解；

5)更新每个粒子的速度和位置；

6)判断是否达到最大迭代次数，若达到，则输出档案库中的非劣解；

否则转到步骤二；

7)对档案库中的非劣解进行N-1校验,输出所有满足N-1安全的电力物资保障及调配多目标优化方案。

在步骤一中，粒子群中每个粒子代表一种物资，其决策变量 X_i＝(x_i1,x_i2,…,x_iD)，i＝1,2,…,N；D为种变量因素的数目；第i个粒子的速度也是一个D维的向量，记为V_i＝(v_i1,v_i2，…,v_iD)。

在步骤二中，最小物资采购费用为minf₁，最短供货用时为minf₂，则：

其中S为采购物资集，K₁为物资单价，x_i为第i种待选物资的决策变量，l_i为第i种物资的需求量，w_i为第i种物资的供货时间约束， y_i为第i种物资的供货时间约束系数。A_P(i，n)为资金收回系数，其中 i为资金贴现率，n为贴现年限。

在步骤三中第i个粒子迄今为止搜索到的最优位置称为个体极值，记为

p_best＝(p_i1，p_i2，…，p_iD)，i＝1，2，…，N；

整个粒子群迄今为止搜索到的最优位置为全局极值，记为

g_best＝(p_g1，p_g2，…，p_gD)。

粒子根据如下公式来更新自己速度和位置：

v_id＝w*v_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id)

x_id＝x_id+v_id；

其中c₁和c₂为学习因子由用户设定，r₁和r₂为[0，1]范围内的均匀随机数。

所述物资需求提报APP安装在移动智能终端上，相关人员到事故现场核查物资损害情况时，通过物资需求提报APP向应用服务器上报物资需求信息。安装所述物资需求提报APP的智能终端通过蓝牙通信方式连接所述现场图像采集模块，所述现场图像采集模块采集的图像通过所述物资需求提报APP上传到应用服务器。

所述物资图像识别及智能调配服务器部署在信息中心机房，所述物资需求提报APP和服务器通过移动通信网络实现数据交互。相关人员可在事故现场实时上报电力应急物资需求，并及时获得应急物资保障及调配的最优化方案，以便合理开展电力应急抢险工作。

所述服务器通过算法评价校验模块，能将导入算法评价检验样本数据和所述应急物资调配优化模块生成的最优解集进行比较，作为应急物资调配优化算法的调整依据。

本发明的有益效果：

本发明在发生电力应急事件时，能够通过事故现场物资损害核查人员随身携带的APP及时提交应急物资需求。当现场处理人员无法对某些物资进行准确识别时，可通过APP上传物资采集图像，由所述服务器进行图像智能识别处理，识别成功后则将物资型号及名称反馈APP，由现场用户确认，该方法将提高上报物资信息的准确性。同时，所述服务器对提交的应急物资需求和物资系统导入的物资库存信息，综合运用多目标粒子群优化算法，生成电力物资保障及调配多目标优化方案。所述服务器采用上述方法，能够快速计算某种灾害或事件发生后对各种电力物资的需求量，指导按需储备或采购物资，保证电力抢修工作的顺利进行，避免过量储备或采购导致的资金浪费，使电力物资储备水平得到显著提升。与传统的人工报表汇总方式相比，本发明能更合理地分配物资储备库存，减少物资储备资金占用，提高应急物资的供应保障能力和效率，保证电力生产的安全可靠。

附图说明：

图1为本发明的工作流程图。

具体实施方式：

本发明由现场图像采集模块，物资需求提报APP，物资图像识别及智能调配服务器组成，所述物资图像识别及智能调配服务器包括：应急物资需求模块、图像智能识别处理模块、应急物资调配优化模块、电力物资特征提取模块、物资调配算法评价校验模块。所述物资需求提报APP安装在事故现场物资损害核查人员随身携带的移动终端上。所述现场图像采集模块安装在核查人员安全帽上，所述物资需求提报APP和所述现场图像采集模块通过蓝牙通信方式实现数据交互。所述物资需求提报APP和所述物资图像识别及智能调配服务器通过移动通信网络实现数据交互。

应急物资需求模块：通过移动通信网络实时接收物资需求提报 APP提交的应急物资需求信息，包括应急抢修灾害类别、紧急程度和上报的现场物资图像等，并写入物资需求信息库。

