★国网宝鸡供电公司郭扬，田浩，贾晨阳

关键词：无人机巡检；AI识别；电力设备；缺陷检测；智能化运维

作为国家能源企业和公共服务行业的一部分，国网宝鸡供电公司担负着陈仓区的电网规划、管理、建设、调度、运营、服务和抢修等工作。在电网建设方面，该公司积极参与并推动了多项重点工程。传统的配电网巡检工作主要依赖于人工，不仅耗时耗力，还存在安全风险。巡检人员需要攀爬杆塔、穿越复杂地形，对体力和技能要求较高。人工巡检受限于主观因素，如经验、疲劳等，可能导致巡检结果的不一致性和疏漏。面对广泛分布的配电网设备，人工巡检难以做到全面、及时和高效。特别是在山区、水域等难以到达的区域，巡检难度更大。近年来，随着无人机技术、AI技术的快速发展和普及，无人机在电力巡检领域的应用越来越广泛[1]。无人机搭载的高清摄像头、红外热像仪等设备，能够实时捕捉电力设备的图像和数据。无人机具有灵活性高、覆盖范围大、作业限制小等优点，能够轻松穿越复杂地形和恶劣环境，进行快速、准确的巡检，能够有效降低人工巡检的风险和成本，提高巡检效率和安全性。AI技术为无人机巡检提供了强大的数据处理和分析能力。通过深度学习、计算机视觉等技术，可以对无人机采集的图像和数据进行自动识别和分类，能够实现对电力设备缺陷和安全隐患的精准识别和预警，提高巡检的准确性和可靠性[2]。

随着电力行业的快速发展和电网规模的不断扩大，电力行业正面临数字化转型的趋势，AI技术的应用是实现这一转型的关键[3]。通过构建智能化的巡检和隐患识别系统，可以推动配电网向更自动化、更智能的方向发展。

1　实施过程

1.1　总体思路

（1）技术融合与智能化升级：AI技术的深度应用将深度学习、计算机视觉、自然语言处理等AI技术深度融入配电网巡检的各个环节，实现对巡检数据的智能分析、处理与决策。这种技术融合不仅提高了巡检的自动化水平，还显著提升了隐患识别的准确性和效率。

（2）智能算法与模型优化：针对配电网巡检的特定需求，研发适用于该场景的AI算法，如基于深度学习的图像识别算法。这些算法能够更准确地识别设备缺陷。通过不断优化AI模型的结构和参数，可以提高模型的识别精度和泛化能力。同时，利用迁移学习等技术，将已有的模型知识应用到新的巡检场景中，可以加速模型的适应和部署过程。

（3）数据驱动与持续优化：利用大数据分析技术，对巡检数据进行深度挖掘和分析，发现潜在的规律和趋势。通过数据可视化等技术手段，将分析结果以直观的方式呈现出来，为运维人员提供决策支持。基于实际巡检效果和反馈意见，对AI自动巡检系统进行持续优化和迭代。通过不断改进算法模型、优化系统架构、提升硬件性能等方式，提高系统的整体性能和稳定性，确保配电网AI自动巡检隐患识别工作的长期有效运行。

1.2　详细过程

1.2.1　算法方案设计

首先，根据缺陷的性质，可以将其分为物理缺陷和热缺陷，物理缺陷如机械损伤、磨损、腐蚀和变形，以及电气缺陷如绝缘损坏、接触不良、短路和断路。热缺陷，如过热和热点，通常通过红外热像仪来检测。其次，根据缺陷的严重程度，它们可以被分类为一般缺陷，这些缺陷虽然需要关注但不会立即影响设备运行；严重缺陷，可能影响设备性能且需要尽快处理；以及危急缺陷，这些缺陷对设备安全运行构成直接威胁，需要立即采取措施。此外，缺陷还可以根据其影响范围被分为局部缺陷和整体缺陷。在可见性方面，缺陷可以是可见光缺陷，通过肉眼或普通相机可见，或者是非可见光缺陷，需要特殊设备如红外热像仪或紫外成像仪来检测。在配电网中，具体的缺陷类型包括绝缘护套破损、导线未绑扎、绝缘罩脱落、保险销子脱落、杆基杂物堆积和变压器漏油等。这些缺陷的检测可以通过基于视觉、热成像或声学的技术来实现。最后，根据处理策略，缺陷可以被分类为即时处理、计划处理或监控跟踪，以确定最合适的维护行动计划。电力缺陷的分类如图1所示。

