★國網(wǎng)寶雞供電公司郭揚，田浩，賈晨陽

關(guān)鍵詞：無人機巡檢；AI識別；電力設(shè)備；缺陷檢測；智能化運維

作為國家能源企業(yè)和公共服務(wù)行業(yè)的一部分，國網(wǎng)寶雞供電公司擔(dān)負著陳倉區(qū)的電網(wǎng)規(guī)劃、管理、建設(shè)、調(diào)度、運營、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了多項重點工程。傳統(tǒng)的配電網(wǎng)巡檢工作主要依賴于人工，不僅耗時耗力，還存在安全風(fēng)險。巡檢人員需要攀爬桿塔、穿越復(fù)雜地形，對體力和技能要求較高。人工巡檢受限于主觀因素，如經(jīng)驗、疲勞等，可能導(dǎo)致巡檢結(jié)果的不一致性和疏漏。面對廣泛分布的配電網(wǎng)設(shè)備，人工巡檢難以做到全面、及時和高效。特別是在山區(qū)、水域等難以到達的區(qū)域，巡檢難度更大。近年來，隨著無人機技術(shù)、AI技術(shù)的快速發(fā)展和普及，無人機在電力巡檢領(lǐng)域的應(yīng)用越來越廣泛[1]。無人機搭載的高清攝像頭、紅外熱像儀等設(shè)備，能夠?qū)崟r捕捉電力設(shè)備的圖像和數(shù)據(jù)。無人機具有靈活性高、覆蓋范圍大、作業(yè)限制小等優(yōu)點，能夠輕松穿越復(fù)雜地形和惡劣環(huán)境，進行快速、準(zhǔn)確的巡檢，能夠有效降低人工巡檢的風(fēng)險和成本，提高巡檢效率和安全性。AI技術(shù)為無人機巡檢提供了強大的數(shù)據(jù)處理和分析能力。通過深度學(xué)習(xí)、計算機視覺等技術(shù)，可以對無人機采集的圖像和數(shù)據(jù)進行自動識別和分類，能夠?qū)崿F(xiàn)對電力設(shè)備缺陷和安全隱患的精準(zhǔn)識別和預(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)模的不斷擴大，電力行業(yè)正面臨數(shù)字化轉(zhuǎn)型的趨勢，AI技術(shù)的應(yīng)用是實現(xiàn)這一轉(zhuǎn)型的關(guān)鍵[3]。通過構(gòu)建智能化的巡檢和隱患識別系統(tǒng)，可以推動配電網(wǎng)向更自動化、更智能的方向發(fā)展。

1　實施過程

1.1　總體思路

（1）技術(shù)融合與智能化升級：AI技術(shù)的深度應(yīng)用將深度學(xué)習(xí)、計算機視覺、自然語言處理等AI技術(shù)深度融入配電網(wǎng)巡檢的各個環(huán)節(jié)，實現(xiàn)對巡檢數(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化水平，還顯著提升了隱患識別的準(zhǔn)確性和效率。

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

（3）數(shù)據(jù)驅(qū)動與持續(xù)優(yōu)化：利用大數(shù)據(jù)分析技術(shù)，對巡檢數(shù)據(jù)進行深度挖掘和分析，發(fā)現(xiàn)潛在的規(guī)律和趨勢。通過數(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，為運維人員提供決策支持。基于實際巡檢效果和反饋意見，對AI自動巡檢系統(tǒng)進行持續(xù)優(yōu)化和迭代。通過不斷改進算法模型、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自動巡檢隱患識別工作的長期有效運行。

