★國(guó)網(wǎng)寶雞供電公司郭揚(yáng)，田浩，賈晨陽(yáng)

關(guān)鍵詞：無(wú)人機(jī)巡檢；AI識(shí)別；電力設(shè)備；缺陷檢測(cè)；智能化運(yùn)維

作為國(guó)家能源企業(yè)和公共服務(wù)行業(yè)的一部分，國(guó)網(wǎng)寶雞供電公司擔(dān)負(fù)著陳倉(cāng)區(qū)的電網(wǎng)規(guī)劃、管理、建設(shè)、調(diào)度、運(yùn)營(yíng)、服務(wù)和搶修等工作。在電網(wǎng)建設(shè)方面，該公司積極參與并推動(dòng)了多項(xiàng)重點(diǎn)工程。傳統(tǒng)的配電網(wǎng)巡檢工作主要依賴于人工，不僅耗時(shí)耗力，還存在安全風(fēng)險(xiǎn)。巡檢人員需要攀爬桿塔、穿越復(fù)雜地形，對(duì)體力和技能要求較高。人工巡檢受限于主觀因素，如經(jīng)驗(yàn)、疲勞等，可能導(dǎo)致巡檢結(jié)果的不一致性和疏漏。面對(duì)廣泛分布的配電網(wǎng)設(shè)備，人工巡檢難以做到全面、及時(shí)和高效。特別是在山區(qū)、水域等難以到達(dá)的區(qū)域，巡檢難度更大。近年來(lái)，隨著無(wú)人機(jī)技術(shù)、AI技術(shù)的快速發(fā)展和普及，無(wú)人機(jī)在電力巡檢領(lǐng)域的應(yīng)用越來(lái)越廣泛[1]。無(wú)人機(jī)搭載的高清攝像頭、紅外熱像儀等設(shè)備，能夠?qū)崟r(shí)捕捉電力設(shè)備的圖像和數(shù)據(jù)。無(wú)人機(jī)具有靈活性高、覆蓋范圍大、作業(yè)限制小等優(yōu)點(diǎn)，能夠輕松穿越復(fù)雜地形和惡劣環(huán)境，進(jìn)行快速、準(zhǔn)確的巡檢，能夠有效降低人工巡檢的風(fēng)險(xiǎn)和成本，提高巡檢效率和安全性。AI技術(shù)為無(wú)人機(jī)巡檢提供了強(qiáng)大的數(shù)據(jù)處理和分析能力。通過(guò)深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)等技術(shù)，可以對(duì)無(wú)人機(jī)采集的圖像和數(shù)據(jù)進(jìn)行自動(dòng)識(shí)別和分類，能夠?qū)崿F(xiàn)對(duì)電力設(shè)備缺陷和安全隱患的精準(zhǔn)識(shí)別和預(yù)警，提高巡檢的準(zhǔn)確性和可靠性[2]。

隨著電力行業(yè)的快速發(fā)展和電網(wǎng)規(guī)模的不斷擴(kuò)大，電力行業(yè)正面臨數(shù)字化轉(zhuǎn)型的趨勢(shì)，AI技術(shù)的應(yīng)用是實(shí)現(xiàn)這一轉(zhuǎn)型的關(guān)鍵[3]。通過(guò)構(gòu)建智能化的巡檢和隱患識(shí)別系統(tǒng)，可以推動(dòng)配電網(wǎng)向更自動(dòng)化、更智能的方向發(fā)展。

1　實(shí)施過(guò)程

1.1　總體思路

（1）技術(shù)融合與智能化升級(jí)：AI技術(shù)的深度應(yīng)用將深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等AI技術(shù)深度融入配電網(wǎng)巡檢的各個(gè)環(huán)節(jié)，實(shí)現(xiàn)對(duì)巡檢數(shù)據(jù)的智能分析、處理與決策。這種技術(shù)融合不僅提高了巡檢的自動(dòng)化水平，還顯著提升了隱患識(shí)別的準(zhǔn)確性和效率。