图1 电力缺陷的分类

配电缺陷可以通过深度学习算法来分析和识别。这项技术的核心是构建一个强大的神经网络模型，该模型以PyTorch框架为基础，这是目前深度学习领域广泛使用的一个动态计算图库，因其灵活性和强大的社区支持而受到青睐。为了满足国内对技术自主可控的需求，该模型还特别兼容了PaddlePaddle和Mindspore等国产深度学习框架，确保了技术的多样性和选择性。在模型的选择上，采用结合了CNN和YOLOV8的架构。CNN作为特征提取器，能够从输入图像中提取出丰富的特征表示，而YOLOV8则是一种先进的实时目标检测算法，以其速度快和精度高而著称。这种结合使得模型不仅能够提取图像特征，还能快速准确地定位和识别图像中的缺陷目标。为了进一步提升模型的性能，特别是在处理不同尺度的目标时，模型采用了BiFPN（Bidirectional Feature Pyramid Network）技术。BiFPN是一种特征金字塔网络，它通过多层的堆叠实现了更高维度的特征融合。与传统的特征金字塔网络相比，BiFPN引入了双向的信息流，即自顶向下和自底向上的信息传递，这不仅加强了高层语义信息与低层位置信息的结合，还提高了模型对不同尺度目标的识别能力。在特征融合的过程中，BiFPN通过跨层连接将不同尺度的特征图进行有效整合，实现了特征的多尺度融合。这种融合策略使得模型能够捕捉到大目标的整体特征，同时也不忽视小目标的细节特征。此外，通过线性加权的方式，模型能够平衡不同特征图的贡献，进一步提升了识别的准确。

图2 算法框架

1.2.2　算法选型及流程

（1）算法训练流程

算法训练流程是构建高效、准确深度学习模型的关键步骤，它通常包括数据清洗、样本标注、模型训练、模型优化和模型迭代这五个阶段。首先，数据清洗是确保训练数据质量的第一步，它涉及去除噪声、异常值和不相关数据，以保证后续训练的有效性。样本标注则是为数据集中的每个样本提供正确的标签，这对于监督学习尤其重要，因为模型需要知道每个训练样本的正确输出。接下来，模型训练阶段使用已清洗和标注的数据来训练模型。在此阶段，基于YOLO的目标识别算法被用来训练模型识别和定位图像中的缺陷。YOLO算法以其速度快、性能好而受到青睐，特别适合实时或近实时的应用场景。在模型优化阶段，通过调整模型参数和结构来提高模型的性能。这可能包括调整学习率、改变网络层的数量或深度、优化网络激活函数等。此外，样本增广技术如旋转、缩放、裁剪等被用来增加样本的多样性，这有助于提高模型的泛化能力，减少过拟合的风险。算法调参是优化过程中的一个重要环节，它涉及到超参数的选择，如批量大小、优化器类型、正则化技术等。正确的超参数设置可以显著提高模型的性能和训练速度。最后，模型迭代是一个持续改进的过程，模型在每次迭代中都会根据新的数据和反馈进行调整和优化。通过不断的迭代，可以逐步提升模型的准确性和鲁棒性。为了提高迭代效率，可以采用自动化的机器学习流程，如自动化超参数调整（AutoML）和持续集成/持续部署（CI/CD）流程，这些流程可以加快模型从开发到部署的周期。在这一流程中，样本数量和优化策略是决定模型是否高效易用的关键因素。足够的样本数量可以确保模型学习到丰富的特征，而精心设计的优化策略则可以确保模型在有限的时间内达到最佳性能。通过上述流程，可以实现模型单次迭代的速度达到4天/次的高效率，这对于需要快速响应和持续改进的应用场景至关重要。

