摘要：電力器件維護(hù)的智能化一直是電力行業(yè)研究的重點(diǎn)，本研究設(shè)計(jì)了Faster RCNN神經(jīng)算法的絕緣子串維護(hù)及帶電水沖洗方法。該方法的功能實(shí)現(xiàn)依靠多個(gè)模塊組合，通過FPGA芯片作為AI計(jì)算的算力核心，采用Faster RCNN算法來處理無人機(jī)收集的絕緣子串的濕污圖片，在設(shè)計(jì)的AI控制中心中完成對絕緣子串的信息采集。本研究還設(shè)計(jì)了絕緣子串帶電水沖洗的執(zhí)行功能模塊，配置可以自主行進(jìn)和升降的電力機(jī)器人。該電力機(jī)器人具有帶電水沖洗模塊，通過水箱、電阻和水槍等一系列工具，采用攝像頭實(shí)時(shí)拍攝絕緣子串清洗情況，并與AI控制中心發(fā)送的處理后絕緣子串圖片相結(jié)合，高效節(jié)能地完成對絕緣子串的帶電水沖洗工作。通過實(shí)驗(yàn)與仿真的對比分析，結(jié)果表明：本研究設(shè)計(jì)的Faster RCNN神經(jīng)算法的絕緣子串帶電水沖洗方法可以有效地完成對絕緣子串清洗維護(hù)的工作。

關(guān)鍵詞：絕緣子串；帶電水沖洗；FPGA芯片；圖像識別技術(shù)；AI與機(jī)器人

中圖分類號：TM216；TP391文獻(xiàn)標(biāo)志碼：A文章編號：1001-5922（2025）04-0148-04

Research on insulator string charged water flushing based on Faster RCNN neural algorithm

GUO Kegui，ZHANG Haibin，YIN Yue，QIN Long，SHI Wen

（Super High Voltage Branch of State Grid Anhui Electric Power Co.，Ltd.，Hefei 230022，Chian）

Abstract：The intelligent maintenance of power devices has always been the focus of research in the power indus?try.In this study，the Faster RCNN neural algorithm for insulator string maintenance and charged water flushing method is designed.The functional realization of this method relies on the combination of multiple modules.The FP?GA chip is used as the core of AI calculation，and the faster RCNN algorithm is used to process the wet pollution pictures of insulator strings collected by UAV.The information collection of insulator strings is completed in the de?signed AI control center.This research also designed the executive function module of the charged water flushing of the insulator string，and configured an electric robot that can move and lift independently.The power robot has a charged water flushing module.Through a series of tools such as water tank，resistance and water gun，the camera is used to capture the insulator string cleaning in realtime，and combined with the processed insulator string pictures sent by the AI control center to complete the charged water flushing of the insulator string efficiently and energy-ef?ficiently.Through comparative analysis of experiments and simulations，the results show that the Faster RCNN neu?ral algorithm for insulator string maintenance and charged water flushing method designed in this study can effec?tively complete the cleaning and maintenance of insulator strings using the charged water flushing method.

Keywords：insulator string；charged water flushing；FPGA chip；image recognition technology；AI and robot

隨著社會對供電可靠性要求不斷提高，電力設(shè)備的緣子污閃會對電力系統(tǒng)安全運(yùn)行造成嚴(yán)重影響[1]。為有效運(yùn)行與維護(hù)成為電力行業(yè)的重點(diǎn)環(huán)節(jié)。大量事故表明，絕提高對電力線路絕緣子的維護(hù)效率，防范污閃跳閘，各類新技術(shù)相繼推出。文獻(xiàn)[2]通過提取有效聲發(fā)射特征量作為神經(jīng)網(wǎng)絡(luò)的輸入，得到絕緣子污閃的危險(xiǎn)系數(shù)，進(jìn)而預(yù)測絕緣子污閃的幾率。然而，該模型預(yù)測準(zhǔn)確度不高。文獻(xiàn)[3]通過連續(xù)投影算法和隨機(jī)蛙跳算法提取特征波段，建立評估模型后進(jìn)行對比分析。但容易受干擾，難以在室外環(huán)境中配合清掃等對絕緣子進(jìn)行維護(hù)。

針對上述問題，本研究設(shè)計(jì)了基于Faster RCNN神經(jīng)算法的絕緣子串帶電水沖洗方法，全程由AI自動控制，提高了作業(yè)效率和自動化水平。

