电力属于国民经济建设的重要能源,在实际开展各项工作的过程中需要得到系统化安全化的支撑,其中电力设施作为电力系统安全运行及正常供电的基础,对人们的生活生产有着重要的意义。然而,我国对于全球范围内电力设施的精确点位信息尚未完全掌握,对于电力设施遥感目标检测能力尚未形成。互联网中存在的丰富电力设施开源数据库,虽然从中可以获取大量电力设施信息,但这些信息中不免存在错误、过时、重复等情况。近年来,数据融合手段的丰富,遥感卫星数据的积累和人工智能深度学习的发展,提供了电力设施融合数据集自动化验证的技术契机。本文围绕该思路,以电力设施中火电厂为例,开展相关研究,形成了一个以互联网多源信息与遥感数据为支撑,结合深度学习与知识驱动的火电厂智能识别技术。首先,本文从遥感角度,对具有研究意义的电力设施类别进行了划分。其次,研究从互联网开源地理信息数据库、行业专题数据库和百科数据中获取电力设施多源信息,构建数据处理与融合匹配流程,融合了OSM、Geo Names、WRI、Wikipedia等电力设施中火电厂多源数据,建立了火电厂融合数据库。之后,以电力设施中的火电厂为例,解构火电厂内部主要要素组成并分析主要特征,建立火电厂遥感样本与深度学习模型。通过火电厂融合数据集获取谷歌高分辨率遥感影像,利用标注工具制作样本,并针对火电厂各要素制定样本增广方法,丰富火电厂样本数量。之后利用深度学习目标检测模型中的YOLOv5与Faster-RCNN模型分别进行训练与测试,。对比发现YOLOv5对火电厂冷凝塔的识别准确率达到95%,Faster-RCNN对于烟囱的识别能力更强。最后,提出了一个知识驱动的深度学习火电厂高分辨率遥感影像点位验证框架,利用融合数据集中的火电厂空间点位并获取影像,通过以两个深度学习模型为主组成的综合判别模型,第一种是基于YOLO-v5l和两种判别规则的典型火电厂识别模型;第二种是基于Faster-RCNN和两种地理约束的非典型火电厂识别模型。经统计,该框架在中国陆域全境火电厂数据集上表现良好,整体准确率达91.7%,召回率达91.0%,速度约为人工手动验证的15倍。