基于原型智能網絡的電網檢修狀態異常檢測模型

摘 要：電網裝置通常安裝在戶外，會受到大量污染。污染物積聚在電網裝置中，可能會引起短路并導致停電。為了提高電網的可靠性，利用計算機視覺技術實現自動化電網檢修狀態異常的檢測。提出一種基于原型（Ｐｒｏｔｏｔｙｐｅ） 智能網絡的電網檢修狀態異常檢測模型（Ｐｒｏｔｏ-ＰＧＮｅｔ），為自動化電網檢修狀態異常檢測提供輔助決策。由于現有電網檢修數據集包含的不同背景圖像數量有限，如何使模型更具泛化性是一個挑戰。Ｐｒｏｔｏ-ＰＧＮｅｔ 模型在最后一個密集層上不進行凸優化，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，結果表明Ｐｒｏｔｏ-ＰＧＮｅｔ 模型明顯優于其他模型。其中，以ＶＧＧ-１９ 為網絡骨架時，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：電網檢修；原型智能網絡；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

電網負責向用戶提供安全可靠的電力，但是許多配電網絡安裝在戶外，且導體上沒有絕緣層保護，導致這些配電網絡很容易受到惡劣環境的影響。因此安裝在室外的電力系統面臨的一個主要問題是污染物，污染物在電網結構上不斷積聚，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。當放電發生在絕緣表面時，污染物會燃燒并結垢，因此只靠雨水清洗這些組件會變得更困難。對于被嚴重結垢所污染的部件，會發生多次放電，從而降低電力系統的電能質量。

為了提高識別損壞部件的能力，需要對電力系統進行定期檢查。通常由專業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。

基于圖像的神經網絡模型在電網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。這類模型最大的優勢在于，可以找到原型部件，并結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據集是使用深度學習模型的一大難題，因為電力系統中很少出現檢修狀態異常，很難收集足夠多的具有代表性的數據來訓練模型。基于利用小型數據集對電網檢修狀態異常進行預防性識別的需要，提出ＰｒｏｔｏＰＧＮｅｔ 模型，用于對電網結構中的檢修狀態異常進行分類，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 通常深度神經網絡需要大量數據來訓練模型，但所提ＰｒｏｔｏＰＧＮｅｔ 模型，使用小型數據集就能獲得較高的準確率，這將使該模型能夠應用于現場環境。

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

由于電力系統大多安裝在戶外，因此容易出現多種檢修狀態異常的情況［５］。電力系統出現檢修狀態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據集，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異常的發展情況［９］。

使用航空圖像監測電網是一種具有成本效益的替代方案。由于深度學習神經網絡具有處理大型數據集的能力，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 等基于卷積神經網絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）的網絡骨架模型表現突出。除了污染外，室外安裝的電網結構還暴露于冰凍、潮濕和下雪的惡劣環境之中。對于電力系統檢測而言，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檢測的問題。Ｓａｍｐｅｄｒｏ 等［１０］和Ｔａｏ等［１１］應用ＣＮＮ 進行檢修狀態異常識別，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異常的物體，如破損的絕緣子。Ｌｉ 等［１３］提出的基于區域的卷積神經網絡（ＲｅｇｉｏｎｂａｓｅｄＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＣＮＮ）以及ＹＯＬＯ 等技術被廣泛用于絕緣子狀態異常識別。這種策略的最大優勢在于可以確定狀態異常的確切位置。然后，可以通過預先確定狀態異常的原因和位置，將專業團隊引導到問題現場解決問題。

基于深度學習的技術在電力網絡檢修狀態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線性整流單元的方法，以改進用于檢修狀態異常診斷的深度殘差網絡的資源學習。

小波變換和深度殘差網絡的融合對于檢修狀態異常診斷非常有效，因為檢修狀態異常產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Ｓｉｎｉｏｓｏｇｌｏｕ 等［１７］的研究，使用深度學習策略檢測異常，能提高網絡狀態診斷的可靠性。

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