1絕緣子串帶電水沖洗方案設(shè)計(jì)

本研究設(shè)計(jì)采用了AI自動識別的絕緣子串帶電水沖洗方案，其設(shè)計(jì)為：

絕緣子串帶電水沖洗方案的AI自動化實(shí)現(xiàn)分為感知層、理解層和應(yīng)用層。感知層主要由無人機(jī)組成，通過無人機(jī)的攝像頭拍攝線路上的絕緣子串，由Faster RCNN算法進(jìn)行圖像識別。算法根據(jù)絕緣子串的圖像判斷周圍是否有濕污，并向AI自動控制中心發(fā)送判斷信號。接著在AI自動識別的理解層，AI自動控制中心接收無人機(jī)發(fā)送的圖像，并由FPGA芯片進(jìn)行算法計(jì)算。最后在AI自動識別的應(yīng)用層，AI自動控制中心向帶有水槍的電力機(jī)器人發(fā)送指令，由機(jī)器人完成絕緣子沖洗作業(yè)。

綜上可知，AI自動化的絕緣子沖洗的關(guān)鍵在于對絕緣子跟蹤和定位[4]。本研究設(shè)計(jì)的無人機(jī)搭載攝像頭和圖像識別Faster RCNN算法，可以有效地實(shí)現(xiàn)絕緣子識別和定位。電力機(jī)器人可自動控制沖水量，在盡可能環(huán)保節(jié)約的前提下完成對絕緣子串沖洗作業(yè)。其中環(huán)保節(jié)約是本研究設(shè)計(jì)的特點(diǎn)之一。

2基于FPGA芯片的AI控制中心

在本研究設(shè)計(jì)的AI控制中心，對于無人機(jī)拍攝上傳的絕緣子圖像的分析處理主要由FPGA芯片完成。FPGA芯片在面對圖像處理任務(wù)時(shí)更具靈活性，可以通過加大電路規(guī)模實(shí)現(xiàn)多元化的功能[5]。

FPGA芯片內(nèi)部電路主要由CLB可配置邏輯塊、IOB輸入輸出單元等部分組成。CLB可配置邏輯塊用于實(shí)現(xiàn)芯片內(nèi)部的組合邏輯和時(shí)序邏輯，通過邏輯片之間的相互組合，實(shí)現(xiàn)算術(shù)邏輯，提高芯片內(nèi)部乘法器的效率。IOB單元中包括6個(gè)Reg存儲單元，每個(gè)單元即可以配置成為邊沿觸發(fā)的D寄存器，也可以配置能電平觸發(fā)的鎖存器。

除上述2種功能模塊之外，還有其他重要的功能構(gòu)件，負(fù)責(zé)不同的芯片功能[6]。如全局時(shí)鐘網(wǎng)絡(luò)負(fù)責(zé)同步芯片內(nèi)部各部件之間的傳輸時(shí)間和時(shí)鐘信號；DCM數(shù)字時(shí)鐘管理模塊負(fù)責(zé)處理內(nèi)部時(shí)鐘的偏斜。通過軟硬件結(jié)合，靈活地完成本設(shè)計(jì)的任務(wù)。

3 Faster RCNN神經(jīng)算法

為精準(zhǔn)識別絕緣子污損狀況，并實(shí)現(xiàn)絕緣子串帶電水沖洗的全自動化，本研究于無人機(jī)搭載基于神經(jīng)網(wǎng)絡(luò)的Faster RCNN目標(biāo)檢測算法，同時(shí)運(yùn)用RPN候選框生成算法[7]。

該算法主要由4部分組成，即CNN網(wǎng)絡(luò)、RPN網(wǎng)絡(luò)、ROI層以及分類網(wǎng)絡(luò)。將絕緣子串的圖像轉(zhuǎn)換為數(shù)據(jù)矩陣，具體轉(zhuǎn)換公式如下：

x2= （i= 1 2 3…k）（1）

式中：Ai為i水平的觀察頻數(shù)；n為總頻數(shù)；pi為i水平的期望頻率。當(dāng)n比較大時(shí)，x2統(tǒng)計(jì)量近似服從k- 1個(gè)自由度的卡方分布，x即為轉(zhuǎn)換后的數(shù)據(jù)矩陣。當(dāng)數(shù)據(jù)矩陣經(jīng)過conv層，數(shù)據(jù)矩陣會進(jìn)行卷積處理，數(shù)據(jù)矩陣的卷積公式如下：