（2）基于SAM的图像样本增广

基于Segment Anything Model（SAM）的图像样本增广是一种针对电力巡检中样本量不足问题的有效解决方案，尤其适用于如绝缘子破损这类缺陷样本较少的情况。SAM模型是一种先进的图像分割模型，它能够通过简单的输入提示，准确地分割出图像中的任何对象。在样本增广的过程中，首先使用SAM模型对包含缺陷的图像进行分割，识别出图像中的缺陷目标，如破损的绝缘子。接下来，进行数据增强操作，包括旋转、缩放、平移等，这些操作可以模拟真实环境中可能出现的各种情况，增加样本的多样性。增强后，使用CopyPaste技术将分割出的缺陷目标复制到无缺陷的图像上，这一步骤是样本增广的核心。通过随机选择无缺陷的背景图像，并将缺陷目标粘贴到不同的位置上，可以生成大量新的、逼真的缺陷样本。这种方法不仅可以增加样本的数量，还可以提高样本的质量和多样性，使得训练出的模型更加鲁棒，能够更好地泛化到实际的巡检任务中。此外，通过调整缺陷目标在新图像中的尺寸、角度和位置，可以进一步增加样本的复杂性，模拟出更多真实世界中的缺陷情况。为了确保增广样本的真实性和有效性，还可以采用一些高级技术，如保持缺陷目标与背景之间的光照和纹理一致性，以及考虑缺陷目标在新图像中的上下文关系。这些措施有助于提高模型对新样本的识别能力，减少过拟合的风险。

（3）EMA注意力模块的模型结构优化

EMA注意力模块是一种创新的注意力机制，旨在通过高效的多尺度特征融合提升模型的性能。EMA模块的设计核心在于对输入特征进行精细得多尺度处理，同时保持计算效率。在EMA模块中，首先将输入特征的通道进行重塑，部分通道被扩展到批量维度，这样做可以使得模型能够更灵活地处理不同尺度的特征信息。同时，EMA模块将通道维度分组为多个子特征组，每个组内的空间语义特征能够均匀分布，这样的设计有助于模型捕捉到不同尺度下的细节和上下文信息。EMA模块的另一个关键优势是其计算效率。通过精心设计的通道重塑和分组策略，EMA能够在保持注意力机制效果的同时，显著降低模型的计算量和参数数量。与现有的多尺度注意力机制如HAM（Hierarchical Attention）、SA（Squeeze-and-Excitation）、ECA（Efficient Channel Attention）、CA（Channel Attention）等相比，EMA不仅在效果上更优，而且在参数效率上也更为出色。在模型结构优化方面，EMA模块的引入可以显著提升模型的泛化能力。通过对不同尺度特征的均衡处理，EMA模块帮助模型更好地理解和处理图像中的复杂结构，从而提高了模型对不同类型和尺度的缺陷的识别能力。优化后的模型不仅在准确率上有所提升，而且在召回率上也实现了约7%的显著增长，这意味着模型能够更全面地识别出图像中的缺陷，减少了漏检的情况。此外，EMA模块的引入也使得模型在处理不同分辨率和尺寸的图像时更加灵活和鲁棒。在实际应用中，EMA模块可以很容易地集成到现有的深度学习模型中，如卷积神经网络（CNN），无需对模型架构进行大规模的调整，即可实现性能的提升。EMA优化结构如图3所示。

图3 EMA优化结构

（4）随机权重平均

配电变压器渗漏油、杆基杂物堆积等类别由于边界不明显且无规则，杂物类别较多，对模型的泛化性造成一定难度，模型召回率不好。

优化方式：采用随机权重平均策略（SWA）进行模型参数迭代，提升模型泛化性。优化前59.9，优化后提升至68.1。策略：对于模型的权重，不直接使用最后的权重，而将训练过程的权重参数进行平均。

（5）预训练模型迭代机制

结合大量训练数据，创造性地构建输电预训练模型。通过MAE图片重构，训练无监督预训练模型，以此为骨干网络提高下游任务模型性能。电力预训练模型的出现可规范各下游算法开发流程，极大缩减了模型训练时间，形成了模型自学习能力，提高了各下游任务模型性能。在输电导线锈蚀缺陷检测中，将电力预训练大模型作为Backbone，实现迭代升级机制，能够提升Map3-5个点。

图4 原始训练数据

图5 引入无监督模型

（6）模型迭代流程

算法模型迭代，首先模型成功收敛，完成初始模型训练；其次通过大量训练数据进行模型迭代，避免模型数据过拟合，然后通过剪枝蒸馏等策略进行模型优化；最后对模型量化加速，提升模型处理速度。

1.2.3　算法识别效果

算法模型经过迭代优化后的整体提升效果如表1所示，平均精度提升12.5，发现率提升11.8。

图6 模型对小目标检测结果

表1 效果对比表

1.3　特色或显著特点

（1）无人机巡检能够快速覆盖大面积巡检区域，并在较短时间内完成巡检任务。无人机巡线一个航次通常能在25分钟内完成人工需要1小时的任务量，特别是在地势陡峭或难以到达的地方，无人机的优势更加明显。无人机巡检系统不仅可以提供大量的实时数据，还可以通过先进的数据分析和人工智能技术，将这些数据转化为有用的信息。技术人员可以依据这些数据进行智能决策，优化设备维护计划，提前发现并处理潜在故障，从而降低突发故障的风险。

