摘 要：電網(wǎng)裝置通常安裝在戶外，會(huì)受到大量污染。污染物積聚在電網(wǎng)裝置中，可能會(huì)引起短路并導(dǎo)致停電。為了提高電網(wǎng)的可靠性，利用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)自動(dòng)化電網(wǎng)檢修狀態(tài)異常的檢測(cè)。提出一種基于原型（Ｐｒｏｔｏｔｙｐｅ） 智能網(wǎng)絡(luò)的電網(wǎng)檢修狀態(tài)異常檢測(cè)模型（Ｐｒｏｔｏ-ＰＧＮｅｔ），為自動(dòng)化電網(wǎng)檢修狀態(tài)異常檢測(cè)提供輔助決策。由于現(xiàn)有電網(wǎng)檢修數(shù)據(jù)集包含的不同背景圖像數(shù)量有限，如何使模型更具泛化性是一個(gè)挑戰(zhàn)。Ｐｒｏｔｏ-ＰＧＮｅｔ 模型在最后一個(gè)密集層上不進(jìn)行凸優(yōu)化，以保持逆向推理過程對(duì)圖像分類的作用。逆向推理過程可以排除輸入圖像中的錯(cuò)誤類別，可以用少量且具有不同背景的圖像進(jìn)行分類。Ｐｒｏｔｏ-ＰＧＮｅｔ 模型與其他先進(jìn)模型進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明Ｐｒｏｔｏ-ＰＧＮｅｔ 模型明顯優(yōu)于其他模型。其中，以ＶＧＧ-１９ 為網(wǎng)絡(luò)骨架時(shí)，Ｐｒｏｔｏ-ＰＧＮｅｔ 的準(zhǔn)確率達(dá)到了９７． ２２％ ，比最先進(jìn)的Ｐｓ-ＰＧＮｅｔ 模型的準(zhǔn)確率提高了４． １７％ 。

關(guān)鍵詞：電網(wǎng)檢修；原型智能網(wǎng)絡(luò)；輔助決策；計(jì)算機(jī)視覺；自動(dòng)化

中圖分類號(hào)：ＴＰ３１１ 文獻(xiàn)標(biāo)志碼：Ａ

文章編號(hào)：１００３－３１０６（２０２４）１０－２４７８－１０

０ 引言

電網(wǎng)負(fù)責(zé)向用戶提供安全可靠的電力，但是許多配電網(wǎng)絡(luò)安裝在戶外，且導(dǎo)體上沒有絕緣層保護(hù)，導(dǎo)致這些配電網(wǎng)絡(luò)很容易受到惡劣環(huán)境的影響。因此安裝在室外的電力系統(tǒng)面臨的一個(gè)主要問題是污染物，污染物在電網(wǎng)結(jié)構(gòu)上不斷積聚，增加了絕緣組件的電導(dǎo)性。

絕緣組件表面的導(dǎo)電率越高，電網(wǎng)組件便會(huì)有越大的泄漏電流，從而導(dǎo)致破壞性放電。當(dāng)放電發(fā)生在絕緣表面時(shí)，污染物會(huì)燃燒并結(jié)垢，因此只靠雨水清洗這些組件會(huì)變得更困難。對(duì)于被嚴(yán)重結(jié)垢所污染的部件，會(huì)發(fā)生多次放電，從而降低電力系統(tǒng)的電能質(zhì)量。

為了提高識(shí)別損壞部件的能力，需要對(duì)電力系統(tǒng)進(jìn)行定期檢查。通常由專業(yè)團(tuán)隊(duì)使用特定設(shè)備從地面實(shí)施巡查，也有部分檢查從空中實(shí)施巡查，一般通過無人機(jī)收集圖像［１］。巡查使用的設(shè)備主要有超聲波［２］、無線電干擾、紫外相機(jī)和紅外相機(jī)。

基于圖像的神經(jīng)網(wǎng)絡(luò)模型在電網(wǎng)檢測(cè)方面展示出了強(qiáng)大前景。在圖像分類任務(wù)中，最先進(jìn)的ＰＧＮｅｔ 類模型［３］從其中脫穎而出。這類模型最大的優(yōu)勢(shì)在于，可以找到原型部件，并結(jié)合來自原型的信息進(jìn)行最終分類。ＮＰＰＧＮｅｔ、ＧｅｎＰＧＮｅｔ 和ＰｓＰＧＮｅｔ 等變體模型［４］由于在各種應(yīng)用中都具有較好的可解釋性，所以在分類任務(wù)上也得到了廣泛的使用并取得了良好成效。

選取具有代表性的數(shù)據(jù)集是使用深度學(xué)習(xí)模型的一大難題，因?yàn)殡娏ο到y(tǒng)中很少出現(xiàn)檢修狀態(tài)異常，很難收集足夠多的具有代表性的數(shù)據(jù)來訓(xùn)練模型?；诶眯⌒蛿?shù)據(jù)集對(duì)電網(wǎng)檢修狀態(tài)異常進(jìn)行預(yù)防性識(shí)別的需要，提出ＰｒｏｔｏＰＧＮｅｔ 模型，用于對(duì)電網(wǎng)結(jié)構(gòu)中的檢修狀態(tài)異常進(jìn)行分類，并且該模型并沒有使用所有的訓(xùn)練步驟來降低準(zhǔn)確率。

本文主要貢獻(xiàn)包括：

① 通常深度神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)來訓(xùn)練模型，但所提ＰｒｏｔｏＰＧＮｅｔ 模型，使用小型數(shù)據(jù)集就能獲得較高的準(zhǔn)確率，這將使該模型能夠應(yīng)用于現(xiàn)場(chǎng)環(huán)境。