xkl=f xil- 1*wikl+ bkl（2）

當(dāng)數(shù)據(jù)矩陣經(jīng)過卷積后，卷積數(shù)據(jù)將會通過relu層的激活函數(shù)。relu層用來緩和數(shù)據(jù)矩陣的過擬合問題，將處理后的數(shù)據(jù)送到卷積層，其中relu層的激活函數(shù)為

f（x）= max（0 x）（3）

式中：relu層的激活函數(shù)是分段線性函數(shù)，將數(shù)據(jù)矩陣中的負(fù)值變?yōu)?，正值不變。這意味著同一時(shí)間只有部分神經(jīng)元會被激活，從而使得神經(jīng)網(wǎng)絡(luò)變得稀疏，計(jì)算更加快速。經(jīng)過relu層的激活函數(shù)，數(shù)據(jù)矩陣會經(jīng)過pooling層進(jìn)行池化處理。池化可以將較大的圖像數(shù)據(jù)縮小，減少像素信息，只保留重要信息，具體池化公式如下：

x（?）k（l） = max（xk（l）：xk（l）+ r- 1）（4）

卷積公式（4）中：xkl為第l層第k層的卷積映射；f即relu層的激活函數(shù)；N為輸入的映射數(shù)量；wikl為第l層第k層的運(yùn)算權(quán)值；bkl為第l層第k層的核偏置。池化公式（4）中x（?）k（l）為從向量xk（l）到xk（l）+ r- 1均進(jìn)行最大池化操作，得到數(shù)據(jù)矩陣的特征圖。在經(jīng)過CNN網(wǎng)絡(luò)處理后，數(shù)據(jù)矩陣的特征圖將會通過RPN網(wǎng)絡(luò)，率先進(jìn)行一個(gè)3′ 3的卷積操作，將圖像設(shè)置為anchor。然后分兩部分進(jìn)行計(jì)算，即一部分進(jìn)行判斷anchors的類別，對圖像進(jìn)行分類；另一部分進(jìn)行bounding box的值預(yù)測，實(shí)現(xiàn)對圖像定位的微調(diào)。第一部分的圖像分類公式如下：

d*（A） = W*T·?（A） （5）

式中：?（A） 表示卷積后的特征圖；W*T表示計(jì)算過程中的學(xué)習(xí)參數(shù)；圖像按照d*（A） 的計(jì)算大小進(jìn)行分類。另一部分的圖像微調(diào)公式如下：

Loss= （t*（i） - W*T·?（Ai））2（6）

式中：t*（i）為圖像定位的真實(shí)值；Loss為預(yù)測值與真實(shí)值的差距，圖像依照Loss進(jìn)行微調(diào)。經(jīng)過這兩部分圖像的分類和微調(diào)后，圖像來到了RPN網(wǎng)絡(luò)的最后一部分，即Proposal層。Proposal層負(fù)責(zé)收集圖像分類和微調(diào)的結(jié)果，混合生成Proposals，并將結(jié)果輸出到ROI層中。ROI層收集Proposal層中的Proposals和CNN網(wǎng)絡(luò)中的原始特征圖。ROI層會將兩個(gè)輸入統(tǒng)一到同一尺度，進(jìn)行固定長度輸出，將圖像進(jìn)一步進(jìn)行二分類。最后，ROI層通過全連接層和softmax對所有的圖像特征進(jìn)行具體類別的分類，同時(shí)利用Bbox層獲得每個(gè)圖像與真實(shí)分類的偏移量，用于回歸更精確的目標(biāo)分類，實(shí)現(xiàn)Fsaster RCNN神經(jīng)算法對無人機(jī)收集的絕緣子圖像的分類[8]。

4沖洗電力機(jī)器人設(shè)計(jì)

本研究設(shè)計(jì)了專門用于絕緣子串帶電水沖洗的電力機(jī)器人，用來與AI自動控制中心配合完成絕緣子串的維護(hù)。電力機(jī)器人的具體內(nèi)部。

主要由3部分組成。帶電沖洗平臺、機(jī)械本體以及智能控制模塊[9]。其中，最核心的部分就是智能控制模塊。該模塊不僅負(fù)責(zé)從無人機(jī)接收到拍攝的畫面，還需要將處理后的畫面實(shí)時(shí)傳輸?shù)綆щ姏_洗平臺中，并將無人機(jī)拍攝畫面與帶電沖洗平臺的攝像頭相配合，進(jìn)而獲得更高精度的絕緣子串沖洗能力。

