石书山

（贵州电网有限责任公司输电运行检修分公司，贵州 贵阳 550000）

0 引言

电力系统运行的一个基本目标是在合理的规划下向人们提供稳定而高质量的电能。现阶段，电力建设发展迅速，但许多弊端也接踵而来：电力建设现场安全管理制度不完善；绝大多数的输电设备长期暴露在恶劣条件的环境里，施工路段复杂给安全生产带来了极大的隐患。在输电线路的传统巡检中，常出现受地形、天气等自然因素影响较大、巡检效率低下、工作安全问题严峻等问题。尽管现阶段采用无人机代替巡检，但数据的分析依然采用人工识别。但人工识别受人为影响较大，识别的效率很难达到同一水平。当务之急是电网巡检人员寻找一个快速高效的识别方法。

现今进入大数据时代，人工智能识别的技术在各行各业散发异彩，用于智能化的编程软件百花齐放，模型的建设也趋于成熟。专业的基础条件令人工智能在电力行业拥有更广阔的前景。因此，顺应时代发展，针对输电线路的识别软件成功问世。输电线路缺陷智能分析系统包含3 个主要模块：数据获取模块、典型缺陷智能分析模块、报告自动生成模块，3 个模块一一对应传统巡检的人工巡视、人工识别和人工总结的阶段，让传统巡检的过程变得完全智能。此外，该系统识别率达到85%以上、速度可达到2 000 张/小时，给巡检人员提供可靠的数据，让巡检人员更好、更快地处理障碍，保障输电的安全性和稳定性[1]。

1 输电线路缺陷智能分析系统

1.1 总体思路设计

为了实现输电线路智能巡检，该系统拥有“高内聚，低耦合”的特点，令每个模块各司其职的同时互不干扰，使程序模块重用性、移植性大大增强。

1.2 功能设计

线路巡检的主要目的是在巡视中及时找到设备的自身缺陷。根据需求，系统分为数据获取模块、典型缺陷智能分析模块、报告自动生成模块三个模块，共同配合输电线路运维的工作，以便保障输电的稳定和安全。

1.2.1 数据获取模块

数据获取是进行智能识别工作的第一步。数据获取模块由需方提供已分类好的巡检照片，根据巡检照片的属性，如输电线路的名称、杆塔的信息，提取出杆塔机巡数据照片的拍摄位置信息等json格式的文件。利用json格式将如上的信息一一对应并进行自动填充，为后续生成输电线路的巡检报告提供基础信息。

1.2.2 典型缺陷智能分析模块

典型缺陷智能分析模块主要提供模型进行智能识别。基于智能识别模型，实现非机构数据（图片）向结构化数据的转换，以便提取图片上的相关缺陷信息。

此外，该系统提供了人工识别分析模块功能，结合系统已内置的集成编码化的南方电网标准缺陷库，辅助人工识别分析判断，实现缺陷照片的快速识别及缺陷信息的提取。

输电线路缺陷智能分析系统不仅实现了多人多机协同时作业，共同进行数据处理分析工作；还具有缺陷等级划分的推荐功能，在智能识别出缺陷的基础上还可以给不同种类的缺陷进行缺陷定级推荐，帮助运维人员对不同种类的缺陷进行缺陷等级判断[2]。

1.2.3 报告自动生成模块

缺陷识别的最后一步是自动生成报告。输电线路机巡缺陷智能识别业务系统报告生成模块拥有报告自动合并的功能。数据分析班的不同班员对同一条线路开展区段分析后，通过合并数据及数据分析过程中生成的json 文件信息，按照线路进行自动合并、整合成该线路的缺陷巡视分析报告。

2 输电线路缺陷隐患智能分析关键技术和创新技术

2.1 输电线路缺陷隐患智能分析关键技术

2.1.1 基于深度学习卷积神经网络的目标检测技术

图1 为卷积神经网络原理图。

图1 卷积神经网络原理图

随着深度学习的快速发展，基于卷积神经网络的目标检测已经相当成熟。该系统针对电网典型缺陷的算法开发，使用基于多特征融合的目标检测框架。一般目标检测是指从图像中找到目标物体并定位，针对目标检测算法中小物体漏检和检测框不准确的问题，将多层特征融合的多特征图、层的原始图像信息和高层的语义信息结合。系统升级后，拥有比之前版本更准确的检测精度和更快的检测速度。

2.1.2 基于连续增强记忆的迁移学习技术

本系统第二个关键技术是基于连续增强记忆的迁移学习技术进行相应的样本训练。在训练过程中，技术人员综合采用样本、特征、关系、模型的迁移技术，通过放大与目标领域相似的数据与目标领域的数据进行匹配，对不同例子加权。技术人员利用样本共同特征在不同层级的特征间进行自动迁移，在特征空间进行迁移，把源、目标领域的特征投影到同一个特征空间里进行分析。

2.2 输电线路缺陷隐患智能分析创新技术

该系统中基于数据和场景的特点采用了基于级联检测的增强学习技术，在智能分析计算上以CVPR2018的Cascade R-CNN 算法为基础进行了改进。此外，系统还增加了多个强分类器的级联过程，并通过级联的R-CNN 网络；每个级联的R-CNN 设置不同的IOU 阈值，对输入的proposal 进行优化，使自定义的卷积神经网络在计算精度和效率上得到了提升。系统运用了基于级联检测的增强学习技术后，更易于实施端到端的trainning。特别是在更严格的评估指标下，实现最先进的单模型探测器。Cascade R-CNN 还可以使用基于R-CNN 框架的任何两级物体探测器构建。

3 实际应用与结论

3.1 实际应用

自输电线路缺陷智能分析系统在中国南方电网贵州省有限责任公司运行以来，该系统帮助施工人员快速识别多条线路的隐患。例如，贵州110 kV 双淤Ⅰ回线里，从采集数据的无人机里导出某一段时间的全部数据，进行分类，并按照目标选择模型进行识别。在人工识别的同时，本系统的研发人员也会进行数据分析，得出人工数据的准确率。

在贵州110 kV 双淤Ⅰ回线里，识别效果更为显著。双淤Ⅰ回线的正确识别率达到了90%及以上，识别速率达到2 000 张/小时。同步进行的人工识别，最高识别率仅达到80%，识别速率也只能达到200 张/小时。

3.2 结论

根据输电巡检的流程，该系统要运用了基于级联检测的增强学习技术，采用多种算法和模型，进一步提升识别输电线路缺陷的识别速率。平台实现了绝缘子自爆、杆塔异物、防振锤断头、防振锤变形、连接金具闭口销缺失缺陷识别，对输电线路的典型缺陷进行精准的识别。

自该系统在贵州电网运行以来，缺陷识别模型均能保证正常、高效运作，提高了输电线路的工作效率。