1.2　詳細過程

1.2.1　算法方案設(shè)計

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，如過熱和熱點，通常通過紅外熱像儀來檢測。其次，根據(jù)缺陷的嚴重程度，它們可以被分類為一般缺陷，這些缺陷雖然需要關(guān)注但不會立即影響設(shè)備運行；嚴重缺陷，可能影響設(shè)備性能且需要盡快處理；以及危急缺陷，這些缺陷對設(shè)備安全運行構(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。在可見性方面，缺陷可以是可見光缺陷，通過肉眼或普通相機可見，或者是非可見光缺陷，需要特殊設(shè)備如紅外熱像儀或紫外成像儀來檢測。在配電網(wǎng)中，具體的缺陷類型包括絕緣護套破損、導(dǎo)線未綁扎、絕緣罩脫落、保險銷子脫落、桿基雜物堆積和變壓器漏油等。這些缺陷的檢測可以通過基于視覺、熱成像或聲學(xué)的技術(shù)來實現(xiàn)。最后，根據(jù)處理策略，缺陷可以被分類為即時處理、計劃處理或監(jiān)控跟蹤，以確定最合適的維護行動計劃。電力缺陷的分類如圖1所示。

圖1 電力缺陷的分類

配電缺陷可以通過深度學(xué)習(xí)算法來分析和識別。這項技術(shù)的核心是構(gòu)建一個強大的神經(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)域廣泛使用的一個動態(tài)計算圖庫，因其靈活性和強大的社區(qū)支持而受到青睞。為了滿足國內(nèi)對技術(shù)自主可控的需求，該模型還特別兼容了PaddlePaddle和Mindspore等國產(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則是一種先進的實時目標(biāo)檢測算法，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)確地定位和識別圖像中的缺陷目標(biāo)。為了進一步提升模型的性能，特別是在處理不同尺度的目標(biāo)時，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)，它通過多層的堆疊實現(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，這不僅加強了高層語義信息與低層位置信息的結(jié)合，還提高了模型對不同尺度目標(biāo)的識別能力。在特征融合的過程中，BiFPN通過跨層連接將不同尺度的特征圖進行有效整合，實現(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，同時也不忽視小目標(biāo)的細節(jié)特征。此外，通過線性加權(quán)的方式，模型能夠平衡不同特征圖的貢獻，進一步提升了識別的準(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)集中的每個樣本提供正確的標(biāo)簽，這對于監(jiān)督學(xué)習(xí)尤其重要，因為模型需要知道每個訓(xùn)練樣本的正確輸出。接下來，模型訓(xùn)練階段使用已清洗和標(biāo)注的數(shù)據(jù)來訓(xùn)練模型。在此階段，基于YOLO的目標(biāo)識別算法被用來訓(xùn)練模型識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，特別適合實時或近實時的應(yīng)用場景。在模型優(yōu)化階段，通過調(diào)整模型參數(shù)和結(jié)構(gòu)來提高模型的性能。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、裁剪等被用來增加樣本的多樣性，這有助于提高模型的泛化能力，減少過擬合的風(fēng)險。算法調(diào)參是優(yōu)化過程中的一個重要環(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，模型迭代是一個持續(xù)改進的過程，模型在每次迭代中都會根據(jù)新的數(shù)據(jù)和反饋進行調(diào)整和優(yōu)化。通過不斷的迭代，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，可以采用自動化的機器學(xué)習(xí)流程，如自動化超參數(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)計的優(yōu)化策略則可以確保模型在有限的時間內(nèi)達到最佳性能。通過上述流程，可以實現(xiàn)模型單次迭代的速度達到4天/次的高效率，這對于需要快速響應(yīng)和持續(xù)改進的應(yīng)用場景至關(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電力巡檢中樣本量不足問題的有效解決方案，尤其適用于如絕緣子破損這類缺陷樣本較少的情況。SAM模型是一種先進的圖像分割模型，它能夠通過簡單的輸入提示，準(zhǔn)確地分割出圖像中的任何對象。在樣本增廣的過程中，首先使用SAM模型對包含缺陷的圖像進行分割，識別出圖像中的缺陷目標(biāo)，如破損的絕緣子。接下來，進行數(shù)據(jù)增強操作，包括旋轉(zhuǎn)、縮放、平移等，這些操作可以模擬真實環(huán)境中可能出現(xiàn)的各種情況，增加樣本的多樣性。增強后，使用CopyPaste技術(shù)將分割出的缺陷目標(biāo)復(fù)制到無缺陷的圖像上，這一步驟是樣本增廣的核心。通過隨機選擇無缺陷的背景圖像，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際的巡檢任務(wù)中。此外，通過調(diào)整缺陷目標(biāo)在新圖像中的尺寸、角度和位置，可以進一步增加樣本的復(fù)雜性，模擬出更多真實世界中的缺陷情況。為了確保增廣樣本的真實性和有效性，還可以采用一些高級技術(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新樣本的識別能力，減少過擬合的風(fēng)險。