接著是電力機(jī)器人的機(jī)械本體。機(jī)械本體是電力機(jī)器人移動和升降的主要部分[10]，該部分從AI控制中心接收控制信號，可代替人工完成變電站絕緣子沖洗作業(yè)，保障了操作人員的安全。

最后是電力機(jī)器人的帶電沖洗平臺。通訊接口從智能控制模塊接收控制指令，指令傳到平臺自帶的控制模塊，并由該控制模塊發(fā)送指令控制帶電水沖洗平臺的3大運(yùn)行部件，即攝像頭、機(jī)械臂和水槍。攝像頭與機(jī)械臂相連，負(fù)責(zé)實(shí)時(shí)拍攝絕緣子串的污穢情況，并與智能控制模塊收集的無人機(jī)拍攝圖像進(jìn)行對比，尋找沖洗絕緣子串的最優(yōu)位置[11]。通過本研究設(shè)計(jì)的電力機(jī)器人，可以智能化地提高工作效率，并且代替工作人員進(jìn)行一些較為危險(xiǎn)的帶電沖洗工作。

5實(shí)驗(yàn)結(jié)果和分析

本研究設(shè)計(jì)了基于Faster RCNN神經(jīng)算法的絕緣子串帶電水沖洗方法。在實(shí)驗(yàn)實(shí)施階段，借助計(jì)算機(jī)、數(shù)據(jù)庫、服務(wù)器及相關(guān)通訊設(shè)備搭建模擬實(shí)驗(yàn)環(huán)境。

為測試本研究設(shè)計(jì)的方法對絕緣子串的沖洗性能，首先對絕緣子串進(jìn)行建模。

根據(jù)奧本諾斯提出的理論，可以得出絕緣子串積污后的污閃模型，絕緣子串的靜態(tài)閃絡(luò)電壓公式為下：

U= AXI-n+ IR（X）（7）

式中：U為靜態(tài)閃絡(luò)電壓；X為電弧弧長；R為濕污層的電阻；A和n均為電弧特性常數(shù)。絕緣子串在實(shí)際應(yīng)用中，所受到的污染物可分為兩類，分別采用等值鹽密和等值灰密進(jìn)行[12]表示。傳統(tǒng)的絕緣子串沖洗方法均采用水槍直接沖洗，然而這種方法難以沖洗掉絕緣子串上的灰密污染物。在本研究對絕緣子串建模后[13]，在仿真環(huán)境中模擬不同污染程度的絕緣子串，并探究等值鹽密和等值灰密對絕緣子串對日常工作的影響。經(jīng)過實(shí)驗(yàn)測試，泄露電流與污染程度的公式如下：

由圖1可得，本研究設(shè)計(jì)的方法在啟動沖洗時(shí)間和總沖洗時(shí)間方面少于其他2個(gè)方法，滿足絕緣子串快速去污的要求。本研究還設(shè)計(jì)了另一組對比實(shí)驗(yàn)，通過測量3個(gè)方法沖洗時(shí)間與沖洗后閃絡(luò)電壓的大小，可以實(shí)際測得3個(gè)方法沖洗任務(wù)的完成度?，F(xiàn)同時(shí)采用3個(gè)方法對絕緣子串進(jìn)行20 min的沖洗，并實(shí)時(shí)對比電壓變化，具體數(shù)據(jù)圖如圖2。

由圖2可知，在0 min時(shí)，3個(gè)方法的絕緣子串閃絡(luò)電壓均為5 Kv。而一經(jīng)水沖洗，本研究設(shè)計(jì)方法閃絡(luò)電壓迅速上升，且上升幅度明顯高于另外2種出自文獻(xiàn)的方法。這主要得益于本研究引入的AI自動控制中心，該中心能實(shí)時(shí)、精準(zhǔn)地調(diào)控水槍沖洗力度[14]。經(jīng)過上述多個(gè)實(shí)驗(yàn)可以證明，融入AI自動識別等功能的本研究設(shè)計(jì)方法，在沖洗速度、效率及清洗徹底度等方面，相比其他方法均有顯著提升。。