（2）智能算法與模型優(yōu)化：針對(duì)配電網(wǎng)巡檢的特定需求，研發(fā)適用于該場(chǎng)景的AI算法，如基于深度學(xué)習(xí)的圖像識(shí)別算法。這些算法能夠更準(zhǔn)確地識(shí)別設(shè)備缺陷。通過(guò)不斷優(yōu)化AI模型的結(jié)構(gòu)和參數(shù)，可以提高模型的識(shí)別精度和泛化能力。同時(shí)，利用遷移學(xué)習(xí)等技術(shù)，將已有的模型知識(shí)應(yīng)用到新的巡檢場(chǎng)景中，可以加速模型的適應(yīng)和部署過(guò)程。

（3）數(shù)據(jù)驅(qū)動(dòng)與持續(xù)優(yōu)化：利用大數(shù)據(jù)分析技術(shù)，對(duì)巡檢數(shù)據(jù)進(jìn)行深度挖掘和分析，發(fā)現(xiàn)潛在的規(guī)律和趨勢(shì)。通過(guò)數(shù)據(jù)可視化等技術(shù)手段，將分析結(jié)果以直觀的方式呈現(xiàn)出來(lái)，為運(yùn)維人員提供決策支持。基于實(shí)際巡檢效果和反饋意見(jiàn)，對(duì)AI自動(dòng)巡檢系統(tǒng)進(jìn)行持續(xù)優(yōu)化和迭代。通過(guò)不斷改進(jìn)算法模型、優(yōu)化系統(tǒng)架構(gòu)、提升硬件性能等方式，提高系統(tǒng)的整體性能和穩(wěn)定性，確保配電網(wǎng)AI自動(dòng)巡檢隱患識(shí)別工作的長(zhǎng)期有效運(yùn)行。

1.2　詳細(xì)過(guò)程

1.2.1　算法方案設(shè)計(jì)

首先，根據(jù)缺陷的性質(zhì)，可以將其分為物理缺陷和熱缺陷，物理缺陷如機(jī)械損傷、磨損、腐蝕和變形，以及電氣缺陷如絕緣損壞、接觸不良、短路和斷路。熱缺陷，如過(guò)熱和熱點(diǎn)，通常通過(guò)紅外熱像儀來(lái)檢測(cè)。其次，根據(jù)缺陷的嚴(yán)重程度，它們可以被分類為一般缺陷，這些缺陷雖然需要關(guān)注但不會(huì)立即影響設(shè)備運(yùn)行；嚴(yán)重缺陷，可能影響設(shè)備性能且需要盡快處理；以及危急缺陷，這些缺陷對(duì)設(shè)備安全運(yùn)行構(gòu)成直接威脅，需要立即采取措施。此外，缺陷還可以根據(jù)其影響范圍被分為局部缺陷和整體缺陷。在可見(jiàn)性方面，缺陷可以是可見(jiàn)光缺陷，通過(guò)肉眼或普通相機(jī)可見(jiàn)，或者是非可見(jiàn)光缺陷，需要特殊設(shè)備如紅外熱像儀或紫外成像儀來(lái)檢測(cè)。在配電網(wǎng)中，具體的缺陷類型包括絕緣護(hù)套破損、導(dǎo)線未綁扎、絕緣罩脫落、保險(xiǎn)銷子脫落、桿基雜物堆積和變壓器漏油等。這些缺陷的檢測(cè)可以通過(guò)基于視覺(jué)、熱成像或聲學(xué)的技術(shù)來(lái)實(shí)現(xiàn)。最后，根據(jù)處理策略，缺陷可以被分類為即時(shí)處理、計(jì)劃處理或監(jiān)控跟蹤，以確定最合適的維護(hù)行動(dòng)計(jì)劃。電力缺陷的分類如圖1所示。

