★國網寶雞供電公司郭揚，田浩，賈晨陽

關鍵詞：無人機巡檢；AI識別；電力設備；缺陷檢測；智能化運維

作為國家能源企業和公共服務行業的一部分，國網寶雞供電公司擔負著陳倉區的電網規劃、管理、建設、調度、運營、服務和搶修等工作。在電網建設方面，該公司積極參與并推動了多項重點工程。傳統的配電網巡檢工作主要依賴于人工，不僅耗時耗力，還存在安全風險。巡檢人員需要攀爬桿塔、穿越復雜地形，對體力和技能要求較高。人工巡檢受限于主觀因素，如經驗、疲勞等，可能導致巡檢結果的不一致性和疏漏。面對廣泛分布的配電網設備，人工巡檢難以做到全面、及時和高效。特別是在山區、水域等難以到達的區域，巡檢難度更大。近年來，隨著無人機技術、AI技術的快速發展和普及，無人機在電力巡檢領域的應用越來越廣泛[1]。無人機搭載的高清攝像頭、紅外熱像儀等設備，能夠實時捕捉電力設備的圖像和數據。無人機具有靈活性高、覆蓋范圍大、作業限制小等優點，能夠輕松穿越復雜地形和惡劣環境，進行快速、準確的巡檢，能夠有效降低人工巡檢的風險和成本，提高巡檢效率和安全性。AI技術為無人機巡檢提供了強大的數據處理和分析能力。通過深度學習、計算機視覺等技術，可以對無人機采集的圖像和數據進行自動識別和分類，能夠實現對電力設備缺陷和安全隱患的精準識別和預警，提高巡檢的準確性和可靠性[2]。

隨著電力行業的快速發展和電網規模的不斷擴大，電力行業正面臨數字化轉型的趨勢，AI技術的應用是實現這一轉型的關鍵[3]。通過構建智能化的巡檢和隱患識別系統，可以推動配電網向更自動化、更智能的方向發展。

1　實施過程

1.1　總體思路

（1）技術融合與智能化升級：AI技術的深度應用將深度學習、計算機視覺、自然語言處理等AI技術深度融入配電網巡檢的各個環節，實現對巡檢數據的智能分析、處理與決策。這種技術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確性和效率。

（2）智能算法與模型優化：針對配電網巡檢的特定需求，研發適用于該場景的AI算法，如基于深度學習的圖像識別算法。這些算法能夠更準確地識別設備缺陷。通過不斷優化AI模型的結構和參數，可以提高模型的識別精度和泛化能力。同時，利用遷移學習等技術，將已有的模型知識應用到新的巡檢場景中，可以加速模型的適應和部署過程。

（3）數據驅動與持續優化：利用大數據分析技術，對巡檢數據進行深度挖掘和分析，發現潛在的規律和趨勢。通過數據可視化等技術手段，將分析結果以直觀的方式呈現出來，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自動巡檢系統進行持續優化和迭代。通過不斷改進算法模型、優化系統架構、提升硬件性能等方式，提高系統的整體性能和穩定性，確保配電網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　算法方案設計

首先，根據缺陷的性質，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注但不會立即影響設備運行；嚴重缺陷，可能影響設備性能且需要盡快處理；以及危急缺陷，這些缺陷對設備安全運行構成直接威脅，需要立即采取措施。此外，缺陷還可以根據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，需要特殊設備如紅外熱像儀或紫外成像儀來檢測。在配電網中，具體的缺陷類型包括絕緣護套破損、導線未綁扎、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、熱成像或聲學的技術來實現。最后，根據處理策略，缺陷可以被分類為即時處理、計劃處理或監控跟蹤，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習算法來分析和識別。這項技術的核心是構建一個強大的神經網絡模型，該模型以PyTorch框架為基礎，這是目前深度學習領域廣泛使用的一個動態計算圖庫，因其靈活性和強大的社區支持而受到青睞。為了滿足國內對技術自主可控的需求，該模型還特別兼容了PaddlePaddle和Mindspore等國產深度學習框架，確保了技術的多樣性和選擇性。在模型的選擇上，采用結合了CNN和YOLOV8的架構。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檢測算法，以其速度快和精度高而著稱。這種結合使得模型不僅能夠提取圖像特征，還能快速準確地定位和識別圖像中的缺陷目標。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時，模型采用了BiFPN（Bidirectional Feature Pyramid Network）技術。BiFPN是一種特征金字塔網絡，它通過多層的堆疊實現了更高維度的特征融合。與傳統的特征金字塔網絡相比，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合，還提高了模型對不同尺度目標的識別能力。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的整體特征，同時也不忽視小目標的細節特征。此外，通過線性加權的方式，模型能夠平衡不同特征圖的貢獻，進一步提升了識別的準確。