6結(jié)語

本研究著力構(gòu)建了基于Faster RCNN神經(jīng)算法的絕緣子串帶電水沖洗方法。在絕緣子串圖像采集及分析部分，運(yùn)用雙攝像頭設(shè)計(jì)，以無人機(jī)拍攝并上傳的圖像為基礎(chǔ)分析數(shù)據(jù)，同時(shí)借助水槍所配置的攝像頭作為補(bǔ)充，實(shí)現(xiàn)對絕緣子串濕污狀況的精準(zhǔn)捕捉，從而高效開展沖洗作業(yè)。在圖像分析層面，選用FPGA芯片提供算力支撐，以Faster RCNN算法作為核心算法基礎(chǔ)，對采集到的圖像進(jìn)行快速且精準(zhǔn)的分析，迅速定位絕緣子串圖像上的濕污區(qū)域。此外，本研究還研發(fā)了用于去污的電力機(jī)器人。通過合理配置多個(gè)功能模塊，賦予電力機(jī)器人高度靈活性，使其能夠完成帶電水沖洗任務(wù)[15]。不過，本研究仍存在一定的設(shè)計(jì)缺陷，構(gòu)建高質(zhì)量通信通道，以保障不同部件之間實(shí)現(xiàn)實(shí)時(shí)、穩(wěn)定通訊，將是后續(xù)研究重點(diǎn)關(guān)注并加以改進(jìn)的方向。

【參考文獻(xiàn)】

[1]陳吉，蔣興良，陳成瑞，等.不同試驗(yàn)方式對絕緣子污閃特性的影響研究[J].電瓷避雷器，2020（6）：241-248.

[2]王遠(yuǎn)東，史文江，韓興波，等.基于聲發(fā)射特性的玻璃絕緣子污閃預(yù)測模型[J].電力建設(shè)，2021，42（5）：138-144.

[3]余歐然，郭裕鈞，張血琴，等.基于近紅外高光譜的絕緣子污層受潮程度檢測[J].電瓷避雷器，2022（6）：197-203.

[4]王國志，付虹，鄧斌，等.基于LS-SVM和Q（λ）學(xué)習(xí)的鐵路絕緣子水沖洗定位研究[J].電瓷避雷器，2019（2）：192-196.

[5]李東，崔文超，郭瑞民，等.基于FPGA的電壓信號采集卡研究[J].儀表技術(shù)與傳感器，2021（6）：123-126.

[6]劉紹波，曹志良.基于FPGA平臺的光纖通道協(xié)議芯片設(shè)計(jì)研究[J].電子器件，2019，42（4）：821-826.

[7]趙加坤，孫俊，韓睿，等.基于改進(jìn)的Faster Rcnn遙感圖像目標(biāo)檢測[J].計(jì)算機(jī)應(yīng)用與軟件，2022，39（5）：192-196.

[8]魏業(yè)文，李梅，解園琳，等.基于改進(jìn)Faster-RCNN的輸電線路巡檢圖像檢測[J].電力工程技術(shù)，2022，41（2）：171-178.

[9]劉樂，隗震，姜志鵬，等.變電站巡檢機(jī)器人無線充電系統(tǒng)輻射屏蔽設(shè)計(jì)[J].電瓷避雷器，2022（6）：62-69.

[10]于景，周國平.變電所軌道式巡檢機(jī)器人控制系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].制造業(yè)自動化，2022，44（11）：123-127.

[11]夏立偉，張楚謙，尹洪，等.基于紫外和紅外光譜聯(lián)合的低零值絕緣子狀態(tài)監(jiān)測技術(shù)研究[J].粘接，2023，50（8）：180-184.

[12]樊琛，王毅.基于浮游式變壓器巡檢機(jī)器人系統(tǒng)設(shè)計(jì)與試驗(yàn)[J].粘接，2022，49（12）：174-177.

[13]胡智強(qiáng)，姚曉通.基于改進(jìn)Faster-RCNN的接觸網(wǎng)絕緣子識別與提取[J].電瓷避雷器，2023（3）：146-152.

[14]高莉莉.智能巡檢機(jī)器人現(xiàn)狀及發(fā)展趨勢分析[J].農(nóng)機(jī)使用與維修，2023（10）：63-66.

[15]張霆，吳文海，藍(lán)天，等.接觸網(wǎng)絕緣子帶電水沖洗的關(guān)鍵參數(shù)研究[J].機(jī)械設(shè)計(jì)與制造，2022（5）：181-184.

（責(zé)任編輯：李睿）