圖1 電力缺陷的分類

配電缺陷可以通過(guò)深度學(xué)習(xí)算法來(lái)分析和識(shí)別。這項(xiàng)技術(shù)的核心是構(gòu)建一個(gè)強(qiáng)大的神經(jīng)網(wǎng)絡(luò)模型，該模型以PyTorch框架為基礎(chǔ)，這是目前深度學(xué)習(xí)領(lǐng)域廣泛使用的一個(gè)動(dòng)態(tài)計(jì)算圖庫(kù)，因其靈活性和強(qiáng)大的社區(qū)支持而受到青睞。為了滿足國(guó)內(nèi)對(duì)技術(shù)自主可控的需求，該模型還特別兼容了PaddlePaddle和Mindspore等國(guó)產(chǎn)深度學(xué)習(xí)框架，確保了技術(shù)的多樣性和選擇性。在模型的選擇上，采用結(jié)合了CNN和YOLOV8的架構(gòu)。CNN作為特征提取器，能夠從輸入圖像中提取出豐富的特征表示，而YOLOV8則是一種先進(jìn)的實(shí)時(shí)目標(biāo)檢測(cè)算法，以其速度快和精度高而著稱。這種結(jié)合使得模型不僅能夠提取圖像特征，還能快速準(zhǔn)確地定位和識(shí)別圖像中的缺陷目標(biāo)。為了進(jìn)一步提升模型的性能，特別是在處理不同尺度的目標(biāo)時(shí)，模型采用了BiFPN（Bidirectional Feature Pyramid Network）技術(shù)。BiFPN是一種特征金字塔網(wǎng)絡(luò)，它通過(guò)多層的堆疊實(shí)現(xiàn)了更高維度的特征融合。與傳統(tǒng)的特征金字塔網(wǎng)絡(luò)相比，BiFPN引入了雙向的信息流，即自頂向下和自底向上的信息傳遞，這不僅加強(qiáng)了高層語(yǔ)義信息與低層位置信息的結(jié)合，還提高了模型對(duì)不同尺度目標(biāo)的識(shí)別能力。在特征融合的過(guò)程中，BiFPN通過(guò)跨層連接將不同尺度的特征圖進(jìn)行有效整合，實(shí)現(xiàn)了特征的多尺度融合。這種融合策略使得模型能夠捕捉到大目標(biāo)的整體特征，同時(shí)也不忽視小目標(biāo)的細(xì)節(jié)特征。此外，通過(guò)線性加權(quán)的方式，模型能夠平衡不同特征圖的貢獻(xiàn)，進(jìn)一步提升了識(shí)別的準(zhǔn)確。

圖2 算法框架

1.2.2　算法選型及流程

（1）算法訓(xùn)練流程

算法訓(xùn)練流程是構(gòu)建高效、準(zhǔn)確深度學(xué)習(xí)模型的關(guān)鍵步驟，它通常包括數(shù)據(jù)清洗、樣本標(biāo)注、模型訓(xùn)練、模型優(yōu)化和模型迭代這五個(gè)階段。首先，數(shù)據(jù)清洗是確保訓(xùn)練數(shù)據(jù)質(zhì)量的第一步，它涉及去除噪聲、異常值和不相關(guān)數(shù)據(jù)，以保證后續(xù)訓(xùn)練的有效性。樣本標(biāo)注則是為數(shù)據(jù)集中的每個(gè)樣本提供正確的標(biāo)簽，這對(duì)于監(jiān)督學(xué)習(xí)尤其重要，因?yàn)槟Ｐ托枰烂總€(gè)訓(xùn)練樣本的正確輸出。接下來(lái)，模型訓(xùn)練階段使用已清洗和標(biāo)注的數(shù)據(jù)來(lái)訓(xùn)練模型。在此階段，基于YOLO的目標(biāo)識(shí)別算法被用來(lái)訓(xùn)練模型識(shí)別和定位圖像中的缺陷。YOLO算法以其速度快、性能好而受到青睞，特別適合實(shí)時(shí)或近實(shí)時(shí)的應(yīng)用場(chǎng)景。在模型優(yōu)化階段，通過(guò)調(diào)整模型參數(shù)和結(jié)構(gòu)來(lái)提高模型的性能。這可能包括調(diào)整學(xué)習(xí)率、改變網(wǎng)絡(luò)層的數(shù)量或深度、優(yōu)化網(wǎng)絡(luò)激活函數(shù)等。此外，樣本增廣技術(shù)如旋轉(zhuǎn)、縮放、裁剪等被用來(lái)增加樣本的多樣性，這有助于提高模型的泛化能力，減少過(guò)擬合的風(fēng)險(xiǎn)。算法調(diào)參是優(yōu)化過(guò)程中的一個(gè)重要環(huán)節(jié)，它涉及到超參數(shù)的選擇，如批量大小、優(yōu)化器類型、正則化技術(shù)等。正確的超參數(shù)設(shè)置可以顯著提高模型的性能和訓(xùn)練速度。最后，模型迭代是一個(gè)持續(xù)改進(jìn)的過(guò)程，模型在每次迭代中都會(huì)根據(jù)新的數(shù)據(jù)和反饋進(jìn)行調(diào)整和優(yōu)化。通過(guò)不斷的迭代，可以逐步提升模型的準(zhǔn)確性和魯棒性。為了提高迭代效率，可以采用自動(dòng)化的機(jī)器學(xué)習(xí)流程，如自動(dòng)化超參數(shù)調(diào)整（AutoML）和持續(xù)集成/持續(xù)部署（CI/CD）流程，這些流程可以加快模型從開(kāi)發(fā)到部署的周期。在這一流程中，樣本數(shù)量和優(yōu)化策略是決定模型是否高效易用的關(guān)鍵因素。足夠的樣本數(shù)量可以確保模型學(xué)習(xí)到豐富的特征，而精心設(shè)計(jì)的優(yōu)化策略則可以確保模型在有限的時(shí)間內(nèi)達(dá)到最佳性能。通過(guò)上述流程，可以實(shí)現(xiàn)模型單次迭代的速度達(dá)到4天/次的高效率，這對(duì)于需要快速響應(yīng)和持續(xù)改進(jìn)的應(yīng)用場(chǎng)景至關(guān)重要。