图像智能识别处理模块：对上报的现场物资图像进行智能识别，获得物资名称及型号，并反馈现场用户确认。图像智能识别采用 OpenCV来实现，其主要是通过现场采集的物资图像与系统预存的电力物资特征进行比对，比对成功则将该电力物资具体型号和名称发送到物资需求提报APP，由现场用户确认。

应急物资调配优化模块：提取电力物资系统中库存数据，从物资需求信息库获取物资需求清单数据，利用多目标粒子群优化算法求解最优解集，并将最优解集写入物资储备优化结果库，利用物资储备优化结果库生成电力应急物资保障及调配最优化方案。

电力物资特征提取模块：将具体型号电力物资样本图像上传，利用样本图像训练分类器，提取生成电力物资特征，并保存到电力物资特征库。

物资调配算法评价校验模块：确定检验样本数据，检验多目标粒子群优化算法生成的计算结果，对生成的最优解集和检验样本数据进行比较，当计算结果集和样本数据集有较大误差时，可调整多目标权值，训练结束后，将相关多目标权值保存到储备优化结果库。

多目标电力物资储备优化模型

电力物资储备优化考虑的因素包括物资采购费用、供货时间等, 将这些因素分别作为电力物资储备优化问题的优化目标,建立多目标电力物资储备优化模型如式(1)-(2)。

式中:目标函数f₁为方案的物资采购费用，S为采购物资集，K_l为物资单价，x_i为第i种待选物资的决策变量，l_i为第i种物资的需求量。目标函数f₂为供货用时约束，W_i为第i种物资的供货时间约束， y_i为第i种物资的供货时间约束系数。A_P(i,n)为资金收回系数，其中i为资金贴现率，n为贴现年限。

PSO优化算法

作为一种基于种群操作的优化技术，PSO算法将群体中的每个个体看作D维搜索空中一个没有体积和重量的粒子，即代表一个可能的候选解，粒子在搜索空间中以一定的速度飞行，其飞行所经历过的最好位置就是该粒子本身所找到的最好解，粒子的飞行速度由该粒子的飞行经验和群体的飞行经验进行动态调整，逐代搜索最后得到最优解。

假设在一个D维的目标搜索空间中，有N个粒子组成一个群落，其中第i个粒子表示为一个D维的向量

X_i＝(x_i1,x_i2,…,x_iD)，i＝1,2,…,N。

第i个粒子的“飞行”速度也是一个D维的向量，记为

V_i＝(v_i1,v_i2，…,v_iD)，i＝1,2,…3。

第i个粒子迄今为止搜索到的最优位置称为个体极值，记为

p_best＝(p_i1,p_i2,…,p_iD)，i＝1,2,…,N。

整个粒子群迄今为止搜索到的最优位置为全局极值，记为

g_best＝(p_g1,p_g2,…,p_gD)

在找到这两个最优值时，粒子根据如下公式(3.1)和(3.2)来更新自己速度和位置：

v_id＝w*v_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id)(3.1)

x_id＝x_id+v_id(3.2)

其中c₁和c₂为学习因子，也称加速常数(acceleration constant)，r₁和r₂为[0，1]范围内的均匀随机数。式(3.1)右边由三部分组成，第一部分为“惯性(inertia)”或“动量(momentum)”部分，反映了粒子的运动“习惯(habit)”，代表粒子有维持自己先前速度的趋势；第二部分为“认知(cognition)”部分，反映了粒子对自身历史经验的记忆(memory) 或回忆(remembrance)，代表粒子有向自身历史最佳位置逼近的趋势；第三部分为“社会(social)”部分，反映了粒子间协同合作与知识共享的群体历史经验，代表粒子有向群体或邻域历史最佳位置逼近的趋势，根据经验，通常c₁＝c₂＝2。i＝1,2,…,D。v_id是粒子的速度，v_id∈[-v_max,v_max]，v_max是常数，由用户设定用来限制粒子速度。r₁和r₂是介于[0,1]之间的随机数。