圖2 算法框架

1.2.2　算法選型及流程

（1）算法訓練流程

算法訓練流程是構建高效、準確深度學習模型的關鍵步驟，它通常包括數據清洗、樣本標注、模型訓練、模型優化和模型迭代這五個階段。首先，數據清洗是確保訓練數據質量的第一步，它涉及去除噪聲、異常值和不相關數據，以保證后續訓練的有效性。樣本標注則是為數據集中的每個樣本提供正確的標簽，這對于監督學習尤其重要，因為模型需要知道每個訓練樣本的正確輸出。接下來，模型訓練階段使用已清洗和標注的數據來訓練模型。在此階段，基于YOLO的目標識別算法被用來訓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用場景。在模型優化階段，通過調整模型參數和結構來提高模型的性能。這可能包括調整學習率、改變網絡層的數量或深度、優化網絡激活函數等。此外，樣本增廣技術如旋轉、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，減少過擬合的風險。算法調參是優化過程中的一個重要環節，它涉及到超參數的選擇，如批量大小、優化器類型、正則化技術等。正確的超參數設置可以顯著提高模型的性能和訓練速度。最后，模型迭代是一個持續改進的過程，模型在每次迭代中都會根據新的數據和反饋進行調整和優化。通過不斷的迭代，可以逐步提升模型的準確性和魯棒性。為了提高迭代效率，可以采用自動化的機器學習流程，如自動化超參數調整（AutoML）和持續集成/持續部署（CI/CD）流程，這些流程可以加快模型從開發到部署的周期。在這一流程中，樣本數量和優化策略是決定模型是否高效易用的關鍵因素。足夠的樣本數量可以確保模型學習到豐富的特征，而精心設計的優化策略則可以確保模型在有限的時間內達到最佳性能。通過上述流程，可以實現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和持續改進的應用場景至關重要。

（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，如破損的絕緣子。接下來，進行數據增強操作，包括旋轉、縮放、平移等，這些操作可以模擬真實環境中可能出現的各種情況，增加樣本的多樣性。增強后，使用CopyPaste技術將分割出的缺陷目標復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量，還可以提高樣本的質量和多樣性，使得訓練出的模型更加魯棒，能夠更好地泛化到實際的巡檢任務中。此外，通過調整缺陷目標在新圖像中的尺寸、角度和位置，可以進一步增加樣本的復雜性，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，如保持缺陷目標與背景之間的光照和紋理一致性，以及考慮缺陷目標在新圖像中的上下文關系。這些措施有助于提高模型對新樣本的識別能力，減少過擬合的風險。

（3）EMA注意力模塊的模型結構優化

EMA注意力模塊是一種創新的注意力機制，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，每個組內的空間語義特征能夠均勻分布，這樣的設計有助于模型捕捉到不同尺度下的細節和上下文信息。EMA模塊的另一個關鍵優勢是其計算效率。通過精心設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數量。與現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，而且在參數效率上也更為出色。在模型結構優化方面，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雜結構，從而提高了模型對不同類型和尺度的缺陷的識別能力。優化后的模型不僅在準確率上有所提升，而且在召回率上也實現了約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。在實際應用中，EMA模塊可以很容易地集成到現有的深度學習模型中，如卷積神經網絡（CNN），無需對模型架構進行大規模的調整，即可實現性能的提升。EMA優化結構如圖3所示。

圖3 EMA優化結構

（4）隨機權重平均

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。

優化方式：采用隨機權重平均策略（SWA）進行模型參數迭代，提升模型泛化性。優化前59.9，優化后提升至68.1。策略：對于模型的權重，不直接使用最后的權重，而將訓練過程的權重參數進行平均。

（5）預訓練模型迭代機制

結合大量訓練數據，創造性地構建輸電預訓練模型。通過MAE圖片重構，訓練無監督預訓練模型，以此為骨干網絡提高下游任務模型性能。電力預訓練模型的出現可規范各下游算法開發流程，極大縮減了模型訓練時間，形成了模型自學習能力，提高了各下游任務模型性能。在輸電導線銹蝕缺陷檢測中，將電力預訓練大模型作為Backbone，實現迭代升級機制，能夠提升Map3-5個點。