（2）基于SAM的圖像樣本增廣

基于Segment Anything Model（SAM）的圖像樣本增廣是一種針對(duì)電力巡檢中樣本量不足問(wèn)題的有效解決方案，尤其適用于如絕緣子破損這類缺陷樣本較少的情況。SAM模型是一種先進(jìn)的圖像分割模型，它能夠通過(guò)簡(jiǎn)單的輸入提示，準(zhǔn)確地分割出圖像中的任何對(duì)象。在樣本增廣的過(guò)程中，首先使用SAM模型對(duì)包含缺陷的圖像進(jìn)行分割，識(shí)別出圖像中的缺陷目標(biāo)，如破損的絕緣子。接下來(lái)，進(jìn)行數(shù)據(jù)增強(qiáng)操作，包括旋轉(zhuǎn)、縮放、平移等，這些操作可以模擬真實(shí)環(huán)境中可能出現(xiàn)的各種情況，增加樣本的多樣性。增強(qiáng)后，使用CopyPaste技術(shù)將分割出的缺陷目標(biāo)復(fù)制到無(wú)缺陷的圖像上，這一步驟是樣本增廣的核心。通過(guò)隨機(jī)選擇無(wú)缺陷的背景圖像，并將缺陷目標(biāo)粘貼到不同的位置上，可以生成大量新的、逼真的缺陷樣本。這種方法不僅可以增加樣本的數(shù)量，還可以提高樣本的質(zhì)量和多樣性，使得訓(xùn)練出的模型更加魯棒，能夠更好地泛化到實(shí)際的巡檢任務(wù)中。此外，通過(guò)調(diào)整缺陷目標(biāo)在新圖像中的尺寸、角度和位置，可以進(jìn)一步增加樣本的復(fù)雜性，模擬出更多真實(shí)世界中的缺陷情況。為了確保增廣樣本的真實(shí)性和有效性，還可以采用一些高級(jí)技術(shù)，如保持缺陷目標(biāo)與背景之間的光照和紋理一致性，以及考慮缺陷目標(biāo)在新圖像中的上下文關(guān)系。這些措施有助于提高模型對(duì)新樣本的識(shí)別能力，減少過(guò)擬合的風(fēng)險(xiǎn)。

