［關(guān)鍵詞］AI ；輸配電線(xiàn)路；無(wú)人機(jī)巡檢；實(shí)時(shí)通信

［中圖分類(lèi)號(hào)］TM75 ；V279 ［文獻(xiàn)標(biāo)志碼］A ［文章編號(hào)］2095–6487（2024）11–0072–03

1"AI技術(shù)在無(wú)人機(jī)巡檢中的應(yīng)用

在智能電網(wǎng)的發(fā)展背景下，采用人工智能技術(shù)優(yōu)化無(wú)人機(jī)巡檢操作已成為提高輸配電線(xiàn)路運(yùn)維效率的重要策略。特別是在實(shí)時(shí)通信方面，AI 技術(shù)的應(yīng)用極大地增強(qiáng)了無(wú)人機(jī)執(zhí)行復(fù)雜巡檢任務(wù)的能力。通過(guò)深度學(xué)習(xí)和機(jī)器視覺(jué)技術(shù)，無(wú)人機(jī)能夠?qū)崟r(shí)處理和分析巡檢過(guò)程中采集的大量圖像數(shù)據(jù)，自動(dòng)識(shí)別線(xiàn)路缺陷和潛在風(fēng)險(xiǎn)，如絕緣子損壞、導(dǎo)線(xiàn)異物掛扣等問(wèn)題。，AI 技術(shù)還能優(yōu)化無(wú)人機(jī)的飛行路線(xiàn)，通過(guò)預(yù)測(cè)算法動(dòng)態(tài)調(diào)整巡檢路線(xiàn)，確保覆蓋所有關(guān)鍵部位，同時(shí)減少不必要的飛行時(shí)間和能耗[1]。

2基于AI的輸配電線(xiàn)路無(wú)人機(jī)巡檢實(shí)時(shí)通信技術(shù)

2.1"AI驅(qū)動(dòng)的圖像處理與分析技術(shù)

在基于AI 的輸配電線(xiàn)路無(wú)人機(jī)巡檢實(shí)時(shí)通信技術(shù)中，圖像處理與分析技術(shù)起著決定性作用，尤其是在實(shí)時(shí)監(jiān)測(cè)和故障診斷方面。利用高級(jí)機(jī)器學(xué)習(xí)算法，可以從無(wú)人機(jī)收集的圖像中準(zhǔn)確識(shí)別和定位輸配電線(xiàn)路的潛在隱患。文章主要探討使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，以下簡(jiǎn)稱(chēng)“CNN”）對(duì)輸配電線(xiàn)路圖像進(jìn)行分析的技術(shù)。

定義圖像I作為輸入，該圖像通過(guò)無(wú)人機(jī)的高分辨率攝像頭在飛行中實(shí)時(shí)采集。圖像處理的第一步是使用卷積層對(duì)圖像進(jìn)行特征提取。卷積操作可以表示為：

式中，S為輸入特征圖中的一個(gè)小區(qū)域，P（x）為池化后的結(jié)果。此操作有助于提取更抽象的高級(jí)特征，并保持特征的空間層級(jí)[2]。

在特征提取完成后，利用全連接層將學(xué)到的特征映射到最終的分類(lèi)任務(wù)中，如判斷線(xiàn)路是否存在缺陷。全連接層的輸出可以通過(guò)softmax函數(shù)進(jìn)行分類(lèi)，公式為：

2.2無(wú)人機(jī)自主導(dǎo)航與避障系統(tǒng)

在無(wú)人機(jī)自主導(dǎo)航與避障系統(tǒng)的研究領(lǐng)域中，基于AI 的技術(shù)發(fā)展對(duì)于確保無(wú)人機(jī)在復(fù)雜環(huán)境中的高效運(yùn)行至關(guān)重要。這一系統(tǒng)集成了多種傳感器，如GPS、光流傳感器、紅外傳感器及激光雷達(dá)（LIDAR），配合高級(jí)AI 算法，實(shí)現(xiàn)了對(duì)周?chē)h(huán)境的精準(zhǔn)識(shí)別與實(shí)時(shí)響應(yīng)。系統(tǒng)的工作原理基于無(wú)人機(jī)通過(guò)激光雷達(dá)和紅外傳感器實(shí)時(shí)采集環(huán)境數(shù)據(jù)，通過(guò)深度學(xué)習(xí)模型預(yù)處理這些數(shù)據(jù)以構(gòu)建周邊環(huán)境的三維地圖，進(jìn)而實(shí)現(xiàn)精確的位置定位和路徑規(guī)劃。這一過(guò)程涉及復(fù)雜的算法，包括同時(shí)定位與地圖構(gòu)建（SLAM）技術(shù)，該技術(shù)能夠在無(wú)人機(jī)飛行過(guò)程中不斷更新地圖信息并修正飛行路徑。此外，避障算法則通過(guò)預(yù)測(cè)潛在障礙物的動(dòng)態(tài)變化，實(shí)時(shí)調(diào)整無(wú)人機(jī)的飛行軌跡，確保安全距離并避免碰撞[3]。