圖4 原始訓練數據

圖5 引入無監督模型

（6）模型迭代流程

算法模型迭代，首先模型成功收斂，完成初始模型訓練；其次通過大量訓練數據進行模型迭代，避免模型數據過擬合，然后通過剪枝蒸餾等策略進行模型優化；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

算法模型經過迭代優化后的整體提升效果如表1所示，平均精度提升12.5，發現率提升11.8。

圖6 模型對小目標檢測結果

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域，并在較短時間內完成巡檢任務。無人機巡線一個航次通常能在25分鐘內完成人工需要1小時的任務量，特別是在地勢陡峭或難以到達的地方，無人機的優勢更加明顯。無人機巡檢系統不僅可以提供大量的實時數據，還可以通過先進的數據分析和人工智能技術，將這些數據轉化為有用的信息。技術人員可以依據這些數據進行智能決策，優化設備維護計劃，提前發現并處理潛在故障，從而降低突發故障的風險。

圖7 無人機發現故障

（2）利用無人值守機巢或便攜式可移動機場實現自動化作業，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成果自動回傳，系統會按照作業時間進行分類歸檔，同時具備4G/5G鏈路拓展，可延伸無人機有效作業半徑，極大提升了無人機巡檢效率與安全。作業人員的工作重心由無人機操作向海量數據的處理分析和人工智能識別等更深層次應用開始探索。

圖8 無人機機場

（3）無人機巡檢生成的大量數據可以通過AI云平臺管理系統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云平臺管理系統可實現對多張拍攝點位照片中的同一物理缺陷進行識別和去重，解決了缺陷重復上報問題，去重準確率≥85%，召回率≥80%。

2　實施成效

（1）截至目前，該技術的應用實現了客戶及相關方預期巡檢找隱患效能設定的80%目標，并通過鞏固措施的實施已超過目標達到85%，巡檢覆蓋率也突破至95%，如圖9所示。我們在提升配電網運維效率和保障電網安全穩定運行方面已經取得了實質性的進展。

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域，并在較短時間內完成巡檢任務，同時能夠準確鎖定存在隱患的具體位置以便巡檢人員及時發現和處理。年內累計巡視線桿塔610基、采集圖片728張，發現一般隱患13處，節約工時475.5h。

（3）電網一張圖底座持續夯實，利用無人機巡視采集桿塔、設備信息，實現圖片實時回傳，助力電網一張圖建設，查處圖實不符問題208處，公司電網一張圖指標提升至99.91%。

3　未來展望

國網寶雞市陳倉區供電公司始終致力于提升電網運維的智能化與高效化水平。近年來，我公司積極響應國家電網公司關于數字化轉型的戰略部署，成功研發并成熟應用AI無人機自動巡檢技術。

隨著技術的不斷進步，AI無人機自動巡檢技術將變得更加精準和高效。通過集成更先進的圖像識別算法和深度學習模型，無人機將能夠識別更多種類的電力設備缺陷，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化，數據處理速度將得到顯著提升，從而實現近乎實時的巡檢反饋，無人機的自主性和穩定性將進一步增強。通過改進的飛行控制系統和更智能的路徑規劃算法，無人機將能夠在更復雜的環境下穩定飛行，包括強風、雨雪等惡劣天氣條件。

我們還將注重人才培養和團隊建設，提升運維團隊的專業技能和創新能力，為AI無人機巡檢識別技術的持續應用和發展提供有力支撐。我們相信，在全體成員的共同努力下，配電網運維工作將邁向更高的智能化水平，將為電力行業的可持續發展貢獻更多力量！

作者簡介：

郭　揚（1994-），男，陜西寶雞人，工程師，學士，現就職于國網寶雞供電公司，研究方向為配電工程及線路設備運行維護。

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

賈晨陽（2002-），男，陜西寶雞人，助理工程師，學士，現就職于國網寶雞供電公司，研究方向為配電工程及線路設備運行維護。

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展望[J].南方能源建設,2019,6(4):1-5.

[2]邱澤堅,邵偉濤,黃琳妮.基于人工智能10kV配網智能感知與故障診斷[J].農村電氣化,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智能感知與故障診斷中的應用[J].南方電網技術,2022,16(5):34-43.

摘自《自動化博覽》2025年4月刊