精英归档

单目标进化算法中，常将适应度大的个体称为精英个体，这些个体不参加交叉、变异等操作而直接被复制到下一代群体中去，这样既有利于群体向优秀个体方向进化，又可以加快算法的收敛速度。多目标粒子群算法也采用这种策略，多目标粒子群算法中，根据粒子对应的目标向量受支配程度来确定粒子的优劣程度。为了衡量每个粒子对应的目标向量受支配程度，定义粒子的序值进行度量。如第t代种群的X_i个体的目标向量被同代种群中的P_t个体的目标向量所支配，那么个体X的序值rank(X,t)＝1+P_t，所有支配个体的序值被指定为1，序值越小,粒子受支配程度越小,粒子的目标向量越好；序值越大，粒子受支配程度越大，粒子的目标向量越差。在种群外部设置一个档案库，将当前种群中所有序值为1的个体作为精英个体保存到外部档案库中，如果当前群体中没有序值为1的个体，则将序值较小的个体作为精英个体存到档案库，这种操作称为精英归档。

多目标粒子群优化算法流程

电力物资保障及调配多目标粒子群优化算法流程如下：

(1)初始化粒子群体,包括多目标粒子群算法的控制参数,群体规模,迭代次数，并从电力物资系统中采集历史数据获得应急抢修工作开展的物资需求量，以及各种变量因素参数；

(2)计算每个粒子所代表物资保障及调配多目标优化方案的2 个目标值f₁(X)、f₂(X)；

(3)根据Pareto最优概念更新每个粒子的个体最优值，即在粒子的当前位置和历史最优位置中选择一个非劣解作为粒子的个体最优值，如二者无支配关系则保持个体最优值不变；

(4)根据粒子的序值挑选当前种群中序值较小的粒子，存入外部档案库,并删除其中供货超时的非劣解。精英个体粒子保存在种群外部的档案库中，其用以保存算法进化过程中产生的非劣解，粒子更新时所需的全体最优值可直接从外部档案库中选择；

(5)根据公式(3.1)和(3.2)更新每个粒子的速度和位置；

(6)判断是否达到最大迭代次数，若达到，则输出档案库中的非劣解；否则转到(2)；

(7)对档案库中的非劣解进行N-1校验,输出所有满足N-1安全的电力物资保障及调配多目标优化方案。使用多目标粒子群算法计算时会出现违反约束的供货超时非劣解,在对外部档案库进行更新时，需要对档案库中的非劣解进行 N-1校验，以便删除供货超时的非劣解。由于N-1校验计算量大，因此在算法迭代过程中不做N-1校验,以减小计算量、缩短计算时间,待种群进化结束时，对获得的非劣解进行N-1校验。

应急物资图像智能识别处理流程：

(1)物资需求提报APP调用现场图像采集模块，对事故现场需求物资进行拍照，拍照后的图像通过移动通信网络实时上传到物资图像识别及智能调配服务器，由应急物资需求模块保存采集图像到服务器。

(2)图像智能识别处理模块加载已上传的采集图像，转换成灰度图，去除图像上的噪声，平滑图像中的高频噪声，然后图像进行二值化处理，执行多次形态学腐蚀与膨胀处理；

(3)图像智能识别处理模块将处理后的图像与服务器预存的电力物资特征库进行比对，比对成功则表明存在该具体型号的电力物资，否则不存在，继续进行电力物资特征库比对；

(4)图像智能识别处理模块将识别成功的电力物资具体型号和名称发送到物资需求提报APP，由现场用户确认应急物资需求。

(5)电力物资特征提取模块对上传的具体型号电力物资样本图像，进行样本图像训练分类，提取生成电力物资特征，并保存到电力物资特征库。

Claims (9)

1.一种基于图像识别和智能调配的电力应急物资需求提报平台，包括手持终端和服务器，其特征在于：手持终端连接现场图像采集模块，图像采集模块拍摄现场物资图像并通过手持终端传到服务器，服务器的图像智能识别处理模块对上报的现场物资图像进行智能识别，获得物资名称及型号，并反馈到手持终端，手持终端的物资需求提报模块向服务器上报应急物资需求信息，服务器的应急物资调配优化模块根据物资需求信息生成物资调配方案。

2.根据权利要求1所述基于图像识别和智能调配的电力应急物资需求提报平台，其特征在于：所述手持终端中的物资需求提报模块为物资需求提报APP，服务器收到物资需求后，应急物资调配优化模块结合电力物资系统导入的物资种类及库存信息，利用多目标粒子群优化算法进行计算，生成电力应急物资保障及调配最优化方案，并返回最优化方案到所述物资需求提报APP。