2.3實(shí)時(shí)通信網(wǎng)絡(luò)的優(yōu)化

在基于AI的輸配電線(xiàn)路無(wú)人機(jī)巡檢中，實(shí)時(shí)通信網(wǎng)絡(luò)的優(yōu)化是確保高效數(shù)據(jù)傳輸和處理的關(guān)鍵環(huán)節(jié)。此技術(shù)的核心在于通過(guò)高帶寬、低延遲的通信網(wǎng)絡(luò)，實(shí)現(xiàn)無(wú)人機(jī)與地面控制中心之間的無(wú)縫數(shù)據(jù)交流，從而保證了巡檢數(shù)據(jù)的實(shí)時(shí)性和準(zhǔn)確性。為此，網(wǎng)絡(luò)優(yōu)化主要聚焦于以下方面：①增強(qiáng)數(shù)據(jù)傳輸效率。其依賴(lài)于先進(jìn)的數(shù)據(jù)壓縮算法和高效的傳輸協(xié)議。通過(guò)實(shí)施動(dòng)態(tài)自適應(yīng)流控制協(xié)議，系統(tǒng)能夠根據(jù)當(dāng)前網(wǎng)絡(luò)狀況動(dòng)態(tài)調(diào)整數(shù)據(jù)包的大小和傳輸速率，減少因網(wǎng)絡(luò)擁堵造成的數(shù)據(jù)延遲和丟包率。②提升網(wǎng)絡(luò)的穩(wěn)定性和安全性。采用多路復(fù)用技術(shù)，可以在多個(gè)頻道上同時(shí)傳輸數(shù)據(jù)，即使某一頻道發(fā)生故障，也能保證數(shù)據(jù)的連續(xù)性和完整性不受影響。③優(yōu)化網(wǎng)絡(luò)資源的配置。其涉及網(wǎng)絡(luò)帶寬的合理分配和網(wǎng)絡(luò)接入點(diǎn)的科學(xué)設(shè)置。通過(guò)深度學(xué)習(xí)算法分析歷史通信數(shù)據(jù)，預(yù)測(cè)網(wǎng)絡(luò)負(fù)載的變化趨勢(shì)，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)資源的動(dòng)態(tài)配置。

2.4數(shù)據(jù)安全與隱私保護(hù)

在基于AI的輸配電線(xiàn)路無(wú)人機(jī)巡檢實(shí)時(shí)通信技術(shù)的研究中，數(shù)據(jù)安全與隱私保護(hù)部分占據(jù)了核心地位，主要是為了確保在整個(gè)無(wú)人機(jī)巡檢過(guò)程中收集、傳輸和存儲(chǔ)的數(shù)據(jù)不被非法訪(fǎng)問(wèn)、修改或泄露[4]。為此， 引入基于高級(jí)加密標(biāo)準(zhǔn)（Advanced Encryption Standard，以下簡(jiǎn)稱(chēng)“AES”）的加密算法，確保數(shù)據(jù)的安全性和完整性。AES 算法的數(shù)學(xué)公式為：

式中，M（x）為列混合步驟，其中的矩陣與狀態(tài)矩陣相乘，用于擴(kuò)散數(shù)據(jù)塊中的每一位，增強(qiáng)加密算法的安全性。這一步確保了每個(gè)輸出位都是輸入位的復(fù)雜函數(shù)，使得密碼分析更困難。