（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)新的注意力機制，旨在通過高效的多尺度特征融合提升模型的性能。EMA模塊的設(shè)計核心在于對輸入特征進行精細得多尺度處理，同時保持計算效率。在EMA模塊中，首先將輸入特征的通道進行重塑，部分通道被擴展到批量維度，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，EMA模塊將通道維度分組為多個子特征組，每個組內(nèi)的空間語義特征能夠均勻分布，這樣的設(shè)計有助于模型捕捉到不同尺度下的細節(jié)和上下文信息。EMA模塊的另一個關(guān)鍵優(yōu)勢是其計算效率。通過精心設(shè)計的通道重塑和分組策略，EMA能夠在保持注意力機制效果的同時，顯著降低模型的計算量和參數(shù)數(shù)量。與現(xiàn)有的多尺度注意力機制如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。通過對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)，從而提高了模型對不同類型和尺度的缺陷的識別能力。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現(xiàn)了約7%的顯著增長，這意味著模型能夠更全面地識別出圖像中的缺陷，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更加靈活和魯棒。在實際應(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），無需對模型架構(gòu)進行大規(guī)模的調(diào)整，即可實現(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規(guī)則，雜物類別較多，對模型的泛化性造成一定難度，模型召回率不好。

優(yōu)化方式：采用隨機權(quán)重平均策略（SWA）進行模型參數(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：對于模型的權(quán)重，不直接使用最后的權(quán)重，而將訓(xùn)練過程的權(quán)重參數(shù)進行平均。

（5）預(yù)訓(xùn)練模型迭代機制

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MAE圖片重構(gòu)，訓(xùn)練無監(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)范各下游算法開發(fā)流程，極大縮減了模型訓(xùn)練時間，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)線銹蝕缺陷檢測中，將電力預(yù)訓(xùn)練大模型作為Backbone，實現(xiàn)迭代升級機制，能夠提升Map3-5個點。

圖4 原始訓(xùn)練數(shù)據(jù)

圖5 引入無監(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；其次通過大量訓(xùn)練數(shù)據(jù)進行模型迭代，避免模型數(shù)據(jù)過擬合，然后通過剪枝蒸餾等策略進行模型優(yōu)化；最后對模型量化加速，提升模型處理速度。

1.2.3　算法識別效果

算法模型經(jīng)過迭代優(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 模型對小目標(biāo)檢測結(jié)果

表1 效果對比表

1.3　特色或顯著特點

（1）無人機巡檢能夠快速覆蓋大面積巡檢區(qū)域，并在較短時間內(nèi)完成巡檢任務(wù)。無人機巡線一個航次通常能在25分鐘內(nèi)完成人工需要1小時的任務(wù)量，特別是在地勢陡峭或難以到達的地方，無人機的優(yōu)勢更加明顯。無人機巡檢系統(tǒng)不僅可以提供大量的實時數(shù)據(jù)，還可以通過先進的數(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)進行智能決策，優(yōu)化設(shè)備維護計劃，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。