（3）EMA注意力模塊的模型結(jié)構(gòu)優(yōu)化

EMA注意力模塊是一種創(chuàng)新的注意力機(jī)制，旨在通過(guò)高效的多尺度特征融合提升模型的性能。EMA模塊的設(shè)計(jì)核心在于對(duì)輸入特征進(jìn)行精細(xì)得多尺度處理，同時(shí)保持計(jì)算效率。在EMA模塊中，首先將輸入特征的通道進(jìn)行重塑，部分通道被擴(kuò)展到批量維度，這樣做可以使得模型能夠更靈活地處理不同尺度的特征信息。同時(shí)，EMA模塊將通道維度分組為多個(gè)子特征組，每個(gè)組內(nèi)的空間語(yǔ)義特征能夠均勻分布，這樣的設(shè)計(jì)有助于模型捕捉到不同尺度下的細(xì)節(jié)和上下文信息。EMA模塊的另一個(gè)關(guān)鍵優(yōu)勢(shì)是其計(jì)算效率。通過(guò)精心設(shè)計(jì)的通道重塑和分組策略，EMA能夠在保持注意力機(jī)制效果的同時(shí)，顯著降低模型的計(jì)算量和參數(shù)數(shù)量。與現(xiàn)有的多尺度注意力機(jī)制如HAM（Hierarchical Attention）、SA（Squeeze-and-Excitation）、ECA（Efficient Channel Attention）、CA（Channel Attention）等相比，EMA不僅在效果上更優(yōu)，而且在參數(shù)效率上也更為出色。在模型結(jié)構(gòu)優(yōu)化方面，EMA模塊的引入可以顯著提升模型的泛化能力。通過(guò)對(duì)不同尺度特征的均衡處理，EMA模塊幫助模型更好地理解和處理圖像中的復(fù)雜結(jié)構(gòu)，從而提高了模型對(duì)不同類型和尺度的缺陷的識(shí)別能力。優(yōu)化后的模型不僅在準(zhǔn)確率上有所提升，而且在召回率上也實(shí)現(xiàn)了約7%的顯著增長(zhǎng)，這意味著模型能夠更全面地識(shí)別出圖像中的缺陷，減少了漏檢的情況。此外，EMA模塊的引入也使得模型在處理不同分辨率和尺寸的圖像時(shí)更加靈活和魯棒。在實(shí)際應(yīng)用中，EMA模塊可以很容易地集成到現(xiàn)有的深度學(xué)習(xí)模型中，如卷積神經(jīng)網(wǎng)絡(luò)（CNN），無(wú)需對(duì)模型架構(gòu)進(jìn)行大規(guī)模的調(diào)整，即可實(shí)現(xiàn)性能的提升。EMA優(yōu)化結(jié)構(gòu)如圖3所示。

圖3 EMA優(yōu)化結(jié)構(gòu)

（4）隨機(jī)權(quán)重平均

配電變壓器滲漏油、桿基雜物堆積等類別由于邊界不明顯且無(wú)規(guī)則，雜物類別較多，對(duì)模型的泛化性造成一定難度，模型召回率不好。

優(yōu)化方式：采用隨機(jī)權(quán)重平均策略（SWA）進(jìn)行模型參數(shù)迭代，提升模型泛化性。優(yōu)化前59.9，優(yōu)化后提升至68.1。策略：對(duì)于模型的權(quán)重，不直接使用最后的權(quán)重，而將訓(xùn)練過(guò)程的權(quán)重參數(shù)進(jìn)行平均。

（5）預(yù)訓(xùn)練模型迭代機(jī)制

結(jié)合大量訓(xùn)練數(shù)據(jù)，創(chuàng)造性地構(gòu)建輸電預(yù)訓(xùn)練模型。通過(guò)MAE圖片重構(gòu)，訓(xùn)練無(wú)監(jiān)督預(yù)訓(xùn)練模型，以此為骨干網(wǎng)絡(luò)提高下游任務(wù)模型性能。電力預(yù)訓(xùn)練模型的出現(xiàn)可規(guī)范各下游算法開(kāi)發(fā)流程，極大縮減了模型訓(xùn)練時(shí)間，形成了模型自學(xué)習(xí)能力，提高了各下游任務(wù)模型性能。在輸電導(dǎo)線銹蝕缺陷檢測(cè)中，將電力預(yù)訓(xùn)練大模型作為Backbone，實(shí)現(xiàn)迭代升級(jí)機(jī)制，能夠提升Map3-5個(gè)點(diǎn)。

圖4 原始訓(xùn)練數(shù)據(jù)

圖5 引入無(wú)監(jiān)督模型

（6）模型迭代流程

算法模型迭代，首先模型成功收斂，完成初始模型訓(xùn)練；其次通過(guò)大量訓(xùn)練數(shù)據(jù)進(jìn)行模型迭代，避免模型數(shù)據(jù)過(guò)擬合，然后通過(guò)剪枝蒸餾等策略進(jìn)行模型優(yōu)化；最后對(duì)模型量化加速，提升模型處理速度。

1.2.3　算法識(shí)別效果

算法模型經(jīng)過(guò)迭代優(yōu)化后的整體提升效果如表1所示，平均精度提升12.5，發(fā)現(xiàn)率提升11.8。

圖6 模型對(duì)小目標(biāo)檢測(cè)結(jié)果

表1 效果對(duì)比表

1.3　特色或顯著特點(diǎn)

