张琦
国网山西省电力公司输电检修分公司 山西省太原市 030000
摘要：无人机的巡检工作会拍摄大量的缺陷图片，这就需要对这些图片进行准确的识别和分析，为输电线路消缺提供可靠的依据。随着巡检智能化分析的要求越来越高，人工智能的识别方法被广泛使用，将无人机巡检图像上传到信息管理平台，然后通过多种大数据人工智能算法自动分析，精准判断缺陷，生成缺陷报告，进而提高图像智能识别技术的实用性。
关键词：AI大数据；无人机；巡线研究
1 人工智能算法在电力大数据中的应用
电力大数据主要产生于电能生产和使用的发输变配各个环节。电力大数据具有四个主要的特点:数据体量大、数据类型繁多、价值密度低和处理速度快。新能源的大规模使用如风能，水能，太阳能等，增加了供电侧的不确定性;智能设备的大规模使用如无人机，智能机器人等，增加了大量需要批量处理的的运维信息。这些都使得电网成为一个多变量，强耦合的随机系统，难以用传统的方法预测和管理。而人工智能算法的出现，能够从复杂多变的不确定性中找到隐含的关系，进而有效的化解这种复杂系统的不确定性。
人工智能算法在电网中的应用大体可以分为供求预测，智能调度，电网设备运维和故障诊断等几个方面。在继电保护方面，由于人工智能的模糊思维和快速处理能力，使其成为二次保护设计中重要的在线状态评估工具。在电力系统稳定性方面，模糊集理论使励磁控制系统取得了有更好的控制效果。在电力故障诊断方面，神经网络算法、遗传算法等多种人工智能算法结合起来的混合预测系统为智能化故障诊断研究提供了新方向。在输电无人机巡检方面，首先通过建立一个完整的数据库，并设计与之相配套的灵活的编码规范，实现图片、数据、缺陷等输电线路精细化管理，然后可以将无人机巡检的图片和数据利用人工智能算法进行细分，让这些有用的信息和成果实现标准化。最后快速的将这些图片和信息进行分类，结合台账、地理信息等数据对设备的缺陷进行分析，并指导其完成检修作业。这样一套闭环流程可以有效确保每一次的电网巡检都能够获得有价值的信息和数据，进而对电网的运维情况做出准确的预判。
2 基于大数据的无人机巡检系统
2.1 整体设计
无人机线路巡检系统通过人工智能分析算法识别无人机线路巡视中的故障点，并根据图片和数据分析结果进行预警和评估，便于检查人员快速处理。
当下达巡检指令后，数据管理平台首先发布巡检计划，然后控制无人机执行巡检计划，并通过数据无线传输方式将采集到的图像、位置等信息数据传输至管理平台。结合人工智能大数据技术，对巡检路线上的环境、设备、状态进行分析，并对采集到的数据和图片进行预测和评估。若发生隐患则进行预警，检修人员可以及时处理，并将处理结果反馈至信息管理平台，方便管理人员查看和分析。
无人机巡检过程中往往会对待检测区域进行多方位的拍摄，形成海量的图片信息。但图像处理过程存在几大难点，以绝缘子图像为例，图像的背景特征复杂，常见背景如森林、河流、农田等;图像信噪比很低，绝缘子串仅占图像一小部分，故障处如绝缘子自爆在图像中肉眼难以分辨;难以采用传统的基于规则的方法描述进而准确识别定位故障点。而深度学习通过大量样本训练，将背景噪声作为特征信息的一部分来学习，从而达到准确识别的目的。
2.2 巡检系统的图像识别技术
图像识别技术过程通常可以分为图像预处理、图像配准和图像融合三个步骤，首先，将采集原图像分为参考图像和待识别图像两部分，参考图像作为识别图像的对比样本，然后运用大数据图像识别算法对待识别图像的相似部分进行分析和识别，并计算相关识别参数，完成原始图像的缺陷识别工作。
输电线路缺陷类型大致为8大类:杆塔、导地线、绝缘子、金具、基础、通道环境、接地装置和附属设施。目前，大部分缺陷尚缺乏详细量化的判定规则，大部分缺陷类型在人工智能算法中具存在相似性。例如绝缘子常见的的几类缺陷为污秽、破损、自爆和表面灼伤等，而这些缺陷在图片特征来看，均表现出现几何特征或颜色异常，单从图片特征判断具体是哪一类缺陷非常困难。针对算法的处理效果和处理速度等方面设立细化评分项，对各类算法的识别效果(漏检率、误报率等)进行综合分析。分析结果也表明:对于小尺寸金具、绝缘子、接地装置和附属设施类等缺陷，识别准确率较低。
2.3 基于大数据图像识别技术的实验流程
无人机在拍摄实际输电线路图像时，会受到内部和外部等诸多因素的干扰，采集的图像会发生畸变，会出现图像位置、形状和大小等各方面的多种变化，这些一般都是由无人机的内部误差和外部误差共同造成的。内部误差是指无人机的电路系统、飞控系统和传感器等内部原因产生的误差，如:采集速度不均的成像时间差造成的图像扭曲与失真。外部误差是指由外部环境造成的误差。因此，系统需要对采集的图像信息进行各种去除误差操作，例如运用图像校正算法计算无人机的飞行角度与飞行方向，生成飞行角度间的正交变换几何函数，利用邻近插补法实现位置校正，以得到反映真实输电线路的图像信息。
为了提高模型的定位精度，需要对检测模型进行边界框非极大值抑制。目标检测模型在候选区域网络预测目标可能出现的区域，利用卷积神经网络在此区域上计算产生对应特征向量，根据特征向量对该区域进行评估。一个目标区域会对应产生不同的多个位置预测边界框，最终的检测结果需要保留最为合理的边界框，模型需要采用非极大值抑制算法对多余的预测边界框进行剔除。非极大值抑制算法一般位于检测模型结尾，依据边界框的置信度选择区域中置信度最高的边界框，计算重叠程度，剔除高于阈值的预测边界框。其能够避免检测模型在训练增加额外的计算量，并且提高检测的效果和精度。
3 应用情况
大数据和人工智能技术在输电线路无人机运检上的广泛应用，既解决了日益增长的电网需求和人员数量持续下降的矛盾，又明显的提高了设备巡检质量和工作效率，减少了运维人员的工作量与工作强度，从根本上节约了人工成本，还能在很大程度上解决恶劣环境条件下巡检准确度低和危险系数高等一系列问题，提高了电网运检的安全性。利用人工智能技术可以自动筛选识别缺陷照片，比传统人工效率提高了数十倍，大大缩短了运维检修的时间。无人机定位可以精确到厘米级，能极大提升故障检测的准确率。
4 结语
综上所述，深度学习和卷积神经网络的应用提高了大数据图像识别的效率，也进一步提高了无人机电网巡检效率，促进了电网巡检工作的快速发展。当然，无人机电网巡检工作也有很多地方需要去进一步完善，例如继续建立健全无人机巡检流程，继续提高人工智能技术在架空输电线路缺陷识别方面的实用化水平，为运维工作人员提供准确的判断依据。相信在不久的将来，在电网生产的各个环节，无人机结合人工智能技术将会发挥更大的作用。
参考文献
[1]邵瑰玮，刘壮，付晶，等.架空输电线路无人机巡检技术研究进展[J].高电压技术，2020,46(01):14-22.