圖7 無人機發(fā)現(xiàn)故障

（2）利用無人值守機巢或便攜式可移動機場實現(xiàn)自動化作業(yè)，提高巡視頻次和覆蓋范圍。該階段無人機巡檢可通過云平臺遠程手動控制無人機，支持云端實時直播錄屏和作業(yè)成果自動回傳，系統(tǒng)會按照作業(yè)時間進行分類歸檔，同時具備4G/5G鏈路拓展，可延伸無人機有效作業(yè)半徑，極大提升了無人機巡檢效率與安全。作業(yè)人員的工作重心由無人機操作向海量數(shù)據(jù)的處理分析和人工智能識別等更深層次應(yīng)用開始探索。

圖8 無人機機場

（3）無人機巡檢生成的大量數(shù)據(jù)可以通過AI云平臺管理系統(tǒng)進行深度分析和智能評估，幫助運維人員快速定位故障、評估故障嚴重程度，并制定有效的維護策略。在配電巡檢中，同一桿塔的同一缺陷，存在重復(fù)上報問題，需要人工篩選去重增加了缺陷處理工作量。AI云平臺管理系統(tǒng)可實現(xiàn)對多張拍攝點位照片中的同一物理缺陷進行識別和去重，解決了缺陷重復(fù)上報問題，去重準(zhǔn)確率≥85%，召回率≥80%。

2　實施成效

（1）截至目前，該技術(shù)的應(yīng)用實現(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)，并通過鞏固措施的實施已超過目標(biāo)達到85%，巡檢覆蓋率也突破至95%，如圖9所示。我們在提升配電網(wǎng)運維效率和保障電網(wǎng)安全穩(wěn)定運行方面已經(jīng)取得了實質(zhì)性的進展。

圖9 前后效果對比柱狀圖

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

（3）電網(wǎng)一張圖底座持續(xù)夯實，利用無人機巡視采集桿塔、設(shè)備信息，實現(xiàn)圖片實時回傳，助力電網(wǎng)一張圖建設(shè)，查處圖實不符問題208處，公司電網(wǎng)一張圖指標(biāo)提升至99.91%。

3　未來展望

國網(wǎng)寶雞市陳倉區(qū)供電公司始終致力于提升電網(wǎng)運維的智能化與高效化水平。近年來，我公司積極響應(yīng)國家電網(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無人機自動巡檢技術(shù)。

隨著技術(shù)的不斷進步，AI無人機自動巡檢技術(shù)將變得更加精準(zhǔn)和高效。通過集成更先進的圖像識別算法和深度學(xué)習(xí)模型，無人機將能夠識別更多種類的電力設(shè)備缺陷，包括那些微小的、難以用肉眼察覺的問題。隨著計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，從而實現(xiàn)近乎實時的巡檢反饋，無人機的自主性和穩(wěn)定性將進一步增強。通過改進的飛行控制系統(tǒng)和更智能的路徑規(guī)劃算法，無人機將能夠在更復(fù)雜的環(huán)境下穩(wěn)定飛行，包括強風(fēng)、雨雪等惡劣天氣條件。

我們還將注重人才培養(yǎng)和團隊建設(shè)，提升運維團隊的專業(yè)技能和創(chuàng)新能力，為AI無人機巡檢識別技術(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)展貢獻更多力量！

作者簡介：

郭　揚（1994-），男，陜西寶雞人，工程師，學(xué)士，現(xiàn)就職于國網(wǎng)寶雞供電公司，研究方向為配電工程及線路設(shè)備運行維護。

田　浩（1982-），男，陜西寶雞人，高級工程師，碩士，現(xiàn)就職于國網(wǎng)寶雞供電公司，研究方向為輸配電工程及線路設(shè)備運行維護。

賈晨陽（2002-），男，陜西寶雞人，助理工程師，學(xué)士，現(xiàn)就職于國網(wǎng)寶雞供電公司，研究方向為配電工程及線路設(shè)備運行維護。

參考文獻：

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

[2]邱澤堅,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《自動化博覽》2025年4月刊