（1）無(wú)人機(jī)巡檢能夠快速覆蓋大面積巡檢區(qū)域，并在較短時(shí)間內(nèi)完成巡檢任務(wù)。無(wú)人機(jī)巡線一個(gè)航次通常能在25分鐘內(nèi)完成人工需要1小時(shí)的任務(wù)量，特別是在地勢(shì)陡峭或難以到達(dá)的地方，無(wú)人機(jī)的優(yōu)勢(shì)更加明顯。無(wú)人機(jī)巡檢系統(tǒng)不僅可以提供大量的實(shí)時(shí)數(shù)據(jù)，還可以通過(guò)先進(jìn)的數(shù)據(jù)分析和人工智能技術(shù)，將這些數(shù)據(jù)轉(zhuǎn)化為有用的信息。技術(shù)人員可以依據(jù)這些數(shù)據(jù)進(jìn)行智能決策，優(yōu)化設(shè)備維護(hù)計(jì)劃，提前發(fā)現(xiàn)并處理潛在故障，從而降低突發(fā)故障的風(fēng)險(xiǎn)。

圖7 無(wú)人機(jī)發(fā)現(xiàn)故障

（2）利用無(wú)人值守機(jī)巢或便攜式可移動(dòng)機(jī)場(chǎng)實(shí)現(xiàn)自動(dòng)化作業(yè)，提高巡視頻次和覆蓋范圍。該階段無(wú)人機(jī)巡檢可通過(guò)云平臺(tái)遠(yuǎn)程手動(dòng)控制無(wú)人機(jī)，支持云端實(shí)時(shí)直播錄屏和作業(yè)成果自動(dòng)回傳，系統(tǒng)會(huì)按照作業(yè)時(shí)間進(jìn)行分類歸檔，同時(shí)具備4G/5G鏈路拓展，可延伸無(wú)人機(jī)有效作業(yè)半徑，極大提升了無(wú)人機(jī)巡檢效率與安全。作業(yè)人員的工作重心由無(wú)人機(jī)操作向海量數(shù)據(jù)的處理分析和人工智能識(shí)別等更深層次應(yīng)用開(kāi)始探索。

圖8 無(wú)人機(jī)機(jī)場(chǎng)

（3）無(wú)人機(jī)巡檢生成的大量數(shù)據(jù)可以通過(guò)AI云平臺(tái)管理系統(tǒng)進(jìn)行深度分析和智能評(píng)估，幫助運(yùn)維人員快速定位故障、評(píng)估故障嚴(yán)重程度，并制定有效的維護(hù)策略。在配電巡檢中，同一桿塔的同一缺陷，存在重復(fù)上報(bào)問(wèn)題，需要人工篩選去重增加了缺陷處理工作量。AI云平臺(tái)管理系統(tǒng)可實(shí)現(xiàn)對(duì)多張拍攝點(diǎn)位照片中的同一物理缺陷進(jìn)行識(shí)別和去重，解決了缺陷重復(fù)上報(bào)問(wèn)題，去重準(zhǔn)確率≥85%，召回率≥80%。

2　實(shí)施成效

（1）截至目前，該技術(shù)的應(yīng)用實(shí)現(xiàn)了客戶及相關(guān)方預(yù)期巡檢找隱患效能設(shè)定的80%目標(biāo)，并通過(guò)鞏固措施的實(shí)施已超過(guò)目標(biāo)達(dá)到85%，巡檢覆蓋率也突破至95%，如圖9所示。我們?cè)谔嵘潆娋W(wǎng)運(yùn)維效率和保障電網(wǎng)安全穩(wěn)定運(yùn)行方面已經(jīng)取得了實(shí)質(zhì)性的進(jìn)展。

圖9 前后效果對(duì)比柱狀圖

（2）巡檢效率大幅提升，AI無(wú)人機(jī)巡檢能夠快速覆蓋大面積巡檢區(qū)域，并在較短時(shí)間內(nèi)完成巡檢任務(wù)，同時(shí)能夠準(zhǔn)確鎖定存在隱患的具體位置以便巡檢人員及時(shí)發(fā)現(xiàn)和處理。年內(nèi)累計(jì)巡視線桿塔610基、采集圖片728張，發(fā)現(xiàn)一般隱患13處，節(jié)約工時(shí)475.5h。

