年9月，南方电网科学研究院有限责任公司（简称“南网科研院”）牵头，香港生产力促进局（简称“生产力局”）及天津大学、香港中文大学（深圳）共同参与的国家重点研发计划“战略性科技创新合作”项目——“联邦学习框架下基于小样本学习的典型电网设备小弱缺陷识别关键技术研究”正式启动。
该项目是南方电网公司首个港澳台“战略性科技创新合作”重点项目，年同时获得香港科技创新署创新及科技资金“内地与香港联合资助计划”的支持。
项目负责人、南方电网公司高级技术专家李锐海近日接受笔者采访时表示，生产力局作为世界级的先进技术和创新服务主体，南网科研院作为南方电网公司中央研究院，双方长期保持良好的联系互动，在科技创新、技术研发、成果转化等方面也多次交流学习。
他说:“本次国家重点研发项目是双方首次共同开展国家级项目联合攻关，双方从项目申报至今，克服了疫情等困难，在项目实施管控、关键技术研讨方面密切联系，按计划切实推动项目顺利推进。”
强强联合，助力大湾区电网安全运行
南方电网东西跨度近公里，为广东、广西、云南、贵州、海南五省区和港澳地区提供电力供应服务保障，供电人口超2.5亿人，供电客户1.07亿户。
据李锐海介绍，由于电网设备长期户外运行，老化、外部破坏等因素引发的缺陷会影响电网安全运行，因此必须要及时找到这些缺陷并处理。随着无人机、机器人、视频监控等手段的运用，采集的图像数据越来越多，对于其中表现弱、不规则的设备缺陷，仅靠人力无法及时、高效、准确地分析和应用，所以需要通过人工智能等手段帮助工作人员减少工作量并提高工作效率。
此次南方电网与生产力局等合作的“联邦学习框架下基于小样本学习的典型电网设备小弱缺陷识别关键技术研究”项目，聚焦“智能输变电”与“人工智能”交叉学科领域，重点研究基于图像数据研究电网设备缺陷的自动识别技术，针对在图像中呈现的电网设备主要缺陷普遍具有尺度小、对比弱的特点，当前各类识别方案难以检出有效的问题，从数据采集、模型优化、多方协同、终端部署四个方面出发，提出高效、高可靠的电网故障智能诊断办法，实现端到端的小弱缺陷识别技术。
这一“能源+AI”项目不仅有助于减少工作人员在野外巡线等相对危险的工作，让人从重复性的繁重劳动中解脱出来，而且可以更好地保障民生、工业用电安全，为粤港澳大湾区电网安全运行和工业“智”造奠定坚实的理论和技术基础，长远来看，也可以解决更大范围内同行业存在的共性难题。
李锐海表示，正是因为该项目的意义重大，南网科研院、生产力局、香港中文大学（深圳）、天津大学积极协作，发挥各自优势，组成了数十人的联合攻关团队。南网科研院多年来科研投入大，积累了多项关键核心技术，且搜集有大量样本数据，对项目实际需求的分析透彻，对项目目标把握准确；生产力局的应用科技研究能力强，在工业应用方面有多年经验；天津大学团队与南方电网有合作经验，在算法方面有丰富积累；香港中文大学（深圳）在前瞻性算法方面有优势，而且在机器人等硬件研发领域有专长。
他说，一直以来，南方电网与香港多家电力公司保持密切交流，并在广东省科技厅等单位的支持下，与生产力局等港方单位开展技术交流。生产力局作为香港的法定机构，致力于世界级的先进技术和创新服务，全力促进香港成为国际创新科技中心及智慧城市，并通过产品创新和技术转移，成功让研发成果商品化，制造商机，其多年来的研发成果获得广泛肯定。南网科研院致力于能源领域科技创新、技术服务、成果转化等，也多次获得国家、省部级科技奖励，双方的合作可谓“强强联合”。
香港生产力促进局与香港土木工程拓展署合作，成功研发利用无人机搭载人工智能边缘端技术对该署在建隧道进行实时缺损检测。
据生产力局机械人及人工智能部总经理兼香港科技大学-生产力局工业人工智能与机器人联合研究中心联席主任葛明博士介绍，生产力局近五年来与南方电网交流较多，对其需求有深入理解，同时，生产力局在利用无人机搭载人工智能技术进行实时隧道缺损检测拥有丰富经验，与此次联合项目中南方电网的需求关联密切。
今年8月，生产力局研发的两个项目在有“创科界奥斯卡”美誉的年“百大科技研发奖”（RDAwards），其获奖项目之一就是利用无人机搭载人工智能边缘端技术进行实时隧道缺损检测。该奖项的获奖机构还包括麻省理工学院林肯实验室、劳伦斯伯克利国家实验室、美国航空航天局格伦研究中心等，生产力局成为香港获奖最多的机构之一。
“在我们四方合作的这个项目中，既有需求又有研发，既有软件又有硬件，既有理论研究又有工程应用研究，保证了项目能够成为一个以落地应用为目标、真正能够应用项目。”李锐海表示，该项目将通过内地和香港科技机构深化合作，进一步提升电网智能运维技术和缺陷自动识别技术的成熟度、就绪度，打造粤港澳大湾区创新协同发展的先进示范样本。
已在深穗等地开展跨域分布式联邦学习测试
尽管受疫情影响，“联邦学习框架下基于小样本学习的典型电网设备小弱缺陷识别关键技术研究”项目组成员一年来主要通过线上沟通，项目仍在按计划顺利推进。
该项目有两个最为关键的词，即“联邦学习”和“小弱缺陷”。
据李锐海介绍，目前项目组已经构建了10余万张电力巡检图像数据集，提出了基于多感受野融合的高分辨率神经网络设计方案，在参数大量缩减的同时，预测精度上具有显著提升；结合元学习的思想设计小样本学习的技术方案，提出了基于元学习的小样本缺陷识别模型，从而实现对输电线路导线损坏缺陷、导线及母线异物飘挂缺陷、配电绝缘子受损缺陷的识别。
输电线路容易被异物悬挂、缠绕，一些小弱缺陷在图像中占比小、对比度低，常规方法难以识别。
同样值得