3.根据权利要求2所述基于图像识别和智能调配的电力应急物资需求提报平台，其特征在于所述服务器包括：

应急物资需求模块：通过移动通信网络实时接收物资需求提报APP提交的应急物资需求信息，包括应急抢修灾害类别、紧急程度和上报的现场物资图像等，并写入物资需求信息库；

电力物资特征提取模块：将具体型号电力物资样本图像上传，利用样本图像训练分类器，提取生成电力物资特征，并保存到电力物资特征库；

图像智能识别处理模块：对上报的现场物资图像进行智能识别，通过现场采集的物资图像与系统预存的电力物资特征进行比对，比对成功则将该电力物资具体型号和名称发送到物资需求提报APP，由现场用户确认；

应急物资调配优化模块：提取电力物资系统中库存数据，从物资需求信息库获取物资需求清单数据，利用多目标粒子群优化算法求解最优解集，并将最优解集写入物资储备优化结果库，利用物资储备优化结果库生成电力应急物资保障及调配最优化方案发送到物资需求提报APP；

物资调配算法评价校验模块：确定检验样本数据，检验多目标粒子群优化算法生成的计算结果，对生成的最优解集和检验样本数据进行比较，当计算结果集和样本数据集有较大误差时，可调整多目标权值，训练结束后，将相关多目标权值保存到储备优化结果库。

4.根据权利要求3所述基于图像识别和智能调配的电力应急物资需求提报平台，其特征在于：所述服务器导入算法评价检验样本数据，并通过所述算法评价校验模块将检验样本数据和所述应急物资调配优化模块生成的最优解集进行比较，当计算结果集和样本数据集有较大误差时，调整多目标权值；训练结束后，将相关多目标权值保存到储备优化结果库。

5.一种应急物资图像识别处理方法，其特征在于包括以下步骤：

加载上传的现场采集图像，转换成灰度图，去除图像上的噪声，平滑图像中的高频噪声，然后图像进行二值化处理，执行多次形态学腐蚀与膨胀处理；

将处理后的图像与系统预存的电力物资特征资源库中记录进行比对，比对成功则表明存在该具体型号的电力物资，否则不存在，继续进行物资特征资源库下一条记录的比对；

将识别成功的电力物资具体型号和名称发送到物资需求提报APP，由现场用户选择确认。

6.根据权利要求5所述的应急物资图像识别处理方法，其特征在于：电力物资特征提取模块对上传的具体型号电力物资样本图像，进行样本图像训练分类，提取生成电力物资特征，并保存到电力物资特征库。

7.根据权利要求4所述所述基于图像识别和智能调配的电力应急物资需求提报平台，其特征在于所述多目标粒子群优化算法包括：

初始化粒子群体, 包括多目标粒子群算法的控制参数, 群体规模, 迭代次数，并从电力物资系统中采集历史数据获得应急抢修工作开展的物资需求量，以及各种变量因素参数；

计算每个粒子所代表物资保障及调配多目标优化方案的目标值；

根据 Pareto 最优概念更新每个粒子的个体最优值，即在粒子的当前位置和历史最优位置中选择一个非劣解作为粒子的个体最优值，如二者无支配关系则保持个体最优值不变；

根据粒子的序值挑选当前种群中序值较小的粒子，存入外部档案库, 并删除其中供货超时的非劣解。

8.精英个体粒子保存在种群外部的档案库中，其用以保存算法进化过程中产生的非劣解，粒子更新时所需的全体最优值可直接从外部档案库中选择；

更新每个粒子的速度和位置；

判断是否达到最大迭代次数，若达到，则输出档案库中的非劣解；否则转到(2) ；

对档案库中的非劣解进行N-1校验, 输出所有满足N-1安全的电力物资保障及调配多目标优化方案。

9.根据权利要求7所述基于图像识别和智能调配的电力应急物资需求提报平台，其特征在于：多目标优化方案的目标值为物资采购费用及供货时间，建立多目标电力物资储备优化模型：

式中: 目标函数f₁为方案的物资采购费用，S为采购物资集，K_l为物资单价，x_i为第i种待选物资的决策变量，l_i为第i种物资的需求量；目标函数f₂为供货用时约束，W_i为第i种物资的供货时间约束，y_i为第i种物资的供货时间约束系数，A_P(i,n)为资金收回系数，其中i为资金贴现率，n为贴现年限。