（3）電網(wǎng)一張圖底座持續(xù)夯實(shí)，利用無(wú)人機(jī)巡視采集桿塔、設(shè)備信息，實(shí)現(xiàn)圖片實(shí)時(shí)回傳，助力電網(wǎng)一張圖建設(shè)，查處圖實(shí)不符問(wèn)題208處，公司電網(wǎng)一張圖指標(biāo)提升至99.91%。

3　未來(lái)展望

國(guó)網(wǎng)寶雞市陳倉(cāng)區(qū)供電公司始終致力于提升電網(wǎng)運(yùn)維的智能化與高效化水平。近年來(lái)，我公司積極響應(yīng)國(guó)家電網(wǎng)公司關(guān)于數(shù)字化轉(zhuǎn)型的戰(zhàn)略部署，成功研發(fā)并成熟應(yīng)用AI無(wú)人機(jī)自動(dòng)巡檢技術(shù)。

隨著技術(shù)的不斷進(jìn)步，AI無(wú)人機(jī)自動(dòng)巡檢技術(shù)將變得更加精準(zhǔn)和高效。通過(guò)集成更先進(jìn)的圖像識(shí)別算法和深度學(xué)習(xí)模型，無(wú)人機(jī)將能夠識(shí)別更多種類的電力設(shè)備缺陷，包括那些微小的、難以用肉眼察覺(jué)的問(wèn)題。隨著計(jì)算能力的提升和算法的優(yōu)化，數(shù)據(jù)處理速度將得到顯著提升，從而實(shí)現(xiàn)近乎實(shí)時(shí)的巡檢反饋，無(wú)人機(jī)的自主性和穩(wěn)定性將進(jìn)一步增強(qiáng)。通過(guò)改進(jìn)的飛行控制系統(tǒng)和更智能的路徑規(guī)劃算法，無(wú)人機(jī)將能夠在更復(fù)雜的環(huán)境下穩(wěn)定飛行，包括強(qiáng)風(fēng)、雨雪等惡劣天氣條件。

我們還將注重人才培養(yǎng)和團(tuán)隊(duì)建設(shè)，提升運(yùn)維團(tuán)隊(duì)的專業(yè)技能和創(chuàng)新能力，為AI無(wú)人機(jī)巡檢識(shí)別技術(shù)的持續(xù)應(yīng)用和發(fā)展提供有力支撐。我們相信，在全體成員的共同努力下，配電網(wǎng)運(yùn)維工作將邁向更高的智能化水平，將為電力行業(yè)的可持續(xù)發(fā)展貢獻(xiàn)更多力量！

作者簡(jiǎn)介：

郭　揚(yáng)（1994-），男，陜西寶雞人，工程師，學(xué)士，現(xiàn)就職于國(guó)網(wǎng)寶雞供電公司，研究方向?yàn)榕潆姽こ碳熬€路設(shè)備運(yùn)行維護(hù)。

田　浩（1982-），男，陜西寶雞人，高級(jí)工程師，碩士，現(xiàn)就職于國(guó)網(wǎng)寶雞供電公司，研究方向?yàn)檩斉潆姽こ碳熬€路設(shè)備運(yùn)行維護(hù)。

賈晨陽(yáng)（2002-），男，陜西寶雞人，助理工程師，學(xué)士，現(xiàn)就職于國(guó)網(wǎng)寶雞供電公司，研究方向?yàn)榕潆姽こ碳熬€路設(shè)備運(yùn)行維護(hù)。

參考文獻(xiàn)：

[1]劉智勇,趙曉丹,祁宏昌,等.新時(shí)代無(wú)人機(jī)電力巡檢技術(shù)展望[J].南方能源建設(shè),2019,6(4):1-5.

[2]邱澤堅(jiān),邵偉濤,黃琳妮.基于人工智能10kV配網(wǎng)智能感知與故障診斷[J].農(nóng)村電氣化,2023,(3):63-65.

[3]俞小勇,秦麗文,桂海濤,等.新一代人工智能在配電網(wǎng)智能感知與故障診斷中的應(yīng)用[J].南方電網(wǎng)技術(shù),2022,16(5):34-43.

摘自《自動(dòng)化博覽》2025年4月刊