摘 要：電網(wǎng)裝置通常安裝在戶外，會受到大量污染。污染物積聚在電網(wǎng)裝置中，可能會引起短路并導致停電。為了提高電網(wǎng)的可靠性，利用計算機視覺技術實現(xiàn)自動化電網(wǎng)檢修狀態(tài)異常的檢測。提出一種基于原型（Ｐｒｏｔｏｔｙｐｅ） 智能網(wǎng)絡的電網(wǎng)檢修狀態(tài)異常檢測模型（Ｐｒｏｔｏ-ＰＧＮｅｔ），為自動化電網(wǎng)檢修狀態(tài)異常檢測提供輔助決策。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挑戰(zhàn)。Ｐｒｏｔｏ-ＰＧＮｅｔ 模型在最后一個密集層上不進行凸優(yōu)化，以保持逆向推理過程對圖像分類的作用。逆向推理過程可以排除輸入圖像中的錯誤類別，可以用少量且具有不同背景的圖像進行分類。Ｐｒｏｔｏ-ＰＧＮｅｔ 模型與其他先進模型進行對比實驗，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)絡骨架時，Ｐｒｏｔｏ-ＰＧＮｅｔ 的準確率達到了９７． ２２％ ，比最先進的Ｐｓ-ＰＧＮｅｔ 模型的準確率提高了４． １７％ 。

關鍵詞：電網(wǎng)檢修；原型智能網(wǎng)絡；輔助決策；計算機視覺；自動化

中圖分類號：ＴＰ３１１ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１０－２４７８－１０

０ 引言

電網(wǎng)負責向用戶提供安全可靠的電力，但是許多配電網(wǎng)絡安裝在戶外，且導體上沒有絕緣層保護，導致這些配電網(wǎng)絡很容易受到惡劣環(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性。

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

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

基于圖像的神經(jīng)網(wǎng)絡模型在電網(wǎng)檢測方面展示出了強大前景。在圖像分類任務中，最先進的ＰＧＮｅｔ 類模型［３］從其中脫穎而出。這類模型最大的優(yōu)勢在于，可以找到原型部件，并結(jié)合來自原型的信息進行最終分類。ＮＰＰＧＮｅｔ、ＧｅｎＰＧＮｅｔ 和ＰｓＰＧＮｅｔ 等變體模型［４］由于在各種應用中都具有較好的可解釋性，所以在分類任務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)集是使用深度學習模型的一大難題，因為電力系統(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)來訓練模型?；诶眯⌒蛿?shù)據(jù)集對電網(wǎng)檢修狀態(tài)異常進行預防性識別的需要，提出ＰｒｏｔｏＰＧＮｅｔ 模型，用于對電網(wǎng)結(jié)構(gòu)中的檢修狀態(tài)異常進行分類，并且該模型并沒有使用所有的訓練步驟來降低準確率。

本文主要貢獻包括：

① 通常深度神經(jīng)網(wǎng)絡需要大量數(shù)據(jù)來訓練模型，但所提ＰｒｏｔｏＰＧＮｅｔ 模型，使用小型數(shù)據(jù)集就能獲得較高的準確率，這將使該模型能夠應用于現(xiàn)場環(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行檢查。此外，不對最后一層進行優(yōu)化可大大減少訓練時間。

③ 與一些先進的模型相比，所提ＰｒｏｔｏＰＧＮｅｔ模型具有更高的準確率，以ＶＧＧ１９ 為網(wǎng)絡骨架時，ＰｒｏｔｏＰＧＮｅｔ 的準確率達到了９７． ２２％ ，比最先進的ＰｓＰＧＮｅｔ 模型的準確率提高了４． １７％ 。

１ 相關工作

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，會導致更高的表面電導率［６］。隨著表面電導率的增加，更容易發(fā)生電氣擊穿，從而可能導致電力中斷。

Ｉｂｒａｈｉｍ 等［７］提出了一項關于絕緣子表面侵蝕的研究，這是一個與污染相關的問題，對檢修狀態(tài)異常進行分類的準確率達到了８９． ５％ 。Ｐｒａｔｅｓ 等［８］對配電線路的異常進行分析識別，這與本文的目標一致，使用實驗室生成的數(shù)據(jù)集，在識別絕緣子異常時達到了８５． ４８％ 的準確率。此外，還有一些研究通過分析不良條件的變化趨勢來預測檢修狀態(tài)異常的發(fā)展情況［９］。

使用航空圖像監(jiān)測電網(wǎng)是一種具有成本效益的替代方案。由于深度學習神經(jīng)網(wǎng)絡具有處理大型數(shù)據(jù)集的能力，該解決方案越來越受到青睞。在此類型的應用中，以ＶＧＧ、ＲｅｓＮｅｔ 和ＤｅｎｓｅＮｅｔ 等基于卷積神經(jīng)網(wǎng)絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）的網(wǎng)絡骨架模型表現(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。對于電力系統(tǒng)檢測而言，使用ＣＮＮ 進行圖像分析是一種可行且前景廣闊的替代方法。

許多學者研究了使用無人機記錄的航空圖像進行電力系統(tǒng)檢測的問題。Ｓａｍｐｅｄｒｏ 等［１０］和Ｔａｏ等［１１］應用ＣＮＮ 進行檢修狀態(tài)異常識別，Ｍｉａｏ 等［１２］使用了單次多框檢測器（Ｓｉｎｇｌｅ Ｓｈｏｔ ＭｕｌｔｉｂｏｘＤｅｔｅｃｔｏｒ，ＳＳＤ）。目前另一種廣泛使用的方法是檢測檢修狀態(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（ＲｅｇｉｏｎｂａｓｅｄＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＣＮＮ）以及ＹＯＬＯ 等技術被廣泛用于絕緣子狀態(tài)異常識別。這種策略的最大優(yōu)勢在于可以確定狀態(tài)異常的確切位置。然后，可以通過預先確定狀態(tài)異常的原因和位置，將專業(yè)團隊引導到問題現(xiàn)場解決問題。

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

小波變換和深度殘差網(wǎng)絡的融合對于檢修狀態(tài)異常診斷非常有效，因為檢修狀態(tài)異常產(chǎn)生的振動可以通過一系列頻帶組合技術進行評估，從而改進模型［１６］。根據(jù)Ｓｉｎｉｏｓｏｇｌｏｕ 等［１７］的研究，使用深度學習策略檢測異常，能提高網(wǎng)絡狀態(tài)診斷的可靠性。

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