3技術(shù)應(yīng)用測(cè)試

在本次系統(tǒng)功能測(cè)試中，所使用的數(shù)據(jù)集主要來(lái)源于模擬環(huán)境下生成的實(shí)測(cè)數(shù)據(jù)，主要通過(guò)特定的試驗(yàn)設(shè)置，利用配備高分辨率攝像頭和GPS定位系統(tǒng)的無(wú)人機(jī)，在模擬的城市輸配電線(xiàn)路環(huán)境中收集數(shù)據(jù)，這一環(huán)境設(shè)計(jì)包括了多種建筑和自然障礙，以確保數(shù)據(jù)的多樣性和試驗(yàn)的應(yīng)用價(jià)值?？偣彩占降臄?shù)據(jù)包括500 張圖像和3600條傳感器數(shù)據(jù)記錄（傳感器數(shù)據(jù)每秒更新1次，持續(xù)1h）。其中，將80%的數(shù)據(jù)（400張圖像和2880條傳感器數(shù)據(jù)）用于訓(xùn)練機(jī)器學(xué)習(xí)模型，剩余的20%（100張圖像和720條傳感器數(shù)據(jù)）則用于測(cè)試模型的性能。每一張圖像都詳細(xì)記錄了輸配電線(xiàn)路的視覺(jué)信息，而傳感器數(shù)據(jù)則包括無(wú)人機(jī)的GPS位置信息、飛行速度及相關(guān)的環(huán)境參數(shù)[5]。

整個(gè)測(cè)試過(guò)程被執(zhí)行了5 遍，以驗(yàn)證結(jié)果的一致性和可重復(fù)性。關(guān)于測(cè)試指標(biāo)，主要關(guān)注以下幾個(gè)方面：響應(yīng)時(shí)間（測(cè)試從數(shù)據(jù)生成到系統(tǒng)響應(yīng)的延時(shí)）、準(zhǔn)確率（圖像識(shí)別系統(tǒng)識(shí)別輸配電線(xiàn)路問(wèn)題的準(zhǔn)確性）、系統(tǒng)穩(wěn)定性（系統(tǒng)在持續(xù)運(yùn)行中的錯(cuò)誤率）及數(shù)據(jù)吞吐量（系統(tǒng)每秒能處理的數(shù)據(jù)量）。這些指標(biāo)共同構(gòu)成了評(píng)估系統(tǒng)功能性的基礎(chǔ)，其中響應(yīng)時(shí)間和數(shù)據(jù)吞吐量直接關(guān)系到系統(tǒng)的效率，準(zhǔn)確率體現(xiàn)了系統(tǒng)在實(shí)際應(yīng)用中的可靠性，而系統(tǒng)穩(wěn)定性則是衡量系統(tǒng)持續(xù)運(yùn)營(yíng)能力的重要指標(biāo)。

測(cè)試數(shù)據(jù)見(jiàn)表1。

從表1 可以看出，隨著測(cè)試組別的增加，無(wú)人機(jī)系統(tǒng)的性能在各個(gè)方面均顯示出逐步提升的趨勢(shì)。響應(yīng)時(shí)間逐步減少，說(shuō)明系統(tǒng)隨著連續(xù)測(cè)試和優(yōu)化調(diào)整而增強(qiáng)了處理速度。準(zhǔn)確率也有明顯的提高，這反映了圖像處理和識(shí)別算法隨著更多數(shù)據(jù)的訓(xùn)練而趨于成熟和精確。系統(tǒng)穩(wěn)定性方面，錯(cuò)誤率降低，顯示出系統(tǒng)的可靠性在持續(xù)增強(qiáng)。數(shù)據(jù)吞吐量的提升也證明了系統(tǒng)在數(shù)據(jù)處理能力方面的優(yōu)化。

4結(jié)束語(yǔ)

基于AI的無(wú)人機(jī)巡檢實(shí)時(shí)通信技術(shù)在電力系統(tǒng)中的應(yīng)用展現(xiàn)了極高的研究和實(shí)踐價(jià)值。通過(guò)深入研究和持續(xù)優(yōu)化該技術(shù)，不僅可以顯著提升輸配電線(xiàn)路的監(jiān)控效率和精確度，還能在更廣泛的領(lǐng)域內(nèi)推動(dòng)智能化、自動(dòng)化技術(shù)的應(yīng)用，為智能電網(wǎng)的建設(shè)和能源的可持續(xù)發(fā)展作出更大貢獻(xiàn)。