图7 无人机发现故障

（2）利用无人值守机巢或便携式可移动机场实现自动化作业，提高巡视频次和覆盖范围。该阶段无人机巡检可通过云平台远程手动控制无人机，支持云端实时直播录屏和作业成果自动回传，系统会按照作业时间进行分类归档，同时具备4G/5G链路拓展，可延伸无人机有效作业半径，极大提升了无人机巡检效率与安全。作业人员的工作重心由无人机操作向海量数据的处理分析和人工智能识别等更深层次应用开始探索。

图8 无人机机场

（3）无人机巡检生成的大量数据可以通过AI云平台管理系统进行深度分析和智能评估，帮助运维人员快速定位故障、评估故障严重程度，并制定有效的维护策略。在配电巡检中，同一杆塔的同一缺陷，存在重复上报问题，需要人工筛选去重增加了缺陷处理工作量。AI云平台管理系统可实现对多张拍摄点位照片中的同一物理缺陷进行识别和去重，解决了缺陷重复上报问题，去重准确率≥85%，召回率≥80%。

2　实施成效

（1）截至目前，该技术的应用实现了客户及相关方预期巡检找隐患效能设定的80%目标，并通过巩固措施的实施已超过目标达到85%，巡检覆盖率也突破至95%，如图9所示。我们在提升配电网运维效率和保障电网安全稳定运行方面已经取得了实质性的进展。

图9 前后效果对比柱状图

（2）巡检效率大幅提升，AI无人机巡检能够快速覆盖大面积巡检区域，并在较短时间内完成巡检任务，同时能够准确锁定存在隐患的具体位置以便巡检人员及时发现和处理。年内累计巡视线杆塔610基、采集图片728张，发现一般隐患13处，节约工时475.5h。

（3）电网一张图底座持续夯实，利用无人机巡视采集杆塔、设备信息，实现图片实时回传，助力电网一张图建设，查处图实不符问题208处，公司电网一张图指标提升至99.91%。

3　未来展望

国网宝鸡市陈仓区供电公司始终致力于提升电网运维的智能化与高效化水平。近年来，我公司积极响应国家电网公司关于数字化转型的战略部署，成功研发并成熟应用AI无人机自动巡检技术。

随着技术的不断进步，AI无人机自动巡检技术将变得更加精准和高效。通过集成更先进的图像识别算法和深度学习模型，无人机将能够识别更多种类的电力设备缺陷，包括那些微小的、难以用肉眼察觉的问题。随着计算能力的提升和算法的优化，数据处理速度将得到显著提升，从而实现近乎实时的巡检反馈，无人机的自主性和稳定性将进一步增强。通过改进的飞行控制系统和更智能的路径规划算法，无人机将能够在更复杂的环境下稳定飞行，包括强风、雨雪等恶劣天气条件。

我们还将注重人才培养和团队建设，提升运维团队的专业技能和创新能力，为AI无人机巡检识别技术的持续应用和发展提供有力支撑。我们相信，在全体成员的共同努力下，配电网运维工作将迈向更高的智能化水平，将为电力行业的可持续发展贡献更多力量！

作者简介：

郭　扬（1994-），男，陕西宝鸡人，工程师，学士，现就职于国网宝鸡供电公司，研究方向为配电工程及线路设备运行维护。

田　浩（1982-），男，陕西宝鸡人，高级工程师，硕士，现就职于国网宝鸡供电公司，研究方向为输配电工程及线路设备运行维护。

贾晨阳（2002-），男，陕西宝鸡人，助理工程师，学士，现就职于国网宝鸡供电公司，研究方向为配电工程及线路设备运行维护。

参考文献：

[1]刘智勇,赵晓丹,祁宏昌,等.新时代无人机电力巡检技术展望[J].南方能源建设,2019,6(4):1-5.

[2]邱泽坚,邵伟涛,黄琳妮.基于人工智能10kV配网智能感知与故障诊断[J].农村电气化,2023,(3):63-65.

[3]俞小勇,秦丽文,桂海涛,等.新一代人工智能在配电网智能感知与故障诊断中的应用[J].南方电网技术,2022,16(5):34-43.

摘自《自动化博览》2025年4月刊