② 所提ＰｒｏｔｏＰＧＮｅｔ 模型并不專注于特定條件或組件，因此能夠處理不同圖像幀、亮度和背景的檢測(cè)照片之間的巨大差異，拍攝照片更加簡單，使得操作員更容易進(jìn)行檢查。此外，不對(duì)最后一層進(jìn)行優(yōu)化可大大減少訓(xùn)練時(shí)間。

③ 與一些先進(jìn)的模型相比，所提ＰｒｏｔｏＰＧＮｅｔ模型具有更高的準(zhǔn)確率，以ＶＧＧ１９ 為網(wǎng)絡(luò)骨架時(shí)，ＰｒｏｔｏＰＧＮｅｔ 的準(zhǔn)確率達(dá)到了９７． ２２％ ，比最先進(jìn)的ＰｓＰＧＮｅｔ 模型的準(zhǔn)確率提高了４． １７％ 。

１ 相關(guān)工作

由于電力系統(tǒng)大多安裝在戶外，因此容易出現(xiàn)多種檢修狀態(tài)異常的情況［５］。電力系統(tǒng)出現(xiàn)檢修狀態(tài)異常的主要原因之一是絕緣組件上存在污染，會(huì)導(dǎo)致更高的表面電導(dǎo)率［６］。隨著表面電導(dǎo)率的增加，更容易發(fā)生電氣擊穿，從而可能導(dǎo)致電力中斷。

Ｉｂｒａｈｉｍ 等［７］提出了一項(xiàng)關(guān)于絕緣子表面侵蝕的研究，這是一個(gè)與污染相關(guān)的問題，對(duì)檢修狀態(tài)異常進(jìn)行分類的準(zhǔn)確率達(dá)到了８９． ５％ 。Ｐｒａｔｅｓ 等［８］對(duì)配電線路的異常進(jìn)行分析識(shí)別，這與本文的目標(biāo)一致，使用實(shí)驗(yàn)室生成的數(shù)據(jù)集，在識(shí)別絕緣子異常時(shí)達(dá)到了８５． ４８％ 的準(zhǔn)確率。此外，還有一些研究通過分析不良條件的變化趨勢(shì)來預(yù)測(cè)檢修狀態(tài)異常的發(fā)展情況［９］。

使用航空?qǐng)D像監(jiān)測(cè)電網(wǎng)是一種具有成本效益的替代方案。由于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)具有處理大型數(shù)據(jù)集的能力，該解決方案越來越受到青睞。在此類型的應(yīng)用中，以ＶＧＧ、ＲｅｓＮｅｔ 和ＤｅｎｓｅＮｅｔ 等基于卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）的網(wǎng)絡(luò)骨架模型表現(xiàn)突出。除了污染外，室外安裝的電網(wǎng)結(jié)構(gòu)還暴露于冰凍、潮濕和下雪的惡劣環(huán)境之中。對(duì)于電力系統(tǒng)檢測(cè)而言，使用ＣＮＮ 進(jìn)行圖像分析是一種可行且前景廣闊的替代方法。

許多學(xué)者研究了使用無人機(jī)記錄的航空?qǐng)D像進(jìn)行電力系統(tǒng)檢測(cè)的問題。Ｓａｍｐｅｄｒｏ 等［１０］和Ｔａｏ等［１１］應(yīng)用ＣＮＮ 進(jìn)行檢修狀態(tài)異常識(shí)別，Ｍｉａｏ 等［１２］使用了單次多框檢測(cè)器（Ｓｉｎｇｌｅ Ｓｈｏｔ ＭｕｌｔｉｂｏｘＤｅｔｅｃｔｏｒ，ＳＳＤ）。目前另一種廣泛使用的方法是檢測(cè)檢修狀態(tài)異常的物體，如破損的絕緣子。Ｌｉ 等［１３］提出的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（ＲｅｇｉｏｎｂａｓｅｄＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＣＮＮ）以及ＹＯＬＯ 等技術(shù)被廣泛用于絕緣子狀態(tài)異常識(shí)別。這種策略的最大優(yōu)勢(shì)在于可以確定狀態(tài)異常的確切位置。然后，可以通過預(yù)先確定狀態(tài)異常的原因和位置，將專業(yè)團(tuán)隊(duì)引導(dǎo)到問題現(xiàn)場(chǎng)解決問題。

基于深度學(xué)習(xí)的技術(shù)在電力網(wǎng)絡(luò)檢修狀態(tài)異常識(shí)別方面越來越受歡迎［１４］。Ｚｈａｏ 等［１５］提出了一種基于自適應(yīng)參數(shù)線性整流單元的方法，以改進(jìn)用于檢修狀態(tài)異常診斷的深度殘差網(wǎng)絡(luò)的資源學(xué)習(xí)。

小波變換和深度殘差網(wǎng)絡(luò)的融合對(duì)于檢修狀態(tài)異常診斷非常有效，因?yàn)闄z修狀態(tài)異常產(chǎn)生的振動(dòng)可以通過一系列頻帶組合技術(shù)進(jìn)行評(píng)估，從而改進(jìn)模型［１６］。根據(jù)Ｓｉｎｉｏｓｏｇｌｏｕ 等［１７］的研究，使用深度學(xué)習(xí)策略檢測(cè)異常，能提高網(wǎng)絡(luò)狀態(tài)診斷的可靠性。

通過使用改進(jìn)的ＡｌｅｘＮｅｔ 等技術(shù)提取特征，就有可能根據(jù)圖像分析來檢測(cè)出電力網(wǎng)絡(luò)中的異常情況［１８］。為了提高對(duì)不良條件的識(shí)別準(zhǔn)確度，采用基于快速區(qū)域的ＣＮＮ 等分類器模型技術(shù)，從而使分析能夠集中于問題［１９］。